tesseract-ocr使用以及训练方法

本人最近在做字符识别，所以自行在网上寻找方法，接触到tesseract，自己按照网上方法做的时候，也遇到一些问题，解决了一些。所以我决定写下我第一个博客，一是方便自己以后查看，更新学习。二是方便和网友交流学习。

Tesseract介绍

Tesseract是一个开源的OCR（Optical Character Recognition，光学字符识别）引擎，可以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。

安装Tesseract，从http://code.google.com/p/tesseract-ocr/downloads/list下载Tesseract，3.01上的版本支持中文。安装后在电脑上会有一个Tesseract-OCR目录，通过目录录下的tesseract.exe程序就可以对图像的字符进行识别。考虑到万一有人上不了谷歌，这个Tesseract-OCR文件夹我也上传了，地址：点击打开链接。文件夹中除了Tesseract的相应文件外，还有一个tesseract-vs2013-include-lib-dll文件，这个是VS2013用来调用API的配置文件，后面的博客会写到。打开如图所示。

使用默认的语言库识别

准备一张待识别的图片，我选取一段《成都》的歌词。

接着就可以打开命令行，进入Tesseract-OCR的目录，输入：

tesseract.exe gc.jpg result -l chi_sim

其中result表示输出结果文件txt名称，chi_sim表示用以识别的语言文件为英文。执行后文件夹中会多一个result.txt。

效果非常不好，因为很多汉字是左右结构，比如：眼泪。所以我要自己训练自己的中文库。

训练样本

训练样本需要一个工具，jTessBoxEditor，下载地址：点击打开链接。这个工具是用java开发的，需要jre7以上的版本支持。

1、获取训练的图片，为了方便我使用了原来的图片一张，样本当然是越多越好。

2、合并样本文件，打开jTessBoxEditor，点开train.bat。在菜单栏中Tools->Merge TIFF。在弹出的窗口中可以选择多张样本图片（网上之前有说要.tif格式的图片，测试.jpg格式的也行），我这边就用了一张样本图片。

一张或者多张图片可以合成一张tif文件。

3、生成box文件， 打开命令行，输入：

tesseract.exe gc.font.exp1.tif gc.font.exp1 batch.nochop makebox

生成的BOX文件为gc.font.exp1.box，BOX文件为Tessercat识别出的文字和其坐标。Make BOX的命名的个数为：

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，可以随便定义。有些博客说对于这个命名无所谓，但是我尝试到后免出错了，是tr文件名的问题，在下面我会贴出报错图。读者也可以试试，不知是不是我之前步骤哪里做错了。
      4、文字矫正，打开jTessBoxEditor工具，打开gc.font.exp1.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），如下图所示。可以看出有些字符分割和识别都不正确，可以通过该工具手动对每张图片中识别错误的字符进行校正。校正完成后保存即可。（注：发现中文打不上去，在菜单Setting->Font中可以修改，改为宋体即可）

对于标定的方框以及识别的字符进行修改。

选择两个或两个以上的框，Merge可进行合并；Split将框进行拆分；Insert插入框，如果图片上一个框也没有，那无法进行插入；Delete删除框。选择要修改的字符框，在Character中输入想要修改的字，再点击齿轮，即可修改。修改后，如下图所示：

5、生成.tr文件，在命令行中输入：

tesseract gc.font.exp1.tif gc.font.exp1 nobatch box.train

6、计算字符集，从生成的box文件中提取，继续输入：

unicharset_extractor gc.font.exp1.box

7、生成字体特征文件，在当前文件夹中新建任意名称的文件，里面格式为：

<span><fontname> <italic> <bold> <fixed> <serif> <fraktur>  </span>

例如：我建了一个名为font的文件，里面内容为：font 0 0 0 0 0

这个文件可以是手动生成的txt文件，也可以在在命令行中输入：

echo font 0 0 0 0 0 >font

即可。

8、特征训练，继续在命令行输入：

mftraining -F font -U unicharset gc.font.exp1.tr

在这一步我出现了好几个错误，如下图

（1）Failed to load unicharset from file uncharset，这是因为刚刚的font的文件，如果是在txt中写的，一定要写成font.txt，加上后缀。

（2）feature training for Tesseract已停止工作。命令行显现：

Reading num.tr …
      Font id = -1/0, class id = 1/13 on sample 0

font_id >= 0 && font_id < font_id_map_.SparseSiz..\..\classify\trainingsampleset.cpp, line 622

这个问题就是上面命名所导致的，所以还是规范命名。

9、聚集tesseract识别的训练文件，命令行输入：

cntraining gc.font.exp1.tr

有人会说其他还有一条shapeclustering语句，说下这个步骤可有可无，这个是在3.02中新加的，主要针对印度语，所以我们在做的时候会有一个警告 warning No shape table file present。
        这时候文件夹中会多了四个文件，在unicharset，inttemp，normproto，pfftable文件名前面加上font.。如下图所示：

10、最后，合并相关文件，生成字典文件，输入：

combine_tessdata font.

所有输入命令如下图所示

最终，在当前目录中会产生一个为font.traineddata文件，将其拷到tessdata文件夹中，再测试一下。

虽然不是全部识别出来，但是较之前的识别率提高了很多，这个和样本数量也是有关系的，而且这句话中左右结构的字特别多，原图26个字，却识别出31个字出来了，这个问题，我还没想到什么方法，单个字训练？。我也试了其他字符训练，效果还可以

PS：tesseract-ocr还可从github下载：https://github.com/tesseract-ocr/