开源OCR识别库-Tesseract介绍

Posted 2021-01-23 wushishengfei

最近在github上面看到一个开源的ocr文字识别库，感觉效果还可以，所以在这里介绍一下，这个项目的原地址在：https://github.com/tesseract-ocr/tesseract。

tesseract库支持你训练自己的文字识别模型，当然其本身已经提供了几十种不同语言模型，你也可以直接下载使用，最新的4.0版本使用了LSTM神经网络框架，

在识别中文方面效果还是不错的。tesseract有两种使用方式，一种是安装完成以后，通过命令行向tesseract应用传入要解析的图片，翻译完成后输出一个txt文件；

第二种方式是自己写程序调用api函数。

下面介绍一下tesseract库的使用方法。

如果你用的是ubuntu18.0.4那么安装很简单：

在终端输入指令安装即可：

sudo apt-get install tesseract-ocr

sudo apt-get install libtesseract-dev

如果你跟我一样是使用ubuntu16.0.4，那么需要按照我下面的方法来安装，因为16.0.4采用上面的办法安装的是3.0的版本，3.0解析的效果不是很好。

如果你是在windows平台或其他平台可以参考:https://github.com/tesseract-ocr/tesseract/wiki/Compiling。

（1）安装依赖库

sudo apt-get install g++

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

sudo apt-get install libicu-dev

sudo apt-get install libpango1.0-dev

sudo apt-get install libcairo2-dev

sudo apt-get install git

（2）安装leptonica 1.74

cd ~/Download

git clone https://github.com/DanBloomberg/leptonica

cd leptonica

./configure

make

make install

（3）安装tesseract

cd ~/Download

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

cd tesseract

./autogen.sh

./configre --prefix=/usr/local

make

make install

（4）下载语言包

tesseract提供了三种模型，testdata：普通模型，testdata_fast：快速识别模型，testdata_best：最佳识别模型，

在：https://github.com/tesseract-ocr/tessdata_best目录下下载：eng.traineddata、chi_sim.traineddata、chi_sim_vert.traineddata三个文件，

然后将这三个文件复制到/usr/local/share/testdata目录下，如果你想识别其他语言也是下载语言识别模型然后放到testdata目录下即可。

（5）设置语言模型路径

vim ~/.bashrc

在末尾添加：export TESSDATA_PREFIX=/usr/local/share/tessdata/

然后关闭终端，重新打开终端生效。

（6）测试识别库

在终端输入

tesseract --version看版本是否如下：

输入：

tesseract --list-langs查看语言模型是否正确：

可以看到自动识别了英语和简体中文模型了。

然后随便找张有中文字符的图片进行识别测试：

tesseract 1.jpg out -l chi_sim

参数说明：1.jpg：要解析的文件

　　　　   out：解析输出的文件名

　　　　   -l chi_sim：采用的语言模型，这里选择了简体中文。

我识别的原文：

 

识别到的文字如下：

 

（7）用C++调用api进行识别测试。

代码：

#include <tesseract/baseapi.h>
#include <leptonica/allheaders.h>
#include <iostream>
#include <memory>
using namespace std;
int main()
{
	tesseract::TessBaseAPI api;
	cout<<"version:"<<api.Version()<<endl;
	if(api.Init(NULL,"chi_sim")==0)
		cout<<"Init Ok"<<endl;
	else
	{
		cout<<"Init error"<<endl;
		return -1;
	}
	api.SetPageSegMode(tesseract::PageSegMode::PSM_AUTO);
	api.SetVariable("save_best_choices","T");
	auto pixs = pixRead("./1.jpg");
	if(!pixs)
	{
		cout<<"load image error"<<endl;
		return -2;
	}
	api.SetImage(pixs);
	api.Recognize(0);
	cout<<std::unique_ptr<char[]>(api.GetUTF8Text()).get()<<endl;
	api.Clear();
	pixDestroy(&pixs);
	return 0;

}

 makefile:

CXX		  := g++
CXX_FLAGS := -Wall -Wextra -std=c++11 -ggdb

BIN		:= .
SRC		:= .
INCLUDE	:= 
LIB		:= 

LIBRARIES	:=-llept -ltesseract
EXECUTABLE	:= ocrDemo


all: $(BIN)/$(EXECUTABLE)

run: clean all
	clear
	./$(BIN)/$(EXECUTABLE)

$(BIN)/$(EXECUTABLE): $(SRC)/*.cpp
	$(CXX) $(CXX_FLAGS) -I$(INCLUDE) -L$(LIB) $^ -o [email protected] $(LIBRARIES)

clean:
	-rm $(BIN)/*

 测试效果：