如何使用Tesseract-OCR(v3.02.02)训练字库

叉叉脚本 ocr

为什么要训练字库

从脚本引擎v1.8.00起，叉叉正式支持Tesseract-OCR(v3.02.02)识别，并且内置了一个轻量的默认字库，但很多小伙伴反映内置字库识别率低，外置下载字库又太大了，使用起来不能顺心。

幸好Tesseract识别支持自己训练的字库，自己训练出来的字库一般具有轻量、有针对性、识别率高的特点，那么本教程就手把手教你如何制作适合自己脚本的字库文件，并且如何用IDE工具调试偏色保证识别效果。

准备工作

• 下载Tesseract-OCR官方命令行工具：https://sourceforge.net/projects/tesseract-ocr-alt/files/tesseract-ocr-setup-3.02.02.exe/download 下载完成后安装，安装完成后，打开cmd命令行，输入tesseract -v，如果安装成功，将会出现这样的提示界面：
  

• 下载jTessBoxEditor：https://osdn.net/projects/sfnet_vietocr/downloads/jTessBoxEditor/jTessBoxEditor-1.5.zip/ 下载完成后解压即可。

训练字库

准备字体图片tif文件

字体图片有两种主要获取方式，适用不同的字库制作需要：

方法一：获取游戏字体文件

一般游戏字体文件分两种，一种是直接加载ttf等标准字体文件，另一种是使用bmfont，也就是图片（一般是png）加额外的配置文件来加载字体。后者一般是用于少数的字体展示，例如数字0-9、字母a-Z。

某游戏的bmfont字体文件，本质上就是一张png图片，加plist配置文件

不论是哪种，目标依然是要将这些字体文件转换成一张tif图片，如果是bmfont类型直接用转换工具例如PS导出tif格式即可（图片处理成白底黑字），这里讨论ttf格式的制作办法。

以部落X突为例，对apk包进行解压缩，可以在assets/font目录下发现一个熟悉的字体文件Supercell-Magic_5.ttf：

这个正是游戏里普遍使用的英文数字字体文件，打开并安装字体文件到PC，然后打开PS，随便新建一个合适大小的纯白底色图片，然后选择文本框将0-9数字输入（如果需要识别其他符号例如.、:，也可一并输入，英文字符同理）：

注意事项：安装字体后，选择对应的字体，底图需要纯白，字体颜色为纯黑。另外底图尺寸不要太小，字体大小适中即可。

最后PS导出图片选择TIFF格式，即可得到游戏的字体图片tif文件。

方法二：游戏内截图

这个方法适用于无法获得游戏资源文件（加密或经过压缩处理等），或者每次展现的字体都有区别的情况（游戏内提示的验证码、手写字体等）。

基本原理是将出现的字符图片尽量可能多的截图并收集起来，最终通过处理拼成一张白底黑字的大图，例如某游戏的验证码：

通过对数字部分的截取和分割，由大量验证码数字组成新的tif图片：

一个重要原则是，尽量使用分辨率较高的tif图片制作字库，同时保证tif图片里字体展示清晰，这样生成的字库识别率会更高。

生成box文件

准备好字体图片tif文件后，可以开始正式制作我们识别用的字库了。第一步是先生成box文件，为了统一起见，将上面得到的tif文件，命名为num.font.exp0.tif，在cmd中切换到tif文件所在目录，然后输入以下命令行：
tesseract num.font.exp0.tif num.font.exp0 batch.nochop makebox

命令可能会产生一些warning输出，属于正常现象，可以忽略。

命令执行成功的话，同目录下会生成num.font.exp0.box文件；否则，请确认命令是否正确输入。

使用jTessBoxEditor工具修正（可选）

box文件本质上就是一堆配置信息，记载了字符和字符在tif文件中的框选位置信息。这一步是可选的，熟悉流程操作后可以直接用编辑器打开上一步产生的box文件直接修改，这里借助jTessBoxEditor工具确认。

直接双击运行jTessBoxEditor目录下的train.bat文件运行java程序，然后点击Box Editor窗口，点击Open加载tif文件。

如果jTessBoxEditor没有运行起来，尝试直接在cmd中切换到解压目录后，输入命令行启动：java -jar jTessBoxEditor.jar

默认生成的box不一定可靠，这里数字0、1、6识别成字母O、l、E了，需要手动修改。

加载box文件可以发现有三个字符默认识别错误了，需要进行修改，直接点击对应错误的字母，替换正确数字即可：

确认框选位置没有错误，对应字符也正确的情况下，点击save按钮完成box修正。

打包字库文件

打包字库需要一个额外文件font_properties，这个文件指定字库的样式，每一行格式是：
<font-name/字体名称> <italic/斜体> <bold/粗体> <fixed/等宽体> <serif/衬线体> <fraktur/尖角体>
其中italic、bold、fixed、serif和fraktur用1/0代表是/否，例如：timesitalic 1 0 0 1 0

在这里，不需要特殊设置，直接创建一个font_properties文件，填写font 0 0 0 0 0即可。

接下来无技术含量，撸起袖子就是依次输入：

tesseract num.font.exp0.tif num.font.exp0 nobatch box.train
unicharset_extractor num.font.exp0.box
mftraining -F font_properties -U unicharset -O num.unicharset num.font.exp0.tr
cntraining num.font.exp0.tr
rename normproto num.normproto
rename inttemp num.inttemp
rename pffmtable num.pffmtable
rename shapetable num.shapetable
combine_tessdata num.

这段命令也可以直接保存成.bat文件，后续修改tif或者box文件后直接运行.bat文件即可重新生成字库文件。

注意期间有没有错误输出（注意关键词error），附正确生成的流程示例：

如无意外，本地下即可看到num.traineddata文件，就是我们使用自定义字体图片tif文件训练得到的字库文件了。

脚本加载使用

生成的自定义字库可以在叉叉中直接使用，将num.traineddata文件放到xsp工程的res/目录下，测试代码示例：

-- 横屏home右
init("0", 1)
-- 测试自定义字库
local ocr, msg = createOCR({
    type = "tesseract",
    path = "res/", -- 自定义字库暂时只能放在脚本res/目录下
    lang = "num" -- 使用生成的num.traineddata文件
})
if ocr ~= nil then
    -- 测试1080p分辨率下的coc村庄资源获取
    local rect = {1528, 46, 1800, 76}
    local diff = {"0xffffff-0x0f0f0f"}
    local code, text = ocr:getText({
        rect = rect,
        diff = diff
    })
    if code == 0 then
        sysLog("recognize succeed: gold = " .. text)
    else
        sysLog("recognize failed: code = " .. tostring(code))
    end
else
    sysLog("createOCR failed: " .. msg)
end

测试输出结果：

recognize succeed: gold = 4 908

IDE调试偏色和二值化效果

即将发布，敬请期待！