Tesseract 4 自行构建支持双引擎的tessdata 文件

Posted 2020-12-04 zlaurora

Tesseract 4 版本具备两种识别引擎：新的基于LSTM（神经网络）引擎与传统引擎。通过在初始化时设定不同的EngineMode启动。

 

OCR Engine modes:
  0    Legacy engine only.
  1    Neural nets LSTM engine only.
  2    Legacy + LSTM engines.
  3    Default, based on what is available.

 

当设置OcrEngineMode为2时，则表示启动双引擎进行识别，Tesseract首先会尝试LSTM引擎，如果识别失败，则会再使用传统引擎进行识别，此种模式追求高精确度，但会消耗较多的系统资源。

Tesseract在识别时，是需要训练数据文件，也就是tessdata。两种引擎对训练数据文件的要求不同，两种引擎训练数据也不通用。

在GitHub上tessdata_fast （https://github.com/tesseract-ocr/tessdata_fast）和tessdata_best （https://github.com/tesseract-ocr/tessdata_best）均是基于LSTM引擎的训练数据，不可以用于传统引擎。

而在 GitHub上的tessdata（https://github.com/tesseract-ocr/tessdata）库中，在2016年10月之后的文件，是包含两种引擎的训练数据文件。

笔者计划Tesseract识别数字及英文（eng.traineddata），希望使用双引擎提升精确度，但发现GitHub的tessdata库中eng.traineddata虽然包含了两种引擎的训练数据，但其中内置的LSTM引擎的训练数据不是最新的（相对于tessdata_best），因此产生了想法，自行构建一个训练数据文件，包含来自于tessdata库中传统引擎训练数据与tessdata_best库中LSTM引擎的训练数据。

使用软件版本

Tesseract：v4.0.0-beta.1.20180608 

（Windows版本：https://digi.bib.uni-mannheim.de/tesseract/tesseract-ocr-w64-setup-v4.0.0-beta.1.20180608.exe，

  默认安装路径 C:Program Files (x86)Tesseract-OCR）

操作系统：Windows 10 64bit

具体步骤

准备文件

从tessdata_best中下载eng.traineddata文件，从tessdata中下载eng.traineddata文件。

两个文件重名，为表示区别，将从tessdata_best文件重命名为eng.best.traineddata。如下：

解压

Tesseract提供了traineddata的打包与解压工具，名为combine_tessdata。我们将使用这个命令完成此步骤。

建议将eng.trainneddata与eng.best.trainneddata解压到两个独立文件夹。

（combine_tessdata 默认在C:Program Files (x86)Tesseract-OCR中，执行命令前请确认命令已经加入操作系统PATH路径）

首先完成eng.trainneddata文件解压。

使用命令：combine_tessdata -u <要解压的trainneddata文件路径> <目标路径及解压文件名前缀>

如combine_tessdata -u ..eng.traineddata 1eng.

含义为：将当前路径上一级目录中的eng.trainneddata解压到当前目录中名称为1的子目录，且所有文件以eng.开头。

执行命令成功效果类似下图：

同样方法，完成eng.best.traineddata解压。

本文实践时，将eng.trainneddata解压至data文件夹，将eng.best.trainneddata解压至data.best文件夹

eng.trainneddata解压后data文件夹内容：

eng.best.trainneddata解压后data.best文件夹内容：

经过对比，可发现，eng.best.traineddata中lstm文件与eng.traineddata中不同。

合并及重新封包

将data.best(来自eng.best.traineddata)整体覆盖到data目录。

此时data目录中是一份结合了最新的LSTM及传统引擎训练文件的文件夹。

在data目录中，执行combine_tessdata进行封包。

执行命令：combine_tessdata .eng.

       命令格式：combine_tessdata <计划打包的tessdata文件目录以及欲打包的文件前缀>

combine_tessdata .eng. 命令则会将当前路径下以eng.开头的文件打包到eng.trainneddata，执行成功效果如下：

执行完毕后，就可以获得合并了两种引擎训练数据的文件，如下。

至此全部步骤完毕。

PS：代码中的设置（以Tess4j 4.0.2为例）

ITesseract instance = new Tesseract();
instance.setOcrEngineMode(TessOcrEngineMode.OEM_TESSERACT_LSTM_COMBINED);
instance.setDatapath(tessdataFolder.getAbsolutePath());
instance.setPageSegMode(TessPageSegMode.PSM_SINGLE_LINE);
instance.setLanguage("eng");
instance.setTessVariable("tessedit_char_whitelist","0123456789ABCDEFGHIJKLMNOPQRSTUVWXYZ");

其中setOcrEngineMode(TessOcrEngineMode.OEM_TESSERACT_LSTM_COMBINED)表示启动两种引擎。