Tesseract-OCR识别中文与训练字库实例

关于中文识别，效果不错并且开源的应该就是Tesseract-OCR了，在Mac下试用了一下，参考了网络上其他人的一些资源，在这里分享一下。

Quick Start

准备工作

1. 下载Tesseract-OCR引擎，到github下查看安装过程，Tesseract-OCR WebSize
2. 下载chi_sim.traindata字库，没有这个默认不能识别中文。
3. 下载JTessBoxEditor，用来训练字库。

开始识别

进入要识别的目录下，键入命令：

tesseract <picture_file> <output_file_name> -l chi_sim

如果源图是电脑上的生成的，如HTML / PS等在这里效果会不错，但是如果你的源图是拍摄所得，那么效果就不太理想了，因此在这里自己训练字库文件。

训练

1. 将原图转换成tif格式的图片文件，用于后面生成box文件。

   tif文件的命名格式 ..exp.tif

   eg: fiveplus.normal.exp0.tif

   • lang: 语言
   • fontname: 字体（normal即可）
   • num: 下标

2. 生成box文件

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

   box文件与tif需要在相同目录下。

3. 打开JTessBoxEditor纠正错误，并训练

   打开tif文件，开始矫正数据，包括x, y, width, height, char

4. 开始训练

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

   新建一个font_properties文件，写入 normal 0 0 0 0 0 表示默认字体。

   继续运行：

   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

   然后我们合并生成的5个文件：

   combine_tessdata normal.

   得到文件：normal.traineddata

5. 开始测试结果

   tesseract <picture_file> <output_file> -l normal

结束

自己训练过后的字库识别效果会好很多，之后就是怎么把多个字库合并成一个字库了，因为不可能一次训练完所有的图片文字的，字库文件是一个叠加过程，在线上环境中我们只需要不停的更新这个字库文件就好了。