Tesseract Win32 VC++ Rebuild Tutorial

Comments

• 洪健齡

  says:

  • 2010 年 01 月 29 日 at AM 9:53

  大大您好，請問 可以自己訓練tesseract-ocr 樣本嗎? BOX檔? 感謝您!~!

• essoduke

  says:

  • 2010 年 01 月 31 日 at AM 12:35

  當然可以啊，手動步驟如下：

  1.建立 BOX：
  tesseract pic.tif pic batch.nochop makebox

  2.分析 BOX：
  tesseract pic.tif junk nobatch box.train

  3.產生訓練檔：
  training\mftraining ..\pic.tr

  4.合併：
  training\cntraining ..\pic.tr

  5.解析 Unicode：
  training\unicharset_extractor ..\pic.box

  6.將產生的四個資料檔複製到 tessdata：
  tessdata/eng.inttemp
  tessdata/eng.normproto
  tessdata/eng.pffmtable
  tessdata/eng.unicharset

  可以參考 Tesseract Wiki 或：

  http://www.win.tue.nl/~aeb/linux/ocr/tesseract.html
  http://hi.baidu.com/sinomazing/blog/item/098e6f879dc05922c75cc372.html

• 洪健齡

  says:

  • 2010 年 02 月 02 日 at PM 2:59

  大大您好:
  非常感謝您的熱心回覆!!!感激不盡…
  抱歉呀~有個問題 想要跟您請教請教…
  我是想要用這個來OCR 汽車車牌
  我把車牌剪下來 拿進去訓練
  步驟都和http://hi.baidu.com/sinomazing/blog/item/098e6f879dc05922c75cc372.html
  一樣
  我是用三個車牌0125-GF.tif, 4567-ML.tif, 7107-FR.tif
  產生了三個box(0125.box,4567.box,7107.box)
  並且進行”tesseract scan.tif junk nobatch box.train”; 生成三個訓練檔文件*.tr(0125.tr,4567.tr,7107.tr)
  然後Clustering 把三個tr檔給串在一起
  進行”mftraining 0125.tr 4567.tr 7107.tr”; 生成文件”inttemp”, “pffmtable” and “Microfeat”(Not used)
  進行”cnTraining 0125.tr 4567.tr 7107.tr”;生成文件”normproto”;

  接著 進行”unicharset_extractor 0125.box 4567.box 7107.box”; 生成文件”unicharset”

  Dictionary Data
  接著Create two UTF-8 text file, “frequent_words_list” and “words_list”, the words in the files should not be duplicated;
  Run “wordlist2dawg frequent_words_list freq-dawg”
  Run “wordlist2dawg words_list word-dawg”;
  This will generate two files, “freq-dawg” and “word-dawg”;

  接著有一點點不太懂 7.Putting it all together
  All you need to do now is collect together all 8 files and rename
  them with a lang. prefix;
  File “eng.DangAmbigs” and “eng.user-words” could be empty;
  If create “eng.DangAmbigs” file, the characters must be exist in the
  “scan.box”;
  他是說我們直接拿原來預設的”eng.DangAmbigs” and “eng.user-words”和我們車牌訓練產生的六個 結合成八個
  放在一起嗎? 那”eng.DangAmbigs” and “eng.user-words”檔案要空的嗎? 還是用預設的呢? 或是要自己建呢?

  我是試過用原本內建的”eng.DangAmbigs” and “eng.user-words 然後其他六個改成我的 或是”eng.DangAmbigs” and “eng.user-words清成空的 加上我的那六個
  這八個檔案一起放在testdata中 去執行第八步驟
  8. Try it
  Run “tesseract scan.tif output -l eng”
  The file “output.txt” is the result;

  最後卻產生如下的錯誤訊息
  Error: 11 classes in inttemp while unicharset contains 14 unichars.
  一開始訓練一個車牌(4567-ML)時的錯誤訊息是:
  Error: 4 classes in inttemp while unicharset contains 8 unichars
  後來再加一個車牌(0125-GF)產生的錯誤訊息是:
  Error: 10 classes in inttemp while unicharset contains 13 unichars.

  很長的問題!! 成心希望essoduke大 能幫忙回覆，萬分感恩呀~
  我的MSN是[email protected]
  如需任何幫忙… 也煩請吩咐~! 敬上!!新年快樂!!!~~~~~~~:)

• 洪健齡

  says:

  • 2010 年 02 月 02 日 at PM 3:01

  誠心

• 洪健齡

  says:

  • 2010 年 02 月 02 日 at PM 3:13

  Error: X classes in inttemp while unicharset contains Y unichars.
  (Where Y != X) There are 2 possibilities: X ~= Y, usually with X 0x56 0x78 0x12 0x13 or similar) will NOT work. Get a sensible hardware architecture, or retrain yourself. Then your inttemp will match the hardware.

