ocr识别开源软件tesseract试用记录
针对公司系统现场查验场景中，需要用到拍照识别并查验证件信息的需求。对其中关键的ocr开源软件tesseract技术进行了简单试用记录。
1、新建一个winform测试项目，通过nuget搜索安装tesseract的sdk。
2、去github下载语言包：https://github.com/tesseract-ocr/tessdata，分各种语言，下载英文（eng.traineddata）以及中文（chi_sim.traineddata）的，下载完成后放到测试项目的\debug\tessdata目录下，注意只能是tessdata目录，名字不能错。
3、代码如下：
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>
/// 加载图片显示到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>
/// 调用tesseract对所选图片文字进行识别
/// </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、运行，选择一个字少的，识别结果如下，可以发现清晰的字大的地方，识别率还可以，但是最下面一行就完全变乱码了：
b、换一张图，从业资格证，格式比较复杂的，图片清晰度已经很可以了，但是识别结果基本不可用。
4、因为手上其他要跟的事情太多，没有再进一步研究，基本结论如下：
a、这个东西要想达到实用的效果，还有很多事情要做，远不是写个demo那么简单。
b、我们的场景过程：现场手机拍证件或者拍车牌—>上传拍摄图片，调用ocr服务识别—>针对识别出的特征信息（证件号或者车牌号），调用对应的查验接口—>返回相关信息。
c、分析：现场拍摄的图片质量，会比测试使用图片质量差很多（主要是清晰度、角度）。因此，实际我们在识别之前，还需要对图片进行很多的预处理来提高识别率，例如对图片进行形状校正、对图片进行去噪点、包括针对特定证件的特定位置进行识别排除干扰项、对识别语言包进行针对性的训练等工作，有大量的工作要做。目前决定暂时不再推进研究工作。建议直接使用市场中成熟大厂的产品。
