基于Tesseract_OCR文字识别的研究

曾 悦，马明栋

(1.南京邮电大学 通信与信息工程学院，江苏 南京 210003；2.南京邮电大学 地理与生物信息学院，江苏 南京 210003)

0 引 言

在二十世纪三十年代末，德国科学家Tausheck提出了OCR的概念[1]，并获得了OCR专利。之后美国科学家Handel也提出了利用技术进行文字识别[2]的想法。二十世纪六十年代，OCR技术首次被使用于生产实践中，至此第一批OCR系统诞生，其中Farrington3010最具有代表性[3]，但是运行速度慢且只能识别简单的字符。1996年，IBM公司的Casey和Nagy完成了中文字符识别系统的研发，采用模板匹配法能识别1 000个印刷体汉字[4]。

中国在二十世纪七十年代才开始在字符识别方面的研究，主要是常见的字符，比如数字、英文和汉字。1986年进入到一个实质性的阶段，虽然很多研究单位推出了一些中文OCR的产品，但由于识别率低，硬件设备成本高，运行速度慢等，未能达到实际要求。只有信息部门、新闻出版社等个别单位使用汉字识别软件。

到二十世纪九十年代，随着平台式扫描仪的普及，以及信息科学技术的发展，大大推动了该技术的发展，使得识别的速度、效率大大满足了用户的使用要求，并在学校、医院、企业等地方得到了广泛的应用。

Tesseract是一个OCR库，目前由Google赞助[5]。Tesseract是目前公认最优秀、最精确的开源OCR系统。除了极高的精确度，Tesseract也具有很高的灵活性。它可以通过训练识别出任何字体，也可以识别出任何Unicode字符[6]。

文中在分析了文字识别系统的需求后，结合相关技术和方法设计了一个基于Tesseract文字识别框架的文字识别系统，主要工作如下：