tesseract OCR的多语言，多字体字符识别

识别多种字体、多种语言的字符，在实际应用中是很常见的问题。

经过测试，及查看tesseract3.01的源码，tesseract 3.01版本是不支持多语言、多种字体OCR识别的。
tesseract3.01版本不支持新训练的数据，加入原有字符集，并不支持多个训练库的联合使用方式。


如何利用tesseract进行多语言或多字体识别哪？

一种方法是自己训练字符集，将所有的字体、语言的训练数据放入一个训练数据文件内。这种方法需要庞大的训练样本数据，工作量大，而且舍弃原有的google的训练库，实在是太可惜了。

另外一种方法就是升级tesseract到3.02版本。目前3.02版本还没有release，需要自行下载源码，编译，生成。tesseract3.02支持多个训练库联合使用的方式，这样就能支持多语言、多字体识别，并且tesseract3.02版本的固有数据集应该增加了大量的样本，因为其体积比3.01版本的数据文件大了很多。


tesseract多语言识别的原理及算法在文章Adapting the Tesseract Open Source OCR Engine for Multilingual OCR有专门的介绍。这里记录下自己对这篇文章的理解。


OCR字符识别的热点趋势：
拉丁文-> 中文、日文、韩文 -> 阿拉伯文 -> 印度语
这几种语言字符有各自的特征。


汉字、日文：有一些相同文字，但文字有上千种形状结构。
韩文：自己特有的文字结构，而且数量更多。
阿拉伯文：字母都连起来书写，且字母