參考文件：

http://my.oschina.net/lixinspace/blog/60124

http://blog.csdn.net/shuzui1985/article/details/8188993

https://code.google.com/p/tesseract-ocr/

http://blog.csdn.net/firehood_/article/details/8433077

http://blog.csdn.net/marvinhong/article/details/8459591

用tesseract進行簡單的驗證碼識別是可行的，但是其預設的識別檔案效果並不理想，所以需要針對你識別的目標專門進行訓練，然後使用訓練結果進行識別，識別率會大大提高的。

1，linux下安裝tesseract

下載tesseract-ocr：https://tesseract-ocr.googlecode.com/files/tesseract-ocr-3.02.02.tar.gz

下載leptonica（tesseract依賴於它）：http://www.leptonica.com/source/leptonica-1.70.tar.gz

下載eng語言識別檔案：https://tesseract-ocr.googlecode.com/files/tesseract-ocr-3.02.eng.tar.gz

先安裝leptonica：

$gunzip leptonica-1.70.tar.gz
$tar xvf leptonica-1.70.tar
$./configure
$make
$sudo make install
 

再安裝tesseract-ocr：

$gunzip leptonica-1.70.tar.gz
$tar xvf leptonica-1.70.tar
$./autogen.sh
$./configure
$make
$sudo make install

最後將tesseract-ocr-3.02.eng.tar.gz拷貝到/usr/local/share/tessdata下：

#cp  tesseract-ocr-3.02.eng.tar.gz /usr/local/share/tessdata
#cd /usr/local/share/tessdata
#gunzip tesseract-ocr-3.02.eng.tar.gz
#tar xvf tesseract-ocr-3.02.eng.tar
#mv tesseract-ocr/tessdata/*  .
 

找一張圖片來看看識別結果：

$tesseract 1.bmp out -l eng -psm 7

這裡out為輸出識別的結果檔案，會自動加上字尾.txt，-l指定識別的字型檔案，這裡是eng英文數字，對應/usr/local/share/tessdata/eng.traineddata，-psm表示單行文字識別（還有很多型別，具體看幫助吧），可以看到識別的結果很不理想。

2，訓練tesseract-ocr

由於訓練的軟體要求使用tif格式的檔案，但是我安裝的linux版本不支援tif的識別，只支援bmp圖片，所以先安裝一個windows版本的tesseract-ocr，而且我的系統中發現3.0.2版本的在mftraining這一步要出錯，所以採用了3.0.1版本的，下載地址：http://tesseract-ocr.googlecode.com/files/tesseract-ocr-3.01-win32-portable.zip

這個下載下來之後，不需要安裝，直接解壓就可以使用，不過要在系統PATH變數中增加路徑，還要增加環境變數TESSDATA_PREFIX，這個環境變數是tesseract的解壓路徑，但後面一定要加上“\”。

訓練步驟：

1，準備一些需要識別的目標圖片，應該能夠覆蓋所有需要識別的字元

2，然後轉化為tif格式，可以使用imagemagick的convert命令

3，合併多個tif檔案為一個，這裡需要用到一個軟體：

http://jaist.dl.sourceforge.net/project/vietocr/jTessBoxEditor/jTessBoxEditor-1.0.zip

解壓之後執行：jTessBoxEditor.jar

4，開啟“Tools－>Merge TIFF...”，選擇多個tif檔案，儲存為name.tif，所有下面的“name”，就是你所取的識別引擎檔案的名字，可以改成你自己的。

5，Make Box Files。在namt.tif所在的目錄下開啟一個命令列，輸入：

tesseract.exe name.tif name batch.nochop makebox

來生成一個box檔案，該檔案記錄了tesseract識別出來的每一個字和其位置座標。

6，使用jTessBoxEditor開啟name.tif檔案，需要記住的是第2步生成的name.box要和這個name.tif檔案同在一個目錄下。逐個校正文字，後儲存。

7，Run Tesseract for Training。輸入命令：

tesseract.exe name.tif name nobatch box.train

8，Compute the Character Set。輸入命令：

unicharset_extractor.exe name.box

9，新建檔案“font_properties”，並且輸入文字 :

name 0 0 0 0 0

大致意思就是說name這個語言的字型為普通字型。

並執行命令：

mftraining.exe -F font_properties -U unicharset name.tr

我使用3.0.2版本就是執行這一步時有問題，所以改成3.0.1版本的。

10，Clustering。輸入命令：

cntraining.exe name.tr

11，此時，在目錄下應該生成若干個檔案了，把unicharset, inttemp, normproto, pfftable這四個檔案加上字首“name.”。然後輸入命令：

combine_tessdata.exe name.

會顯示一個結果如：

Combining tessdata files 
TessdataManager combined tesseract data files. 
Offset for type 0 is -1 
Offset for type 1 is 108 
Offset for type 2 is -1 
Offset for type 3 is 1660 
Offset for type 4 is 327545 
Offset for type 5 is 327781 
Offset for type 6 is -1 
Offset for type 7 is -1 
Offset for type 8 is -1 
Offset for type 9 is -1 
Offset for type 10 is -1 
Offset for type 11 is -1 
Offset for type 12 is –1

必須確定的是第2、4、5、6行的資料不是-1，那麼一個新的字典就算生成了。
此時目錄下“name.traineddata”的檔案拷貝到tesseract程式目錄下的“tessdata”目錄。
以後就可以使用該該字典來識別了，例如：

tesseract.exe test.jpg out –l name -psm 7

將生成的檔案name.traineddata拷貝到linux相應的目錄下，一樣可以使用，整個訓練過程最麻煩的就是使用jTessBoxEditor進行文字的校正，需要非常耐心，這樣識別結果就會大大提高。