HoloLens 2初入——离线记录Depth、RGB、Eye等数据流,并用py处理

2023-11-04 22:38

本文主要是介绍HoloLens 2初入——离线记录Depth、RGB、Eye等数据流,并用py处理,希望对大家解决编程问题提供一定的参考价值,需要的开发者们随着小编来一起学习吧!

文章目录

  • HoloLens 2初入——离线记录Depth、RGB、Eye等数据流,并用py处理
    • 引言
    • 基础环境
    • 配置流程
    • 录制数据并导入到电脑端
    • Python 处理数据
      • 转换图片格式
      • 保存为点云

HoloLens 2初入——离线记录Depth、RGB、Eye等数据流,并用py处理

引言

倒腾这个工程的目的其实只是为了学习如何将depth图片和彩色图像对齐。因为我实际的需求是在线处理,如何在线获得相关数据已经在博客的另外一篇进行了说明。
这边其实是介绍一下官方的工程如何使用。

基础环境

  1. 软件环境见博客其它文章
  2. 官方工程

配置流程

  1. 下载工程,工程的链接在上方,将整个HoloLens2ForCV都下载下来
  2. 打开samples中的StreamRecorder,里面两个文件夹,上面为HL的应用APP,主要用来采集数据,下面文件内python的一些脚本,主要用于数据的离线处理。
  3. 打开StreanRecorderApp.sln工程,我用的是VS2019,建议用比较新的版本,不要用15以前的。
    在这里插入图片描述
  4. 选择Release、 ARM64 模式.
    在这里插入图片描述
  5. 右键工程——>属性——>调试——>在计算机明处填入自己Hololens2的名字(我这边使用的是USB部署)
    在这里插入图片描述
  6. 用USB连接Hololens2,打开设备,登录。(非必须)
  7. 调试——>开始执行(不调试)
    在这里插入图片描述10.等待部署完成

录制数据并导入到电脑端

  1. 在Hololen2中打开“StreanRecorder”应用 ,部署成功后第一次打开会有 相机隐私权限提示(大概就是应用需要征得用户同意才能使用相机的那种界面,实在不明白的见另外一篇博客(介绍应用部署的))
  2. 应用成功打开后会出现一个面板,面板上有两个菜单,分别为“Strat”、“Stop”,字面意思。
  3. 录制好数据后。用USB再次连接HoloLens2,打开网页端管理界面 “http://127.0.0.1:10080/”
  4. 按照下图指示找到数据路径,并依次下载到同一个文件夹即可(注意文件夹路径不要奇奇怪怪的,比如有空格什么的)
    在这里插入图片描述

Python 处理数据

转换图片格式

  1. 下载数据后会发现,数据的后缀并不是我们常见的.png格式,而是其它不可视的格式。这是因为.png格式的输出其实比较耗时的,HL为了快速保存数据所以没有直接保存为.png格式。 但是提供了转换格式的代码。

  2. 找到convert_images.py文件。在这里插入图片描述

  3. 用pycahrm打开,其实在终端也可以运行,但是我习惯用pycharm编辑(终端操作需要键入参数值,和Pycharm方式有点不同,这边不介绍)。

  4. 修改参数器的值,a)将recording_path关键词的默认值修改为自己存放数据的文件夹路径。b)将 required设为False。(终端运行的时候需要输入-- recording_path的参数)
    在这里插入图片描述
    3、运行代码,运行成功后,将会在数据文件夹中添加.png格式的图片等
    在这里插入图片描述在这里插入图片描述
    在这里插入图片描述

保存为点云

  1. 打开save_pclouds.py
    在这里插入图片描述
  2. 同样修改–recording_path参数
    在这里插入图片描述3.运行后在数据文件夹下将会出现对其后的点云数据
    在这里插入图片描述

在这里插入图片描述
4.对齐后的图像可能看着有点奇怪,但是这是正常的。 棱边是因为深度相机本身视野为圆形,矫正后近似8边形。下面少掉一大部分是因为深度相机和彩色相机的视野在这部分没有交集导致的(RGB相机视野向前),两者无法匹配
.

(其他文件的功能这边就不赘述了,有需要的自己研究一下哈)

这篇关于HoloLens 2初入——离线记录Depth、RGB、Eye等数据流,并用py处理的文章就介绍到这儿,希望我们推荐的文章对编程师们有所帮助!



http://www.chinasem.cn/article/345640

相关文章

无人叉车3d激光slam多房间建图定位异常处理方案-墙体画线地图切分方案

墙体画线地图切分方案 针对问题:墙体两侧特征混淆误匹配,导致建图和定位偏差,表现为过门跳变、外月台走歪等 ·解决思路:预期的根治方案IGICP需要较长时间完成上线,先使用切分地图的工程化方案,即墙体两侧切分为不同地图,在某一侧只使用该侧地图进行定位 方案思路 切分原理:切分地图基于关键帧位置,而非点云。 理论基础:光照是直线的,一帧点云必定只能照射到墙的一侧,无法同时照到两侧实践考虑:关

python: 多模块(.py)中全局变量的导入

文章目录 global关键字可变类型和不可变类型数据的内存地址单模块(单个py文件)的全局变量示例总结 多模块(多个py文件)的全局变量from x import x导入全局变量示例 import x导入全局变量示例 总结 global关键字 global 的作用范围是模块(.py)级别: 当你在一个模块(文件)中使用 global 声明变量时,这个变量只在该模块的全局命名空

【生成模型系列(初级)】嵌入(Embedding)方程——自然语言处理的数学灵魂【通俗理解】

【通俗理解】嵌入(Embedding)方程——自然语言处理的数学灵魂 关键词提炼 #嵌入方程 #自然语言处理 #词向量 #机器学习 #神经网络 #向量空间模型 #Siri #Google翻译 #AlexNet 第一节:嵌入方程的类比与核心概念【尽可能通俗】 嵌入方程可以被看作是自然语言处理中的“翻译机”,它将文本中的单词或短语转换成计算机能够理解的数学形式,即向量。 正如翻译机将一种语言

Node.js学习记录(二)

目录 一、express 1、初识express 2、安装express 3、创建并启动web服务器 4、监听 GET&POST 请求、响应内容给客户端 5、获取URL中携带的查询参数 6、获取URL中动态参数 7、静态资源托管 二、工具nodemon 三、express路由 1、express中路由 2、路由的匹配 3、路由模块化 4、路由模块添加前缀 四、中间件

Thymeleaf:生成静态文件及异常处理java.lang.NoClassDefFoundError: ognl/PropertyAccessor

我们需要引入包: <dependency><groupId>org.springframework.boot</groupId><artifactId>spring-boot-starter-thymeleaf</artifactId></dependency><dependency><groupId>org.springframework</groupId><artifactId>sp

记录每次更新到仓库 —— Git 学习笔记 10

记录每次更新到仓库 文章目录 文件的状态三个区域检查当前文件状态跟踪新文件取消跟踪(un-tracking)文件重新跟踪(re-tracking)文件暂存已修改文件忽略某些文件查看已暂存和未暂存的修改提交更新跳过暂存区删除文件移动文件参考资料 咱们接着很多天以前的 取得Git仓库 这篇文章继续说。 文件的状态 不管是通过哪种方法,现在我们已经有了一个仓库,并从这个仓

jenkins 插件执行shell命令时,提示“Command not found”处理方法

首先提示找不到“Command not found,可能我们第一反应是查看目标机器是否已支持该命令,不过如果相信能找到这里来的朋友估计遇到的跟我一样,其实目标机器是没有问题的通过一些远程工具执行shell命令是可以执行。奇怪的就是通过jenkinsSSH插件无法执行,经一番折腾各种搜索发现是jenkins没有加载/etc/profile导致。 【解决办法】: 需要在jenkins调用shell脚

学习记录:js算法(二十八):删除排序链表中的重复元素、删除排序链表中的重复元素II

文章目录 删除排序链表中的重复元素我的思路解法一:循环解法二:递归 网上思路 删除排序链表中的重复元素 II我的思路网上思路 总结 删除排序链表中的重复元素 给定一个已排序的链表的头 head , 删除所有重复的元素,使每个元素只出现一次 。返回 已排序的链表 。 图一 图二 示例 1:(图一)输入:head = [1,1,2]输出:[1,2]示例 2:(图

明明的随机数处理问题分析与解决方案

明明的随机数处理问题分析与解决方案 引言问题描述解决方案数据结构设计具体步骤伪代码C语言实现详细解释读取输入去重操作排序操作输出结果复杂度分析 引言 明明生成了N个1到500之间的随机整数,我们需要对这些整数进行处理,删去重复的数字,然后进行排序并输出结果。本文将详细讲解如何通过算法、数据结构以及C语言来解决这个问题。我们将会使用数组和哈希表来实现去重操作,再利用排序算法对结果

8. 自然语言处理中的深度学习:从词向量到BERT

引言 深度学习在自然语言处理(NLP)领域的应用极大地推动了语言理解和生成技术的发展。通过从词向量到预训练模型(如BERT)的演进,NLP技术在机器翻译、情感分析、问答系统等任务中取得了显著成果。本篇博文将探讨深度学习在NLP中的核心技术,包括词向量、序列模型(如RNN、LSTM),以及BERT等预训练模型的崛起及其实际应用。 1. 词向量的生成与应用 词向量(Word Embedding)