1.一种复杂背景下的复值U型分割网络多帧联合检测前跟踪方法，具体步骤如下：S1、构建复值U型分割网络模型；所述复值U型分割网络模型包括：左侧的编码器层和右侧的解码器层；且所述复值U型分割网络模型在网络训练阶段采用 Dice_CELoss作为损失函数；S2、在不同复杂噪声背景条件下生成毫米波雷达的训练数据集与标签集，训练数据集进行3D-FFT信号处理后得到RDA立方体训练集，与标签集一同输入复值U型分割网络模型进行网络训练得到模型最优权值；S3、对实际雷达设备接收到的雷达原始数据依次逐帧进行3D-FFT信号处理后得到对应的RDA立方体，输入复值U型分割网络，利用步骤S2得到的最优权值进行预测，得到雷达量测置信度立方体；S4、基于步骤S3得到的雷达量测置信度立方体 ，进行置信度提取，实现从三维置信度到二维X-Y置信度平面的转换，并确定目标点迹状态转移范围；S5、基于MF-TBD算法框架，联合处理多帧X-Y置信度平面数据，最后通过门限判决与航迹回溯，得到目标航迹，实现对多帧数据的联合检测和跟踪。
2.根据权利要求1所述的一种复杂背景下的复值U型分割网络多帧联合检测前跟踪方法，其特征在于，所述步骤S1中，所述复值U型分割网络模型各模块设计具体如下：（1）编码器层；编码器层每一阶段由特征提取模块UX-Net Block和下采样层重复组合而成，该过程表达式如下： （1）；其中， 表示特征提取模块， 表示下采样处理， 、 分别表示第 层输入与输出特征，且 ；特征 、 、 、 和 的尺寸分别为 、 、 、 和 ，从上到下分辨率逐步下降，通道数依次翻倍；其中， 分别表示RDA立方体 维度的长度；（2）特征提取模块；所述特征提取模块中包括两个大核卷积块构成，模块内第一层大核卷积块包括：大核卷积DWC、深度卷积缩放DCS、残差连接及高斯误差线性单元GELU，第二层大核卷积块包括：大核卷积DWC、深度卷积缩放DCS、残差连接；两大核卷积块块之间的关系表达式如下： （2）；其中， 和 分别表示第 层大核卷积和第 层的大核卷积块的输出， 表示层归一化处理， 表示GELU激活函数，大核卷积 的大小为 ，深度卷积缩放 的核大小为 ，且输入输出 大小为相应编码层特征大小，特征提取模块中，不改变特征维度大小；（3）解码器层；解码器中的每个阶段的多尺度输出通过残差块连接到解码器层，并与上一阶段的特征上采样结果进行融合，阶段数与编码器层相对应，该过程表达式如下： （3）；其中， 表示残差处理，包括两个经过归一化的 卷积层， 表示上采样， 表示第 层编码器输出特征， 表示第 层解码器输出特征， 、 、 、 和 的尺寸分别为 、 、 、 和 ，从下到上分辨率逐步提高，通道数依次减半；（4）残差模块；残差模块包括两个经过归一化的 卷积层，每一层具体表达式如下： （4）；其中， 表示第 层的 卷积层权重张量， 表示卷积操作， 表示第 层的偏置项； ， 分别表示卷积层输入与输出特征，且 。
3.根据权利要求1所述的一种复杂背景下的复值U型分割网络多帧联合检测前跟踪方法，其特征在于，所述步骤S2具体如下：在不同复杂噪声背景条件下生成毫米波雷达的训练数据集与标签集，并初始化各系统参数，再通过3D-FFT对毫米波雷达的训练数据集处理，得到RDA立方体训练集；3D-FFT信号处理的表达式如下： （5）； （6）； （7）；其中， 表示时间采样点数， 表示chirp的数量， 表示天线通道的数量； 分别表示目标的距离、多普勒频移、角度； 表示第 个时间样本，第 个天线接收通道，第 个chirp的雷达数据； 表示距离维FFT， 表示距离-多普勒维FFT， 表示距离-多普勒-角度FFT， 即3D-FFT结果，RDA立方体数据；然后将RDA立方体训练集数据拆分为实值立方体 和虚值立方体 两通道，并与标签集一同输入复值U型分割网络，训练得到模型最优权值。
4.根据权利要求1所述的一种复杂背景下的复值U型分割网络多帧联合检测前跟踪方法，其特征在于，所述步骤S3具体如下：通过3D-FFT对毫米波雷达原始数据处理，得到RDA立方体数据，然后将RDA立方体数据拆分为实值立方体 和虚值立方体 ，利用步骤S2得到的模型最优权值对接收的雷达实值立方体 、虚值立方体 进行预测，最终得到雷达量测置信度立方体 ；其中，所述RDA立方体数据拆分过程表达式如下： （8）；其中， 、 及 分别表示目标的距离、多普勒频移和角度， 表示虚数单位。
5.根据权利要求1所述的一种复杂背景下的复值U型分割网络多帧联合检测前跟踪方法，其特征在于，所述步骤S4具体如下：对于第k帧置信度立方体，通过低门限检测获取对应的目标点迹 ，重构对应帧的X-Y平面，并保存目标点迹的径向速度信息 ，过程表达式如下： （9）；其中， 表示重构后的X-Y平面， 和 表示第 帧点 对应的X-Y坐标， 表示置信度门限值， 表示极微小值， 表示第k帧置信度立方体上的距离、角度坐标；目标点迹状态的转换过程表达式如下： （10）；通过对切向速度 进行区间遍历，并结合所保存的目标点迹径向速度信息 ，得到对应目标点迹状态转移范围 ，过程表达式如下： （11）； （12）；其中， 表示第 时刻的目标点迹状态， 表示量测时间间隔。
6.根据权利要求1所述的一种复杂背景下的复值U型分割网络多帧联合检测前跟踪方法，其特征在于，所述步骤S5具体如下：基于MF-TBD算法框架，联合处理多帧X-Y置信度平面数据及对应目标点迹状态转移范围，得到多帧积累值函数平面，过程表达式如下： （13）；其中， 表示阶段值函数， 用于储存帧间状态转移， 表示状态 对应的X-Y平面上的值；最后通过门限判决与航迹回溯，得到目标航迹 ，过程表达式如下： （14）； （15）； （16）；其中， 表示门限值， 表示第 帧的跟踪目标状态。
