tesseract 字符识别开源工程介绍

tesseract最初是由HP公司维护的，后来HP放弃了扫描机的市场，就不搞这个了，google就接手了这个开源项目。目前最新的版本是4.0，以前的版本用的都是传统的OCR算法识别字符，最新的采用了LSTM的RNN网络（深度学习，与时俱进嘛），识别效果更好了。

官方发布的exe安装文件只支持到3.02，想安装最新版的只能用unofficial的版本，这里有一个德国Mannheim大学的github发布，编译好的4.0.0alpha版本，我们下载下来直接安装就可以了：点击打开链接。安装之后就可以使用tesseract最新版了，加入环境变量之后，命令行输入: tesseract test.png reslut -l chi_sim，就会把png图片识别成txt文件，我比较了一下，错误的文字非常少，错误率很低。注意-l chi_sim是载入中文字库，你的tesseract根目录下的tessdata文件夹下必须得有chi_sim.traineddata文件才可以，这个文件是官方训练的中文数据，可以从官方网站下载。

当然，如果我们想在我们的软件工程中使用tessertact的api去实现自己的一些应用，就需要自己编译源码，具体步骤github上也有人给出了：点击打开链接，这个是windows x64版本（vs2017，当然vs2015也支持，改变一下配置就可以了），照着做我们就可以在我们的vs中编译工程。