使用 Tesseract 进行文字识别

Title: 使用 Tesseract 进行文字识别
Date: 2017-12-1 17:49
Category: 技术博客
Modified: 2017-12-1 17:49
Tags: 文字识别
Slug: Tesseract
Authors: Victor Lv
Summary: 使用 Tesseract 进行文字识别

1. 安装 Tesseract、字库、jTessBoxEditor

  使用默认路径安装 Tesseract ，本文 Tesseract 版本3.0.5，安装的时候可手动勾选安装中文简体字库（ chi_sim.traineddata）用于识别中文，鉴于安装页面的下载速度较慢，可在安装完 Tesseract 之后再额外下载字体，在 Tesseract 的GitHub 主页有字体大全：[tesseract-ocr][https://github.com/tesseract-ocr] . 把下载的字体如chi_sim.traineddata 放到安装目录下的\tessdata\目录下。添加 Tesseract 安装根目录到环境变量。另外安装 jTessBoxEditor 用于矫正识别效果从而训练自己的一套字库。

2. 识别

  Tesseract 没有图形化界面，使用的是命令行，如需图形页面，可使用第三方集成软件.
  进入命令行，Windows下推荐使用git-bash，系统自带命令行可能找不到程序所在的path。首先cd到要识别的图片的目录下，然后输入识别命令：

tesseract 图片全名 生成的结果文件的名称 -l 字库名称

  -l表示language，后面接的是字库名称，如英文字库：eng，中文简体字：chi_sim。

示例：

tesseract cardNom1.png result -l chi_sim

  使用的第一张图片如下，图片还比较简单，识别难度小：

  

  正常运行完上述命令之后会发现目录下生成了一个result.txt文件，也就是识别结果：

  

  好吧，确实图片识别难度有点小了，完全无误差就识别出来了，在安装Tesseract-3.0.5版本之前，笔者曾使用3.0.2版本及其字体库识别同样的图片，并非能完全识别准确，例如会把数字2识别成字母z，看来更新版本的字体库识别率也更好些。

  下面换成更复杂的图片，识别率就有问题了：

  图片2：

  

  图片2识别效果如下：

  

  图片3：

  

  图片3识别效果如下：

  

  好吧，用身份证这种带条纹的测试数据就确实有点欺负人了。那么换成手写字体效果呢？手写字识别的等后面继续研究。先来看看Tesseract如何训练自己的字体库以期获得更高的识别准确率。下面就拿图片2 来处理。

3. 训练

(a). 生成.box文件

  因为jTessBoxEditor处理的是tif图片，所以先将jpg/png图片修改成tif格式（通过画图另存为或者直接修改后缀），然后运行以下命令生成.box文件：

tesseract 7.tif 7 -l chi_sim batch.nochop makebox

  7.tif就是你的tif图片，参数7表明生成文件的文件名，请自定义，-l chi_sim还是和上面一样表示使用中文简体字库。运行上述命令后会在当前目录生成7.box文件如下：

(b). 使用jTessBoxEditor校正文字

  然后我们打开jTessBoxEditor 工具（运行根目录的train.bat文件,或直接运行jar包：java -jar jTessBoxEditor.jar），导入7.tif文件（工具会自动找到同一目录下的7.box文件）逐个校正文字：

  

  校正完毕之后 save 一下。

©. 生成训练文件

  接下来运行两条命令依次生成7.tr文件、unicharset文件`：

tesseract 7.png 7 nobatch box.train

unicharset_extractor 7.box

  然后在当前目录新建一个font_propertiesx新建一个font_properties文件，里面内容写入normal 0 0 0 0 0， normal表示默认你训练出来的字库的名字（就像上面的chi_sim），请自定义。

  接着继续运行以下命令生成shapetable文件：

shapeclustering -F font_properties -U unicharset 7.tr

  继续敲以下命令生成inttemp文件和pffmtable文件：

mftraining -F font_properties -U unicharset -O unicharset 7.tr

  继续敲以下命令生成normproto文件:

cntraining 7.tr

  上述命令集运行输出图：

  

  

  

(d). 合并训练文件得到新字库

  好了，接下来把上面生成的unicharset、inttemp、pffmtable、shapetable、normproto这五个文件前面都加上字库名称前缀**normal.**，如图：

  然后运行以下命令合并这 5 个文件得到normal.traineddata文件，也就是我们要的训练字库：

combine_tessdata normal.

  

(e). 使用新字库再次识别

  最后，把normal.traineddata复制到 Tesseract-OCR 安装目录下的tessdata文件夹中。然后用新字库再次识别7.png :

tesseract 7.png 777 -l normal

  最后得到完美的识别效果图：

  

  

参考教程：

Tesseract-OCR识别中文与训练字库实例

tesseract-ocr训练方法

Tesseract 3 语言数据的训练方法