OpenPose人体姿态检测：实现老年人跌倒监护的关键技术

简介：基于深度学习OpenPose的人体姿态检测项目源码，面向老年人行为监护场景，可识别站、坐、躺及摔倒等状态，适合计算机视觉入门、智慧养老项目开发者参考。资源共580个文件，压缩包75.5MB，涵盖Python源码、JPG样本图像、模型配置与权重文件、文本说明及C++辅助模块等，既包含算法串联的线性推理demo，也提供多队列并发处理的webcam版本，方便按需运行。已有1316人学习/下载。资源附带详细操作说明，建议在Anaconda与PyCharm环境下运行，通过生成JSON文件输出人体框、关键点及当前行为状态，便于二次开发与结果可视化，适合用于跌倒检测、行为分析等课题。

1. 用 OpenPose 做老年人行为监护，为什么是这条技术路线

独居老人跌倒，是居家养老里最怕发生又最高发的事故。检测“站、坐、躺、摔倒”的思路很多，但基于深度学习的 OpenPose 人体姿态检测这条路线最好落地：一次推理输出 18 或 25 个关节点坐标，站、坐、躺由躯干和腿的几何关系直接推导，摔倒靠短时间内的关节点突变判断，老人不用佩戴任何设备，画面也不依赖云端处理。相比 YOLO 动作分类和 3D-CNN 动作识别，OpenPose 的骨架坐标可解释、可回放、误报好排查，一张中端 GPU 就能跑到 10 到 15fps。适合做智慧养老看护终端、独居老人监护设备的工程师，也适合拿人体姿态检测立项但还没定技术栈的开发者。

2. OpenPose 原理与关键参数：热图、PAF 与 BODY_25 关节定义

2.1 两分支网络：热图回答“关节在哪”，PAF 回答“谁和谁相连”

OpenPose 属于 bottom-up 姿态估计。它不先检测人框再在框内找关节点，而是把整张图直接送进网络，输出两类特征图。第一类是关节置信度热图（heatmap），每个关节对应一张，图上像素值表示该位置是某个关节的概率；第二类是部件亲和场（Part Affinity Fields，PAF），每个肢干对应一组向量场，编码相邻关节之间的连接走向。

两套特征由同一个网络的上下两个分支分别预测。前 10 层复用 VGG-19 的前段做共享特征提取，后面的多阶段结构交替细化热图和 PAF，每个 stage 都会把前一个 stage 的输出与共享特征拼接再预测，因此网络在遮挡情况下能借助全局上下文把关节补齐。后处理阶段先取热图峰值得到候选关节点，再用贪心匹配或匈牙利算法在 PAF 上做二分图匹配，把属于同一个人的关节连成骨架。这就是 OpenPose 天然支持多人检测的原因，也是它与 top-down 方法相比省掉一次目标检测开销的原因。

落到老年人行为监护场景，bottom-up 的设计有实际价值。看护画面里常有护理员半遮挡老人、老人撑着助行器、家属路过，top-down 方法在人物交叠时容易把骨架错配到最近的人框上；OpenPose 只要关节可见度足够，就能从热图里把点找全。代价是后处理匹配比单人回归复杂，同等精度下帧率低于 AlphaPose 这类方法，所以工程上通常用抽帧而不是逐帧全分辨率推理。动手前先明确这一点，后面定帧率预算才不会返工。

2.2 BODY_25 关节编号表：行为判读实际只用 10 个点

OpenPose 官方模型有两套输出约定：COCO 格式输出 18 个关键点，BODY_25 输出 25 个，多出的点包括髋部中点（midHip）以及大脚趾、小脚趾、脚跟等足部关键点。做站、坐、躺、摔倒四类判断，用不到手、眼、耳，真正有用的是脊柱链上的 10 个点。BODY_25 的编号要记熟，后面的角度计算和坐标索引都依赖它。

