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