Tesseract OCR的训练方法

网上有关于很多Tesseract OCR的训练文章，我看了很多，终于成功成功了一会，写下此文做个记录。

预备工作：

1.下载安装Tesseract OCR，我安装的版本是3.02.02

2.下载安装jTessBoxEditor，这个下载下来是不用安装的，不过运行的时候需要java虚拟机，要打开jar文件，因此需要最好安装一遍java环境，我对java还不是很熟，光安装一个jre是不行的。我百度了一下怎么打开jar文件，后来安装了这个。

3.用画图制作几张图片，jpg格式就好，就是在画图软件中用画笔话同样的几个数字，为了保证图片大小一样，各种另存为再清除重画就行。

开始训练

1.合并样本图片，保存为tif格式。

运行jTessBoxEditor，打开菜单栏Tools->Merge TIFF。为了选中多张图片，记得用Ctrl或Shift。合并成num.font.exp0.tif文件。这个名字很讲究，必须是：

[lang].[fontname].exp[num].tif

2.生成Box File文件。

执行命令：

tesseract num.font.exp0.tif num.font.exp0 batch.nochop makebox

3.校正

    再次用上了jTessBoxEditor，打开Box Editor这栏，Open那个num.font.exp0.tif，box文件不用你管，他会自动关联，要是没有关联出来，你该检查一下tif同目录下有没有box文件。所以这个过程建议你不要自己去变动该目录下的任何文件。用该工具手工去更正每张图片的识别结果，别漏了。然后点save，就可以关闭软件了。

4.定义字体特征文件

Tesseract-OCR3.01以上的版本在训练之前需要创建一个名称为font_properties的字体特征文件——font_properties，这个文件不能含有BOM头，我的方法是，新建一个记事本文件，重命名为font_properties，用Notepad++打开，编辑内容：

font 0 0 0 0 0 

然后点击菜单【格式】->【转为UTF-8无ROM编码格式】，再选【以 UTF-8无ROM格式编码】，保存退出。

编辑的内容是有规定了，格式为：

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

fontname表示自定义的字体名字，后面是属性，0表示否，1表示是。

5.生成过度文件，老实说，我都不知道这个过程我都干啥了，但目的很明确就是生成语言库文件num.tessdata

我先给出命令：

1）tesseract.exe num.font.exp0.tif num.font.exp0 nobatch box.train  
   2）unicharset_extractor.exe num.font.exp0.box  

3）mftraining -F font_properties -U unicharset -O num.unicharset num.font.exp0.tr  

4）cntraining.exe num.font.exp0.tr  

5） rename normproto num.normproto  
rename inttemp num.inttemp  
rename pffmtable num.pffmtable  
rename shapetable num.shapetable

6）combine_tessdata.exe num. 

5)是分开一步一步的，6）的结果要保证1 3 4 5 13这些行不是-1才算正常，还有num后面的点"."别漏了。

num.traineddata便是最终生成的语言文件，将生成的num.traineddata拷贝到Tesseract-OCR-->tessdata目录下。可以用它来进行字符识别了。

检验效果

识别那些jpg图片

tesseract.exe number.jpg result -l num

把num改成eng对比试试。

本文有参照这篇文章，特此声明。