做跌倒识别这类项目，我在几个不同的看护场景里被反复问过同一个问题：能不能不接一堆传感器，就用一个普通摄像头，把“坐着、站着、摔倒”这三种状态分出来。真正落地时你会发现，难点从来不是“能不能检测到人”，而是“怎么把一个人的姿态稳定地映射成一个语义标签”，并且这个标签在光照变化、遮挡、多人交叉、摄像头角度刁钻的情况下还不能乱跳。这套方案我最终定型成YOLOv8 姿态检测 + 关键点特征工程 + 规则判决 + 时序平滑的组合，纯视觉、单模型、边缘设备可跑，源代码结构也很轻，改起来不费劲。

这篇文章我打算把整个推理评估链路拆开讲透：模型为什么选 YOLOv8-pose 而不是端到端分类、17 个关键点怎么变成能判决的数字、坐站跌三态的具体阈值是怎么定出来的、现场标定时该动哪几个参数、以及我踩过的那些“坐姿被判成跌倒”“蹲下就被报警”的坑。适合已经会跑 YOLO 推理、想把它用姿态任务上的朋友，也适合做看护、健身、工位监测这类场景、需要一个能快速出效果的基线方案的人。代码我会给核心片段，思路比代码重要，思路对了换哪个姿态模型都能复用。

1. 方案整体设计与选型思路

1.1 为什么不用端到端的行为分类模型

一开始我也试过端到端路线：把人体框裁出来，送进一个动作识别网络，直接输出 sit / stand / fall 三个类别。跑 demo 很漂亮，一上真实场景就散架。原因很直白——端到端分类模型学的是“图像纹理和整体外观”，它对训练集里的拍摄角度、衣着、光照有很强的记忆性，换个俯角、换把椅子、换个人穿深色衣服，置信度分布就变了。更麻烦的是它不可解释，误报了你没法知道是哪里出的问题，只能继续加数据、加标注、重新训练，迭代成本极高。

关键点方案的好处是把“感知”和“判决”彻底解耦。YOLOv8-pose 只负责一件事：把人体的 17 个关节坐标找出来。至于这个人是坐着还是摔了，交给一层薄薄的几何规则去算。这一层是可以读、可以改、可以针对单个场景微调的。现场发现“蹲下被误报成跌倒”，我不需要重新标几千张图，只要在规则里加一条膝角约束就能压下去。这种可调试性，在真实交付里比多两个点的准确率值钱得多。

还有个体量和延迟的问题。姿态模型本身很小，yolov8n-pose在普通 CPU 上单帧几十毫秒，导出 ONNX 之后边缘盒子上跑 15 到 25 FPS 很轻松。而动作识别网络通常要吃 16 到 32 帧的时序片段，显存和算力门槛直接上一个台阶。看护场景往往是一台设备要盯好几个房间，这种成本差异会被放大。

1.2 YOLOv8-pose 到底吐出了什么

很多人卡在这一步：模型跑通了，results打印出来一堆数字，不知道哪个是哪个。我把它说清楚。YOLOv8-pose 的输出张量形状是(1, 56, 8400)，其中 8400 是候选框数量（三个尺度特征图拼起来的），56 这个维度是这样拆的：前 4 个是人框的cx, cy, w, h，第 5 个是框的置信度，剩下 51 个是 17 个关键点，每个关键点 3 个值，依次是x, y, score。

关键点的顺序遵循 COCO 定义，这个顺序必须记牢，后面所有特征计算都依赖它：

用 Ultralytics 的封装时，取results[0].keypoints.xy拿到的是像素坐标(N, 17, 2)，results[0].keypoints.conf拿到的是每个点的置信度(N, 17)。注意一个细节：xy里即使某个点置信度接近 0，坐标依然会有一个值（通常是框内的插值位置），所以绝对不能用坐标是否有值来判断点是否可靠，必须自己拿conf去过滤。这个坑我见过不止一个人踩，直接导致遮挡场景下疯狂误报。

另外要注意keypoints.xy的坐标系是原图像素坐标，不是归一化的。如果你的输入做了 letterbox 缩放，Ultralytics 内部会帮你映射回原图，一般不用自己处理；但如果你是自己拿 ONNX 做前处理，就一定要把坐标反算回去，否则算出来的角度全是错的。

