Tesseract5 OCR中文库 tesseract ocr 训练

关于Tesseract-ocr 训练的详细信息可以参照：
tesseract-ocr Wiki:TrainingTesserac

或者：
ubuntu下使用Tesseract-ocr(编译、安装、使用、训练新的语言库)

以下是执行步骤的简略版

1. 生成训练图片： 此步结果生成 ~.tif 和 ~.box 文件。
   此步有两种方法：
   方法一：使用含有要识别字符的 text(~.txt) 文件和已在系统安装成功的字体文件(~.ttf)生成所需图片 ~.tif 和 ~ .box ；
   方法二：使用 jTessBoxEditor 直接将用作训练素材的带字体格式的图片转化为 ~.tif 格式，之后再由 ~.tif 文件生成~ .box 文件。
   这里先说方法一，方法二见另一篇博客。
   方法一： 由 ~.txt 和 ~.ttf 文件直接生成 ~.tif 和 ~.box 文件。
   a. 创建training_text.txt 文件（里面包含要识别的所有字符，且其中字符的频率与要识别的字符频率相对应，具体要求可以参照:Requirements for text input files:

vi training_text.txt

b. 使用 text2train 训练工具进行训练,生成一张包含这些文字字体格式的的图片 .tif，以及字符在这张图上的位置信息 .box；
命令格式：

text2image -text=training_text.txt -outputbase=[lang].[fontname].exp0 -font='Font Name' -fonts_dir=/path/to/your/fonts

其中：
-text:要进行训练的文本文件
-outputbase：[lang]指定语言， [fontname]指定字体类型图，即字体名称；
-font： 字体名称（字体文件以.ttf为扩展名）
-fonts_dir:字体目录

如：Ubuntu系统中/usr/share/fonts/truetype/freefont/目录下有一个FreeMono.ttf字体

text2image -text=training_text.txt -outputbase=eng.freemono.exp0 -font=FreeMono –fonts_dir=/usr/share/fonts/truetype/freefont/

//执行成功会生成两个文件
eng.freemono.exp0.tif： 包含training_text.txt文字的图片文件
eng.freemono.exp0.box：文本文件，记录各字符在这个图片文件中的位置信息。

2.开始训练
训练命令为：

tesseract [lang].[fontname].exp[num].tif [lang].[fontname].exp[num] box.train.stderr

使用前面生成的tif及box文件就是：

tesseract eng.freemono.exp0.tif eng.freemono.exp0 box.train.stderr

//执行成功会生成两个文件： eng.freemono.exp0.tr：前者对应于box文件中各字符在tif图片文件中的形状信息，记录的方式实际上是将一个字符看成是一个多边形，而tr文件记录的就是多边形每条边的位置、方向、长度等信息。

eng.freemono.exp0.txt：后者只有一些换行符。 // 在我的环境中没有发现该文件，因为以后的步骤中不会用到，所以没有影响。

3.生成字符集信息
需要用到一个叫unicharset_extractor的训练工具。
命令格式：

unicharset_extractor lang.fontname.exp0.box lang.fontname.exp1.box …

前面只生成了1个box文件，所以有：

unicharset_extractor eng.freemono.exp0.box

//执行成功会生成1个文本文件：
unicharset，正如其名字表明的，这个文件记录的是一个字符集，它存有box文件里面不重复的字符信息，每个单独字符占一行。

4.创建字体信息文件 font_properties

使用vi 手动创建 font_properties //.txt格式的文件，但是不带后缀 .txt
由于我们可以训练tesseract识别同一种语言的不同字体（这里只训练一种字体），我们需要提供字体相关的特性，这是通过一个叫做font_properties的文本文件标明的。这个文件的每一行以如下格式记录了一个字体的信息：
命令格式：

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

在<字体>是一个字符串命名的字体 ; <斜体>，<加粗>，<固定>，<衬线>和<哥特体>都是简单的0或1标志指示字体是与否的属性。
本文的训练中使用了名为FreeMono的字体，因此font_properties里面需要有一行以FreeMono开头的字体信息。

除了手动创建这个文件外，tesseract-ocr源码中也提供了一个这样的font_properties文件（training/langdata/font_properties）， 并且里面已经有了很多字体的信息，因此这里就不许要手动创建了，后面的步骤要用的这个文件的时候，直接指定使用这个文件就行了。源代码中的font_properties文件关于FreeMono字体的信息是：

FreeMono 0 0 1 1 0

5.聚合
shapeclustering, mftraining及cntraining的用法
命令格式：

shapeclustering -F font_properties -U unicharset lang.fontname.exp0.tr lang.fontname.exp1.tr …

mftraining -F font_properties -U unicharset -O lang.unicharset lang.fontname.exp0.tr lang.fontname.exp1.tr …

cntraining lang.fontname.exp0.tr lang.fontname.exp1.tr …

1) shapeclustering

shapeclustering -F font_properties -U unicharset eng.freemono.exp0.tr

// 执行成功会生成1个文本文件：shapetable，下一步的mftraining会自动在当前目录加载这个文件。

2) mftraining

mftraining -F font_properties -U unicharset -O eng.unicharset eng.freemono.exp0.tr

//执行成功输出结果有警告，但不影响,会生成3个文件：
eng.unicharset
inttemp
pffmtable

3) cntraining

cntraining eng.freemono.exp0.tr

6.文件重命名：
将前面生成的几个文件（包括shapetable, normproto, inttemp, pffmtable） 更名为以lang.开头的文件（在这里，就是以eng.开头，比如eng.shapetable, eng.normproto等等）

mv  inttemp eng. inttemp
    mv normproto eng.normproto
    mv pffmtable eng.pffmtable
    mv shapetable eng.shapetable

1. 合并生成traineddata文件
   然后执行以下命令将它们合并成一个traineddata文件（eng.traineddata）

combine_tessdata eng.

//执行成功会生成1个文本文件： eng.traineddata

8.将生成的lang.traineddata 文件拷贝到系统中 ~/tessdata/目录下.
如我的tessdata目录为： /usr/local/share/tessdata/

sudo cp /local/path/eng.traineddata /usr/local/share/tessdata/

训练完毕，可以用以上步骤生成的 eng.traineddata 来进行识别。

需要注意的是，根据本文的训练生成的traineddata只能识别本文最初创建的training_data.txt中存在的字符，并且只能识别字体与FreeMono接近的文字。

9.测试
如我自己进行训练生成的语言文件定义为 lang=num1 则有：

tesseract invoice2b.jpg invoice2bnum1 -l num1

识别对象：

识别结果：