ocr識別開源軟件tesseract試用記錄

針對公司系統現場查驗場景中，須要用到拍照識別並查驗證件信息的需求。對其中關鍵的ocr開源軟件tesseract技術進行了簡單試用記錄。

一、新建一個winform測試項目，經過nuget搜索安裝tesseract的sdk。

二、去github下載語言包：https://github.com/tesseract-ocr/tessdata，分各類語言，下載英文（eng.traineddata）以及中文（chi_sim.traineddata）的，下載完成後放到測試項目的\debug\tessdata目錄下，注意只能是tessdata目錄，名字不能錯。

三、代碼以下：

using System;
using System.Collections.Generic;
using System.ComponentModel;
using System.Data;
using System.Drawing;
using System.IO;
using System.Linq;
using System.Text;
using System.Threading.Tasks;
using System.Windows.Forms;
using Tesseract;

namespace TestOCR
{
public partial class Form1 : Form
{
public Form1()
{
InitializeComponent();
}

/// <summary>
/// 加載圖片顯示到picturebox
/// </summary>
/// <param name="sender"></param>
/// <param name="e"></param>
private void button1_Click(object sender, EventArgs e)
{
if (openFileDialog1.ShowDialog() == DialogResult.OK && (openFileDialog1.FileName != ""))
{
pictureBox1.ImageLocation = openFileDialog1.FileName;
}
}

/// <summary>
/// 調用tesseract對所選圖片文字進行識別
/// </summary>
/// <param name="sender"></param>
/// <param name="e"></param>
private void button2_Click(object sender, EventArgs e)
{
using (TesseractEngine te = new TesseractEngine(Path.Combine(AppDomain.CurrentDomain.BaseDirectory, "tessdata"), "chi_sim+eng", EngineMode.Default))
{
using (var pix = PixConverter.ToPix(new Bitmap(pictureBox1.ImageLocation)))
{
var page = te.Process(pix);
string text = page.GetText();
this.textBox1.Text = text;
}
}
}
}
}

　　a、運行，選擇一個字少的，識別結果以下，能夠發現清晰的字大的地方，識別率還能夠，可是最下面一行就徹底變亂碼了：

 

 

　　b、換一張圖，從業資格證，格式比較複雜的，圖片清晰度已經很能夠了，可是識別結果基本不可用。

 

 　

四、由於手上其餘要跟的事情太多，沒有再進一步研究，基本結論以下：

　　a、這個東西要想達到實用的效果，還有不少事情要作，遠不是寫個demo那麼簡單。

　　b、咱們的場景過程：現場手機拍證件或者拍車牌—>上傳拍攝圖片，調用ocr服務識別—>針對識別出的特徵信息（證件號或者車牌號），調用對應的查驗接口—>返回相關信息。

　　c、分析：現場拍攝的圖片質量，會比測試使用圖片質量差不少（主要是清晰度、角度）。所以，實際咱們在識別以前，還須要對圖片進行不少的預處理來提升識別率，例如對圖片進行形狀校訂、對圖片進行去噪點、包括針對特定證件的特定位置進行識別排除干擾項、對識別語言包進行鍼對性的訓練等工做，有大量的工做要作。目前決定暫時再也不推動研究工做。建議直接使用市場中成熟大廠的產品。