融合中值濾波與光流算法的云團(tuán)跟蹤算法

梁仕雄,侯北平

(浙江科技學(xué)院 自動(dòng)化與電氣工程學(xué)院,杭州 310023)

隨著光伏發(fā)電的普及和光伏并網(wǎng)容量的增加,短期發(fā)電功率波動(dòng)對(duì)電網(wǎng)產(chǎn)生沖擊的問(wèn)題日益凸顯,這給電力系統(tǒng)規(guī)劃和運(yùn)營(yíng)商帶來(lái)了巨大的挑戰(zhàn)。云團(tuán)運(yùn)動(dòng)將導(dǎo)致太陽(yáng)輻照度快速變化,而太陽(yáng)輻照度變化是干擾光伏發(fā)電系統(tǒng)輸出的主要因素。光伏發(fā)電系統(tǒng)輸出功率變化會(huì)對(duì)電網(wǎng)產(chǎn)生一定沖擊,而目前電網(wǎng)運(yùn)營(yíng)商對(duì)其變化控制能力有限[1-2]。通過(guò)研究太陽(yáng)輻照度對(duì)光伏發(fā)電的影響,可以緩解太陽(yáng)能普及帶來(lái)的運(yùn)行問(wèn)題[3]。短期太陽(yáng)輻照度預(yù)測(cè)模型通常以云團(tuán)運(yùn)動(dòng)速度作為主要參考因素,因此云團(tuán)運(yùn)動(dòng)預(yù)測(cè)越來(lái)越受到關(guān)注[4-5]。

短期太陽(yáng)輻照度與云團(tuán)結(jié)構(gòu)變化、運(yùn)動(dòng)方向和運(yùn)動(dòng)速度息息相關(guān)[6]。傳統(tǒng)獲取云團(tuán)運(yùn)動(dòng)矢量的方法需要先確定云團(tuán)的圖像特征,如亮度梯度、角點(diǎn)信息或溫度梯度[7],假設(shè)云團(tuán)特征在短時(shí)間內(nèi)沒(méi)有顯著變化,則使用應(yīng)用于連續(xù)圖像的模式匹配技術(shù)來(lái)計(jì)算云團(tuán)運(yùn)動(dòng)矢量。隨后假設(shè)云團(tuán)的速度、大小和形狀在一段時(shí)間內(nèi)保持不變,通過(guò)運(yùn)動(dòng)外推來(lái)估計(jì)未來(lái)的云團(tuán)運(yùn)動(dòng)情況[8]。然而,這些方法不能在較短的時(shí)間或空間尺度上進(jìn)行云團(tuán)運(yùn)動(dòng)估計(jì)?？紤]到空氣和云團(tuán)的高度可變性,為滿足實(shí)際應(yīng)用需求,高分辨率參數(shù)在算法中不可或缺,如小時(shí)、分鐘和實(shí)時(shí)云信息。因此,高分辨率的成像系統(tǒng)和能跟上云團(tuán)快速變化的工具和算法[9]對(duì)云團(tuán)跟蹤的研究很重要。

長(zhǎng)期以來(lái)衛(wèi)星圖像在云團(tuán)運(yùn)動(dòng)估計(jì)和跟蹤中被廣泛使用,但由于衛(wèi)星圖像覆蓋范圍廣、局部分辨率低等問(wèn)題,目前對(duì)特定區(qū)域云團(tuán)運(yùn)動(dòng)的研究往往采用TSI(totalskyimager,全天空成像儀)圖像即地基云圖,其優(yōu)點(diǎn)是局部信息量大、圖像分辨率高、圖像采樣率可調(diào),因此地基云圖在云團(tuán)檢測(cè)、短期運(yùn)動(dòng)跟蹤和估計(jì)方面被廣泛運(yùn)用。Yang等[10]采用互相關(guān)方法獲得整個(gè)云場(chǎng)的云團(tuán)運(yùn)動(dòng)平均矢量值,通過(guò)將云團(tuán)沿相應(yīng)的矢量方向移動(dòng)來(lái)預(yù)測(cè)短期云團(tuán)位置,類似非剛性配準(zhǔn)技術(shù)的云團(tuán)運(yùn)動(dòng)估計(jì)。文獻(xiàn)[11]和文獻(xiàn)[12]分別使用兩種不同的圖像處理算法在連續(xù)視頻幀上檢測(cè)云團(tuán),并跟蹤云團(tuán)的運(yùn)動(dòng);然后在獲取云團(tuán)的運(yùn)動(dòng)方向和速度后,估計(jì)出了云團(tuán)在短時(shí)間內(nèi)的位置;最后將估算的云位置信息納入估算過(guò)程,對(duì)短期內(nèi)的太陽(yáng)輻照度進(jìn)行預(yù)測(cè)。天空?qǐng)D像特征的加入提升了輻照度預(yù)測(cè)的準(zhǔn)確性。

