文件夹结构如下:
如果没有特殊说明,我们将py文件写在该路径里面。
保存数据的路径如下:
---img_lidar_save
---2023-12-13(根据日期自动生成当天保存数据的文件夹)
---camera_data(相机数据文件夹)
---image(保存相加的图片)
---vedios(保相机视频)
---lidar_data(雷达数据文件夹)
---image(保存雷达的pcd文件)
---vedios(保存雷达的bag文件)
一、获取当前时间,并根据当前时间摄像头图片和雷达的pcd文件命名(方便后续的数据处理)
二、获取摄像头图片,根据上述的命名存取图片
三、获取激光雷达的数据
注意:一、二方法处理数据比较慢,所以本人直接用了第三部分的方法获取点云数据,并对数据做了部分处理(获取数据需要搭建雷达环境,环境搭建的具体步骤可以参考4.livox hap(大疆激光雷达)环境搭建-CSDN博客)
下面分别是每部分的python代码:
一、获取当前时间,并根据当前时间摄像头图片和雷达的pcd文件命名
1.根据日期自动生成当天保存数据的文件夹
和img_lidar_save文件夹相同的路径下写一个create_date_file.py文件,代码如下:
import time,datetime
import os
#1.根据日期给文件夹命名,并创建文件夹
def data_time(root_path="img_lidar_save/"):
# 1.获取当前时间字符串或时间戳(都可精确到微秒)
start_time=datetime.datetime.now().strftime(f'%Y-%m-%d %H:%M:%S{r".%f"}')
times=start_time.split(" ")
# 2.data_files:根据日期获取要创建的文件夹名称,比如今天是2023_12_07
data_files=times[0]
#3.获取文件夹路径:img_lidar_save/2023_12_07
file_path=root_path+data_files
camera_file = file_path + "/" + "camera_data"
lidar_file = file_path + "/" + "lidar_data"
#4.如果今天还没有文件夹,则创建文件夹,文件夹名称为:2023_12_07
if not os.path.exists(file_path):
os.makedirs(file_path)
#5.建立camera和lidar文件夹,存取各自的数据
if not os.path.exists(camera_file):
os.makedirs(camera_file)
if not os.path.exists(lidar_file):
os.makedirs(lidar_file)
#6.建立各自的存取图片和视频的文件夹
img_file=camera_file+ "/" +"image"
vedios=camera_file+ "/" +"vedios"
lidar_videos=lidar_file +"/" +"vedios"
lidar_pcd=lidar_file +"/" +"image"
if not os.path.exists(img_file):
os.makedirs(img_file)
if not os.path.exists(vedios):
os.makedirs(vedios)
if not os.path.exists(lidar_videos):
os.makedirs(lidar_videos)
if not os.path.exists(lidar_pcd):
os.makedirs(lidar_pcd)
return img_file,vedios,lidar_videos,lidar_pcd
data_time()#root_path="img_lidar_save/"
2.根据具体的时间生成相机和雷达图片的名称
可以在与img_lidar_save文件夹相同的路径下写一个img_name.py文件,代码如下:
import time,datetime
from create_date_file import data_time
#2.根据微秒的时间给图片和pcd文件命名
def day_time():
# 获取当前时间字符串或时间戳(都可精确到微秒)
start_time=datetime.datetime.now().strftime(f'%Y-%m-%d %H:%M:%S{r".%f"}')
times=start_time.split(" ")
mins=times[1].split(":")
day_names=mins[0]+"_"+mins[1]+"_"+mins[2][:2]+"_"+mins[2][3:5]
img_file, vedios, lidar_videos, lidar_pcd = data_time()
images = img_file + "/" + day_names + ".jpg"
pcds = lidar_pcd + "/" + day_names + ".pcd"
bags = lidar_videos + "/" + day_names + ".bag"
return images,pcds,bags
[images,pcds,bags]=day_time()
print(images)
print(pcds)
print(bags)
代码运行结果如下:
img_lidar_save/2023-12-13/camera_data/image/13_52_26_02.jpg
img_lidar_save/2023-12-13/lidar_data/image/13_52_26_02.pcd
img_lidar_save/2023-12-13/lidar_data/vedios/13_52_26_02.bag
以上结果是保存图片/pad文件、bag文件的路径和名称,13_52_26_02表示13点52分26秒0.2毫秒。
3.根据名称保存bag文件
import subprocess
import threading
import time
#保存bag文件的函数,i是bag文件的名称
def ss(i):
names=str(i)
process2 = subprocess.run("rosbag record -o "+names+" --duration=0.4 /livox/lidar", shell=True, stdout=subprocess.PIPE)
