最近在做一个微信公众账号，很多地方需要用到字符识别(OCR)。补了补一些基础知识之后，决定基于 Tesseract 进行开发。接下来会整理一系列文章，记录整个开发过程，包括：训练自定义字体集、部署到 Docker 、通过 NodeJS 调用、等等。

Tesseract

Install

训练过程是在 Mac 上完成，然后把训练结果扔到 Docker 上。所以需要安装 Mac 和 Linux 两个环境下的 Tesseract 。

首先是 Mac 下，homebrew 以前需要手动编译，最近终于加上了 --with-training-tools 的选项，各种训练工具都已经打包搞好，只需要：

brew install tessreact --with-training-tools

然后 Linux 下，通过 Docker 配置了 Ubuntu@14.04 ，安装也很方便：

sudo apt-get install tesseract-ocr

Test

安装完成之后，在没有训练之前先先试一下效果如何。比如下面这张：

通过 Tesseract 识别：

tesseract input.jpg result

识别结果是：

08F1916711‘

嗯大体上数字识别还是准确的，但是对于一些相近的字符比较容易出现识别错误，例如图中的 G 被识别成了 0。原因是默认会使用英语进行识别，而英语字体集中并没有我们想要识别的字体。

这时候我们需要训练自己的字体集，在后面的例子中，我们以 Mourney 字体为例。（并没有这个字体，这只是我们项目的行动代号）

Training

准备好用来训练的图片文件和用来测试效果的图片文件：

├── mon.mourney.exp0.tif
└── test.jpg

首先，用 tessreact 命令识别原图片，制作 box 文件：

tesseract mon.mourney.exp0.tif mon.mourney.exp0 batch.nochop makebox

会发现目录中多了 mon.mourney.exp0.box 文件：

├── mon.mourney.exp0.box
├── mon.mourney.exp0.tif
└── input.jpg

box 文件的内容很简单，就是告诉 Tesseract 这张图里有哪些字符，以及它们的位置，相当于标记自定义字体的包围盒。文件内容大概是这样的：

G 32 1384 49 1411 0
8 56 1384 74 1412 0
F 83 1382 103 1413 0

文中数字分别对应图片中文字『左下右上』的坐标。

然后下载 jTessBoxEditor ，这是一个第三方的开源编辑器，可以直接编辑 box 文件。点击 Box Editor ，然后打开原图，就可以在可视化界面里编辑调整 box 的位置。

编辑完成后，执行以下命令（具体每条命令的含义请参见官方文档）：

echo "font 0 0 0 0 0" > font_properties
tesseract mon.mourney.exp0.tif mon.mourney.exp0 nobatch box.train
unicharset_extractor mon.mourney.exp0.box
mftraining -F font_properties -U unicharset -O mon.unicharset mon.mourney.exp0.tr
cntraining mon.mourney.exp0.tr

mv normproto mon.normproto
mv inttemp mon.inttemp  
mv pffmtable mon.pffmtable  
mv shapetable mon.shapetable  

combine_tessdata mon.

执行后注意一下最后输出的 1、3、4、5、13 行，需要确定 Offset 值不是 -1 。训练完成。

此时的文件目录：

├── mon.inttemp
├── mon.mourney.exp0.box
├── mon.mourney.exp0.tif
├── mon.mourney.exp0.tr
├── mon.mourney.exp0.txt
├── mon.normproto
├── mon.pffmtable
├── mon.shapetable
├── mon.traineddata
├── mon.unicharset
├── font_properties
├── test.jpg
└── unicharset

生成的 mon.traineddata 就是我们需要的训练结果，把它移到 Tesseract 的 tessdata 目录下，然后再次用 tesseract 命令识别，不过这次指定语言为我们定义的 mon ：

tesseract -l mon test.jpg result

这时会发现，已经能够准确的识别出结果了：

> Test  cat result.txt
G8F19167111

好吧并没有，多识别了一个 1 。原始图片还是需要做一些简单的处理，比如做一下腐蚀、膨胀、二值化等等。

Docker

接下来要把训练结果部署到服务器上，各种噼里啪啦的配置就不再赘述了，假设已经都搞定了。

挖坑。

参考文献：

• Training Tesseract