身体活动不足已成为威胁人类健康的严峻问题。增加身体活动量、减少久坐时间有助于提高人体的心肺适能，进而改善超重、肥胖等问题，然而，精准测量人的身体活动水平是前提条件。在目前主流的身体活动水平测量方法中，问卷法主观性较强且效度较低，惯性传感器法因需要随身佩戴传感器，经济性、便捷性不足。

2020年，在计算行为科学（behavioral sciencescomputing）领域，美国学者Carlson等创新性地将计算机视觉技术应用于学校、公园等场景下的身体活动水平测量。其采用普通摄像机拍摄记录场景内所有人员的活动视频，利用经大样本数据集训练的3D卷积神经网络模型提取视频画面中的特征值，再以人工计数和加速度计数据为标准，将60%的特征值用以训练多层感知机回归模型，将剩下40%的特征值代入模型用以估算画面中的总人数和进行中-高强度活动的人数。研究结果显示，与在研究中同期使用的在国际上应用较为广泛的游憩行为观察系统（system for observing play and recreation in communities，SOPARC）相比，该方法的误差更小，效度更高。具体表现为：①指定活动区域内总人数的测量误差比采用SPOARC少41%，与真实值之间的一致性相关系数非常高（CCC=0.88）；②测量获得的中-高强度身体活动人数误差比采用SPOARC少48%，与真实值之间存在较高的一致性（CCC=0.66）。与传统测量方法相比，该方法具有以下优势和特点：①受试对象无须佩戴任何传感器，身体活动不因佩戴设备而受到影响；②可自动采集和分析数据，并有望实现实时监控反馈；③大幅降低身体活动测量的人工和设备成本。然而，该方法的效度会受到目标区域中人数、分析视频片段截取方式以及样本量的影响。基于计算机视觉的身体活动水平测量方法仍有待进一步改进。

基于计算机视觉的身体活动水平测量方法的问世为未来身体活动与健康、学校体育、运动休闲等领域的研究提供了新型研究工具，可以为身体活动干预方案制订、体育课程评价、休闲场所设计提供客观数据支撑，进而推动相关领域研究方法和研究范式的革新。