一、环境搭建
安装Tesseract-OCR自带下载中文字库进行识别！但是在实际使用识别效果不佳，
为了提高识别效果所以决定根据所需要的识别的内容训练字库！
字库的训练最好在Tesseract-OCR的安装目录下进行。
1、下载Tesseract-OCR引擎：使用详情请点击。
2、jTessBoxEditor 下载：https://www.softpedia.com/get/Multimedia/Graphic/Graphic-Others/jTessBoxEditor.shtml
https://github.com/tesseract-ocr/tesseract/wiki/AddOns
或者： https://dl.pconline.com.cn/download/1060986.html
3、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（你可以在安装）。
二、用jTessBoxEditor自动训练3500常用汉字
先将步骤整理如下：
三、 训练字库
先把训练用样本图像准备好。
-
进入Tesseract-OCR文件夹的安装目录 cd Program Files\Tesseract-OCR
-
打开 jTessBoxEditor ，选择 Tools -> Merge TIFF，打开对话框，选择训练样本所在文件夹，并选中所有要参与训练的样本图片，注意对话框中“文件类型”的选取png
-
之后有打开对话框，输入“chi_my.font.exp0.tif”，格式为tiff。其中chi_my可改为自己定义。会生成chi_my.font.exp0.tif文件。
-
生成“chi_my.font.exp0.box” 文件；在命令行下执行
tesseract chi_my.font.exp0.tif chi_my.font.exp0 -l chi_sim batch.nochop makebox
tesseract chi_my.font.exp0.tif chi_my.font.exp0 -l eng batch.nochop makebox -
打开 jTessBoxEditor ，点击 Box Editor -> Open，选择chi_my.font.exp0.tif文件。
-
调整识别错误的情况。尤其是图像，字符比较多的情况。
注意、修改后的保存需点击界面上charater后的标识为设置图标的button后，再点击save按钮。 -
创建字体特征文件
echo font 0 0 0 0 0>font_properties
会生成“font_properties” 文件。文件size显示为0字节。其实里面有‘“font 0 0 0 0 0”’内容。 -
训练
tesseract chi_my.font.exp0.tif chi_my.font.exp0 -l eng -psm 7 nobatch box.train -
生成字符集文件
unicharset_extractor chi_my.font.exp0.box
生成 “unicharset” 文件。 -
生成shape文件，聚集字符特征文件，字符正常化特征文件等四个文件。
- 命令
shapeclustering -F font_properties -U unicharset -O langyp.unicharset langyp.fontyp.exp0.tr
生成 “shapetable”“inttemp”“pffmtable” 文件。 - 命令
mftraining -F font_properties -U unicharset -O langyp.unicharset langyp.fontyp.exp0.tr
生成 “pinyin.unicharset” 文件。 - 命令
cntraining langyp.fontyp.exp0.tr
生成 “normproto” 文件。
- 命令
-
更名，合并训练文件
rename normproto langyp.normproto
rename inttemp langyp.inttemp
rename pffmtable langyp.pffmtable
rename unicharset langyp.unicharset
rename shapetable langyp.shapetable
合并训练文件，
combine_tessdata langyp.
生成langyp.traineddata文件。 -
将生成的 “langyp.traineddata” 语言包文件拷贝到tesseract的tessdata 目录下，
就可以用它来进行中文字符识别了。
实例：
G:\Program Files (x86)\jTessBoxEditorFX\samples\pinyin>unicharset_extractor pinyin.font.exp0.box
Extracting unicharset from pinyin.font.exp0.box
Wrote unicharset file ./unicharset.
G:\Program Files (x86)\jTessBoxEditorFX\samples\pinyin>shapeclustering -F font_properties -U unicharset -O pinyin.unicharset pinyin.font.exp0.tr
Reading pinyin.font.exp0.tr …
G:\Program Files (x86)\jTessBoxEditorFX\samples\pinyin>mftraining -F font_properties -U unicharset -O pinyin.unicharset pinyin.font.exp0.tr
Read shape table shapetable of 27 shapes
G:\Program Files (x86)\jTessBoxEditorFX\samples\pinyin>cntraining pinyin.font.exp0.tr
Reading pinyin.font.exp0.tr …
Clustering …
G:\Program Files (x86)\jTessBoxEditorFX\samples\pinyin>combine_tessdata pinyin.
Combining tessdata files
鸣谢
https://www.cnblogs.com/zhongtang/p/5555950.html
自动训练3500常用汉字：https://blog.csdn.net/woaipangruimao/article/details/78741022
https://blog.csdn.net/duanshao/article/details/79835651
https://blog.csdn.net/woaipangruimao/article/details/78685727
http://www.cnblogs.com/wzben/p/5930538.html
https://blog.csdn.net/sylsjane/article/details/83751297