近年来,随着内置高性能传感器的智能手机的迅速普及,基于智能手机的人体行为识别成为国内外学者研究的热点。通过采集手机内置传感器数据,可以快速准确的获得当前使用者活动状况,给人们的生活带来了极大的便利,已广泛应用于智能家居、医疗保健及行为监控等领域。与此同时,如何高效利用智能手机去识别人体行为成为难题,大多数研究者通过优选特征数据或改进分类器算法以提高识别准确率。但是,由于优选的特征并不一定能够全面反映用户多种行为模式之间的差异性,以及一种分类器算法不可能对多种行为都有良好的分类效果,故容易造成一些行为识别准确率不高和整个模型误判率增加等问题。为了提高基于智能设备的人体日常行为识别的准确率,本文用到了集成学习中的多分类器融合技术,利用不同的分类器处理对象具有互补性这一特点建立模型,根据分类器在行为识别中的性能将其分成专用基分类器组合和通用基分类器组合,针对两种基分类器组合的输出提出两种形式的融合算法。(1)基于软决策形式的融合算法。该算法利用基分类器输出的每种行为类别的后验概率值进行比较,选出最大的概率值作为基分类器的阈值,再将各个基分类器输出值求和后取其均值,从而得到最终的分类结果。该算法用到了分类器输出为软决策形式的最大值法、求和法、乘积法及均值法等融合算法,针对特定行为训练的专用基分类器组合的输出进行融合处理。(2)基于硬决策形式的融合算法。该算法是通过改进分类器输出为硬决策形式中的传统投票法的融合算法,它对通用基分类器组合的输出作融合处理。通用基分类器组合中基分类器的类型不同,对每种行为的识别能力差异性很大,需要预先把每个基分类器进行可信度评定,保留高可信度的基分类器的决策作为有效票,然后统计出得票最多的行为类别,若其达到规定的比例,即将该行为类别作为模型最终输出结果。使用两种基分类器组合与对应两种融合算法建立的两种行为识别模型,通过真实环境中用户使用自己的智能手机进行实验验证。实验结果表明,所提出两种行为识别模型均能有效进行人体日常行为识别。另外,本文提出的两种融合算法,与传统的融合算法建立行为识别模型相比,其识别准确率、可信度以及稳定性更高,充分证明了提出的算法的可行性。