1.3 整条流水线的分层设计

我把整条链路切成五层，每层职责单一，出问题好定位：

第一层，检测与关键点提取。YOLOv8-pose 出人框和 17 点，按conf阈值过滤低质量框。这一层的输出是“原始感知结果”。

第二层，跟踪绑定。用内置的跟踪器（model.track，默认 ByteTrack）给每个人分配一个稳定 ID。没有 ID 的话，时序平滑根本无从谈起——你不知道这一帧的 3 号人和上一帧的 3 号人是不是同一个。

第三层，特征工程。把 17 个点转换成人体的比例、角度、朝向等几何量。这一层是整套方案的核心，转换得好，判决就简单；转换得糙，后面怎么调阈值都别扭。

第四层，判决。用特征去判断状态，输出一个带分数的候选标签。

第五层，时序平滑与状态机。单帧结论不算数，要连续多帧一致才确认状态切换，跌倒还要加“不可自恢复”约束。

这个分层的好处是：你可以单独替换任何一层。比如换更强的姿态模型（RTMPose、MediaPipe），只要保证输出 17 点格式一致，上层完全不用改；或者把规则判决换成一个小型分类器（GBDT、轻量 MLP），输入还是那些特征，迁移成本很低。

2. 关键点特征工程：把 17 个坐标变成可判决的信号

2.1 坐标系归一化：摆脱像素和分辨率的束缚

直接拿像素坐标算角度是可行的，但只要涉及“距离”“高度”这类量，就必须归一化，否则换个分辨率、换个人高矮胖瘦，阈值全得重调。我用的归一化基准是人体自身的尺度，具体是两个量：

一是body_h，取人体框的高度，或者更稳一点，取“鼻子到双脚踝的垂直距离”。用框高在人体被截断时（比如半个身子出画）会严重失真，所以我更倾向于用关键点跨度：body_span = max(y) - min(y)（在所有高置信度点上取），这个值对截断有一定鲁棒性，但截断严重时也会失效，所以还要加一个可用性检查。

二是torso_len，取“肩中点 → 髋中点”的欧氏距离。这个量代表躯干长度，是个很稳定的个人尺度基准，坐姿站立都不怎么变，特别适合用来做距离归一化。

有了这两个基准，所有距离类特征都除以它们，变成无量纲比例。这样一个人离摄像头远近、图像分辨率高低，都不影响判决。角度类特征本身无量纲，直接算就行。

提示：如果你要在一个画面里同时监控多个人，别用画面高度做归一化基准，那样远近的人尺度不一致，必须用人体自身尺度。

2.2 五个真正有用的核心特征

我从十几个候选特征里筛到最后留了五个，这五个覆盖了绝大多数判决需求，算力也低。

特征一：躯干倾角torso_angle。肩中点指向髋中点的向量，与竖直向下方向的夹角，单位度。站立时接近 0 到 20 度，坐着可能 0 到 40 度（取决于靠背角度），摔倒时通常大于 55 度甚至接近 90 度。这是区分“直立类”和“躺倒类”的主特征。

特征二：头部相对髋部的高度比head_hip_dy。(hip_mid_y - nose_y) / torso_len。站着时这个值大概 1.3 到 1.8（因为头在髋上方，像素 y 轴向下，所以 hip_y 减 nose_y 是正的），坐着时大概 0.8 到 1.3，摔倒时可能接近 0 甚至变成负数。这个特征比单纯用框高稳，因为它只依赖两个点，遮挡时还能靠鼻子或者肩膀推算。

特征三：身体包围盒宽高比body_aspect。(x_max - x_min) / (y_max - y_min)。站姿通常在 0.25 到 0.5，坐姿 0.5 到 0.9，躺倒时大于 1.0。这是最直观的一个特征，但单独用很危险——蹲下、弯腰捡东西、盘腿坐都会让它接近 1，所以它只能作为辅助投票项。

特征四：膝角knee_angle。髋-膝-踝三点构成的夹角。直立时接近 180 度，正常坐姿大概 80 到 120 度，深蹲大概 40 到 70 度，躺平伸展时接近 180 度。注意躺平和站立膝角都可能接近 180，所以这个特征必须和躯干角联合使用，不能单独判。

