Tesseract3.02训练生成新的识别语言库的详细步骤

说明：本文参考了很多前辈的资料，主要是：tesseract-OCR3.0语言库训练步骤，再结合自己的实践操作，个人感觉官网的教程是最权威的，耐着性子看完，收获很大，比网上到处看别人理解的更好，毕竟每个人理解的都是自己的，不全面，当然也包括本文，对英文还可以的，还是推荐去官网看训练教程，呵呵

第一部分：训练前的说明

        要训练一个新语言（自定义语言或者某种自然语言）对应的traineddata文件，需要产生下列过程文件：

1. lang.config
2. lang.unicharset  //语料的所有字符
3. lang.unicharambigs  //取代了原来的DangAmbigs文件，手工设置的
4. lang.inttemp
5. lang.pffmtable
6. lang.normproto
7. lang.punc-dawg
8. lang.word-dawg
9. lang.number-dawg
10. lang.freq-dawg

      在这十个文件中，红色标示（共4个，都是训练过程中生成的）的是必须的，其他的文件可选。当这些文件都准备好之后，再使用combine_tessdata进行最后的合并工作，生成lang.traineddata ，这个文件就是最终训练出来语言库，他只是一些输入文件的串联，用一张表记录这与已知文件类型的偏移量。

同时lang.user-words，may still be provided separately.

>>>注释：如果你只是想识别有限的字体，比如一种字体，只需要一个单独的训练页就够了，其它的文件不需要提供，这样反而会大幅度提高准确率，当然了，这要根据你的应用决定。旧版的DangAmbigs现在已经用unicharambigs文件取代。

第二部分：训练过程

1、训练材料的准备和获得

       首要要确定要用的所有字符，准备一个包含这样字符的类似Word的文档处理程序，不要使用图片进行训练，此外特别需要注意以下几点：

• 每个字符至少需要10个样本，对罕见的字符5个样本也可以
• 对高频字符至少需要20个样本
• 不要自作聪明地把字符聚集在一起，非字符聚集在一起，而是要保留其原来的样子，这样使得文本行分割程序更容易找到特殊字符的基线。
• 
  

改进：tesseract3.03添加了自动化处理的工具：

  准备一个包含训练字符的txt文件training_text.txt,然后找到你需要识别的字体文件，比如你想识别宋体的字符，就找到宋体的truetype或者opentype文件。然后运行下面的命令来创建一个tif/box文件对。

training/text2image --text=training_text.txt --outputbase=eng.TimesNewRomanBold.exp0 --font='Times New Roman Bold