1.一种基于数据融合的人体轨迹相似行为识别方法，其特征在于，具体包括以下步骤：步骤1，研究行为特点选取主要运动节点，计算主要运动节点两两之间的结构向量并作为骨骼特征；

步骤2，根据主要运动节点的传感器加速度与传感器角速度数据计算线性加速度数据，对线性加速度数据进行加窗处理，提取每个窗口内数据的时域特征作为线性加速度特征；

步骤3，对骨骼特征与线性加速度特征进行特征处理，包括特征长度归一化、特征大小归一化与特征降维；

步骤4，将骨骼特征与线性加速度特征分别送入支持向量机中进行分类，并使用权重分配方法对两种分类结果进行决策融合得到最终识别结果。

2.根据权利要求1所述的一种基于数据融合的人体轨迹相似行为识别方法，其特征在于：所述步骤1具体如下，对三维骨骼数据进行特征提取，得到骨骼特征包括：根据所研究行为的特点，从25个关节点中选取主要的运动节点；计算选取的主要运动节点两两之间的结构向量作为全关联结构向量特征。

3.根据权利要求1所述的一种基于数据融合的人体轨迹相似行为识别方法，其特征在于：在步骤2中，对线性加速度数据进行特征提取，得到线性加速度特征包括：将主要运动节点的线性加速度数据进行加窗处理，窗口长度为256个数据点，相邻窗口重叠半个窗口长度；对每个窗口的线性加速度数据提取多种时域特征构成特征向量。

4.根据权利要求1所述的一种基于数据融合的人体轨迹相似行为识别方法，其特征在于：在步骤3中，对骨骼特征与线性加速度数据特征进行特征处理包括：使用基于高斯混合模型的费希尔向量归一化不同维度的行为特征；使用最大最小值归一化对骨骼特征与线性加速度特征进行处理；使用主成分分析算法对骨骼特征与线性加速度特征进行降维。

5.根据权利要求2所述的一种基于数据融合的人体轨迹相似行为识别方法，其特征在于：在步骤1中，计算选取的主要运动节点两两之间的结构向量，具体如下：选取两两关节点之间的结构向量 组成全关联结构向量特征

其中 是由关节点m指向关节点n的结构向量；

对于一个具有k帧的人体行为，特征可具体表示为：

P＝{pi|i∈(1,k)}。

6.根据权利要求3所述的一种基于数据融合的人体轨迹相似行为识别方法，其特征在于：在步骤2中，根据主要运动节点的传感器加速度与传感器角速度数据计算线性加速度数据，具体如下：使用分段双向去除反向重力加速度算法计算人体关节点的线性加速度，利用滑动均值滤波器，对采集到的运动数据传感器加速度信号与传感器角速度信号进行去噪处理，减少采样时的随机误差、仪器误差等对识别效果的影响；将运动数据按运动静止点分段，以此减少接下来对角速度数据积分成角度信号带来的积累误差；使用旋转矩阵法分别将每段运动数据起始与末尾点中的加速度数据结合角度信号投影到各个时刻不同姿态的传感器坐标系中，得到两种线性加速度数据as与at；根据两种线性加速度数据准确性的变化规律，将两种结果结合，得到更为准确的线性加速度结果，具体计算如下；

7.根据权利要求3所述的一种基于数据融合的人体轨迹相似行为识别方法，其特征在于：在步骤2中，线性加速度子特征具体如下：(1)标准差，具体表达式如下：

其中，σ为线性加速度样本的标准差，Xi是线性加速度序列X中第i个元素，N是线性加速度数据的数据量， 是线性加速度均值；

(2)偏度，具体表达式如下：

其中，SK是线性加速度样本的偏度；

(3)峰度，具体表达式如下：

其中，K是线性加速度样本的峰度，f是线性加速度样本间隔；

(4)相关系数，具体表达式如下；

其中，R是两个线性加速度样本之间相关系数，Yi是线性加速度序列Y中第i个元素，分别是两个关节点的线性加速度数据的平均值；

线性加速度特征Q由以上四类子特征构成，如下述公式(3)-(7)其中 与 分别是关节点i的第j个窗线性加速度数据的标准差、偏度与峰度，是关节点m与关节点n第j个窗线性加速度数据的相关系数。

8.根据权利要求4所述的一种基于数据融合的人体轨迹相似行为识别方法，其特征在于：在步骤3中，线使用最大最小值归一化对骨骼特征与线性加速度特征进行处理归一化的方法，其中，使用的最大最小值归一化方法，具体表达式如下：其中，x与x′分别归一化前后的特征值。

9.根据权利要求1所述的一种基于数据融合的人体轨迹相似行为识别方法，其特征在于：在步骤4中，将骨骼特征FA与线性加速度特征FB输入到分类器支持向量机中，分配不同权*重μ1与μ2，通过对数函数估计全局隶属度，如式(9)，则隶属度最大时即得到最终标签l ，如式(10)；

logP(lc|F)＝μ1p1(lc|FA)+μ2p2(lc|FB)     (9)l*＝argmaxc＝1,...cP(lc|F)     (10)其中，p1(lc|FA)、p2(lc|FB)是FA与FB通过Sigmoid函数计算得到的后验概率。