特征五：髋部相对高度hip_height_ratio。(img_h - hip_mid_y) / img_h（注意方向，让数值越大表示越高）。这个特征强依赖摄像头安装高度和角度，不能跨设备通用，但同一设备下它是判断“这个人是不是降到地面了”最直接的信号。我一般把它做成一个可选的加分项，在固定机位的场景里非常好用。

这五个特征之间是有冗余的，冗余不是坏事。判决时用多特征投票，任何单一特征因为遮挡或角度失效，其他特征还能兜底。这就是规则方案比端到端稳的根本原因——它有冗余的“证据链”。

2.3 特征计算的向量化实现

特征计算这块我写得比较克制，尽量向量化，避免逐人循环，多目标场景下性能差别很明显。

import numpy as np def safe_mid(a, b, ca, cb, conf_th=0.35): """两个点求中点，按置信度加权；都不可信时返回 None""" if ca < conf_th and cb < conf_th: return None if ca < conf_th: return b.astype(np.float32) if cb < conf_th: return a.astype(np.float32) w = np.array([ca, cb], dtype=np.float32) w = w / w.sum() return (a * w[0] + b * w[1]).astype(np.float32) def angle_between(v1, v2): """两个向量的夹角，单位度，输入需为非零向量""" n1 = np.linalg.norm(v1) n2 = np.linalg.norm(v2) if n1 < 1e-6 or n2 < 1e-6: return None cos = float(np.dot(v1, v2) / (n1 * n2)) cos = max(-1.0, min(1.0, cos)) return float(np.degrees(np.arccos(cos))) def extract_features(kxy, kconf, img_h, img_w, conf_th=0.35): """kxy: (17,2) 像素坐标, kconf: (17,) 置信度""" L_SH, R_SH = 5, 6 L_HIP, R_HIP = 11, 12 L_KNEE, R_KNEE = 13, 14 L_ANK, R_ANK = 15, 16 NOSE = 0 sh_mid = safe_mid(kxy[L_SH], kxy[R_SH], kconf[L_SH], kconf[R_SH], conf_th) hip_mid = safe_mid(kxy[L_HIP], kxy[R_HIP], kconf[L_HIP], kconf[R_HIP], conf_th) if sh_mid is None or hip_mid is None: return None # 肩髋缺失，本帧不可判 torso_vec = hip_mid - sh_mid torso_len = float(np.linalg.norm(torso_vec)) if torso_len < 8.0: # 太小说明检测框异常或人极远 return None # 特征一：躯干与竖直方向夹角 vertical = np.array([0.0, 1.0], dtype=np.float32) torso_angle = angle_between(torso_vec, vertical) if torso_angle is None: return None # 特征二：头髋高度差（以躯干长为单位） head_hip_dy = None if kconf[NOSE] >= conf_th: head_hip_dy = float((hip_mid[1] - kxy[NOSE][1]) / torso_len) # 特征四：膝角（取左右可信侧里角度更大的那个，代表支撑腿） knee_cands = [] for hip_i, knee_i, ank_i in ((L_HIP, L_KNEE, L_ANK), (R_HIP, R_KNEE, R_ANK)): if min(kconf[hip_i], kconf[knee_i], kconf[ank_i]) >= conf_th: a = angle_between(kxy[hip_i] - kxy[knee_i], kxy[ank_i] - kxy[knee_i]) if a is not None: knee_cands.append(a) knee_angle = max(knee_cands) if knee_cands else None # 特征五：髋部相对高度 hip_height_ratio = float((img_h - hip_mid[1]) / img_h) # 特征三：身体宽高比（只用可信点） valid = kxy[kconf >= conf_th] body_aspect = None if len(valid) >= 4: w = float(valid[:, 0].max() - valid[:, 0].min()) h = float(valid[:, 1].max() - valid[:, 1].min()) if h > 1e-3: body_aspect = w / h return { "torso_angle": torso_angle, "head_hip_dy": head_hip_dy, "knee_angle": knee_angle, "body_aspect": body_aspect, "hip_height_ratio": hip_height_ratio, "torso_len": torso_len, "sh_mid": sh_mid, "hip_mid": hip_mid, }

