OCCC

利用jTessBoxEditor工具进行Tesseract3.02.02样本训练，提高识别率

1 . 下载Tesseract-OCR(相关版本自行选择)
  得到目录结构如下: 

  tessdata目录为相关的语言包文件目录

2 .下载jTessBoxEditor(运行环境为Java虚拟机)
得到目录结构如下: 

打开方式如下: 

工具都安装完成了,我们接下来测试下tesseract 
我的测试图片如下: 

在命令行输入 : tesseract b.jpg output -l eng -psm 7

其中eng为你tesseract目录tessdata里的已有的eng语言包

接下来把识别的结果用文本打印出来,输入:type output.txt

可以看到eng的语言包识别有错误的结果,4识别成了1o

所以在我们开发中针对我们要识别的字体,进行我们自己训练的语言是很有必要的

3 . 训练自己的语言包文件
a. 用jTessBoxEditor把要训练样本图片文件合并成tif文件(样本图片一定要为有效的格式图片)
       运行jTessBoxEditor程序,界面如下: 

点击顶栏的Tools选项,选择Merge TIFF..   进入你要训练的样本图片所在的目录,点击Ctrl+Alt+A,选择所有图片点击打开: 

然后保存文件名到指定目录,我这里保存的文件名为: langyp.font.exp0.tif

b.生成Box文件
  打开cmd,到你langyp.font.exp0.tif文件所在目录,执行tesseract langyp.font.exp0.tif langyp.font.exp0 -l eng -psm 7 batch.nochop makebox 命令 

结果生成了langyp.font.exp0.box文件 

C. 对样本图片用jTessBoxEditor工具进行矫正
   点击jTessBoxEditor工具的Box Editor选项,点击下方的open选项,打开刚刚生成的langyp.font.exp0.tif文件,结果如下: 

右侧为对应的Box文件数据,如果char的字符和当前的样本图片一致时就进行矫正,修改char里的字符,然后进行save,这样就矫正了,进入下张样本图片时,同样,矫正后点击save,当所有样本图片都矫正了,这一步也就完成了

d.生成font_properties文件(该文件没有后缀名)
 在命令行执行:echo font 0 0 0 0 0 >font_properties
 结果生成了font_properties文件 

 内容为字体名font，后面带5个0，分别代表字体的粗体、斜体等属性，这里全部是0

e.生成.tr训练文件
在命令行执行: tesseract langyp.font.exp0.tif langyp.font.exp0 -l eng -psm 7 nobatch box.train

会生成框内两个文件

f.生成字符集文件
在命令行执行 : unicharset_extractor langyp.font.exp0.box

结果生成了unicharset文件

g.生成shape文件
在命令行执行 : shapeclustering -F font_properties -U unicharset -O langyp.unicharset langyp.font.exp0.tr

结果生成了shapetable文件和langyp.unicharset文件

h.生成聚集字符特征文件
在命令行执行: mftraining -F font_properties -U unicharset -O langyp.unicharset langyp.font.exp0.tr

结果生成了pffmtable,inttemp,unicharset文件

i.生成字符正常化特征文件
在命令行执行: cntraining langyp.font.exp0.tr

结果生成了normproto文件

j.把h,i步骤生成的文件用rename命令进行更名
在命令行执行:  
**rename normproto fontyp.normproto  
rename inttemp fontyp.inttemp  
rename pffmtable fontyp.pffmtable  
rename unicharset fontyp.unicharset  
rename shapetable fontyp.shapetable** 

k.合并训练文件
在命令行执行: combine_tessdata fontyp. 

l.将fontyp.traineddata文件拷贝至Tesseract-OCR文件夹里的tessdata语言包文件夹里

测试 :
cmd操作回到样本图片的目录,如果没有你当前目录没有该样本图片,执行命令时会提示”Cannot open input file: b.jpg”,还有执行指定的新的语言包,Tesseract-OCR目录的tessdata的文件夹必须要有新的语言包文件 
执行命令:  tesseract b.jpg output -l fontyp -psm 7(fontyp为训练的语言包文件) 
最后执行 : type output.txt

可以看见没有一个错误,最后用其它的样本进行识别,都能完全识别,用默认的eng语言包识别错误的”4”,用新的语言包识别后都没有错

本文档训练的语言包文件可用作身份证识别的语言包文件和车牌识别的语言包文件!