使⽤tesseract训练⾃⼰的字库提⾼识别率
问题描述：想使⽤tesseract识别中⽂，但是发现有⼀个字tesseract⾃带的库会识别错误或者不识别。⽐如下图的左图，其结果
是“肇”变成“告”，明显是识别错了。但是如果将“肇”单独去识别，会发现根本识别不出，结果的txt⽂本上会是空⽂件。所以推断在tesseract⾃带的中⽂库中是没有训练“肇”这个字的。现在我的⽬的是训练⼀个中⽂识别库，希望能够识别这个“肇”字。
图1：待识别的图⽚
图2：结果
⼀准备阶段
训练⼀个⾃⼰的库，需要以下⼯具：
properties文件用什么打开
1. tesseract：。注意尽量还是不要下载带dev，alpha，beta等，不稳定，可能是测试版本。⽐如说你是64位windows系统，可以下
载  tesseract-ocr-w64-setup-v5.0.。。
2. java的JDK：因为编辑训练集的⼯具是java开发的，运⾏该⼯具需要java环境。。。
3. jTessBoxEditor：。这个下载的是不需要安装的，如果你JDK安装没错的话点击train.bat⽂件就可以启动了。
⼆训练阶段
1. 配置环境：按照第⼀阶段的所写操作来即可。
2. 准备训练数据：根据⾃⼰识别的场景，提供训练数据。这⾥是⼀个⼩实验，所以就训练上⾯图1的数据了。
3. 将训练数据打包成⼀个tif：如果你的数据不⽌⼀个tif你可以使⽤jTessBoxEditor⼯具合并成⼀个tif⽂件。因为我这⾥只有⼀个图⽚，
所以就不需要打包成⼀个⽂件了，图⽚的名字有⼀定命名要求的，⽐如可以p0.tif，我这⾥命名的是
4. 将训练数据⽣成box格式：
如果你训练的是数字或者是英⽂字库，可以使⽤如下语法
【语法】：tesseract [lang].[fontname].exp[num].tif [lang].[fontname].exp[num] hop makebox
【语法】：lang为语⾔名称，fontname为字体名称，num为序号；在tesseract中，⼀定要注意格式
⽐如训练数字，可以使⽤如下命令：
enable英文tesseract p0.tif hop makebox
训练中⽂，可以使⽤如下命令：注意-l是英⽂字母l，不是数字1。
al.exp0.al.exp0 -l chi_hop makebox
5. ⽤jTessBoxEditor打开tif⽂件，然后根据实际情况修改box⽂件。如下图，这提⽰⼀下，⼤家都应该会操作了。注意如果你有很多数
据，它可能会分页，需要你逐页调整。
图3：校正数据集
6. 产⽣字符特征⽂件，⽣成.tr⽂件。命令如下：
al.exp0.al.exp0 ain
图4：⽣成.tr
7. 计算字符集，⽣成⼀个unicharset⽂件。命令如下：
unicharset_al.exp0.box
图5：⽣成unicharset⽂件
select多选嵌套checkbox
8. 定义字体特征⽂件，新建⼀个font_properties⽂件。注意，⽂件的名字就是font_properties，它没有.txt后缀。⾥⾯内容写⼊
bootstrap背景颜normal 0 0 0 0 0
thead标签什么意思表⽰默认普通字体。注意这⾥的normal要和p0.tif中的normal⼀样。
三角函数和角公式
标题
9. 聚集字符特征，运⾏如下命令：
shapeclustering -F font_properties -U
mftraining -F font_properties -U unicharset -O
运⾏完上⾯的那些命令后，会有如下五个⽂件：
在这五个⽂件前加上normal.（这的normal.也应该和p0.tif中的normal⼀样）进⾏重命名，最后会变成如下样⼦：
0. 合并五个⽂件，执⾏如下命令，会⽣成⽬标⽂件aineddata，该⽂件就是训练好的字库。将它复制到你安装的Tesseract程
序⽬录下的“tessdata”⽬录下即可。
combine_tessdata normal.
三验证阶段
执⾏命令如下：
tesseract test.png testT1 –l normal
左边是待识别的图⽚，中间是tesseract⾃带中⽂识别库识别的结果，右边⾃⼰训练的库识别的结果。
其他问题的⼀些总结：
1.执⾏⽣成box⽂件时，出现empty page!!时，可以尝试使⽤--psm 10等参数。详情可以通过运⾏tesseract --help。不过需要注意，当使⽤--psm等参数时，在后续的⽣成.tr⽂件时也需要使⽤--psm参数⼀起执⾏。
2.在多次训练中出现了“other case a of A is not in unicharset”的错误，⽬前来说还不清楚是什么原因。
3.这个写的⽐较详细，可以看看。

版权声明：本站内容均来自互联网，仅供演示用，请勿用于商业和其他非法用途。如果侵犯了您的权益请与我们联系QQ:729038198，我们将在24小时内删除。