Tesseract3 训练（转载整合) 3.0.1

  文章一

本文在Google code的原文地址：https://code.google.com/p/tesseract-ocr/wiki/TrainingTesseract3

要训练一个新的语言（自定义语言或者某种自然语言都可以）对应的traineddata文件，需要产生下列过程文件：

? lang.config

? lang.unicharset

?lang.unicharambigs

? lang.inttemp

? lang.pffmtable

? lang.normproto

? lang.punc-dawg

? lang.word-dawg

?lang.number-dawg

? lang.freq-dawg

     在这八个文件中，红色标示的是必须的，其他的文件可选。当这些文件都准备好之后，再使用combine_tessdata进行最后的合并工作，生成lang.traineddata ，这个文件就是最终训练出来语言库。下面再来说一下如何产生上述的文件：

1、获取一个训练图片（*.tif）

2、产生相应的Box文件（*.box）

tesseractlang.fontname.number.tif lang.fontname.number batch.nochop makebox

       这一步产生对应的lang.fontname.number.box 文件。   

   编辑该Box文件，校正识别出来的字符，如果单个字符识别成了两个或者多个字符，则要将这些行进行合并。前两项坐标取最小值，后两项坐标取最大值。

3、产生字符特征文件（*.tr）

tesseractlang.fontname.number.tif lang.fontname.number nobatch box.train

这一步产生三个文件：

(1) tesseract.log记录该步骤执行结果；

(2) lang.fontname.number.txt；

(3) lang.fontname.number.tr为特征文件。

4、计算字符集（unicharset）

unicharset_extractorlang.fontname.number_1.box

这一步产生字符集文件unicharset。

5、聚集字符特征（inttemp、pffmtable、normproto）

mftraining -Uunicharset -O lang.unicharset lang.fontname.number_1.tr

使用上一步产生的字符集文件unicharset，来生成当前新语言的字符集文件lang.unicharset。同时还会产生图形原型文件inttemp和每个字符所对应的字符特征数文件pffmtable。附带还会产生Microfeat文件，但是并没有用到该文件。

cntraininglang.fontname.number_1.tr

这一步产生字符形状正常化特征文件normproto。

6、产生字典文件（可选）

wordlist2dawgfrequent_words_list lang.freq-dawg lang.unicharset

wordlist2dawgwords_list lang.word-dawg lang.unicharset

frequent_words_list存放出现频率较高的字符；words_list存放所有字符集，至少一个字符。每个字符占一行。这样可以产生对应语言的字典文件了，共五个。

同样的方法产生punc-dawg文件（符号）、number-dawg文件（数字）以及user-words文件（用户自定义字符，通常为空）。

7、模糊字集校正文件（unicharambigs）（可选）

例如某unicharambigs文件内容如下：

2 ' ' 1 " 1

1 m 2 r n 0

3 i i i 1 m 0

每一行表示一条校正信息：第一个数字表示接下来有几个字符，第二个数字也表示后面跟有几个字符，最后一个数字表示校正动作的类型。

在这个例子中，第一行表示将连续的两个单引号（’）合并成一个双引号（”），最后的数字1表示强制转换；第二行、第三行表示一个字母m有可能被识别成两个字母’r’’n’，也有可能识别成连续三个字母’i’。

这个校正文件可以为空或者不存在。

8、合并训练文件（*.traineddata）

combine_tessdata lang.

这是最后一步，产生训练结果文件lang.traineddata。

注意这一步控制台执行的结果显示，有0-9项指示了文件的地址，这十个地址对应了文章前面所提到的十项所需要的文件。其中1、3、4、5这四项（从0开始排序）是必须的，缺少一项（显示为-1）都将不算成功。

