tesseract-ocr字符识别，安装/测试/训练 问题/解决方案

2018.5.4更新 training tesseract

由于Ubuntu下训练tesseract 教程不足，还在继续摸索。现在转用Windows下的tesseract 3.05版本（tesseract 4.0在我的win10下总是出错 还没办法解决）

• windows tesseract版本下载。
• exe安装。
• 安装完成后打开CMD输入tesseract回车出现tesseract介绍/help等，即安装成功。

测试：新建测试文件夹/.../test 用画图板准备图片文件：test.png

命令行进入该文件目录下，输入测试命令：

tesseract test.png output_test -l eng

【语法】tesseract imagename outputbase[-l lang] [-psm pagesegmode] [configfile...]

接下来的教程见→  教程

所遇到的问题及解决方案：

1. Failed to load font_properties from font_properties

【解决】： 将命令行

mftraining -F font_properties -U unicharset -O num.unicharset num.font.exp0.tr 

更改为：

mftraining -F font_properties.txt -U unicharset -O num.unicharset num.font.exp0.tr 

2.Illegal short name for a feature

换下一张图片进行训练，（跳过该问题训练集）

3.ICU ERROR...

【解决】打开VS调试，选择调试→选项→调试→常规→启动源服务器支持

                                                                                →符号→Microsoft符号服务器

【有图教程】

4.【画了6张tif图，但是无法用jTessBoxEdit合并，可能训练样本有问题，重新尝试解决】

5. empty page

6. jTessBoxEditor中文乱码 在setting中将字体改为宋体 

2018.3.23

第一例EAST旭哥在做,开始调研tesseract-ocr

step1 下载tesseract-ocr demo.

(使用Github: 打开项目后,先看看wiki,根据目录进行操作)

HOME页Download tesseract-ocr Engine.(关于PPA: Personal Package Archives)

命令行 运行demo

推荐一篇博客对整体环境的编译运行：教程1

这篇文章是Ubuntu16.4 我实际使用的是Ubuntu14.4(uname -a 查看版本信息)

在Ubuntu14.4下安装时会报一个错:W: GPG 错误：http://ppa.launchpad.net lucid Release: 由于没有公钥，无法验证下列签名： NO_PUBKEY FAF69C646FF368B7的问题解决方案:在终端中运行：sudo apt-key adv --keyserver keyserver.ubuntu.com --recv-keys FAF69C646FF368B7

具体安装代码如下:

sudo add-apt-repository ppa:alex-p/tesseract-ocrsudo apt-get updatesudo apt-get install tesseract-ocr

安装完成后,先只能运行识别英文字符.其他字符需安装依赖库.

////2018.3.23 完成demo测试 识别效果真的非常棒///

2018.3.25 安装编译环境

（参考GitHub与上面推荐的博客均可）

可能出现的问题:

/usr/lib/nvidia-375/libEGL.so.1 is not a symbolic link /usr/lib32/nvidia-375/libEGL.so.1 is not a symbolic link 

/usr/local/cuda-8.0/targets/x86_64-linux/lib/libcudnn.so.5 is not a symbolic link

解决方法:

• 针对

/usr/lib/nvidia-375/libEGL.so.1 is not a symbolic link /usr/lib32/nvidia-375/libEGL.so.1 is not a symbolic link

解决：

sudo mv /usr/lib/nvidia-375/libEGL.so.1 /usr/lib/nvidia-375/libEGL.so.1.org

sudo mv /usr/lib32/nvidia-375/libEGL.so.1 /usr/lib32/nvidia-375/libEGL.so.1.orgsudo 

ln -s /usr/lib/nvidia-375/libEGL.so.375.66 /usr/lib/nvidia-375/libEGL.so.1sudo 

ln -s /usr/lib32/nvidia-375/libEGL.so.375.66 /usr/lib32/nvidia-375/libEGL.so.1

• 针对

/usr/local/cuda-8.0/targets/x86_64-linux/lib/libcudnn.so.5 is not a symbolic link

解决:

cd /usr/local/cuda/lib64sudo ln -sf libcudnn.so.5.10 libcudnn.so.5sudo ln -sf libcudnn.so.5 libcudnn.so

运行

sudo ldconfig

检查是否报错

参考链接： Ubuntu安装CUDA报错：/usr/lib/nvidia-375/libEGL.so.1 不是符号连接 安装CUDA 出现libEGL.so.1 is not a symbolic link libcudnn.so.5 is not a symbolic link

一个坑

安装 leptonica 注意，一定要从官网下载XXX.tar.gz安装包安装。（有问题先看看GitHub中的issues）

我这边安装了Latest version，不可以从github直接git clone是因为该源码中无configure文件夹，在编译时很多错不好解决。3种方法，使用了第二种autoconfig。这里按照官网的步骤一步一步来，如果在make install报错，可能是Permission denied报错，使用 sudo make install。

在一系列操作完成后，到配置字体库，我这边出现的问题，路径配置：

export TESSDATA_PREFIX=/media/xxx/tessdata

可以直接使用

wget https://github.com/tesseract-ocr/tessdata/raw/master/eng.traineddata

wget https://github.com/tesseract-ocr/tessdata/raw/master/chi_sim.traineddata

下载英文/中文等需要的语言。

可能会遇到的错误：

Error opening data file /usr/local/share/tessdata/eng.traineddataPlease make sure the TESSDATA_PREFIX environment variable is set to the parent directory of your "tessdata" directory.Failed loading language engTesseract couldn't load any languages!Could not initialize tesseract.

请参考stackoverflow

以上，可以完成测试。注意：tesseract-ocr 识别的是 印刷体字。

有一篇博客，写了ocr.sh文件，貌似是可以把路径直接改正?我还没尝试，先贴在这里吧。

/// 开始准备 training 环节。

安装jTessBoxEditor

到官网下载，tesseract-ocr 4.0,下载了最新版本的jTessBoxEditor

• 解压 tar -zxvf jTessBoxEditor
• 转到解压后的目录： cd /jTessBoxEditor
• 启动 jTessBoxEditor，命令行输入 java -Xms128m -Xmx1024m -jar jTessBoxEditor.jar

然后 配置Java环境。推一篇参考：最后选择安装了jdk8

报错：

mirror什么的，换成中科院源

wget https://github.com/tesseract-ocr/tessdata/raw/master/eng.traineddatawget https://github.com/tesseract-ocr/tessdata/raw/master/chi_sim.traineddata