Tesseract图文识别与百度AI

标题乍一看有点大，实则拾人牙慧，站在前人已有的成果上略做测试。Tesseract是开源的OCR引擎，作为开源项目发布在Google Project，其项目主页在这里查看 。它支持中文OCR，并提供了一个命令行工具。且对很多编程语言都有支持。百度AI是属于百度的商业产品，上面有人脸、图像、语音等各种识别服务。可以免费测试，一般一天500次调用。超出就要收费了。

一、安装使用

1、开源tesseract安装

1yum-config-manager --add-repo https://download.opensuse.org/repositories/home:/Alexander_Pozdnyakov/CentOS_7/
2yum update
3yum install tesseract
4yum install tesseract-langpack-deu

我使用的是centos对应的包，安装过程中可能会有安装不成功的提示，修改下yum源里对应的gpgcheck=0重试即可。安装完成后，默认自带有英文识别，如果需要进行中文识别，还要单独安装语言库，只有几十M大小，里面是常见汉字的识别码。官方也给出了安装方法：

1Various types of training data can be found on GitHub. Unpack and copy the .
2traineddata file into a 'tessdata' directory.
3The exact directory will depend both on the type of training data, and your Linux distribtion.
4Possibilities are /usr/share/tesseract-ocr/tessdata or /usr/share/tessdata or /usr/share/tesseract-ocr/4.00/tessdata.

字体库文件在：https://github.com/tesseract-ocr/tessdata 地址可以下载。

由于这里直接使用的命令方式测试，并使用第三方语言如python等进行调用。所以未安装pytesseract、pyocr等相关包。

2、百度AI图像识别

这个比较简单，我用的python的类库。在 页有调用文档。下载aip-python-sdk文件，解压后直接python setup install即可，也可以通过pip进行安装。

二、使用测试

1、英文识别

源文件如下（就是tesseract项目上的wiki文档）：

使用百度AI识别和tesseract 都十分精准，且速度都比较快。

相较而言，这里tesseract更有优势些，因为其不需要连网，库文件就在本地，百度AI实际需要网络传给百度再回调回来识别后的数据。

2、中文识别

源文件如下：

上面是随便从一本书上拍照的内容。使用百度AI识别结果如下：

再看下tesseract 自带的汉字库识别结果：

识别结果有点不正经吧，尿都识别出来了。而且汉字间都有空格的，基本是逐字识别的。

三、总结

baidu AI产品不做过多评论，商业应用产品，应用体验肯定没的说。而且其本身做搜索这些年，对汉字的单字、词句等经验积累比较多，其汉字库识别率，针对各种字体都有比较丰富的库。tesseract设计之初本就是针对英文的，而且英文识别比较容易，26个字母+数字+标占符号（没了吧，库小的不能再小了）。而汉字呢，常用字8000个不止吧，再加上一些生僻字，这个库文件大吧，后有各种不同的字体库，如宋体、黑体（虽然有些差别不大，但会有些许差别），这个库搞起来就有点麻烦了。但并不能就此说tesseract弱鸡（毕竟是市面上来说最牛X的开源文字识别软件了），其可以通过识别训练增加识别成功率，不过这个训练过程是比较痛苦的。

tesseract训练的文档可以参看如下两篇，后面有时间也会再搞下训练测试。

Tesseract-OCR识别中文与训练字库实例

开源OCR引擎Tesseract