使用tesseract训练自己的字库提高识别率

        问题描述：想使用tesseract识别中文，但是发现有一个字tesseract自带的库会识别错误或者不识别。比如下图的左图，其结果是“肇”变成“告”，明显是识别错了。但是如果将“肇”单独去识别，会发现根本识别不出，结果的txt文本上会是空文件。所以推断在tesseract自带的中文库中是没有训练“肇”这个字的。现在我的目的是训练一个中文识别库，希望能够识别这个“肇”字。

图1：待识别的图片

图2：结果

一 准备阶段

         训练一个自己的库，需要以下工具：

1. tesseract：下载链接。注意尽量还是不要下载带dev，alpha，beta等，不稳定，可能是测试版本。比如说你是64位windows系统，可以下载  tesseract-ocr-w64-setup-v5.0.0.20190623.exe。安装链接。
2. java的JDK：因为编辑训练集的工具是java开发的，运行该工具需要java环境。下载链接。安装链接。
3. jTessBoxEditor：下载链接。这个下载的是不需要安装的，如果你JDK安装没错的话点击train.bat文件就可以启动了。

二 训练阶段

1. 配置环境：按照第一阶段的所写操作来即可。

2. 准备训练数据：根据自己识别的场景，提供训练数据。这里是一个小实验，所以就训练上面图1的数据了。

3. 将训练数据打包成一个tif：如果你的数据不止一个tif你可以使用jTessBoxEditor工具合并成一个tif文件。因为我这里只有一个图片，所以就不需要打包成一个文件了，图片的名字有一定命名要求的，比如可以num.font.exp0.tif，我这里命名的是myfontlab.normal.exp0.tif。使用jTessBoxEditor将多个tif文件合并成一个tif。

4. 将训练数据生成box格式：
   如果你训练的是数字或者是英文字库，可以使用如下语法

   【语法】：tesseract [lang].[fontname].exp[num].tif [lang].[fontname].exp[num] batch.nochop makebox  
   【语法】：lang为语言名称，fontname为字体名称，num为序号；在tesseract中，一定要注意格式

   比如训练数字，可以使用如下命令：

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

   训练中文，可以使用如下命令：注意-l是英文字母l，不是数字1。

   tesseract myfontlab.normal.exp0.tif myfontlab.normal.exp0 -l chi_sim batch.nochop makebox

   

    

5. 用jTessBoxEditor打开tif文件，然后根据实际情况修改box文件。如下图，这提示一下，大家都应该会操作了。注意如果你有很多数据，它可能会分页，需要你逐页调整。
    

   图3：校正数据集

    

6. 产生字符特征文件，生成.tr文件。命令如下：

   tesseract myfontlab.normal.exp0.tif myfontlab.normal.exp0 nobatch box.train

   图4：生成.tr

    

7. 计算字符集，生成一个unicharset文件。命令如下：

   unicharset_extractor myfontlab.normal.exp0.box

   图5：生成unicharset文件

    

8. 定义字体特征文件，新建一个font_properties文件。注意，文件的名字就是font_properties，它没有.txt后缀。里面内容写入 normal 0 0 0 0 0 表示默认普通字体。注意这里的normal要和myfontlab.normal.exp0.tif中的normal一样。

   标题

    

9. 聚集字符特征，运行如下命令：

   shapeclustering -F font_properties -U unicharset myfontlab.normal.exp0.tr

   

   mftraining -F font_properties -U unicharset -O unicharset myfontlab.normal.exp0.tr

   

   cntraining myfontlab.normal.exp0.tr

   

   运行完上面的那些命令后，会有如下五个文件：
    

   

   在这五个文件前加上normal.（这的normal.也应该和myfontlab.normal.exp0.tif中的normal一样）进行重命名，最后会变成如下样子：

   

    

10. 合并五个文件，执行如下命令，会生成目标文件normal.traineddata，该文件就是训练好的字库。将它复制到你安装的Tesseract程序目录下的“tessdata”目录下即可。

    combine_tessdata normal.

    

    

     

三 验证阶段

执行命令如下：

tesseract test.png testT1 –l normal

左边是待识别的图片，中间是tesseract自带中文识别库识别的结果，右边自己训练的库识别的结果。 

其他问题的一些总结：

1.执行生成box文件时，出现empty page!!时，可以尝试使用--psm 10等参数。详情可以通过运行tesseract --help。不过需要注意，当使用--psm等参数时，在后续的生成.tr文件时也需要使用--psm参数一起执行。

2.在多次训练中出现了“other case a of A is not in unicharset”的错误，目前来说还不清楚是什么原因。

3.这个博主写的比较详细，可以看看。