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-程序员宅基地）

        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-程序员宅基地 

后续再更新对点云数据的处理（python）