背景介绍:
这段时间正在做一个流动人口管理项目,其中要求使用H5网页拍照识别身份证,当时就蒙圈了,这不是APP的功能吗?产品为了快速迭代一直把APP的功能往H5上堆砌,没办法只有想办法解决了。
查了一些资料,发现除了收费的OCR(百度、云脉等等)比较好的并支持中文的就只有tesseract了,当然我收费的OCR我也没测试。
暂时决定使用tesseract了。
思路介绍
我的思路是这样的:
由H5调用摄像头—–>拍照上传到服务端—->服务端识别身份信息—–>服务端返回身份信息。
关键点提高识别率
因为整张身份证的识别率太过让人失望,所以必须对身份证图片进行处理。
假设我们能把身份证上的关键信息截取下来,是不是可以提高OCR的识别率?
遵循这个假设开始测试。
安装tesseract-ocr
我是在windows下进行测试的,Linux安装大家可以参考这篇博客Linux安装tesseract-ocr
windows下比较简单,下载程序安装就好,其中需要语言包的可以在安装选项中选择下载中文语言包,默认只有英文的。我安装的版本是tesseract-ocr3.01-1
Tesseract下载地址
因为wall的原因,这个网址无法直接打开,你懂的,所以使用迅雷下载吧。复制链接地址到迅雷新建任务,可以的。
同意,下一步,选择语言包。我选了简体中文,但因为wall的原因没安装上!!!
中文的识别率太低了,这个大家也知道,结果跟产品扯了下皮,先做一版识别身份证号码的好了。这也是为什么我的标题是 识别身份证号码而不是识别身份信息了。
装完之后测试一下,找一个数字图片测试一下
进入图片目录 运行cmd tesseract 1.png result
tesseract 是命令
1.png 是图片
result 是需要生成结果的txt文档名,随便取
这结果令人堪忧啊。。
还好我们可以提高识别率的方法。
提高数字识别率,指定识别字符范围
找到安装目录下的tessdata\configs,打开其中的digits文件,使用文本编辑就好了。
我安装的在这个目录下
D:\Program Files (x86)\Tesseract-OCR\tessdata\configs\digits
你会看见下面这句话,我们只要识别数字那就只留下数字和X好了。
tessedit_char_whitelist 0123456789-.
改为
tessedit_char_whitelist 0123456789X
保存
这个时候再测试一下,不过命令需要变一下,后面加上digits
tesseract 1.png result digits
效果比较令人满意。
接下来就要使用Java调用识别命令了,其实很简单,就是使用java调用CMD命令。
使用java调用识别命令
import java.io.BufferedReader;
import java.io.File;
import java.io.FileInputStream;
import java.io.InputStreamReader;
import java.util.ArrayList;
import java.util.List;
/**
* Created by Gavin Wang on 16-3-3.
*/
public class Tesseract {
private final String LANG_OPTION = "-l";
private final String EOL = System.getProperty("line.separator");
/**
* 文件位置我防止在,项目同一路径
*/
private String tessPath = new File("tesseract").getAbsolutePath();
/**
* @param imageFile
* 传入的图像文件
* @param imageFormat
* 传入的图像格式
* @return 识别后的字符串
*/
public String recognizeText(File imageFile) throws Exception
{
/**
* 设置输出文件的保存的文件目录
*/
File outputFile = new File(imageFile.getParentFile(), "output");
StringBuffer strB = new StringBuffer();
List<String> cmd = new ArrayList<String>();
String os = System.getProperty("os.name");
if(os.toLowerCase().startsWith("win")){
cmd.add("tesseract");
}else {
cmd.add("tesseract");
}
// cmd.add(tessPath + "\\tesseract");
cmd.add(imageFile.getName());
cmd.add(outputFile.getName());
// cmd.add(LANG_OPTION);
// cmd.add("chi_sim");
cmd.add("digits");
// cmd.add("eng");
// cmd.add("-psm 7");
ProcessBuilder pb = new ProcessBuilder();
/**
*Sets this process builder‘s working directory.
*/
pb.directory(imageFile.getParentFile());
// cmd.set(1, imageFile.getName());
pb.command(cmd);
pb.redirectErrorStream(true);
Process process = pb.start();
// Process process = pb.command("ipconfig").start();
// System.out.println(System.getenv().get("Path"));
// Process process = pb.command("D:\\Program Files (x86)\\Tesseract-OCR\\tesseract.exe",imageFile.getName(),outputFile.getName(),LANG_OPTION,"eng").start();
// tesseract.exe 1.jpg 1 -l chi_sim
// Runtime.getRuntime().exec("tesseract.exe 1.jpg 1 -l chi_sim");
/**
* the exit value of the process. By convention, 0 indicates normal
* termination.
