使用jTessBoxEditorFX-2.2.0制作自己的字库

在使用tesseract-ocr进行字符识别时，我们使用了官方提供的字库，例如英文字库、中文字库，但这些字库并不一定能满足我们所有的需求。当tesseract提供的字库中没有我们识别的那种字体时，就会出现识别错误的问题，这个时候就需要训练自己的字库进行训练了。我们可以制作出识别车牌的车牌字库、识别身份证号的身份证字库。

1 下载并安装jTessBoxEditorFX

注意jTessBoxEditor有两个版本，带FX的版本才支持中文字符编辑，我们下载带FX版本的。在这个网址上列出了所有的jTessBoxEditorFX版本。
https://sourceforge.net/projects/vietocr/files/jTessBoxEditor/

jTessBoxEditorFX-2.2.0.zip
下载完成后解压
如下图：

我们注意到解压目录下也有一个tesseract-ocr,因此我们需要配置tesseract-ocr的环境变量。
在系统环境变量path路径下添加E:\jTessBoxEditorFX\tesseract-ocr

新建字库tessdata的系统变量，变量名为：TESSDATA_PREFIX
变量值为：E:\jTessBoxEditorFX\tesseract-ocr\tessdata
确定后将电脑重启，至此jTessBoxEditorFX安装配置完成。

2 准备字库训练图片，并制作tif图片文件

字库的训练图片格式最好是png的，注意图片数字周围的空白区域不能太窄，tesseract无法识别空白区域太窄的字符。
数字图片下载地址
如下图所示：

我们将上面的图片放到一个E:\jTessBoxEditorFX目录下新建的train_image文件夹下。
在E:\jTessBoxEditorFX目录下有一个jTessBoxEditorFX.jar的java文件，这个文件需要用java虚拟机打开，其实就是你电脑上安装了java，并配置了java环境就可以直接双击打开，安装java这里不再讲述了。

打开这个jar文件，如下：

选择 Tools -> Merge TIFF，打开对话框，选择训练样本所在文件夹，并选中所有要参与训练的样本图片，注意对话框中“文件类型”的选取，选择所有的图片文件

选择好了后，点击打开按钮，出现文件保存对话框，输入文件名：num_1.font.exp0.tif

正确进行上述步骤后会出现merge完成的提示

然后在图片集那个文件目录下会出现生成的这个tif文件

3 使用tesseract生成.box文件

打开命令提示符，进入步骤2生成的num_1.font.exp0.tif文件所在目录

然后执行如下命令：

tesseract num_1.font.exp0.tif num_1.font.exp0 –l eng batch.nochop makebox

执行完成后，会在当前目录下生成num_1.font.exp0.box文件。

使用jTessBoxEditor调整.box训练文件
.box文件中记录了每个字符在图片上的位置以及识别出的内容，训练之前需要使用jTessBoxEditor调整字符的位置和内容。
打开 jTessBoxEditor ，点击 Box Editor -> Open ，打开步骤2中生成的 “num_1font.exp0.tif” ，会自动关联到 “num_1.font.exp0.box” 文件：

打开完成后，每一个会显示每一张图片的的识别结果

接下来我们对每张图片的识别字符和识别框进行纠正，如果字符识别错了，我们就改成正确的，如果识别出现偏差，我们也要进行调整。
这个过程是非常重要的，字符框的好坏取决于方框是否调整的准确。
我们把所有图片的全部纠正完。

点击save按钮，将校正后的box文件保存。

4 使用echo命令创建字体特征文件

在命令符窗口中输入如下命令：

echo num_1 0 0 0 0 0>font_properties

执行完成之后，在当前文件夹下生成font_properties文件
也可以手动在该文件夹下建立一个名为 “font_properties” 的文件，这个文件没有后缀名称，输入内容 “font 0 0 0 0 0” ， 表示字体 font 的粗体、倾斜等共计5个属性全都设置为0

5 使用tesseract生成num_1.font.exp0.tr训练文件

在命令行窗口中输入命令：

tesseract num_1.font.exp0.tif num_1.font.exp0 nobatch box.train

生成训练文件成功

6 生成字符集文件

在命令行中执行如下命令：

unicharset_extractor num_1.font.exp0.box

执行之后在当前目录生成unicharset文件

7 生成数据字典

在命令行中先执行如下命令：

mftraining -F font_properties -U unicharset -O num_1.unicharset num_1.font.exp0.tr

接着执行另外一个训练命令：

cntraining num_1.font.exp0.tr

会在当前目录下生成 4 个文件（inttemp、pffmtable、normproto、shapetable）

需要手动修改名称，这里我们修改成num_1.inttemp、num_1.pffmtable、num_1.normproto、num_1.shapetable。

8 合并数据文件，生成字库文件

在命令提示符中执行如下命令：

combine_tessdata num_1.

生成字库文件成功，会在当前目录生成num_1.traineddata文件，这个语言就是跟我们下载的官方字库一样，例如eng，chi_sim一样，不过这个字库专门用于识别图片中那种数字字体。

我们把这个字库num_1放到tesseract-ocr的tessdata目录下E:\jTessBoxEditorFX\tesseract-ocr\tessdata

9 验证生成的语言包字库

输入命令：

tesseract --list-langs

可以看到语言库中有自己刚添加的字库num_1

我们用这个字库来识别一张图片

tesseract 72.png out -l num_1

会在图片目录下生成out.txt文件，我们打开这个txt文件，可以看到使用num_1字库识别这张图片的结果

打开out文件

发现识别结果与图片完全符合，至此，自己制作的字库就已经成功了，可以识别所有这种数字字体的图片。

补充，如果在制作box文件时，这张图片没有识别出特征字体，就代表无法去进行box微调。

用notepad++打开box文件，如下所示：

3 15 40 40 100 32
第一个字符3是这张图片识别的char，15为X坐标，40为Y坐标，40为宽，100为高的，最后一个32就是第几张图片，因为图片编号从0开始，所以这个是第33张图片。

因此如果哪一张图片缺少识别宽，比如第200张图片少定位框，就这样加
3 15 40 40 100 199