基于不变矩的数字验证码识别,本课题将模板匹配作为基本框架的验证码识别系统。本系统的优点在于能够对特定类型的数字验证码进行精确识别，实验中识别准确率可达到95％以上，并提供动态更新样本库的功能，可根据实际运行的环境提高验证码的识别率。 本案例选择了经典的数字验证码识别作为识别的对象。验证码的识别涉及图像预处理、分割、特征提取、识别等相关技术，本案例通过对彩色验证码图像进行灰度化、二值化、去噪和归一化等步骤来进行预处理，通过建立模板库的动态更新机制来提高系统的兼容性，进一步提升验证码识别的效率和准确性。

captcha_cracker 简介 这是一个基于 编写的卷积神经网络模型，简单实现的验证码识别功能。 是一款 社区中流行的验证码生成库, 项目模型的训练集以及在线测试所用到的验证码均采用该库生成。 运行环境 Ubuntu16.04 python3.5.2 virtualenv Tensorflow Backend 实现原理 用 Captcha 生成2组每组2000个4位验证码图片（图片尺寸：36×120），并等分成4份(单张图片尺寸：36×30)，将单个字符的图片分类保存在 images 目录中作为训练集（每组8000张图片）。 生成2组每组500个4位验证码图片（图片尺寸：36×120），并等分成4份(单张图片尺寸：36×30)，将单个字符的图片分类保存在 images 目录中作为测试集（每组2000张图片）。 运行 pack_data.py 将图片转为 RGB 矩阵并用cPic

matlab实现基于不变矩的数字验证码识别.

基于文本字符的交易验证码识别.zip

对CSDN资源上传验证码识别率100%, 对久游网登陆90% 关于这个程序的说明和部分原理在如下链接： http://blog.csdn.net/stevenkylelee/article/details/8270069

我写的C++图形验证码识别,注释很全.再菜的人也能看明白. 能明白验证码识别的基本原理. VS2010下测试通过.

Tensorflow是目前最流行的深度学习框架，我们可以用它来搭建自己的卷积神经网络并训练自己的分类器，本文介绍怎样使用Tensorflow构建自己的CNN，怎样训练用于简单的验证码识别的分类器。本文假设你已经安装好了Tensorflow，了解过CNN的一些知识。 下面将分步介绍怎样获得训练数据，怎样使用tensorflow构建卷积神经网络，怎样训练，以及怎样测试训练出来的分类器 1. 准备训练样本 使用Python的库captcha来生成我们需要的训练样本，代码如下： import sys import os import shutil import random import time

MATLAB数字验证码识别系统

谷歌验证码识别 介绍连接https://blog.csdn.net/weixin_45724232/article/details/125044492?spm=1001.2014.3001.5501 包括：数据集 训练代码测试代码以及训练好的模型

网络安全：基于机器学习的数字验证码识别，matlab实现，包含数据集以及全部源码