研究了2天的驗證碼識別，雖然沒有成功，但是從中還是收獲了不少，這里記錄一下，方便以后繼續。
首先看圖片：
我就是被這種“簡單”的驗證碼給欺騙了，沒有干擾，不用去噪點，看起來一切是那么的容易，三下五除二的批量下載了驗證碼，然后將圖片切割開，就准備開始進行特征提取、訓練及識別了。
最開始采用的方式是直線碰撞法，即隨機在圖片上生成若干直線，計算直線與字符的碰撞數量，以這個碰撞數量作為特征值，然后才用ANN神經網絡進行訓練和識別，最終的結果是，90%的字符被識別為了f（這個驗證碼的f變形太厲害了）。
第二種方式是將每個字符的圖片二值化后，計算在垂直和水平線上的像素累計值，形成特征碼，然后分別采用了LD（編輯距離），SVM進行訓練和識別，結果同樣識別率不高，試過了30多張驗證碼，只成功完全識別出一張（不過數字的識別率很高）。
第三種方式就是采用了Google的TesseractOCR，不過他在切割字符生成box的時候，問題比較大，基本都需要手動去調整每個字符的位置，所以，我寫了個程序自動去生成box文件，字符定位的准確率能達到100%。box生成以后，便開始進行訓練，采用的3.02版本，一路順暢，然后進行了識別，結果慘不忍睹。
后來仔細思考了下，問題應該不在訓練和識別算法上，常用的驗證碼識別算法不外乎就ANN，SVM，各種距離算法，這三種我都分別用過了，所以，我開始在特征碼上找問題。
前面提取特征碼分別用了直線碰撞法，像素累計值，二值序列，效果都不太理想，於是，想從圖片本身的一些特征下手，第一個想到的是采用霍夫變換計算直線，用這個做為特征碼，然后分別采用上面三種識別算法進行訓練和識別，但是最后，都是以失敗告終。第二個是計算字符的HU不變距（這個還專門自己做了一系列的圖片來做測試，測試的效果都比較好，無論如何移動旋轉或縮放，都有較好的識別率），通過這個不變距來進行相似度匹配，效果也是相當不理想。
其實，這個驗證碼識別率低的原因估計在於他的字符是無規律的隨機變形（而不是單純的旋轉或者縮放），這種字符比較難以識別，所以，以后在做網站生成驗證碼的時候，如何來構建一個比較安全的驗證碼，就有一定經驗了。