![使い方
コマンドラインで実行
Usage: tesseract imagename outputbase [-l lang] [configfile [[+|-]varfile]...]
入力画像 出力ファイル 言語 設定ファイル
例：
tesseract input.bmp result -l jpn
画像どう しのマッチング 日本語
input.bmp result.txt](https://image.slidesharecdn.com/tesseractocr-110719234541-phpapp02/85/Tesseract-ocr-10-320.jpg)
![文字認識の結果例（英語）
1 Introduction
There has been a steady increase in the performance of object category detection as measured bythe
annual PASCAL VOC challenges [3]. The training data provided for these challenges specifies if an
object is truncated » when the provided axis aligned bounding box does not cover the full extent of
the object. The principal cause of truncation is that the object partially lies outside Lhe image area.
Most participants simple disregard the truncated training instances and learn from the non-truncated
ones. This is a waste of training material, but more seriously many truncated instances are missed
in testing, signilicantly reducing the recall and hence decreasing overall recognition performance.](https://image.slidesharecdn.com/tesseractocr-110719234541-phpapp02/85/Tesseract-ocr-11-320.jpg)
Tesseract ocr
- 1. オープンソースの文字認識ライブラリ Tesseract OCRに触ってみた id: takmin
- 2. 背景 お客様からたまに、携帯カメラで文字認識したいという相 談をうける。 AR的に認識した文字に合わせた動画や３次元モデルを 表示するなどをしたい。 特定物体認識では賞品のパッケージは認識できても、 個別の製品番号まで認識できない。 製品番号まで認識出来れば、より強力なマーケティングツー ルになる というわけで、何か使えるものがないか調べてた Tesseract OCR
- 3. Tesseract OCRとは？ http://code.google.com/p/tesseract-ocr/
- 4. Tesseract OCRとは？ オープンソースのOCR（光学文字認識）エンジン 認識可能な言語 日本語含む、３０ヶ国語以上 歴史 1984年－1994年 Hewlett Packard にて研究・開発 1995年 UNLV Accuracy Testでトップ３に入る 2005年 オープンソース化 現在のスポンサーはGoogle Google Booksで使うため？
- 5. Tesseract OCRとは？ 最新バージョン3.0 （2010年9月） Apache 2.0ライセンス 使用言語：C++ 動作確認プラットフォーム Ubuntu Windows Mac OSやその他のLinuxでも動く（正式なテストはしてな い） ドキュメントの充実度はいまいち、、、
- 6. Tesseract OCRとは？ 関連プロジェクト OCROPUS http://code.google.com/p/ocropus/ レイアウトも含めた文書解析システム Tesseract OCRの機能を使用 開発はあまり活発ではない模様 最後のリリースが2009年5月 Tesseract OCR3.0からレイアウト解析が加わったので、ど う住み分けをしていくのか要注目
- 7. インストール方法概要 Google Codeから各プラットフォーム用のファイルをダウンロード http://code.google.com/p/tesseract-ocr/downloads/list
- 8. インストール方法概要 Windowsの場合 バイナリだけ欲しい場合は、インストーラをダウンロードしてイ ンストール インストール途中、コンポーネントを選ぶように指示されるの で、英語以外の認識をしたい場合は、ここでパッケージを選択
- 9. フォルダ構成 指定した場所に以下のようなフォルダ構成でインストー ルされる。 インストールフォルダ。ここにtesseract.exeが置かれる。 ReleaseNoteやReadmeなど 各言語のデータ 設定ファイル 設定ファイル 言語データ訓練用実行ファイル群 ここでは実行ファイル形式で提供されている。 ライブラリで欲しい場合は、ソースをダウロードしてコンパイルする必要。
- 10. 使い方 コマンドラインで実行 Usage: tesseract imagename outputbase [-l lang] [configfile [[+|-]varfile]...] 入力画像 出力ファイル 言語 設定ファイル 例： tesseract input.bmp result -l jpn 画像どう しのマッチング 日本語 input.bmp result.txt
- 11. 文字認識の結果例（英語） 1 Introduction There has been a steady increase in the performance of object category detection as measured bythe annual PASCAL VOC challenges [3]. The training data provided for these challenges specifies if an object is truncated » when the provided axis aligned bounding box does not cover the full extent of the object. The principal cause of truncation is that the object partially lies outside Lhe image area. Most participants simple disregard the truncated training instances and learn from the non-truncated ones. This is a waste of training material, but more seriously many truncated instances are missed in testing, signilicantly reducing the recall and hence decreasing overall recognition performance.