針對(duì)現(xiàn)有方法中視頻幀處理存在的云團(tuán)識(shí)別率低、云團(tuán)邊緣信息丟失、跟蹤算法速度慢等問(wèn)題,本研究提出了一種融合中值濾波與光流算法的云團(tuán)跟蹤算法,并通過(guò)對(duì)比試驗(yàn)驗(yàn)證了算法的可行性。

1 地基云圖特征分析

地基云圖反映局部區(qū)域的云團(tuán)信息及底層云的信息,更容易觀測(cè)到局部區(qū)域內(nèi)云團(tuán)分布、運(yùn)動(dòng)和變化情況。因?yàn)橛^測(cè)到了云底部信息,就能更有效地判斷云團(tuán)的形狀、高度,從而為局部區(qū)域內(nèi)的氣象預(yù)測(cè)提供有力的支撐。

1.1 地基云圖數(shù)據(jù)

地基云圖數(shù)據(jù)采用高分辨率相機(jī)采集得到,并且未對(duì)太陽(yáng)進(jìn)行遮擋,采集的地基云圖見(jiàn)圖1。圖像視角為180°,能獲取全景天空的所有圖像特征信息。該采集系統(tǒng)采集圖像的速率為10 s/幀,1 min可以采集6幀。將采集到的圖像合成視頻集作為研究的數(shù)據(jù)。云團(tuán)跟蹤主要針對(duì)積云和卷云的跟蹤,并且云量(即云團(tuán)總量占視野范圍內(nèi)天空的比值)低于70%以內(nèi)。積云與卷云的運(yùn)動(dòng)對(duì)太陽(yáng)輻照度的變化影響明顯,當(dāng)云團(tuán)運(yùn)動(dòng)到太陽(yáng)位置處,太陽(yáng)輻照度大小急劇下降;當(dāng)云團(tuán)由遮擋太陽(yáng)到離開(kāi)太陽(yáng)位置時(shí),太陽(yáng)輻照度快速上升;當(dāng)一些云層較薄的云團(tuán)遮擋太陽(yáng)時(shí),太陽(yáng)輻照度變化波動(dòng)較小。

圖1 地基云圖Fig.1 Ground-based sky images

采用紅藍(lán)比閾值分割法對(duì)地基云圖進(jìn)行分割,分割出的云層區(qū)域用255像素值替換,背景天空區(qū)域及其他區(qū)域用0替換。由于分割出的圖像上存在噪點(diǎn),且云團(tuán)的邊緣信息不明確,因此需進(jìn)行濾波處理。

1.2 太陽(yáng)位置定位

首先對(duì)太陽(yáng)的位置定位,太陽(yáng)高度角α和方位角β計(jì)算公式分別如下:

(1)

式(1)中:δ為當(dāng)天的旋轉(zhuǎn)角度;φ為采集系統(tǒng)所處的緯度;γ為一天中某一個(gè)時(shí)間的角度;n為一年中的第n天;T為采集圖像的時(shí)刻。

2 優(yōu)化算法與算法流程

2.1 優(yōu)化中值濾波

傳統(tǒng)的中值濾波算法[13-14]雖然在圖像降噪方面性能較好,但部分圖像細(xì)節(jié)信息容易丟失,對(duì)圖像邊緣部分判別能力較低,邊緣還原度不能達(dá)到預(yù)期效果。

