使用开源的tessnet-orc识别验证码——训练篇

转自:http://blog.sina.com.cn/s/blog_5c9288aa0101g0r0.html

使用开源的tessnet-orc识别验证码

 

准备篇

1.       下载最新的tesseract安装文件，博主下载时版本号是3.02（https://code.google.com/p/tesseract-ocr/downloads/detail?name=tesseract-ocr-setup-3.02.02.exe&can=2&q=）

2.       下载工具jTessBoxEditor. http://sourceforge.net/projects/vietocr/files/jTessBoxEditor/，此工具用于生成tiff图片以及修改box文件，这是后话。

3.        

 

样本训练

 

1.  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，由于该工具是用JAVA开发的，需要安装JAVA虚拟机才能运行。

2.   2.   获取样本图像。获取用来训练的样本图像，注意一定要处理成白底黑字的灰度图，如图所示

3.     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LAN.new.exp0.tif文件。（注意此处命名格式一定要为[lang].[fontname].exp[num].tif其中lang为语言名称，fontname为字体名称，num为序号ps：博主之前想当然clear0.tif，clear1.tif结果在mftraining 步骤死活过不去了，sigh）

 

4.     4.生成Box File文件。打开命令行，执行命令：

tesseract.exe LAN.new.exp0.tif LAN.new.exp0 -l eng batch.nochop makebox

该命令为tif图像生成一个LAN.new.exp0.box 的文件，内容为各字符及其边框坐标，需要注意的是,此坐标的起点为图片左下角,即左下角为X:0  Y:0。

3.01这德行

 

3.02这德行

 

5.   5.   文字校正。此时的Box文件有可能存在识别错误以及字符分割错误，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），如下图所示。可以看出有些字符识别的不正确，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

。

 

6.      6. 定义字体特征文件。Tesseract-OCR3.01以上的版本在训练之前需要创建一个名称为font_properties的字体特征文件。font_properties不含有BOM头，文件内容格式如下：

其中fontname为字体名称，必须与[lang].[fontname].exp[num].box中的名称保持一致。 、 、 、、 的取值为1或0，表示字体是否具有这些属性。注意每一行对应一个训练文件，即如果有20个训练样本，font_properties里必须有20行！

7.     7. 把修改好的box文件保存，用以下命令为每个box文件生成tr文件

tesseract LAN.new.exp0.tif LAN.new.exp0 nobatch box.train

 

 

8.      8. 用unicharset_extractor程序命令行汇总这些box文件生成计算字符集unicharset unicharset_extractor LAN.new.exp0.box …… LAN.new.exp12.box

 

 

9.     9. 在聚集字符特征之前应该先聚类shape,

shapeclustering.exe –F font_properties  -U unicharset –O LAN.unicharset LAN.new.exp0.tr LAN.new.exp1.tr

博主之前直接用mftraining命令，结果warning:no shape file  https://code.google.com/p/tesseract-ocr/issues/detail?id=626

 

 

 

10.  10聚集字符特征， 用mftraining生成字符特征文件.unicharset、inttemp、pffmtable

mftraining -F font_properties -U unicharset -O LAN.unicharset   LAN.new.exp0.tr ……

 

 

接着用mftraining生成字符形状正常化特征文件normproto

cntraining LAN.new.exp0.tr LAN.new.exp1.tr

 

11. 11 合并训练文件

把unicharset, inttemp, normproto, pffmtable,shapetable这四个文件加上前缀"LAN."

这里的前缀名就是新训练的语言字库的名字了。

 

然后使用命令："combine_tessdata LAN." (不能少了那个句点)，

 

需确认打印结果中的Offset 1、3、4、5、13这些项不是-1。这样，一个新的语言文件就生成了。

生成一个LAN.traineddata 字典文件，然后把这个文件复制到Tessract的安装目录下一个叫tessdata的文件夹里，就可以使用新的训练字库了

 

 tips:训练图片很多时，可以写成批处理文件的形式，活用EXCEL填充句柄

 

 

 

 

参考资料：

1.       http://www.cnblogs.com/samlin/p/Tesseract-OCR.html

2.       http://www.cnblogs.com/sosoben/p/sosoben-tesseract.html

3.       https://code.google.com/p/tesseract-ocr/wiki/TrainingTesseract3#font_properties_(new_in_3.01)

4.       http://jingyan.baidu.com/article/a17d5285273c968098c8f2e5.html

5.         http://www.myexception.cn/vsts/1118613.html