利用jTessBoxEditor工具进行Tesseract3.02.02样本训练,提高验证码识别率
来源:互联网 发布:海报素材网站知乎 编辑:程序博客网 时间:2024/04/29 09:14
1、背景
前文已经简要介绍tesseract ocr引擎的安装及基本使用,其中提到使用-l eng参数来限定语言库,可以提高识别准确率及识别效率。
本文将针对某个网站的验证码进行样本训练,形成自己的语言库,来提高验证码识别率。
2、准备工具
tesseract样本训练有一个官方流程说明,https://github.com/tesseract-ocr/tesseract/wiki/TrainingTesseract#run-tesseract-for-training,不过都是英文的,个人认为这个地址适合于查找细节问题,全程看E文对大众还是有一定的困难。
具体的方法有两种:1-利用三方工具,2-完全命令行操作,三方工具主要在https://github.com/tesseract-ocr/tesseract/wiki/AddOns下载,本文将用到jTessBoxEditor这个工具,我们先给他下载到本地。
需要特别说明,这个工具是基于java虚拟机运行的,所以我们还要下载并安装一个java虚拟机,下载地址:http://download.oracle.com/otn-pub/java/jdk/8u91-b14/jdk-8u91-windows-x64.exe?AuthParam=1463733597_1161f2d895aa7606ed260b43b83d5f86。
总结一下:
1、工具2 java虚拟机 Ver 1.8.0_91 64位版本 (oracle官网)
2、工具1 jtessboxeditor Ver 1.5版本 (jtessboxeditor官网),运行界面如下:
3、使用实例
1)、准备样本图片
手动刷新某网站验证码,手动或者写程序,保存了101个验证码样本文件,分别命名成:1.png,2.png,……,101.png。
该验证码有几个特点:a、定长4位,b、都是数字,c、有背景干扰,但比较简单,d、字体为红色。
为了提高识别率,首先做了一个工作就是灰度化处理,并全部转换成tif文件,分别命名成:1.tif,2.tif,……,101.tif,统一存放在d:\python\lnypcg下。
2)、合并样本图片
打开jtessboxeditor,点击Tools->Merge Tiff ,按住shift键选择前文提到的101个tif文件,并把生成的tif合并到新目录d:\python\lnypcg\new下,命名为langyp.fontyp.exp0.tif。
注意:langyp 是本人定义的语言名称,fontyp是本人定义的字体名称,后续都会用到,你可以修改成你喜欢的名字。
3)、生成box文件
执行命令生成langyp.fontyp.exp0.box文件
tesseract langyp.fontyp.exp0.tif langyp.fontyp.exp0 -l eng -psm 7 batch.nochop makebox
D:\python\lnypcg\new>tesseract langyp.fontyp.exp0.tif langyp.fontyp.exp0 -l eng -psm 7 batch.nochop makeboxTesseract Open Source OCR Engine v3.02 with LeptonicaPage 1 of 101Page 2 of 101Page 3 of 101……Page 101 of 101D:\python\lnypcg\new>dir 驱动器 D 中的卷没有标签。 卷的序列号是 36D9-CDC7 D:\python\lnypcg\new 的目录2016-06-03 14:37 <DIR> .2016-06-03 14:37 <DIR> ..2016-06-03 14:30 6,327 langyp.fontyp.exp0.box2016-06-03 13:07 126,056 langyp.fontyp.exp0.tif 2 个文件 132,383 字节 2 个目录 24,869,994,496 可用字节
4)、修改box文件
切换到jTessBoxEditor工具的Box Editor页,点击open,打开前面的tiff文件langyp.fontyp.exp0.tif,工具会自动加载对应的box文件。
检查box数据,如下图所示,数字8被误认成字母H,手工修改H成8,并保存。
点击下图红色框的按钮,逐个核对tif文件的box数据,全部检查结束并保存。
5)、生成font_properties
执行echo命令生成font_properties。
echo fontyp 0 0 0 0 0 >font_properties
也可以手工新建一个名为font_properties的文本文件(注意该文件没有扩展名),内容为字体名fontyp,后面带5个0,分别代表字体的粗体、斜体等属性,这里全部是0
D:\python\lnypcg\new>echo fontyp 0 0 0 0 0 >font_propertiesD:\python\lnypcg\new>type font_propertiesfontyp 0 0 0 0 0
6)、生成训练文件
执行命令,生成langyp.fontyp.exp0.tr训练文件
tesseract langyp.fontyp.exp0.tif langyp.fontyp.exp0 -l eng -psm 7 nobatch box.train
D:\python\lnypcg\new>tesseract langyp.fontyp.exp0.tif langyp.fontyp.exp0 -l eng -psm 7 nobatch box.trainTesseract Open Source OCR Engine v3.02 with LeptonicaPage 1 of 101row xheight=8.66667, but median xheight = 10APPLY_BOXES: Boxes read from boxfile: 4 Found 4 good blobs.Generated training data for 1 words………………Page 101 of 101row xheight=8.66667, but median xheight = 10APPLY_BOXES: Boxes read from boxfile: 4 Found 4 good blobs.Generated training data for 1 words D:\python\lnypcg\new 的目录2016-06-03 16:34 <DIR> .2016-06-03 16:34 <DIR> ..2016-06-03 16:05 16 font_properties2016-06-03 14:30 6,327 langyp.fontyp.exp0.box2016-06-03 13:07 126,056 langyp.fontyp.exp0.tif2016-06-03 16:20 618,844 langyp.fontyp.exp0.tr2016-06-03 16:20 202 langyp.fontyp.exp0.txt 5 个文件 751,445 字节 2 个目录 24,869,101,568 可用字节
