这篇文章上次修改于 2181 天前，可能其部分内容已经发生变化，如有疑问可询问作者。

安装

tesseract

jTessBoxEditor

准备

需要收集大量文本图片，然后转换成tiff文件

使用工具 jTessBoxEditor 合并图片，打开 jTessBoxEditor.jar ，主菜单-Tools-Merge TIFF ，比如命名为custom.tif

生成box文件

$ tesseract custom.tif custom batch.nochop makebox

可以添加参数 -l

$ tesseract custom.tif custom -l eng batch.nochop makebox

这个eng的字库文件是tesseract自带的字库，也可以从这里下载需要的字库，其中的chi 开头的是中文字库，sim 是简体，tra 是繁体，还有带 vert ，字面意思是绿色的，相比之下文件大小差很多，但用上面的命令调用会报错，暂时不清楚这个文件是做什么用的，忽略。

下载的字库需要放到tesseract的安装目录，比如Mac的默认安装目录在/usr/local/Cellar/tesseract/3.05.02/share/tessdata/ ，从这里是可以看到自带的 eng.traineddata字库文件的。

上面命令生成了名为custom.box 的文件，它存放了识别出来的每个字和它对应的位置信息。

校准

使用工具 jTessBoxEditor 进行校准，切换到 Box Editor 标签，Open 选择custom.tif 文件，对每个文字进行校准，jTessBoxEditor 的操作不懂自行百度。

训练

$ tesseract  custom.tif custom  nobatch box.train

会生成文件 cuostom.tr

$ unicharset_extractor custom.box

会生成文件 unicharset

新建 font_properties 文件，文件格式如下

<fontname> <italic> <bold> <fixed> <serif> <fraktur>

比如我们的字体名叫custom ，后面描述样式 1 代表 是，0 代表 否，比如是粗体，没有其他样式

custom 0 1 0 0 0

继续训练和聚类

$ shapeclustering -F font_properties -U unicharset custom.tr
$ mftraining -F font_properties -U unicharset -O unicharset custom.tr
$ cntraining custom.tr

最后总共生成了5个文件，unicharset ，inttemp ，pffmtable ，shapetable ，normproto 。

修改5个文件的名称，加上前缀custom. ，custom.unicharset ，custom.inttemp ，custom.pffmtable ，custom.shapetable ，custom.normproto 。

合并

$ combine_tessdata custom.

会生成文件 custom.traineddata

测试

同样的，我们自己生成的字库，也要先放到 tesseract的安装目录，才能使用。

测试

$ tesseract test.jpg result -l custom

对图片 test.jpg 进行识别，使用我们自己训练出来的字库 custom ，结果存放在result 的文件中

总结

最后我训练出的custom 并不理想，还没有官方提供的 chi 字库识别率高，话又说回来，毕竟是官方这么多年来训练出的字库，不能同日而语，还有一点，font_properties 文件的配置也比较重要。

2018/9/22.

Dean.King

Beijing