A medida que los estilos de vida sedentarios y la obesidad infantil se vuelven más prevalentes, la investigación en el campo de la actividad física (AF) ha ganado mucho impulso. Monitorear la AF de niños y adolescentes es crucial para determinar y comprender los fenómenos que facilitan y obstaculizan la AF con el fin de desarrollar intervenciones efectivas para promover hábitos físicamente activos. Las medidas populares a nivel individual son sensibles al sesgo de deseabilidad social y a la reactividad del sujeto. La intrusividad de estos métodos, especialmente al estudiar a niños, también limita la posible duración del monitoreo y asume una estricta adhesión a los requisitos de ética en la investigación humana y vigilancia en la protección de datos personales. Mientras tanto, el crecimiento en la capacidad computacional ha permitido a los investigadores en visión por computadora utilizar con éxito algoritmos de aprendizaje profundo para el análisis de comportamiento en tiempo real, como el reconocimiento de acciones. Este trabajo analiza las debilidades de los métodos existentes utilizados en la investigación de AF; ofrece una visión general de los avances relevantes en los métodos de reconocimiento de acciones basados en video; y propone el esquema de un nuevo clasificador de intensidad de acción que utiliza aprendizaje supervisado por sensores para estimar la AF ambiental. Se argumenta que el método propuesto, si se aplica como un sistema de sensores distribuido que preserva la privacidad, es útil para monitorear la distribución espaciotemporal de la AF en las escuelas durante largos períodos y evaluar la eficiencia de las intervenciones de AF basadas en la escuela.