#start=time.time()
i=1 #bag文件的名称,最后的文件名为 i.bag,这里可以根据实际情况修改i,如修改成时间命名
while i<20:
st1=time.time()
t1 = threading.Thread(target=ss,args=(i,))
#t1.start()
#print("...........................................", i)
i += 1
time.sleep(0.4) #每隔0.4s保存一个bag文件
#st2=time.time()
#print("one=====>",i,st2-st1)
#end=time.time()
#print("end.....",end-start)
处理数据基本上不用以上代码。处理点云数据的代码在第三部分。
二、获取摄像头图片,根据上述的命名存取图片
1.打开摄像头
# coding:utf-8
import cv2
cap = cv2.VideoCapture("/dev/video61")
while (cap.isOpened()):
ret, frame = cap.read()
frame = cv2.rotate(frame, 0, dst=None) # 视频是倒着的,要对视频进行两次90度的翻转
frame = cv2.rotate(frame, 0, dst=None) # 视频是倒着的,要对视频进行两次90度的翻转
cv2.imshow("src_image", frame)
cv2.waitKey(1)
cap.release()
cv2.destroyAllWindows()
三、获取激光雷达的pcd数据
这里写一个主函数,main.py文件,将上面的几个函数连接在一起即可(写了一半,下周继续更新)。
#!/usr/bin/env python
# -*- coding: utf-8 -*-
import rospy
from sensor_msgs.msg import PointCloud2
import sensor_msgs.point_cloud2 as pc2
from std_msgs.msg import Header
from visualization_msgs.msg import Marker, MarkerArray
from geometry_msgs.msg import Point
#import torch
import numpy as np
import sys
import time
print(sys.version)
#from recon_barriers_model import recon_barriers
#from pclpy import pcl
from queue import Queue
def recon_barriers(filename,msg_1s):
pcl_msg = pc2.read_points(filename, skip_nans=False, field_names=(
"x", "y", "z", "intensity","ring"))
#将获取得到的点云数据转换为array类型的数据,方便后续对数据的处理
np_p_2 = np.array(list(pcl_msg), dtype=np.float32)
print("===>",np_p_2)
#以上步骤得到的是雷达获得的所有数据,下面通过np.where功能首先对数据做一个筛选
#1.s[0]:x轴方向,是目标到雷达的距离,这里取只选取距离大于1m的目标
#2.s[1]:y轴方向,是目标在雷达的左右(横向)距离,这里只取大于-3且小于3的距离
#3.s[2]:z轴方向,是物体相对于雷达的高度,这里取高度大于-1m,消去地面的数据
ss=np.where([s[0]>1 and s[1]<3 and s[-1]>-3 and s[2]>-1 for s in np_p_2])
print(len(ss[0]))#是满足以上条件的(x,y,z,R)的个数
print(ss[0])#是满足以上条件的(x,y,z,R)在np_p_2的位置(index)
hh=np_p_2[ss]#是满足以上条件的(x,y,z,R)
return hh
def velo_callback(msg):
pcl_msg = pc2.read_points(msg, skip_nans=False, field_names=(
"x", "y", "z", "intensity","ring"))
print(type(pcl_msg))
global max_marker_size_,frequence
frequence=1
if frequence % 2 == 0:
q.put(msg)
msg_1s = q.get()
else:
q.put(msg)
msg_1s = q.get()
ans = recon_barriers(msg,msg_1s)
if __name__ == '__main__':
# code added for using ROS
global max_marker_size_,frequence
q = Queue()
q.put(None)
rospy.init_node('lidar_node')
#"livox/lidar"指发布的话题,这个路径是我的话题节点
sub_ = rospy.Subscriber("livox/lidar", PointCloud2,
velo_callback, queue_size=100)
pub_arr_bbox = rospy.Publisher(
"visualization_marker", MarkerArray, queue_size=100)
print("ros_node has started!")
rospy.spin()
获取的arr数据结果如下(将点云数据转换为了numpy格式,方便后续处理):
main.py文件获取到了点云数据,并对数据做了初步的筛选(并不需要第一、二步),接着就是对点云数据进行其他的计算。比如结合相机的手眼标定、对点云数据进行聚类处理、结合目标检测算法获取目标的距离等。相机和雷达的手眼标定代码本人已经写完,可以参考微博1.激光雷达与相机的融合标定(附python代码)_雷达坐标系转相机坐标系-CSDN博客
后续再更新对点云数据的处理(python)