1.一种毫米波雷达路口车流量监测方法，其特征在于：包括以下步骤：

采集路口不同场景下的毫米波雷达探测信息，所述毫米波雷达探测信息为基于毫米波雷达回波数据形成的图像信息；

对获得毫米波雷达探测信息进行预处理，作为训练样本，构建训练集、测试集，预处理具体为将毫米波雷达探测信息样本转换为灰度图，对每一张灰度图中的车辆目标数量进行标识；

构建基于多任务卷积神经网络的机器学习模型，机器学习模型用于将输入的原始图片缩放至不同尺寸，对每个尺寸的图片分别通过神经网络进行计算，兼顾图片中不同大小的目标形态，从而实现基于统一尺度对图片中不同大小的车辆目标进行检测，并对车辆目标数量进行分类；

用训练集和测试集对机器学习模型进行训练，得到合适的模型参数；实时采集毫米波雷达探测信息，输入到训练好的机器学习模型进行分类；

统计周期内路口车辆的数量变化，实现路口车流量的监测。

2.根据权利要求1所述的一种毫米波雷达路口车流量监测方法，其特征在于：机器学习模型的工作包括以下步骤：首先进行第一遍检测，并将检测结果在更大的区域进行第二遍检测，然后将检测结果在前两次过滤的基础上，进行更大区域的检测，最后做出分类判别。

3.根据权利要求2所述的一种毫米波雷达路口车流量监测方法，其特征在于：机器学习模型包括三个神经网络，三个神经网络分别为第一神经网络、第二神经网络和第三神经网络，第一神经网络、第二神经网络和第三神经网络的输入分别是8×8的2通道图像、16×16的2通道图像和32×32的2通道图像，均用于判断这个网络中是否有车辆目标，并给出位置框和关键点位置，第一神经网络、第二神经网络和第三神经网络的输出均由3部分组成，包括是否是包含车辆目标的图像、车辆目标所在区域和图像包含的车辆目标数量。

4.根据权利要求1、2或者3所述的一种毫米波雷达路口车流量监测方法，其特征在于：

机器学习模型采用中心损失进行车辆目标数量的分类判别训练收敛，为每一类车辆目标数量的图像指定类别中心，同一类车辆目标数量的图像靠近自己的类别中心，远离其它类别中心。

5.根据权利要求1所述的一种毫米波雷达路口车流量监测方法，其特征在于：不同场景包括毫米波雷达角度、车型、天气、路口背景、车速和路口背景。