Tesseract-OCR训练实现对模糊身份证号码的识别

      根据公司项目需求，需要通过扫描实现身份证号码的提取，使用官方提供的识别库，在正常情况下都能够正确提取出身份证号码，但是在身份证拍摄模糊的情况下，识别效果并不理想。根据需求，我接触了解到Tesseract，它是一个开源的OCR（Optical Character Recognition,光学字符识别）引擎，可以识别多种格式的图像文件并将其转换成文本。接着通过进一步学习，训练了一些模糊的身份证号码样本，提高了对模糊身份证号的识别准确度。

下面，我们将在Windows环境下安装Tesseract实现对身份证号的识别及训练工作。

1、Tesseract使用官方库识别身份证号

  1.1  安装Tesseract-OCR

    通过下载地址：http://code.google.com/p/tesseract-ocr/，下载安装tesseract-ocr-setup-3.02.02.exe。安装成功后会生成如下目录：

            

  1.2  使用官方库识别

    准备一张待识别的身份证号图片test.jpg

    打开cmd.exe，进入到test.jpg文件目录，执行：tesseract  test.jpg  output_test -l eng

【语法】:  tesseract imagename outputbase [-l lang] [-psm pagesegmode] [configfile…]

 imagename为目标图片文件名，需加格式后缀；outputbase是转换结果文件名；lang是语言名称（在Tesseract-OCR中  tessdata文件夹可看到以eng开头的语言文件eng.traineddata），如不标-l eng则默认为eng。

    在当前目录下会生成output_test.txt文件

   

  对比发现，通过官方库识别的结果并不理想，因此训练自己的库来完成识别。

2、Tesseract训练自己的身份证号识别库

  2.1 安装jTessBoxEditor

  下载jTessBoxEditor,地址为：https://sourceforge.net/projects/vietocr/files/jTessBoxEditor/，解压后放到Tesseract-OCR目录下。这里需要事先安装了JRE。

  2.2 制作训练样本文件

  这里制作了十张模糊化后的身份证号图片，图片格式为tif/tiff格式

  2.3 合并样本文件

  打开jTessBoxEditor,Tools->Merge TIFF，将上述样本全部选上，合并保存为num.font.exp0.tif。这里通过这种方式合并可能会出现Couldn't Seek错误，可以通过下载TIF/TIFF合并工具进行合并。下载地址：http://download.csdn.net/download/u010782875/10033600

合并后的文件如下：

  2.4 字符矫正

  打开jTessBoxEditor，Box Editor ->Open，打开num.font.exp0.tif，各页上字符值和相应的坐标信息

  2.5 生成box文件

  将num.font.exp0.tif放入到一指定目录，打开命令行切换到num.font.exp0.tif所在目录，执行：tesseract  num.font.exp0.tif  num.font.exp0 batch.nochop makebox

【语法】：tesseract [lang].[fontname].exp[num].tif [lang].[fontname].exp[num] batch.nochop makebox  

 lang为语言名称，fontname为字体名称，num为序号；在tesseract中，一定要注意格式。

  

  2.6 配置font_properties文件

  在上述文件夹中新建一个名为font_properties的文本文件，内容为：

【语法】：<fontname> <italic> <bold> <fixed> <serif> <fraktur>  

fontname为字体名称，italic为斜体，bold为黑体字，fixed为默认字体，serif为衬线字体，fraktur德文黑字体，1和0代表有和无，精细区分时可使用。

  2.7 生成.tr训练文件

  在上述命令行界面执行：tesseract.exe num.font.exp0.tif num.font.exp0 nobatch box.train

  

  生成num.font.exp0.tr文件

  2.8 生成unicharset字符集文件

  接着执行：unicharset_extractor.exe num.font.exp0.box 

  

  生成unicharset文件

  2.9 生成shape文件

  执行：shapeclustering.exe -F font_properties.txt -U unicharset num.font.exp0.tr

  

  生成shapetable文件

  2.10 生成聚集字符特征文件

  执行：mftraining.exe -F font_properties.txt -U unicharset -O unicharset num.font.exp0.tr

  

  生成inttemp、pffmtable文件

  2.11 生成字符正常化特征文件

  执行：cntraining.exe num.font.exp0.tr 

  

  生成normproto文件

  2.12 更改文件名

  手动将生成的inttemp、normproto、pffmtable、shapetable、unicharset五个文件更改成如下文件名：

  

  2.13 合并训练文件

  执行：combine_tessdata.exe num.

  

  生成num.traineddata文件（不要忘记指令后面的那个“.”），将该文件放到../Tesseract-OCR/tessdata目录下进行接下来的测试

3、使用自己训练的字符库识别身份证号

 还是使用上面的测试图片进行对比测试，在命令窗口执行如下指令：tesseract test.jpg output_test -l num

  

 这里-l num就是使用了自己训练的字符库，打开生成的output_test.txt文件：

  

  

参考博客：http://www.cnblogs.com/cnlian/p/5765871.html

                    http://blog.csdn.net/yasi_xi/article/details/8763385

                    http://blog.csdn.net/gx_489587482/article/details/52686156

                    http://blog.csdn.net/why200981317/article/details/48265621