1

我正在尝试按照此处找到的说明训练 tesseract（添加新的仅数字字体）：http ://code.google.com/p/tesseract-ocr/wiki/TrainingTesseract3

我做了什么：

  1. 使用示例文本创建了一个 PDF，转换为 tif，运行tesseract num.dot.exp0.tif num.dot.exp0 batch.nochop makebox digits. 然后编辑生成的box文件，纠正错误检测
  2. Ran tesseract on training mode:tesseract num.dot.exp0.tif num.dot.exp0 nobatch box.train并提取了 unicharsetunicharset_extractor num.dot.exp0.box
  3. 创建了 font_properties 文件：echo "num.dot.exp0 0 0 0 0 0" > font_properties

到目前为止一切正常，.box 和 unicharset 文件正确，生成了 num.dot.exp0.tr。

然后我跑了shapeclustering -F font_properties -U unicharset num.dot.exp0.tr，得到以下错误：

    读取 num.dot.exp0.tr ...

    *** 检测到 glibc *** shapeclustering：双重释放或损坏（！prev）：0x098c52e0 ***
    ======= 回溯：=========
    /lib/i386-linux-gnu/libc.so.6(+0x75ee2)[0x82eee2]
    /usr/lib/i386-linux-gnu/libstdc++.so.6(_ZdlPv+0x1f)[0x77d51f]
    /usr/lib/i386-linux-gnu/libstdc++.so.6(_ZdaPv+0x1b)[0x77d57b]
    shapeclustering(_ZN13GenericVectorIiE5clearEv+0x8b)[0x8050949]
    shapeclustering(_ZN13GenericVectorIiED1Ev+0x2b)[0x805056b]
    /usr/lib/libtesseract.so.3(_ZN9tesseract17TrainingSampleSet14SetupFontIdMapEv+0x137)[0x488699]
    /usr/lib/libtesseract.so.3(_ZN9tesseract17TrainingSampleSet22OrganizeByFontAndClassEv+0x22)[0x48823c]
    /usr/lib/libtesseract.so.3(_ZN9tesseract13MasterTrainer24ReplaceFragmentedSamplesEv+0x1d7)[0x477ebd]
    /usr/lib/libtesseract.so.3(_ZN9tesseract13MasterTrainer15PostLoadCleanupEv+0x47)[0x47587b]
    形状聚类[0x804e2b9]
    shapeclustering(main+0x5f)[0x804cb13]
    /lib/i386-linux-gnu/libc.so.6(__libc_start_main+0xf3)[0x7d24d3]
    形状聚类[0x804ca21]
    (...)
    00cba000-00cc1000 rw-p 0039c000 08:01 4465015 /usr/lib/libtesseract.so.3.0.2
    00cc1000-00d5c000 rw-p 00000000 00:00 0
    00ef8000-00f22000 r-xp 00000000 08:01 4211867 /lib/i386-linux-gnu/libm-2.15.so
    00f22000-00f23000 r--p 00029000 08:01 4211867 /lib/i386-linux-gnu/libm-2.15.so
    00f23000-00f24000 rw-p 0002a000 08:01 4211867 /lib/i386-linux-gnu/libm-2.15.so
    08048000-08056000 r-xp 00000000 08:01 4464615 /usr/bin/shapeclustering
    08056000-08057000 r--p 0000d000 08:01 4464615 /usr/bin/shapeclustering
    08057000-08058000 rw-p 0000e000 08:01 4464615 /usr/bin/shapeclustering
    093c5000-094cf000 rw-p 00000000 00:00 0 [堆]
    b779a000-b77a0000 rw-p 00000000 00:00 0
    b77b6000-b77ba000 rw-p 00000000 00:00 0
    bfb6c000-bfb8d000 rw-p 00000000 00:00 0 [堆栈]
    中止（核心转储）

然后创建一个空的 shapetable。

我做错了什么吗？关于为什么会发生这种情况的任何线索？

我正在使用 tesseract 3.02

4

2 回答 2

2

我设法找出问题所在。我应该使用echo "dot 0 0 0 0 0" > font_properties而不是echo "num.dot.exp0 0 0 0 0 0" > font_properties

之后 shapeclustering 工作正常。它需要 font_properties 上的真实字体名称，而不是完整名称（在我的例子中是“点”）。

于 2013-06-10T21:14:19.357 回答
0

我遇到了同样的问题，但通过验证 font_properties 文件中的字体名称应与 eng.Imagefile.tr 中的相同找到解决方案。

echo "NewFont 0 0 0 0 0" > font_properties
shapeclustering -F font_properties -U unicharset eng.Imagefile.tr
mftraining -F font_properties -U unicharset -O eng.unicharset eng.Imagefile.tr
于 2016-09-05T10:48:39.153 回答