1.一种基于展宽计算的车载毫米波雷达目标识别方法，其特征在于，包括：

获取接收到的雷达回波信号，对所述雷达回波信号的空间分布信息和多普勒信息进行提取，得到距离‑多普勒二维矩阵；

对所述距离‑多普勒二维矩阵的数据进行目标检测，得到目标点迹的特征数据；

根据预设聚类算法对所述特征数据进行聚类，得到所述目标的聚类数据；

根据所述距离‑多普勒二维矩阵从所述聚类数据中提取目标特征，根据所述目标特征构建特征样本数据；其中，所述目标特征包括所述聚类数据中幅度最大点迹的多普勒展宽和所述聚类数据中幅度最大点迹的距离展宽；

根据所述特征样本数据对目标识别模型进行训练，构建所述目标识别模型；

当从所述聚类数据中提取所述聚类数据中幅度最大点迹的多普勒展宽时，所述根据所述距离‑多普勒二维矩阵从所述聚类数据中提取目标特征，根据所述目标特征构建特征样本数据，包括：确定所述聚类数据中具有最大幅度的点迹为基准点迹；查找位于所述距离‑多普勒二维矩阵中所述基准点迹对应的多普勒维和距离维的展宽计算范围内的点；根据查找到的点计算所述基准点迹的多普勒展宽；其中，所述距离‑多普勒二维矩阵中所述多普勒维的坐标为多普勒单元，所述距离维的坐标为距离单元；

计算聚类数据中幅度最大点迹的多普勒展宽包括；

步骤11、获取基准点迹在距离‑多普勒二维矩阵中的坐标位置[dopplerBin,rangeBin]；

步骤12、根据所述目标的特性限定设定参考单元数N，且N为奇数；初始化循环变量i＝‑(N‑1)/2；多普勒展宽D_e＝0；

步骤13、计算临时变量rdmT＝RDM[dopplerBin,rangeBin]；tem1＝RDM[dopplerBin+i,rangeBin‑1]，tem2＝RDM[dopplerBin+i,rangeBin]，tem3＝RDM[dopplerBin+i,rangeBin+

1]，RDM[dopplerBin,rangeBin]为在距离‑多普勒二维矩阵中坐标位置为[dopplerBin,rangeBin]的点的幅值信息；

步骤14、若tem1大于rdmT,tem1＝tem1*rdmT/(tem1+rdmT)；若tem2大于rdmT,tem2＝tem2*rdmT/(tem2+rdmT)；若tem3大于rdmT,tem3＝tem3*rdmT/(tem3+rdmT)；

步骤15、若tem1小于rdmT，tem2小于rdmT，tem3小于rdmT，则执行步骤16；

步骤16、计算多普勒展宽D_e＝D_e+mean([tem1/rdmT，tem2/rdmT，tem3/rdmT])，mean表示求平均；

步骤17、判断i是否小于(N‑1)/2，如果是则i＝i+1，并返回执行步骤13，否则执行步骤

18；

步骤18、确定聚类数据中具有最大幅度的点迹的多普勒展宽为D_e；

当从所述聚类数据中提取所述聚类数据中幅度最大点迹的距离展宽时，所述根据所述距离‑多普勒二维矩阵从所述聚类数据中提取目标特征，根据所述目标特征构建特征样本数据，包括：确定所述聚类数据中具有最大幅度的点迹为基准点迹；查找位于所述距离‑多普勒二维矩阵中所述基准点迹对应的多普勒维和距离维的展宽计算范围内的点；根据查找到的点计算所述基准点迹的距离展宽。

2.如权利要求1所述的基于展宽计算的车载毫米波雷达目标识别方法，其特征在于，所述目标特征还包括所述聚类数据的目标平均速度、所述聚类数据中不同点迹速度差值的最大值和所述聚类数据中不同点迹距离差值的最大值。

3.如权利要求1所述的基于展宽计算的车载毫米波雷达目标识别方法，其特征在于，所述根据查找到的点计算所述基准点迹的多普勒展宽或距离展宽，包括：对于每一组所述多普勒单元或所述距离单元相同的若干所述查找到的点，若所述若干查找到的点的幅值均大于所述基准点迹的幅值，则根据所述基准点迹的幅值对所述若干查找到的点的幅值进行限制幅度计算，并计算幅度限制后的所述若干查找到的点的均值，将计算得到的均值累加至多普勒展宽或距离展宽中；

对于每一组所述多普勒单元或所述距离单元相同的若干所述查找到的点，若所述若干查找到的点的幅值均小于所述基准点迹的幅值，则计算所述若干查找到的点的均值，将计算得到的均值累加至多普勒展宽或距离展宽中；

遍历所有位于所述距离‑多普勒二维矩阵中所述基准点迹对应的展宽计算范围内的点，得到所述基准点迹的多普勒展宽或距离展宽。

4.如权利要求3所述的基于展宽计算的车载毫米波雷达目标识别方法，其特征在于，当从所述聚类数据中提取所述聚类数据中幅度最大点迹的多普勒展宽时，在所述距离‑多普勒二维矩阵中所述基准点迹对应的展宽计算范围包括以所述基准点迹为中心在多普勒维以及距离维的点；且根据所述目标的特性限定所述展宽计算范围中所述多普勒维的范围。

5.如权利要求4所述的基于展宽计算的车载毫米波雷达目标识别方法，其特征在于，当从所述聚类数据中提取所述聚类数据中幅度最大点迹的距离展宽时，在所述距离‑多普勒二维矩阵中所述基准点迹对应的展宽计算范围包括以所述基准点迹为中心在多普勒维以及距离维的点；且根据所述目标的特性限定所述展宽计算范围中所述距离维的范围。

6.如权利要求5所述的基于展宽计算的车载毫米波雷达目标识别方法，其特征在于，所述根据所述特征样本数据对目标识别模型进行训练，构建所述目标识别模型，包括：通过交叉验证的方式将所述特征样本数据划分为训练数据和测试数据；

根据所述训练数据对目标识别模型进行训练构建所述目标识别模型，以进行目标识别；

将所述测试数据输入所述目标识别模型，以对所述目标识别模型进行测试。

7.如权利要求6所述的基于展宽计算的车载毫米波雷达目标识别方法，其特征在于，在根据所述特征样本数据对目标识别模型进行训练，构建所述目标识别模型之后，还包括：对于接收到的每帧雷达回波信号，对所述雷达回波信号的空间分布信息和多普勒信息进行提取，得到距离‑多普勒二维矩阵；

对所述距离‑多普勒二维矩阵的数据进行目标检测，得到目标点迹的特征数据；

根据预设聚类算法对所述特征数据进行聚类，得到所述目标的聚类数据；

根据所述距离‑多普勒二维矩阵从所述聚类数据中提取目标特征，将所述目标特征输入所述目标识别模型，得到目标识别结果。

8.如权利要求7所述的基于展宽计算的车载毫米波雷达目标识别方法，其特征在于，在根据所述距离‑多普勒二维矩阵从所述聚类数据中提取目标特征，将所述目标特征输入所述目标识别模型，得到目标识别结果之后，还包括：若在连续三帧所述雷达回波信号中存在两帧所述雷达回波信号对应的目标识别结果相同，则雷达检测的目标为所述目标识别结果。

9.如权利要求1‑6任一项所述的基于展宽计算的车载毫米波雷达目标识别方法，其特征在于，所述特征数据包括距离、速度、角度和幅度。