使用tesseract训练自己的字库提高识别率

使用tesseract识别中文，但是tesseract自带的库会识别错误或者不识别,接下来我们训练自己的识别库进行识别

一 准备阶段

1、tesseract： 下载链接 。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-5.3.3.20231005.exe。 安装链接 。

安装成功后配置环境变量 （1）系统变量的path增加： C:\Program Files\Tesseract-OCR （2）新增TESSDATA_PREFIX的系统变量，变量值：C:\Program Files\Tesseract-OCR\tessdata

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。 下载链接 。 安装链接 。 3、jTessBoxEditor： 下载链接 。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、打开jTessBoxEditor目录，双击train.bat运行，点击Tools中的Merge TIFF

Snipaste-2024-01-05-18-37-01.png

2、文件类型选择All Image Files，选择样本图片，点击打开。

Snipaste-2024-01-05-18-39-34.png

3、文件名输入chi.font.exp0.tif，文件类型选择TIFF，点击保存。

4、点击确定

Snipaste-2024-01-05-18-41-55.png

5、打开cmd进入到TIF文件所在目录，执行下面命令，生成num.font.exp0.box

【注意】以简体中文字库识别，用其他字库解析不出来。- l chi_sim代表用简体中文识别，如果安装的tesseract没有中文字体库，需自行下载放到Tesseract-OCR的tessdata目录

eec560eb6921471995e1142c5af45cb7.png

生成的box文件为num.font.exp0.box，box文件为Tesseract识别出的字符及其坐标。

注：Make Box File 文件名有一定的格式，不能随便乱取名字，命令格式为：

其中lang为语言名称，fontname为字体名称，num为序号，可以随便定义。

6、点击Box Editor ，点击open，选择照片num.font.exp0.tif（之前生成得的tif图片），出现下面的图片

Snipaste-2024-01-05-18-57-17.png

7、可以看出上面有些字符识别的位置不准确，可以通过该工具手动对每张图片中识别错误的字符和位置进行校正。校正完成后保存即可。

注: 这里必须修改识别错误的字符，否则做出来的traineddata文件也是错的。可以在下面的界面中修改并保存，也可以直接在traineddata文件中修改。

8、产生字符特征文件，生成.tr文件。命令如下：

输出结果如下：

9、计算字符集，生成一个unicharset文件。命令如下：

输出结果如下：

10、 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 font 0 0 0 0 0 表示默认普通字体。注意这里的font要和chi.font.exp0.tif中的font一样。

11、聚集字符特征，按顺序运行如下命令：

命令1：

输出结果如下：

命令2：

执行结果：

命令3：

输出结果如下：

运行完上面的那些命令后，会有如下五个文件：

584f16b3bdd84b588f5c808f470b16d9.png

在这五个文件前加上font.（这的font.也应该和chi.font.exp0.tif中的font一样）进行重命名，最后会变成如下样子：

188cbcb3037e4431b6ab3de76b8620de.png

12、合并五个文件，执行如下命令，会生成目标文件font.traineddata，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。

输出结果如下：

注：

有时候命令行中会出现很多empty page，查阅文档，发现tesseract 是可以设置psm参数的，如下参数

于是采用了tesseract.exe chi.font.exp0.tif chi.font.exp0 --psm 7 batch.nochop makebox生成box文件，没有报错了