实战Intel RealSense SR300相机Python开发从驱动到深度数据获取的完整指南【免费下载链接】librealsenseIntel® RealSense™ SDK项目地址: https://gitcode.com/GitHub_Trending/li/librealsenseIntel® RealSense™ SDK 2.0librealsense为开发者提供了强大的深度相机开发框架支持包括SR300在内的多种RealSense设备。本文将详细介绍如何在Ubuntu系统上配置SR300相机的Python开发环境并实现深度数据的高效采集与处理。核心关键词与长尾关键词核心关键词RealSense SR300、Python深度相机、librealsense驱动长尾关键词Ubuntu 22.04 SR300配置、Python深度数据采集、RealSense相机连接问题排查、多相机同步开发、深度图像处理应用环境准备驱动与依赖安装系统依赖安装在开始之前确保系统已安装必要的开发工具和依赖库。打开终端执行以下命令# 更新系统包管理器 sudo apt-get update sudo apt-get upgrade # 安装核心依赖库 sudo apt-get install -y libssl-dev libusb-1.0-0-dev libudev-dev pkg-config sudo apt-get install -y libgtk-3-dev libglfw3-dev libgl1-mesa-dev sudo apt-get install -y git wget cmake build-essential python3-dev获取librealsense源码从官方仓库克隆最新代码git clone https://gitcode.com/GitHub_Trending/li/librealsense cd librealsense内核驱动配置SR300相机需要特定的内核模块支持运行以下脚本配置udev规则和内核补丁# 设置设备权限规则 ./scripts/setup_udev_rules.sh # 应用Ubuntu LTS HWE内核补丁 ./scripts/patch-realsense-ubuntu-lts-hwe.sh为什么需要内核补丁RealSense相机使用USB视频类UVC驱动但标准Linux内核缺少对深度流格式的支持。补丁程序会修改内核的uvcvideo模块添加对RealSense特定格式的识别能力。验证驱动加载重启系统后连接SR300相机并检查驱动状态# 查看USB设备列表 lsusb | grep -i Intel # 检查内核日志 dmesg | tail -n 20 | grep -i uvcvideo图1RealSense设备驱动加载完整流程展示了从硬件连接到系统识别的各个阶段Python绑定编译与安装编译pyrealsense2在librealsense目录中构建Python绑定# 创建构建目录 mkdir build cd build # 配置CMake启用Python绑定 cmake ../ \ -DBUILD_PYTHON_BINDINGS:booltrue \ -DPYTHON_EXECUTABLE$(which python3) \ -DCMAKE_BUILD_TYPERelease # 编译安装 make -j$(nproc) sudo make install环境变量配置将库路径添加到Python搜索路径# 临时添加到当前会话 export PYTHONPATH$PYTHONPATH:/usr/local/lib # 永久添加到.bashrc echo export PYTHONPATH$PYTHONPATH:/usr/local/lib ~/.bashrc source ~/.bashrc验证安装通过简单的Python脚本验证安装是否成功import pyrealsense2 as rs import numpy as np print(flibrealsense版本: {rs.__version__}) print(fPython绑定可用性: {hasattr(rs, pipeline)})SR300相机连接与深度数据采集基础连接配置创建基本的深度流采集脚本import pyrealsense2 as rs import numpy as np import cv2 class SR300DepthCamera: def __init__(self, width640, height480, fps30): 初始化SR300相机 self.pipeline rs.pipeline() self.config rs.config() # 配置深度流 self.config.enable_stream( rs.stream.depth, width, height, rs.format.z16, fps ) # 可选配置彩色流 self.config.enable_stream( rs.stream.color, width, height, rs.format.bgr8, fps ) def start(self): 启动相机流 self.profile self.pipeline.start(self.config) self.depth_scale self.profile.get_device().first_depth_sensor().get_depth_scale() print(f深度比例系数: {self.depth_scale}) def get_frames(self): 获取最新的帧数据 frames self.pipeline.wait_for_frames() depth_frame frames.get_depth_frame() color_frame frames.get_color_frame() if not depth_frame: return None, None # 转换为numpy数组 depth_image np.asanyarray(depth_frame.get_data()) color_image np.asanyarray(color_frame.get_data()) if color_frame else None return depth_image, color_image def stop(self): 停止相机流 self.pipeline.stop()深度数据可视化实现深度图像的实时显示和测量def visualize_depth_data(camera): 