1.一种基于特征增强和决策融合的行为识别方法，其特征在于：所述行为识别方法包括以下步骤：

步骤1，对采集到的加速度传感器数据进行预处理，包括噪声处理和数据分割；

步骤2，计算预处理后传感器数据特征值，得到表征该传感器数据的多维特征矢量；

步骤3，用序列前向特征选择方法对步骤2得到的特征矢量进行选择，得到表征传感器数据的最佳特征矢量；

步骤4，对步骤3得到的最佳特征矢量使用Relief-F算法选择特征值进行特征增强处理，过程如下：

使用Relief-F算法计算每个特征值的权重，设定阈值k，权重高于该阈值的特征值进行特征增强，最终选定四个特征值，分别是：三轴加速度传感器数据在z轴的平方差，三轴加速度传感器数据x轴与y轴之间的相关系数,三轴加速度传感器数据x轴与z轴之间的相关系数,三轴加速度传感器数据y轴与z轴之间的相关系数，使用公式(1)进行特征增强处理，其中pi为特征值，m为特征增强系数；

步骤5，使用步骤4得到的数据训练四个支持向量机分类器，包括一个基础分类器和三个根据AdaBoost算法思想得到的针对走、上楼、下楼三个动作的弱分类器；

步骤6，使用步骤5得到的四个分类器分别对当前需要识别的动作进行识别，得到的四个识别结果作为四个参数，将上一个动作的识别结果作为第五个参数，将这五个参数分别记为labeli,i＝1,2,3,4,5，通过训练确定这五个参数的权重wi,i＝1,2,3,4,5；

步骤7，使用二层分类对人体行为动作进行识别，第一层使用步骤5得到的基础分类器识别，如果识别结果是走、上楼、下楼就进行第二层分类，第二层分类对步骤6中描述的五个参数进行加权投票决策融合，得到最终的识别结果。

2.如权利要求1所述的一种基于特征增强和决策融合的行为识别方法，其特征在于：所述步骤2中，计算多维特征矢量的过程为：计算三轴加速度传感器数据在x轴的平均值,三轴加速度传感器数据在y轴的平均值,三轴加速度传感器数据在z轴的平均值，三轴加速度传感器数据在x轴的平方差,三轴加速度传感器数据在y轴的平方差,三轴加速度传感器数据在z轴的平方差，三轴加速度传感器数据平均值的模，三轴加速度传感器数据平方差的模，三轴加速度传感器数据在x轴的偏度,三轴加速度传感器数据在y轴的偏度,三轴加速度传感器数据在z轴的偏度，三轴加速度传感器数据在x轴的均方根,三轴加速度传感器数据在y轴的均方根,三轴加速度传感器数据在z轴的均方根，三轴加速度传感器数据在x轴的能量,三轴加速度传感器数据在y轴的能量,三轴加速度传感器数据在z轴的能量，三轴加速度传感器数据在x轴的熵,三轴加速度传感器数据在y轴的熵,三轴加速度传感器数据在z轴的熵，三轴加速度传感器数据x轴与y轴之间的相关系数,三轴加速度传感器数据x轴与z轴之间的相关系数,三轴加速度传感器数据y轴与z轴之间的相关系数，信号幅度区域。

3.如权利要求1或2所述的一种基于特征增强和决策融合的行为识别方法，其特征在于：所述步骤6中，权重训练的过程为：首先设定参数alpha＝1/num，num是走、上楼、下楼三个动作的训练样本总数，设定权重的初始值：wi＝1,i＝1,2,3,4,5，权重训练过程中只更新基础分类器识别结果label1的权重w1和上个动作识别结果label5的权重w5，其它三个弱分类器识别结果的权重设定为1不变，即w2＝1，w3＝1，w4＝1不变；采用步骤7中的方法对训练样本进行识别，设样本的正确动作是activity，每识别一个样本就使用公式(2)对权重进行更新，当样本识别结果与样本实际类别一致时n＝1，否则n＝8，权重更新结束后对w5做公式(3)处理，PtA.tA表示走、上楼、下楼三个动作不转移到此三个动作之外其它动作的概率；

w5＝w5*(1/PtA.tA)   (3)。

4.如权利要求1或2所述的一种基于特征增强和决策融合的行为识别方法，其特征在于：所述步骤7中，加权投票决策融合过程为：对五个参数labeli,i＝1,2,3,4,5使用公式(4)计算出走、上楼、下楼三个动作的得分，其中activity_n表示当前动作，score_n表示activity_n所代表动作的得分，PA.A表示上一动作保持不变的概率，PlastA.A表示label5所属的动作转移到当前动作的概率，最终得分最高的动作类别为识别结果；