原文地址：http://blog.csdn.net/viewcode/article/details/7790065

?

正文：

原文：?An Overview of the Tesseract OCR Engine?

下載地址http://code.google.com/p/tesseract-ocr/wiki/Documentation

?

Tesseract的識別步驟大致如下：

1. 連通區域分析；

2. 檢測出字符區域區域（輪廓外形），以及子輪廓；

3. 由字符輪廓，得出文本行，以及通過空格識別出單詞，通過字符單元分割出單個字符，而對百分號的文本（Proportional text）通過fuzzy空格來分割為單詞；

4. 每個單詞進行分析，采用自適應分類器，分類器有學習能力，先分析的且滿足條件的字母也作為訓練樣本，所以后面的字符（比如頁尾）的字符識別更精確；此時，頁首的字符識別比較吃虧，所以tesseract會對整頁的識別不太好的字符，再次進行識別。

5.最后，識別含糊不清的空格，及用其他方法，如由筆畫高度（x-height），識別小寫字母的文本。

?

small-cap：小寫字母？

?

利用第四個步驟的特性，對單個字符識別，選用能識別的比較好的字符放在頁首，將待識別的字符放在頁尾，是否能提高識別率？待測試...

-------------------

1. line and word finding

a. 假定文本區域能大致確定，將跨行大寫字母及縱向粘連一起的字符過濾掉，可以利用字符的高度信息，選取所有字符的中值高度

b. 對字符的x坐標排序，利用坐標擬合直線，擬合方法：中位數最小方差擬合（least median of squares fit）

c. 進一步，擬合文本行的形狀，利用四次多項式，將文本行看成螺線形，采用最小方差擬合

d. 檢測出等距文本(fixed pitch text)，對粘連的文本進行分割(chopping)

e. 對非等距字體如百分號，斜體等問題，利用中線、基準線之間的空白大小，來分割字符

Drop-caps: 段落的首個字母，大寫且跨越兩行。

vertical touching character：縱向粘連一起的字符。

Proportional text：含百分號的文本

2. word recognition

a. 分割粘連的字符，將凹進去的輪廓點作為備選分割點，分割后，進行識別，如果都失敗，就認為字符破損不全，修補字符

b. 對破碎的字符，利用A*算法搜索最優的字符組合，直到達到滿意的識別結果

?

3.?Static Character Classifier

特征

a. 拓撲特征：與字體及大小無關，但問題是（引用文章看不到）？

b.?將字符近似為多邊形作為特征：對破碎不連通的字符無效

c. 突破性方案：訓練階段的特征與識別的特征可以不盡相同。在訓練階段，將近似多邊形作為特征，而在識別階段，抽取字符的輪廓特征并歸一化，然后將訓練集中的原型特征再與之，進行多對一的方式匹配

The features extracted from the unknown：待識別字符的特征，3維數據（x, y坐標，角度），每個字符一般有50-100個特征

the prototype features：原型特征（訓練集中的字符特征），4維數據（x, y坐標，角度，長度）一般有10-20個特征

?

分類，分為兩個步驟：

a. 粗分，多個特征，將每個特征相近的字符列舉出來

b. 細分，對相近的字符，用特征距離進行細分

?

訓練數據

94個字符，8種大小，4種字體（正常，粗體，斜體，斜粗體），每種20個樣本，共60160個樣本。

? ??

4. 語法分析

訓練集中有最常用的高頻詞，字典中的常用詞，常用數字，常用大寫、小寫。

將分割出的、待識別的詞與這些詞進行比較計算，算法采用加權最小距離。

問題：不同的分割，會識別出不同的結果。兩種結果都有可能，原因在于分割的不確定。用兩個指標進行量化，一個是confidence，將未知字符到原型的歸一化距離為指標；第二是將未知字符的輪廓長度（歸一化后的）作為指標。

?

5.?Adaptive Classifier 自適應分類器

由于靜態分類器涉及到多種字體（generalizing to any kind of font），其區分相近字符、字符與非字符的能力被削弱。此時，由于每頁文檔內的字符的個數有限，利用靜態分類器的結果可以訓練出對字體更敏感的自適應分類器，可以提高分類能力。

tesseract不用模板分類器，但使用相同的特征和分類作為靜態分類器（uses the same features and classifier as the static?classifier. 不解？）。靜態與自適應的區別，除了訓練集外，還有自適應分類器會將一行字符的基線（baseline）/x-高度（小寫字母x的高度） 歸一化。 歸一化后，很容易區分字母大小寫及噪聲；而靜態分類器僅利用字符歸一化的一階矩確定位置，二階矩確定字符大小。

將字符的距 歸一化最大的好處是 去除 高寬比（?aspect ratio?）和字體筆畫寬度（stroke width）的影響，且使上標、下標的區分簡單。但需要額外的分類特征來區分字母大小寫。

（兩種歸一化：基線/x行高的歸一化，單個字符距的歸一化）

tesseract還有學習能力，一般來說，整頁的文章的識別率要比單個字符的識別率要高，而且速度要比單個字符識別（累加時間）要好。

?

----------------------

在tesseract源碼里，tesseract默認選取的特征是 bmp，分類器是Convolutional Neural Net classifier，即可演化的神經網絡分類器（每一個結果都作為神經網絡的輸入，能提供反饋）。\tesseract_src\cube\conv_net_classifier.h 是分類器的描述。

不僅如此，tesseract還提供了Hybrid Neural Net Char Classifier分類器，使用Hybrid特征數據。

\tesseract_src\cube\classifier_factory.cpp

\tesseract_src\ccmain\cube_reco_context.cpp

里包含了tesseract分類器的實現。

?

文章比較拗口，英語功底不夠，后面慢慢理解修正。

轉載于:https://www.cnblogs.com/Crysaty/p/6094602.html

總結

以上是生活随笔為你收集整理的[转]tesseract OCR Engine overview字符识别学习的全部內容，希望文章能夠幫你解決所遇到的問題。

如果覺得生活随笔網站內容還不錯，歡迎將生活随笔推薦給好友。