验证码识别记录

研究了2天的验证码识别，虽然没有成功，但是从中还是收获了不少，这里记录一下，方便以后继续。

首先看图片：

  我就是被这种“简单”的验证码给欺骗了，没有干扰，不用去噪点，看起来一切是那么的容易，三下五除二的批量下载了验证码，然后将图片切割开，就准备开始进行特征提取、训练及识别了。

最开始采用的方式是直线碰撞法，即随机在图片上生成若干直线，计算直线与字符的碰撞数量，以这个碰撞数量作为特征值，然后才用ANN神经网络进行训练和识别，最终的结果是，90%的字符被识别为了f（这个验证码的f变形太厉害了）。

第二种方式是将每个字符的图片二值化后，计算在垂直和水平线上的像素累计值，形成特征码，然后分别采用了LD（编辑距离），SVM进行训练和识别，结果同样识别率不高，试过了30多张验证码，只成功完全识别出一张（不过数字的识别率很高）。

第三种方式就是采用了Google的TesseractOCR，不过他在切割字符生成box的时候，问题比较大，基本都需要手动去调整每个字符的位置，所以，我写了个程序自动去生成box文件，字符定位的准确率能达到100%。box生成以后，便开始进行训练，采用的3.02版本，一路顺畅，然后进行了识别，结果惨不忍睹。

后来仔细思考了下，问题应该不在训练和识别算法上，常用的验证码识别算法不外乎就ANN，SVM，各种距离算法，这三种我都分别用过了，所以，我开始在特征码上找问题。

前面提取特征码分别用了直线碰撞法，像素累计值，二值序列，效果都不太理想，于是，想从图片本身的一些特征下手，第一个想到的是采用霍夫变换计算直线，用这个做为特征码，然后分别采用上面三种识别算法进行训练和识别，但是最后，都是以失败告终。第二个是计算字符的HU不变距（这个还专门自己做了一系列的图片来做测试，测试的效果都比较好，无论如何移动旋转或缩放，都有较好的识别率），通过这个不变距来进行相似度匹配，效果也是相当不理想。

其实，这个验证码识别率低的原因估计在于他的字符是无规律的随机变形（而不是单纯的旋转或者缩放），这种字符比较难以识别，所以，以后在做网站生成验证码的时候，如何来构建一个比较安全的验证码，就有一定经验了。