Tesseract训练新字体

最近工作需要，要对特定字体准确识别，用官方下载的eng识别库，错误率比较高，不能满足要求，所以就踏上了训练字库的征程，我说下我寻找的几种训练方法

注意： Tesseract-OCR 和 Tesseract 不是同一个东西

1. Tesseract-OCR手动训练，需要自己生成或收集样本图片，然后用jTessBoxEditor手动纠正识别错误的地方，然后敲命令生成各种文件，总体来说太慢太麻烦，容易出错，效果不佳

2. 仍然是Tesseract-OCR训练，这次智能化一点了，采用LSTM技术，可以自动训练，无需图片，无需手动纠错，但是要自己提供训练样本的TXT（要识别的文字，字符等），然后敲命令生成训练文件，但是效果不好，出错概率较大，不能满足生产需要。

3. 使用 Tesseract 训练，训练步骤和Tesseract-OCR的LSTM几乎一样，不同的是，样本采用官方提供的训练样本，而且有大佬提供的训练脚本，训练起来方便多了。效果也比前2种方法好，比官方自带的eng训练包好很多

总结：训练可能一样，但是训练样本同样重要，合理的样本能事半功倍

下面就只看最简单最有效的训练方法Tesseract LSTM训练（Windows）

准备工作

1. 下载并编译Tesseract，本文末尾提供了已经编译好的Tesseract，大家可自行下载

2. 配置Tesseract/bin到环境变量

3. 下载训练需要的脚本程序，本文后面也会提供下载地址

4. 准备好你要训练的字体样本

5. 将待训练的字体文件拷贝到tesstrain/fonts路径下，tesstrain.sh支持同时训练多个字体文件。

6. 将待训练的字体所属语言相关文件拷贝到tesstrainsh-win/langdata_lstm下。例如本文训练的字库属于英语，将langdata_lstm/eng该文件夹下所有文件下载并放在tesstrainsh-win/langdata_lstm/eng路径下。假如您需要训练简体中文，则在tesstrainsh-win/langdata_lstm路径下新建chi_sim文件夹，将langdata_lstm/chi_sim下所有文件下载并放在tesstrainsh-win/langdata_lstm/chi_sim路径下。

7. 将待训练的字体的基础字库拷贝到路径tesstrainsh-win/tessdata下，本文该路径下的文件为tesstrainsh-win/tessdata/eng.traineddata，这里的.traineddata需要从github/tesseract-ocr/tessdata_best项目中下载。

8. 将lstm.train拷贝至路径tesstrainsh-win/tessdata/configs下。该文件在tesseract的安装路径下C:/Program Files/tesseract/tessdata/configs。我在tesstrainsh-win中已准备好该文件，但我的是Tesseract4.1版本，如果您使用的是其他版本的训练工具，建议该文件版本也保持一致，在安装路径下找到该文件拷贝到路径tesstrainsh-win/tessdata/configs下覆盖现有文件即可。

9. tesstrainsh-win项目下的tesstrain.sh、tesstrain_utils.sh、language-specific.sh这三个文件是从Tesseract源码(Tesseract/src/training)拷贝而来，是Tesseract4.1的release版本。如果您使用的是其他版本的训练工具，建议这三个文件版本也保持一致。在源码路径下找到这三个文件并拷贝到路径tesstrainsh-win下覆盖现有文件即可。

10. 从langdata_lstm下载radical-stroke.txt并拷贝至路径tesstrainsh-win/langdata_lstm下。我在tesstrainsh-win已准备好该文件，radical-stroke.txt已有2年未更新，目前有LSTM的Tesseract版本应该均通用。

开始训练

上面我们已经做好了准备工作，下来我们开始训练

1. 管理员身份打开命令提示符(cmd.exe)，进入tesstrainsh-win所在路径。

2. 执行  sh tesstrainDone.sh，提示没有sh命令的请用git的命令窗口进行

然后就等待训练完成，训练也不需要太长时间

训练完成后，输出文件在output文件夹下面，也可以利用sh eval.sh命令进行训练结果评估

参考文献：Train Tesseract LSTM with tesstrain.sh on Windows - LiveZingy