1.一种基于UWB MIMO生物雷达的静止人体目标识别与定位方法，其特征在于，包括以下步骤：
步骤一：UWB MIMO生物雷达的多个发射天线依次分时向空间辐射电磁波信号，电磁波信号照射到人体目标被反射，多个接收天线接收被人体目标反射后的电磁波信号，形成多通道的雷达原始回波信号si，i表示等效虚拟接收通道的序号；
步骤二：对多通道的雷达原始回波信号si分别进行预处理，分别得到高分辨距离像将高分辨距离像 按顺序排列形成三维数据矩阵
步骤三：针对三维数据矩阵 采用BP成像算法得到MIMO图像序列I；
步骤四：针对MIMO图像序列I采用生理信号检测与定位方法进行处理，得到人体目标的数目和位置。
2.如权利要求1所述的基于UWB MIMO生物雷达的静止人体目标识别与定位方法，其特征在于，所述步骤二中对多通道的雷达原始回波信号si分别进行预处理，具体包括以下步骤：
步骤2.1：对多通道的雷达原始回波信号si进行系统校正，得到系统校正后的雷达回波信号sci；
步骤2.2：对雷达回波信号sci进行背景消除，得到处理后的雷达回波信号sbi；
步骤2.3：对雷达回波信号sbi进行低通滤波，得到滤波后的雷达回波信号sfi，雷达回波信号sfi为频率-慢时间二维数据矩阵；
步骤2.4：对雷达回波信号sfi进行距离压缩，得到高分辨距离像 为距离-慢时间二维数据矩阵。
3.如权利要求1所述的基于UWB MIMO生物雷达的静止人体目标识别与定位方法，其特征在于，所述步骤三中对三维数据矩阵 采用BP成像算法得到MIMO图像序列I，具体包括以下步骤：
步骤3.1：三维数据矩阵 为距离-慢时间-多通道三维数据矩阵，将三维数据矩阵 在某一慢时间下的雷达回波信号用Sp表示，Sp为距离-多通道的二维数据矩阵；
步骤3.2：建立空间直角坐标系，横轴x为方位向，纵轴r为斜距向，并根据实际需要设定成像区域；
步骤3.3：将成像区域划分为均匀网格，每个网格中包含1个像素点(x,r)；
步骤3.4：对均匀网格上的像素点逐点遍历，针对每一个像素点(x,r)，采用公式得到像素点(x,r)的幅度值：
其中，m为发射天线的序号，n为接收天线的序号，M为发射天线个数，N为接收天线个数，t表示快时间，R表示距离，c表示光速，快时间t与距离R的关系为t＝2R/c，δ(·)表示狄里克莱函数，xTm为第m个发射天线的方位向坐标，xRn为第n个接收天线的方位向坐标，收发天线的斜距向坐标均为0；
针对每个慢时间下的雷达回波信号Sp，其对应的成像区域的所有像素点的幅度值均组成一幅MIMO图像，所有的MIMO图像形成MIMO图像序列I。
4.如权利要求1所述的基于UWB MIMO生物雷达的静止人体目标识别与定位方法，其特征在于，所述步骤四中针对MIMO图像序列I采用生理信号检测与定位方法进行处理，估计得到人体目标的数目和位置，具体包括以下步骤：
步骤4.1：对MIMO图像序列进行变化检测，提取生理微动信号
步骤4.2：针对生理微动信号图像 基于全局阈值进行预筛选，得到预筛选后的生理微动信号图像
步骤4.3：针对生理微动信号图像 采用CFAR算法得到处理后的生命体征信号图像步骤4.4：对生命体征信号图像 进行聚类，得到静止人体目标个数以及每个静止人体目标的二维位置。
5.如权利要求4所述的基于UWB MIMO生物雷达的静止人体目标识别与定位方法，其特征在于，所述步骤4.1中的对MIMO图像序列进行变化检测，采用的公式如下：