*/
// System.out.println(cmd.toString());
int w = process.waitFor();
if (w == 0)// 0代表正常退出
{
BufferedReader in = new BufferedReader(new InputStreamReader(
new FileInputStream(outputFile.getAbsolutePath() + ".txt"),
"UTF-8"));
String str;
while ((str = in.readLine()) != null)
{
strB.append(str).append(EOL);
}
in.close();
} else
{
String msg;
switch (w)
{
case 1:
msg = "Errors accessing files. There may be spaces in your image‘s filename.";
break;
case 29:
msg = "Cannot recognize the image or its selected region.";
break;
case 31:
msg = "Unsupported image format.";
break;
default:
msg = "Errors occurred.";
}
throw new RuntimeException(msg);
}
new File(outputFile.getAbsolutePath() + ".txt").delete();
return strB.toString().replaceAll("\\s*", "");
}
}
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
- 40
- 41
- 42
- 43
- 44
- 45
- 46
- 47
- 48
- 49
- 50
- 51
- 52
- 53
- 54
- 55
- 56
- 57
- 58
- 59
- 60
- 61
- 62
- 63
- 64
- 65
- 66
- 67
- 68
- 69
- 70
- 71
- 72
- 73
- 74
- 75
- 76
- 77
- 78
- 79
- 80
- 81
- 82
- 83
- 84
- 85
- 86
- 87
- 88
- 89
- 90
- 91
- 92
- 93
- 94
- 95
- 96
- 97
- 98
- 99
- 100
- 101
- 102
- 103
- 104
- 105
- 106
- 107
- 108
- 109
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 25
- 26
- 27
- 28
- 29
- 30
- 31
- 32
- 33
- 34
- 35
- 36
- 37
- 38
- 39
- 40
- 41
- 42
- 43
- 44
- 45
- 46
- 47
- 48
- 49
- 50
- 51
- 52
- 53
- 54
- 55
- 56
- 57
- 58
- 59
- 60
- 61
- 62
- 63
- 64
- 65
- 66
- 67
- 68
- 69
- 70
- 71
- 72
- 73
- 74
- 75
- 76
- 77
- 78
- 79
- 80
- 81
- 82
- 83
- 84
- 85
- 86
- 87
- 88
- 89
- 90
- 91
- 92
- 93
- 94
- 95
- 96
- 97
- 98
- 99
- 100
- 101
- 102
- 103
- 104
- 105
- 106
- 107
- 108
- 109
注释掉的内容大家都可删掉,是我测试的时候遗留的
下面是main方法
import java.io.File;
import java.io.IOException;
/**
* Created by Gavin Wang on 16-3-3.
*/
public class Start {
public static void main(String[] args) throws Exception {
Tesseract("/1.png");
Tesseract("/2.png");
Tesseract("/3.png");
Tesseract("/4.png");
Tesseract("/5.png");
Tesseract("/6.png");
}
private static void Tesseract(String fileString) throws Exception {
String filePath = Start.class.getResource(fileString).getFile().toString();
// processImg(filePath);
File file = new File(filePath);
String recognizeText = new Tesseract().recognizeText(file);
System.out.println(recognizeText);
}
}
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
- 1
- 2
- 3
- 4
- 5
- 6
- 7
- 8
- 9
- 10
- 11
- 12
- 13
- 14
- 15
- 16
- 17
- 18
- 19
- 20
- 21
- 22
- 23
- 24
有可能你执行出错,无法在XX目录执行 tesseract…..
这个时候重启一下电脑就好了,原因是环境变量没有在idea中生效。
测试结果如下,目前还是比较满意的
后记
识别就先到这告一段落吧,下一篇日志我们继续如何使用H5识别身份证号码。
对识别率提高的其他思考
其实对号码的识别我也想过做一些处理,比如把身份证的背景纹路去掉,只留下身份证的数字。变成下面这样的
但是我发现,处理之后时候有的识别率反而降低了,没研究过tesseract-orc的原理,不知为何这样识别率反而降低。希望大家能研究一下如何提高识别率在下面留言告诉我,多谢了。
第二篇如何使用H5识别身份证号码可以在我的博客地址找到http://blog.csdn.net/hiredme
(转自http://blog.csdn.net/hiredme/article/details/50894814)