last update: 29 jun, 2012
注意：目前只是做了簡單的字元拆分。其餘研究已中斷。
光學影象識別（ocr）是非常有用的技術。在驗證碼識別、車牌號識別、文字識別方面，基於字元的識別技術算是比較容易上手的了（相比**識別）。
閒來看到有朋友研究驗證碼識別，一時手癢，野比自己動手來做做驗證碼識別。當然，肯定只是簡單的驗證碼。
名為驗證碼，實際上並不限於，還可以識別車牌號、身份證號、門牌號等各種亂七八糟的內容。
識別的流程很明確：
1、預處理影象
2、做y軸的投影
3、分析直方圖分割槽
4、根據分割槽拆分影象為多個字元（很關鍵，拆得越好，後續識別率越高）
5、丟棄空白或無效字元
6、自動旋轉字元（如果有傾斜），識別字元
如果樣本中個影象有粘連，則可能造成分割槽不準確。這種情況下，需要進行旋轉，但是怎樣自動旋轉，是個難題。
目前已可拆分出字元，下一步準備研究如何識別。（如果單個字元比較規範，可以利用現成的ocr控制項）
這裡有一些例子。
普通的驗證碼（毫無難度）
帶干擾的驗證碼
較高強度干擾（目前使用的分割槽演算法不能解決，需要更好的演算法，比如動態閾值）
csdn的驗證碼（毫無壓力）
身份證號碼
車牌號
補充個qq驗證碼，用單一閾值方法，識別很困難，需要結合字元寬度進行判斷
這是單一閾值分割槽的結果（沒有限制寬度），可以看到效果很差。
繼續研究如何優化分割槽演算法，如何識別單個文字（可以考慮多重識別+樣本訓練）。
驗證碼 簡單驗證碼識別
這裡的驗證碼是內容非常簡單的，結構非常清晰的 這裡的驗證碼是內容非常簡單的，結構非常清晰的 這裡的驗證碼是內容非常簡單的，結構非常清晰的 興之所至之所以說簡單，我覺得是這樣的 抽了五張驗證碼扔進ps，50 透明度，長這樣 只有數字為內容 每張圖的數字都在固定位置 沒有太大的干擾因素 數字字型，形態完...
驗證碼識別
驗證碼識別過程好比人大腦的乙個識別過程 首先，我們的眼睛接收，並將這張的資訊輸送給大腦 然後，我們的大腦接收到這個資訊以後，對這個資訊作出處理 最後，將中的有效資訊提取出來再將其和大腦中儲存的資訊進行對應對比，確定對比結果。模擬驗證碼識別，大腦接受的處理過程就相當於電腦對的預處理，大腦對進行對比和確...
驗證碼識別
import tensorflow as tf 定義乙個初始化權重的函式 def weight variables shape w tf.variable tf.random normal shape shape,mean 0.0,stddev 1.0 return w 定義乙個初始化偏置的函式 d...