关于Tesseract-ocr 训练的详细信息可以参照：
tesseract-ocr Wiki:TrainingTesseract
https://github.com/tesseract-ocr/tesseract/wiki/TrainingTesseract
或者：
ubuntu下使用Tesseract-ocr(编译、安装、使用、训练新的语言库)
http://blog.csdn.net/yimingsilence/article/details/51353772
以下是执行步骤的简略版
-
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:
https://github.com/tesseract-ocr/tesseract/wiki/Training-Tesseract）；
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：
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
//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：
使用前面生成的tif及box文件就是：
//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：
//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：
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
// 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
//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
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
-
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：