- 12. 文字認識の結果例（日本語） 轄 画灘の局F卿な特微を 手かかりとして操す 主要な特定物体認言哉アヌレゴゴJ ズムでは、 剛象 の中から と く に特徴的なテク スチヤ部分(局所 特徴量) をい く つ も抜き 出 して、 それを手がか り に画像どう しのマ ツ チ ン グを行っ ていますo 局所特徴量 を 用し 丶た特定物体認識は、 画像デ ー タぺースを框築するフェーズと クエリ となる 画像を投げて、 マ ッ チする画像をデー タべース から検索するフエーズの2つブpらなりますc デー 夕べ・-スの椿築と画像による検索は、 それぞれ 次の流れで行v丶ますo
- 13. 認識する文字を制限する場合 例えば認識対象は「数字だけ」だと分かっている場合、 以下のような設定ファイルを用意する digits.txt tessedit_char_whitelist 0123456789 パラメータ 値 コマンド： tesseract input.bmp result digits.txt
- 14. 文字認識の結果例（デジカメ画像） デジカメ画像 通常の結果 |r§23ossu11 数字に限定 17923055011
- 15. デジカメ用二値化プログラムを実装してみた デジカメ画像 二値化画像 認識結果（数字限定無し） 1923055019058
- 16. アルゴリズム概要 アルゴリズムについては、以下の資料を参照 Ray Smith, “An Overview of the Tesseract OCR Engine”, O„Reilly Open Source Convention (OSCON), 2007 http://tesseract-ocr.googlecode.com/svn/trunk/doc/tesseracticdar2007.pdf http://tesseract-ocr.googlecode.com/files/TesseractOSCON.pdf 2007年当時のものなので、色々変更になっている可能性 あり 1995年当時のアルゴリズムがほとんど
- 17. アルゴリズム概要（前処理）
- 18. アルゴリズム概要（前処理） Adaptive Thresholding 適応的二値化 Line Finding テキストラインの検出 おおまかなテキスト領域の抽出は完了しているという前提 文字が横方向に並行して並んでいるものとして、blobをテキス トラインに割り当てる
- 19. アルゴリズム概要（前処理） Baseline Fitting 検出したテキストラインに対して、ベースラインを２次スプライ ン曲線で当てはめる ページの湾曲に対応するため 上からアセンダーライン、ミーンライン、ベースライン、ディセンダーラ インが平行に引かれる。 ベースラインフィッティングの例 一番上の黒いラインは直線
- 20. アルゴリズム概要（前処理） Word Finding まず、文字のピッチが均等かどうかを判断 ピッチが一定なら、等間隔で文字を分割して、単語を抽出 ピッチが均等でない、イタリック体などBounding Boxが重なる などの場合、単語の分割は”Word Recognition”処理で行う
- 22. アルゴリズム概要（Word Recognition） Polygonal Approximation Blobを多角形近似する Chopping Jointed Characters 文字認識の結果、Confidenceの低い領域の分割を試みる 凹んだ頂点を候補とし、Confidenceが高くなるよう分割
- 23. アルゴリズム概要（Word Recognition） Associating Broken Characters Chopping処理後、今度は壊れた文字断片をつないでいく。
- 24. アルゴリズム概要（Character Classifier） Features and Matching 輪郭の断片を特徴として使用 プロトタイプとのマッチングを取る
- 25. その他 tesseract OCRを組み込んだGUI付きのソフトも取得可能 新しいフォントや言語を学習させることが可能 アルゴリズムの内部状態を見るためのデバッグツールを 取得可能 17923055011 デバッグツール
- 26. 結論 英語の精度は良い。 日本語の精度はいまいちだが、用途によっては使い道 はある気がする。 携帯カメラからの入力に対してはなんらかの補正プログ ラムを作成する必要がある。 文書処理やシーン解析研究の補助ツールとして使える かもしれない？