1.一种高位视频下的车牌检测识别改进方法，其特征在于，包括如下步骤：

S1、路侧高位摄像头采集监控路段信息，捕捉车辆行为，若车辆有停入或驶出停车位行为，启动车牌识别算法；

S2、训练LPD‑YOLOv8车牌检测网络与改进的LPR‑NET车牌识别网络，对有停入或驶出停车位行为的车辆，使用LPD‑YOLOv8算法对车辆区域进行处理，初步检测并框选出车牌区域；

S3、对提取到的车牌区域进行图像预处理；

S4、使用改进的LPR‑NET算法对校正后的车牌图像进行识别，将识别得到的车牌图像信息上传至后台。

2.根据权利要求1所述的一种高位视频下的车牌检测识别改进方法，其特征在于，在步骤S2中，LPD‑YOLOv8算法包括将原YOLOv8算法特征提取网络中的C2f模块替换为C2f‑PConv模块、以及在主干网络SPPF模块前引入注意力机制模块。

3.根据权利要求2所述的一种高位视频下的车牌检测识别改进方法，其特征在于，所述C2f模块替换为C2f‑PConv模块的具体方法是：将C2f模块中的卷积Conv替换为部分卷积PConv。

4.根据权利要求2所述的一种高位视频下的车牌检测识别改进方法，其特征在于，所述在主干网络SPPF模块前引入注意力机制模块的具体方法是：在主干网络SPPF模块之前引入CA注意力机制，该CA注意力机制通过协调注意力，将通道注意力分解为两个一维特征，分别沿两个空间方向聚合特征；生成的特征图被编码为一对方向感知和位置敏感的注意力图，该注意力图能够互补地应用于输入特征图，以强化对关注对象的表示。

5.根据权利要求1所述的一种高位视频下的车牌检测识别改进方法，其特征在于，在步骤S3中，图像预处理包括如下步骤：S31、采用加权平均法进行图像灰度化处理；

S32、利用最大类间方差法进行图像二值化处理；

S33、通过透视变换的方法进行图像倾斜校正。

6.根据权利要求1所述的一种高位视频下的车牌检测识别改进方法，其特征在于，在步骤S4中，改进的LPR‑NET算法包括：重新设计原LPR‑NET算法的车牌矫正网络、以及在输入车牌识别网络中引入CBAM注意力机制。

7.根据权利要求6所述的一种高位视频下的车牌检测识别改进方法，其特征在于，所述重新设计原LPR‑NET算法的车牌矫正网络的具体方法是：对LPR‑NET网络中的特征提取网络进行改进，替换车牌矫正网络STN为WPOD‑Net；WPOD‑Net进一步加入了图像边缘知识，以更准确地确定车牌轮廓信息；WPOD‑Net作为新的车牌矫正网络，通过融合图像边缘知识，使得车牌的轮廓信息更为精确和可靠。

8.根据权利要求7所述的一种高位视频下的车牌检测识别改进方法，其特征在于，在WPOD‑Net加入图像边缘知识的具体方法是：将Prewitt滤波器作为卷积神经网络层，将边缘信息与原始网络的旧信息相结合，作为嵌入向量加入原来的WPOD‑Net；通过与原始网络信息的融合，新的嵌入向量更全面地捕捉了图像的特征，特别是边缘信息的融合使得网络更加敏感于目标的轮廓。

9.根据权利要求6所述的一种高位视频下的车牌检测识别改进方法，其特征在于，在输入车牌识别网络中引入CBAM注意力机制的具体方法是：对于车牌识别网络生成的中间特征图，CBAM注意力机制通过CAM模块和SAM模块沿着两个独立的维度推断注意力图；CAM模块为不同通道赋予不同的权重，捕捉通道之间的关联信息；SAM模块则关注特征图中不同区域的空间关系；最终，将经过CAM模块和SAM模块运算得到的两个注意力图与输入特征图相乘，以进行自适应特征优化。

10.根据权利要求1所述的一种高位视频下的车牌检测识别改进方法，其特征在于，将改进后的LPD‑YOLOv8车牌检测网络与改进的LPR‑NET车牌识别网络进行联合训练，其具体方法包括：将车牌检测和识别两个网络进行联合训练，在每个训练迭代中，采用联合损失函数，该联合损失函数由LPD‑YOLOv8的检测损失和LPR‑NET的识别损失组成；权衡两者的损失以确保车牌位置准确性和字符信息的高质量，在每个训练迭代中，将LPD‑YOLOv8检测到的车牌位置信息传递给改进的LPR‑NET，用于车牌字符的识别。