基于Tesseract OCR的文字识别Android应用开发资料整理

一、Tesseract OCR引擎

　　Tesseract OCR是HP公司于1985~1995年间开发的商业级OCR(Optical Character Reader, 光学字符阅读器)引擎，并于2005年开放源代码。以下是它sourceforge上的网址：

　　http://sourceforge.net/projects/tesseract-ocr/?source=directory

现在已转移到谷歌的代码服务下：

　　https://code.google.com/p/tesseract-ocr/

源码和字库的下载列表：

　　https://code.google.com/p/tesseract-ocr/downloads/list

谷歌的服务器在国内不稳定，可以从http://pkgs.fedoraproject.org下载到所需的软件包和字库包：

　　>源码：http://pkgs.fedoraproject.org/repo/pkgs/tesseract/tesseract-ocr-3.02.02.tar.gz/

　　>中文字库：http://pkgs.fedoraproject.org/repo/pkgs/tesseract-langpack/tesseract-ocr-3.02.chi_sim.tar.gz/

　　>英文字库：http://pkgs.fedoraproject.org/repo/pkgs/tesseract/tesseract-ocr-3.02.eng.tar.gz/

二、面向Android的Tesseract工具

　　tess-two是Tesseract Tools for Android (tesseract-android-tools) 的一份拷贝，并添加了一些功能。Tesseract Tools for Android是Tesseract OCR和Leptonica图像处理库的Android API与构建文件的集合。github上的网址为：

　　https://github.com/rmtheis/tess-two

关于tess-two的编译过程，可以参考上述网址，根据我的编译经历，发现执行"android update project --path ."一步是，需要指定--target选项，其参数通过命令"android list targets"获取到id值，再指定，如下(记得连接好你的Android手机)。

root@Leon:/home/work/tess-two# android list targets
Available Android targets:
----------
id: 1 or "android-18"
     Name: Android 4.3
     Type: Platform
     API level: 18
     Revision: 1
     Skins: WVGA854, WXGA800, WSVGA, WVGA800 (default), WQVGA400, WXGA720, QVGA, WQVGA432, WXGA800-7in, HVGA
     ABIs : armeabi-v7a
root@Leon:/home/work/tess-two# android update project --path . --target 1

其中的"1"便是来自id后面的值。之后，便按照tess-two的github上的描述，添加到Eclispe即可。

三、基于tess-two的Android应用

　　有了面向Android的Tesseract库tess-two，接下来就是使用Android应用来测试和使用了。github上的android-ocr就是这样的应用：

　　https://github.com/rmtheis/android-ocr

我测试使用的是来自Mike_Wong的应用，参考了文章《浅析android OCR文字识别》，文章中包含了源码的下载地址。解压源码并导入到Eclipse之后，删除目录中的"gen"目录，并关闭工程再重新打开即可，为的是重新生成gen目录及其中的内容。源码中已包含tess-two编译会生成的libtess.so和liblept.so，并且包含了libjpeg.so。在编译并安装应用之前的唯一步骤是，在目标手机的SD目录下创建tessdata目录，将上面讲述的中英文字库添加到该目录，即"/sdcard/tessdata/"目录。

　　经过测试，发现算法的运行时间还是比较慢的，一段话的中文，处理时间大约20秒。识别精度也比较有限，在一张照片中文字比较多时，识别精度有所下降，如果文字比较少且比较大，则精度较高。

附录：其它参考文章

1. 《Android OCR 之 tesseract》

　　http://www.cnblogs.com/hangxin1940/archive/2012/01/13/2321507.html

2. 《安卓平台tess-two的图片识别终于成功》

　　http://www.cnblogs.com/muyun/archive/2012/06/12/2546693.html

3. 《tesseract-ocr训练方法》

　　http://my.oschina.net/lixinspace/blog/60124

4. 《Tesseract 3 语言数据的训练方法》

　　http://blog.wudilabs.org/entry/f25efc5f/