1.一种基于视觉技术的多目标识别方法，其特征在于，该方法包括以下步骤：

获取牧场内羊群遥感图像；

获取牧场内羊群的遥感图像中若干个连通域；根据连通域内部分布情况，获取每个连通域的疑似羊群分布值；根据连通域的形状，以及疑似羊群分布值，获取连通域内的羊群紧挨程度；

对连通域进行多目标识别，得到连通域内若干个目标框以及对应的目标概率；根据连通域进行开运算前后的差异情况，获取连通域内每个目标框的只羊分割不准确性；根据目标框与其他目标框之间内部的连通域的边缘分布情况，以及只羊分割不准确性和目标概率，获取连通域内每个目标框的误检程度值；根据连通域内的羊群紧挨程度和目标框的误检程度值，获取连通域的综合羊只识别准确性；基于综合羊只识别准确性获取牧场内羊群进行多目标识别的卷积神经网络的最优步长参数；

基于最优步长的卷积神经网络对牧场内羊群遥感图像进行多目标只羊的识别；

所述根据连通域内部分布情况，获取每个连通域的疑似羊群分布值的具体方法为：

对第 个连通域进行腐蚀操作，得到第 个连通域腐蚀后被划分为多个连通域；并将第个连通域腐蚀后被划分为多个连通域的数量，作为第 个连通域内的疑似羊只数；将第个连通域内的疑似羊只数的归一化值与第 个连通域的面积之间的乘积，作为第 个连通域内的疑似羊群分布值；

所述根据连通域的形状，以及疑似羊群分布值，获取连通域内的羊群紧挨程度的具体方法为：

根据连通域的形状，获取连通域内的羊群之间缝隙显著度；

将第 个连通域内的羊群之间缝隙显著度的反比例归一化值与第 个连通域内的疑似羊群分布值的乘积，作为第 个连通域内的羊群紧挨程度。

2.根据权利要求1所述一种基于视觉技术的多目标识别方法，其特征在于，所述根据连通域的形状，获取连通域内的羊群之间缝隙显著度的具体方法为：第 个连通域的凸包面积与面积之间的差值，作为第 个连通域的空白区域面积；将第个连通域的空白区域面积与凸包面积的比值，作为第 个连通域内的羊群之间缝隙显著度。

3.根据权利要求1所述一种基于视觉技术的多目标识别方法，其特征在于，所述根据连通域进行开运算前后的差异情况，获取连通域内每个目标框的只羊分割不准确性的具体方法为：利用开运算对第 个连通域内第个目标框内的连通域进行腐蚀膨胀操作，得到开运算后第个目标框内的连通域；将第个目标框内的连通域的面积与开运算后第个目标框内的连通域的差值的绝对值，记为目标差值；

在对第 个连通域内第 个目标框内的连通域进行腐蚀操作，得到腐蚀后被划分为多个连通域中，将面积最大的连通域的中心位置与第 个目标框的中心位置之间的欧氏距离，记为目标距离；将目标差值与目标距离的乘积，作为第 个连通域内第 个目标框的只羊分割不准确性。

4.根据权利要求1所述一种基于视觉技术的多目标识别方法，其特征在于，所述根据目标框与其他目标框之间内部的连通域的边缘分布情况，以及只羊分割不准确性和目标概率，获取连通域内每个目标框的误检程度值的具体方法为：对于第 个连通域中任意两个目标框，选取目标概率大的目标框作为标准目标框，另一个作为对比目标框；利用图像金字塔技术将对比目标框进行缩放，直至与标准目标框为同等大小；

获取标准目标框与对比目标框之间的最终匹配相似度；

获取第 个连通域内第 个目标框与所有连通域内每个目标框之间的最终匹配相似度，将最终匹配相似度的最大值的反比例归一化值与第 个连通域内第 个目标框的只羊分割不准确性的乘积，作为第 个连通域内第 个目标框的误检程度值。

5.根据权利要求4所述一种基于视觉技术的多目标识别方法，其特征在于，所述获取标准目标框与对比目标框之间的最终匹配相似度的具体方法为：在标准目标框内选取竖直方向上，以标准目标框内部的连通域的边缘位置上最高的像素点为起点，顺时针获取标准目标框的链码序列；在对比目标框内选取竖直方向上，以对比目标框内部的连通域的边缘位置上最高的像素点为起点，顺时针获取对比目标框的链码序列；将标准目标框的链码序列与对比目标框的链码序列之间的DTW值的反比例归一化值，作为标准目标框与对比目标框之间的匹配相似度；

预设一个旋转参数 ，将对比目标框每次顺时针旋转 ，并在每次旋转后获取标准目标框与对比目标框之间的匹配相似度；在所有次旋转对应的标准目标框与对比目标框之间的匹配相似度中，将匹配相似度的最大值作为标准目标框与对比目标框之间的最终匹配相似。

6.根据权利要求1所述一种基于视觉技术的多目标识别方法，其特征在于，所述根据连通域内的羊群紧挨程度和目标框的误检程度值，获取连通域的综合羊只识别准确性的具体方法为：将第 个连通域的面积与第 个连通域内所有目标框内连通域的面积的累加和之间的差值绝对值，记为第一差值；将第 个连通域内所有目标框的误检程度值的均值与第 个连通域内的羊群紧挨程度的比值，记为第一比值；将第一差值与第一比值的乘积的反比例归一化值，作为第 个连通域的综合羊只识别准确性。

7.根据权利要求1所述一种基于视觉技术的多目标识别方法，其特征在于，所述基于综合羊只识别准确性获取牧场内羊群进行多目标识别的卷积神经网络的最优步长参数的具体方法为：对于任意一个步长参数的卷积神经网络，在利用所述任意一个步长参数的卷积神经网络对牧场内羊群的遥感图像进行多目标识别时，将牧场内羊群的遥感图像中所有连通域的综合羊只识别准确性的均值，作为所述任意一个步长参数的卷积神经网络的优选程度；

预设一个初始最大步长参数 和一个最小步长参数 ，将卷积神经网络的步长参数从 开始逐步减小至 ，获取每个步长参数的卷积神经网络的优选程度；将优选程度最大的步长参数，作为牧场内羊群进行多目标识别的卷积神经网络的最优步长参数。

8.一种基于视觉技术的多目标识别系统，包括存储器、处理器以及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1‑7任一项所述的一种基于视觉技术的多目标识别方法的步骤。