影视视频字幕识别

一、第三方库pytesseract下载

Tesseract，一款由HP实验室开发由Google维护的开源OCR（Optical Character Recognition , 光学字符识别）引擎，与Microsoft Office Document Imaging（MODI）相比，我们可以不断的训练的库，使图像转换文本的能力不断增强；如果团队深度需要，还可以以它为模板，开发出符合自身需求的OCR引擎。

作者：SyKay
链接：https://www.jianshu.com/p/f7cb0b3f337a
来源：简书

1、手动安装tesseract-ocr

Tesseract-ocr下载地址为：https://digi.bib.uni-mannheim.de/tesseract/  ，建议下载最新稳定版本：
tesseract-ocr-w64-setup-v5.0.0.20190623.exe

注：安装时就按照提示进行即可，不要点击下载额外的语言包，如果下载多余的语言包下载速度会很慢。

2、设置可执行文件的路径

点击上图 "系统变量"中的 "path”并点击编辑

如上图所示，在编辑环境变量中增加一个路径并确定。

3、检查是否正确安装

把语言文件拷贝到此处tessdata目录下【这是我的路径：C:\Program Files\Tesseract-OCR\tessdata，大家先找到Tesseract-OCR就比较容易了】，并在cmd中进行检查

注：cmd中还是需要先定位到Tesseract-OCR再检查 

修改cmd的定位: cd+路径

检测语言为：tesseract –v 测试安装

 tesseract --list-langs测试语言包

结果如图即为正确安装（小编也不知道错误安装的截图）

上部分为语言，下部分为版本说明

4、直接在cmd里面直接pip install pytesseract 即可

二、字幕识别代码

1、原理解释

不同视频我们需要根据不同的字幕时间间隔进行抽帧

2、字幕识别

import pytesseract
import cv2
import numpy as np
from scipy import stats
import os
import matplotlib.pyplot as plt


if __name__ == '__main__':
    print(os.path.abspath(','))
    path = "20210701.mp4"
    print(path)
    cap = cv2.VideoCapture(path)
    frame_count = int(cap.get(cv2.CAP_PROP_FRAME_COUNT))
    print(frame_count)
    i=0
    while i<frame_count:
        cap.set(cv2.CAP_PROP_POS_FRAMES, i)
        _, frame = cap.read(i)
        shape = frame.shape
        print(shape)
        cv2.imshow("Frame-1", frame[580:630, 10:1270])
        plt.imshow(frame)
        plt.axis("off")
        plt.show()
        img=frame[630:680, 50:1270]
        plt.imshow(img)
        plt.axis("off")
        plt.show()
        img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)  # 灰度图
        cv2.imshow("Frame-2:Gray", img)            #显示灰度图
        _, img= cv2.threshold(img, 220, 255, cv2.THRESH_BINARY)  # 图像，阈值，映射的最大值，使用什么算法一般为cv2.thresh_binary
        cv2.imshow("Frame-3:Binary", img)            #显示灰度图
        tessdata_dir_config = '--tessdata-dir "C:\\Program Files\\Tesseract-OCR\\tessdata"  --psm 7 -c preserve_interword_spaces=1'
        word = pytesseract.image_to_string(img,
                                           lang='chi_sim',
                                           config=tessdata_dir_config)
        print(word)
        i=i+24*2#隔2秒抽一帧


        if cv2.waitKey(10) & 0xff == ord("q"):
            break

    cap.release()
    cv2.destroyAllWindows()

结果如下：