这段代码有两个设计意图值得说明。第一，safe_mid用置信度加权而不是简单平均，是因为实际场景里经常一侧肩膀被遮挡（侧身、走到画面边缘），这时用加权中点能显著降低抖动。第二，膝角取左右两侧中较大的那个，是因为支撑腿的膝角更接近伸直状态、更能反映站立的意图，而被遮挡或弯曲的腿会引入噪声。

2.4 置信度处理与不可判帧的代价

置信度阈值conf_th = 0.35是我实测下来比较通用的值，但它在不同模型尺寸上要微调：yolov8n-pose精度低一些，可以降到 0.3；yolov8m-pose或l-pose精度高，可以提到 0.45 甚至 0.5，这样能过滤掉更多背景误检。

这里要强调一个容易被忽略的工程原则：允许输出“不可判”，比强行输出一个错判要好得多。当肩或髋的关键点缺失、torso_len小到不合理、或者有效点数少于 4 个时，我直接返回None，让这一帧不参与判决。状态机看到None就保持上一状态不更新，而不是把"未知"当成"站立"或者"跌倒"。

我在一个项目里吃过反面的教训：当初为了“每一帧都有输出”，把所有不可判的帧默认填成“站立”，结果在夜间低照度下模型经常找不到肩髋，系统疯狂地在“跌倒 → 站立”之间抖动，值班人员被无效报警折腾得直接关掉了提示。后来改成保留上一有效状态，误报率立刻降下来的同时，真实报警一个没漏。

3. 三态判决逻辑：坐、站立、跌倒怎么定阈值

3.1 站立判定的组合条件

站立是我认为最容易判的一类，因为它有强几何约束：躯干接近竖直，髋在膝上方，膝在踝上方。

我用的规则是三个条件同时满足：

• torso_angle < 32°：躯干基本竖直。为什么不是 20°？因为真实场景里人站着会前倾看手机、弯腰喝水、伸手拿东西，20° 太严，会把这些都判成非站立。32° 能覆盖大部分自然站姿的倾斜，同时把明确的坐姿（靠背椅通常 30° 到 45°）挡在边界之外。
• head_hip_dy > 1.0：头明显在髋上方。这个条件的作用是拦住“半躺但躯干角不大”的情况，比如躺椅调得很陡的时候。
• knee_angle > 150°（如果可算）：支撑腿基本伸直。这个条件是可选加分项，蹲下时膝角会掉到 100° 以下，直接排除。

三个条件里，躯干角和头髋高度差是必选，膝角是可选的第四票。我给它们不是等权的：躯干角权重 0.5，头髋高度比 0.3，膝角 0.2。加起来过 0.7 就判站立。加权的好处是某个特征处在模糊区间时，其他特征能拉一把。

有一个容易忽略的细节：站姿的判定必须考虑人的朝向。人背对摄像头时，鼻子不可见（kconf[0]会很低），head_hip_dy直接失效。这时候我用耳或眼的中点替代鼻子位置，如果这些也都不行，就退化成只用躯干角加膝角的两票制，权重重新归一化。这个退化逻辑一定要写，否则背身站立的人会一直判不出来。

3.2 坐姿判定：最容易被做成“非站即坐”的一个

坐姿是三类里最难判的，因为它的外观变化最大。办公椅正坐、懒人沙发半躺、地面盘腿、蹲在凳子上、坐轮椅、骑车——这些在关键点层面呈现的几何形态完全不同。如果只用“躯干角在 30 到 60 度之间”这一个条件，漏判率会很高。

我的做法是用“髋部高度下降 + 膝部明显弯曲”这个组合作为主判据，而不是靠躯干角。具体来说：

• knee_angle落在70° ~ 135°区间（有明显弯膝，但不是深蹲），权重 0.45；
• hip_height_ratio比该目标的站立基线低 15% 以上，权重 0.35；
• torso_angle在5° ~ 55°之间，权重 0.2。

注意第二个条件用的是“该目标的基线”而不是固定值。这就是带跟踪 ID 的另一个好处：我可以给每个 ID 维护一个最近 30 秒的hip_height_ratio中位数，作为这个人的站立基线。人坐下来，髋部高度相对自己的基线会明显下降，这个相对变化比绝对高度可靠得多，而且能自动适配不同身高、不同机位。