BODY_25 与 COCO 在髋、膝、踝的编号上整体错开一位，因为 BODY_25 把 8 号留给了髋部中点。这是它在行为判断上最大的优势：髋部中点是躯干下端和重心的基准，COCO 方案只能用左右髋取平均，单侧髋被遮挡时均值会跳变。还需要注意一个容易踩的坑：后处理返回的坐标基于网络输入尺寸，不是原图尺寸，输出时一定要乘回缩放系数，否则角度全偏，后面所有判据都作废。

2.3 四个关键参数：net_resolution、scale_number、scale_gap、keypoint_threshold

官方 C++ 版命令行把推理的三个可变维度暴露得很清楚：输入分辨率、多尺度策略、关键点阈值。用官方二进制跑一段视频并输出 JSON 骨架的典型命令是：

./build/examples/openpose/openpose.bin \ --video ./elderly_room.mp4 \ --model_folder ./models/ \ --model_pose BODY_25 \ --net_resolution 368x368 \ --write_json ./keypoints/ \ --write_video ./out_video.avi \ --keypoint_threshold 0.3

命令的作用是：对输入视频逐帧做姿态估计，把每个人的关键点坐标与置信度写入指定目录的 JSON，同时输出叠加骨架的调试视频。--model_pose BODY_25决定输出 25 点还是 18 点，必须在加载模型前确定，因为两套模型的热图通道数不同，混用会直接报尺寸错误。--net_resolution是网络输入尺寸，官方默认 656x368，分辨率越高小目标关节越准，耗时近似线性增长。--keypoint_threshold是热图峰值筛选阈值，0.3 比较平衡；调到 0.5 噪点变少，但远处的人整段关键点都会丢，固定摄像头的看护场景通常会往低调而不是往高调。

多尺度用--scale_number 4 --scale_gap 0.25，官方代码按1 - i * scale_gap生成尺度序列，即 1.0、0.75、0.5、0.25 四档，把输入图逐级缩小后各推理一遍再融合热图与 PAF。多尺度融合能显著提升遮挡和小目标场景的召回率，但耗时随之翻倍；它本质是特征层的融合，和把多个模型结果做投票的模型融合不是一回事。固定摄像头画面里人物尺度变化不大，我会先关掉多尺度把算力让给帧率，再把 net_resolution 提到 432 补偿小目标损失。调参顺序建议固定：先定 net_resolution，再开多尺度看召回增量，最后用 keypoint_threshold 压噪点，每次只动一个变量，否则出了问题分不清是谁引起的。

3. 加载本地模型跑通人体姿态检测的单帧与视频推理

3.1 深度学习环境配齐，先解决模型文件对齐问题

用 OpenPose 的人多数卡在同一个地方：模型和网络定义对不上。官方发布的是 Caffe 权重（.caffemodel 配 .prototxt），社区常见的 PyTorch 实现把权重转成了 .pth。加载本地模型前必须确认三处一致：网络结构层名、输入归一化方式、关键点定义是 BODY_25 还是 COCO。如果model.state_dict()的 key 与权重文件对不上，出现size mismatch，优先怀疑网络定义混用；有些权重在 DataParallel 下保存，key 里带module.前缀，要先剥掉再加载。

提示：用{k.replace("module.", ""): v for k, v in w.items()}去掉前缀后再load_state_dict，能解决八成以上的本地权重加载报错。

深度学习环境按最常见的组合配即可：Python 3.8 以上、PyTorch 1.10 左右的版本、opencv-python、numpy。没有 GPU 也能把单帧流程跑通，只是 368x368 输入在 CPU 上一帧要几百毫秒，适合调代码；跑实时视频建议用 N 卡 CUDA，Apple Silicon 可以试 MPS 后端，但要逐算子验证兼容性。

