ocr tesseract 3.4训练记录

安装tesseract

brew uninstall tesseract
brew install --with-training-tools tesseract

构建字符集

• 合并为tif
  tools-Merge Tiff

保存为num.myfont.exp0.tif

• 生成box

tesseract num.myfont.exp0.tif num.myfont.exp0 -l eng -psm 7 batch.nochop makebox

• 使用jTessBoxEditor修改box文件（这个文件也可以手动改）

• box文件如下，可以看出是第几页是什么字符，坐标大小是什么

• A 340 43 359 68 0
  B 363 43 379 68 0
  B 384 43 400 68 0
  D 405 43 420 68 0
  E 426 43 440 68 0
  F 445 43 460 68 0
  G 463 43 479 68 0
  H 483 43 500 68 0
  I 506 43 510 68 0
  J 514 43 529 68 0
  K 534 43 550 68 0
  L 554 43 568 68 0
  M 572 43 593 68 0
  N 598 43 616 68 0
  O 621 43 637 68 0
  P 643 43 659 68 0
  Q 662 38 679 68 0
  R 684 43 702 68 0
  S 706 43 722 68 0
  T 724 43 742 68 0
  U 745 43 761 68 0
  V 765 43 783 68 0
  W 785 43 811 68 0
  X 814 43 831 68 0
  Y 833 43 851 68 0
  Z 853 43 870 68 0
  1 872 43 883 68 0
  2 887 43 901 68 0
  3 905 43 919 68 0
  4 922 43 940 68 0
  5 942 43 957 68 0
  6 961 43 975 68 0
  7 978 43 993 68 0
  8 996 43 1011 68 0
  9 1015 43 1030 68 0
  0 1034 43 1049 68 0
  a 461 44 476 62 1
  b 481 44 496 69 1
  c 500 45 515 62 1
  d 518 44 533 69 1
  e 538 44 553 62 1
  f 556 45 568 69 1
  g 571 38 586 62 1
  h 591 45 605 69 1
  i 610 45 615 69 1
  j 617 38 625 69 1
  k 630 45 645 69 1
  l 649 45 654 69 1
  m 659 45 684 62 1
  n 689 45 703 62 1
  o 708 45 723 62 1
  p 728 38 743 62 1
  q 747 38 762 62 1
  r 768 45 778 62 1
  s 780 45 795 62 1
  t 797 45 808 67 1
  u 812 44 827 62 1
  v 830 45 846 62 1
  w 849 45 870 62 1
  x 873 45 888 62 1
  y 890 38 906 62 1
  z 909 45 923 62 1
  @ 414 37 430 62 2
  # 443 38 466 62 2
  $ 479 34 494 65 2
  % 507 35 540 62 2
  ^ 551 49 566 62 2
  & 579 38 599 62 2
  * 608 49 623 62 2
  _ 633 36 648 38 2
  - 659 46 668 50 2
  = 680 42 693 52 2
  + 705 39 721 55 2
  \ 733 33 746 62 2
  / 758 33 772 62 2
  < 784 37 801 56 2
  > 815 37 832 56 2
  " 844 52 859 62 2
  | 871 30 874 67 2
  ? 888 37 902 62 2
  ! 916 37 921 62 2
  ` 935 57 942 63 2
  ~ 957 44 973 51 2
  [ 986 33 994 67 2
  ] 1002 33 1011 67 2
  ( 1025 30 1033 66 2
  ) 1041 30 1049 66 2
   

• 生产font_properties

echo myfont 0 0 0 0 0 >font_properties

• 生成训练文件

tesseract num.myfont.exp0.tif num.myfont.exp0 -l eng -psm 7 nobatch box.train

• 生成字符集文件

unicharset_extractor num.myfont.exp0.box

• 生成shape

shapeclustering -F font_properties -U unicharset -O myfont.unicharset num.myfont.exp0.tr

• 聚合字符特征文件

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

• 正常化

cntraining num.myfont.exp0.tr

• 合并训练文件

cp normproto myfont.normproto
cp inttemp myfont.inttemp
cp pffmtable myfont.pffmtable
cp unicharset myfont.unicharset
cp shapetable myfont.shapetable
combine_tessdata myfont.

新增语言

brew list tesseract

查看tessdata位置

cp myfont.traineddata /usr/local/Cellar/tesseract/3.04.01_2/share/tessdata/
tesseract --list-langs

测试

tesseract 9606.tif output -l myfont -psm 7

doc

• jTessBoxEditor

• unicharset_extractor: command not found

• 利用jTessBoxEditor工具进行Tesseract3.02.02样本训练，提高验证码识别率

• 使用Tesseract-OCR训练文字识别记录

• 图像的灰度化原理和实现

总结：

tesseract 4 以下的版本就是修改过后识别率也不是很高，但cnn 识别很好但是慢的很。有空弄一下4.0的lstm 看看效果。