9、测试

tesseract image.tifoutput -l lang

使用我们刚刚训练好的lang.traineddata文件来识别图形。识别出来的结果将会存放在output.txt文件中。

特别说明：

在训练的过程中，初次接触的人容易犯一些小错误，这些错误虽然小，但很可能让你陷入困惑和痛苦中。下面简单的罗列一下几点需要注意的地方：

（1）前面提到的lang可以被你想要的任何字符串代替，主要是为了给你训练的库取个名字。

（2）第二步产生的Box文件，需要手动修改，一定要以Unicode模式保存。修改的时候要注意方法和含义，详细的说明Google原文中有说明。

（3）第五步程序自动产生的文件是只有扩展名的，需要你自己手动将名字改成前缀一致。后面产生的可选文件也依照此法操作。

（4）所有的这些文件都准备好了之后，需要放到同一目录下，执行combine_tessdata进行合并的时候，注意要切换到文件所在的目录执行，否则将会报错，提示找不到文件。

（5）合并成功之后，要记得将训练好的文件（lang.traineddata）放到程序的tessdata子目录下，否则测试就会提示找不到语言库文件。

   好了，到这里，基本上所有的问题都能解决了。

文章二：

Tesseract-OCR3.01语言库训练步骤

时间：2012-09-16  作者：佚名   出处：互联网

---

这些天由于工作需要，需要对验证码进行识别，当然验证码识别是老问题了，这里介绍了google开源项目Tesseract-OCR3.01对于验证码的识别。对于这款开源项目，要想彻底搞清楚这款开源OCR软件的来龙去脉，还得看Google开源项目的说明：http://code.google.com/p/tesseract-ocr/wiki/TrainingTesseract3，这里就不罗嗦了。

我使用的是最新的3.01版本的。训练所需准备：

1.下载并安装3.01版本的tesseract。事实上并不需要安装这步骤，我下载的是压缩包版，解压即可，这里我解压到E:\Tesseract-ocr目录。

2.下载并安装jTessBoxEditor工具，这是一个Box file editors，用来编辑训练文件的，直接下载地址在这里。这个软件是用java写的，运行需要安装jre，好在这个东西比.net好装多了，怎么运行可以见它的readme文件。

3.当然也可以用cowboxer1.01.exe这个工具，他也是Box file编辑工具，在实际应用中，最好将这两个工具结合。

4.接下来要训练一个新的语言（自定义语言或者某种自然语言都可以）对应的traineddata文件，需要产生下列过程文件：

■cnlp.config
■cnlp.unicharset
■cnlp.unicharambigs
■cnlp.inttemp
■cnlp.pffmtable
■cnlp.normproto
■cnlp.punc-dawg
■cnlp.word-dawg
■cnlp.number-dawg
■cnlp.freq-dawg

    在这八个文件中，红色标示的是必须的，其他的文件可选。当这些文件都准备好之后，再使用combine_tessdata进行最后的合并工作，生成cnlp.traineddata，这个文件就是最终训练出来语言库。

下面再来说一下如何产生上述的文件：

1、获取一个训练图片（*.tif）

    这里采用铁道部购票系统中的验证码 [点击图片可在新窗口打开] ，将这个验证码下载后，用上文提到的jTessBoxEditor工具将其转换为tif文件，或者直接重命名也可以。名称为cnlp.lpft.exp0.tif，命名规则可以参照官网说明：

tesseract [lang].[fontname].exp[num].tif [lang].[fontname].exp[num]batch.nochop makebox。

2、产生相应的Box文件（*.box）

命令：tesseract.exe cnlp.lpft.exp0.tif cnlp.lpft.exp0  batch.nochop makebox

 这一步产生对应的cnlp.lpft.exp0.box文件。该文件记录了tesseract识别出来的每一个字和其位置坐标。使用jTessBoxEditor编辑该Box文件，校正识别出来的字符，如果单个字符识别成了两个或者多个字符，则要将这些行进行合并。前两项坐标取最小值，后两项坐标取最大值。

