orc文字识别，现在比较流行的是通过人工智能训练CNN神经网络来识别。
大体流程
准备训练数据。训练数据可以自己写个程序生成验证码，和标准答案。
构建CNN模型。这个比较简单，使用keras框架，5分钟的事情。
训练。不停地把数据feed给程序，直到准确率达到你的期望，推荐使用GPU加速
预测。加载模型，把验证码图片feed给模型，得出结果
希望对你有帮助。
提取待检索电影的每一帧图像的局部敏感哈希 (Locality Sensitive HashingLSH) 特征, 并保存下来, 不妨称为库 (gallery). LSH 特征可以用整型来表示, 一般是6...2.来了一张查询图像 (query), 也计算它的 LSH 特征. 然后与预先保存下来的库中的每个 LSH 特征都计算 Hamming 距离, 返回库中与查询图像 LSH 特征距离最小 (或距离小于指定阈值) ...
1. python 判断是不是中文字法一：
isinstance(s, str) 用来判断是否为一般字符串
isinstance(s, unicode) 用来判断是否为unicode
或
if type(str).__name__!="unicode":
str=unicode(str,"utf-8")
else:
pass
法二：
Python chardet 字符编码判断
使用 chardet 可以很方便的实现字符串/文件的编码检测。尤其是中文网页，有的页面使用GBK/GB2312，有的使用UTF8，如果你需要去爬一些页面，知道网页编码很重要的，虽然HTML页面有charset标签，但是有些时候是不对的。那么chardet就能帮我们大忙了。
chardet实例
>>>import urllib
>>>rawdata = urllib.urlopen('/').read()
>>>import chardet
>>>chardet.detect(rawdata)
{'confidence': 0.98999999999999999, 'encoding': 'GB2312'}
>>>chardet可以直接用detect函数来检测所给字符的编码。函数返回值为字典，有2个元数，一个是检测的可信度，另外一个就是检测到的编码。
chardet 安装
下载chardet后，解压chardet压缩包，直接将chardet文件夹放在应用程序目录下，就可以使用import chardet开始使用chardet了。
或者使用setup.py安装文件，将chardet拷贝到Python系统目录下，这样所有的python程序只要用import chardet就可以了。
2. 在pycharm学python 怎么识别汉子PyCharm配置
PyCharm默认Python脚本编码是UTF-8，我们将其设置为GBK:
进入file>setting，在输入框搜索encoding
保存设置并重启PyCharm，这样默认编码就生效了，可在右下角查看
END
Python 2
笔者使用的Python版本是2.7.11。Python 2 的中文支持需要做两件事：
①在代码前端增加代码：# -*-coding:gbk-*-
②在中文前加u前缀，如：u"你好"
运行代码，检查是否已成功支持中文字符
END
Python 3
笔者使用的Python版本是3.5.1。Python 3 的中文支持只需要做一件事即可：
①在代码前端增加代码：# -*-coding:gbk-*-
3. python有什么好的本地文字识别你好，如果是英文的话。你可以用下面的库。
pytesser,OCR in Python using the Tesseract engine from Google。是谷歌OCR开源项目的一个模块，可将图片中的文字转换成文本（主要是英文）
如果要识别中文还需要下载对应的训练集：
下载”chi_sim.traineddata”，然后copy到训练数据集的存放路径。下面是一个例子的代码。
#!/usr/bin/env python3
# -*- coding: utf-8 -*-
import pytesseract
from PIL import Image
# open image
image = Image.open('test.png')
code = pytesseract.image_to_string(image, lang='chi_sim')
print(code)
4. 怎么读取整个文件 pythonPython 读写文本文件首先需要注意的是，txt文件是具有字符编码的，不同的txt字符编码可能不同。
具体是什么编码，可以用 notepad++ 等文本编辑器查看。读取文件建议使用 with。
as。 结构，可以自动关闭文件。
with open("text.txt", "r") as f:text = f.read()print(text)如果不用 with。as。
则必须手动关闭文件：f = open("text.txt", "r")text = f.read()f.close()print(text)如果读取的文件含有中文，使用内置的open可能会报错，这个时候要用到codecs模块：import codecswith codecs.open("text.txt", "r", encoding="utf-8") as f:text = f.read()print(text)（假设 text.txt 是 utf-8 编码）。
5. Python手写识别怎么识import os
import OperatePicture as OP
import OperateDatabase as OD
import PictureAlgorithm as PA
import csv
##Essential vavriable 基础变量
#Standard size 标准大小
N = 100
#Gray threshold 灰度阈值
color = 200/255
n = 10
#读取原CSV文件
reader = list(csv.reader(open('Database.csv', encoding = 'utf-8')))
#清除读取后的第一个空行
del reader[0]
#读取num目录下的所有文件名
fileNames = os.listdir(r"./num/")
#对比fileNames与reader，得到新增的图片newFileNames
newFileNames = OD.NewFiles(fileNames, reader)
print('New pictures are: ', newFileNames)
#得到newFilesNames对应的矩阵
pic = OP.GetTrainPicture(newFileNames)
#将新增图片矩阵存入CSV中
OD.SaveToCSV(pic, newFileNames)
#将原数据库矩阵与新数据库矩阵合并
pic = OD.Combination(reader, pic)
#得到待识别图片
testFiles = os.listdir(r"./test/")
testPic = OP.GetTestPicture(testFiles)
#计算每一个待识别图片的可能分类
result = PA.CalculateResult(testPic, pic)
for item in result:
for i in range(n):
print（'第'+str(i+1)+'个向量为'+str(item[i+n])+'，距离为'+str(item[i]))
