2.2 图像识别——Avatar CAPTCHA
现有图像CAPTCHA在可用性和安全性方面还存在以下问题，限制了图像CAPTCHA得大规模应用：
1）依赖于标注图像库。数据库生成复杂繁琐，不适合大规模应用，数据库一旦被攻破，算法立刻失效。目前的改进方案有：对原图像显著变形；利用反馈机制自动标注图像[16]；采用可变形模型代替图像数据库产生图像[2]。
2）易受机器学习算法攻击。最近几年，机器学习算法已在目标识别和图像分类上获得显著成效，如何将计算机视觉领域较难的人工智能问题有效转化为一个安全的CAPTCHA是当前图像CAPTCHA面临的主要问题。
3）解空间过小。传统图像CAPTCHA采用“单项选择”的答案，解空间大小与选择题个数呈线性正相关。目前的改进方案有：级联架构，此时解空间大小为多个测试解空间大小的乘积[17]；“多项选择/不定项选择”答案，此时解空间大小随选择题个数呈高次多项式增长；基于鼠标点击位置的解空间设计，只需确定一个点的位置时，解空间大小即为图像尺寸。
2.1.3  声音CAPTCHA
声音CAPTCHA针对视觉障碍者，是对视觉CAPTCHA的辅助。与文本以及图像CAPTCHA相比，声音CAPTCHA的研究较少，用户友好型较差，测试更难解决并且更耗时。
2.1.4  其他CAPTCHA
逻辑问题CAPTCHA增加了作为用户必须阅读和理解的问题的回答时间。同时，基于互联网数据库的自动程序的智能可以很容易地破解CAPTCHA [7]。
交互式CAPTCHA如[16,17,18]有识别的挑战，在它可能被一个机器人破坏前单击正确的部分[19]。其缺点是，该鼠标点击可通过脚本实现自动化，这样只有原挑战有待解决而降低了问题集[20,21]。 CAPTCHA技术国内外研究现状(2):http://www.youerw.com/yanjiu/lunwen_19126.html