關于Tesseract-ocr 訓練的詳細資訊可以參照：
tesseract-ocr Wiki:TrainingTesseract
https://github.com/tesseract-ocr/tesseract/wiki/TrainingTesseract
或者：
ubuntu下使用Tesseract-ocr(編譯、安裝、使用、訓練新的語言庫)
http://blog.csdn.net/yimingsilence/article/details/51353772
以下是執行步驟的簡略版
-
生成訓練圖檔： 此步結果生成 ~.tif 和 ~.box 檔案。
此步有兩種方法：
方法一：使用含有要識别字元的 text(~.txt) 檔案和已在系統安裝成功的字型檔案(~.ttf)生成所需圖檔 ~.tif 和 ~ .box ；
方法二：使用 jTessBoxEditor 直接将用作訓練素材的帶字型格式的圖檔轉化為 ~.tif 格式，之後再由 ~.tif 檔案生成~ .box 檔案。
這裡先說方法一，方法二見另一篇部落格。
方法一： 由 ~.txt 和 ~.ttf 檔案直接生成 ~.tif 和 ~.box 檔案。
a. 建立training_text.txt 檔案（裡面包含要識别的所有字元，且其中字元的頻率與要識别的字元頻率相對應，具體要求可以參照:Requirements for text input files:
https://github.com/tesseract-ocr/tesseract/wiki/Training-Tesseract）；
b. 使用 text2train 訓練工具進行訓練,生成一張包含這些文字字型格式的的圖檔 .tif，以及字元在這張圖上的位置資訊 .box；
指令格式：
其中：
-text:要進行訓練的文本檔案
-outputbase：[lang]指定語言， [fontname]指定字型類型圖，即字型名稱；
-font： 字型名稱（字型檔案以.ttf為擴充名）
-fonts_dir:字型目錄
如：Ubuntu系統中/usr/share/fonts/truetype/freefont/目錄下有一個FreeMono.ttf字型
//執行成功會生成兩個檔案
eng.freemono.exp0.tif： 包含training_text.txt文字的圖檔檔案
eng.freemono.exp0.box：文本檔案，記錄各字元在這個圖檔檔案中的位置資訊。
2.開始訓練
訓練指令為：
使用前面生成的tif及box檔案就是：
//執行成功會生成兩個檔案： eng.freemono.exp0.tr：前者對應于box檔案中各字元在tif圖檔檔案中的形狀資訊，記錄的方式實際上是将一個字元看成是一個多邊形，而tr檔案記錄的就是多邊形每條邊的位置、方向、長度等資訊。
eng.freemono.exp0.txt：後者隻有一些換行符。 // 在我的環境中沒有發現該檔案，因為以後的步驟中不會用到，是以沒有影響。
3.生成字元集資訊
需要用到一個叫unicharset_extractor的訓練工具。
指令格式：
unicharset_extractor lang.fontname.exp0.box lang.fontname.exp1.box …
前面隻生成了1個box檔案，是以有：
//執行成功會生成1個文本檔案：
unicharset，正如其名字表明的，這個檔案記錄的是一個字元集，它存有box檔案裡面不重複的字元資訊，每個單獨字元占一行。
4.建立字型資訊檔案 font_properties
使用vi 手動建立 font_properties //.txt格式的檔案，但是不帶字尾 .txt
由于我們可以訓練tesseract識别同一種語言的不同字型（這裡隻訓練一種字型），我們需要提供字型相關的特性，這是通過一個叫做font_properties的文本檔案标明的。這個檔案的每一行以如下格式記錄了一個字型的資訊：
指令格式：
在<字型>是一個字元串命名的字型 ; <斜體>，<加粗>，<固定>，<襯線>和<哥特體>都是簡單的0或1标志訓示字型是與否的屬性。
本文的訓練中使用了名為FreeMono的字型，是以font_properties裡面需要有一行以FreeMono開頭的字型資訊。
除了手動建立這個檔案外，tesseract-ocr源碼中也提供了一個這樣的font_properties檔案（training/langdata/font_properties）， 并且裡面已經有了很多字型的資訊，是以這裡就不許要手動建立了，後面的步驟要用的這個檔案的時候，直接指定使用這個檔案就行了。源代碼中的font_properties檔案關于FreeMono字型的資訊是：
FreeMono 0 0 1 1 0
5.聚合
shapeclustering, mftraining及cntraining的用法
指令格式：
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
// 執行成功會生成1個文本檔案：shapetable，下一步的mftraining會自動在目前目錄加載這個檔案。
2) mftraining
//執行成功輸出結果有警告，但不影響,會生成3個檔案：
eng.unicharset
inttemp
pffmtable
3) cntraining
6.檔案重命名：
将前面生成的幾個檔案（包括shapetable, normproto, inttemp, pffmtable） 更名為以lang.開頭的檔案（在這裡，就是以eng.開頭，比如eng.shapetable, eng.normproto等等）
mv inttemp eng. inttemp
mv normproto eng.normproto
mv pffmtable eng.pffmtable
mv shapetable eng.shapetable
-
合并生成traineddata檔案
然後執行以下指令将它們合并成一個traineddata檔案（eng.traineddata）
combine_tessdata eng.
//執行成功會生成1個文本檔案： eng.traineddata
8.将生成的lang.traineddata 檔案拷貝到系統中 ~/tessdata/目錄下.
如我的tessdata目錄為： /usr/local/share/tessdata/
sudo cp /local/path/eng.traineddata /usr/local/share/tessdata/
訓練完畢，可以用以上步驟生成的 eng.traineddata 來進行識别。
需要注意的是，根據本文的訓練生成的traineddata隻能識别本文最初建立的training_data.txt中存在的字元，并且隻能識别字型與FreeMono接近的文字。
9.測試
如我自己進行訓練生成的語言檔案定義為 lang=num1 則有：
tesseract invoice2b.jpg invoice2bnum1 -l num1
識别對象：
識别結果：
