1.一种基于毫米波雷达的多目标跟踪方法，其特征在于，包括以下步骤：S1：对毫米波雷达回波信号，通过信号处理和聚类算法，得到雷达聚类目标与杂波点迹；

S2：对已有雷达航迹进行航迹预测，计算航迹预测值与雷达聚类目标间的互联概率；并基于根据雷达聚类目标与航迹预测值的欧式距离对互联概率进行二次加权，得到雷达航迹与聚类目标间的数据关联矩阵；具体过程为：S2.1：基于已有雷达航迹，通过卡尔曼预测方程计算得到当前时刻的航迹预测值，并更新航迹最近更新时间；

S2.2：采用无偏量测转化技术将雷达聚类目标的状态参数转换到直角坐标系；

S2.3：计算雷达聚类目标与航迹预测值间的残差和协方差矩阵；

S2.4：由残差和协方差矩阵计算雷达聚类目标与航迹预测值间的高斯似然函数值；

S2.5：计算雷达聚类目标与航迹预测值的欧式距离；

S2.6：根据D‑CJPDA算法公式，由高斯似然函数值计算航迹预测值与聚类目标的互联概率，具体为：雷达聚类目标j与航迹预测值t的互联概率 为：其中， m为雷达聚类目标数量，T为已有雷达航迹数量， 为雷达聚类目标j与航迹预测值t间的高斯似然函数值，B为预设常数；

S2.7：根据雷达聚类目标与航迹预测值的欧式距离，对互联概率进行二次加权，得到雷达航迹与聚类目标间的数据关联矩阵；二次加权具体为：其中， 为二次加权后雷达聚类目标j与航迹预测值t间的互联概率， 表示权重；

分别表示雷达聚类目标j与航迹预测值的欧式距离、雷达聚类目标i与航迹预测值的欧式距离；

S3：以级联匹配为框架，针对雷达航迹与聚类目标间的数据关联矩阵通过KM匹配算法，得到匹配的雷达航迹与聚类目标；具体过程为：S3.1依最近更新时间由小到大顺序，针对每一个最近更新时间执行以下步骤：S3.1.1：针对最近更新时间相同的可靠航迹，将雷达航迹与聚类目标间的数据关联矩阵中对应可靠航迹的数据关联矩阵取出、并做归一化处理；

S3.1.2：采用KM匹配算法处理归一化后数据关联矩阵，对可靠航迹进行数据关联，即航迹与聚类目标的匹配；

S3.1.3：对匹配成功的可靠航迹，判断聚类目标与该航迹预测值的欧式距离是否小于预设阈值Th1，若是、则判定匹配成功，并将匹配目标从雷达聚类目标中删除；

S3.2：针对未匹配的可靠航迹与暂时航迹，通过KM匹配算法与剩余雷达聚类目标进行数据关联，得到匹配的航迹和雷达聚类目标；

S4：对未匹配的航迹，采用基于卡方分布的椭圆关联门算法进行航迹与杂波点迹的二次数据关联，得到匹配的航迹和雷达目标；

S5：对所有匹配的航迹，采用利用多普勒的卡尔曼滤波算法进行航迹更新；

S6：对未匹配的雷达聚类目标生成新的暂时航迹，并删除最新更新时间超过预设阈值Th3的航迹。

2.按权利要求1基于毫米波雷达的多目标跟踪方法，其特征在于，步骤S1中，具体过程为：S1.1：解析雷达采样数据为可处理回波数据：将二进制采样数据转换为十进制回波数据，并通过距离‑多普勒FFT变换得到距离‑多普勒频谱；

S1.2：对多元接收天线的距离‑多普勒频谱取模做非相参积累，并进行二维恒虚警检测，得到雷达测量点迹及其距离、速度；

S1.3：对多元接收天线的距离‑多普勒频谱，通过多重信号分类算法，估计每一个雷达测量点迹对应的方位角；

S1.4：针对每一个雷达测量点迹，根据其距离与方位角计算出该点迹在直角坐标系的位置，对转换后所有雷达测量点迹采用DBSCAN聚类算法进行点迹凝聚，得到雷达聚类目标与杂波点迹。

3.按权利要求1基于毫米波雷达的多目标跟踪方法，其特征在于，步骤S4中，二次数据关联具体为：计算杂波点迹与未匹配航迹间的马氏距离，并与自由度为3、置信度为0.97的卡方分布对应阈值进行比较，如果满足阈值，则数据关联成功。

4.按权利要求1基于毫米波雷达的多目标跟踪方法，其特征在于，步骤S5中，具体过程为：S5.1：对所有匹配成功的聚类目标，将其替换为隶属于该聚类目标的雷达观测点迹；

S5.2：针对每一个匹配成功的雷达航迹，将其对应的雷达观测点迹通过利用多普勒的概率数据关联滤波器(PDAF)进行航迹更新；

S5.3：更新航迹质量参数与航迹最近更新时间，并针对暂时航迹进行判定：若航迹质量参数超过预设阈值Th2、则将该航迹升级为可靠航迹。