可视化深度数据并显示测量信息 import cv2 camera.start() try: while True: depth_image, color_image camera.get_frames() if depth_image is None: continue # 转换为彩色深度图 depth_colormap cv2.applyColorMap( cv2.convertScaleAbs(depth_image, alpha0.03), cv2.COLORMAP_JET ) # 计算中心点距离 center_y, center_x depth_image.shape[0] // 2, depth_image.shape[1] // 2 center_distance depth_image[center_y, center_x] * camera.depth_scale # 显示距离信息 cv2.putText(depth_colormap, fCenter: {center_distance:.2f}m, (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (255, 255, 255), 2) # 显示图像 cv2.imshow(SR300 Depth Stream, depth_colormap) if cv2.waitKey(1) 0xFF ord(q): break finally: camera.stop() cv2.destroyAllWindows()图2SR300相机深度数据实时采集界面展示了深度图像的彩色映射显示效果常见问题排查与解决方案问题1设备无法识别症状lsusb命令不显示Intel设备Python无法连接相机。解决方案检查USB连接线是否支持USB 3.0重新运行udev规则配置sudo ./scripts/setup_udev_rules.sh sudo udevadm control --reload-rules sudo udevadm trigger检查内核模块加载状态lsmod | grep uvcvideo modprobe uvcvideo问题2Python导入错误症状ImportError: No module named pyrealsense2解决方案检查Python路径配置import sys print(sys.path)手动复制库文件sudo cp build/wrappers/python/pyrealsense2.* /usr/local/lib/python3.*/site-packages/重新编译Python绑定rm -rf build mkdir build cd build cmake ../ -DBUILD_PYTHON_BINDINGS:booltrue make -j$(nproc) sudo make install问题3帧率过低或丢帧症状数据采集不流畅帧率远低于配置值。解决方案配置项推荐值说明分辨率640×480SR300最佳性能分辨率帧率30 FPS平衡性能与质量流格式Z1616位深度数据缓冲区双缓冲减少延迟# 优化配置示例 config.enable_stream(rs.stream.depth, 640, 480, rs.format.z16, 30) config.enable_stream(rs.stream.infrared, 640, 480, rs.format.y8, 30)进阶应用多相机同步与点云生成多设备同步采集SR300可与其他RealSense设备协同工作实现多视角深度采集def multi_camera_sync(): 多相机同步采集框架 ctx rs.context() devices ctx.query_devices() pipelines [] configs [] for i, dev in enumerate(devices): print(f设备 {i}: {dev.get_info(rs.camera_info.name)}) pipeline rs.pipeline(ctx) config rs.config() config.enable_device(dev.get_info(rs.camera_info.serial_number)) config.enable_stream(rs.stream.depth, 640, 480, rs.format.z16, 30) pipelines.append(pipeline) configs.append(config) pipeline.start(config) # 同步采集循环 try: while True: for i, pipeline in enumerate(pipelines): frames pipeline.wait_for_frames() # 处理各相机数据... finally: for pipeline in pipelines: pipeline.stop()点云生成与处理将深度数据转换为3D点云def generate_pointcloud(depth_frame, intrinsics): 从深度帧生成点云 pc rs.pointcloud() points pc.calculate(depth_frame) vertices np.asanyarray(points.get_vertices()) vertices vertices.reshape(depth_frame.height, depth_frame.width, 3) return vertices def save_pointcloud_to_ply(vertices, filenameoutput.ply): 保存点云到PLY文件 with open(filename, w) as f: f.write(ply\n) f.write(format ascii 1.0\n) f.write(felement vertex {vertices.size // 3}\n) f.write(property float x\n) f.write(property float y\n) f.write(property float z\n) f.write(end_header\n) for point in vertices.reshape(-1, 3): f.write(f{point[0]} {point[1]} {point[2]}\n)图3RealSense深度相机生成的点云数据可用于3D重建和空间分析性能优化技巧内存管理优化深度数据处理时需要注意内存使用class