JAVA识别身份证号码，H5识别身份证号码，tesseract-ocr识别（一）

版权声明：Gavin原创，转载请保留原博文地址 https://blog.csdn.net/hiredme/article/details/50894814

背景介绍：

这段时间正在做一个流动人口管理项目，其中要求使用H5网页拍照识别身份证，当时就蒙圈了，这不是APP的功能吗？产品为了快速迭代一直把APP的功能往H5上堆砌，没办法只有想办法解决了。
查了一些资料，发现除了收费的OCR（百度、云脉等等）比较好的并支持中文的就只有tesseract了，当然我收费的OCR我也没测试。
暂时决定使用tesseract了。

思路介绍

我的思路是这样的：
由H5调用摄像头—–>拍照上传到服务端—->服务端识别身份信息—–>服务端返回身份信息。

关键点提高识别率

因为整张身份证的识别率太过让人失望，所以必须对身份证图片进行处理。
假设我们能把身份证上的关键信息截取下来，是不是可以提高OCR的识别率？

遵循这个假设开始测试。

安装tesseract-ocr

我是在windows下进行测试的，Linux安装大家可以参考这篇博客Linux安装tesseract-ocr

windows下比较简单，下载程序安装就好，其中需要语言包的可以在安装选项中选择下载中文语言包，默认只有英文的。我安装的版本是tesseract-ocr3.01-1
Tesseract下载地址
因为wall的原因，这个网址无法直接打开，你懂的，所以使用迅雷下载吧。复制链接地址到迅雷新建任务，可以的。

同意，下一步，选择语言包。我选了简体中文，但因为wall的原因没安装上！！！
中文的识别率太低了，这个大家也知道，结果跟产品扯了下皮，先做一版识别身份证号码的好了。这也是为什么我的标题是 识别身份证号码而不是识别身份信息了。

装完之后测试一下，找一个数字图片测试一下

进入图片目录 运行cmd tesseract 1.png result
tesseract 是命令
1.png 是图片
result 是需要生成结果的txt文档名，随便取

这结果令人堪忧啊。。

还好我们可以提高识别率的方法。

提高数字识别率，指定识别字符范围

找到安装目录下的tessdata\configs，打开其中的digits文件，使用文本编辑就好了。
我安装的在这个目录下
D:\Program Files (x86)\Tesseract-OCR\tessdata\configs\digits
你会看见下面这句话，我们只要识别数字那就只留下数字和X好了。
tessedit_char_whitelist 0123456789-.
改为
tessedit_char_whitelist 0123456789X
保存
这个时候再测试一下，不过命令需要变一下，后面加上digits
tesseract 1.png result digits

效果比较令人满意。
接下来就要使用java调用识别命令了，其实很简单，就是使用java调用CMD命令。

使用java调用识别命令

import java.io.BufferedReader;
import java.io.File;
import java.io.FileInputStream;
import java.io.InputStreamReader;
import java.util.ArrayList;
import java.util.List;

/**
 * Created by Gavin Wang on 16-3-3.
 */
public class Tesseract {
    private final String LANG_OPTION = "-l";
    private final String EOL = System.getProperty("line.separator");
    /**
     * 文件位置我防止在，项目同一路径
     */
    private String tessPath = new File("tesseract").getAbsolutePath();

    /**
     * @param imageFile
     *            传入的图像文件
     * @param imageFormat
     *            传入的图像格式
     * @return 识别后的字符串
     */
    public String recognizeText(File imageFile) throws Exception
    {
        /**
         * 设置输出文件的保存的文件目录
         */
        File outputFile = new File(imageFile.getParentFile(), "output");

        StringBuffer strB = new StringBuffer();
        List<String> cmd = new ArrayList<String>();

        String os = System.getProperty("os.name");
        if(os.toLowerCase().startsWith("win")){
            cmd.add("tesseract");
        }else {
            cmd.add("tesseract");
        }
//        cmd.add(tessPath + "\\tesseract");
        cmd.add(imageFile.getName());
        cmd.add(outputFile.getName());
//        cmd.add(LANG_OPTION);
//      cmd.add("chi_sim");
        cmd.add("digits");
//        cmd.add("eng");
//        cmd.add("-psm 7");
        ProcessBuilder pb = new ProcessBuilder();

        /**
         *Sets this process builder's working directory.
         */
        pb.directory(imageFile.getParentFile());
//        cmd.set(1, imageFile.getName());
        pb.command(cmd);
        pb.redirectErrorStream(true);
        Process process = pb.start();

//        Process process = pb.command("ipconfig").start();
//        System.out.println(System.getenv().get("Path"));
//        Process process = pb.command("D:\\Program Files (x86)\\Tesseract-OCR\\tesseract.exe",imageFile.getName(),outputFile.getName(),LANG_OPTION,"eng").start();

        // tesseract.exe 1.jpg 1 -l chi_sim
        // Runtime.getRuntime().exec("tesseract.exe 1.jpg 1 -l chi_sim");
        /**
         * the exit value of the process. By convention, 0 indicates normal
         * termination.
         */
//      System.out.println(cmd.toString());
        int w = process.waitFor();
        if (w == 0)// 0代表正常退出
        {
            BufferedReader in = new BufferedReader(new InputStreamReader(
                    new FileInputStream(outputFile.getAbsolutePath() + ".txt"),
                    "UTF-8"));
            String str;

            while ((str = in.readLine()) != null)
            {
                strB.append(str).append(EOL);
            }
            in.close();
        } else
        {
            String msg;
            switch (w)
            {
                case 1:
                    msg = "Errors accessing files. There may be spaces in your image's filename.";
                    break;
                case 29:
                    msg = "Cannot recognize the image or its selected region.";
                    break;
                case 31:
                    msg = "Unsupported image format.";
                    break;
                default:
                    msg = "Errors occurred.";
            }
            throw new RuntimeException(msg);
        }
        new File(outputFile.getAbsolutePath() + ".txt").delete();
        return strB.toString().replaceAll("\\s*", "");
    }

}

注释掉的内容大家都可删掉，是我测试的时候遗留的
下面是main方法

import java.io.File;
import java.io.IOException;

/**
 * Created by Gavin Wang on 16-3-3.
 */
public class Start {
    public static void main(String[] args) throws Exception {
        Tesseract("/1.png");
        Tesseract("/2.png");
        Tesseract("/3.png");
        Tesseract("/4.png");
        Tesseract("/5.png");
        Tesseract("/6.png");
    }

    private static void Tesseract(String fileString) throws Exception {
        String filePath = Start.class.getResource(fileString).getFile().toString();
//        processImg(filePath);
        File file = new File(filePath);
        String recognizeText = new Tesseract().recognizeText(file);
        System.out.println(recognizeText);
    }
}

有可能你执行出错，无法在XX目录执行 tesseract…..
这个时候重启一下电脑就好了，原因是环境变量没有在idea中生效。
测试结果如下，目前还是比较满意的

后记

识别就先到这告一段落吧，下一篇日志我们继续如何使用H5识别身份证号码。
对识别率提高的其他思考
其实对号码的识别我也想过做一些处理，比如把身份证的背景纹路去掉，只留下身份证的数字。变成下面这样的

但是我发现，处理之后时候有的识别率反而降低了，没研究过tesseract-orc的原理，不知为何这样识别率反而降低。希望大家能研究一下如何提高识别率在下面留言告诉我，多谢了。
第二篇如何使用H5识别身份证号码可以在我的博客地址找到http://blog.csdn.net/hiredme