1.一種融合FCN和多通道閾值分割的哺乳母豬圖像分割方法，其特征在于，包括以下步驟：

S1、采集母豬的視頻圖像，并建立母豬分割視頻圖像庫；

S2、建立FCN母豬分割模型，用該模型對測試圖像進行分割，獲取FCN母豬圖像分割結果；

S3、對FCN母豬圖像分割結果外接最小面積矩形框，并對該矩形框區域的灰度圖和H分量進行Otsu閾值分割，從而獲取閾值分割結果；

S4、將FCN母豬圖像分割結果和閾值分割結果進行融合，獲取母豬圖像的最終分割結果；

所述步驟S1的具體過程如下：

S11、數據采集：實時采集獲取俯視母豬視頻圖像；

S12、構建數據庫：剔除母豬身體缺失1/2以上、運動模糊的視頻幀，構建訓練集、驗證集和測試集；

S13、手工標注母豬圖像：手工標注出母豬在圖像中的所有像素點；

所述步驟S2的具體過程如下：

S21、設計FCN母豬分割模型結構；

S211、選擇卷積神經網絡；

S212、移除卷積神經網絡的分類層；

S213、設計與全連接層輸入數據同等尺寸的卷積核，并與卷積核輸入數據做卷積運算，將卷積神經網絡的所有全連接層轉化為卷積層；

S214、增加卷積層，對最高層池化層n進行1×1卷積運算，輸出維度為類別個數，得到該池化層n的預測結果score(n)，對預測結果score(n)進行反卷積，得到該池化層n的反卷積預測結果score_up(n)；

S215、對池化層n的上一層池化層n-1進行1×1卷積運算，輸出維度為類別個數，得到該池化層n-1的預測結果score(n-1)；

S216、將上述兩個結果score(n-1)與score_up(n)相加，并進行反卷積，得到該池化層n-1的反卷積預測結果score_up(n-1)；

S217、對池化層n-1的上一層池化層n-2進行1×1卷積運算，輸出維度為類別個數，得到該池化層n-2的預測結果score(n-2)；

S218、將上述兩個結果score(n-2)與score_up(n-1)相加，并進行反卷積，得到該池化層n-2的反卷積預測結果score_up(n-2)；

S219、最后增加一個用來進行損失計算的Loss層；

S22、訓練FCN母豬分割模型；

S221、對訓練集進行直方圖均衡化；

S222、在訓練集上訓練FCN母豬分割模型，以在ImageNet上訓練好的分類卷積神經網絡模型為預訓練模型，微調母豬分割網絡能夠加快收斂速度和防止過擬合；首次前向傳播時，如果預訓練模型和分割網絡結構中某層的名稱相同，則直接調用預訓練模型的該層參數，反之采用隨機高斯分布初始化該層參數；數據傳播到最后一層，根據母豬的實際標記結果計算損失，并采用隨機梯度下降法，不斷優化網絡參數，對母豬圖像進行有監督學習，以獲取最優全卷積網絡的連接權值和偏置值；

S23、利用FCN母豬分割模型對測試集圖像進行分割；

S231、對測試圖像進行直方圖均衡化；

S232、利用訓練好的FCN母豬分割模型對預處理后的測試圖像進行分割，提取母豬區域；

S233、對FCN的分割結果進行后處理，通過形態學和面積閾值填充空洞并移除小面積區域。