文献综述（或调研报告）：
通过阅读论文和对实验具体数据的考察和分析发现， Gao H[6]和P Lu[13]等人提出了不同字符分割算法并结合 KNN分类算法及 BP神经网络进行字符识别。Yan J[2]等人则分析并研究了现有微软验证码的缺陷，并设计了虚拟问答及基于情感方法对验证码进行识别。Google研究室构建深层卷积神经网络模型，研究发现卷积模型对图像的识别效果显著[5]。目前有一种较为简单而且通用的攻击验证码的方法[6],该方法对验证码的攻击具有较高的准确率和较广的适用场景。但对于文本验证码的通用攻击方法的研究似乎已经快到了终点，也已经取得比较理想的效果[4]。
- 去噪
Gabor过滤器以前用于计算机安全，但主要用于生物识别领域。Gabor滤波器在计算机安全领域最著名的应用是Daugman的虹膜识别。Gao H等人首次应用Gabor滤波器来分析验证码的鲁棒性。这种方法对验证码安全性的广泛设计方案有着较好的综合效果。但对于本实验数据并不是最好的，因为本实验数据的噪声主要是干扰线条和颜色干扰。
针对颜色差异的干扰，采用中值滤波消除各个字符之间颜色的差异性，而后再对图像进行二值化处理，使得预处理之后显示字符全部呈现黑色，背景色为白色，颜色对比效果突出[16]。
对于线条干扰，可以不做处理，直接将分割后的字符图片直接作为卷积预训练网络的输入，使得神经网络正式训练模型具有良好的初值，并自学习出抗噪声和抗扭曲等特性，从而省去传统验证码识别方法中繁琐的去噪声等图片预处理操作[1]。
- 分割
针对各个字符位置相对独立的验证码，可以采用基于k-means聚类的字符分割方法，根据预处理之后的验证码图片，取图片中黑色像素点 （即有效信息区域）的坐标值组成聚类数据集，并将验证码图片有效信息像素点坐标聚成4类[1]（实验数据验证码的字符都是4个）。但这种方法对各个字符都紧密连在一起的验证码分割效果不一定理想。
对于字符之间间距很小的验证码，采用Log-Gabor过滤器分别用于从验证码图像沿四个方向提取字符组件，然后对组件进行排序，通过构建等效图、修剪图、识别组件组合、图搜索等方法得到最可能的组合结果[6]，即为各个字符。
Hussain R[8]等人用了一种新奇智能的方法对文本验证码进行了比较有效的字符分割。
- 识别
目前人工智能领域对文本分类识别的各种技术百花齐放，本论文采用目前较为流行的几种方法：
循环神经网络（Recurrent Neural Network，RNN）。循环神经网络是一种节点定向连接成环的人工神经网络，RNN可以利用它内部的记忆来处理任意时序的输入序列，这让它可以更容易处理如不分段的手写识别、语音识别等。Zhang L [10]等人采用这种方法取得了较为有效的成果。
以上是毕业论文文献综述，课题毕业论文、任务书、外文翻译、程序设计、图纸设计等资料可联系客服协助查找。