7)、生成字符集文件
执行命令,生成名为unicharset的字符集文件。
unicharset_extractor langyp.fontyp.exp0.box
D:\python\lnypcg\new>unicharset_extractor langyp.fontyp.exp0.boxExtracting unicharset from langyp.fontyp.exp0.boxWrote unicharset file ./unicharset.D:\python\lnypcg\new>dir 驱动器 D 中的卷没有标签。 卷的序列号是 36D9-CDC7 D:\python\lnypcg\new 的目录2016-06-03 16:41 <DIR> .2016-06-03 16:41 <DIR> ..2016-06-03 16:05 16 font_properties2016-06-03 14:30 6,327 langyp.fontyp.exp0.box2016-06-03 13:07 126,056 langyp.fontyp.exp0.tif2016-06-03 16:20 618,844 langyp.fontyp.exp0.tr2016-06-03 16:20 202 langyp.fontyp.exp0.txt2016-06-03 16:41 712 unicharset 6 个文件 752,157 字节 2 个目录 24,869,171,200 可用字节
8)、生成shape文件
执行命令,生成shape文件
shapeclustering -F font_properties -U unicharset -O langyp.unicharset langyp.fontyp.exp0.tr
D:\python\lnypcg\new>shapeclustering -F font_properties -U unicharset -O langyp.unicharset langyp.fontyp.exp0.trReading langyp.fontyp.exp0.tr ...Building master shape tableComputing shape distances...Stopped with 0 merged, min dist 999.000000Computing shape distances... 0Stopped with 0 merged, min dist 999.000000Computing shape distances... 0Stopped with 0 merged, min dist 999.000000Computing shape distances... 0Stopped with 0 merged, min dist 999.000000Computing shape distances... 0Stopped with 0 merged, min dist 999.000000Computing shape distances... 0Stopped with 0 merged, min dist 999.000000Computing shape distances... 0Stopped with 0 merged, min dist 999.000000Computing shape distances... 0Stopped with 0 merged, min dist 999.000000Computing shape distances... 0Stopped with 0 merged, min dist 999.000000Computing shape distances... 0Stopped with 0 merged, min dist 999.000000Computing shape distances... 0Stopped with 0 merged, min dist 999.000000Computing shape distances... 0Stopped with 0 merged, min dist 999.000000Computing shape distances...Stopped with 0 merged, min dist 999.000000Computing shape distances...Stopped with 0 merged, min dist 999.000000Computing shape distances... 0 1 2 3 4 5 6 7 8 9 10Stopped with 0 merged, min dist 0.057803Master shape_table:Number of shapes = 11 max unichars = 1 number with multiple unichars = 0D:\python\lnypcg\new>dir 驱动器 D 中的卷没有标签。 卷的序列号是 36D9-CDC7 D:\python\lnypcg\new 的目录2016-06-03 17:24 <DIR> .2016-06-03 17:24 <DIR> ..2016-06-03 17:20 19 font_properties2016-06-03 14:30 6,327 langyp.fontyp.exp0.box2016-06-03 13:07 126,056 langyp.fontyp.exp0.tif2016-06-03 17:23 618,844 langyp.fontyp.exp0.tr2016-06-03 17:23 202 langyp.fontyp.exp0.txt2016-06-03 17:24 723 langyp.unicharset2016-06-03 17:24 202 shapetable2016-06-03 17:24 712 unicharset 8 个文件 753,085 字节 2 个目录 24,868,278,272 可用字节
9)、生成聚集字符特征文件
执行命令,生成3个特征字符文件,unicharset、inttemp、pffmtable
mftraining -F font_properties -U unicharset -O langyp.unicharset langyp.fontyp.exp0.tr
D:\python\lnypcg\new>mftraining -F font_properties -U unicharset -O langyp.unicharset langyp.fontyp.exp0.trRead shape table shapetable of 11 shapesReading langyp.fontyp.exp0.tr ...Done!
