图像识别验证码识别神器Tesseract

发表于 | 分类于 | 阅读次数:

Tesseract简介

tesseract是一个图像识别库，底层是用C++写的，tesseract支持unicode编码，能够识别100多种语言；
Tesseract支持各种输出格式：纯文本，特殊（html），pdf，tsv，仅隐形文本pdf

  • tesseract历史:
    Tesseract最初是在1985年至1994年间在Hewlett-Packard Laboratories Bristol和Greeley Colorado的Hewlett-Packard Co开发的，1996年又进行了一些更改以移植到Windows，并在1998年开始使用一些C ++。2005年，Tesseract开放了 惠普采购。 自2006年以来，它由谷歌开发。
  • 版本：
    最新的稳定版本是3.05.01，于2017年6月1日发布。最新的3.05源代码可从GitHub上的3.05分支获得。
    新的基于LSTM的4.0版本的源代码可从GitHub上的主分支获得。 请注意，该分支正在积极开发中。
    tesseract官网地址
  • tesseract可以用来识别图像和验证码，自带的命令可以识别数字字母等，准确率很高，需要中文和其他语言可以自行下载相关的语言库，如果想要再次提高准确率可以抽取足够多的样本，然后自己训练，本人做的电话号码和邮箱的识别库准确率可以接近99%;

安装

1
2
3
4
5
6
7
8
9
# mac brew install
sudo brew install tesseract

# ubuntu 
sudo apt update && sudo apt install tesseract-ocr
# 安装语言包：
sudo apt-get install tesseract-ocr-[lang] # lang是语言
# 下载所有语言包:
sudo apt-get install tesseract-ocr-all
  • 当然也可以直接到代码库里面直接下载语言库：语言库网址, 下载*.traineddata文件放到本地语言库目录，mac下是:/usr/local/share/tessdata，ubuntu下是:/usr/share/tesseract-ocr/4.00/tessdata/

运行

安装成功以后执行tesseract如下图
tesseract cmd

  • 注意一下

-psm: 参数是指定文本模式，如果是单行文本可以指定为6，
-l: 参数指定识别使用的语言库，如eng，

  • 查看当前可用语言库：

    1
    2
    3
    4
    5
    ➜  ocr git:(develop) tesseract --list-langs                                    
    List of available languages (10):
    chi_sim         # 简体中文库
    live10          # 自己训练的语言库
    eng             # 英文库

  • 识别英文例子：
    ![例子图片]](/uploads/tesseract/tesseract-sample.png)
    识别以后：
    ![识别后]](/uploads/tesseract/tesseract-recognize.png)

  • 识别中文：
    ![例子图片]](/uploads/tesseract/tesseract-ch.png)

![例子图片]](/uploads/tesseract/tesseract-ch-r.png)

  • 准确率还是很高的，中文是识别出很多空格，可以自行处理一下
  • 下次会分享如何手动训练自己的语言库，敬请期待