Tesseract训练注意事项

生成训练样本

1.如果只为识别有限范围内的字体，一张训练样本就足够了，但是多余的会增加准确度。

2.生成训练样本时，确保每个字符有最少数量的样本，10个就很好，针对低频率出现的字符，5个也行。对于频繁出现的字符，至少需要20个样本。

3.让训练样本中的文本更贴近现实，The (quick) brown {fox} jumps! over the $3,456.78<lazy> #90 dog & duck/goose, as 12.5% of E-mail from aspammer@website.com is spam?就比The quick brown fox jumps over the lazy dog. 0123456789 !@#$%^&(),.{}<>/?好很多。

4.增加字符之前的距离比较安全。

5.训练集应该按字体划分，不能在同一个.tr文件中混入多种字体，否则会丢失字体特征。

6.对于同一个字符，不需要多个大小的训练样本，10Pt就够了。待识别字符小于15像素的需要特别训练或者识别前放大识别图片。

7.修正box文件时，字符被分开了，merge！多个字符连在一起，重新修正训练样本图片。如果识别图像中，这个连在一起的字符块很常见，则使box中的多个字符表示这个box的识别结果。box 的坐标系左下角是（0,0）。

8.在box.train过程中，需要修正输出中的FATALITIES，否则训练过程会失效。

unicharset_extractor lang.fontname.exp0.box lang.fontname.exp1.box ...

<fontname> <italic> <bold> <fixed> <serif> <fraktur>