10)、生成字符正常化特征文件
执行命令,生成正常化特征文件normproto。
cntraining langyp.fontyp.exp0.tr
D:\python\lnypcg\new>cntraining langyp.fontyp.exp0.trReading langyp.fontyp.exp0.tr ...Clustering ...
11)、更名
执行命令,把步骤9,步骤10生成的特征文件进行更名。
rename normproto fontyp.normproto
rename inttemp fontyp.inttemp
rename pffmtable fontyp.pffmtable
rename unicharset fontyp.unicharset
rename shapetable fontyp.shapetable
D:\python\lnypcg\new>rename normproto fontyp.normprotoD:\python\lnypcg\new>rename inttemp fontyp.inttempD:\python\lnypcg\new>rename pffmtable fontyp.pffmtableD:\python\lnypcg\new>rename unicharset fontyp.unicharsetD:\python\lnypcg\new>rename shapetable fontyp.shapetable
12)、合并训练文件
执行命令,生成fontyp.traineddata文件。
combine_tessdata fontyp.
注意:
a、fontyp.traineddata文件最终要拷贝tesseract安装目录的tessdata目录下,才能被tesseract找到。
b、命令行最后必须带一个点。
c、执行结果中,1,3,4,5,13这几行必须有数值,才代表命令执行成功。
D:\python\lnypcg\new>combine_tessdata fontyp.Combining tessdata filesTessdataManager combined tesseract data files.Offset for type 0 is -1Offset for type 1 is 140Offset for type 2 is -1Offset for type 3 is 852Offset for type 4 is 137760Offset for type 5 is 137850Offset for type 6 is -1Offset for type 7 is -1Offset for type 8 is -1Offset for type 9 is -1Offset for type 10 is -1Offset for type 11 is -1Offset for type 12 is -1Offset for type 13 is 139352Offset for type 14 is -1Offset for type 15 is -1Offset for type 16 is -1
13)测试使用
譬如前文的28.tif中8被误认为字母S,用新的字体看是否还出错。
D:\python\lnypcg>tesseract 28.tif output -l eng -psm 7Tesseract Open Source OCR Engine v3.02 with LeptonicaD:\python\lnypcg>type output.txtS094#1调用默认的eng语言,8被识别成SD:\python\lnypcg>tesseract 28.tif output -l fontyp -psm 7Error opening data file C:\Program Files (x86)\Tesseract-OCR\tessdata/fontyp.traineddataPlease make sure the TESSDATA_PREFIX environment variable is set to the parent directory of your "tessdata" directory.Failed loading language 'fontyp'Tesseract couldn't load any languages!Could not initialize tesseract.#2条用新的fontyp语言,tesseract找不到fontyp语言。D:\python\lnypcg>copy .\new\fontyp.traineddata "C:\Program Files (x86)\Tesseract-OCR\tessdata"已复制 1 个文件。#3复制fontyp.traineddata到tesseract的安装目录的tessdata子目录下
D:\python\lnypcg>tesseract 28.tif output -l fontyp -psm 7Tesseract Open Source OCR Engine v3.02 with LeptonicaD:\python\lnypcg>type output.txt8094
