最近看到google的tesseract ocr 的文章，深感興趣，就試了試具體實現方法。
如果要識別非常規範的字母和數字，直接使用自帶的字型檔就足夠；但是若要識別一些非規則或者手寫的，就要訓練自己的字型檔。
下面是我的一些步驟：
1、首先準備兩個軟體：
jtessboxeditor：
2、建立乙個test資料夾，儲存本次專案的所有檔案。
將字型檔檔案放到資料夾下，字型檔越多越好，最好是tif格式的，因為下面用到的jtessboxeditor只能合併tif。
3、開啟jtessboxeditor軟體選擇tool->merge,選擇多張，確定，在之後的視窗中輸入合併之後的檔案的名稱
執行完命令後，目錄下會出現.box檔案。
5、修正box檔案：用jtessboxeditor檔案開啟eng.test.exp0.tif檔案，其對應的box檔案會自動載入；如下圖所示，然後就手動修改其中的錯誤，修改char值；全部修改後儲存；
6、生成.tr字元特徵檔案：在cmd中鍵入命令：tesseract eng.test.exp0.tif eng.test.exp0 nobatch box.train, 如下圖所示，完畢後，在目錄下生成.tr和.txt檔案；
ps:此步之前一直出錯，提示"couldn't find a matching blob"，就是說在box檔案中找不到匹配的字元，查詢原因，有人說需要調整字元的位置，但是經嘗試後，發現還是出錯，不知我調正的不夠還是無效。後來在google論壇上，發現此帖： ；發現這種現象很普遍，說啥的都有，啥招都有，有說google這玩意不成熟啊，要耐心等待啊；還有說應該回去改box檔案啊。。。。也沒有個解決方案，最後又瀏覽了一些別的帖子，就嘗試使用3.02版本的，之前用的是3.01版，3.02版的明顯比3.01版的效果好，生成box檔案都能框出數字，只需做一些修改即可。
7、計算字符集：在cmd中：unichatset_extractor eng.test.exp0.box ;圖中是執行的另乙個檔案。執行完命令後，生成unicharset檔案；
8、合併檔案： 在此之前，要現在目錄下，新建乙個font_properties檔案，此檔案是設定字型檔案，沒有字尾。用txt開啟，寫入：test 0 0 0 0 0
儲存，然後在cmd中鍵入shapeclustering -f font_properties -u unicharset eng.test.exp0.tr, 執行如下圖。
ps：可能出現錯誤，是有與你的font_properties檔案中的字型名稱，或者配置不正確導致；見連線：
之後在cmd中執行：mftraining -f font_properties -u unicharset eng.test.exp0.tr,
最後，把目錄下的檔案inttemp、normproto、pffmtable、shapetable、unicharset 五個檔案，重新命名，在之前新增font. ,變成如下圖所示；那個font.traineddata是執行完結合命令後產生的字型檔檔案；然後cmd中執行：combine_tessdata font. 這個font之後的.是必須的。就會產生乙個font.traineddata檔案。即我們訓練的字型檔檔案。
9、執行，-l font是指用你生成的那個庫，庫需放在安裝資料夾下的tessdata裡；
ps;在執行tesseract時，如出現如下錯誤，是由於在上步裡，沒有把全部的五個檔案都結合一起；
Tesseract 3 02中文字庫訓練
為了方便 tif文面命名格式 lang fontname exp num tif lang是語言 fontname是字型 比如我們要訓練自定義字型檔 image 字型名myfont 那麼我們把tif檔案重新命名 image.myfont.exp0.tif 下面開始訓練字型檔 1 tesseract ...
Tesseract 資料訓練
1.merge合併樣本檔案生成字尾為.tif格式檔案khm.font.exp0.tif tool merge tiff jtessboxeditor工具 2.生成.box檔案khm.font.exp0.box 注意 l khm psm tesseract khm.font.exp0.tif khm....
tesseract訓練新字型檔
今天我要講一下如何生成新的識別庫 請注意 在您的電腦上安裝有tesseract軟體 和 jtessboxeditor軟體 系統為ubuntu jtessboxeditor 1.新建乙個資料夾test 該資料夾會儲存本次專案所有的檔案 將需要的字型檔放到test 目錄下，檔名為 lang 為語言 fo...