OCR技术调研.docVIP

OCR技术调研 目 录 1. 调研目的 1 2. 技术选型 1 3. 技术介绍 1 4. 调研结论 1  调研目的 目前外购数据文档中，及爬取数据中都会带有大量图片数据，这类数据不容易存储及检 索，这就对图像文件进行分析处理，获取文字信息，放入全文索引库，丰富大数据知识库。 对OCR光学字符识别技术调研，就是为了找到一种合适的技术来实现这个需求。 技术选型 关于中文OCR，目前国内水平较高的有清华文通、汉王、尚书，其产品各有千秋，但是 都价值不菲。基于项目选型的几点要求：开源、免费、识别率高；所以选择了Tesseract的OCR引擎。 技术介绍 Tesseract的OCR引擎最先由HP实验室于1985年开始研发，至1995年时已经成为OCR 业内最准确的三款识别引擎之一。然而，HP不久便决定放弃OCR业务，Tesseract也从此尘封。数年以后，HP意识到，与其将Tesseract束之高阁，不如贡献给开源软件业，让其重焕新生－－2005年，Tesseract由美国内华达州信息技术研究所获得，并求诸于Google对Tesseract进行改进、消除Bug、优化工作。其通过不同的语言训练库可以支持多种语言(包括中文、日文)。 Tesseract目前已作为开源项目发布在Google Project，其项目主页在这里查看，其最新 版本3.0已经支持中文OCR，并提供了一个命令行工具。 调研结论 技术优势 开源 Tesseract的OCR引擎已作为开源项目发布在Google Project，是完全开源的。 多语言支持 通过不同的语言训练库可以支持多种语言(包括中文、日文)。 多平台支持 该项目目前支持Windows、Linux和Mac OS 等主流平台。 支持样本训练 可以通过jTessBoxEditor工具对样本进行训练，而生成语言文件供Tesseract使用，从而提高识别精确度。 技术缺陷 中文识别精度有限 Tesseract早期版本是不支持中文识别的，3.0版本之后开始支持中文，行距，字体等因素都会影响设别度。可以进行样本训练来提升精确度。 不支持API调用 作为一个引擎，Tesseract只提供命令行工具，只能通过命令行来调用，无法直接使用java调用API。 - I/1 - - 2/2 -