En el campo de la conducción autónoma, el radar de ondas milimétricas (MMW) se utiliza a menudo como un sensor complementario de otros tipos de sensores, como la óptica, en condiciones climáticas adversas para proporcionar servicios de detección de objetivos para la conducción autónoma. RODNet (A Real-Time Radar Object-Detection Network) es uno de los algoritmos de detección de objetivos de secuencia de imágenes de rango-azimut (RA) de radar MMW más ampliamente utilizados basados en Redes Neuronales Convolucionales (CNNs). Sin embargo, RODNet adopta un método de detección de similitud de ubicación de objetos (OLS) que es independiente del número de objetivos para obtener las detecciones finales de objetivos a partir del mapa de confianza predicho. Por lo tanto, tiene un rendimiento deficiente en la proporción de detección perdida en escenas densas de peatones. Basándonos en el análisis de las características de distribución del mapa de confianza predicho, proponemos un nuevo algoritmo de detección de ubicación de objetivos basado en modelos generativos para mejorar el rendimiento de RODNet en escenas densas de peatones. El valor de confianza y la distribución espacial predichos por RODNet se analizan en este documento. Se muestra que la distribución espacial es más robusta que la distribución de valores para el agrupamiento. Esto es útil para seleccionar un método de agrupamiento para estimar los centros de agrupamiento de múltiples objetivos en un rango cercano bajo los efectos de la variabilidad de medición de objetivos distribuidos y dispersión de multipath. Otra idea clave de este algoritmo es la derivación de un Modelo de Mezcla Gaussiana con número de objetivos (GMM-TN) para generar las distribuciones de probabilidad de verosimilitud de diferentes suposiciones de número de objetivos. Además, se propone un esquema de estimación de número de objetivos de divergencia mínima de Kullback-Leibler (KL) combinado con agrupamiento K-means y un modelo GMM-TN. A través del conjunto de datos CRUW, se lleva a cabo un experimento de detección de objetivos en una escena densa de peatones, y se analiza la distribución de confianza bajo condiciones típicas de variables ocultas. Se verifica la efectividad del algoritmo mejorado: la Precisión Promedio (AP) mejora en un 29% y la Recuperación Promedio (AR) mejora en un 36%.