坐姿和蹲姿的区分，我用hip_height_ratio的下降幅度来划：蹲下时髋部会降得更多（通常超过站立基线的 35%），而坐着时下降幅度在 15% 到 35% 之间。这个区间不是绝对可靠的，蹲姿误判确实会存在，所以我在实际系统里通常把“蹲”这个状态单独放一个类，让它不触发报警，只是不上报为跌倒。宁可多一个中间态，也不要让蹲下触发紧急报警。

注意：如果你的场景里没有“蹲”这个动作（比如桌面工位监测），可以把蹲的判定直接去掉，把坐的阈放宽，误报会少很多。规则一定要按场景裁剪，别想着写一套通用规则打天下。

3.3 跌倒判定：单帧判断必然误报，必须上时序

跌倒这块是整套方案里唯一一个我不敢用单帧结论的地方。原因很简单：弯腰捡东西、系鞋带、做俯卧撑、在地上做瑜伽、躺在沙发上——这些动作在某一帧的关键点上和跌倒几乎一模一样。任何基于单帧的“躯干角大于 60 度就报警”的方案，上线第一天就会被误报淹没。

我的跌倒判决分两部分：单帧跌倒候选和时序确认。

单帧候选的条件组合：

• torso_angle > 55°（躺倒倾向），权重 0.4；
• body_aspect > 0.9（身体横向展开），权重 0.25；
• head_hip_dy < 0.6（头部明显下沉到髋部附近或更低），权重 0.25；
• hip_height_ratio相对该目标基线下降超过 40%，权重 0.1。

四项加权和超过 0.65 记为一个“跌倒候选帧”。

时序确认我用了两个并行的判据，两个都满足才升级为“跌倒事件”：

判据一，持续性：连续 8 到 12 帧（按 25 FPS 算大约 0.3 到 0.5 秒）都是候选帧。这个窗口长度需要按帧率换算，我一般写成confirm_frames = int(fps * 0.4)。窗口太短扛不住噪声，太长会拖慢响应。

判据二，变化剧烈度：跌倒的本质是“从高到低的快速转变”，所以我在事件发生前的 1 到 2 秒窗口里，检查hip_height_ratio的下降速度和torso_angle的上升速度。如果髋部高度在 1 秒内下降超过 25%，同时躯干角增加超过 30 度，这个“快速跌落”的信号会大幅提升置信度。反过来，如果一个人是慢慢躺到沙发上，髋部下降是渐进的，这个速度判据就不会触发，从而把“躺下”和“摔倒”区分开。

这个速度判据是我这套方案里最有价值的一块，也是单纯靠单帧规则做不到的。它把“姿态”升级成了“姿态 + 姿态的变化过程”，信息量完全不同。

还有一条兜底规则：如果某个人在跌倒候选帧之后持续 10 秒以上保持低髋部高度且没有恢复到站立/坐姿，即使速度判据没触发，也升级为跌倒事件。这条规则覆盖的是“慢慢滑倒”“先坐着然后侧倒”这类低冲击的跌倒，在真实场景里占比不低，而且往往更危险，因为当事人可能已经失去意识。

3.4 状态机与滑动窗口投票

判决的最后一层是状态机。我用的是一个带迟滞的状态机，状态集合是UNKNOWN / STANDING / SITTING / LYING / FALLEN，FALLEN是事件态，不是姿势态，触发之后会保持直到人工复位或者检测到重新站立。

状态切换用两个机制保证稳定：

一是滑动窗口多数投票。给每个跟踪 ID 维护一个长度 10 的 deque，存最近 10 帧的候选标签，取众数作为当前状态。这样单帧的抖动直接被吃掉。窗口长度和 FPS 挂钩，我把窗口覆盖的时间固定在 0.4 秒左右。

