[关闭]
@xxzhushou 2018-01-09T09:49:26.000000Z 字数 3242 阅读 17875

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

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。

QQ20170706-151420.png-80.1kB

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:

QQ20170706-151944.png-52kB

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):

QQ20170706-152805.png-73.1kB

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:

QQ20170706-170827.png-29.6kB

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:

QQ20170706-170801.png-212.3kB

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

QQ20170706-155306.png-35.6kB

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

QQ20170706-154750.png-58.4kB

QQ20170706-160452.png-39.7kB

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:

QQ20170706-160521.png-38.8kB

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:

  1. tesseract num.font.exp0.tif num.font.exp0 nobatch box.train
  2. unicharset_extractor num.font.exp0.box
  3. mftraining -F font_properties -U unicharset -O num.unicharset num.font.exp0.tr
  4. cntraining num.font.exp0.tr
  5. rename normproto num.normproto
  6. rename inttemp num.inttemp
  7. rename pffmtable num.pffmtable
  8. rename shapetable num.shapetable
  9. 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:

QQ20170706-161210.png-129.1kB

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:

  1. -- 横屏home
  2. init("0", 1)
  3. -- 测试自定义字库
  4. local ocr, msg = createOCR({
  5. type = "tesseract",
  6. path = "res/", -- 自定义字库暂时只能放在脚本res/目录下
  7. lang = "num" -- 使用生成的num.traineddata文件
  8. })
  9. if ocr ~= nil then
  10. -- 测试1080p分辨率下的coc村庄资源获取
  11. local rect = {1528, 46, 1800, 76}
  12. local diff = {"0xffffff-0x0f0f0f"}
  13. local code, text = ocr:getText({
  14. rect = rect,
  15. diff = diff
  16. })
  17. if code == 0 then
  18. sysLog("recognize succeed: gold = " .. text)
  19. else
  20. sysLog("recognize failed: code = " .. tostring(code))
  21. end
  22. else
  23. sysLog("createOCR failed: " .. msg)
  24. end

测试输出结果:

  1. recognize succeed: gold = 4 908

IDE调试偏色和二值化效果

即将发布,敬请期待!

添加新批注
在作者公开此批注前,只有你和作者可见。
回复批注