3.2 单帧推理代码：缩放、归一化与坐标回流

下面是一段可运行的单帧推理骨架代码，以社区常见的 PyTorch OpenPose 实现结构为准；网络定义与后处理模块的导入路径，按你实际下载的版本替换，核心流程不变：

import cv2 import torch import numpy as np from model import OpenPoseNet # 网络定义文件，按实际实现导入 from postprocess import extract_keypoints # 热图峰值 + PAF 匹配 model = OpenPoseNet(BODY_25=True).eval() weights = torch.load("openpose_body25.pth", map_location="cpu") weights = {k.replace("module.", ""): v for k, v in weights.items()} model.load_state_dict(weights) device = "cuda" if torch.cuda.is_available() else "cpu" model.to(device) def infer_frame(frame, net_h=368): h0, w0 = frame.shape[:2] scale = net_h / h0 # OpenPose 输入要求宽高都是 8 的倍数，跳过这步热图坐标会错位 nw = int(w0 * scale // 8) * 8 nh = int(h0 * scale // 8) * 8 img = cv2.resize(frame, (nw, nh)) blob = cv2.cvtColor(img, cv2.COLOR_BGR2RGB).astype(np.float32) blob = (blob / 255.0 - 0.5) / 0.5 # 与训练一致的 [-1, 1] 归一化 blob = torch.from_numpy(blob.transpose(2, 0, 1)).unsqueeze(0).to(device) with torch.no_grad(): heatmaps, pafs = model(blob) # 网络输出两组特征图 keypoints = extract_keypoints(heatmaps, pafs, thr=0.3) # 坐标基于网络输入尺寸，按各自方向映射回原图 keypoints[..., 0] = keypoints[..., 0] * (w0 / nw) keypoints[..., 1] = keypoints[..., 1] * (h0 / nh) return keypoints

逻辑说明：infer_frame先对原图做等比缩放，再把宽高对齐到 8 的倍数，这是 OpenPose 卷积下采样结构对输入尺寸的硬性约束，跳过这步热图坐标会整体偏移。(blob / 255.0 - 0.5) / 0.5把像素归一化到 [-1,1]，必须与训练时完全一致，漏掉这步再好的权重精度都会崩。模型前向只产出热图和 PAF，真正的骨架拼装在后处理里；extract_keypoints内部包含阈值过滤、非极大值抑制、PAF 积分与匹配，是整条链路最耗 CPU 的部分，多目标画面里经常比前向推理还慢。

参数说明：net_h=368对应官方默认输入高度，1080p 画面缩到 368 高后宽约 600，画面远端的小目标只剩十几个像素，关节容易丢；提到 432 或 512 能明显改善小目标召回，推理时间同步上涨，配合抽帧策略使用。返回值形状是 [人数, 25, 3]，最后一维是 (x, y, score)，score 低于阈值的关节坐标通常为 0，后面算角度前要做掩码过滤，否则会拿原点当真实关节参与计算。

3.3 视频流上的帧率预算与抽帧策略

实时逐帧跑 368x368 推理，中端 GPU 大约 15 到 30fps，CPU 只有 1 到 3fps。固定画面里人的动作变化没那么快，摔倒过程本身也不过一两秒，工程上常见的做法是每 3 帧取 1 帧推理，等效 10Hz。10Hz 对“站起来、摔倒、躺平”这个过程足够，瞬时突变至少跨越两三帧，不会漏。产品化时可以在推理前加一层帧差预判，画面无变化就降到 5Hz，检测到大面积变化再切回逐帧，省电也省算力。

表里的数值是同硬件条件下的量级参考，不同品牌显卡差异很大，用它做预算规划而不是验收指标。如果不想在 Python 里维护视频解码和跳帧逻辑，用 ffmpeg 先抽帧、再送入官方 C++ 版 OpenPose 批量推理，是省去手写视频循环的常见做法：

ffmpeg -i elderly_room.mp4 -vf "fps=10,scale=640:-2" -q:v 3 sampled.mp4 ./build/examples/openpose/openpose.bin \ --video sampled.mp4 --model_folder ./models/ \ --model_pose BODY_25 --net_resolution 368x368 \ --write_json ./keypoints/ --keypoint_threshold 0.3