二是进入/退出迟滞。进入某个状态需要连续 N 帧的支持，退出该状态需要连续 M 帧的其他状态支持，且 N > M 或 M > N 视情况定。比如进入 FALLEN 需要 10 帧确认，退出 FALLEN 需要连续 30 帧的站立证据，这个不对称是故意的——宁可晚点解除警报，也不要漏掉一个真的摔倒后躺了一会儿又挣扎起来的人。

from collections import deque, Counter class PostureStateMachine: def __init__(self, fps=25): self.win = deque(maxlen=max(5, int(fps * 0.4))) self.state = "UNKNOWN" self.enter_cnt = Counter() self.fallen_latched = False self.hist_hip = deque(maxlen=int(fps * 2)) # 用于速度判据 def update(self, cand, feats): """cand: 'STANDING'/'SITTING'/'LYING'/'FALL_CAND' 或 None""" if cand is None: return self.state # 不可判帧不更新 self.win.append(cand) if len(self.win) < 3: return self.state vote, cnt = Counter(self.win).most_common(1)[0] ratio = cnt / len(self.win) if vote == "FALL_CAND" and ratio >= 0.7: self.enter_cnt["FALL_CAND"] += 1 if self.enter_cnt["FALL_CAND"] >= 3 and self._fast_drop(): self.fallen_latched = True self.state = "FALLEN" else: self.enter_cnt["FALL_CAND"] = 0 if self.fallen_latched: # 需要长时间站立证据才解除 if vote in ("STANDING", "SITTING") and ratio >= 0.85: self.enter_cnt["recover"] += 1 if self.enter_cnt["recover"] >= 15: self.fallen_latched = False self.state = vote self.enter_cnt["recover"] = 0 else: self.enter_cnt["recover"] = 0 return self.state if vote != "FALL_CAND" and ratio >= 0.6: self.state = vote return self.state def _fast_drop(self): if len(self.hist_hip) < 8: return False vals = list(self.hist_hip) drop = max(vals[:len(vals)//2]) - min(vals[len(vals)//2:]) baseline = max(vals[:len(vals)//2]) return baseline > 1e-6 and (drop / baseline) > 0.25

这段状态机代码不算优雅，但逻辑是清楚的：投票负责抗抖，计数负责迟滞，fallen_latched负责事件的锁存和解除。实际部署时我把FALLEN的触发做成回调，一触发就推送通知并保存前后 10 秒的视频片段——保存证据这个功能在事后复盘时太重要了，没有它你根本无法判断是误报还是真事。

4. 完整实操：从环境到跑通一条视频流

4.1 环境和依赖

环境没什么讲究，Python 3.9 到 3.11 都行，Ultralytics 版本建议固定，别用 latest，它迭代快，接口偶尔会变。

pip install ultralytics==8.2.0 opencv-python numpy

模型文件第一次运行会自动下载。如果部署环境不能联网，提前把yolov8n-pose.pt下载好放到工作目录，代码里用本地路径加载。我用n版本做原型验证，确认逻辑没问题之后再换s或m版本提精度。这个顺序很重要——先用最轻的模型把流程跑通，能立刻知道是逻辑问题还是精度问题，不至于一上来就被算力拖住。

如果是边缘盒子部署，走 ONNX 导出：

yolo export model=yolov8n-pose.pt format=onnx imgsz=640 simplify=True

导出时imgsz要和推理时一致，不一致的话关键点位置会偏移。这个坑很隐蔽，因为框看着还挺准，但算出来的角度会有几度偏差，累加到阈值边界上就变成了误判。我一般会在导出后拿同一张图做一次 PT 和 ONNX 的结果对齐，两边的关键点坐标差应该在 1 像素以内。

