使用Tesseract-OCR训练自定义字库

文本识别

前言

由于我的个人博客之前挂了，一直没来得及迁移，所以又重新拾起了csdn…

在利用python进行文本识别时，使用tesseract往往是一个非常好的选择，且tesseract支持自己训练的字库，自己训练出来的字库一般具有轻量、有针对性、识别率高的特点。本文就讲述了如何使用tesseract自己训练字库。

安装tesseract环境

下载Tesseract-OCR官方命令行工具：
https://sourceforge.net/projects/tesseract-ocr-alt/files/tesseract-ocr-setup-3.02.02.exe/download
下载完成后安装，安装完成后，将文件根目录路径添加进系统环境变量中，打开cmd命令行，输入

tesseract -v

如果安装成功，将会出现这样的提示界面：

下载jTessBoxEditor：https://osdn.net/projects/sfnet_vietocr/downloads/jTessBoxEditor/jTessBoxEditor-1.5.zip/
下载完成后解压即可。**jTessBoxEditor运行需要电脑上提前安装好Java jre8，若电脑上原来没有或者安装的是jre6的话，请去官网上下载最新版的jre。**找到解压路径下的train.bat文件，双击，若能正常打开，表明配置完成。否则

训练字库

获取训练字库图片有两种方式：

直接寻找文字或数字比较完整的图片
自己利用美图秀秀或ps制作字库图片

可以去网上下载你想要的字体文件，然后打开ps或美图秀秀，创建一张白色背景的图片，分辨率选择合适的。添加文字时注意使用黑色文字

获得字库文件之后，通过画图工具打开，并将图片保存为tif或tiff格式。

生成box文件

更改图片名字：

tif文面命名格式[lang].[fontname].exp[num].tif
-lang: 语言
-fontname: 字体格式
-num: 次数

在cmd中切换到tif文件所在目录，然后输入以下命令行：

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

命令执行成功的话，同目录下会生成num.font.exp0.box文件；否则，请确认命令是否正确输入。

使用jTessBoxEditor工具修正（可选）

box文件本质上就是一堆配置信息，记载了字符和字符在tif文件中的框选位置信息。这一步是可选的，熟悉流程操作后可以直接用编辑器打开上一步产生的box文件直接修改，这里借助jTessBoxEditor工具确认。

直接双击运行jTessBoxEditor目录下的train.bat文件运行java程序，然后点击Box Editor窗口，点击Open加载tif文件。

如果jTessBoxEditor没有运行起来，尝试直接在cmd中切换到解压目录后，输入命令行启动：

java -jar jTessBoxEditor.jar

加载box文件可以发现有三个字符默认识别错误了，需要进行修改，直接点击对应错误的字母，替换正确数字即可.
确认框选位置没有错误，对应字符也正确的情况下，点击save按钮完成box修正。

打包字库文件

打包字库需要一个额外文件font_properties，这个文件指定字库的样式，每一行格式是：

<font-name/字体名称> <italic/斜体> <bold/粗体> <fixed/等宽体> <serif/衬线体> <fraktur/尖角体>

其中italic、bold、fixed、serif和fraktur用1/0代表是/否，例如：timesitalic 1 0 0 1 0

在这里，不需要特殊设置，直接创建一个font_properties文件，填写

font 0 0 0 0 0

即可。

接下来无技术含量，在cmd中依次输入：

tesseract num.font.exp0.tif num.font.exp0 nobatch box.train
unicharset_extractor num.font.exp0.box
mftraining -F font_properties -U unicharset -O num.unicharset num.font.exp0.tr
cntraining num.font.exp0.tr
rename normproto num.normproto
rename inttemp num.inttemp
rename pffmtable num.pffmtable
rename shapetable num.shapetable
combine_tessdata num.

如无意外，本地下即可看到num.traineddata文件，就是我们使用自定义字体图片tif文件训练得到的字库文件了。