驗證碼識別 Tesseract的簡單使用和總結
Tesseract是什麽
OCR即光學字符識別，是指通過電子設備掃描紙上的打印的字符，然後翻譯成計算機文字的過程。也就是說通過輸入圖片，經過識別引擎，去識別圖片上的文字。Tesseract是一種適用於各種操作系統的光學字符識別引擎，最早是hp公司的軟件，2005年開源，2006年後由google一直贊助Tesseract開發和維護。2006年，Tesseract被認為是當時最準確的開源OCR引擎之一 。
驗證碼識別類型
這裏討論一般的驗證碼識別，即英文、數字、或者英文和數字的混合的驗證碼，不包括滑動和文字點擊這些類型。
Tesseract的安裝
Tesseract的github地址:https://github.com/tesseract-ocr/tesseract
Tesseract的安裝github上有說明，Tesseract現在有3.05的版本，也有4.0beta版，我自己使用之後感覺2者差異不大，替換之後識別率也沒有明顯提升，所以只要使用其中一個就好。Tesseract支持windows和linux，windows下裝完之後有個Tesseract-ocr的目錄，目錄下有個tesseract.exe的程序，可以通過調用這個exe的命令行去進行ocr的識別。
Tesseract的使用
簡單的命令行使用如下：
tesseract imagename outputbase [-l lang] [--oem ocrenginemode] [--psm pagesegmode] [configfiles...]
- 參數說明：
imagename 圖片文件
outputbase 輸出文件，也可以選擇命令行輸出stdout
- 可選參數
-l lang 識別庫，默認是eng，也可以是自己訓練出來的識別庫
-psm pagesegmode 識別模式
pagesegmode 具體含義見下圖
0 = Orientation and script detection (OSD) only. 1 = Automatic page segmentation with OSD. 2 = Automatic page segmentation, but no OSD, or OCR 3 = Fully automatic page segmentation, but no OSD. (Default) 4 = Assume a single column of text of variable sizes. 5 = Assume a single uniform block of vertically aligned text.6 = Assume a single uniform block of text. 7 = Treat the image as a single text line. 8 = Treat the image as a single word. 9 = Treat the image as a single word in a circle. 10 = Treat the image as a single character.
Tesseract訓練
可以通過jTessBoxEditor去訓練Tesseract，而且訓練樣本越多，識別準確度越好，實際使用中我訓練了500張圖片，對識別率的提升還是有的，但是還是沒能達到自己想要的預期識別率，估計是樣本還不夠多吧。另外對樣本一個個修正也是個繁瑣的事情，尤其是驗證碼，一般都各種變形以防止程序輕易識別，不過總體來說只要樣本夠多，想要達到預期的識別率還是可以的。關於jTessBoxEditor訓練的詳細步驟，有興趣的可以自己去搜索Tesseract相關資料了解。
驗證碼識別 Tesseract的簡單使用和總結