基于联邦学习的车牌识别训练方法、装置及相关设备与流程

1.本发明涉及车牌识别领域，尤其涉及基于联邦学习的车牌识别模型训练方法、装置、计算机设备及存储介质。


背景技术：

2.目前，车牌识别模型主要利用来自网络的数据集进行训练，并通过增加训练次数、调整训练参数来调整车牌识别模型的参数以提高检测率。同时，为了提高车牌识别模型对车牌检测的数据拟合能力，需要使用大量高质量的数据进行车牌识别模型的训练，但由于没有考虑到网络上的数据集与现实中的车牌识别的应用场景有较大差别，导致在车牌识别模型训练过程中难以根据实际场景的车牌进行训练，从而导致在实际场景应用时，车牌字符检测的识别准确率变化大，而使用实际场景的图像进行车牌识别模型训练，图像有可能会泄露，从而导致用户的隐私和数据安全得不到保障。目前主要通过借助标记好的数据集进行车牌识别模型训练以解决上述问题，但是通过这种方式进行车牌识别模型训练，训练得到的车牌识别模型的泛化能力很难得到提升，导致训练好的车牌识别模型无法根据实际场景的需要进行调整。
3.综上所述，现有的车牌识别模型的训练方法在减少训练数据量、保证数据安全和字符识别准确率的情况下存在无法提高泛化能力的问题。


技术实现要素：

4.本发明实施例提供一种基于联邦学习的车牌识别模型训练方法、装置、计算机设备及存储介质，以解决现有的车牌识别模型的训练方法在减少训练数据量、保证数据安全和字符识别准确率的情况下存在无法提高泛化能力的问题。
5.一种基于联邦学习的车牌识别模型训练方法，包括：
6.采集目标车辆进出目标区域所对应的入口车牌数据和出口车牌数据，并对所述入口车牌数据和所述出口车牌数据进行特征标记以得到相应的入口车牌特征和出口车牌特征；
7.基于加密算法获取所述入口车牌特征和所述出口车牌特征分别所对应的入口车牌特征加密值和出口车牌特征加密值，并在所述入口车牌特征加密值与所述出口车牌特征加密值一致时执行步骤a；
8.a、将所述入口车牌数据和所述出口车牌数据分别上传到入口车牌识别模型和出口车牌识别模型进行训练，以得到相应的入口模型数据信息和出口模型数据信息；
9.b、对所述入口模型数据信息和所述出口模型数据信息进行加密；
10.c、根据加密后的所述入口模型数据信息和所述出口模型数据信息得到联邦模型梯度和联邦模型参数；
11.d、根据所述联邦模型梯度和所述联邦模型参数对所述入口车牌识别模型、所述第二车牌识别模型和车牌识别联邦模型进行更新；
12.e、判断所述车牌识别联邦模型的损失值是否达到预设值，若是，则结束方法流程；若否，则返回继续执行步骤a至e。
13.一种基于联邦学习的车牌识别模型训练装置，包括：
14.数据采集模块，用于采集目标车辆进出目标区域所对应的入口车牌数据和出口车牌数据，并对所述入口车牌数据和所述出口车牌数据进行特征标记以得到相应的入口车牌特征和出口车牌特征；
15.特征加密模块，用于基于加密算法获取所述入口车牌特征和所述出口车牌特征分别所对应的入口车牌特征加密值和出口车牌特征加密值，并在所述入口车牌特征加密值与所述出口车牌特征加密值一致时执行数据上传模块；
16.数据上传模块，用于将所述入口车牌数据和所述出口车牌数据分别上传到入口车牌识别模型和出口车牌识别模型进行训练，以得到相应的入口模型数据信息和出口模型数据信息；
17.数据信息加密模块，用于对所述入口模型数据信息和所述出口模型数据信息进行加密；
18.联邦模型更新模块，用于根据加密后的所述入口模型数据信息和所述出口模型数据信息得到联邦模型梯度和联邦模型参数；
19.车牌识别模型更新模块，用于根据所述联邦模型梯度和所述联邦模型参数对所述入口车牌识别模型、所述第二车牌识别模型和车牌识别联邦模型进行更新；
20.判断模块，用于判断所述车牌识别联邦模型的损失值是否达到预设值，若是，则结束方法流程；若否，则返回继续执行步骤数据上传模块至判断模块。
21.一种计算机设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现上述基于联邦学习的车牌识别模型训练方法的步骤。
22.一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述基于联邦学习的车牌识别模型训练方法的步骤。
