1.一种基于深度特征学习的软组织表面运动跟踪方法，其特征在于，包括以下步骤：(1)、对内窥镜视觉采集设备获取的软组织表面的N帧图像进行去噪和灰度处理，处理完成后，将第i帧内窥镜图像记作Fi，i＝1,2,…,N；

(2)、在步骤(1)的基础上，使用OpenCV库中的SimpleBlobDetector提取每帧图像中的斑点，作为特征点；

(3)、在第一帧内窥镜图像F1中运用delaunay三角剖分算法，以检出的特征点为顶点构造三角网格；

(4)、在后续Fi中，i＝2,3,…,N，根据检出的特征点的位置坐标，对F1中的三角形逐个进行匹配；设F1中当前待匹配三角形为abc，具体匹配步骤如下：(4.1)、在后续Fi中搜索满足长度和角度约束的候选匹配点，并组成三角形abc的若干候选三角形；

(4.1.1)、设置长度和角度的约束条件：||La'b'‑Lab||≤ΔLab   (1)||La'c'‑Lac||≤ΔLac   (2)||θa‑θa'||≤Δθ   (3)其中，Lab表示待匹配三角形的边ab之间的像素距离，θa表示待匹配三角形顶点a的夹角，La'b'表示候选三角形的边a'b'之间的像素距离，θa'表示候选三角形顶点a'的夹角，ΔLab、ΔLac和Δθ为设定的最大形变参数；

(4.1.2)、在后续Fi中，若待匹配三角形abc的三个顶点均未匹配，则在Fi中以F1的顶点a坐标为圆心，搜索半径为Δd内的所有特征点作为顶点a的候选匹配顶点，记为a'；

若待匹配三角形的某一个顶点已匹配，设顶点a'已匹配顶点a，则在Fi中搜索满足长度和角度约束公式(1)、(2)、(3)的所有候选特征点对{b',c'}，作为顶点b和c的候选匹配点，再与顶点a'组合构成若干候选三角形；

若待匹配三角形的某两个顶点匹配，设顶点a'、b'已匹配顶点a、b，则在Fi中搜索满足长度和角度约束公式(2)、(3)的所有特征点作为顶点c的候选匹配点，记为c'，再与a'、b'构成若干候选三角形；

(4.2)、计算每个候选三角形的像素匹配代价；

(4.2.1)、计算F1中待匹配三角形abc内每个像素点的重心坐标；

设(xa,ya)、(xb,yb)、(xc,yc)分别为顶点a、b、c的像素坐标，(xp,yp)为待匹配三角形内任一像素点p的像素坐标，那么点p在待匹配三角形内的重心坐标(α,β,γ)为：(4.2.2)、计算像素点p在每个候选三角形中对应点p'的像素坐标；

(4.2.3)、在后续Fi中，通过双线性插值求出每个候选三角形中对应点p'的像素值Fi(p')，再与F1中对应点p的像素值F1(p)计算出每个候选三角形的均方根误差，并作为匹配该候选三角形的匹配代价；

其中，M为待匹配三角形内像素点的个数；

(4.3)、选出匹配代价满足ΔEi≤ε的有效候选三角形，ε为设定阈值；若有效候选三角形数量大于等于1，则在其中选择匹配代价ΔEi最小的三角形作为待匹配三角形abc的匹配三角形，从而确定F1和Fi中相应顶点的匹配关系；若有效候选三角形数量为0，则表示Fi中不存在与待匹配三角形abc相匹配的特征点，结束当前三角形的匹配。

(4.4)选取F1三角网格中的下一个未匹配三角形作为当前待匹配三角形abc，然后重复步骤(4.1)～(4.4)，直至遍历F1中的所有三角形，完成F1和Fi相应特征点的匹配；

(5)、构建训练样本集

在前N帧图像中，以特征点为中心截取M*M大小的图像块，两两组合构造正样本与负样本，其中，正样本中的特征点为互相匹配的两个三角形的对应顶点，标记为1；负样本中的特征点为互相不匹配的两个三角形的对应顶点，标记为0；最后将所有的正、负样本构建训练样本集；

(6)、构建深度匹配网络；

深度匹配网络包括双塔结构的两个相同的特征提取网络和度量网络；其中，每个特征提取网络又包括：预处理层和5个卷积层与三个下采样层；预处理层将图像像素值归一化到(0,1)之间，5个卷积层的参数分别设置为64个7*7的卷积核，32个5*5的卷积核，16个3*3的卷积核，16个3*3的卷积核，16个3*3的卷积核，三个下采样层采用2*2的最大值池化；度量网络由3层全连接层组成，前两层采用ReLU激活函数，第三层也为输出层，采用Sigmoid激活函数，用于计算图像块对的匹配值；

(7)、训练深度匹配网络

从训练样本集中选取大小为batchsize个的正、负样本构建一组训练样本，每一个batchsize中正负样本数相等；

将一组训练样本输入至深度匹配网络，预处理层将正负样本的像素值归一化到(0,1)，每个样本预处理后，将两张M*M大小图片分别输入双塔结构的一个分支，经过5个卷积层与三个下采样层依次处理后，输出两张图片的特征向量；

两个特征向量串联在一起作为度量网络的输入，再经过三个全连接层的缩放，由第三层的全连接层输出一个二维向量，将这个二维向量通过Sigmoid激活函数激活，计算出两张图片匹配的概率值

基于最小化交叉熵损失函数计算交叉熵；

其中，n表示每一个batchsize中图片对的个数，yi表示输入图片对的标签值，图像对匹配时标签值取1，图像对不匹配时标签值取0，为图片对匹配的概率值；

根据交叉熵更新网络权重，然后继续输入下一组训练样本，并重复上述训练过程，经过epoch组训练完成后，判断图片对匹配的概率值是否达到准确率99％，如果达到，则训练完成，否则，继续进行下一轮训练，直到图片对匹配的概率值达到准确率99％时训练结束；

(8)、软组织表面运动的实时跟踪

(8.1)、对后续图像帧Fi，i＞N，利用步骤(2)所述方法检测出特征点；

(8.2)、将F1和Fi中特征点所对应图像块两两组合输入至深度匹配网络，将计算出特征点的匹配概率；

(8.3)、构建F1和Fi中特征点之间的匹配矩阵；

匹配矩阵的每行对应F1中的一个特征点，每列对应Fi中的一个检出特征点，匹配矩阵的元素通过匹配概率按行列对应关系填入；

(8.4)、根据匹配矩阵，选取每行得分最高且超过设定阈值的列作为匹配特征点，完成特征点在帧间的跟踪，若匹配概率均小于设定阈值，则表示该特征点在该帧中未检出能够匹配的特征点。