随着社会的发展,机动车辆的数量不断增加,这给交通管理带来了巨大的挑战。车牌是识别车辆最重要的媒介。因此,车牌识别系统作为图像处理、计算机视觉和深度学习技术在智能交通领域的应用,是智能交通管理系统的重要组成部分。城市中存在着大量的违法停车行为,车主不遵循法律法规,随意将车辆停靠在路边,这一行为严重的激化了城市交通系统中早已存在的车多路少的固有矛盾,进一步破坏了城市道路交通的安全秩序,严重威胁居民出行的人身安全。因此,研究如何利用移动终端与人工智能快速准确识别违停车辆车牌号,生成违法通知单,辅助交通民警治理违法停车的行为,成为了目前的技术热点。现有的车牌识别算法大多采用集中训练的方法,需要把训练数据集中于某一台机器或是单个数据中心里。由于交通民警收集到的违法停车车牌训练数据涉及到隐私信息,在集中训练时易造成隐私泄露。此外,主流的车牌检测与识别算法大都基于深度卷积神经网络完成模型的设计。现有算法的隐私泄露和模型的参数量较大造成主流的车牌检测与识别算法难以有效应用在移动终端上,解决这些问题,有很高的实际应用价值。本文从交警对路边违停机动车的处罚应用场景出发,研究倾斜车牌条件下的车牌检测与识别算法,本文主要有以下几点创新工作:(1)研究了Yo-Mask车牌检测算法模型,本文对经典的双阶段目标检测算法Mask-RCNN和单阶段检测算法YOLO进行了简要概述,并且基于两种检测算法的优点和移动设备的应用场景,提出了一个以Mobilenet网络为主干的Yo-Mask车牌检测算法。该算法在保持较高召回率的情况下,拥有良好的检测速度,同时模型的参数量较少使其可以有效的部署在移动设备上。(2)研究了基于联合学习的车牌识别算法,本文简要介绍了联合学习的基本原理,并基于此原理设计了一个在用户手机上完成模型训练的基于联合学习的车牌识别算法框架。在整个算法训练过程中,服务器不会接触用户数据,只有更新后的参数进行交互,不涉及用户数据的任何泄露。