近年來，機器人、深度學習、姿態檢測、自動駕駛等前沿領域的高速發展為計算機視覺領域擴充了巨大增量，創造了新的千億級市場，與此同時，這些不斷高速發展的“推手”也對計算機視覺提出了新的需求，開始倒逼計算機視覺技術升級進步。
深耕不輟，實現業內首款200幀雙目慣性相機
面對日益提升的使用需求，為提升產品適用性，INDEMIND深耕不輟，為旗下雙目視覺慣性模組提供了200幀高速環境獲取能力，滿足了不同場景的使用需求。
雙目視覺慣性模組是目前業界首款可連續輸出200幀影像及IMU資料的雙目慣性相機，使用者可自行調節1280*800解析度下25/50/100FPS、640*400解析度下25/50/100/200FPS不同影像輸出，可為三維重建、深度解算、視覺SLAM等應用研發提供更精準、豐富的環境影像資訊。
眾所周知，自動駕駛、姿態檢測等場景非常依賴雙目立體相機採集影像、位姿資訊的清晰度、豐富度，單位時間內雙目相機提供的資訊越多，越有利於相關場景的演算法追蹤及定位，降低演算法開發難度。
採集豐富人體姿態資訊，賦能動作捕捉
引用自《openpose》
以動作捕捉為例，在影視創作、VR虛擬人物等應用場景，姿態檢測是其工業領域不可或缺的一環。但傳統姿態檢測技術需要在被捕捉物體的身上標記諸多光學標記，並且需要至少兩個以上的感測器來採集被捕捉物體的運動資訊及慣性資訊，捕捉過程極為複雜和漫長，並需要對捕捉過程中產生的大量資料進行後期處理，才能實現近乎真實的動作捕捉三維模型重建。而隨著INDEMIND雙目視覺慣性模組採集幀率的突破，在精確度及採集速度上取得了大幅提升，呈現出了更精細及更具動作連續性的姿態檢測效果，這也意味著單位時間內，雙目慣性模組可採集更豐富的人體姿態資訊，為後期演算法處理，提供更多資料。
高速採集路況資訊，實現高速機動自動駕駛
更值得一提的是，視覺作為自動駕駛系統的重要環境感知入口，是其重要核心組成部分。在自動駕駛系統中，計算機視覺著重負責提供環境感知，如路況檢測、指示標牌識別、車道檢測等一些列環境識別、感知。在這一工作程式中，資訊收集、演算法處理、結果輸出等三大環節在以往的自動駕駛中，由於視覺感測器的限制，無法快速收集並反饋環境資訊，使得視覺在整個系統中的無法凸顯其關鍵作用。
以車道檢測為例，在車道檢測環節中，視覺需對道路彎曲、陰影、路面變化、標識線變化等路況實時反饋分析，並透過深度學習演算法，自動生成車輛最佳行駛路線。而想要實現快速機動反應，便需要高速的環境採集能力，INDEMIND雙目視覺慣性模組的影像採集幀率可達到200幀，在遇到車道變化時，雙目視覺慣性模組可以0.005秒/幀的速度快速檢測車道變化，並透過連續多幀分析車道變化趨勢，為自動駕駛演算法提供多方面精準、快速的環境資訊資料，輔助演算法實現高機動自動駕駛。
除了上面說的例子，雙目視覺慣性模組幀率提升至200幀的背後，意味著環境資訊採集能力的巨大提升，還可在環境感知、三維識別、深度解算、三維建圖等諸多應用領域發揮更多、更深層次的作用，極大推進計算機視覺技術向相關領域的擴充套件。