android中tesseract-ocr自定义字库的介绍

本文主要是介绍android中tesseract-ocr自定义字库的介绍，希望对大家解决编程问题提供一定的参考价值，需要的开发者们随着小编来一起学习吧！

看到网上有很多人转载，但是都不太全，自己了点时间研究了下，测试成功！分享出来，大家一起进步。

在网上搜索的一番后发现目前开源的OCR中tesseract-ocr算是比较强大的了，它由HP于1985年到1995年间开发，后来由google直接负责，经过谷歌进一步开发后，目前的tesseract-ocr有了显著的改进。

tesseract-ocr和Leptonica图像库一起工作，它可以读取多种图像格式，并将其转换成超过60种语言的文本。可以工作在Linux，Windows，Mac OSX等系统上，并且可以在android和iphone平台上编译。

目前android版本在这个地址：https://code.google.com/p/tesseract-android-tools/，这个版本需要自己下载很多关联的库文件，我在编译的时候出了很多问题，后来没办法又在网上找到了这个项目：https://github.com/rmtheis/tess-two，说是tesseract-ocr-tool的一个分支，这个版本的好处是很多相关的库都已经为我们配置好了，我们只要git clone下来编译下就行了，github上相关介绍说的很详细，编译的过程这里就不做介绍了，我在编译的时候出现了permission权限的问题，文件的权限用chmod 777 ./ 这个命令修改下就Ok了。最后编译好的在libs下的so文件就是我们开发所需要的库文件。

android中tesseract-ocr的使用在tess-two这个项目中有例子程序，不过写的都比较简单，这里有个开源的识别项目，做的很好：https://github.com/rmtheis/android-ocr，我借鉴的就是这个项目来开发的，但是用过后发现，对于身份证识别的效果并不好，识别率不是很高，而且经常识别不出来。OCR用到的识别库：https://code.google.com/p/tesseract-ocr/downloads/list，其实我们可以根据自己的需求来训练一套自己的识别库的，比方说我们要识别验证码，识别身份证号码等，我们就可以用下面的方法来训练一套识别库。

网上关于OCR训练的方法很多，http://my.oschina.net/lixinspace/blog/60124， http://blog.wudilabs.org/entry/f25efc5f/这两篇文章都是比较好的教程，我也是参照这两篇文章来训练的，下面结合我的操作经验来说下训练的过程。

首先我们需要下面几个工具：

tesseract-ocr-3.01，最新版的3.02我在我机器上用了有点问题

jTessBoxEditor, 该工具是用java写的box编辑器

1、先新建一个trainocr文件夹，将上面两个文件拷贝进来，然后解压这两个文件，我们进入Tesseract-ocr文件夹下新建一个temp文件夹

2、接下来我们准备好我们需要训练的素材如下图

要想提高识别率，我们需要提供多张像上面这样的图片，我训练身份证号码识别库是用了50多张图片，等训练完了我眼睛也花了，图片格式需要为tiff格式的，可以通过windows自带的画图工具来另存为tiff格式，准备好多张图tiff图片后，打开jTessBoxEditor.jar，如下图

在此之前我们需要在第1步建立的temp文件夹下新建一个custom.tif的文件，接下来我们选择tool–>Merge TIFF 然后选择准备好的多张tiff图片，注意这里是全部选中，然后点击打开，然后选中我们刚刚建立的custom.tif文件，点击保存，这样我们就将多张tiff图片merge到了一个文件里面了。

3、接下来我们开始生成box文件了，cmd命令行进入temp文件夹下，然后输入如下命令

D:\Trainocr\Tesseract-ocr\temp>..\tesseract.exe custom.tif custom batch.nochop makebox

输入完后会在temp文件夹下多了个custom.box文件，该文件记录了识别出来的每个字和它对应的位置坐标。

4、接下来就开始矫正了，同样使用jTessBoxEditor工具，我们切换到Box Editor，然后open打开custom.tif，如图