OCR训练中文样本库和识别

简述

光学字符识别（英语：Optical Character Recognition，OCR）是指对文本资料的图像文件进行分析识别处理，获取文字及版面信息的过程。关于中文的识别最好的开源库应该就是Tesseract OCR了。本文则重点介绍训练出一份自己需要的样本库并识别（本文默认你已经会直接导入官方训练库识别）

准备工作

1）安装tesseract ocr引擎

以Mac为例，直接选择homebrew命令安装 brew install --with-training-tools tesseract

2）下载chi_sim.traindata（中文识别库，直接放在tesseract安装目录的tessdata目录下，例如/usr/local/Cellar/tesseract/4.0.0/share/tessdata））

3）下载jTessBoxEditor2.2.0

训练步骤

1）把样本图片或者文字转换成tif格式（图片转tif 可以直接网上搜）这里讲文字转tif

双击解压后的jTessBoxEditor.jar文件，选择工具栏TIFF/Box Generator，把需要转换的文字直接拷贝到下面空白处

image

Output为tif文件输出目录，其他基本无需修改，然后点击Generate稍等片刻即可生成生成tif文件。

2）生成box文件

把第二步生成的tif文件改名 sll.normal.exp0.tif ，官网的写法~ 然后进入tif文件目录下执行命令

tesseract sll.normal.exp0.tif sll.normal.exp0 -l chi_sim batch.nochop makebox1

3）选择工具栏Box Editor，点击Open导入第一步生成的tif文件（会自动绑定第二步生成的box文件）

image

点击文字之后可以修改识别区域宽高，x，y坐标等，修改完成点击save保存

4）执行脚本

Mac执行 sh 脚本文件名.sh，然后回车依次输入sll（语言）normal（字体）

!/bin/sh
​
read -p "输入你语言:" lang
echo {lang}
read -p "输入你的字体:" font
echo {font}
echo "所以完整文件名为："
echo {lang}.{font}.exp0.tif
echo "开始。。。"
echo {font} 0 0 0 0 0 >font_properties
tesseract {lang}.{font}.exp0.tif {lang}.{font}.exp0 nobatch box.train
unicharset_extractor {lang}.{font}.exp0.box
shapeclustering -F font_properties -U unicharset {lang}.{font}.exp0.tr
mftraining -F font_properties -U unicharset -O unicharset {lang}.{font}.exp0.tr
cntraining {lang}.{font}.exp0.tr
echo "开始重命名文件"
mv inttemp {font}.inttemp
mv normproto {font}.normproto
mv pffmtable {font}.pffmtable
mv shapetable {font}.shapetable
mv unicharset {font}.unicharset
echo "生成最终文件"
combine_tessdata ${font}.
​
echo "完成"

运行成功之后就会生成.traineddata文件，这个文件即只能识别我们训练的“识别”俩字，所以说在大小，识别速度上会大大优于官网的中文包，当然本文只是例子，实践项目中不可能只是“识别”两个字那么简单，比如中文简体3500字，那在修改box文件的时候确实是需要花费很久的时间的