4.2 单帧推理到状态输出的最小闭环

先把最小闭环写出来，跑通再谈优化。

import cv2 import numpy as np from ultralytics import YOLO model = YOLO("yolov8n-pose.pt") def judge_single(f, baseline_hip=None): """单帧判决，返回候选标签和分数""" if f is None: return None, 0.0 ta = f["torso_angle"] hhd = f["head_hip_dy"] ka = f["knee_angle"] asp = f["body_aspect"] hr = f["hip_height_ratio"] # 跌倒候选 fall_score = 0.0 if ta > 55: fall_score += 0.40 * min(1.0, (ta - 55) / 30 + 0.5) if asp is not None and asp > 0.9: fall_score += 0.25 * min(1.0, (asp - 0.9) / 0.5 + 0.5) if hhd is not None and hhd < 0.6: fall_score += 0.25 * min(1.0, (0.6 - hhd) / 0.6 + 0.3) if baseline_hip and baseline_hip > 1e-6: drop = (baseline_hip - hr) / baseline_hip if drop > 0.40: fall_score += 0.10 if fall_score >= 0.65: return "FALL_CAND", fall_score # 站立 stand_score = 0.0 if ta < 32: stand_score += 0.5 if hhd is not None and hhd > 1.0: stand_score += 0.3 if ka is not None and ka > 150: stand_score += 0.2 if stand_score >= 0.7: return "STANDING", stand_score # 坐姿 sit_score = 0.0 if ka is not None and 70 <= ka <= 135: sit_score += 0.45 if baseline_hip and baseline_hip > 1e-6: drop = (baseline_hip - hr) / baseline_hip if 0.12 <= drop <= 0.40: sit_score += 0.35 if 5 <= ta <= 55: sit_score += 0.2 if sit_score >= 0.6: return "SITTING", sit_score return None, 0.0

这段是核心判决的最简版本。要注意fall_score我写成了分段线性映射而不是硬开关，这样分数本身有梯度，可以用来做置信度排序，也能在阈值附近配合时序平滑。硬开关（满足就加固定分）的问题是分数没有分辨力，0.66 和 0.99 在后续逻辑里完全等价，等于浪费了信息。

4.3 视频流推理与跟踪绑定

跟踪这块直接用 Ultralytics 的model.track，配置persist=True让跟踪器在帧之间保持状态。

cap = cv2.VideoCapture("input.mp4") fps = cap.get(cv2.CAP_PROP_FPS) or 25 machines = {} # tid -> PostureStateMachine hip_hist = {} # tid -> deque, 用于基线估计 while True: ok, frame = cap.read() if not ok: break h, w = frame.shape[:2] res = model.track(frame, persist=True, conf=0.4, tracker="bytetrack.yaml", verbose=False)[0] if res.keypoints is None or res.boxes.id is None: continue ids = res.boxes.id.int().cpu().numpy() kxy = res.keypoints.xy.cpu().numpy() kcf = res.keypoints.conf.cpu().numpy() for i, tid in enumerate(ids): tid = int(tid) f = extract_features(kxy[i], kcf[i], h, w) base = None if tid in hip_hist and len(hip_hist[tid]) >= 20: base = float(np.median(hip_hist[tid])) cand, score = judge_single(f, base) if tid not in machines: machines[tid] = PostureStateMachine(fps) hip_hist[tid] = deque(maxlen=int(fps * 30)) if f is not None: hip_hist[tid].append(f["hip_height_ratio"]) machines[tid].hist_hip.append(f["hip_height_ratio"]) state = machines[tid].update(cand, f) # 画图略

hip_hist我用了 30 秒的窗口来算站立基线。这个长度是个权衡：太短，刚坐下来基线就被拉低了，后面判坐姿会失效；太长，换了姿势（比如从站着换成长期坐着办公）基线老化不更新。30 秒在多数场景下够用，如果场景里人长时间静坐，可以改成用“最近 30 秒内的第 90 百分位”作为基线，这样即使大部分时间坐着，基线也还是站着的高度。

4.4 现场标定的三步流程

规则方案必须现场标定，这一步省不掉。我总结成三步：

第一步，采集标定片段。让目标用户（不是你自己）在真实机位下依次做：自然站立 30 秒、正坐 30 秒、站起坐下 5 次、快速坐下 3 次、缓慢躺下 3 次、蹲下起立 3 次。这段素材同时用来标参数和算评估指标。

第二步，看特征分布，定阈值。把每个动作片段的所有帧特征画成直方图，看站立和坐姿的hip_height_ratio分布有多少重叠，看跌倒和躺下的torso_angle和速度分布。阈值就卡在分布的分界处，而不是拍脑袋定一个数。我一般会把阈值设在两类分布的第 5/95 百分位，宁可多留余量。

第三步，回放验证，只看误报。用标定片段回放，把FALLEN的所有触发点记录下来，逐个看是谁触发的、为什么触发。这一步我通常会跑三到五轮，每轮改一两个参数。经验是：跌倒的阈值永远往“更保守”的方向调，因为漏报和误报的代价不对称——误报多了系统会被关掉，那才是真正的漏报。

