ocr训练图片识别

 或者参考：http://www.xuebuyuan.com/2153910.html

                    http://blog.csdn.net/haluoluo211/article/details/53483534
=================

参考了很多网上分享的东西，首先感谢他们。

由于最近有需求需要使用Tesseract-OCR来识别手写字符，开源的好像就好些了。

后面直接进入正题，直接说训练。

有部分网上说，要把图片转变成tif格式才来训练，其实jpg也是ok的，测试通过。

我操作的步骤如下：

1.将准备好的jpg或tif格式的图片（其他格式的尚未测试），通过jTessBoxEditor (http://dl.pconline.com.cn/download/1060986.html)合并成一个tif格式文件。

2.生成.box文件

tesseract.exe zhi.normal.exp0.tif zhi.normal.exp0 -l chi_sim batch.nochop makebox
保证tif文件与box文件在同一目录下。

3.文字校正：使用jTessBoxEditor来处理。

4.产生字符特征文件

tesseract.exe zhi.normal.exp0.tif zhi.normal.exp0 nobatch box.train

5.计算字符集

unicharset_extractor zhi.normal.exp0.box

6.定义字体特征文件

font_properties.txt

我的是normal 0 0 0 0 0；

7、聚集字符特征

   1) shapeclustering -F font_properties.txt -U unicharset zhi.normal.exp0.tr   注意：如果font_properties不加扩展名.txt，可能会报错

   2) mftraining -F font_properties.txt -U unicharset -O zhi.unicharset zhi.normal.exp0.tr

   使用上一步产生的字符集文件unicharset，来生成当前新语言的字符集文件chi.unicharset。同时还会产生图形原型文件inttemp和每个字符所对应的字符

   特征数文件pffmtable。最重要的就是这个inttemp文件了，他包含了所有需要产生的字的图形原型。 

   3)cntraining zhi.normal.exp0.tr

   

   

8、把目录下的unicharset、inttemp、pffmtable、shapetable、normproto这五个文件前面都加上zhi.

9.执行combine_tessdata zhi.

测试：

tesseract.exe E:\ChineseCharacterdata\answersheet_imgs\hanzi\zhi\img0035.jpg output -l zhi

测试通过。

=====================

1. 功能介绍

利用jTessBoxEditor工具进行Tesseract3.02.02样本训练，提高验证码识别需求是对某个网站的验证码进行样本训练，形成自己的语言库，来提高验证码识别率。

2. 环境准备

关于tesseract样本训练有一个官方流程说明， https://github.com/tesseract-ocr/tesseract/wiki/TrainingTesseract#run-tesseract-for-training 
具体的方法有两种： 1-利用三方工具，2-完全命令行操作， 三方工具主要在 https://github.com/tesseract-ocr/tesseract/wiki/AddOns 下载，本文将用到 jTessBoxEditor 这个工具，下载地址为https://sourceforge.net/projects/vietocr/files/jTessBoxEditor/jTessBoxEditor-1.5.zip/download?use_mirror=jaist&download=&failedmirror=tenet.dl.sourceforge.net

3. 数据准备

使用抓取程序抓取验证码，放在E:\workspace\ocr\images\test目录下，分别按顺序命名为0.jpg,1.jpg,---，10000.jpg，如，
该验证码有几个特点：a、定长4位，b、都是数字，c、有背景干扰，但比较简单，d、字体颜色不确定，e、有粘连。
为了提高识别率，首先做了一个工作就是灰度化处理 如，并全部转换成tif文件，分别命名成：0.tif，1.tif，2.tif，……，10001.tif，统一存放在E:\workspace\ocr\images\tif下。