OptimizedDepthProcessor: def __init__(self): self.align rs.align(rs.stream.color) self.temporal_filter rs.temporal_filter() self.spatial_filter rs.spatial_filter() def process_frame(self, frames): 优化帧处理流程 # 对齐深度和彩色帧 aligned_frames self.align.process(frames) # 应用时间域滤波 filtered self.temporal_filter.process( aligned_frames.get_depth_frame() ) # 应用空间域滤波 filtered self.spatial_filter.process(filtered) return filtered异步处理模式使用回调函数实现异步数据采集def async_depth_callback(frame): 异步深度数据回调 depth_frame frame.as_depth_frame() if depth_frame: depth_data np.asanyarray(depth_frame.get_data()) # 异步处理深度数据... process_depth_async(depth_data) # 配置异步管道 config.enable_stream(rs.stream.depth, 640, 480, rs.format.z16, 30) pipeline.start(config, async_depth_callback)调试与日志配置启用详细日志在开发过程中启用librealsense日志有助于排查问题# 设置日志级别 export LRS_LOG_LEVELDEBUG # 运行Python脚本 python your_script.py设备信息查询获取详细的设备信息和状态def print_device_info(): 打印设备详细信息 ctx rs.context() devices ctx.query_devices() for dev in devices: print(f设备名称: {dev.get_info(rs.camera_info.name)}) print(f序列号: {dev.get_info(rs.camera_info.serial_number)}) print(f固件版本: {dev.get_info(rs.camera_info.firmware_version)}) # 查询传感器信息 sensors dev.query_sensors() for sensor in sensors: print(f 传感器: {sensor.get_info(rs.camera_info.name)})图4RealSense Viewer高级配置界面可用于深度调优和设备校准扩展应用场景1. 手势识别系统利用SR300的深度数据实现实时手势识别def detect_hand_gesture(depth_image): 基于深度图像的手势检测 # 应用阈值分割 hand_mask (depth_image 300) (depth_image 800) # 形态学处理 kernel np.ones((5,5), np.uint8) hand_mask cv2.morphologyEx(hand_mask.astype(np.uint8), cv2.MORPH_CLOSE, kernel) # 轮廓检测 contours, _ cv2.findContours(hand_mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) return contours2. 体积测量应用使用SR300进行物体尺寸测量def measure_object_volume(depth_image, calibration_mm_per_pixel): 测量物体体积 # 提取物体区域 object_mask extract_object_region(depth_image) # 计算像素面积 pixel_area np.sum(object_mask) # 转换为实际面积 real_area pixel_area * (calibration_mm_per_pixel ** 2) # 计算平均深度 object_depths depth_image[object_mask] avg_depth np.mean(object_depths) # 估算体积 volume real_area * avg_depth * 1e-9 # 转换为立方米 return volume进一步学习资源官方文档与示例安装指南doc/installation.md故障排查doc/troubleshooting.mdPython示例wrappers/python/examples/API参考include/librealsense2/hpp/社区资源GitHub Issues查看常见问题解决方案RealSense论坛获取社区支持Stack Overflow搜索具体技术问题进阶学习路径基础掌握深度数据采集与可视化中级应用点云处理与3D重建高级开发多相机同步与SLAM集成专业优化性能调优与算法加速总结通过本文的完整指南您已经掌握了在Ubuntu系统上配置SR300相机Python开发环境的全流程。从驱动安装到深度数据采集再到高级应用开发每个步骤都提供了详细的技术解释和实用代码示例。记住成功的RealSense开发不仅需要正确的配置还需要对深度视觉原理的深入理解。建议从简单的深度测量开始逐步扩展到复杂的3D应用在实践中不断优化和改进您的实现方案。遇到问题时不要忘记查阅官方文档和社区资源RealSense开发者社区拥有丰富的经验分享和解决方案。祝您在深度视觉开发的道路上取得成功关键要点回顾✅ 确保内核驱动正确安装和配置✅ 使用正确的Python绑定编译选项✅ 合理配置深度流参数以获得最佳性能✅ 实施适当的错误处理和调试机制✅ 探索多相机和点云等高级应用场景现在开始您的RealSense深度视觉开发之旅吧【免费下载链接】librealsenseIntel® RealSense™ SDK项目地址: https://gitcode.com/GitHub_Trending/li/librealsense创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
