机器自动识别验证码的原理是怎么样的？

机器自动识别验证码的原理是怎么样的？

http://www.zhihu.com/question/22479139

----部分摘录

文字识别主要有两大步骤，第一步是特征提取，第二部是分类识别。
第一步包括：二值化，页面矫正，文字块提取，文字baseline提取，文字分割，特征提取，etc.
第二步包括：训练时的特征与字符的映射关系存储，识别时的特征识别。

第一部是通用的，第二步可以用各种机器学习的算法，包括ANN,SVM等算法，典型代表：tesseract（tesseract-ocr - An OCR Engine that was developed at HP Labs between 1985 and 1995... and now at Google.）。这种比较通用，用户可通过自己训练以应用于其他语言的识别。

当然也可以不用机器学习的算法，直接硬编码，指定哪些特征属于哪个字符，典型代表：GOCR (http://jocr.sourceforge.net/index.html)。这种适用于小字符集，比如英语，或者指定某个范围的汉语字符等情况，速度较快。

我认为OCR最复杂的还是在于第一步，文字的分割提取。