一个具体的参数调整心得：torso_angle的跌倒阈值，我一开始设 60 度，误报很多，改成 70 度之后漏掉了“侧倒”。最后我改成了 55 度阈值但要求body_aspect > 0.9同时成立，这样侧倒能抓（横向展开明显），弯腰捡东西不会误报（弯腰时身体还是竖直窄条）。阈值调不下来的时候，往往是缺一个联合条件，而不是阈值不够严。

5. 常见问题与排查实录

5.1 高频问题速查表

5.2 几个真踩过的坑

坑一：把“躺着”和“跌倒”混为一谈。我在第一个版本里，只要进入LYING就报警。结果一个用户习惯午休时躺在地上午睡，系统一天报十几次。后来把LYING和FALLEN彻底分开：LYING是姿态，FALLEN是事件，事件需要“从高到低的快速变化”来触发。一个人慢慢躺下，永远不会触发FALLEN；摔倒才会。这个区分是整套方案从“能用”到“可交付”的分水岭。

坑二：跟踪 ID 被背景物体抢占。有一回画面里有把椅子，模型偶尔把椅子腿的图案识别成一个极小的人形（置信度 0.4 左右），分配了一个 ID，然后这个 ID 的“人”永远躺着不动，稳定触发报警。解决办法是在框级别加一个最小面积和最小torso_len过滤，尺寸异常的检测直接丢弃。低置信度 + 极小尺寸的检测，九成是噪声，别舍不得扔。

坑三：摄像头俯角太大导致躯干角失真。顶装摄像头（俯视 60 度以上）拍出来的人，即使是站着，肩中点和髋中点在图像上的纵向距离也被严重压缩，torso_angle会偏大，站坐几乎分不开。这类机位我最后放弃了角度特征，只用hip_height_ratio和body_aspect两个特征，准确率虽然下降一点，但比疯狂误报强。机位决定特征可用性，先看机位再定特征，别反过来。

坑四：多人场景下的基线污染。早期我把hip_hist存在一个全局字典里没按 ID 分，结果房间里有两个人，一个站着办公一个长期坐着，基线被拉成中间值，两个人都判不准。按 ID 分桶之后问题消失。这个 bug 很傻但很典型，多目标场景里任何“历史统计量”都必须按 ID 隔离。

5.3 评估方式：别只看准确率

姿态判决的评估不能只报一个“准确率 92%”，那个数字毫无意义，因为正负样本极度不平衡——一天里 99% 的时间都是站立或坐着，跌倒可能一次都没有。我用的评估方式是这样：

按事件评估，而不是按帧。定义一个跌倒事件从触发到解除为一条记录，统计三类指标：正确触发数、误触发数（每个误触发要归因到具体动作类型，比如“蹲下 3 次”“躺下 2 次”）、漏触发数。用这三个数算检出率和误报率，比帧级准确率有意义得多。

分开统计响应延迟。从动作发生到系统触发的时间差，我要求在中位数 1 秒以内、P95 在 2 秒以内。响应太慢的话，即使检出了也没有实用价值。

单独统计“不可判”比例。如果某段素材里有 40% 的帧被判为不可判，那说明模型在这个场景下根本没工作，准确率的数字再好也是虚的。我一般要求不可判比例低于 15%，超过就回头查是光照问题、机位问题还是模型尺寸不够。

实际测试时我会刻意构造一批“困难负样本”：弯腰系鞋带、蹲下捡东西、坐在低矮的凳子上、躺在地板上看书、在地板上做伸展、快跑后突然停下坐下。这批样本的误报率，比正常场景的准确率更能反映系统能不能上线。我自己的经验值是，困难负样本上的误报率控制在 5% 以下，正常场景的表现就已经足够稳定了。

最后分享一个我觉得最值钱的实践经验：这套方案的真实精度，八成取决于关键点质量，两成取决于判决规则。所以当效果不理想时，先别急着调阈值，去看你的关键点图——把检测出的骨架画在原图上，一帧一帧看。如果骨架本身就画歪了、抖了、丢了半边，那再怎么调规则都是白费劲，该做的是换更大的模型、调输入尺寸、改善光照或者调整机位。规则只能修正“关键点对但判据模糊”的情况，救不了“关键点本身就是错的”。