23.上述基于联邦学习的车牌识别模型训练方法、装置、计算机设备及存储介质，采集目标车辆进出目标区域所对应的入口车牌数据和出口车牌数据，并对所述入口车牌数据和所述出口车牌数据进行特征标记以得到相应的入口车牌特征和出口车牌特征，基于加密算法获取所述入口车牌特征和所述出口车牌特征分别所对应的入口车牌特征加密值和出口车牌特征加密值，并在所述入口车牌特征加密值与所述出口车牌特征加密值一致时，将所述入口车牌数据和所述出口车牌数据分别上传到入口车牌识别模型和出口车牌识别模型进行训练，以得到相应的入口模型数据信息和出口模型数据信息，对所述入口模型数据信息和所述出口模型数据信息进行加密，根据加密后的所述入口模型数据信息和所述出口模型数据信息得到联邦模型梯度和联邦模型参数根据所述联邦模型梯度和所述联邦模型参数对所述入口车牌识别模型、所述第二车牌识别模型和车牌识别联邦模型进行更新，直到车牌识别联邦模型的损失值达到预设值为止，提高了车牌识别模型的泛化能力。
附图说明
24.为了更清楚地说明本发明实施例的技术方案，下面将对本发明实施例的描述中所
需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
25.图1是本发明一实施例中基于联邦学习的车牌识别模型训练方法的一应用环境示意图；
26.图2是本发明一实施例中基于联邦学习的车牌识别模型训练方法的一流程图；
27.图3是本发明一实施例中基于联邦学习的车牌识别模型训练装置的结构示意图；
28.图4是本发明一实施例中服务器的一示意图；
29.图5是本发明一实施例中计算机设备的一示意图；
30.图6是本发明一实施例中所涉及的常规的联邦学习方式的示意图。
具体实施方式
31.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
32.本申请提供的基于联邦学习的车牌识别模型训练方法，可应用在如图1的应用环境中，其中，计算机设备/终端设备/
……
通过网络与服务器进行通信。其中，计算机设备/终端设备/
……
可以但不限于各种个人计算机、笔记本电脑、智能手机、平板电脑和便携式可穿戴设备。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
33.在一实施例中，如图2所示，提供一种基于联邦学习的车牌识别模型训练方法，以该方法应用在图1中的服务器为例进行说明，包括如下步骤s201至s207：
34.步骤s201、采集目标车辆进出目标区域所对应的入口车牌数据和出口车牌数据，并对所述入口车牌数据和所述出口车牌数据进行特征标记以得到相应的入口车牌特征和出口车牌特征。
35.在上述步骤s201中，入口车牌特征可以为目标车在目标区域的入口门的信息、车牌位置坐标等，出口车牌特征可以为出口门信息、车牌位置坐标等。
36.步骤s202、基于加密算法获取所述入口车牌特征和所述出口车牌特征分别所对应的入口车牌特征加密值和出口车牌特征加密值，并在所述入口车牌特征加密值与所述出口车牌特征加密值一致时执行步骤s203。
37.在步骤s202中，其具体包括：
38.基于加密算法在入口客户端中对入口车牌特征进行加密得到对应的入口车牌特征加密值；
39.在出口客户端中对出口车牌特征进行加密得到对应的出口车牌特征加密值；
40.通过网络进行交换并相互验证入口车牌特征加密值和出口特征车牌特征加密值是否一致；
41.在入口车牌特征加密值和出口特征车牌特征加密值一致时，继续执行步骤s203，否则，停止执行。
42.步骤s203、将所述入口车牌数据和所述出口车牌数据分别上传到入口车牌识别模
型和出口车牌识别模型进行训练，以得到相应的入口模型数据信息和出口模型数据信息。
43.在步骤s203中，其具体包括：
44.将所述入口车牌数据和所述出口车牌数据分别上传到入口客户端和出口客户端。
45.根据所述入口车牌数据对所述入口客户端中的入口车牌识别模型进行训练，以得到相应的入口模型数据信息。
46.根据所述出口车牌数据对所述出口客户端中的出口车牌识别模型进行训练，以得到相应的出口模型数据信息。
47.步骤s204、对所述入口模型数据信息和所述出口模型数据信息进行加密。
48.对于上述步骤s204，其具体包括：
