基于步态触觉信息的图书馆智能机器人异常状态检测系统

针对当前图书馆智能机器人步态识别准确率低，导致异常状态检测效果差的问题，提出基于步态触觉信息的图书馆智能机器人异常状态检测和分类。采用基于局部空间信息加权的K-means算法对静态步态图像进行分割处理，分别构建基于改进K-means的CNN网络模型和基于时域注意力的3D残差网络模型，通过这两个模型对静态、动态步态进行特征提取和识别。实验结果表明，对比于SVM分类器，改进K-means算法的CNN网络模型静态步态识别准确率高达98.7%;3D-CNN模型的动态步态分类准确率为99.72%,均高于其他分类模型。最后结合两种算法进行异常状态检测发现，本算法的分类准确率、敏感度和特异性分别为95.42%、95.53%、94.37%。综合分析可知，提出的算法能够实现静态动态的准确识别和异常状态检测，具有一定有效性。