融合中值濾波與光流算法的云團跟蹤算法

梁仕雄,侯北平

(浙江科技學院 自動化與電氣工程學院,杭州 310023)

隨著光伏發電的普及和光伏并網容量的增加,短期發電功率波動對電網產生沖擊的問題日益凸顯,這給電力系統規劃和運營商帶來了巨大的挑戰。云團運動將導致太陽輻照度快速變化,而太陽輻照度變化是干擾光伏發電系統輸出的主要因素。光伏發電系統輸出功率變化會對電網產生一定沖擊,而目前電網運營商對其變化控制能力有限[1-2]。通過研究太陽輻照度對光伏發電的影響,可以緩解太陽能普及帶來的運行問題[3]。短期太陽輻照度預測模型通常以云團運動速度作為主要參考因素,因此云團運動預測越來越受到關注[4-5]。

短期太陽輻照度與云團結構變化、運動方向和運動速度息息相關[6]。傳統獲取云團運動矢量的方法需要先確定云團的圖像特征,如亮度梯度、角點信息或溫度梯度[7],假設云團特征在短時間內沒有顯著變化,則使用應用于連續圖像的模式匹配技術來計算云團運動矢量。隨后假設云團的速度、大小和形狀在一段時間內保持不變,通過運動外推來估計未來的云團運動情況[8]。然而,這些方法不能在較短的時間或空間尺度上進行云團運動估計?？紤]到空氣和云團的高度可變性,為滿足實際應用需求,高分辨率參數在算法中不可或缺,如小時、分鐘和實時云信息。因此,高分辨率的成像系統和能跟上云團快速變化的工具和算法[9]對云團跟蹤的研究很重要。

長期以來衛星圖像在云團運動估計和跟蹤中被廣泛使用,但由于衛星圖像覆蓋范圍廣、局部分辨率低等問題,目前對特定區域云團運動的研究往往采用TSI(totalskyimager,全天空成像儀)圖像即地基云圖,其優點是局部信息量大、圖像分辨率高、圖像采樣率可調,因此地基云圖在云團檢測、短期運動跟蹤和估計方面被廣泛運用。Yang等[10]采用互相關方法獲得整個云場的云團運動平均矢量值,通過將云團沿相應的矢量方向移動來預測短期云團位置,類似非剛性配準技術的云團運動估計。文獻[11]和文獻[12]分別使用兩種不同的圖像處理算法在連續視頻幀上檢測云團,并跟蹤云團的運動;然后在獲取云團的運動方向和速度后,估計出了云團在短時間內的位置;最后將估算的云位置信息納入估算過程,對短期內的太陽輻照度進行預測。天空圖像特征的加入提升了輻照度預測的準確性。

針對現有方法中視頻幀處理存在的云團識別率低、云團邊緣信息丟失、跟蹤算法速度慢等問題,本研究提出了一種融合中值濾波與光流算法的云團跟蹤算法,并通過對比試驗驗證了算法的可行性。

1 地基云圖特征分析

地基云圖反映局部區域的云團信息及底層云的信息,更容易觀測到局部區域內云團分布、運動和變化情況。因為觀測到了云底部信息,就能更有效地判斷云團的形狀、高度,從而為局部區域內的氣象預測提供有力的支撐。

1.1 地基云圖數據

地基云圖數據采用高分辨率相機采集得到,并且未對太陽進行遮擋,采集的地基云圖見圖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據。云團跟蹤主要針對積云和卷云的跟蹤,并且云量(即云團總量占視野范圍內天空的比值)低于70%以內。積云與卷云的運動對太陽輻照度的變化影響明顯,當云團運動到太陽位置處,太陽輻照度大小急劇下降;當云團由遮擋太陽到離開太陽位置時,太陽輻照度快速上升;當一些云層較薄的云團遮擋太陽時,太陽輻照度變化波動較小。

圖1 地基云圖Fig.1 Ground-based sky images

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

1.2 太陽位置定位

首先對太陽的位置定位,太陽高度角α和方位角β計算公式分別如下:

(1)