49.基于服务端生成的公钥对所述入口模型数据信息和所述出口模型数据信息进行加密。
50.步骤s205、根据加密后的所述入口模型数据信息和所述出口模型数据信息以得到联邦模型梯度和联邦模型参数，并对车牌识别联邦模型进行更新，。
51.对于上述步骤s205，其具体包括步骤1至3：
52.1、将加密后的所述入口模型数据信息和所述出口模型数据信息进行解密；所述入口模型数据信息包括入口梯度信息和入口参数，所述出口模型数据信息包括出口梯度信息和出口参数；
53.2、根据所述入口参数和所述出口参数获取对应所述车牌识别联邦模型的联邦模型参数；
54.3、根据所述入口梯度信息或所述出口梯度信息获取所述车牌识别联邦模型的联邦模型梯度。
55.在上述步骤1中，入口梯度信息是指入口客户端对应的入口车牌识别模型上某个坐标点的方向变化，其用以反映客户端本地训练模型拟合情况的曲线信息。入口参数信息是指入口客户端的入口车牌识别训练模型在训练过程中需要进行调节的指标，该指标包括但不限于学习率、输入样本数量批次大小、损失值，出口梯度信息是指对应出口客户端的出口车牌识别训练模型上某个坐标点所对应的向量，其用以反映出口车牌识别模型拟合情况的曲线信息。出口参数信息是指入口客户端的出口车牌识别训练模型在训练过程中需要进行调节的指标，该指标包括但不限于学习率、输入样本数量批次大小、损失值。
56.对于上述步骤1，其具体是：基于服务端生成的私钥，将加密后的所述入口模型数据信息和所述出口模型数据信息进行解密。
57.对于上述步骤2，其具体为：
58.对所述入口参数和所述出口参数进行加权求和以得到对应所述车牌识别联邦模型的联邦模型参数。此处需要特别说明的是：联邦模型参数包括但不限于学习率、损失值，其中学习率是随着车牌识别联邦模型的更新次数越多而逐渐减小，这样可以有效避免入口车牌识别模型和出口车牌识别模型在训练过程中出现误差震荡情况。
59.进一步的，上述对所述入口参数和所述出口参数进行加权求和以得到对应所述车牌识别联邦模型的联邦模型参数的步骤具体为：
60.按照以下算式计算联邦模型参数：
[0061][0062]
式中，x为联邦模型参数，α1为入口参数中学习率的权重，β1为出口参数中学习率的权重，n1为入口参数中的学习率、m2为出口参数中的学习率，α2为入口参数中损失值的权重，β2为出口参数中损失值的权重，n2为入口参数中的损失值、m2为出口参数中的损失值。
[0063]
对于上述步骤3，其具体包括步骤a至b：
[0064]
a、基于随机梯度下降优化算法确定所述入口梯度信息或所述出口梯度信息的局部极小值点。
[0065]
b、基于随机梯度下降优化算法对所述局部极小值点进行迭代计算得到相应的局部极值点或全局极值点，所述局部极值点或所述全局极值点为所述车牌识别联邦模型的联邦模型梯度。
[0066]
在步骤a中，随机梯度下降(sgd)优化算法是采用单个训练样本求梯度的一种算法，在本发明实施例中，基于随机梯度下降算法确定入口梯度信息或出口梯度信息的局部极小值点，选择入口梯度信息或出口梯度信息的局部极小值点中的一个局部极小值，基于随机梯度下降算法对局部极小值点进行不断迭代计算，最后收敛到一个局部极值点或全局极值点，其中，局部极值点是随机梯度下降算法对入口梯度信息(反映入口客户端的入口车牌训练模型拟合情况的曲线信息)或出口梯度信息(反映出口客户端的出口车牌训练模型拟合情况的曲线信息)的局部进行迭代计算而得到的局部极值点，全局极值点是随机梯度下降算法对入口梯度信息或出口梯度信息的全局进行迭代计算而得到的全局极值点。如果入口梯度信息或出口梯度信息中的梯度值的数量达到可进行全局迭代计算的数量，就对入口梯度信息或出口梯度信息进行全局迭代计算可以达到全局极值点，如果入口梯度信息或出口梯度信息中的梯度值的数量未达到可进行全局迭代计算的数量，就对入口梯度信息或出口梯度信息进行局部迭代计算达到局部极值点。
[0067]
步骤s206、根据所述联邦模型梯度和所述联邦模型参数对所述入口车牌识别模型和所述第二车牌识别模型进行更新。
[0068]
步骤s207、判断所述车牌识别联邦模型的损失值是否达到预设值，若是，则结束方法流程；若否，则返回继续执行步骤s203至s207。
[0069]
在上述步骤s207中，上述预设值可以为零，在车牌识别联邦模型的损失值趋于零时，结束方法流程，否则返回继续执行步骤s203值s207。
