Tesseract5.0训练字库，提高OCR特殊场景识别率（一）

0、目标

　很多特殊场景，原生的字库识别率不高，这时候就需要根据需求自己训练字库生成traineddata文件。

一、前期准备工作

　 1.安装jdk   用于运行jTessBoxEditor

　　2.安装jTessBoxEditor   用于调整图片上文字的内容和位置

　　3. 安装tesseract5.0

　　jdk下载地址：https://www.oracle.com/technetwork/java/javase/downloads/jdk8-downloads-2133151.html

jTessBoxEditor下载地址：https://sourceforge.net/projects/vietocr/files/jTessBoxEditor/

　　安装包解压后双击里面的“jTessBoxEditor.jar”，或者双击该目录下的“train.bat”脚本文件，就可以打开该工具了。

二、样本图片准备：（进行训练的样本图片数量越多越好）

　　

三、使用JTBE生成训练样本的合并tif图片

　　1.打开jTessBoxEditor，选择Tools->Merge TIFF，进入训练样本所在文件夹，选中要参与训练的样本图片，可以同时选择多张图片：

　　

　　2.点击打开后，会提示你保存tif的地址，保存在当前路径，文件命名格式为hyfontlab.normal.exp0.tif，格式选择tiff

　　

　　注意：

　　 tif文件命名格式[lang].[fontname].exp[num].tif

　　 lang是语言，fontname是字体，num为自定义数字。

　　 比如我们要训练自定义字库 hyfontlab，字体名normal，那么我们把图片文件命名hyfontlab.normal.exp0.tif

四、使用tesseract生成box文件

　　在上一步骤生成的 hyfontlab.normal.exp0.tif 文件所在目录下打开Terminal窗口，执行下面命令,执行完之后会生成hyfontlab.normal.exp0.box文件。box文件是通过原生的tesseract-ocr识别出来的结果和对应坐标。如果我们要训练中文字库的话，记得加 -l chi_sim

tesseract hyfontlab.normal.exp0.tif hyfontlab.normal.exp0 -l chi_sim batch.nochop makebox

五、使用jTBE纠正box文件的错误

　　1.box文件记录了每个字符在图片上的位置和识别出的内容，训练前需要使用jTessBoxEditor调整字符的位置和内容。

　　2.打开jTessBoxEditor点击Box Editor ->Open，打开步骤三中生成的“hyfontlab.normal.exp0.tif”，会自动关联到“hyfontlab.normal.exp0.box”文件，这两文件要求在同一目录下。调整完点击“save”保存修改。

注意：

　　如果中文无法识别，需要在settings里面设置字体为宋体，style为Regular，size可以调到24.

六、生成font_properties文件（此文件没有后缀名）

　　执行命令： echo normal 0 0 0 0 0 > font_properties

<fontname> <italic> <bold> <fixed> <serif> <fraktur>

　　 其中fontname为字体名称，必须与[lang].[fontname].exp[num].box中的名称保持一致。<italic> 、<bold> 、<fixed> 、<serif>、 <fraktur>的取值为1或0，表示字体是否具有这些属性。

七、使用tesseract生成tr训练文件

　　1. 执行命令： tesseract hyfontlab.normal.exp0.tif hyfontlab.normal.exp0 nobatch box.train

2. 执行完之后，会在当前目录生成hyfontlab.normal.exp0.tr文件。

八、生成字符集文件

1.执行命令： unicharset_extractor fst.word.exp0.box

　　2. 执行下面命令：执行完之后会在当前目录生成一个名为“unicharset”的文件。

九、生成shape文件

1.执行命令：  shapeclustering -F font_properties -U unicharset -O hyfontlab.unicharset hyfontlab.normal.exp0.tr

　　2.执行完之后，会生成 shapetable 和 hyfontlab.unicharset 两个文件

十、生成聚字符特征文件

1.执行命令： mftraining -F font_properties -U unicharset -O hyfontlab.unicharset hyfontlab.normal.exp0.tr

　　2.会生成 inttemp、pffmtable、shapetable和hyfontlab.unicharset四个文件。

十一、生成字符正常化特征文件

1.执行命令： cntraining hyfontlab.normal.exp0.tr

　　2.会生成 normproto 文件。

　　

十二、文件重命名

　　1.重新命名inttemp、pffmtable、shapetable和normproto这四个文件的名字为[lang].xxx。

　　2.这里修改为 hyfontlab.inttemp、hyfontlab.pffmtable、hyfontlab.shapetable、hyfontlab.normproto

　　3.rename normproto zwp.normproto

十三、合并训练文件

　　1.执行下面命令，会生成hyfontlab.traineddata文件

　　2.执行命令： combine_tessdata hyfontlab.

　　3.Log输出中的Offset 1、3、4、5、13这些项不是-1，表示新的语言包生成成功。

　　4.将生成的“hyfontlab.traineddata”语言包文件复制到Tesseract-OCR 安装目录下的tessdata文件夹中，就可以使用训练生成的语言包进行图像文字识别了。

参考：

　　1、https://www.jianshu.com/p/c8ba23ec672a

　　2、https://www.cnblogs.com/yanjj/p/7998980.html