Intel RealSense D435i数据采集全攻略：用Python脚本批量保存彩色、深度、左右红外图
Intel RealSense D435i多模态数据采集工程化实践
在计算机视觉和三维重建领域，高质量的数据采集是项目成功的基础。Intel RealSense D435i作为一款集成了RGB、深度和双红外传感器的设备，能够提供丰富的多模态数据。但如何将这些数据高效、规范地采集并保存，却是一个需要系统思考的工程问题。
1. 环境配置与设备初始化
搭建一个稳定的数据采集环境需要考虑硬件连接、软件依赖和初始化参数三个维度。首先确保D435i通过USB 3.0接口连接主机，这是保证数据传输带宽的基本要求。
安装必要的Python包：
pip install pyrealsense2 opencv-python numpy设备初始化时，我们需要明确各传感器的配置参数。以下是一个典型的配置示例：
import pyrealsense2 as rs pipeline = rs.pipeline() config = rs.config() # 配置各传感器流 config.enable_stream(rs.stream.depth, 640, 480, rs.format.z16, 30) config.enable_stream(rs.stream.color, 640, 480, rs.format.bgr8, 30) config.enable_stream(rs.stream.infrared, 1, 640, 480, rs.format.y8, 30) config.enable_stream(rs.stream.infrared, 2, 640, 480, rs.format.y8, 30) # 启动管道 profile = pipeline.start(config)设备刚启动时，传感器需要约100帧的稳定时间。我们可以通过简单的循环丢弃这些不稳定帧：
for _ in range(100): frames = pipeline.wait_for_frames()2. 数据采集框架设计
一个健壮的采集系统应该具备以下特性：
- 自动处理传感器异常
- 支持多线程采集
- 提供数据完整性校验
- 具备断点续采能力
2.1 多传感器同步机制
D435i的硬件同步功能可以确保各传感器数据的时间对齐。我们可以通过以下方式验证同步状态：
# 获取深度传感器配置 depth_sensor = profile.get_device().first_depth_sensor() # 检查硬件同步状态 if depth_sensor.supports(rs.option.inter_cam_sync_mode): print("硬件同步支持已启用")2.2 数据校验与异常处理
在实际采集过程中，可能会遇到帧丢失或数据损坏的情况。我们需要添加相应的校验逻辑：
frames = pipeline.wait_for_frames() # 检查各帧是否完整 if not all([frames.get_depth_frame(), frames.get_color_frame(), frames.get_infrared_frame(1), frames.get_infrared_frame(2)]): print("警告：帧数据不完整，跳过当前帧") continue3. 数据存储方案
3.1 文件命名与目录结构
合理的文件组织和命名规范对后续数据处理至关重要。建议采用如下目录结构：
dataset/ ├── metadata.json ├── sequence_001/ │ ├── color/ │ ├── depth/ │ ├── infrared_left/ │ └── infrared_right/ └── sequence_002/ ├── ...文件命名可以采用时间戳+序列号的方式：
import time from pathlib import Path def generate_filename(base_dir, sensor_type, frame_count): timestamp = int(time.time() * 1000) return Path(base_dir) / sensor_type / f"{timestamp}_{frame_count:06d}.png"3.2 元数据保存
除了图像数据，相机内参等元数据也需要妥善保存：
def save_calibration_data(profile, save_path): intrinsics = profile.as_video_stream_profile().get_intrinsics() with open(save_path, 'w') as f: json.dump({ 'width': intrinsics.width, 'height': intrinsics.height, 'fx': intrinsics.fx, 'fy': intrinsics.fy, 'ppx': intrinsics.ppx, 'ppy': intrinsics.ppy, 'model': str(intrinsics.model), 'coeffs': intrinsics.coeffs }, f, indent=2)4. 高级采集技巧
4.1 自动曝光优化
在某些光照条件下，自动调整曝光参数可以获得更好的图像质量：
color_sensor = profile.get_device().first_color_sensor() if color_sensor.supports(rs.option.enable_auto_exposure): color_sensor.set_option(rs.option.enable_auto_exposure, 1) color_sensor.set_option(rs.option.exposure, 156) # 初始值4.2 深度图后处理
原始深度图可能存在噪声和空洞，可以通过以下方式改善：
# 创建后处理滤波器 decimate = rs.decimation_filter() spatial = rs.spatial_filter() temporal = rs.temporal_filter() # 应用滤波器链 filtered_frame = decimate.process(depth_frame) filtered_frame = spatial.process(filtered_frame) filtered_frame = temporal.process(filtered_frame)4.3 多设备同步采集
当使用多个RealSense设备时，需要特别注意同步问题：
# 配置主从设备 master = rs.context().devices[0] slave = rs.context().devices[1] master.first_depth_sensor().set_option(rs.option.inter_cam_sync_mode, 1) slave.first_depth_sensor().set_option(rs.option.inter_cam_sync_mode, 2)5. 性能优化与监控
长时间采集时，系统资源管理尤为重要。我们可以通过以下方式监控采集状态：
def monitor_system(): import psutil return { 'cpu_usage': psutil.cpu_percent(), 'memory_usage': psutil.virtual_memory().percent, 'disk_usage': psutil.disk_usage('/').percent }对于高性能需求，可以考虑使用多线程采集：
from threading import Thread from queue import Queue class CaptureThread(Thread): def __init__(self, pipeline, queue): super().__init__() self.pipeline = pipeline self.queue = queue def run(self): while True: frames = self.pipeline.wait_for_frames() self.queue.put(frames)在实际项目中，我们发现将采集帧率控制在20-25fps可以在数据质量和系统负载之间取得良好平衡。存储时使用PNG格式虽然占用空间较大，但能完整保留深度数据精度。