式(1)中:δ為當天的旋轉角度;φ為采集系統所處的緯度;γ為一天中某一個時間的角度;n為一年中的第n天;T為采集圖像的時刻。

2 優化算法與算法流程

2.1 優化中值濾波

傳統的中值濾波算法[13-14]雖然在圖像降噪方面性能較好,但部分圖像細節信息容易丟失,對圖像邊緣部分判別能力較低,邊緣還原度不能達到預期效果。

為解決上述問題,本研究首先將圖像灰度化[15],對檢索框內的元素與特定點的像素值作差求均值,通過給定閾值來判斷是否進行中值替換。試驗中檢索框的大小為5×5。定義當前像素值為Iij,以Iij為中心的檢索框內像素值定義為Fxy,x、y為框內對應像素點的坐標值,當前像素值與檢索框內像素值的差的平均值L定義如下:

(2)

式(2)中:N為檢索框內的像素點個數。平均距離的值可以反映當前像素點和框內其他像素點之間的相關性,當平均距離L大于設定閾值T時,用框內像素點的中值替換當前像素點;當平均距離L小于設定閾值時,框內中間像素值保持不變。

為了得到較好的云團分割效果,根據云量的不同確定閾值。通過多次試驗對比得出,當云量低于25%時,T值取20;當云量超過25%且低于70%時,T值取32。

2.2 光流算法理論推導

視頻幀通過上述操作處理后,可以將光流算法應用于已處理的視頻序列。光流算法假設亮度強度在運動場中位移像素的鄰域不變,對應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。用泰勒級數展開式(3)的右側如下:

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。為了加快計算速度,假設相鄰像素點在5×5的領域內具有相同的運動,則

(6)

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

在沒有干擾的情況下式(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L(u,v)定義如下:

L(u,v)=∑(Ixu+Iyv+It)2。

(7)

優化目標變為

(8)

式(8)中:O為優化目標;p為某一像素點。對u和v分別求導,結果如下:

(9)

令式(9)中兩式都等于0,得

(10)

為計算式(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位置定位,第k幀與k+1幀做云團濾波、分割處理,隨后進行云團邊緣檢測及定位,最后通過光流算法計算出云團速度。

圖2 算法流程Fig.2 Proposed algorithm flow

3 試驗結果與分析

3.1 試驗環境及跟蹤效果

采用Ubuntu18.04作為試驗平臺,CPU為雙路E5-2670v4,顯卡型號為RTX3090 24 GB,內存為128 GB,固態硬盤容量為1 TB。

本研究算法云跟蹤效果圖見圖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)對應的云團檢測幀;圖3(c)為跟蹤效果展示。由圖3可知,無論是云團檢測還是太陽位置定位,都能達到預期目標,可以清晰地分出云團塊,準確定位云團塊,這為對云團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%的云視頻序列進行試驗,當檢測云量超過70%后停止跟蹤。不同算法在不同云量下的跟蹤效果圖見圖4。當云量在0%～20%時,幾種算法都能準確識別云團位置和實時跟蹤。當云量在>20%～50%時,從跟蹤結果可以看出,本文算法能準確檢測出云團邊緣的輪廓,其效果明顯優于ViBe(visual background extractor,視圖背景提取)算法[16]和塊匹配算法[17],并且在云團塊的位置定位上也明顯優于前兩種算法。當云量高于50%時,可以看到前兩種算法跟蹤的云團塊和實際云團塊有明顯偏差,而本文算法對云團塊的識別和跟蹤依然保持較高的穩定性。

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 準確性

不同算法對云團跟蹤的準確率如圖5所示,由圖可知,隨著云量的增多,幾種算法的準確率都呈下降趨勢,當云量超過40%后,塊匹配算法的準確率下降尤為明顯。本研究算法相比其他算法準確率更高、穩定性更強,魯棒性好。

圖5 不同算法對云團跟蹤的準確率Fig.5 Accuracy of different algorithms for cloud tracking

幾種算法的試驗對比結果見表1,由表可知,本研究算法在跟蹤數量與跟蹤效率兩方面都優于其他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。

表1 試驗對比結果

4 結 論

通過對云團跟蹤算法的研究,我們提出了采用優化的中值濾波對分割后的圖像進行濾波處理,在濾除噪點的同時能保持圖像邊緣信息的完整性。本文算法在云團邊緣檢測和云團實時跟蹤上表現優越,目標跟蹤速率上相比傳統算法有明顯的提升,解決了傳統稠密光流算法跟蹤速率慢的問題。