实战Intel RealSense SR300相机Python开发：从驱动到深度数据获取的完整指南
发布时间：2026/6/2 3:49:03
实战Intel RealSense SR300相机Python开发从驱动到深度数据获取的完整指南【免费下载链接】librealsenseIntel® RealSense™ SDK项目地址: https://gitcode.com/GitHub_Trending/li/librealsenseIntel® RealSense™ SDK 2.0librealsense为开发者提供了强大的深度相机开发框架支持包括SR300在内的多种RealSense设备。本文将详细介绍如何在Ubuntu系统上配置SR300相机的Python开发环境并实现深度数据的高效采集与处理。核心关键词与长尾关键词核心关键词RealSense SR300、Python深度相机、librealsense驱动长尾关键词Ubuntu 22.04 SR300配置、Python深度数据采集、RealSense相机连接问题排查、多相机同步开发、深度图像处理应用环境准备驱动与依赖安装系统依赖安装在开始之前确保系统已安装必要的开发工具和依赖库。打开终端执行以下命令# 更新系统包管理器 sudo apt-get update sudo apt-get upgrade # 安装核心依赖库 sudo apt-get install -y libssl-dev libusb-1.0-0-dev libudev-dev pkg-config sudo apt-get install -y libgtk-3-dev libglfw3-dev libgl1-mesa-dev sudo apt-get install -y git wget cmake build-essential python3-dev获取librealsense源码从官方仓库克隆最新代码git clone https://gitcode.com/GitHub_Trending/li/librealsense cd librealsense内核驱动配置SR300相机需要特定的内核模块支持运行以下脚本配置udev规则和内核补丁# 设置设备权限规则 ./scripts/setup_udev_rules.sh # 应用Ubuntu LTS HWE内核补丁 ./scripts/patch-realsense-ubuntu-lts-hwe.sh为什么需要内核补丁RealSense相机使用USB视频类UVC驱动但标准Linux内核缺少对深度流格式的支持。补丁程序会修改内核的uvcvideo模块添加对RealSense特定格式的识别能力。验证驱动加载重启系统后连接SR300相机并检查驱动状态# 查看USB设备列表 lsusb | grep -i Intel # 检查内核日志 dmesg | tail -n 20 | grep -i uvcvideo图1RealSense设备驱动加载完整流程展示了从硬件连接到系统识别的各个阶段Python绑定编译与安装编译pyrealsense2在librealsense目录中构建Python绑定# 创建构建目录 mkdir build cd build # 配置CMake启用Python绑定 cmake ../ \ -DBUILD_PYTHON_BINDINGS:booltrue \ -DPYTHON_EXECUTABLE$(which python3) \ -DCMAKE_BUILD_TYPERelease # 编译安装 make -j$(nproc) sudo make install环境变量配置将库路径添加到Python搜索路径# 临时添加到当前会话 export PYTHONPATH$PYTHONPATH:/usr/local/lib # 永久添加到.bashrc echo export PYTHONPATH$PYTHONPATH:/usr/local/lib ~/.bashrc source ~/.bashrc验证安装通过简单的Python脚本验证安装是否成功import pyrealsense2 as rs import numpy as np print(flibrealsense版本: {rs.__version__}) print(fPython绑定可用性: {hasattr(rs, pipeline)})SR300相机连接与深度数据采集基础连接配置创建基本的深度流采集脚本import pyrealsense2 as rs import numpy as np import cv2 class SR300DepthCamera: def __init__(self, width640, height480, fps30): 初始化SR300相机 self.pipeline rs.pipeline() self.config rs.config() # 配置深度流 self.config.enable_stream( rs.stream.depth, width, height, rs.format.z16, fps ) # 可选配置彩色流 self.config.enable_stream( rs.stream.color, width, height, rs.format.bgr8, fps ) def start(self): 启动相机流 self.profile self.pipeline.start(self.config) self.depth_scale self.profile.get_device().first_depth_sensor().get_depth_scale() print(f深度比例系数: {self.depth_scale}) def get_frames(self): 获取最新的帧数据 frames self.pipeline.wait_for_frames() depth_frame frames.get_depth_frame() color_frame frames.get_color_frame() if not depth_frame: return None, None # 转换为numpy数组 depth_image np.asanyarray(depth_frame.get_data()) color_image np.asanyarray(color_frame.get_data()) if color_frame else None return depth_image, color_image def stop(self): 停止相机流 