JAVA识别身份证号码，H5识别身份证号码，tesseract-ocr识别（一）(转)

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*", ""); } } 

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); } }

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）