Tesseract OCR识别小结

由于业务场景需要，需要接入OCR图像识别功能，记录一下经过几天的研究过程。

1、项目主页

http://code.google.com/p/tesseract-ocr/

基本上涵盖了所有内容，download、wiki尤其重要，上面有许多知识

2、安装

http://code.google.com/p/tesseract-ocr/downloads/list下载exe安装程序安装即可；

3、字库训练

由于OCR识别必须要有字库，google提供了需要语言的字库，在download页面中，用于识别中文的字库tesseract-ocr-3.02.chi_sim.tar.gz非常不好用，识别率极低，因此需要自建字库训练。

具体流程如下：

（3-1）生成tif+box模板；

tif为字库图片，本文模板：vie.arial.exp0.tif，见附件；

box文件为字库描述文件，本文模板：vie.arial.exp0.box，格式为：

0 102 4857 122 4889 0
1 134 4857 147 4889 0

2 159 4857 180 4889 0

3 188 4857 205 4889 0

box文件会划定一个图片的矩形区域，指明其描述的含义ÿ