self.pipeline.stop()深度数据可视化实现深度图像的实时显示和测量def visualize_depth_data(camera): 可视化深度数据并显示测量信息 import cv2 camera.start() try: while True: depth_image, color_image camera.get_frames() if depth_image is None: continue # 转换为彩色深度图 depth_colormap cv2.applyColorMap( cv2.convertScaleAbs(depth_image, alpha0.03), cv2.COLORMAP_JET ) # 计算中心点距离 center_y, center_x depth_image.shape[0] // 2, depth_image.shape[1] // 2 center_distance depth_image[center_y, center_x] * camera.depth_scale # 显示距离信息 cv2.putText(depth_colormap, fCenter: {center_distance:.2f}m, (10, 30), cv2.FONT_HERSHEY_SIMPLEX, 0.7, (255, 255, 255), 2) # 显示图像 cv2.imshow(SR300 Depth Stream, depth_colormap) if cv2.waitKey(1) 0xFF ord(q): break finally: camera.stop() cv2.destroyAllWindows()图2SR300相机深度数据实时采集界面展示了深度图像的彩色映射显示效果常见问题排查与解决方案问题1设备无法识别症状lsusb命令不显示Intel设备Python无法连接相机。解决方案检查USB连接线是否支持USB 3.0重新运行udev规则配置sudo ./scripts/setup_udev_rules.sh sudo udevadm control --reload-rules sudo udevadm trigger检查内核模块加载状态lsmod | grep uvcvideo modprobe uvcvideo问题2Python导入错误症状ImportError: No module named pyrealsense2解决方案检查Python路径配置import sys print(sys.path)手动复制库文件sudo cp build/wrappers/python/pyrealsense2.* /usr/local/lib/python3.*/site-packages/重新编译Python绑定rm -rf build mkdir build cd build cmake ../ -DBUILD_PYTHON_BINDINGS:booltrue make -j$(nproc) sudo make install问题3帧率过低或丢帧症状数据采集不流畅帧率远低于配置值。解决方案配置项推荐值说明分辨率640×480SR300最佳性能分辨率帧率30 FPS平衡性能与质量流格式Z1616位深度数据缓冲区双缓冲减少延迟# 优化配置示例 config.enable_stream(rs.stream.depth, 640, 480, rs.format.z16, 30) config.enable_stream(rs.stream.infrared, 640, 480, rs.format.y8, 30)进阶应用多相机同步与点云生成多设备同步采集SR300可与其他RealSense设备协同工作实现多视角深度采集def multi_camera_sync(): 多相机同步采集框架 ctx rs.context() devices ctx.query_devices() pipelines [] configs [] for i, dev in enumerate(devices): print(f设备 {i}: {dev.get_info(rs.camera_info.name)}) pipeline rs.pipeline(ctx) config rs.config() config.enable_device(dev.get_info(rs.camera_info.serial_number)) config.enable_stream(rs.stream.depth, 640, 480, rs.format.z16, 30) pipelines.append(pipeline) configs.append(config) pipeline.start(config) # 同步采集循环 try: while True: for i, pipeline in enumerate(pipelines): frames pipeline.wait_for_frames() # 处理各相机数据... finally: for pipeline in pipelines: pipeline.stop()点云生成与处理将深度数据转换为3D点云def generate_pointcloud(depth_frame, intrinsics): 从深度帧生成点云 pc rs.pointcloud() points pc.calculate(depth_frame) vertices np.asanyarray(points.get_vertices()) vertices vertices.reshape(depth_frame.height, depth_frame.width, 3) return vertices def save_pointcloud_to_ply(vertices, filenameoutput.ply): 保存点云到PLY文件 with open(filename, w) as f: f.write(ply\n) f.write(format ascii 1.0\n) f.write(felement vertex {vertices.size // 3}\n) f.write(property float x\n) f.write(property float y\n) f.write(property float z\n) f.write(end_header\n) for point in vertices.reshape(-1, 3): f.write(f{point[0]} {point[1]} {point[2]}\n)图3RealSense深度相机生成的点云数据可用于3D重建和空间分析性能优化技巧内存管理优化深度数据处理时需要注意内存使用class