ubuntu下使用Tesseract-ocr(编译、安装、使用、训练新的语言库)

最新推荐文章于 2024-07-24 15:36:57 发布

默一鸣

最新推荐文章于 2024-07-24 15:36:57 发布

阅读量2.5w

点赞数 3

分类专栏： Unix CV 文章标签： ubuntu tesseract-ocr 语言库识别训练

本文链接：https://blog.csdn.net/yimingsilence/article/details/51353772

版权

本文前半部分是来自http://www.qisanfen.com/?p=185的一篇文章，主要讲了安装、训练的大致流程，注意如果需要训练语言库需要把所需要的库安装完整

后半部分大致是官方wiki的翻译版本

如果只安装，不训练，可以看我的另一篇比较简洁的文章http://blog.csdn.net/yimingsilence/article/details/51276138

关于训练的具体细节可以查看官方wiki ： https://github.com/tesseract-ocr/tesseract/wiki/TrainingTesseract

或者wiki的翻译版本http://qianjiye.de/2015/08/tesseract-ocr 和 http://yanghespace.com/2015/11/01/Tesseract3训练新语言/

安装、训练的大致流程

OCR的全称是Optical Character Recognition，是指识别计算机图片中的文字内容的过程。

Google Project下有一个C++开源项目叫做tesseract-ocr，这是一个命令行工具，运行时指定需要进行识别的图片，识别出来的文字存储在指定的文本文件中。它能识别包括中文在内的大多数语言，虽然初始安装时只能正确识别比较规范的字体，但可以通过训练提高其识别精确度。所谓训练，实际上就是通过一系列tesseract-ocr提供的工具，根据需要识别的语言及其字体的特点，生成一个以traineddata为扩展名的文件，文件名可随意，不过一般以语言缩写命名，比如训练英文生成的文件就是eng.traineddata，训练简体中文生成的文件就命名为chi_sim.traineddata。使用tesseract对某一图片进行文字识别时，需要指定识别成哪一种语言，然后tesseract就会读取对应该语言的traineddata进行识别。在我安装的ubuntu系统下，安装tesseract-ocr后，其使用的traineddata存放在/usr/local/share/tessdata/目录下。因此只要将你的训练结果复制/替换到这个目录下，tesseract就会根据你的训练结果来识别对应的语言了。由于安装和训练是独立的，你的训练结果可以在多个安装环境下使用；并且，如果有人共享了识别率较高的训练结果，你也不需要自己进行繁琐（是的，安装tesseract-ocr很简单，训练很麻烦）的训练了。

本文记录如何在ubuntu下安装，使用，训练tesseract-ocr。

词汇说明：

tesseract-ocr是项目名称，tesseract是安装tesseract-ocr后用于文字识别的命令行工具名称，本文不对两者进行严格的区分。

安装

用aptitude安装

如果你不打算自己训练tesseract（训练工具得通过源代码编译安装），或者想先体验一下tesseract的功能，那么最快速简单的方法就是使用aptitude了。关于aptitude的用法请参考官方User Manual。

从源代码安装安装

在安装tesseract-ocr之前，如同官方wiki文档指出的那样，需要先安装一些Dependencies，包括：autotools-dev, libleptonica-dev, autoconf, automake, libtool, libpng12-dev, libtiff4-dev, zlib1g-dev, libicu-dev。这些可以用apt-get安装，也可以用aptitude，我使用的是aptitude。wiki中还提到了libjepg62-dev，但aptitude提示其与libtiff4-dev有冲突，因此我没有安装，但这并不影响本文提到的tesseract的使用及基础训练。

接下来下载代码，可以选择从svn下载，也可以直接下载代码压缩包。svn中包含了很多语言的traineddata，总共有600多M，而单纯的代码包只有几M。由于svn代码较新，相对代码压缩包来说，多了一些本文要用到的训练工具，因此我这里选择从svn下载安装。

代码checkout之后，在terminal下进入这个源代码文件夹，然后按顺序执行以下命令开始编译安装。

./autogen.sh

./configure

make

sudo make install

sudo ldconfig

到了这一步，你就可以看到 tesseract 已经被成功安装了

安装语言文件（Language Data）

在你用tesseract识别某一种语言之前，必须要确保你安装了对应的语言文件（Language Data，这是tesseract-ocr训练生成的文件，不是操作系统的语言包）。要查看是否安装了某种语言，只需要查看 /usr/local/share/tessdata/ 目录下是否有以该语言命名的traineddata就可以了，如果有eng.traineddata，那说名tesseract可以识别英文了，同样，chi_sim.traineddata对应于简体中文。

如果某种语言没有安装，安装方法也很简单，首先到官方下载列表里面找到并下载对应语言包。比如我要识别英文，而我安装的tesseract-ocr是3.02版本的，就下载对应版本的英文语言包 tesseract-ocr-3.02.eng.tar.gz。下载后解压，