AI眼镜的多模态交互和图像处理方法、电子设备和存储介质

本发明提供了一种AI眼镜的多模态交互和图像处理方法、电子设备和存储介质，包括：基于时空注意力机制对AI眼镜实时采集的原始图像进行预处理，得到预处理图像；对用户通过AI眼镜输入的语音指令进行语音识别与语义解析，得到文本指令；将文本指令与预设的图像处理指令模板库进行关键词匹配，确定对应的图像处理策略；若图像处理策略为动态追踪，利用卡尔曼滤波算法预测预处理图像中的目标在下一帧的位置，利用孪生网络在预测的位置周边搜索，定位所述目标；基于孪生网络实时学习更新目标的外观特征，实现对目标的稳定追踪并输出追踪目标图像序列。在本发明中，克服了当前无法预测目标的后续出现位置，以及无法稳定追踪目标的缺陷。