4. 利用jTessBoxEditor进行模型训练

4.1 训练步骤

4.1.1      运行程序
运行以下命令：
java-Xms128m -Xmx1024m -jar jTessBoxEditor.jar
4.1.2      合并样本图片
在打开的jtessboxeditor界面中，点击Tools->Merge Tiff ，如图：
按住shift键选择前文准备好的tif文件，并把生成的tif合并到新目录E:\workspace\ocr\images\tif\new2下，命名为langyp.fontyp.exp0.tif。
注意： langyp 是定义的语言名称， fontyp是定义的字体名称，后续都会用到，可以随意修名字 。
4.1.3      生成box文件
执行命令生成 langyp.fontyp.exp0.box 文件
tesseract langyp.fontyp.exp0.tif langyp.fontyp.exp0-l eng -psm 7 batch.nochop makebox
E:\workspace\ocr\images\tif\new2的目录
2017-05-10  14:37   <DIR>          .
2017-05-10  14:37   <DIR>          ..
2017-05-10  14:30             6,327 langyp.fontyp.exp0.box
2017-05-10  13:07           126,056 langyp.fontyp.exp0.tif
               2 个文件        132,383 字节
               2 个目录24,869,994,496 可用字节
4.1.4      修改box文件
切换到jTessBoxEditor工具的Box Editor页，点击open，打开前面的tiff文件langyp.fontyp.exp0.tif，工具会自动加载对应的box文件。
检查box数据，如下图所示是已经修改好的情况，如果数字被误认则手工修改，并保存。
点击下图红色框的按钮，逐个核对tif文件的box数据，全部检查结束并保存。
如上图：圈中的部分1为打开tif文件，2可以合并左边的行，3可以插入行，4可以删除行，5修改每行的数据，使得圈中识别的数字，character是识别的字符，X是起始横轴坐标，Y是起始纵轴坐标，W是宽度，H是高度
4.1.5      生成font_properties
执行echo命令生成font_properties。
echofontyp 0 0 0 0 0 >font_properties
也可以手工新建一个名为font_properties的文本文件（注意该文件没有扩展名），内容为字体名fontyp，后面带5个0，分别代表字体的粗体、斜体等属性，这里全部是0
4.1.6      生成训练文件
执行命令，生成langyp.fontyp.exp0.tr训练文件
tesseractlangyp.fontyp.exp0.tif langyp.fontyp.exp0 -l eng -psm 7 nobatch box.train
 E:\workspace\ocr\images\tif\new2 的目录
2017-05-10  16:34   <DIR>          .
2017-05-10  16:34   <DIR>          ..
2017-05-10  16:05                16 font_properties
2017-05-10  14:30             6,327 langyp.fontyp.exp0.box
2017-05-10  13:07           126,056 langyp.fontyp.exp0.tif
2017-05-10  16:20           618,844 langyp.fontyp.exp0.tr
2017-05-10  16:20               202 langyp.fontyp.exp0.txt
               5 个文件        751,445 字节
               2 个目录24,869,101,568 可用字节
4.1.7      生成字符集文件
执行命令，生成名为unicharset的字符集文件。
unicharset_extractorlangyp.fontyp.exp0.box
E:\workspace\ocr\images\tif\new2的目录
2017-05-10  16:41   <DIR>          .
2017-05-10  16:41   <DIR>          ..
2017-05-10  16:05                16 font_properties
2017-05-10  14:30             6,327 langyp.fontyp.exp0.box
2017-05-10  13:07           126,056 langyp.fontyp.exp0.tif
2017-05-10  16:20           618,844 langyp.fontyp.exp0.tr
2017-05-10  16:20               202 langyp.fontyp.exp0.txt
2017-05-10  16:41               712 unicharset
               6 个文件        752,157 字节
               2 个目录24,869,171,200 可用字节
4.1.8      生成shape文件
执行命令，生成shape文件
shapeclustering-F font_properties -U unicharset -O langyp.unicharsetlangyp.fontyp.exp0.tr
E:\workspace\ocr\images\tif\new2的目录
2017-05-10  17:24   <DIR>          .
2017-05-10  17:24   <DIR>          ..
2017-05-10  17:20                19 font_properties
2017-05-10  14:30             6,327 langyp.fontyp.exp0.box
2017-05-10  13:07           126,056 langyp.fontyp.exp0.tif
2017-05-10  17:23           618,844 langyp.fontyp.exp0.tr
2017-05-10  17:23               202 langyp.fontyp.exp0.txt
2017-05-10  17:24               723 langyp.unicharset
2017-05-10  17:24               202 shapetable
2017-05-10  17:24               712 unicharset
               8 个文件        753,085 字节
               2 个目录24,868,278,272 可用字节
4.1.9      生成聚集字符特征文件
执行命令，生成3个特征字符文件，unicharset、inttemp、pffmtable
mftraining-F font_properties -U unicharset -O langyp.unicharset langyp.fontyp.exp0.tr
4.1.10   生成字符正常化特征文件
执行命令，生成正常化特征文件normproto。
cntraininglangyp.fontyp.exp0.tr
4.1.11   更名
执行命令，把步骤9，步骤10生成的特征文件进行更名。
renamenormproto fontyp.normproto 
renameinttemp fontyp.inttemp 
renamepffmtable fontyp.pffmtable 
renameunicharset fontyp.unicharset 
renameshapetable fontyp.shapetable
4.1.12   合并训练文件
执行命令，生成fontyp.traineddata文件。
combine_tessdatafontyp.
注意：
a、fontyp.traineddata文件最终要拷贝tesseract安装目录的tessdata目录下，才能被tesseract找到。
b、命令行最后必须带一个点。
c、执行结果中，1,3,4,5,13这几行必须有数值，才代表命令执行成功。
4.1.13   fontyp.traineddata拷贝
复制fontyp.traineddata到tesseract的安装目录的tessdata子目录下安装子目录C:\Program Files(x86)\Tesseract-OCR\tessdata，如下：
4.1.14   测试使用
使用命令重新验证码识别：
tesseract 1.jpg result -l fontyp-psm7