其中，I(i,j,n)为MIMO图像序列I中的第n幅MIMO图像的像素点(i,j)的幅值，N表示MIMO图像序列I中的MIMO图像的个数。
6.如权利要求4所述的基于UWB MIMO生物雷达的静止人体目标识别与定位方法，其特征在于，所述步骤4.2中的对MIMO图像序列进行变化检测，具体包括以下步骤：
步骤4.2.1：若令给定的某个像素点为人体目标像素的置信度为1-γ，按照以下公式求取阈值Tg：
步骤4.2.2：以Tg作为门限做限幅，得到限幅后的生理微动信号图像 即：
7.如权利要求4所述的基于UWB MIMO生物雷达的静止人体目标识别与定位方法，其特征在于，所述步骤4.3中的针对生理微动信号图像 采用CFAR算法得到处理后的生命体征信号图像 具体包括以下步骤：
步骤4.3.1：以待检测的像素点(i,j)为中心设置滑动窗；滑动窗由保护窗和杂波窗组成；
步骤4.3.2：假定环境杂波服从高斯分布，根据保护窗与杂波窗之间的环形窗体内所有像素点的幅值估计高斯分布的参数，得到环境杂波的分布模型；
步骤4.3.3：给定虚警率，利用环境杂波的分布模型针对每个像素点(i,j)计算CFAR算法的门限值TCFAR(i,j)；
步骤4.3.4：根据门限值TCFAR(i,j)，将生理微动信号图像 中幅值大于门限值TCFAR(i,j)的像素点提取出来形成生命体征信号图像ICFAR(i,j)，即：
步骤4.3.5：对生命体征信号图像ICFAR(i,j)进行形态学滤波，进一步滤除杂波和噪声，得到处理后的生命体征信号图像
8.如权利要求7所述的基于UWB MIMO生物雷达的静止人体目标识别与定位方法，其特征在于，所述保护窗的宽度Gx和长度Gy根据以下公式进行设置：
其中， 表示大于x的最小奇数,dchest和Kchest表示人体的厚度和宽度先验信息；db表示呼吸引起体动的距离，Larm表示手臂的长度；yres表示斜距向采样间隔和xres表示方位向采样间隔；
所述杂波窗的宽度Cx和长度Cy根据公式： 计算，其中，DH为
多个人体目标之间的距离，xres和yres分别表示方位向和斜距向采样间隔。
9.如权利要求4所述的基于UWB MIMO生物雷达的静止人体目标识别方法与定位方法，其特征在于，所述步骤4.4中对生命体征信号图像 进行聚类，得到静止人体目标个数以及每个静止人体目标的二维位置，具体包括以下步骤：
步骤4.4.1：生命体征信号图像 包含V个非零像素点{ρ1,ρ2,…,ρV}，在V个非零像素点中选取幅值最强的像素点作为初始聚类中心u1，计算第i个像素点到当前的聚类中心u1的距离Di1＝||u1-ρi||2，利用公式 计算更新聚类中心的位置，将所有满足聚类条件Di1＜dc的像素点划分到u′1对应的簇；其中，m1为满足聚类条件Di1＜dc的像素点的数目,dc表示聚类半径；
步骤4.4.2：在V个非零像素点中除去已形成的簇中的非零像素点，针对剩下的非零像素点继续操作，将其中幅度值最大的像素点作为第二个聚类中心u2，计算第i个像素点到当前的聚类中心u2的距离Di2＝||u2-ρi||2，计算得到新簇的聚类中心 将满足聚类条件Di2＜dc的非零像素点划分到u'2对应的簇中，其中，m2表示满足聚类条件Di2＜dc的像素点的数目；
步骤4.4.3：重复步骤4.4.2的划分过程，直到将所有非零像素点都划分到对应的簇中，得到Nc个簇以及Nc个聚类中心
步骤4.4.4：以每个聚类中心为圆心，以dc作为半径统计圆内非零像素点的数目，若该数目小于PN，则将该簇去掉，最终得到P个簇及P个聚类中心{c1,c2,…,cP}。