人体行为识别在计算机视觉领域的重要课题,其在健康医疗、智能家居、安全监控、游戏控制等领域有着广泛地应用前景。近年来,智能手机发展迅速,其不仅搭载了多种惯性传感器,而且具备计算能力,便携性好,这使得基于智能手机的人体行为识别研究越来越受到研究者的关注。同时,深度学习理论的发展也为行为识别研究提供了新的思路。另外,基于智能手机的人体行为识别应用在追求高的准确率的同时,往往也会关注应用的实时性和能耗,因此本文主要针对这两个方面进行了分析和研究。具体内容如下:传统的RNN(Recurrent Neural Network,循环神经网络)及LSTM(Long Short Time Memory,长短期记忆)网络能够提取样本中的时间依赖特征,这非常适用于基于智能手机传感器的人体行为识别的应用场景,但是它们的时间复杂度却比较高。针对该问题,本文提出了一种基于多层并行LSTM网络的行为识别算法。该算法通过样本分割、并行处理和特征融合的方式对样本进行特征提取,不仅可以提取出时间依赖特征,还能降低时间复杂度。实验表明,该算法相较于传统的机器学习算法有更高的准确率,并且时间复杂度低,实时性高,适用于智能手机中。基于智能手机的人体行为识别应用中,传感器采样率是影响整体性能的关键因素之一。采样率越高,识别准确率通常会越高,但能耗也会越高。因此,本文提出了一种基于强化学习的自适应采样率算法,在保证模型识别准确率的同时,尽量降低能耗。算法模型中,行为识别器负责对样本进行特征提取和行为分类,采样率选择器则是根据当前样本的特征选择下一个样本的采样率,最后由采样器完成数据采集。实验表明,该算法能够灵活且实时地切换传感器采样率,在保证模型识别准确率的同时,降低设备能耗。