[0070]
为了更好的理解上述步骤s201至s207，以下结合基于如图6所示的联邦学习方式，对车牌识别模型训练方法应用停车场的实例进行说明：
[0071]
采集目标车辆进出停车场所对应的入口车牌数据和出口车牌数据，并对所述入口车牌数据和所述出口车牌数据进行特征标记以得到相应的入口车牌特征和出口车牌特征，用哈希算法对入口车牌特征和出口车牌特征分别进行哈希计算得到对应的入口车牌特征哈希值和出口车牌特征哈希值，并在入口车牌特征加密值与出口车牌特征加密值一致时，将入口车牌数据和出口车牌数据分别上传到入口客户端(可以对应图6所示的客户端1)的入口车牌识别模型和出口客户端(可以对应图6所示的客户端2)的出口车牌识别模型进行训练得到相应的入口模型数据信息(包括入口梯度信息和入口参数信息)和出口模型数据信息(包括出口梯度信息和出口参数信息)，入口客户端和出口客户端通过加密网络获取服
务端生成的公钥，利用该公钥对入口模型数据信息和出口模型数据信息进行加密后通过加密网络传送到服务端，服务端基于自身生成的私钥(与上述公钥对应)对加密的入口模型数据信息和出口模型数据信息进行解密，获得入口梯度信息、入口参数信息、出口梯度信息和出口参数信息，并根据入口梯度信息、入口参数信息、出口梯度信息和出口参数信息获得联邦模型参数和联邦模型梯度，根据联邦模型参数和联邦模型梯度更新服务端的车牌识别联邦模型，然后服务端将联邦模型参数、联邦模型梯度信息以及更新后的车牌识别联邦模型通过加密网络发送给入口客户端和出口客户端，入口客户端和出口客户端接收到联邦模型参数、联邦模型梯度信息以及更新后的车牌识别联邦模型后对入口车牌识别模型和出口车牌识别模型进行更新，在每一次训练后，判断车牌联邦识别模型的损失值是否趋于零，若是，则结束方法流程；若否，则继续上述训练过程直至车牌识别联邦模型的损失值趋于零为止。
[0072]
上述基于联邦学习的车牌识别模型训练方法、装置、计算机设备及存储介质，采集目标车辆进出目标区域所对应的入口车牌数据和出口车牌数据，并对所述入口车牌数据和所述出口车牌数据进行特征标记以得到相应的入口车牌特征和出口车牌特征，基于加密算法获取所述入口车牌特征和所述出口车牌特征分别所对应的入口车牌特征加密值和出口车牌特征加密值，并在所述入口车牌特征加密值与所述出口车牌特征加密值一致时，将所述入口车牌数据和所述出口车牌数据分别上传到入口车牌识别模型和出口车牌识别模型进行训练，以得到相应的入口模型数据信息和出口模型数据信息，对所述入口模型数据信息和所述出口模型数据信息进行加密，根据加密后的所述入口模型数据信息和所述出口模型数据信息得到联邦模型梯度和联邦模型参数，根据所述联邦模型梯度和所述联邦模型参数对所述入口车牌识别模型、所述第二车牌识别模型和车牌识别联邦模型进行更新，直到车牌识别联邦模型的损失值达到预设值为止，该方案具有现有的车牌识别模型的训练方法在减少训练数据量、保证数据安全和字符识别准确率的有益效果，还提高了车牌识别模型的泛化能力。
[0073]
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
[0074]
在一实施例中，提供一种基于联邦学习的车牌识别模型训练装置，该基于联邦学习的车牌识别模型训练装置与上述实施例中基于联邦学习的车牌识别模型训练方法一一对应。如图3所示，该基于联邦学习的车牌识别模型训练装置包括数据采集模块、特征加密模块、数据上传模块、数据信息加密模、联邦模型更新模块、车牌识别模型更新模块和判断模块。各功能模块详细说明如下：
[0075]
数据采集模块30，用于采集目标车辆进出目标区域所对应的入口车牌数据和出口车牌数据，并对所述入口车牌数据和所述出口车牌数据进行特征标记以得到相应的入口车牌特征和出口车牌特征。
[0076]
特征加密模块31，用于基于加密算法获取所述入口车牌特征和所述出口车牌特征分别所对应的入口车牌特征加密值和出口车牌特征加密值，并在所述入口车牌特征加密值与所述出口车牌特征加密值一致时执行数据上传模块。
[0077]
数据上传模块32，用于将所述入口车牌数据和所述出口车牌数据分别上传到入口
车牌识别模型和出口车牌识别模型进行训练，以得到相应的入口模型数据信息和出口模型数据信息。
