java 图像识别OCR（一） tess4j

前段时间公司上面突然下来个需求，根据用户提供的身份证和营业执照图片，获取图片中的信息（就是姓名、身份证号、公司名称啥的），然后存入数据库。然后给的时间是两周，当时我就懵逼了，还好后面补了句尽量用免费的API。
虽然我内心是想直接用付费的，付费的肯定用着简单又舒服。但免费的也还是得先研究一下，在网上搜索了一圈，基本上只有tess4j这一个了。
直接上代码看效果了，老实说看了这么多资料对于tess4j我了解的还是不多。。。

pom依赖

<dependency>
    <groupId>net.sourceforge.tess4j</groupId>
    <artifactId>tess4j</artifactId>
    <version>4.5.2</version>
</dependency>

main

import net.sourceforge.tess4j.ITesseract;
import net.sourceforge.tess4j.Tesseract;
import net.sourceforge.tess4j.TesseractException;
import java.io.File;

public class test {
          
   
    public static void main(String[] args) {
          
   
        // 识别图片的路径（修改为自己的图片路径）
//        String path = "C:\Users\Tang\Desktop\图片\营业执照4.jpg";
        String path = "C:\Users\Tang\Desktop\图片\身份证3.jpg";
//        String path = "C:\Users\Tang\Desktop\图片\其他图片2.png";

        // 语言库位置（修改为跟自己语言库文件夹的路径）
        String lagnguagePath = "D:\tessdata";

        File file = new File(path);
        ITesseract instance = new Tesseract();

        //设置训练库的位置
        instance.setDatapath(lagnguagePath);

        //chi_sim ：简体中文， eng    根据需求选择语言库
        instance.setLanguage("thz");
        String result = null;
        try {
          
   
            long startTime = System.currentTimeMillis();
            result =  instance.doOCR(file);
            long endTime = System.currentTimeMillis();
            System.out.println("Time is：" + (endTime - startTime) + " 毫秒");
        } catch (TesseractException e) {
          
   
            e.printStackTrace();
        }

        System.out.println("result: ");
        System.out.println(result);
    }
}

这里需要注意修改的有几点

然后就是优化语言训练库了 参考了这篇文章也去试了一下。方法应该是可行的，但是应该需要大量的训练才能达到极高的准确度。（这篇文章里用的这种图片基本都还好，但是用到身份证和营业执照上，用训练的照片去识别都仍有差别，感觉是需要极大数据量才能减小误差了）。

开源API这条路暂时是走不通了。 研究研究付费的吧。

参考