Tesseract-OCR識別中文與訓練字庫實例

版權聲明：本文爲博主原創文章，未經博主允許不得轉載。 https://blog.csdn.net/nobmr/article/details/78888745

關於中文識別，效果不錯並且開源的應該就是Tesseract-OCR了，在Mac下試用了一下，參考了網絡上其他人的一些資源，在這裏分享一下。

Quick Start

準備工作

1. 下載Tesseract-OCR引擎，到github下查看安裝過程，Tesseract-OCR WebSize
2. 下載chi_sim.traindata字庫，沒有這個默認不能識別中文。
3. 下載JTessBoxEditor，用來訓練字庫。

開始識別

進入要識別的目錄下，鍵入命令：

tesseract <picture_file> <output_file_name> -l chi_sim

如果源圖是電腦上的生成的，如HTML / PS等在這裏效果會不錯，但是如果你的源圖是拍攝所得，那麼效果就不太理想了，因此在這裏自己訓練字庫文件。

訓練

1. 將原圖轉換成tif格式的圖片文件，用於後面生成box文件。

   tif文件的命名格式 ..exp.tif

   eg: fiveplus.normal.exp0.tif

   • lang: 語言
   • fontname: 字體（normal即可）
   • num: 下標

2. 生成box文件

   tesseract fiveplus.normal.exp0.jpg fiveplus.normal.exp0 -l chi_sim batch.nochop makebox

   box文件與tif需要在相同目錄下。

3. 打開JTessBoxEditor糾正錯誤，並訓練

   打開tif文件，開始矯正數據，包括x, y, width, height, char

4. 開始訓練

   tesseract fiveplus.normal.exp0.jpg fiveplus.normal.exp0 nobatch box.train unicharset_extractor fiveplus.normal.exp0.box

   新建一個font_properties文件，寫入 normal 0 0 0 0 0 表示默認字體。

   繼續運行：

   shapeclustering -F font_properties -U unicharset fiveplus.normal.exp0.tr
   
   mftraining -F font_properties -U unicharset -O unicharset fiveplus.normal.exp0.tr
   
   cntraining fiveplus.normal.exp0.tr

   然後我們合併生成的5個文件：

   combine_tessdata normal.

   得到文件：normal.traineddata

5. 開始測試結果

   tesseract <picture_file> <output_file> -l normal

結束

自己訓練過後的字庫識別效果會好很多，之後就是怎麼把多個字庫合併成一個字庫了，因爲不可能一次訓練完所有的圖片文字的，字庫文件是一個疊加過程，在線上環境中我們只需要不停的更新這個字庫文件就好了。