[0078]
数据信息加密模块33，用于对所述入口模型数据信息和所述出口模型数据信息进行加密。
[0079]
联邦模型更新模块34，用于根据加密后的所述入口模型数据信息和所述出口模型数据信息得到联邦模型梯度和联邦模型参数。
[0080]
车牌识别模型更新模块35，用于根据所述联邦模型梯度和所述联邦模型参数对所述入口车牌识别模型、所述第二车牌识别模型和车牌识别联邦模型进行更新。
[0081]
判断模块36，用于判断所述车牌识别联邦模型的损失值是否达到预设值，若是，则结束方法流程；若否，则返回继续执行步骤数据上传模块32至判断模块36。
[0082]
进一步的，所述所述数据上传模块包括数据上传单元、第一训练单元、和第二训练单元，各个功能单元的详细说明如下：
[0083]
数据上传单元，用于将所述入口车牌数据和所述出口车牌数据分别上传到入口客户端和出口客户端；
[0084]
第一训练单元，用于根据所述入口车牌数据对所述入口客户端中的入口车牌识别模型进行训练，以得到相应的入口模型数据信息；
[0085]
第二训练单元，用于根据所述出口车牌数据对所述出口客户端中的出口车牌识别模型进行训练，以得到相应的出口模型数据信息。
[0086]
进一步的，所述数据信息加密模块包括数据信息加密单元，该加密单元的详细说明具体如下：
[0087]
数据信息加密单元，用于基于服务端生成的公钥对所述入口模型数据信息和所述出口模型数据信息进行加密。
[0088]
进一步的，所述联邦模型更新模块包括数据信息解密单元、联邦模型梯度获取单元和联邦模型参数获取单元，各个功能单元的详细说明如下：
[0089]
数据信息解密单元，用于将加密后的所述入口模型数据信息和所述出口模型数据信息进行解密；所述入口模型数据信息包括入口梯度信息和入口参数，所述出口模型数据信息包括出口梯度信息和出口参数；
[0090]
联邦模型参数获取单元，用于根据所述入口参数和所述出口参数获取对应所述车牌识别联邦模型的联邦模型参数。
[0091]
联邦模型梯度获取单元，用于根据所述入口梯度信息或所述出口梯度信息获取所述车牌识别联邦模型的联邦模型梯度。
[0092]
进一步的，联邦模型参数获取单元包括求和单元，该功能单元的详细说明如下：
[0093]
求和单元，用于对所述入口参数和所述出口参数进行加权求和以得到对应所述车牌识别联邦模型的联邦模型参数。
[0094]
进一步的，联邦模型梯度获取单元包括局部极小值确定单元和迭代计算单元，各个功能单元的详细说明具体如下：
[0095]
局部极小值确定单元，用于基于随机梯度下降优化算法确定所述入口梯度信息或所述出口梯度信息的局部极小值点；
[0096]
迭代计算单元，用于基于随机梯度下降优化算法对所述局部极小值点进行迭代计
算得到相应的局部极值点或全局极值点，所述局部极值点或所述全局极值点为所述车牌识别联邦模型的联邦模型梯度。
[0097]
其中上述模块/单元中的“第一”和“第二”的意义仅在于将不同的模块/单元加以区分，并不用于限定哪个模块/单元的优先级更高或者其它的限定意义。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或模块的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或模块，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或模块，本申请中所出现的模块的划分，仅仅是一种逻辑上的划分，实际应用中实现时可以有另外的划分方式。
[0098]
关于基于联邦学习的车牌识别模型训练装置的具体限定可以参见上文中对于基于联邦学习的车牌识别模型训练方法的限定，在此不再赘述。上述基于联邦学习的车牌识别模型训练装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
