簡述

光學字符識別（英語：Optical Character Recognition，OCR）是指對文本資料的圖像文件進行分析識別處理，獲取文字及版面信息的過程。關于中文的識別最好的開源庫應該就是Tesseract OCR了。本文則重點介紹訓練出一份自己需要的樣本庫并識別（本文默認你已經會直接導入官方訓練庫識別）

準備工作

1）安裝tesseract ocr引擎

以Mac為例，直接選擇homebrew命令安裝 brew install --with-training-tools tesseract

2）下載chi_sim.traindata（中文識別庫，直接放在tesseract安裝目錄的tessdata目錄下，例如/usr/local/Cellar/tesseract/4.0.0/share/tessdata））

3）下載jTessBoxEditor2.2.0

訓練步驟

1）把樣本圖片或者文字轉換成tif格式（圖片轉tif 可以直接網上搜）這里講文字轉tif

雙擊解壓后的jTessBoxEditor.jar文件，選擇工具欄TIFF/Box Generator，把需要轉換的文字直接拷貝到下面空白處

image

Output為tif文件輸出目錄，其他基本無需修改，然后點擊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 ，官網的寫法~ 然后進入tif文件目錄下執(zhí)行命令

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

3）選擇工具欄Box Editor，點擊Open導入第一步生成的tif文件（會自動綁定第二步生成的box文件）

image

點擊文字之后可以修改識別區(qū)域寬高，x，y坐標等，修改完成點擊save保存

4）執(zhí)行腳本

Mac執(zhí)行 sh 腳本文件名.sh，然后回車依次輸入sll（語言）normal（字體）

!/bin/sh
?
read -p "輸入你語言:" lang
echo {lang}
read -p "輸入你的字體:" font
echo {font}
echo "所以完整文件名為："
echo {lang}.{font}.exp0.tif
echo "開始。。。"
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 "開始重命名文件"
mv inttemp {font}.inttemp
mv normproto {font}.normproto
mv pffmtable {font}.pffmtable
mv shapetable {font}.shapetable
mv unicharset {font}.unicharset
echo "生成最終文件"
combine_tessdata ${font}.
?
echo "完成"

運行成功之后就會生成.traineddata文件，這個文件即只能識別我們訓練的“識別”倆字，所以說在大小，識別速度上會大大優(yōu)于官網的中文包，當然本文只是例子，實踐項目中不可能只是“識別”兩個字那么簡單，比如中文簡體3500字，那在修改box文件的時候確實是需要花費很久的時間的