OptimizedDepthProcessor: def __init__(self): self.align rs.align(rs.stream.color) self.temporal_filter rs.temporal_filter() self.spatial_filter rs.spatial_filter() def process_frame(self, frames): 优化帧处理流程 # 对齐深度和彩色帧 aligned_frames self.align.process(frames) # 应用时间域滤波 filtered self.temporal_filter.process( aligned_frames.get_depth_frame() ) # 应用空间域滤波 filtered self.spatial_filter.process(filtered) return filtered异步处理模式使用回调函数实现异步数据采集def async_depth_callback(frame): 异步深度数据回调 depth_frame frame.as_depth_frame() if depth_frame: depth_data np.asanyarray(depth_frame.get_data()) # 异步处理深度数据... process_depth_async(depth_data) # 配置异步管道 config.enable_stream(rs.stream.depth, 640, 480, rs.format.z16, 30) pipeline.start(config, async_depth_callback)调试与日志配置启用详细日志在开发过程中启用librealsense日志有助于排查问题# 设置日志级别 export LRS_LOG_LEVELDEBUG # 运行Python脚本 python your_script.py设备信息查询获取详细的设备信息和状态def print_device_info(): 打印设备详细信息 ctx rs.context() devices ctx.query_devices() for dev in devices: print(f设备名称: {dev.get_info(rs.camera_info.name)}) print(f序列号: {dev.get_info(rs.camera_info.serial_number)}) print(f固件版本: {dev.get_info(rs.camera_info.firmware_version)}) # 查询传感器信息 sensors dev.query_sensors() for sensor in sensors: print(f 传感器: {sensor.get_info(rs.camera_info.name)})图4RealSense Viewer高级配置界面可用于深度调优和设备校准扩展应用场景1. 手势识别系统利用SR300的深度数据实现实时手势识别def detect_hand_gesture(depth_image): 基于深度图像的手势检测 # 应用阈值分割 hand_mask (depth_image 300) (depth_image 800) # 形态学处理 kernel np.ones((5,5), np.uint8) hand_mask cv2.morphologyEx(hand_mask.astype(np.uint8), cv2.MORPH_CLOSE, kernel) # 轮廓检测 contours, _ cv2.findContours(hand_mask, cv2.RETR_EXTERNAL, cv2.CHAIN_APPROX_SIMPLE) return contours2. 体积测量应用使用SR300进行物体尺寸测量def measure_object_volume(depth_image, calibration_mm_per_pixel): 测量物体体积 # 提取物体区域 object_mask extract_object_region(depth_image) # 计算像素面积 pixel_area np.sum(object_mask) # 转换为实际面积 real_area pixel_area * (calibration_mm_per_pixel ** 2) # 计算平均深度 object_depths depth_image[object_mask] avg_depth np.mean(object_depths) # 估算体积 volume real_area * avg_depth * 1e-9 # 转换为立方米 return volume进一步学习资源官方文档与示例安装指南doc/installation.md故障排查doc/troubleshooting.mdPython示例wrappers/python/examples/API参考include/librealsense2/hpp/社区资源GitHub Issues查看常见问题解决方案RealSense论坛获取社区支持Stack Overflow搜索具体技术问题进阶学习路径基础掌握深度数据采集与可视化中级应用点云处理与3D重建高级开发多相机同步与SLAM集成专业优化性能调优与算法加速总结通过本文的完整指南您已经掌握了在Ubuntu系统上配置SR300相机Python开发环境的全流程。从驱动安装到深度数据采集再到高级应用开发每个步骤都提供了详细的技术解释和实用代码示例。记住成功的RealSense开发不仅需要正确的配置还需要对深度视觉原理的深入理解。建议从简单的深度测量开始逐步扩展到复杂的3D应用在实践中不断优化和改进您的实现方案。遇到问题时不要忘记查阅官方文档和社区资源RealSense开发者社区拥有丰富的经验分享和解决方案。祝您在深度视觉开发的道路上取得成功关键要点回顾✅ 确保内核驱动正确安装和配置✅ 使用正确的Python绑定编译选项✅ 合理配置深度流参数以获得最佳性能✅ 实施适当的错误处理和调试机制✅ 探索多相机和点云等高级应用场景现在开始您的RealSense深度视觉开发之旅吧【免费下载链接】librealsenseIntel® RealSense™ SDK项目地址: https://gitcode.com/GitHub_Trending/li/librealsense创作声明：本文部分内容由AI辅助生成（AIGC），仅供参考
