1.一种基于改进Faster‑R‑CNN的哺乳母猪姿态识别方法，其特征在于，包括以下步骤：S1、采集哺乳母猪的RGB‑D视频图像，并建立母猪姿态识别深度视频图像库；

S2、对基础ZF网络增加深度、并引入残差结构，设计成具有高精度、实时性和鲁棒性的CNN网络结构；

S3、使用设计的CNN网络结构，构建Faster‑R‑CNN模型结构，并对Faster‑R‑CNN模型结构引入Center Loss监督信号，与SoftmaxLoss联合构成分类损失函数，最终建立改进的Faster‑R‑CNN母猪姿态识别模型；

S4、使用训练集训练Faster‑R‑CNN母猪姿态识别模型，使用测试集测试模型性能，最终筛选最佳性能模型，用于哺乳母猪姿态识别；

所述步骤S1的具体过程如下：

S11、RGB‑D视频图像数据采集：通过三脚架将RGB‑D传感器固定俯视拍摄获取RGB‑D图像；

S12、深度图像预处理：对采集到的深度视频图像，用中值滤波器去除大量干扰噪声，用限制对比度自适应直方图均衡化进行增强；

S13、构建深度视频图像数据库：对每小段不同姿态的视频图像数据随机抽取一帧，获得站立、坐立、俯卧、腹卧和侧卧五类姿态原始训练样本集和测试集；

S14、准备训练样本：对原始训练样本集中图像进行母猪外包围框标注和类别标注，再对标注后的样本图像进行90度、180度、270度、水平镜像和垂直镜像扩增，获得训练样本集。

2.根据权利要求1所述的基于改进Faster‑R‑CNN的哺乳母猪姿态识别方法，其特征在于，所述步骤S2的具体过程如下：S21、选择使用基础卷积神经网络ZF网络；

S22、对ZF网络中添加卷积核大小为3×3、步长为1，且通道数与上层相同的卷积层，增加网络深度；

S23、对加深后的网络以输入和输出特征图通道数相同两层卷积为一组，通过捷径连接，构造残差结构；

S24、卷积层激活函数使用PReLU。

3.根据权利要求2所述的基于改进Faster‑R‑CNN的哺乳母猪姿态识别方法，其特征在于，所述步骤S3的具体过程如下：S31、利用改进后的CNN结构构建Faster‑R‑CNN网络结构，以其卷积层作为Faster‑R‑CNN的共享卷积层部分，其全连接层作为Fast‑R‑CNN检测器的全连接层部分；

S32、将Center Loss与Fast‑R‑CNN的SoftmaxLoss监督信号联合构建分类损失函数：Ls即是SoftmaxLoss函数，Lc即为Center Loss函数，λ在式中用于平衡两个损失函数，xid

∈R表示第yi类的第i张图片的特征，m为训练过程中mini‑batch的数量， 表示第yid d*n n

类的特征的中心，Wj∈R 表示在最后一个全连接层中权值矩阵W∈R 的第j列，b∈R为偏置值，其中n为类别数量，d为特征维度；

S33、由RPN生成的同一类感兴趣区域特征的平均值计算获得特征中心 在每小批量数据训练中，特征中心 仅更新一次，并使用标量权值参数α∈[0，1]控制 的学习率进行更新：

其中，t表示为第t次迭代，同时当条件(yi＝j)成立时δ(yi＝j)＝1，否则δ(yi＝j)＝0。

4.根据权利要求3所述的基于改进Faster‑R‑CNN的哺乳母猪姿态识别方法，其特征在于，所述步骤S4的具体过程如下：S41、利用已建立的数据库中的训练样本集作为训练数据，测试集作为模型性能测试数据；

S42、对Faster‑R‑CNN网络结构中共享的卷积层以Xavier进行随机初始化，而RPN特有的卷积层以及网络中的全连接层则以零均值、标准差为0.01的高斯分布随机初始化；

2 2 2

S43、对RPN网络，在每个滑动窗口位置取3种面积尺度{96 ，192 ，384}及3种长宽比{1∶

1,1∶3,3∶1}的9个锚点，以实现母猪多尺度和多方向的姿态识别；

S44、使用小批量的随机梯度下降法，对Faster‑R‑CNN以端对端的联合方式进行训练，‑4

设置mini‑batch大小为256，冲量为0.9，权值的衰减系数为5 ，最大迭代次数为8万次，其中‑4 ‑5

前5万次学习率为10 ，后3万次学习率为10 ；在5万次迭代后，每隔1万次保留一个模型，通过测试集测试，最终选取精度最高的模型。

5.根据权利要求1所述的一种基于改进Faster‑R‑CNN的哺乳母猪姿态识别方法，其特征在于，所述步骤S11的RGB‑D传感器是指Kinect2.0传感器。

6.根据权利要求2所述的一种基于改进Faster‑R‑CNN的哺乳母猪姿态识别方法，其特征在于，所述步骤S22的基于ZF网络添加的卷积层，添加位置是在Conv2层、Conv3层或Conv4层之后，添加一层或两层。

7.根据权利要求2所述的一种基于改进Faster‑R‑CNN的哺乳母猪姿态识别方法，其特征在于，所述步骤S23的输入和输出特征图通道数相同两层卷积为一组。