ocr tesseract 3.4訓練記錄

安裝tesseract

brew uninstall tesseract
brew install --with-training-tools tesseract
           

建構字元集

• 合并為tif

  tools-Merge Tiff

儲存為num.myfont.exp0.tif

• 生成box

tesseract num.myfont.exp0.tif num.myfont.exp0 -l eng -psm 7 batch.nochop makebox
           

• 使用jTessBoxEditor修改box檔案（這個檔案也可以手動改）
• box檔案如下，可以看出是第幾頁是什麼字元，坐标大小是什麼

• A 340 43 359 68 0

  B 363 43 379 68 0

  B 384 43 400 68 0

  D 405 43 420 68 0

  E 426 43 440 68 0

  F 445 43 460 68 0

  G 463 43 479 68 0

  H 483 43 500 68 0

  I 506 43 510 68 0

  J 514 43 529 68 0

  K 534 43 550 68 0

  L 554 43 568 68 0

  M 572 43 593 68 0

  N 598 43 616 68 0

  O 621 43 637 68 0

  P 643 43 659 68 0

  Q 662 38 679 68 0

  R 684 43 702 68 0

  S 706 43 722 68 0

  T 724 43 742 68 0

  U 745 43 761 68 0

  V 765 43 783 68 0

  W 785 43 811 68 0

  X 814 43 831 68 0

  Y 833 43 851 68 0

  Z 853 43 870 68 0

  1 872 43 883 68 0

  2 887 43 901 68 0

  3 905 43 919 68 0

  4 922 43 940 68 0

  5 942 43 957 68 0

  6 961 43 975 68 0

  7 978 43 993 68 0

  8 996 43 1011 68 0

  9 1015 43 1030 68 0

  0 1034 43 1049 68 0

  a 461 44 476 62 1

  b 481 44 496 69 1

  c 500 45 515 62 1

  d 518 44 533 69 1

  e 538 44 553 62 1

  f 556 45 568 69 1

  g 571 38 586 62 1

  h 591 45 605 69 1

  i 610 45 615 69 1

  j 617 38 625 69 1

  k 630 45 645 69 1

  l 649 45 654 69 1

  m 659 45 684 62 1

  n 689 45 703 62 1

  o 708 45 723 62 1

  p 728 38 743 62 1

  q 747 38 762 62 1

  r 768 45 778 62 1

  s 780 45 795 62 1

  t 797 45 808 67 1

  u 812 44 827 62 1

  v 830 45 846 62 1

  w 849 45 870 62 1

  x 873 45 888 62 1

  y 890 38 906 62 1

  z 909 45 923 62 1

  @ 414 37 430 62 2

  # 443 38 466 62 2

  $ 479 34 494 65 2

  % 507 35 540 62 2

  ^ 551 49 566 62 2

  & 579 38 599 62 2

  * 608 49 623 62 2

  _ 633 36 648 38 2

  - 659 46 668 50 2

  = 680 42 693 52 2

  + 705 39 721 55 2

  \ 733 33 746 62 2

  / 758 33 772 62 2

  < 784 37 801 56 2

  > 815 37 832 56 2

  " 844 52 859 62 2

  | 871 30 874 67 2

  ? 888 37 902 62 2

  ! 916 37 921 62 2

  ` 935 57 942 63 2

  ~ 957 44 973 51 2

  [ 986 33 994 67 2

  ] 1002 33 1011 67 2

  ( 1025 30 1033 66 2

  ) 1041 30 1049 66 2

• 生産font_properties

echo myfont 0 0 0 0 0 >font_properties
           

• 生成訓練檔案

tesseract num.myfont.exp0.tif num.myfont.exp0 -l eng -psm 7 nobatch box.train
           

• 生成字元集檔案

unicharset_extractor num.myfont.exp0.box
           

• 生成shape

shapeclustering -F font_properties -U unicharset -O myfont.unicharset num.myfont.exp0.tr
           

• 聚合字元特征檔案

mftraining -F font_properties -U unicharset -O myfont.unicharset num.myfont.exp0.tr
           

• 正常化

cntraining num.myfont.exp0.tr
           

• 合并訓練檔案

cp normproto myfont.normproto
cp inttemp myfont.inttemp
cp pffmtable myfont.pffmtable
cp unicharset myfont.unicharset
cp shapetable myfont.shapetable
combine_tessdata myfont.
           

新增語言

brew list tesseract
           

檢視tessdata位置

cp myfont.traineddata /usr/local/Cellar/tesseract/3.04.01_2/share/tessdata/
tesseract --list-langs
           

測試

tesseract 9606.tif output -l myfont -psm 7
           

doc

• jTessBoxEditor
• unicharset_extractor: command not found
• 利用jTessBoxEditor工具進行Tesseract3.02.02樣本訓練，提高驗證碼識别率
• 使用Tesseract-OCR訓練文字識别記錄
• 圖像的灰階化原理和實作

總結：

tesseract 4 以下的版本就是修改過後識别率也不是很高，但cnn 識别很好但是慢的很。有空弄一下4.0的lstm 看看效果。