#使用fontyp语言成功识别8094
4、总结:
Anyway,jtessboxeditor 工具其实是一个基本成型的三方样本训练工具,它的功能就是自动执行上述脚本命令,但是在实际使用中,还存在不够完善的地方,譬如不能加psm参数,生成shape时经常程序异常崩溃,所以本文操作还是以命令行为主。
tesseract是一个非常强大的ocr引擎,尤其是做了针对性训练之后,验证码识别率几乎可以达到95%以上,再在程序中增加一些判断机制,基本上可以满足爬虫自动登陆需求了,回头写一个某东的自动识别验证码的爬虫程序。
把前文提的简化一下,综合成如下步骤列表:
1、合并图片2、生成box文件tesseract langyp.fontyp.exp0.tif langyp.fontyp.exp0 -l eng -psm 7 batch.nochop makebox3、修改box文件4、生成font_propertiesecho fontyp 0 0 0 0 0 >font_properties5、生成训练文件tesseract langyp.fontyp.exp0.tif langyp.fontyp.exp0 -l eng -psm 7 nobatch box.train6、生成字符集文件unicharset_extractor langyp.fontyp.exp0.box 7、生成shape文件shapeclustering -F font_properties -U unicharset -O langyp.unicharset langyp.fontyp.exp0.tr8、生成聚集字符特征文件mftraining -F font_properties -U unicharset -O langyp.unicharset langyp.fontyp.exp0.tr9、生成字符正常化特征文件cntraining langyp.fontyp.exp0.tr10、更名rename normproto fontyp.normprotorename inttemp fontyp.inttemprename pffmtable fontyp.pffmtable rename unicharset fontyp.unicharsetrename shapetable fontyp.shapetable11、合并训练文件,生成fontyp.traineddatacombine_tessdata fontyp.
以上 来源:http://www.cnblogs.com/zhongtang/p/5555950.html
- 利用jTessBoxEditor工具进行Tesseract3.02.02样本训练,提高验证码识别率
- 利用jTessBoxEditor工具进行Tesseract3.02.02样本训练,提高验证码识别率
- 利用jTessBoxEditor工具进行Tesseract3.02.02样本训练,提高识别率
- 利用jTessBoxEditor工具进行Tesseract3.02样本训练,提高识别率
- 利用jTessBoxEditor工具进行Tesseract3.02.02样本训练
- Linux下利用jTessBoxEditor工具进行Tesseract3.02.02样本训练
- 利用jTessBoxEditor工具进行Tesseract3.02.02样本训练
- 如何通过jTessBoxEditor进行Tesseract3.02.02样本训练
- jTessBoxEditor训练验证码图片
- jTessBoxEditor训练验证码图片
- tesseract-ocr 提高验证码识别率手段之---识别码库训练方法
- tesseract-ocr 提高验证码识别率手段之---识别码库训练方法
- paip.验证码识别---反馈法提高识别率
- C#利用WebBrowser截取验证码图片 识别率一半
- 使用tesseract3.01字库训练教程完成全国企业信息中心简单验证码的字库建立。
- 训练样本和测试样本(还有验证样本)
- 使用zbar+opencv+cpp 进行二维码解析以及提高识别率
- Tesseract3.01 训练步骤
- Java多线程方面的编程笔试题(通过继承Thread类启动线程)
- 从零开始学Snaker(二)- 工作流操作
- 图的深度优先与广度优先搜索
- cron表达式详解
- windows10系统下Java环境搭建
- 利用jTessBoxEditor工具进行Tesseract3.02.02样本训练,提高验证码识别率
- 原生JS写Ajax的请求函数
- 信号的基本知识
- JavaScriptDOM 2017/4/24 笔记
- C++类成员冒号初始化以及构造函数内赋值
- python爬虫学习笔记
- 2016年Android恶意软件专题报告
- 在控制类的方法参数中利用javabean(实体类)来收集参数 (10)
- Retrofit+Rxjava+SqlBrite+SqlDelight实现多文件断点续传下载