4.2 总结

 jtessboxeditor 工具其实是一个基本成型的三方样本训练工具，它的功能就是自动执行上述脚本命令，但是在实际使用中，还存在不够完善的地方，譬如不能加psm参数，生成shape时经常程序异常崩溃，所以本文操作还是以命令行为主。

关于中文的识别，效果比较好而且开源的应该就是Tesseract-OCR了，所以自己亲身试用一下，分享到博客让有同样兴趣的人少走弯路。

文中所用到的身份证图片资源是百度找的，如有侵权可联系我删除。

 

一、准备工作

1、下载Tesseract-OCR引擎，注意要3.0以上才支持中文哦，按照提示安装就行。


2、下载chi_sim.traindata字库。要有这个才能识别中文。下好后，放到Tesseract-OCR项目的tessdata文件夹里面。

3、下载jTessBoxEditor，这个是用来训练字库的。

以上的几个在百度都能找到下载，就不详细讲了。



 

 

二、识别

1、进入cmd，进入到要识别的图片的路径下。

2、输入命令

例如我的图片识别就是：



识别完后会生成result.txt文件



当然啦效果不太理想。所以我们要训练自己的字库。

 

三、训练

1、将图片转换成tif格式，用于后面生成box文件。可以通过画图，然后另存为tif即可。

更改图片名字，这个是有要求的=。=

tif文面命名格式[lang].[fontname].exp[num].tif

lang是语言 fontname是字体 

比如我们要训练自定义字库 mjorcen字体名normal

那么我们把图片文件重命名 mjorcen.normal.exp0.jpg在转tif。

 

2、生成box文件。



box文件和对应的tif一定要在相同的目录下，不然后面打不开。

 

3、打开jTessBoxEditor矫正错误并训练

打开train.bat



找到tif图，打开，并校正。



 

4、训练。

只要在命令行输入命令即可。

 


在这我明明已经矫正好了，但是还是有1个字符不能识别出来，报的错跟实际上完全没有相关性，不知道是不是bug，到后面的结果就是“园”字没有识别出来。

先不管，毕竟只有一个样本。

 

新建一个font_properties文件

里面内容写入 normal 0 0 0 0 0 表示默认普通字体

 

继续敲命令

 

最后会生成五个文件，把目录下的unicharset、inttemp、pffmtable、shapetable、normproto这五个文件前面都加上normal.

如图：



 

命令行输入，合并五个文件：

得到训练好的字库。



 

四、测试

1、把 normal.traineddata 复制到Tesseract-OCR 安装目录下的tessdata文件夹中

 

2、识别命令：

 

3、效果



 

对比：



 

 

总结：肯定要自己训练过后的字库识别效果好，接下来要把整个项目弄进android，还要研究怎么将多个字库合并成一个字库，因为我不可能一次训练完所有的图片文字的。到时候有什么成果了再分享博文。希望大家可以点赞！谢谢。

 

更新：没有错误的话命令行的提示应该是这样的