iOS Tesseract 中文字库训练（一）

项目中需要用到汉字识别，先前的研究中，我已经弄出了所要识别汉字的范围，并将这些汉字的像素弄成二值0或者255，文字色值为0，背景色值为255。

我尝试使用像素点的值来识别汉字，但这其实是比较困难的，这需要有强大的算法基础支撑，短时间内完成对我来说是一项艰巨的挑战。

为此，我选择了Tesseract，事实证明它是我想要的。

我在百度上输入“tesseract 中文”，出现了很多关于字库训练的文章，这对我帮助很大，其中有一篇是这个：《Tesseract-OCR的简单使用与训练》，我跟着他说的步骤一步步做下来。

首先，我需要有一台windows电脑，系统是10，然后安装Tesseract 3.02，很不幸，下载链接跳转到了CSDN，需要收费才能下载软件，幸好我的小伙伴中有人是CSDN的会员，可以免费下载。安装过程也没有障碍，你只需要跟随系统提示一步步安装就可以了。

一切准备就绪，我按照教程的步骤一步步走下来，没有任何问题，我希望所有人都按照教程里面所写的命名操作，不要自作聪明或者画蛇添足，如果没什么问题的话，你将看到最终正确的结果。

得到正确的结果，这让我异常兴奋，但战争才刚开始。我把自己训练好的字库放进了iOS工程中，然后使用这个字库来识别教程中的png图片。奇迹出现了，数字被正确地识别出来，我非常高兴。但还没结束……

再继续讲下去之前，我需要提到一个非常重要的命令：

tesseract test.png output_1 –l eng

是的，这个是教程中的命令，这个命令可以用来检测所提供图片是否可以用来训练，我提供了一张白底黑字图，黑字充满着整个图片，就像这样子： 7

打入上面的命令后，控制台命令提示：

empty page！

空页面？只要出现这个提示，后续步骤就难以进行下去，而我换成教程中的图片就正常。我观察了两张图片的异同，发现教程中的图片有较大的留白，于是，我把图片改成这样： 7

终于正常了。所以在即将训练之前，请先打一下上面的命令试一试。

这个Tesseract提供的是eng英文字库，而我需要识别汉字，这就意味着我需要有个中文字库，以前在研究Tesseract-OCR-iOS的时候，我使用的TesseractOCRiOS.framework是4.0.0最新版本，那个时候我为了寻找中文字库，花了好多时间，因为版本不同，运行的时候会报错，幸运的是，最后还是找到一个可以正常运行的，但字库的效果肯定是不理想的。

当然，你也可以在安装Tesseract 3.02的时候，选择一个简体中文字库，怎么做？看这个图：

简体中文字库

勾选 additional language data，滑动滚动条，找到“简体中文”并勾选就可以了。内嵌下载可能比较慢，实在不行，你可以去网上随便下载一个试试，多研究几次，失败是成功之母。

假设你根据上面的步骤已经弄好了中文字库，并确保Tesseract的版本是3.02后，还有最后一步，就是更换教程，因为之前的教程讲的是英文，所以我要换个中文的，我选择了这篇文章《验证码识别》。事实证明它给我带来了灾难。

训练开始了，我使用PS创建了300X300像素的白色图（PS是很重要的工具，我建议人人都应该懂点它），里面弄上几个黑色字：“浙江皮革厂”。我还是按照原教程操作下来，发现中文文字并不能在图中红色区域中正常显示，我觉得这是个问题，但我还是继续往下走。 汉字不能正常显示

然而后续进展并不顺利，甚至出现了一些我在StackOverflow上也找不到很好解决方案的问题。关于“汉字不能正常显示”，我以为是jTessBoxEditor的问题，因为我没有使用最新版本，所以我换成了jTessBoxEditor 2.0版本。而其他问题呢，我在StackOverflow找不到满意的答案，我也不知道如何解决。

我决定更换成这个教程《Tesseract训练中文字体识别》，因为教程中使用的是Tesseract 4.0.0，所以我决定也更换Tesseract版本，你可以到这里下载Tesseract各个版本下载地址。

安装完Tesseract 4.0.0后，在控制台输入命令 tesseract，却提示

“tesseract”不是内部或外部命令，也不是可运行的程序

在windows上报这个错，基本就是环境变量的问题了，于是我将Tesseract 4.0.0的安装路径加入到windows10的环境变量中，然后重启，就恢复正常了。

我仍然按照教程一步步走下来，我发现即使换成jTessBoxEditor 2.0版本，汉字依旧无法正常显示，这个问题和版本无关，我开始在jTessBoxEditor的界面菜单随便点一点，我发现菜单Setting中有个Font，可以修改字体，我改成黑体后，汉字终于正常显示了，总算是解决了一个问题。

继续往前走，在进行到教程步骤五的时候，出现了问题，事实上需要修改的有5个文件，而不是4个文件，还有一个文件unicharset也需要进行修改，改成chi.unicharset就没问题了。每个步骤都完成之后，会生成chi.traineddata文件，然后跟着他的步骤，应该不会有什么问题了。

我把这个训练好的字库放进iOS工程中，很不幸的，程序在识别过程中报错了，错误提示为：

actual_tessdata_num_entries <= TESSDATA_NUM_ENTRIES:Error:Assert failed:in file ..\ccutil\tessdatamanager.cpp, line 55

我在网上找到了这个问题的答案，他们说字库和Tesseract的版本对应不上。基于此我首先想到了，应该是Tesseract 4.0.0的问题，因为至少使用3.02版本是正常的。带着这个疑问，我把Tesseract 4.0.0卸载了，重新安装3.02版本，将刚才进行的操作重新做一遍，生成了新的chi.traineddata文件。我把文件放入iOS工程中，正常了！Oh my god！识别成功了，这让我欣喜若狂！

工作总算有点进展了，我了解我还有很长的路得走，我也会继续走下去！