开源OCR引擎Tesseract-OCR简介

这两天需要识别一些图像上的文字，在网上搜索了一下开源的OCR引擎，发现了Tesseract-ocr。它最早是HP开发的，在停滞了差不多10年后，于06年开源出来，目前是google在维护，可以说是too old了。项目首页是http://code.google.com/p/tesseract-ocr/

看了一下它的文档，发现识别效果也是一般，似乎OCR方面的开源实现和商业产品相比，还有很大的距离。不过对于我的应用场景来说，Tesseract已经够用了。我主要是识别一些书写非常规范的数字和英文。

Tesseract使用C++开发，提供了一系列函数，在官网上还能下载到编译好的应用程序供测试。理论上Tesseract能够识别各种语言和符号，前提是你需要有对应语言的数据文件，官网上也可以下载到一些，例如英文、法文德文等，但没有中文。如果没有对应的语言数据文件，或者你对识别效果有特殊要求，你还以对它进行训练，通过提供图像文件和识别结果文件(box文件)，Tesseract能够进行学习。

Tesseract能够读取tiff文件，可以是单色或者灰度的，但只能是非压缩格式的。如果需要读取压缩格式的tiff，需要依赖libtiff，然后重新编译。在Windows平台下，还支持bmp文件，效果不错。

简单试用了一下发现，对英文和数字的识别率还算可以，前提是书写得比较正规，对于一些简单的校验码也能够识别得七七八八。不过另外尝试了一比较变态的校验码（扭曲得比较厉害的），发现几乎无法识别，看来用它实现Anti-CAPTCHA还是有困难，不知道增加一些图像预处理过程会不会好的。另外，识别的速度好像有点慢，对于一个1千个单词左右的BMP文件，花费大约9秒钟时间。

过两天正式应用一下，如果发现还行，再详细介绍一下它。