Tesseract-OCR3.01语言库训练步骤

这些天由于工作需要，需要对验证码进行识别，当然验证码识别是老问题了，这里介绍了google开源项目Tesseract-OCR3.01对于验证码的识别。对于这款开源项目，要想彻底搞清楚这款开源OCR软件的来龙去脉，还得看Google开源项目的说明：http://code.google.com/p/tesseract-ocr/wiki/TrainingTesseract3，这里就不罗嗦了。

我使用的是最新的3.01版本的。训练所需准备：

1.下载并安装3.01版本的tesseract。事实上并不需要安装这步骤，我下载的是压缩包版，解压即可，这里我解压到E:\Tesseract-ocr目录。

2.下载并安装jTessBoxEditor工具，这是一个Box file editors，用来编辑训练文件的，直接下载地址在这里。这个软件是用java写的，运行需要安装jre，好在这个东西比.net好装多了，怎么运行可以见它的readme文件。

3.当然也可以用cowboxer1.01.exe这个工具，他也是Box file编辑工具，在实际应用中，最好将这两个工具结合。

4.接下来要训练一个新的语言（自定义语言或者某种自然语言都可以）对应的traineddata文件，需要产生下列过程文件：

• cnlp.config

• cnlp.unicharset

• cnlp.unicharambigs

• cnlp.inttemp

• cnlp.pffmtable

• cnlp.normproto

• cnlp.punc-dawg

• cnlp.word-dawg

• cnlp.number-dawg

• cnlp.freq-dawg

     在这八个文件中，红色标示的是必须的，其他的文件可选。当这些文件都准备好之后，再使用combine_tessdata进行最后的合并工作，生成cnlp.traineddata，这个文件就是最终训练出来语言库。下面再来说一下如何产生上述的文件：

1、获取一个训练图片（*.tif）

       这里采用铁道部购票系统中的验证码，将这个验证码下载后，用上文提到的jTessBoxEditor工具将其转换为tif文件，或者直接重命名也可以。名称为cnlp.lpft.exp0.tif，命名规则可以参照官网说明：

tesseract [lang].[fontname].exp[num].tif [lang].[fontname].exp[num] batch.nochop makebox。

2、产生相应的Box文件（*.box）

命令：tesseract.exe cnlp.lpft.exp0.tif cnlp.lpft.exp0  batch.nochop makebox

 这一步产生对应的cnlp.lpft.exp0.box文件。该文件记录了tesseract识别出来的每一个字和其位置坐标。使用jTessBoxEditor编辑该Box文件，校正识别出来的字符，如果单个字符识别成了两个或者多个字符，则要将这些行进行合并。前两项坐标取最小值，后两项坐标取最大值。

  备注：这时候要注意的是编辑box要和tif文件同在一个目录下,然后逐个校正文字，后保存。

如果使用cowboxer1.01，他会自动找到与之相对于的box文件。

3、产生字符特征文件（*.tr）

命令：tesseract cnlp.lpft.exp0.tif cnlp.lpft.exp0 nobatch box.train

这一步产生两个文件：

(1)cnlp.lpft.exp0.txt；

(2)cnlp.lpft.exp0.tr为特征文件。

可能会产生tesseract.log主要是记录该步骤执行结果的日志没啥用；

4、计算字符集（unicharset）

命令：unicharset_extractor cnlp.lpft.exp0.box

这一步产生字符集文件unicharset。

5、聚集字符特征（inttemp、pffmtable、normproto）

命令：mftraining -F font_properties -U unicharset cnlp.lpft.exp0.tr

这一步中的font_properties这个文件需要自己手动创建，文件内容

<fontname><italic><bold><fixed><serif><fraktur>。

where<fontname>is a string naming the font (no spaces allowed!), and<italic>, <bold>, <fixed>, <serif> and <fraktur>are all simple 0 or 1 flags indicating whether the font has the named property.

官网有详细说明，大致意思就是你设置的字体。

这是我的font_properties内容：lpft 0 0 1 0 0。

根据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mfunicharset。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。附带还会产生Microfeat文件，但是这个文件没啥用。

接下来使用命令cntraining.exe cnlp.lpft.exp0.tr，这一步产生字符形状正常化特征文件normproto。

到这里基本上所需的文件都形成了，下面就开始生成字典文件。

6、合并训练文件（*.traineddata）

此时，在目录下应该生成若干个文件了，把unicharset, inttemp, normproto, pffmtable这四个文件加上前缀“cnlp.“。然后使用命令：combine_tessdata cnlp.

将其合并成一个字典文件。这时会生成如下结果：

必须确定的是第2、4、5、6行的数据不是-1，那么一个新的字典就算生成了。

此时目录下“cnlp.traineddata”的文件拷贝到tesseract程序目录下的“tessdata”目录。

以后就可以使用该该字典来识别了。

7、测试