在VS2010下编译和使用tesseract_ocr识别验证码

转载自http://blog.csdn.net/zhymax/article/details/8435303

 

对于自动识别验证码，使用trsseract是个不错的选择，有兴趣的的朋友可以试试。

编译tesseract

官网提供了vs2008的编译说明和工程，但在vs2010下的编译时基本相同的，因此我使用的方法就是把vs2008工程转换为vs2010工程，

同时把编译过程中遇到的问题以及解决方法和大家分享一下，希望对正准备使用trsseract库的朋友有所帮助。

下载代码

google code下载一下源代码，并建立build目录。

• tesseract-ocr-3.02.02.tar.gz tesseract源代码
• tesseract-ocr-3.02-vs2008.zip vs2008工程文件
• leptonica-1.68-win32-lib-include-dirs.zip tesseract依赖的leptonica的lib和dll文件

 

创建tesseract-build文件夹，把下载的三个文件解压，得到以下目录结构：

tesseract-build
├─include // 保存leptonica-1.68-win32-lib-include-dirs.zip解压后头文件
│ └─leptonica
├─lib // 保存leptonica-1.68-win32-lib-include-dirs.zip解压后库文件
├─tesseract-ocr // 保存tesseract源代码以及vs2008工程文件
└─vs2008

在tesseract-ocr目录下复制一份vs2008文件夹，改为名vs2010。

打开工程文件vs2010\tesseract.sln，按vs2010的提示自动转换工程。

完成后选择编译配置DLL_Debug，编译。

编译过程会出现以下错误：

1> equationdetect.cpp
1>..\..\ccmain\equationdetect.cpp : warning C4819: 该文件包含不能在当前代码页(936)中表示的字符。请将该文件保存为 Unicode 格式以防止数据丢失
1>..\..\ccmain\equationdetect.cpp(251): error C2146: 语法错误: 缺少“}”(在标识符“銆”的前面)
1>..\..\ccmain\equationdetect.cpp(251): error C2146: 语法错误: 缺少“;”(在标识符“銆”的前面)
1>..\..\ccmain\equationdetect.cpp(251): error C2065: “銆”: 未声明的标识符
1>..\..\ccmain\equationdetect.cpp(251): error C2146: 语法错误: 缺少“;”(在标识符“銆”的前面)
1>..\..\ccmain\equationdetect.cpp(251): error C2065: “銆”: 未声明的标识符
1>..\..\ccmain\equationdetect.cpp(251): error C2146: 语法错误: 缺少“;”(在标识符“銆”的前面)
1>..\..\ccmain\equationdetect.cpp(251): error C2065: “銆”: 未声明的标识符
1>..\..\ccmain\equationdetect.cpp(251): error C2143: 语法错误 : 缺少“;”(在“}”的前面)
1>..\..\ccmain\equationdetect.cpp(253): error C2065: “kCharsToEx”: 未声明的标识符
1>..\..\ccmain\equationdetect.cpp(253): fatal error C1903: 无法从以前的错误中恢复；正在停止编译

这是错误由于文件编码格式引起的。

解决方法：

选择vs2010的菜单“文件 -- 高级保存选项”，在窗口中选择“简体中文（gb2312）-代码页936”，保存后重新编译。

编译完成后生成dll文件：vs2010\DLL_Debug\libtesseract302d.dll

测试tesseract

编译tesseract工程，生成DLL_Debug\tesseract.exe。

下载英文语言库tesseract-ocr-3.02.eng.tar.gz，解压到DLL_Debug文件夹。

还需要把tesseract-build\lib\liblept168d.dll复制到DLL_Debug目录。

运行tesseract.exe，但系统提示运行失败：



原因是我使用的liblept168d.dll是vs2008编译的(leptonica-1.68-win32-lib-include-dirs.zip)，系统中没有安装vs2008的运行环境，因此无法启动。

解决方法

1 根据官网说明，可以使用liblept168d静态库编译。

选择LIB_Debug编译配置，重新生成以上文件。

2 使用vs2010重新编译liblept168d.dll，可以参考编译方法。

文中介绍的还是vs2008，但vs2010过程完全一样，具体这里不做说明了，一步一步照做就行。

我这里提供编译好的库，需要的可以下载。

生成后，使用京东商城的验证码进行测试：

另存图片为image.jpg

tesseract.exe image.jpg image

输出image.txt，结果是QYRH

 

使用tesseract.lib进行二次开发

创建test工程，保存在编译目录下：

tesseract-build
└─testtess // 测试工程

└─testtess.sln

复制tesseract头文件

官网提供了一个python脚本，可以把开发使用的头文件复制到指定目录下：

python.exe tesshelper.py .. copy ..\..\include

代码

[cpp] view plain copy print ?

1. #include "stdafx.h"
2. #include "tesseract\baseapi.h"
3. #include "tesseract\strngs.h"
6. int _tmain(int argc, _TCHAR* argv[])
7. {
8. const char * image = "image.jpg";
10. tesseract::TessBaseAPI api;
11. api.Init(NULL, "eng", tesseract::OEM_DEFAULT);
12. api.SetVariable( "tessedit_char_whitelist", "0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz" );
14. STRING text_out;
15. if (!api.ProcessPages(image, NULL, 0, &text_out))
16. {
17. return 0;
18. }
20. printf(text_out.string());
22. return 0;
23. }

#include "stdafx.h"
#include "tesseract\baseapi.h"
#include "tesseract\strngs.h"


int _tmain(int argc, _TCHAR* argv[])
{
    const char * image = "image.jpg";
    
    tesseract::TessBaseAPI  api;
    api.Init(NULL, "eng", tesseract::OEM_DEFAULT);
    api.SetVariable( "tessedit_char_whitelist", "0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZabcdefghijklmnopqrstuvwxyz" );

    STRING text_out;
    if (!api.ProcessPages(image, NULL, 0, &text_out))
    {
        return 0;
    }

    printf(text_out.string()); 

    return 0;
}

编译后用刚才下载的image.jpg文件。

注意运行时需要语言库。