1.一种融合FCN和多通道阈值分割的哺乳母猪图像分割方法，其特征在于，包括以下步骤：S1、采集母猪的视频图像，并建立母猪分割视频图像库；

S2、建立FCN母猪分割模型，用该模型对测试图像进行分割，获取FCN母猪图像分割结果；

S3、对FCN母猪图像分割结果外接最小面积矩形框，并对该矩形框区域的灰度图和H分量进行Otsu阈值分割，从而获取阈值分割结果；

S4、将FCN母猪图像分割结果和阈值分割结果进行融合，获取母猪图像的最终分割结果；

所述步骤S1的具体过程如下：

S11、数据采集：实时采集获取俯视母猪视频图像；

S12、构建数据库：剔除母猪身体缺失1/2以上、运动模糊的视频帧，构建训练集、验证集和测试集；

S13、手工标注母猪图像：手工标注出母猪在图像中的所有像素点；

所述步骤S2的具体过程如下：

S21、设计FCN母猪分割模型结构；

S211、选择卷积神经网络；

S212、移除卷积神经网络的分类层；

S213、设计与全连接层输入数据同等尺寸的卷积核，并与卷积核输入数据做卷积运算，将卷积神经网络的所有全连接层转化为卷积层；

S214、增加卷积层，对最高层池化层n进行1×1卷积运算，输出维度为类别个数，得到该池化层n的预测结果score(n)，对预测结果score(n)进行反卷积，得到该池化层n的反卷积预测结果score_up(n)；

S215、对池化层n的上一层池化层n-1进行1×1卷积运算，输出维度为类别个数，得到该池化层n-1的预测结果score(n-1)；

S216、将上述两个结果score(n-1)与score_up(n)相加，并进行反卷积，得到该池化层n-1的反卷积预测结果score_up(n-1)；

S217、对池化层n-1的上一层池化层n-2进行1×1卷积运算，输出维度为类别个数，得到该池化层n-2的预测结果score(n-2)；

S218、将上述两个结果score(n-2)与score_up(n-1)相加，并进行反卷积，得到该池化层n-2的反卷积预测结果score_up(n-2)；

S219、最后增加一个用来进行损失计算的Loss层；

S22、训练FCN母猪分割模型；

S221、对训练集进行直方图均衡化；

S222、在训练集上训练FCN母猪分割模型，以在ImageNet上训练好的分类卷积神经网络模型为预训练模型，微调母猪分割网络能够加快收敛速度和防止过拟合；首次前向传播时，如果预训练模型和分割网络结构中某层的名称相同，则直接调用预训练模型的该层参数，反之采用随机高斯分布初始化该层参数；数据传播到最后一层，根据母猪的实际标记结果计算损失，并采用随机梯度下降法，不断优化网络参数，对母猪图像进行有监督学习，以获取最优全卷积网络的连接权值和偏置值；

S23、利用FCN母猪分割模型对测试集图像进行分割；

S231、对测试图像进行直方图均衡化；

S232、利用训练好的FCN母猪分割模型对预处理后的测试图像进行分割，提取母猪区域；

S233、对FCN的分割结果进行后处理，通过形态学和面积阈值填充空洞并移除小面积区域。

2.根据权利要求1所述的一种融合FCN和多通道阈值分割的哺乳母猪图像分割方法，其特征在于，所述步骤S3的具体过程如下：S31：对FCN的母猪分割结果外接小面积矩形框，并提取原始图像所在的矩形框区域；

S32：将提取的矩形框区域图像分别转换到灰度空间和HSV空间，通过对M幅不同光线，不同栏的母猪图像进行统计，获取小猪的平均灰度值作为灰度阈值，用以排除小猪区域；在H分量上使用Otsu方法计算H分量的色调阈值；按照以下公式提取母猪像素，其中STH(i，j)表示分割后的二值图，H(i，j)表示H分量，G(i，j)表示灰度图像，thh是色调阈值，thg是灰度阈值；

如果H分量的色调值大于色调阈值且灰度图像I上的灰度值大于灰度阈值，则将像素点标记1，否则标记为0，得到阈值分割结果，并进行后处理。

3.根据权利要求2所述的一种融合FCN和多通道阈值分割的哺乳母猪图像分割方法，其特征在于，所述步骤S4融合是将FCN的分割结果和阈值分割按照以下公式融合，其中SFCN(i，j)是FCN分割结果，STH(i，j)是多通道阈值分割结果，融合后进行后处理，获取最终分割结果I(i，j)；

4.根据权利要求1所述的一种融合FCN和多通道阈值分割的哺乳母猪图像分割方法，其特征在于，所述反卷积是指对输出数据进行上采样，上采样是通过双线性插值实现的。

5.根据权利要求1所述的一种融合FCN和多通道阈值分割的哺乳母猪图像分割方法，其特征在于，所述池化层n的预测结果score(n)是一副二维图，每个坐标点位置的值代表了每个类别的概率。

6.根据权利要求1所述的一种融合FCN和多通道阈值分割的哺乳母猪图像分割方法，其特征在于，所述训练集是指用来训练分割模型的数据集；所述验证集是指在训练过程中，用来优化网络结构参数的数据集，选择最优网络模型；所述测试集是指用来测试模型性能，并进行性能评价。