摘要：目前已作為開源項目發(fā)布在，其最新版本已經(jīng)支持中文，并提供了一個命令行工具。他能夠用來識別英文，但是不能識別中文。所以要下載中文的識別包這樣就能識別中文。至少對印刷的中文字識別效果是很好的。

Tesseract的OCR引擎最先由HP實驗室于1985年開始研發(fā)，至1995年時已經(jīng)成為OCR業(yè)內(nèi)最準確的三款識別引擎之一。然而，HP不久便決定放棄OCR業(yè)務(wù)，Tesseract也從此塵封。

數(shù)年以后，HP意識到，與其將Tesseract束之高閣，不如貢獻給開源軟件業(yè)，讓其重煥新生－－2005年，Tesseract由美國內(nèi)華達州信息技術(shù)研究所獲得，并求諸于Google對Tesseract進行改進、消除Bug、優(yōu)化工作。

Tesseract目前已作為開源項目發(fā)布在Google Project，其最新版本3.0已經(jīng)支持中文OCR，并提供了一個命令行工具。

Tesseract 可以在 linux、windows 和 macOS 下使用。這里以 macOS 為例。

brew install --with-training-tools tesseract

雖然官方提供了多種語言的識別數(shù)據(jù)包，但是在很多情況下都需要在其基礎(chǔ)上自己進行訓練，所以記得安裝訓練工具

從官網(wǎng)地址下載對應(yīng)的識別包 [官網(wǎng)地址](https://github.com/tesseract-...
) 比如中文識別選擇 chi_sim 這個包

再將識別包放置到系統(tǒng)的相應(yīng)目錄中，比如我用 hoembrew 安裝，地址位于：

/usr/local/Cellar/tesseract/3.05.01/share/tessdata

tesseract 的好處就在能夠自己訓練需要識別的字符，如果只是識別印刷字體這樣的需求還是調(diào)用 API 比較方便，比如說百度云的文字識別 API。

要進行訓練就下載 jTessBoxEditor 樣本訓練工具

查看版本

tesseract -v

查看幫助

tesseract --help

進行識別的命令

tesseract in.jpg out.txt -l chi_sim -psm 6
in.jpg:需要識別的圖片
out.jpg:圖片的結(jié)果輸出到的位置
-l:后跟用于進行識別的數(shù)據(jù)包，這里是中文
-psm:識別方式

查看已有的語言識別包

?libai tesseract --list-langs
List of available languages (4):
chi_sim
eng
libai
number

語言識別的包是識別的基礎(chǔ)，下載之后默認自帶的是 eng.traineddata 英文識別包。他能夠用來識別英文，但是不能識別中文。所以要下載中文的識別包 ch_sim.traineddata 這樣就能識別中文。但是發(fā)現(xiàn)準確率不高，不符合需求就要訓練自己的包。

總之核心就在 traineddata 文件。

psm 的參數(shù)很重要，表示 tesseract 識別圖像的方式，比如說是一行一行識別還是逐字識別。希望逐字識別可以使用 -psm 10，希望逐行識別可以使用 -psm 6,其他沒怎么用以后有機會補充?？傊?strong>希望有更好的識別效果需要選擇合適的 psm。

tesseract --help-psm
  0    Orientation and script detection (OSD) only.
  1    Automatic page segmentation with OSD.
  2    Automatic page segmentation, but no OSD, or OCR.
  3    Fully automatic page segmentation, but no OSD. (Default)
  4    Assume a single column of text of variable sizes.
  5    Assume a single uniform block of vertically aligned text.
  6    Assume a single uniform block of text.
  7    Treat the image as a single text line.
  8    Treat the image as a single word.
  9    Treat the image as a single word in a circle.
 10    Treat the image as a single character.

