tesserat训练中文备忘录

最近用OCR识别身份证，用的tesseract引擎。但是google自带的中文库是在太慢了，尤其是对于性别、民族这样结果可以穷举的特征信息而言，完全可以自己训练字库。自己训练字库不仅可以提高识别速度，而且可以提高识别精度！

在训练过程中，常见的error有以下几种：

1）index >= 0 && index<size_used_:Error:Assert failed in genericvector.h, line 512

原因：

检查一下训练后type 13的数值。如果为0，说明shapetable没有配置进去。

 

2）empty page

原因：版面分析没有做好，没有找到字符。最好手动设置以下版面格式。如：

-psm 7 单行模式

-psm 10 单字符模式

 

3）用的时候找不到语言包

原因：自己训练完的语言数据要放在../tessdata中，因为tesseract源码里把这个文件路径写进环境变量里了！

 

4）fail to load font_properties

原因：有些教程没有加.txt。需要写成font_properties.txt这样的格式。

 

------------------------------训练-------------------------------------------------------------------

1、图片命名规则：lang.fond.exp0.jpg

 

2、生成box文件：

tesseract chi.test.exp0.jpg chi.test.exp0 batch.nochop makebox

 

3、用jTessBoxEditor校正文字

 

4、生成tr文件：

tesseract chi.test.exp0.jpg chi.test.exp0 box.train

 

5、生成unicharset文件：

unicharset_extractor chi.test.exp0.box

 

6、新建字体特征文件

font_properties不含有BOM头，文件内容格式如<fontname> <italic> <bold> <fixed> <serif> <fraktur>  

font_properties 文件内容为test 0 0 0 0 0

 

7、生成shapetable文件

shapeclustering -F font_properties -U unicharset chi.test.exp0.tr

 

8、生成chi.unicharset inttemp文件

mftraining -F font_properties -U unicharset -O chi.unicharset chi.test.exp0.tr

 

9、生成normproto文件

cntraining chi.test.exp0.tr

 

10、合并文件

在inttemp normproto pffmtable shapetable加上前缀chi.

运行combine_tessdata chi.