基于tesseract-or的藏文脱机识别

《基于tesseract-or的藏文脱机识别》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、基于Tesseract-or的藏文脱机识别０引言图像识别的主要目的是利用计算机自动处理图片信息，用来取代人工去对图像进行分类和识别。对图像上信息的识别，也就是光学识别，即ＯＣＲ识别。在开源的ＯＣＲ中，Ｔｅｓｓｅｒａｃｔ－ｏｃｒ是比较强大的了，它由ＨＰ于１９８５年到１９９５年间开发，后来由ｇｏｏｇｌｅ直接负责，经过谷歌进一步开发后，目前的Ｔｅｓｓｅｒａｃｔ－ｏｃｒ有了显著的改进。Ｔｅｓｓｅｒａｃｔ－ｏｃｒ不仅在ｗｉｎｄｏｗｓ环境下可以应用，在安卓方面也有很广泛的应用。在藏文字脱机识别方面，文献介绍了利用局部自适应二值化算法、基于连通域的切分、基于网格的模糊笔划特征提取等方法对藏文进

2、行识别，本文是从基于Ｔｅｓｓｅｒａｃｔ－ｏｃｒ的对藏文字训练以及实现脱机识别的方面进行详细介绍。１藏文脱机识别的训练１．１基于Ｔｅｓｓｅｒａｃｔ－ｏｃｒ未训练的情况下对藏文的识别首先对Ｔｅｓｓｅｒａｃｔ－ｏｃｒ安装包，本文使用的是３．０２．０２版本的Ｔｅｓｓｅｒａｃｔ－ｏｃｒ。完成其安装后，打开控制台，在安装的路径下输入命名ｔｅｓｓｅｒａｃｔ，检查是否安装成功，出现如图１所示情况，则说明安装成功。然后以图２中的几个藏文对其进行测试，在未进行训练的情况下对藏文字符的识别结果如图三所示，很显然，这完全是错误的，为了使Ｔｅｓｓｅｒａｃｔ－ｏｃｒ对藏文进行正确识别，需要训练一个藏文字库。

3、１．２藏文字库的训练对藏文字库的训练，以藏文字符为例进行演示说明，训练藏文字库之前，需要使用ｊＴｅｓｓＢｏｘＥｄｉｔｏｒ这个软件，用来修改ｂｏｘ文件。为了方便训练，可以通过Ｐｈｏｔｏｓｈｏｐ等软件把图片转为ｔｉｆ格式，然后利用ｊＴｅｓｓＢｏｘＥｄｉｔｏｒ中的工具“ＭｅｒｇｅＴＩＦＦ”将多张ｔｉｆ格式的图片合成一张，然后便于训练。首先对将要训练的图片重命名为ｔｉｂｅｔ．Ｈｉｍａｌａｙａ．ｎｕｍ０．ｔｉｆ，其中ｔｉｂｅｔ表示最终训练的字库名称，Ｈｉｍａｌａｙａ表示训练的字体，ｎｕｍ０表示训练的第一张图片上的藏文字。然后就开始训练一个藏文字库：（１）生成ｂｏｘ文件：在控制台输入的Ｔｅｓ

4、ｓｅｒａｃｔ－ｏｃｒ安装目录下输入命令ｔｅｓｓｅｒａｃｔ．ｅｘｅｔｉｂｅｔ．Ｈｉｍａｌａｙａ．ｎｕｍ０．ｔｉｆｔｉｂｅｔ．Ｈｉｍａｌａｙａ．ｎｕｍ０ｂａｔｃｈ．ｎｏｃｈｏｐｍａｋｅｂｏｘ（见图4），此命令将会产生一个ｔｉｂｅｔ．Ｈｉｍａｌａｙａ．ｎｕｍ０．ｂｏｘ文件，产生的这个ｂｏｘ文件是为了接下来对字符进行校正储存字符特征所需要的，而且这个ｂｏｘ文件必须和之前的ｔｉｆ文件在同一个文件夹下。（２）文字校正和生成文字特征文件：运行ｊＴｅｓｓＢｏｘＥｄｉｔｏｒ工具，导入之前进行训练的ｔｉｂｅｔ．Ｈｉｍａｌａｙａ．ｎｕｍ０．ｔｉｆ文件，初步识别效果如图５左侧所示。现在，就要对识别错误的

5、进行人工校正，需要注意的是，需要提前把字体设置成ＭｉｃｒｏｓｏｆｔＨｉｍａｌａｙａ字体，否则会显示为类似的特殊形状。字体校正后，需要点击按钮，这样才会对校正的字体特征进行保存到．ｔｉｆ文件中。校对完成后，在控制台下输入命令ｔｅｓｓｅｒａｃｔｔｉｂｅｔ．Ｈｉｍａｌａｙａ．ｎｕｍ０．ｔｉｆｔｉｂｅｔ．Ｈｉｍａｌａｙａ．ｎｕｍ０ｎｏｂａｔｃｈｂｏｘ．ｔｒａｉｎ（见图６），此时将会生成ｔｉｂｅｔ．Ｈｉｍａｌａｙａ．ｎｕｍ０．ｔｘｔ文件和新的ｔｉｂｅｔ．Ｈｉｍａｌａｙａ．ｎｕｍ０．ｂｏｘ文件，然后利用新的ｂｏｘ文件计算字符集，其命名为ｕｎｉｃｈａｒｓｅｔ＿ｅｘｔｒａｃｔｏｒｔｉｂｅｔ．Ｈｉ

6、ｍａｌａｙａ．ｎｕｍ０．ｂｏｘ，此时将会产生一个ｕｎｉｃｈａｒｓｅｔ文件，此文件接下来会用于字体特征聚集。（３）定义字体特征和聚集字体特征：首先人工建立一个ｔｘｔ文件，命名为“ｆｏｎｔ＿ｐｒｏｐｅｒｔｉｅｓ”，ｔｘｔ的内容为：“Ｈｉｍａｌａｙａ０００００”，其中Ｈｉｍａｌａｙａ表示字体，需要与之前训练的时候命名的字体保持一致，然后“０”代表不是特殊字体。然后对字体特征进行聚集，在控制台输入命令ｓｈａｐｅｃｌｕｓｔｅｒｉｎｇ－Ｆｆｏｎｔ＿ｐｒｏｐｅｒｔｉｅｓ．ｔｘｔ－Ｕｕｎｉｃｈａｒｓｅｔｔｉｂｅｔ．Ｈｉｍａｌａｙａ．ｎｕｍ０．ｔｒ，此时将会产生一个ｓｈａｐｅｔａｂｌｅ文件，然后再

7、输入命令ｍｆｔｒａｉｎｉｎｇ－Ｆｆｏｎｔ＿ｐｒｏｐｅｒｔｉｅｓ．ｔｘｔ－Ｕｕｎｉｃｈａｒｓｅｔ－Ｏｔｉｂｅｔ．ｕｎｉｃｈａｒｓｅｔｔｉｂｅｔ．Ｈｉｍａｌａｙａ．ｎｕｍ０．ｔｒ，用来生成当前新语言的字符集文件ｔｉｂｅｔ．ｕｎｉｃｈａｒｓｅｔ，同时还会产生图形原型文件ｉｎｔｔｅｍｐ和每个字符所对应的字符特征数文件ｐｆｆｍｔａｂｌｅ。其中ｉｎｔｔｅｍｐ文件包含了所有需要产生的字的图形原型。然后再用命令ｃｎｔｒａｉｎｉｎｇｔｉｂｅｔ．Ｈｉｍａｌａｙａ．ｎｕｍ０．ｔｒ进一步生成字符特征规范