1.基于车牌顶点偏移估计的精准车牌定位方法，其特征在于包括以下步骤：步骤1：在原始的YOLOV3中，需要预测的与坐标相关的四个参数分别为tb

b

公式(1.1)、(1.2)、(1.3)、(1.4)整体显示了YOLOV3模型原始预测参数与最终预测结果之间的计算方式；

公式(1.5)则是yolov3的损失函数公式：其中，第一部分是计算中心坐标损失，第二部分是计算边界框高度和宽度的损失，第三部分和第四部分是计算置信度损失，第五部分则是计算类别损失；

步骤2：首先按照点与点之间距离最短、方位相同的原则，将矩形目标框的四个顶点和车牌的四个顶点分为四组，划分结果包括：区域类型：矩形框、车牌区；

分组关系：左上角顶点、右上角顶点、右下角顶点、左下角顶点；

然后，针对车牌区域的每个顶点分别预测其相对于特定顶点的偏移量；

最后，通过矩形框顶点坐标以及偏移距离，能够计算出车牌相应顶点的坐标值：(LU

LU

RU

RD

LD

使用的损失函数如公式(1.11)所示，损失函数的第一部分为YOLOV3损失，与原始YOLOV3算法中涉及到的损失函数完全一致；不同的是损失函数的后面部分，如公式(1.10)所示，Loss

公式(1.10)计算了顶点偏移量的预测值与真实值之间的差距，四组偏移量存在四组偏移损失，为了更加精确地预测每一个顶点坐标，公式(1.10)中的第一部分为车牌区域的左上角顶点损失计算、第二部分为右上角顶点损失计算、第三部分为右下角顶点损失计算、第四部分为左下角顶点损失计算，最终的损失为原YOLO损失和偏移量损失的和，如公式(1.11)所示。

2.根据权利要求1所述基于车牌顶点偏移估计的精准车牌定位方法，其特征在于：该方法还包括：步骤3：通过计算准确率、精度和召回率对训练完毕的模型进行评估，进而挑选出最优的模型，具体计算公式详见公式(1.12)～(1.14)，相关术语参见表2，在模型评估阶段，如果这三个指标达不到预期目标，则通过修改网络的学习率、网络尺寸、锚框大小等进行重新训练；

参数名TP含义：真阳性，表示车牌被检测为车牌的数量；

参数名FN含义：假阴性，表示车牌被检测为非车牌的数量；

参数名FP含义：假阳性，表示非车牌被检测为车牌的数量；

参数名TN含义：真阴性，表示非车牌被检测为非车牌的数量。