这段命令先把 30fps 视频统一抽到 10fps 并缩窄到 640 宽，再逐帧推理。scale=640:-2中 -2 表示高度自动计算并保证偶数，避免编码器报奇偶尺寸错误；-q:v 3控制画质，数值越小越好。抽帧后再推理的好处是 JSON 时间戳天然对应 10Hz 采样，行为状态机按固定间隔读数据，不用处理视频帧率漂移。画面里有多个老人时，JSON 会出现多个 person 对象，必须按“髋部中点与上一帧距离最近”的规则做跨帧 ID 匹配，否则每个人的状态机是断开的，一次连续的站立、摔倒、躺平会被切成两半。

4. 从 OpenPose 骨架到站、坐、躺与摔倒判别：角度、速度与状态机

4.1 姿态几何判据：从坐标到四分类的归一化处理

拿到 25 个关节点的像素坐标后，第一件事是消除个体差异。身高不同、离摄像头远近不同，直接比较像素距离没有意义，因此所有长度量都要除以骨架自身的尺度。我习惯把颈部（编号 1）到髋部中点（编号 8）的距离记为 torso_len，作为基准单位，位移、速度、高度差全部用它归一化。基于这个基准，四分类判据可以收成一张表：

注意“坐”和“蹲”是误报重灾区。两者躯干角区间重叠，单看角度分不开，必须叠加髋踝水平距离：坐姿大腿前伸，髋到踝的水平投影距离大；蹲姿脚踝基本在髋正下方。判断顺序建议先判躺、再判坐、最后判站，因为躺的躯干角特征最明显，最先排除能挡掉大部分误报。轮椅上的老人坐姿躯干角偏大，通用阈值会把久坐判成半躺，需要单独收一段轮椅样本调阈值。

4.2 摔倒检测不能只看角度：颈部下落速度与归一化速度

很多初版实现只用“躯干角超过 60°”判摔倒，结果把老人弯腰捡东西、系鞋带全部误报。摔倒的本质是受控姿态的快速失去：躯干角在 0.3 到 0.8 秒内从小于 30° 突变到大于 60°，同时颈部高度快速下降。角度阈值必须搭配角速度与颈部下落速度一起用。颈部下落速度按帧间像素位移计算，再除以 torso_len 归一化：

from collections import deque class FallDetector: def __init__(self, fps=10, angle_thr=55, speed_thr=1.2, hold_sec=2.0): self.fps = fps self.angle_thr = angle_thr # 倒地后躯干角的维持阈值（度） self.speed_thr = speed_thr # 归一化颈部下落速度（躯干长/秒） self.hold_sec = hold_sec # 倒地滞留确认时长（秒） self.history = deque(maxlen=fps * 2) self.fall_start = None def update(self, neck_y, torso_angle, torso_len): now = len(self.history) / self.fps self.history.append((now, neck_y, torso_angle)) if len(self.history) < 3: return False _, y0, a0 = self.history[-3] # 取前 2 帧做差分，抗单帧抖动 drop = (neck_y - y0) / torso_len # 图像坐标 y 向下增长，落下时为正 speed = drop * self.fps / 2.0 # 换算成每秒下落多少个躯干长 angle_delta = torso_angle - a0 falling = speed > self.speed_thr and angle_delta > 25 if falling and self.fall_start is None: self.fall_start = now if self.fall_start is not None: if now - self.fall_start > self.hold_sec and torso_angle > self.angle_thr: self.fall_start = None return True # 两个条件都满足才输出告警 if torso_angle < self.angle_thr - 15: self.fall_start = None # 角度回落，视为弯腰或猛坐下 return False

逻辑说明：update维护一个 2 秒的环形缓冲，用当前帧与前 2 帧的颈部位置做差分，比相邻帧差分抗抖动。speed 的单位是“每秒下落多少个躯干长度”，1.2 表示老人以每秒超过一个身高的速度向下移动，远高于下蹲速度，又低于自由落体下半程的速度范围，是一个跨摄像头距离都通用的阈值。angle_delta > 25保证只响应角度突变；hold_sec的滞留确认是防误报最关键的机制，先触发下落事件，再观察 2 秒内躯干角是否维持大于 55°，两个条件都满足才置位告警，能滤掉“猛坐进沙发”这类高度突变但角度不维持的动作。