  备注：这时候要注意的是编辑box要和tif文件同在一个目录下,然后逐个校正文字，后保存。

如果使用cowboxer1.01，他会自动找到与之相对于的box文件。

3、产生字符特征文件（*.tr）

命令：tesseract cnlp.lpft.exp0.tif cnlp.lpft.exp0 nobatch box.train

这一步产生两个文件：

(1)cnlp.lpft.exp0.txt；

(2)cnlp.lpft.exp0.tr为特征文件。

可能会产生tesseract.log主要是记录该步骤执行结果的日志没啥用；

4、计算字符集（unicharset）

命令：unicharset_extractor cnlp.lpft.exp0.box
这一步产生字符集文件unicharset。

5、聚集字符特征（inttemp、pffmtable、normproto）

命令：mftraining -F font_properties -U unicharset cnlp.lpft.exp0.tr
这一步中的font_properties这个文件需要自己手动创建，windows下后缀为.txt 文件内容
<fontname><italic><bold><fixed><serif><fraktur>。

where<fontname>is a string naming the font (no spaces allowed!),and<italic>, <bold>, <fixed>, <serif> and<fraktur>are all simple 0 or 1 flags indicating whether the font has thenamed property.

官网有详细说明，大致意思就是你设置的字体。
这是我的font_properties内容：lpft 0 0 1 0 0。
根据上一步产生的字符集文件unicharset，来生成当前新语言的字符集文件mfunicharset。同时还会产生图形原型文件inttemp和每个字符所对应的字符特征数文件pffmtable。附带还会产生Microfeat文件，但是这个文件没啥用。

接下来使用命令cntraining.exe cnlp.lpft.exp0.tr，这一步产生字符形状正常化特征文件normproto。

到这里基本上所需的文件都形成了，下面就开始生成字典文件。

6、合并训练文件（*.traineddata）

此时，在目录下应该生成若干个文件了，把unicharset, inttemp, normproto, pffmtable这四个文件加上前缀“cnlp.“。然后使用命令：combine_tessdatacnlp.

将其合并成一个字典文件。这时会生成如下结果：

必须确定的是第2、4、5、6行的数据不是-1，那么一个新的字典就算生成了。

此时目录下“cnlp.traineddata”的文件拷贝到tesseract程序目录下的“tessdata”目录。

以后就可以使用该该字典来识别了。

7、测试


-----------------------------------------------
另一篇文章
-----------------------------------------------


前提条件：

tesseract-ocr3.00正常安装

训练步骤：

1.将要加入字典的图片转化为.tif格式的图片，文件的命名规则为[lang].[fontname].exp[num].tif,例如：eng.oms261.g4.tif，注意此处[fontname]命名不能相同。 再根据.tif格式图片生成.box文件，命令：
 tesseracteng.oms261.g4.tif eng.oms261.g4 batch.nochop makebox

2.纠正.box文件中的错误，这里可以使用工具，有不同的工具，根据环境不同选择，Linux下推荐使用 moshPyTT(下载地址，http://code.google.com/p/moshpytt/)

3.根据生成的.box文件生成.tr文件。 命令：
 tesseracteng.oms261.g4.tif eng.oms261.g4 nobatch box.train

4.生成unicharset文件。 命令：
 unicharset_extractoreng.oms261.g4.box ...
注意：从5～9步骤必须在windows环境下进行，Linux下不支持，这是Tesseract-3.00的BUG.

5.生成 pffmtable, inttemp文件. 命令：

 mftraining-U unicharset -O lang.unicharset eng.oms261.g4.tr
   需要编写font_properties.txt（windows下加txt 无BOM保存)
       mftraining -F font_properties.txt -Uunicharset -O lang.unicharset eng.oms261.g4.tr

6.生成 normproto文件。 命令 ：
 cntrainingeng.oms261.g4.tr ...

7.将pffmtable，inttemp，normproto文件加前缀，手动改名为: eng.pffmtable，eng.inttemp，eng.normproto, 前缀名与前面的命名保持一致。

8.字典文件和模糊校正文件可以提高OCR的识别率，我们可以获得官方的eng.traindata的此文件， 命令：
 combine_tessdata-u tessdata/eng.traineddata path/eng.
此时语言包的所有文件都解压了，挑出我们需要的
eng.unicharambigs
eng.punc-dawg
eng.word-dawg
eng.number-dawg
eng.freq-dawg
这些文件放到我们训练字典的那个路径.

9.合并训练文件，命令：
 combine_tessdataeng.
得到我们最终训练的文件