[笔记]Win10下编译Tesseract-OCR 4.0

Tesseract-OCR 4.0使用了LSTM网络,准确性相比3.x版本提升不少。
官网提供的安装包会提供一堆DLL,而我需要的是一个静态链接的exe文件,所以只能重新编译。

编译环境

  • Windows 10 专业版

  • Visual Studio 2017

需要选择开发桌面程序的相关组件,并选择英文。

  • cmake

我的cmake版本是3.13.2,貌似没它也行。

  • cppan

cppan官网下载CPPAN客户端,编译动态库时使用。

  • vckpg

下载vcpkg源码,使用管理员权限打开PowerShell,编译之。

> git clone https://github.com/Microsoft/vcpkg.git
> cd vcpkg

PS> .\bootstrap-vcpkg.bat
PS> .\vcpkg integrate install

编译Tesseract-OCR 4.0

PS> .\vcpkg install tesseract:x86-windows-static

如果需要64位的exe,将上面的x86换成x64即可。
如果发现某个组件下载失败,可以自行下载后,将文件放在vcpkg\downloads\目录下,然后重新运行上面的命令。
最后成功时,会得到exe文件在vcpkg\packages\tesseract_x86-windows-static\tools\tesseract\tesseract.exe

验证exe文件

PS> .\tesseract.exe --version
tesseract 4.0.0
 leptonica-1.76.0 (Jan  5 2019, 23:01:20) [MSC v.1916 LIB Release x86]
  libgif 5.1.4 : libjpeg 6b (libjpeg-turbo 1.5.3) : libpng 1.6.35 : libtiff 4.0.10 : zlib 1.2.11
 Found AVX
 Found SSE

使用Tesseract-OCR 4.0识别图片文件

将tesseract.exe拷贝到某个目录,然后在该目录之下建立tessdata目录,下载所需的语言库文件放在里面。
要识别简体中文,需要下载的是chi_sim_best.traineddatachi_sim_vert.traineddata文件。

举例要识别a.jpg文件,命令行如下:

> tesseract.exe a.jpg output -l chi_sim_best --oem 1

识别结果在output.txt文件内。

OpenMP

安装Visual C++ Redistributable 2015,就有了vcomp140.dll,以支持OpenMP。

编译动态库

如果想得到动态库,使用下面的命令:

cppan --build pvt.cppan.demo.google.tesseract.tesseract-master

中间出现错误,将equationdetect.cpp使用带BOM的UTF-8编码另存一下就解决了,最终生成的动态库文件如下:

pvt.cppan.demo.danbloomberg.leptonica-1.76.0.dll
pvt.cppan.demo.google.tesseract.libtesseract-master.dll
pvt.cppan.demo.google.tesseract.tesseract-master.exe
pvt.cppan.demo.jpeg-9.2.0.dll
pvt.cppan.demo.madler.zlib-1.2.11.dll
pvt.cppan.demo.openjpeg.openjp2-2.3.0.dll
pvt.cppan.demo.png-1.6.35.dll
pvt.cppan.demo.tiff-4.0.9.dll
pvt.cppan.demo.webp-0.6.1.dll
pvt.cppan.demo.xz_utils.lzma-5.2.4.dll

Tesseract训练工具

cppan官网下载CPPAN客户端,然后执行

cppan --build pvt.cppan.demo.google.tesseract-master

最后也没成功,部分报错如下:

Performing Test HAVE_DECL_DECL - Failed
...
error C2065: 'decl': undeclared identifier

不清楚原因是什么。


[更新于 2019-11-05]

上述流程可以应用于生成最新版的Tesseract,目前编译成功了 4.1.0

  • 可以使用VS2019 Commnunity版
  • 安装时需要选择使用C++的桌面开发,默认配置即可
  • 注意要包含Windows 10 SDK
  • 语言包要勾选English
posted @ 2019-01-06 02:32  ET民工[源自火星]  阅读(1880)  评论(0编辑  收藏