• essoduke

  says:

  • 2010 年 02 月 02 日 at PM 9:43

  我訓練的方式是把所有字元組合成一張圖檔，所以步驟和您不太一樣 :D

  您有使用過 bbTesseract 編輯過您產生的訓練檔嗎？
  修正一下看看，可能包含了錯誤的字元

  —
  您也可以試著略過字典檔，畢竟車牌只是單純的英數字元。

• 洪健齡

  says:

  • 2010 年 02 月 03 日 at AM 9:05

  bbTesseract 我有用來修正BOX
  不知道您有沒有來訓練車牌呢?
  非常感謝!!
  Error: 10 classes in inttemp while unicharset contains 13 unichars.
  這個錯誤是什麼原因呢?

• 洪健齡

  says:

  • 2010 年 02 月 03 日 at PM 3:50

  大大您好:
  非常感謝您的熱心回覆!!!感激不盡…
  抱歉呀~有個問題 想要跟您請教請教…
  我是想要用這個來OCR 汽車車牌
  我把車牌剪下來 拿進去訓練
  步驟都和http://hi.baidu.com/sinomazing/blog/item/098e6f879dc05922c75cc372.html
  一樣
  我是用三個車牌0125-GF.tif, 4567-ML.tif, 7107-FR.tif
  產生了三個box(0125.box,4567.box,7107.box)
  並且進行』tesseract scan.tif junk nobatch box.train』; 生成三個訓練檔文件*.tr(0125.tr,4567.tr,7107.tr)
  然後Clustering 把三個tr檔給串在一起
  進行』mftraining 0125.tr 4567.tr 7107.tr』; 生成文件』inttemp』, 『pffmtable』 and 『Microfeat』(Not used)
  進行』cnTraining 0125.tr 4567.tr 7107.tr』;生成文件』normproto』;

  接著 進行』unicharset_extractor 0125.box 4567.box 7107.box』; 生成文件』unicharset』

  Dictionary Data
  接著Create two UTF-8 text file, 『frequent_words_list』 and 『words_list』, the words in the files should not be duplicated;
  Run 『wordlist2dawg frequent_words_list freq-dawg』
  Run 『wordlist2dawg words_list word-dawg』;
  This will generate two files, 『freq-dawg』 and 『word-dawg』;

  接著有一點點不太懂 7.Putting it all together
  All you need to do now is collect together all 8 files and rename
  them with a lang. prefix;
  File 『eng.DangAmbigs』 and 『eng.user-words』 could be empty;
  If create 『eng.DangAmbigs』 file, the characters must be exist in the
  『scan.box』;
  他是說我們直接拿原來預設的』eng.DangAmbigs』 and 『eng.user-words』和我們車牌訓練產生的六個 結合成八個
  放在一起嗎? 那』eng.DangAmbigs』 and 『eng.user-words』檔案要空的嗎? 還是用預設的呢? 或是要自己建呢?

  我是試過用原本內建的』eng.DangAmbigs』 and 『eng.user-words 然後其他六個改成我的 或是』eng.DangAmbigs』 and 『eng.user-words清成空的 加上我的那六個
  這八個檔案一起放在testdata中 去執行第八步驟
  8. Try it
  Run 『tesseract scan.tif output -l eng』
  The file 『output.txt』 is the result;

  最後卻產生如下的錯誤訊息
  Error: 11 classes in inttemp while unicharset contains 14 unichars.(4567-ML 0125-GF 7107-FR)
  一開始訓練一個車牌(4567-ML)時的錯誤訊息是:
  Error: 4 classes in inttemp while unicharset contains 8 unichars
  後來再加一個車牌(4567-ML 0125-GF)產生的錯誤訊息是:
  Error: 10 classes in inttemp while unicharset contains 13 unichars.

  很長的問題! 成心希望essoduke大 能幫忙回覆，萬分感恩呀~
  我的MSN是[email protected]
  如需任何幫忙…也煩請吩咐~! 敬上!!新年快樂!!!~~~~~~~:)

• essoduke

  says:

  • 2010 年 02 月 03 日 at PM 8:59

  就錯誤訊息來看，應該是 inttemp 含有 錯誤的 Unicode 字元。

  如果使用 bbTesseract 編輯過訓練檔，那應該是 UTF-8 格式沒錯，或是再使用 notepad++、PsPad 等編輯軟體將 BOX 再轉為 UTF-8 試試？

  您也可以將車牌圖檔 email 給我，我幫您測試看看

  essoduke [at] gmail [dot] com

  ※Tesseract 目前對於單色圖檔比較有效果

• Tesseract Win32 VC++ Rebuild Tutorial | 資訊與工作

  says:

  • 2012 年 01 月 29 日 at PM 11:49

  […] Tesseract Win32 VC++ Rebuild Tutorial – essoduke’s blog […]