谷歌翻譯結(jié)果,自己嘗試一下會有體會

方向和腳本檢測（OSD）。
  1自動頁面分割與OSD。
  2自動頁面分割，但沒有OSD或OCR。
  3全自動頁面分割，但沒有OSD。 （默認）
  4假設(shè)單列可變大小的文本。
  5假設(shè)一個垂直對齊的文本的統(tǒng)一塊。
  6假設(shè)單個統(tǒng)一的文本塊。
  7將圖像視為單個文本行。
  8將圖像視為單個字。
  9將圖像視為一個單個的單詞。
 10將圖像視為單個字符。

tesseract libai.jpg libai -l chi_sim -psm 6

抹甫曰月閆充，
屁是訛上霜;
亭孰塑明汛
佃爽崽故歹o

顯然準確率不高，進行訓練。

1.生成字體文件

打開jTessBoxEditor工具，菜單欄：tools->Merge TIFF...，選中要合成的圖片并保存為為：libai.tif

2.生成 box 文件

tesseract libai.tif libai -l chi_sim -psm 6 batch.nochop makebox

3.利用 jTessBoxEditor 校正

校正之后記得保存。

4.生成.tr文件

tesseract libai.tif libai -psm 6 nobatch box.train

5.生成unicharset文件

unicharset_extractor libai.box

6.創(chuàng)建font_properties文件

echo "font 0 0 0 0 0" > font_properties

7.training

shapeclustering -F font_properties -U unicharset libai.tr
mftraining -F font_properties -U unicharset -O l libai.tr

8.Clustering。產(chǎn)生字符形狀正?；卣魑募ormproto

cntraining libai.tr

9.重命名文件

mv normproto libai.normproto
mv inttemp libai.inttemp
mv pffmtable libai.pffmtable
mv shapetable libai.shapetable
mv unicharset libai.unicharset

10.合并文件生成 traineddata 文件

?  libai combine_tessdata libai.
Combining tessdata files
TessdataManager combined tesseract data files.
Offset for type  0 (libai.config                ) is -1
Offset for type  1 (libai.unicharset            ) is 140
Offset for type  2 (libai.unicharambigs         ) is -1
Offset for type  3 (libai.inttemp               ) is 855
Offset for type  4 (libai.pffmtable             ) is 140145
Offset for type  5 (libai.normproto             ) is 140274
Offset for type  6 (libai.punc-dawg             ) is -1
Offset for type  7 (libai.word-dawg             ) is -1
Offset for type  8 (libai.number-dawg           ) is -1
Offset for type  9 (libai.freq-dawg             ) is -1
Offset for type 10 (libai.fixed-length-dawgs    ) is -1
Offset for type 11 (libai.cube-unicharset       ) is -1
Offset for type 12 (libai.cube-word-dawg        ) is -1
Offset for type 13 (libai.shapetable            ) is 141781
Offset for type 14 (libai.bigram-dawg           ) is -1
Offset for type 15 (libai.unambig-dawg          ) is -1
Offset for type 16 (libai.params-model          ) is -1
Output libai.traineddata created successfully.

11.將文件拷貝到目標文件夾

cp libai.traineddata /usr/local/Cellar/tesseract/3.05.01/share/tessdata

12.再次識別

tesseract libai.jpg trained -l libai -psm 6

?  libai cat trained.txt
床前明月光，
疑是地上霜;
舉頭望明月，
低頭思故鄉(xiāng).

tesseract 能夠進行 OCR 識別，但是對中文的支持不夠好。所以如果要更好地識別中文字體需要進行大量的訓練，有時間精力當然是一個方案，沒有的話還是調(diào)用現(xiàn)成的 API 比較好。至少對印刷的中文字識別效果是很好的。

我寫好的放在 Tesseract 和百度識別的 Demo

參考資料：
Tesseract 3 語言數(shù)據(jù)的訓練方法
使用Tesseract-OCR訓練文字識別記錄
如何使用Tesseract-OCR(v3.02.02)訓練字庫 - 作業(yè)部落 Cmd Markdown 編輯閱讀器