[0099]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是服务器/服务端，其内部结构图可以如图4所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口和数据库。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的数据库用于存储基于联邦学习的车牌识别模型训练方法中涉及到的数据。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种基于联邦学习的车牌识别模型训练方法。
[0100]
在一个实施例中，提供了一种计算机设备，该计算机设备可以是客户端，其内部结构可以如图5所示。该计算机设备包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述实施例中基于联邦学习的车牌识别模型训练方法的步骤，例如图2所示的步骤201至步骤207及该方法的其它扩展和相关步骤的延伸。或者，处理器执行计算机程序时实现上述实施例中基于联邦学习的车牌识别模型训练装置的各模块/单元的功能，例如图3所示模块30至模块36的功能。为避免重复，这里不再赘述。
[0101]
所述处理器可以是中央处理单元(central processing unit，cpu)，还可以是其他通用处理器、数字信号处理器(digital signal processor，dsp)、专用集成电路(application specific integrated circuit，asic)、现成可编程门阵列(field
‑
programmable gate array，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器是所述计算机装置的控制中心，利用各种接口和线路连接整个计算机装置的各个部分。
[0102]
所述存储器可用于存储所述计算机程序和/或模块，所述处理器通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器内的数据，实现所述计算机装置的各种功能。所述存储器可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序(比如声音播放功能、图像播放功能等)
等；存储数据区可存储根据手机的使用所创建的数据(比如音频数据、视频数据等)等。
[0103]
所述存储器可以集成在所述处理器中，也可以与所述处理器分开设置。
[0104]
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现上述实施例中基于联邦学习的车牌识别模型训练方法的步骤，例如图2所示的步骤201至步骤207及该方法的其它扩展和相关步骤的延伸。或者，计算机程序被处理器执行时实现上述实施例中基于联邦学习的车牌识别模型训练装置的各模块/单元的功能，例如图3所示模块30至模块36的功能。为避免重复，这里不再赘述。
[0105]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(rom)、可编程rom(prom)、电可编程rom(eprom)、电可擦除可编程rom(eeprom)或闪存。易失性存储器可包括随机存取存储器(ram)或者外部高速缓冲存储器。作为说明而非局限，ram以多种形式可得，诸如静态ram(sram)、动态ram(dram)、同步dram(sdram)、双数据率sdram(ddrsdram)、增强型sdram(esdram)、同步链路(synchlink)dram(sldram)、存储器总线(rambus)直接ram(rdram)、直接存储器总线动态ram(drdram)、以及存储器总线动态ram(rdram)等。
[0106]
所属领域的技术人员可以清楚地了解到，为了描述的方便和简洁，仅以上述各功能单元、模块的划分进行举例说明，实际应用中，可以根据需要而将上述功能分配由不同的功能单元、模块完成，即将所述装置的内部结构划分成不同的功能单元或模块，以完成以上描述的全部或者部分功能。
[0107]
应理解，上述实施例中各步骤的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
[0108]
以上所述实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围，均应包含在本发明的保护范围之内。