為解決上述問(wèn)題,本研究首先將圖像灰度化[15],對(duì)檢索框內(nèi)的元素與特定點(diǎn)的像素值作差求均值,通過(guò)給定閾值來(lái)判斷是否進(jìn)行中值替換。試驗(yàn)中檢索框的大小為5×5。定義當(dāng)前像素值為Iij,以Iij為中心的檢索框內(nèi)像素值定義為Fxy,x、y為框內(nèi)對(duì)應(yīng)像素點(diǎn)的坐標(biāo)值,當(dāng)前像素值與檢索框內(nèi)像素值的差的平均值L定義如下:

(2)

式(2)中:N為檢索框內(nèi)的像素點(diǎn)個(gè)數(shù)。平均距離的值可以反映當(dāng)前像素點(diǎn)和框內(nèi)其他像素點(diǎn)之間的相關(guān)性,當(dāng)平均距離L大于設(shè)定閾值T時(shí),用框內(nèi)像素點(diǎn)的中值替換當(dāng)前像素點(diǎn);當(dāng)平均距離L小于設(shè)定閾值時(shí),框內(nèi)中間像素值保持不變。

為了得到較好的云團(tuán)分割效果,根據(jù)云量的不同確定閾值。通過(guò)多次試驗(yàn)對(duì)比得出,當(dāng)云量低于25%時(shí),T值取20;當(dāng)云量超過(guò)25%且低于70%時(shí),T值取32。

2.2 光流算法理論推導(dǎo)

視頻幀通過(guò)上述操作處理后,可以將光流算法應(yīng)用于已處理的視頻序列。光流算法假設(shè)亮度強(qiáng)度在運(yùn)動(dòng)場(chǎng)中位移像素的鄰域不變,對(duì)應(yīng)光流約束方程描述如下:

I(x,y,t)=I(x+Δx,y+Δy,t+Δt)。

(3)

式(3)中:I(x,y,t)為第t幀(x,y)處像素梯度。用泰勒級(jí)數(shù)展開(kāi)式(3)的右側(cè)如下:

I(x+Δx,y+Δy,t+Δt)≈I(x,y,t)+IxΔx+IyΔy+ItΔt。

(4)

由式(3)式(4)可得:

Ixu+Iyv+It≈0。

(5)

式(5)中:u、v是光流速度。為了加快計(jì)算速度,假設(shè)相鄰像素點(diǎn)在5×5的領(lǐng)域內(nèi)具有相同的運(yùn)動(dòng),則

(6)

式(5)中需求解Ix、Iy和It。其中,Ix和Iy通過(guò)卷積掩碼求解,It為兩幀的時(shí)間差。

在沒(méi)有干擾的情況下式(5)成立。式(5)左邊表示誤差與理想值的接近程度,因此將誤差項(xiàng)L(u,v)定義如下:

L(u,v)=∑(Ixu+Iyv+It)2。

(7)

優(yōu)化目標(biāo)變?yōu)?/p>

(8)

式(8)中:O為優(yōu)化目標(biāo);p為某一像素點(diǎn)。對(duì)u和v分別求導(dǎo),結(jié)果如下:

(9)

令式(9)中兩式都等于0,得

(10)

為計(jì)算式(7)的最小值,由式(10)得

(11)

則

(12)

2.3 算法流程

算法流程如圖2所示,主要步驟包括讀取視頻幀序列、處理視頻的圖像序列和圖像上標(biāo)定跟蹤效果。其中圖像幀處理和跟蹤是核心步驟,圖像幀處理步驟分為太陽(yáng)位置定位,第k幀與k+1幀做云團(tuán)濾波、分割處理,隨后進(jìn)行云團(tuán)邊緣檢測(cè)及定位,最后通過(guò)光流算法計(jì)算出云團(tuán)速度。

