一个验证码识别实验，欢迎star。https://github.com/xiaodouhua/captcha_recognition
实验用到的库主要是sklearn，建议下载anaconda即可
实验主要工作有以下几点：
- 批量下载验证码
- 验证码的处理，包括：去噪音，灰度化，二值化，切割
- 用svm+pca去训练数据
各个文件介绍：
- googleocr.py: 一行代码，主要用了google的pytesseract开源识别库，在此数据集上不能识别，应为数据是空心的。如果是实心的话，效果猜测不错（前一个项目就是直接用的，基本100%）
- scrapy.py: 爬取数据集
- slice_pic.py: 图片处理，切割等
- ml.py ：利用sklearn库进行数据特征提取，pca降维，svm分类，保存了模型
- predict.py: 利用保存的预测
实验数据如下 ：
共爬取了1000张，最后由于人工去标注的量太大，所以只用了分割后的910张去训练和测试准确率
训练数据为910*0.85，剩下的去测试，最后经过pca调参之后选取了降维到50个特征，切割后的单个图片的验证码识别率为85%~86%，所以验证码的识别率大概为0.85^4≈50%，效果一般，但是应该可以用了。
总结：
- 切割的非常好，因为数据集的原因，观察观察再观察，发现数据切割只要固定切割就行了，不需要发现空白竖线什么的（反而不好发现），而且恰好是均等分割，后面特征处理非常好处理。
- 训练结果在单个字符上也是不错的，在经过pca各种参数维度降维之后，选取了50。
不足之处：
- 噪音线条和数字字母的颜色太相近，很难去去噪，只去除了黑点和颜色比较深的部分，去除之后如下：
- 识别只用了机器学习的算法，看网上的资料说神经网络应该效果不错的。还有水滴算法等
- 数据集还是太少，人工需要把每个切割后的图片放到对应文件里面，很费时。如果数据量大的话，算法的准确率应该会再上一台阶。
