1.一种车载毫米波雷达目标分类方法，其特征在于，包括：

对预获取的雷达目标回波信号进行向量均值相消，滤除静止杂波；

对滤除静止杂波的雷达目标回波信号进行速度维和距离维的快速傅里叶变换，获取雷达目标距离‑多普勒图像；

将所述雷达目标距离‑多普勒图像输入至预构建的轻量化目标分类模型进行特征提取，并进行目标分类，获取目标分类结果；

其中，所述轻量化目标分类模型是根据预获取的Ghost模块和MobileNetV3网络模型构建的。

2.根据权利要求1所述的车载毫米波雷达目标分类方法，其特征在于，对预获取的雷达目标回波信号进行向量均值相消，滤除静止杂波包括：将预获取的雷达目标回波信号表示为矩阵；

对所述矩阵的各行值求平均值，获取包含所述矩阵的各行平均值的列向量；

将所述矩阵的每一列消去包含所述矩阵的各行平均值的列向量，完成对所述雷达目标回波信号的向量均值相消，滤除静止杂波。

3.根据权利要求1所述的车载毫米波雷达目标分类方法，其特征在于，根据预获取的Ghost模块和MobileNetV3网络模型构建轻量化目标分类模型包括：根据预获取的Ghost模块，构建G‑Bottleneck模块；

对预获取的MobileNetV3网络模型进行删改，获取MobileNet11网络模型；

利用所述G‑Bottleneck模块替换所述MobileNet11网络模型中的Bottleneck模块，并利用所述Ghost模块替换所述MobileNet11网络模型中卷积核大小为1×1的Conv2d卷积操作，获取轻量化目标分类模型。

4.根据权利要求3所述的车载毫米波雷达目标分类方法，其特征在于，根据预获取的Ghost模块，构建G‑Bottleneck模块包括：利用预获取的Ghost模块对输入数据进行升维操作；

在所述Ghost模块后连接深度可分离卷积，对经过所述升维操作的数据进行深度可分离卷积操作；

在所述深度可分离卷积后连接Ghost模块，对经过所述深度可分离卷积操作的数据进行降维操作，获取输出数据；

由连接的Ghost模块、深度可分离卷积、Ghost模块构成G‑Bottleneck模块。

5.根据权利要求4所述的车载毫米波雷达目标分类方法，其特征在于，利用所述G‑Bottleneck模块替换所述MobileNet11网络模型中的Bottleneck模块后，所述G‑Bottleneck模块的输入数据为其前一模块输出的图像特征，所述G‑Bottleneck模块的输出数据为进入其下一模块的图像特征。

6.根据权利要求4所述的车载毫米波雷达目标分类方法，其特征在于，所述深度可分离卷积的卷积核为3×3，所述深度可分离卷积操作的步长为1或2，若所述深度可分离卷积操作的步长为1，则所述G‑Bottleneck模块有残差连接，若所述深度可分离卷积操作的步长为

2，则所述G‑Bottleneck模块无残差连接。

7.根据权利要求3所述的车载毫米波雷达目标分类方法，其特征在于，对预获取的MobileNetV3网络模型进行删改，获取MobileNet11网络模型包括：对预获取的MobileNetV3网络模型进行删改，保留其Conv2d卷积操作和池化操作以及Conv2d卷积操作和池化操作之间的7个Bottleneck模块，并将最后5个Bottleneck模块的扩充倍数从6降为3，使用LeakyReLU激活函数，获取MobileNet11网络模型。

8.一种车载毫米波雷达目标分类装置，其特征在于，包括：

数据预处理模块：用于对预获取的雷达目标回波信号进行向量均值相消，滤除静止杂波；

图像获取模块：用于对滤除静止杂波的雷达目标回波信号进行速度维和距离维的快速傅里叶变换，获取雷达目标距离‑多普勒图像；

目标分类模块：用于将所述雷达目标距离‑多普勒图像输入至预构建的轻量化目标分类模型进行特征提取，并进行目标分类，获取目标分类结果；

其中，所述轻量化目标分类模型是根据预获取的Ghost模块和MobileNetV3网络模型构建的。

9.一种系统，其特征在于，包括处理器及存储介质；

所述存储介质用于存储指令；

所述处理器用于根据所述指令进行操作以执行根据权利要求1～7任一项所述方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现权利要求1～7任一项所述方法的步骤。