训练Tesseract3字库可以提高Tesseract对特定字库的识别率。本文记录了我训练字库的详细步骤，字库训练完成后在Tesseract-OCR中成功调用，另外也记录了我在训练Tesseract3字库中遇到的问题点以及相应的解决方案。
1.训练Tesseract3字库准备工作
1.1 下载并安装Tesseract-OCR，我用的版本是Tesseract-OCR-3.02.02，下载地址http://tesseract-ocr.googlecode.com/files/tesseract-ocr-setup-3.02.02.exe(该链接已失效，tesseract的源码已搬迁至Github)
1.2 下载jTessBoxEditor，解压缩后点击jTessBoxEditor.jar即可使用。jTessBoxEditor运行需要java的环境，因此需要到官网下载并安装Java Runtime Environment,下载链接太长，这里就不贴了。
1.3 准备好待训练的字符图片。
2.训练Tesseract3字库的详细步骤
2.1 合并字符图片
jTessBoxEditor处理的是TIF格式的图片，所以如果待训练的字符图片不是tif格式的，我们需要手动将图片格式修正为tif。网络上很多攻略都说通过jTessBoxEditor菜单栏中Tools–>Merge TIFF可以将多张tif图片合并为一个文件，不过我用jTessBoxEditor合并时报错”Could’t seek!”，目前原因未知。
我使用的合并工具是TiffToy-v2.01。如果是20张图片，合并后会成为一个文件，该文件有1~20页分别对应1～20页图片，不是将这20张图片合并在同一张图片上哦。
2.2 打开cmd.exe，定位到合并图片所在路径，生成BOX文件
google对tesseract-ocr训练得到的字库文件有相应的命名规则，详细介绍可以参考https://code.google.com/p/tesseract-ocr/wiki/TrainingTesseract3#Putting_it_all_together。
tesseract [lang].[fontname].exp[num].tif[lang].[fontname].exp[num] batch.nochop makebox
其中lang为语言名称，fontname为字体名称，num为序号，这些字串并不一定要有其实际的意义。例如，我的字库图片名称为en.font.exp0.tif，生成box文件的命令行如下：
tesseract.exe en.font.exp0.tif en.font.exp0 batch.nochop makebox
2.3 用jTessBoxEditor校正字符
运行jTessBoxEditor，打开num.font.exp0.tif文件（必须将上一步生成的.box和.tif样本文件放在同一目录）。如下图所示，可以看出有些字符识别的不正确，可以通过该工具手动对每张图片中识别错误的字符进行校正，校正完成后保存即可。
2.4 生成字符特征文件（*.tr）
tesseract en.font.exp0.tif en.font.exp0 nobatch box.train
2.5 产生计算字符集
unicharset_extractor en.font.exp0.box
2.6 定义字体特征文件并聚集字符特征
在同一目录下新建一个名称为”font_properties”的txt文档，输入“font 0 0 0 0 0”并保存，删除“.txt”后缀。注意：这里font必须与训练名中”fontname”位置所在名称保持一致，这里全取值为0，表示字体不是粗体，斜体等等。
mftraining -F font_properties -U unicharset en.font.exp0.tr
2.7 生成字符形状正常变化特征文件normproto
cntraining en.font.exp0.tr
2.8 为unicharset,inttemp,normproto,pffmtable,shapetable添加前缀”font.”
2.9 合并训练文件
combine_tessdata font.
2.10 调用新的字库进行识别
将新生成的font.traindata文件拷贝到tesseract-OCR安装路径中的tessdata目录下，即可调用新的字库来进行识别，假设待识别图片与tessract-OCR在同一路径下，识别命令如下：
tesseract en.font.exp0.tif result -1 font
3.训练Tesseract3字库遇到的问题点与解决方案
训练Tesseract3字库步骤比较繁琐，若手动输入各种命令，其中任何一个环节出错都会导致余下的步骤出错。建议大家在正式开始训练之前，将所有的命令行按照自己的命名规则整理在一个文档上，然后依次拷贝到命令行中。
3.1 调用字库时出错：Tesseract Open Source OCR Engine v3.02 with Leptonica index >= 0 && index < size_used_:Error:Assert failed
这个是因为我在第2.8步中未将shapetable添加前缀，合并时虽然没有出错，但是调用新的字库时报错。第2.8步中5个文件均需要加前缀，缺一不可。
3.2 调用字库时报错：read params file:can’t open font
在调用新的字库时，命令行中”tesseract en.font.exp0.tif result -l font”的”l”是字母”L”的小写，而不是数字”1″。