参数调整顺序：先用离线回放调 speed_thr，把正常蹲起、弯腰全部放掉；再用 angle_thr 收紧“倒地”的定义；最后用 hold_sec 平衡响应速度与误报率。1 秒响应更快，但容易把猛坐误报；2 秒是看护场景里常见的折中。躯干长在人物侧身时会被压缩，计算出的速度会偏大，所以骨架平均置信度低于 0.5 的帧不参与速度计算，避免抖动被放大。

4.3 帧间 ID 跟踪与遮挡兜底策略

多人画面里，状态机必须绑定到具体的人。常见做法是卡尔曼滤波跟踪每个骨架的髋部中点，下一帧所有检测目标按髋部中点距离做最近邻匹配；匹配不上先让预测值顶一帧，连续丢失超过 1 秒就删除该人的状态，防止“幽灵骨架”的静止坐标停在原地被判成躺姿。兜底还有一条：整副骨架平均置信度低于阈值时视为完全遮挡，不回填任何状态。宁可丢一帧检测，也不要让状态机卡在“躺”上持续发假告警。告警触发时把前 3 秒和后 2 秒的原始视频片段落盘，供人工复核，这一步在真实产品里比算法本身更能决定误报率能不能被接受。

5. 自建看护数据集微调 OpenPose 模型的验证技巧

官方权重的训练数据是 COCO、MPII 这类通用数据。直接拿来做老人在室内的行为监护，会遇到三类典型失败：穿深色衣服时关节热图置信度整体偏低、拄拐与轮椅造成躯干角长期偏大、低矮床铺上坐卧边界模糊。常见做法是自采几小时老人活动视频，用现成模型自动标注一遍，再人工修正出错帧，导出成 COCO 格式 JSON，按 8:2 切训练和验证。微调时把网络前 10 层共享特征冻结，只解冻后 3 个 stage，学习率从 1e-4 起，约两万步收敛。显存不够就把训练尺寸降到 256x256，验证时再回到 368 推理。在通用权重上做迁移学习、训练自己的数据集，成本和难度都远低于从零训练，这是自建看护行为数据集的标准路径。

微调效果的验证不要只看 COCO AP。行为监护的真实指标是误报与漏报。具体技巧是把一天 8 小时的监控录像按 10Hz 抽帧离线跑完整链路，把状态机输出的告警时间点和人工标注的跌倒事件做对齐，统计“事件发生后 5 秒内是否告警”的召回率，以及非事件时段的告警次数。这个回放脚本要能一键切换 speed_thr、angle_thr、hold_sec 三个参数，每改一组就重跑一遍，结果写成 CSV 对比：

python replay_validation.py \ --keypoints_dir ./keypoints/ \ --annotations ./fall_events.json \ --speed_thr 1.2 --angle_thr 55 --hold_sec 2.0 \ --output ./report.csv

这个脚本只读骨架 JSON 与人工标注，不依赖摄像头实时流，整个过程可复现，适合做调参回归。报告里除了整体准确率，还要单独看“低速缓慢倒地”这一类：老人扶着桌沿慢慢滑坐再躺下，颈部速度达不到阈值，只有躯干角最终越过 60°，需要把 angle_thr 降到 50 并用更长的 hold_sec 兜住，这是摔倒检测和日常监护最后一道磨合。当验证集上 30 帧滞留确认的准确率达到 95% 以上、8 小时录像误报不超过 1 次时，这套参数再迁移到实时链路。现场部署时把三个阈值做成可远程调整的配置项，误报频发时先动 hold_sec 再动 speed_thr，避免每次现场调试都要重新触发一次模型推理。

本文还有配套的精品资源，点击获取