OpenCV3入门教程（三）Tesseract

------韦访 20181016

1、概述

上一讲学习了怎么样用opencv识别车牌，但是，我们只做到了将车牌上的字符分割出来，还没有对字符进行识别，这一讲先来学习OCR（Optical Character Recognition，光学字符识别）。目前OCR用的比较多的是开源框架Tesseract-OCR，所以就挑这个来学学。

2、Tesseract-OCR安装

Ubuntu的话，直接执行命令：

sudo apt-get install tesseract-ocr

就可以安装了，我没试过。下面我们用源码安装。

下载tesseract-ocr源码：

Github地址为：https://github.com/tesseract-ocr/tesseract

安装步骤可以参考文档：https://github.com/tesseract-ocr/tesseract/wiki/Compiling

安装依赖：

首先安装一些依赖工具和库：

sudo apt-get install g++ # or clang++ (presumably)

sudo apt-get install autoconf automake libtool

sudo apt-get install pkg-config

sudo apt-get install libpng-dev

sudo apt-get install libjpeg8-dev

sudo apt-get install libtiff5-dev

sudo apt-get install zlib1g-dev

如果想自己训练数据，则还要安装以下工具：

sudo apt-get install libicu-dev

sudo apt-get install libpango1.0-dev

sudo apt-get install libcairo2-dev

再安装Leptonica：

注意Tesseract和Leptonica版本的对应，如下表，

 

安装命令如下，

wget http://www./source/leptonica-1.74.4.tar.gz

tar -zxvf leptonica-1.74.4.tar.gz 

cd leptonica-1.74.4/

./configure

make -j8

编译安装：

先cd到源码的根目录，然后运行

mkdir local

./autogen.sh

./configure --with-extra-libraries=/usr/local/include

make -j8

sudo make install

sudo ldconfig

如果上面命令都通过，再执行命令

tesseract

如果打印如下信息则说明安装成功。

安装语言包：

git clone https://github.com/tesseract-ocr/tessdata.git

然后将所有的.traineddata文件拷贝到/usr/local/share/tessdata/文件夹。

用tesseract测试文字识别：

 

我们要识别的图片如上图，运行以下命令，

tesseract 05.png 05 -l chi_sim

-l可以指定字库文件，chi_sim是识别中文的字库，运行后会生成05.txt文本文件，

 

可以看到，中文识别出来了，但是英文的都识别出什么鬼咯！那指定一个英文的字库文件看看效果如何？运行命令，

tesseract 05.png 05_en -l eng

运行结果，

这下英文识别正确，中文没识别出来。就不能同时识别中文和英文吗？字库就不能混用吗？百度了以下，蛮多人都有这个疑问的，找了老半天，在这个博客找到方法，

https://www.jianshu.com/p/f09045a4fc8a

把两个字库用加法”+”连起来就可以了，命令如下，

tesseract 05.png 05 -l chi_sim+eng

运行结果，

3、Python编程

想让python调用tesseract，得先执行以下命令安装pytesseract，

sudo pip install pytesseract

安装好以后，识别图片里的字符就很简单了，执行以下代码，

import pytesseract as pyt
from PIL import Image

img = Image.open('05.png')
text = pyt.image_to_string(img, lang='chi_sim+eng')
print(text)

运行结果：

4、试着用官方字库识别车牌

上面的例子既然能识别中文、英文和数字，那么，能否直接用来识别我们上一讲提取出来的车牌呢？试试看，

扣出来的字符图片为，代码如下，

#encoding:utf-8
import pytesseract as pyt
from PIL import Image

img = Image.open('chepai_img0.jpg')
text = pyt.image_to_string(img, lang='chi_sim+eng')
print('车牌：' + str(text))

运行结果：

什么都没识别到，试试中文呢？原图片为，运行结果：

也什么都没识别出来。

5、训练

既然使用官方的字库无法识别出字符，那么，我们就应该训练自己的数据，训练需要用到一个工具---jTessBoxEditorFX，这个工具是java写的，我的系统是ubuntu，jTessBoxEditorFX根目录如下图，

Windows系统直接双击train.bat文件即可，linux系统则运行train脚本，我电脑运行脚本后，提示错误如下：

Error: Could not find or load main class net.sourceforge.tessboxeditor.JTessBoxEditor

搞了半天不知什么原因，在我自己的电脑上运行也是这个问题，我就想会不会是这个工具不支持openjdk导致的？因为我两台电脑安装的都是openjdk，然后，将openjdk改成Oracle的，果然就可以了。因为公司电脑要编译安装7.1系统，只能用Openjdk，所以就不改公司电脑环境了，先往后学，以后再补上OCR自己训练字库这部分。

 

如果您感觉本篇博客对您有帮助，请打开支付宝，领个红包支持一下，祝您扫到99元，谢谢～～