tesseract-ocr 筆記

寫在最開頭，我的練習結果成功率只有慘不仁賭可以形容，所以此文章單純紀錄 tesseract-ocr 練習驗證碼的步驟。

tesseract-ocr/tessdoc

有用到的

tesseract 4.x

imagemagick

jTessBoxEditor

第一步

找尋你要練習的驗證碼。現在蠻多網站都有這個機制，我是直接寫個爬蟲抓下來的。如果你要抓個幾千幾萬張的，記得設一下間隔時間，不然被 ban...

驗證碼示意圖

第二步

驗證碼二值化

#python
import cv2
img = cv2.imread("xxxx.jpg")
img2 = cv2.cvtColor(img, cv2.COLOR_RGB2GRAY)
img2 = cv2.inRange(img2, lowerb=160, upperb=255)
cv2.imwrite("xxxx.jpg", img2)

二值化後的驗證碼示意圖

第三步

將二值化後的驗證碼轉成 tif 檔

convert *.jpg -density 300 -depth 8 -background white -alpha off tif/img-%d.tif

用 jTessBoxEditor 合併剛剛產生的 tif 檔

Tools > Merge Tiff

我是以 100 張為一組。

檔名則是 [language].[font].exp[num].tif

如: 練習 ABC 語言，字型為 Arial

ABC.Arial.exp0.tif

第四步

產生 box 檔 > 比對 box 檔

tesseract ABC.Arial.exp0.tif ABC.Arial.exp0 --psm 6 lstmbox

Box Editor > Open

一張一張比對，將 Char 欄位修正。

最耗時間的步驟，如果是要練習個上百上千張的，幾乎一整天都在處理這個。

第五步

產生 lstmf 檔 > 產生 lang.training_files.txt 檔

tesseract ABC.Arial.exp0.tif ABC.Arial.exp0 -l eng --psm 6 lstm.train
echo 剛剛產出的 lstmf 絕對路徑 > ABC.training_files.txt

第六步

從原有的 traineddata 擷取 lstm 檔

combine_tessdata -e /home/eng.traineddata eng.lstm

第七步

開始訓練

lstmtraining 
--model_output /path/output --continue_from eng.lstm  --train_listfile ABC.training_files.txt --traineddata /home/eng.traineddata --max_iterations 4000

第八步

產生 traineddata 檔

lstmtraining --stop_training --continue_from output_checkpoint --traineddata /usr/local/share/tessdata/eng.traineddata --model_output ABC.traineddata

經過重重步驟，練習了 300 多張圖片，想說起碼會有個 40% 的準確率。

所以我又額外爬了 500 張圖片下來比對，準確率 8%。