Tesseract-OCR 字符识别---样本训练

 Tesseract是一个开源的OCR（Optical Character Recognition，光学字符识别）引擎，能够识别多种格式的图像文件并将其转换成文本，目前已支持60多种语言（包括中文）。 Tesseract最初由HP公司开发，后来由Google维护，目前发布在Googel Project上。地址为http://code.google.com/p/tesseract-ocr/。

 

使用默认的语言库识别

1.安装Tesseract

        从http://code.google.com/p/tesseract-ocr/downloads/list下载Tesseract，目前版本为Tesseract3.02。由于只是测试使用，这里直接下载winodws下的安装文件tesseract-ocr-setup-3.02.02.exe。安装成功后会在相应磁盘上生成一个Tesseract-OCR目录。经过目录下的tesseract.exe程序就能够对图像字符进行识别了。

2.准备一副待识别的图像，这里用画图工具随便写了一串数字，保存为number.jpg，以下图所示：

        

3.  打开命令行，定位到Tesseract-OCR目录，输入命令：

 

[plain] view plaincopy

1. tesseract.exe number.jpg result -l eng  

     其中result表示输出结果文件txt名称，eng表示用以识别的语言文件为英文。

3.  打开Tesseract-OCR目录下的result.txt文件，看到识别的结果为7542315857，有3个字符识别错误，识别率还不是很高，那有没有什么方法来提供识别率呢？Tesseract提供了一套训练样本的方法，用以生成本身所需的识别语言库。下面介绍一下具体训练样本的方法。

 

     

 

训练样本

关于如何训练样本，Tesseract-OCR官网有详细的介绍http://code.google.com/p/tesseract-ocr/wiki/TrainingTesseract3。这里经过一个简单的例子来介绍一下如何进行样本训练。

1.下载工具jTessBoxEditor. http://sourceforge.net/projects/vietocr/files/jTessBoxEditor/，这个工具是用来训练样本用的，因为该工具是用JAVA开发的，须要安装JAVA虚拟机才能运行。

2. 获取样本图像。用画图工具绘制了5张0-9的文样本图像（固然样本越多越好），以下图所示：

  

  

3.合并样本图像。运行jTessBoxEditor工具，在点击菜单栏中Tools--->Merge TIFF。在弹出的对话框中选择样本图像（按Shift选择多张），合并成num.font.exp0.tif文件。

4.生成Box File文件。打开命令行，执行命令：

[plain] view plaincopy

1. tesseract.exe num.font.exp0.tif num.font.exp0 batch.nochop makebox  

  生成的BOX文件为num.font.exp0.box，BOX文件为Tessercat识别出的文字和其坐标。

注：Make Box File 文件名有必定的格式，不能随便乱取名字，命令格式为：

[plain] view plaincopy

1. tesseract [lang].[fontname].exp[num].tif [lang].[fontname].exp[num] batch.nochop makebox  

其中lang为语言名称，fontname为字体名称，num为序号，能够随便定义。

【Yasi】：先前本身定义了tessdata的环境变量 TESSDATA_PREFIX 值为 E:\tesseract\tessdata，但没有从tesseract源文件目录中将tessdata子目录中的内容copy到 E:\tesseract\tessdata 中，形成上面的命令报错，说找不到batch.nochop 和 makebox。解决办法：将 tesseract 源文件目录中全部文件和子文件夹（可能充分但非必要，先无论这些啦）copy到 E:\tesseract\tessdata 中。

5.文字校订。运行jTessBoxEditor工具，打开num.font.exp0.tif文件（必须将上一步生成的.box和.tif样本文件放在同一目录），以下图所示。能够看出有些字符识别的不正确，能够经过该工具手动对每张图片中识别错误的字符进行校订。校订完成后保存便可。

【Yasi】这里必须修改识别错误的字符，不然作出来的traineddata文件也是错的。能够在下面的界面中修改并保存，也能够直接在traineddata文件中修改。

 

6.定义字体特征文件。Tesseract-OCR3.01以上的版本在训练以前须要建立一个名称为font_properties的字体特征文件。

font_properties不含有BOM头，文件内容格式以下：

[plain] view plaincopy

1. <fontname> <italic> <bold> <fixed> <serif> <fraktur>  

其中fontname为字体名称，必须与[lang].[fontname].exp[num].box中的名称保持一致。<italic> 、<bold> 、<fixed> 、<serif>、 <fraktur>的取值为1或0，表示字体是否具备这些属性。

这里在样本图片所在目录下建立一个名称为font_properties的文件，用记事本打开，输入如下下内容：

 

[plain] view plaincopy

1. font 0 0 0 0 0  

这里全取值为0，表示字体不是粗体、斜体等等。7.生成语言文件。在样本图片所在目录下建立一个批处理文件，输入以下内容。

[plain] view plaincopy

1. rem 执行改批处理前先要目录下建立font_properties文件  

2.   

3. echo Run Tesseract for Training..  

4. tesseract.exe num.font.exp0.tif num.font.exp0 nobatch box.train  

5.   

6. echo Compute the Character Set..  

7. unicharset_extractor.exe num.font.exp0.box  

8. mftraining -F font_properties -U unicharset -O num.unicharset num.font.exp0.tr  

9.   

10. echo Clustering..  

11. cntraining.exe num.font.exp0.tr  

12.   

13. echo Rename Files..  

14. rename normproto num.normproto  

15. rename inttemp num.inttemp  

16. rename pffmtable num.pffmtable  

17. rename shapetable num.shapetable   

18.   

19. echo Create Tessdata..  

20. combine_tessdata.exe num.  

将批处理经过命令行执行。执行后的结果以下：

需确认打印结果中的Offset 一、三、四、五、13这些项不是-1。这样，一个新的语言文件就生成了。

num.traineddata即是最终生成的语言文件，将生成的num.traineddata拷贝到Tesseract-OCR-->tessdata目录下。能够用它来进行字符识别了。

使用训练后的语言库识别

 

用训练后的语言库识别number.jpg文件， 打开命令行，定位到Tesseract-OCR目录，输入命令：

 

[plain] view plaincopy

1. tesseract.exe number.jpg result -l eng  

识别结果如如图所示，能够看到识别率提升了很多。经过自定义训练样本，能够进行图形验证码、车牌号码识别等。感兴趣的朋友能够研究研究。

【Yasi】试验结果以下：

下面是num-yasi.png

将生成的num.traineddata拷贝到E:\tesseract\tessdata，即环境变量TESSDATA_PREFIX 设置的路径下，执行下面的命令（注意第二条命令结尾是num，即新加的traineddata，而不是eng）

[plain] view plain copy

1. E:\tesseract\tesseract-svn\vs2008\LIB_Debug\tesseractd.exe num-yasi.png result-eng -l eng  

2. E:\tesseract\tesseract-svn\vs2008\LIB_Debug\tesseractd.exe num-yasi.png result-num -l num  

下图是两次识别结果对比

使用eng traineddata的结果彻底不靠谱；使用了本身的traineddata，识别出来的固然都是数字，但正确率实在糟糕。多是我本身手写的字体和用来作traineddata的手写数字的字体差异太大了吧。