圖2 算法流程Fig.2 Proposed algorithm flow

3 試驗(yàn)結(jié)果與分析

3.1 試驗(yàn)環(huán)境及跟蹤效果

采用Ubuntu18.04作為試驗(yàn)平臺(tái),CPU為雙路E5-2670v4,顯卡型號(hào)為RTX3090 24 GB,內(nèi)存為128 GB,固態(tài)硬盤容量為1 TB。

本研究算法云跟蹤效果圖見(jiàn)圖3。圖3(a)為視頻原始幀,上面是前一幀,下面是后一幀;圖3(b)為圖3(a)對(duì)應(yīng)的云團(tuán)檢測(cè)幀;圖3(c)為跟蹤效果展示。由圖3可知,無(wú)論是云團(tuán)檢測(cè)還是太陽(yáng)位置定位,都能達(dá)到預(yù)期目標(biāo),可以清晰地分出云團(tuán)塊,準(zhǔn)確定位云團(tuán)塊,這為對(duì)云團(tuán)跟蹤分析提供前提條件。

圖3 云跟蹤效果圖Fig.3 Cloud tracking renderings

3.2 有效性

為了驗(yàn)證本文算法的有效性,使用云量在0%～20%、>20%～50%、>50%～70%的云視頻序列進(jìn)行試驗(yàn),當(dāng)檢測(cè)云量超過(guò)70%后停止跟蹤。不同算法在不同云量下的跟蹤效果圖見(jiàn)圖4。當(dāng)云量在0%～20%時(shí),幾種算法都能準(zhǔn)確識(shí)別云團(tuán)位置和實(shí)時(shí)跟蹤。當(dāng)云量在>20%～50%時(shí),從跟蹤結(jié)果可以看出,本文算法能準(zhǔn)確檢測(cè)出云團(tuán)邊緣的輪廓,其效果明顯優(yōu)于ViBe(visual background extractor,視圖背景提取)算法[16]和塊匹配算法[17],并且在云團(tuán)塊的位置定位上也明顯優(yōu)于前兩種算法。當(dāng)云量高于50%時(shí),可以看到前兩種算法跟蹤的云團(tuán)塊和實(shí)際云團(tuán)塊有明顯偏差,而本文算法對(duì)云團(tuán)塊的識(shí)別和跟蹤依然保持較高的穩(wěn)定性。

圖4 不同算法在不同云量下的跟蹤效果圖Fig.4 Tracking renderings of different algorithms under different cloud cover

3.3 準(zhǔn)確性

不同算法對(duì)云團(tuán)跟蹤的準(zhǔn)確率如圖5所示,由圖可知,隨著云量的增多,幾種算法的準(zhǔn)確率都呈下降趨勢(shì),當(dāng)云量超過(guò)40%后,塊匹配算法的準(zhǔn)確率下降尤為明顯。本研究算法相比其他算法準(zhǔn)確率更高、穩(wěn)定性更強(qiáng),魯棒性好。

圖5 不同算法對(duì)云團(tuán)跟蹤的準(zhǔn)確率Fig.5 Accuracy of different algorithms for cloud tracking

幾種算法的試驗(yàn)對(duì)比結(jié)果見(jiàn)表1,由表可知,本研究算法在跟蹤數(shù)量與跟蹤效率兩方面都優(yōu)于其他3種算法,跟蹤效率比其他3種算法的平均值提升了約6.32百分點(diǎn)。

表1 試驗(yàn)對(duì)比結(jié)果

4 結(jié) 論

通過(guò)對(duì)云團(tuán)跟蹤算法的研究,我們提出了采用優(yōu)化的中值濾波對(duì)分割后的圖像進(jìn)行濾波處理,在濾除噪點(diǎn)的同時(shí)能保持圖像邊緣信息的完整性。本文算法在云團(tuán)邊緣檢測(cè)和云團(tuán)實(shí)時(shí)跟蹤上表現(xiàn)優(yōu)越,目標(biāo)跟蹤速率上相比傳統(tǒng)算法有明顯的提升,解決了傳統(tǒng)稠密光流算法跟蹤速率慢的問(wèn)題。