[发明专利]一种基于RPN的视盘定位方法

权利要求书

1.一种基于RPN的视盘定位方法，其特征在于：所述方法包括基于深度卷积神经网络的眼底图像整体特征提取、基于RPN网络的视盘区域初步检测、基于深度卷积神经网络的视盘候选区域进行位置精修；

所述的基于深度卷积神经网络的眼底图像整体特征提取，所述深度卷积神经网络作为整个网络模型的基础网络，共分为五层，由卷积层、激活层和池化层交替构成的深度结构，隐式地从给定的眼底图像数据中进行参数学习；

所述的基于RPN网络的视盘区域初步检测，RPN网络生成目标的候选区域信息，包括目标类别、置信度和位置信息；

所述的基于深度卷积神经网络的视盘候选区域进行位置精修，深度卷积神经网络由全连接层组成，对上一阶段得到的候选区域进行深层特征提取，输入区域在网络中进行层层映射，得到不同的表示形式，提取其抽象特征，从而实现对候选区域的位置精修，得到视盘定位的结果。

2.如权利要求1所述的一种基于RPN的视盘定位方法，其特征在于：所述的基于深度卷积神经网络的眼底图像整体特征提取中，通过卷积操作，使原信息增强并减少噪声；通过池化操作，利用图像局部相关性的原理，对图像进行子抽样，在保留图像有用信息的基础上减少数据的处理量；

网络接受任意尺寸的眼底图像作为输入，网络结构如下：第一个卷积层Conv1的卷积核个数为96，大小为7×7×3，卷积步长为2，填充值为3；第一个池化层(Pool1)的池化核为7×7×3，池化步长为2，填充值为1；随后进行ReLU激活层处理；第二个卷积层Conv2有256个卷积核，大小为5×5×96，步长为2，填充值为2；第二池化层Pool2的池化核为7×7×96，步长为2，填充值为1；随后进行ReLU激活层处理；第三个卷积层Conv3有384个卷积核，大小为3×3×256，填充值为1；随后进行ReLU激活层处理；第四个卷积层Conv4有384个卷积核，大小为3×3×384，填充值为1；随后进行ReLU激活层处理；第五个卷积层Conv5有256个卷积核，大小为3×3×384，填充值为1；随后进行ReLU激活层处理；

经过这五层的特征提取，每张眼底图像得到256张特征图，作为RPN网络的输入。