Question

我正在与python一起制作一个OCR系统，该系统从ID卡读取并提供图像的准确结果，但是由于tesseract读取的错误字符太多，因此无法提供正确的答案。我该如何训练tesseract，使其完美地读取ID卡并为我们提供正确和准确的详细信息，此外，我如何进入.tiff文件并使tesseract用于我的项目。

Answer 1

提高Pytesseract识别的步骤：

1）清洁图像阵列，以便仅包含文本（生成字体，不手写）。字母的边缘应无扭曲。 应用阈值（尝试不同的值）。同时应用一些平滑过滤器。我还建议使用Morfholofical开/关-但这仅是一个奖励。这是应该以数组形式https://i.ytimg.com/vi/1ns8tGgdpLY/maxresdefault.jpg

进入pytesseract识别的夸张示例

2）使用您想要识别的文本将图像调整为更高的分辨率

3）Pytesseract通常应该识别任何类型的字母，但是通过安装书写文字的字体，您的准确性将会大大提高。

如何在pytesseract中安装新字体：

1）以TIFF格式获取所需的字体

2）将其上传到http://trainyourtesseract.com/，并在您的电子邮件中接收经过训练的数据

3）将训练后的数据文件（* .traineddata）添加到此文件夹C：\ Program Files（x86）\ Tesseract-OCR \ tessdata

4）将此字符串命令添加到pytesseract重构函数中：

让我们说您有2种受过训练的字体：font1.traineddata和font2.traineddata
要同时使用两者，请使用此命令

txt = pytesseract.image_to_string（img，lang = 'font1 + font2'）

以下是用于测试您对网络图像的识别的代码：

import cv2
import pytesseract
import cv2
import numpy as np
import urllib
import requests
pytesseract.pytesseract.tesseract_cmd = 'C:/Program Files (x86)/Tesseract-OCR/tesseract'
TESSDATA_PREFIX = 'C:/Program Files (x86)/Tesseract-OCR'
from PIL import Image

def url_to_image(url):
    resp = urllib.request.urlopen(url)
    image = np.asarray(bytearray(resp.read()), dtype="uint8")
    image = cv2.imdecode(image, cv2.IMREAD_COLOR)
    return image

url='http://jeroen.github.io/images/testocr.png'


img = url_to_image(url)


#img = cv2.GaussianBlur(img,(5,5),0)
img = cv2.medianBlur(img,5) 
retval, img = cv2.threshold(img,150,255, cv2.THRESH_BINARY)
txt = pytesseract.image_to_string(img, lang='eng')
print('recognition:', txt)
>>> txt
'This ts a lot of 12 point text to test the\nocr code and see if it works on all types\nof file format\n\nThe quick brown dog jumped over the\nlazy fox The quick brown dog jumped\nover the lazy fox The quick brown dog\njumped over the lazy fox The quick\nbrown dog jumped over the lazy fox'

如何使用Tesseract训练基于Python的OCR，以训练不同的国民身份证？

1 个答案: