使用Tesseract-Ocr识别数字

前言

Tesseract-Ocr是我在编写爬虫项目中,用来识别图片(不是验证码)的本地解决方案(因为客户不想使用API识别,太贵),识别率目前达到了100%,可以说是相当了得,当然了,这取决于使用的traineddata

简介

Tesseract最初是在1985年至1994年间在Hewlett-Packard Laboratories Bristol和Greeley Colorado的Hewlett-Packard Co开发的,1996年进行了一些更改,移植到Windows,并且随着C++在1998年兴起。2005年Tesseract由惠普开源,然后从2006年至今,由谷歌继续开发。

Tesseract-Ocr并不是一个软件,它是一个软件包,包含了一个OCR引擎【libtesseract】和一个命令行程序 【tesseract】。Tesseract 4增加了一个基于OCR引擎的新神经网络(LSTM),该引擎专注于行级识别,但仍然支持Tesseract 3的传统Tesseract OCR引擎,该引擎通过识别字符模式来工作。

要启用与Tesseract 3的兼容性,你需要使用Legacy OCR Engine模式(–oem 0)。它还需要支持传统引擎的traineddata(训练好的数据文件),这些文件可以从tessdata存储库的文件获取。

Tesseract支持识别unicode(UTF-8),可以“开箱即用”识别100多种语言。

Tesseract支持多种输出格式:纯文本,hOCR(HTML),PDF,TSV。主分支还具有ALTO(XML)输出的实验支持。

⭐️⭐️⭐️ 具体介绍可以上tesseract-wiki查看。

在Java上使用

创建项目,并引入Jar包

Maven

1
2
3
4
5
6
<!-- https://mvnrepository.com/artifact/net.sourceforge.tess4j/tess4j -->
<dependency>
<groupId>net.sourceforge.tess4j</groupId>
<artifactId>tess4j</artifactId>
<version>4.3.1</version>
</dependency>

Gradle

1
compile 'net.sourceforge.tess4j:tess4j:4.3.1'

导入traineddata

traineddata是使用Tesseract-Ocr训练好的数据文件,可以直接使用。这些文件你可以去tessdata存储库查找,也可以去谷歌搜索,当然了,你也可以自己训练😂。

traineddata通常以*.traineddata命名,其中*指的是支持的语言类型。在这里你可以看到4.0.0版本支持的语言以及traineddata列表。

这次,我们选择eng.traineddata进行测试。下载eng.traineddata放入/resources/traineddata目录,如下图所示。

编写测试代码

初始化Tesseract引擎

1
2
3
4
5
6
7
8
9
10
11
public class TesseractTest {

private ITesseract tesseract;

@Before
public void init() {
tesseract = new Tesseract();
System.out.println("tesseract init done...");
}

}

实际上,上面的代码是无法正常运行的,因为找不到指定语言版本的traineddata文件。

net.sourceforge.tess4j:tess4j:4.1.1提供的API并不好,在Tesseract构造函数中,没有提供可选参数的构造器。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
16
17
18
19
20
21
22
23
24
25
26
27
28
29
30
31
32
33
34
35
36
37
38
39
40
41
42
43
44
public class Tesseract implements ITesseract {

// Tesseract使用的语言版本,用以选择traineddata
private String language = "eng";
// traineddata目录,里面放*.traineddata数据文件
private String datapath;

// 省略其他代码 ...

public Tesseract() {
try {
// 默认从系统环境变量获取traineddata目录
datapath = System.getenv("TESSDATA_PREFIX");
} catch (Exception e) {
// ignore
} finally {
if (datapath == null) {
datapath = "./";
}
}
}

/**
* Sets language for OCR.
*
* @param language the language code, which follows ISO 639-3 standard.
*/
@Override
public void setLanguage(String language) {
this.language = language;
}

/**
* Sets path to <code>tessdata</code>.
*
* @param datapath the tessdata path to set
*/
@Override
public void setDatapath(String datapath) {
this.datapath = datapath;
}

// 省略其他代码 ...
}

所以,我们可以选择设置环境变量TESSDATA_PREFIX为数据目录,或者通过Java编码的方式来设置。

1
2
tesseract.setLanguage("eng"); // 默认就是eng,你可以选择其他lang
tesseract.setDatapath(TesseractTest.class.getResource("/traineddata").getPath().substring(1));

OCR识别测试

tesseract提供了一系列doOcr方法的重载,我们可以方便的进行OCR识别。

1
2
3
4
5
6
7
8
9
10
11
12
13
14
15
String doOCR(File imageFile) throws TesseractException;

String doOCR(File imageFile, Rectangle rect) throws TesseractException;

String doOCR(BufferedImage bi) throws TesseractException;

String doOCR(BufferedImage bi, Rectangle rect) throws TesseractException;

String doOCR(List<IIOImage> imageList, Rectangle rect) throws TesseractException;

String doOCR(List<IIOImage> imageList, String filename, Rectangle rect) throws TesseractException;

String doOCR(int xsize, int ysize, ByteBuffer buf, Rectangle rect, int bpp) throws TesseractException;

String doOCR(int xsize, int ysize, ByteBuffer buf, String filename, Rectangle rect, int bpp) throws TesseractException;

可以看出,doOcr方法支持多种图片识别方式,如图片文件、多个图片文件、图片文件局部处理等等方式。

为了方便测试,我们选取最简单的图片文件方式测试。

图片是个URL链接,如下所示

1
2
3
4
5
6
@Test
public void testOcr() throws IOException, TesseractException {
BufferedImage image = ImageIO.read(new URL("http://static8.ziroom.com/phoenix/pc/images/price/aacd14fbc53a106c7f0f0d667535683as.png"));
String ocr = tesseract.doOCR(image);
System.out.println("ocr result : " + ocr);
}

控制台输出:

1
2
tesseract init done...
ocr result : 2710386495

识别准确率,主要在于你选择的训练数据文件,我使用的是数据文件是这个,对于数字的准确率基本上是100%。

异常

如果你遭遇Invalid memory access异常,这是由于找不到对应lang的*.traineddata文件,请修改languagedatapath

1
2
3
4
5
6
7
8
9
10
11
12
13
14
Invalid memory access
java.lang.Error: Invalid memory access
at com.sun.jna.Native.invokePointer(Native Method)
at com.sun.jna.Function.invokePointer(Function.java:470)
at com.sun.jna.Function.invoke(Function.java:404)
at com.sun.jna.Function.invoke(Function.java:315)
at com.sun.jna.Library$Handler.invoke(Library.java:212)
at com.sun.proxy.$Proxy9.TessBaseAPIGetUTF8Text(Unknown Source)
at net.sourceforge.tess4j.Tesseract.getOCRText(Tesseract.java:495)
at net.sourceforge.tess4j.Tesseract.doOCR(Tesseract.java:321)
at net.sourceforge.tess4j.Tesseract.doOCR(Tesseract.java:293)
at net.sourceforge.tess4j.Tesseract.doOCR(Tesseract.java:274)
at net.sourceforge.tess4j.Tesseract.doOCR(Tesseract.java:258)
...

训练工具

https://github.com/tesseract-ocr/tesseract/wiki/AddOns

训练数据仓库

  • tessdata_best:基于LSTM引擎的训练数据,最佳最准确的
  • tessdata_fast:基于LSTM引擎的训练数据,快速(精简)版本
  • tessdata:支持双引擎(LSTM和传统引擎),但LSTM训练数据不是最新的版本

推荐使用tessdata_best,虽然识别速度相对于tessdata_fast稍慢,但是准确率可以保证。

参考

tesseract-ocr-wiki