最新消息:iOS编程开发交流群(6906921) ,Mac.Cocoa开发交流群(7758675) 欢迎iOS/macOS开发编程爱好及学习者加入!

TesseractOCR样本训练提高识别验证码准确率

编程 天狐 1613浏览 0评论

1.拿到样本文件

脚本或者手动下载几十张样本图片。批量转换为tif格式。

2.安装 jTessBoxEditor

下载jTessBoxEditor,地址https://sourceforge.net/projects/vietocr/files/jTessBoxEditor/
解压jTessBoxEditorFX-2.4.1.zip后得到jTessBoxEditor,Windows直接运行bat,macOS终端进入目录执行 (需要提前安装好jre这里不介绍了)

java -Xms128m -Xmx1024m -jar jTessBoxEditorFX.jar

2.合并tif为一个文件

开 jTessBoxEditor >【Tools】>【Merge TIFF】

全选准备好的所有tif文件。运行后保存为cqc.font.exp0.tif

3.生成BOX文件

【语法】:tesseract [lang].[fontname].exp[num].tif [lang].[fontname].exp[num] batch.nochop makebox
【语法】:lang为语言名称,fontname为字体名称,num为序号;在tesseract中,一定要注意格式

如果发现生产的box文件为空的,控制台报empty page!!可以额外加一个参数重新运行

pagesegmode values are:
0 = Orientation and script detection (OSD) only.
1 = Automatic page segmentation with OSD.
2 = Automatic page segmentation, but no OSD, or OCR
3 = Fully automatic page segmentation, but no OSD. (Default)
4 = Assume a single column of text of variable sizes.
5 = Assume a single uniform block of vertically aligned text.
6 = Assume a single uniform block of text.
7 = Treat the image as a single text line.
8 = Treat the image as a single word.
9 = Treat the image as a single word in a circle.
10 = Treat the image as a single character.
-l lang and/or -psm pagesegmode must occur before anyconfigfile.

box文件用文本编辑器打开就是对识别字符与区域的描述。假如没自动识别对,看懂照着正确图片直接改就行。

符名称、X轴坐标、Y轴坐标、字符宽度、字符高度、所处的图片位置

4.生成lstmf文件

运行之后,我们的文件夹下会生成一个名为cqc.font.exp0.lstmf的文件。 同目录新建eng.training_files.txt里面写入cqc.font.exp0.lstmf的全路径。

5.提取语言的LSTM文件

我们接着从tesseract_best(链接:https://github.com/tesseract-ocr/tessdata_best)下载相应语言的traineddata文件。

在前面几步,我们选用的语言是英文,所以在这里选择eng.traineddata文件。

下载好之后,我们需要从中提取中它的LSTM文件,使用的命令如下所示:

运行上述命令,我们的文件夹下会生成一个名为eng.lstm的文件。

6.训练

控制台执行命令:

结束训练,控制台输出:

Tesseract训练完成之后,在output文件夹下会有output_checkpoint记录文件。

7.合并traineddata

合并eng与checkpoint成为新的cqc.trainedata

在文件夹下会生成一个名为cqc.traineddata的文件,我们将其复制到Tesseract-OCR的tessdata文件夹下,就可以使用其作为一个语言进行文字识别了。

测试:

 

最终,我们的文件夹下有如下图所示的文件:

参考链接:真实场景下的Tesseract神经网络训练识别图片验证码

转载请注明:天狐博客 » TesseractOCR样本训练提高识别验证码准确率

微信 OR 支付宝 扫描二维码
为天狐 打赏
非常感谢你的支持,哥会继续努力!
发表我的评论
取消评论

表情

Hi,您需要填写昵称和邮箱!

  • 昵称 (必填)
  • 邮箱 (必填)
  • 网址