Tesseract-OCR 字元識別---樣本訓練

04-02

Tesseract是一個開源的OCR（Optical Character Recognition，光學字元識別）引擎，可以識別多種格式的圖像文件並將其轉換成文本，目前已支持60多種語言（包括中文）。 Tesseract最初由HP公司開發，後來由Google維護，目前發布在Googel Project上。地址為http://code.google.com/p/tesseract-ocr/。

使用默認的語言庫識別

1.安裝Tesseract

從http://code.google.com/p/tesseract-ocr/downloads/list下載Tesseract，目前版本為Tesseract3.02。因為只是測試使用，這裡直接下載winodws下的安裝文件tesseract-ocr-setup-3.02.02.exe。安裝成功後會在相應磁碟上生成一個Tesseract-OCR目錄。通過目錄下的tesseract.exe程序就可以對圖像字元進行識別了。

2.準備一副待識別的圖像，這裡用畫圖工具隨便寫了一串數字，保存為number.jpg，如下圖所示：

3. 打開命令行，定位到Tesseract-OCR目錄，輸入命令：

[plain] view plain copy

tesseract.exe number.jpg result -l eng

其中result表示輸出結果文件txt名稱，eng表示用以識別的語言文件為英文。

3. 打開Tesseract-OCR目錄下的result.txt文件，看到識別的結果為7542315857，有3個字元識別錯誤，識別率還不是很高，那有沒有什麼方法來提供識別率呢？

其實Tesseract提供了一套訓練樣本的方法，用以生成自己所需的識別語言庫。下面介紹一下具體訓練樣本的方法。

訓練樣本

關於如何訓練樣本，Tesseract-OCR官網有詳細的介紹http://code.google.com/p/tesseract-ocr/wiki/TrainingTesseract3。這裡通過一個簡單的例子來介紹一下如何進行樣本訓練。

1.下載工具jTessBoxEditor. Browse /jTessBoxEditor at SourceForge.net，這個工具是用來訓練樣本用的，由於該工具是用Java開發的，需要安裝JAVA虛擬機才能運行。

2. 獲取樣本圖像。用畫圖工具繪製了5張0-9的文樣本圖像（當然樣本越多越好），如下圖所示：

3.合併樣本圖像。運行jTessBoxEditor工具，在點擊菜單欄中Tools--->Merge TIFF。在彈出的對話框中選擇樣本圖像（按Shift選擇多張），合併成num.font.exp0.tif文件。4.生成Box File文件。打開命令行，執行命令：

[plain] view plain copy

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

生成的BOX文件為num.font.exp0.box，BOX文件為Tessercat識別出的文字和其坐標。

註：Make Box File的命令格式為：

[plain] view plain copy

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

其中lang為語言名稱，fontname為字體名稱，num為序號，可以隨便定義。

5.文字校正。運行jTessBoxEditor工具，打開num.font.exp0.tif文件（必須將上一步生成的.box和.tif樣本文件放在同一目錄），如下圖所示。可以看出有些字元識別的不正確，可以通過該工具手動對每張圖片中識別錯誤的字元進行校正。校正完成後保存即可。

6.定義字體特徵文件。Tesseract-OCR3.01以上的版本在訓練之前需要創建一個名稱為font_properties的字體特徵文件。

font_properties不含有BOM頭，文件內容格式如下：

[plain] view plain copy

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

其中fontname為字體名稱，必須與[lang].[fontname].exp[num].box中的名稱保持一致。<italic> 、<bold> 、<fixed> 、<serif>、 <fraktur>的取值為1或0，表示字體是否具有這些屬性。

這裡在樣本圖片所在目錄下創建一個名稱為font_properties的文件，用記事本打開，輸入以下下內容：

[plain] view plain copy

font 0 0 0 0 0

這裡全取值為0，表示字體不是粗體、斜體等等。7.生成語言文件。在樣本圖片所在目錄下創建一個批處理文件，輸入如下內容。

[plain] view plain copy

rem 執行改批處理前先要目錄下創建font_properties文件
echo Run Tesseract for Training..
tesseract.exe num.font.exp0.tif num.font.exp0 nobatch box.train
echo Compute the Character Set..
unicharset_extractor.exe num.font.exp0.box
mftraining -F font_properties -U unicharset -O num.unicharset num.font.exp0.tr
echo Clustering..
cntraining.exe num.font.exp0.tr
echo Rename Files..
rename normproto num.normproto
rename inttemp num.inttemp
rename pffmtable num.pffmtable
rename shapetable num.shapetable
echo Create Tessdata..
combine_tessdata.exe num.

將批處理通過命令行執行。執行後的結果如下：

需確認列印結果中的Offset 1、3、4、5、13這些項不是-1。這樣，一個新的語言文件就生成了。

num.traineddata便是最終生成的語言文件，將生成的num.traineddata拷貝到Tesseract-OCR-->tessdata目錄下。可以用它來進行字元識別了。

使用訓練後的語言庫識別

用訓練後的語言庫識別number.jpg文件，打開命令行，定位到Tesseract-OCR目錄，輸入命令：

[plain] view plain copy

tesseract.exe number.jpg result -l eng

識別結果如如圖所示，可以看到識別率提高了不少。通過自定義訓練樣本，可以進行圖形驗證碼、車牌號碼識別等。感興趣的朋友可以研究研究。