减少 Tesseract OCR 执行时间

Question

我使用 Tesseract 制作了一个光学字符识别程序，但是它的运行速度比预期的要慢。我使用我在 github 上找到的 ocrb 训练数据，我相信创建自己的训练数据更小会提高执行速度。我对 OCR 比较陌生，所以你有什么提高时间效率的技巧吗？也许是 Pix 的替代品？

在我的电脑上它的运行时间是 0.1 秒，如果它低于 0.066 就完美了。这是我的功能：

 std::string imageToText() {

    tesseract::TessBaseAPI api;
    api.Init("./tessdata", "ocrb_int");
    Pix* image = pixRead("randommrz.jpg");
    api.SetImage(image);

    return api.GetUTF8Text();
}

我也知道缺乏垃圾收集

Answer 1

如果您对提高速度感兴趣，则必须衡量每一步和整个过程。这可以让您更好地了解可能发生的情况：

1. tesseract 初始化 - 较小的数据 (ocrb_int) 会有所帮助，但磁盘访问是有限的（例如访问 tesseract 库）。此外，删除一些 tesseract 功能可能会减小 tesseract 的大小 - 在互联网上搜索）
2. 图像加载 - 磁盘访问和图像大小是您的限制。你可以玩不同的图像格式
3. OCR 处理本身 - 图像预处理可以在这个阶段提供帮助（但无论如何它会花费你一些钱）

Answer 2

好的，所以我能够将运行时间减少到 0.036 秒，我正在为未来的开发人员编写我的步骤 :)

1. 我使用了 CMAKE 并且只包含了必要的库，我不知道这对运行时间有多大影响，但我想这是一个很好的做法。

2. 我用 tesseract 训练了我自己的数据，经历了很多尝试/错误，但最终设法创建了一个新的数据，并在时间/准确性之间取得了良好的平衡。

3. 我使用 OpenCV 手动进行了预处理，没有使用 leptonica (pixRead() 等) 我在这一步遇到的第一个问题是：tessApi->SetImage() 函数采用 Pix* object，但是有一个重载选项，您可以像这样使用：

   tesseract::TessBaseAPI* tess = new tesseract::TessBaseAPI();
   cv::Mat image = cv::imread("filename.png");
   /*
   Preprocessing
   */
   tess->SetImage(image.data, image.cols, image.rows, 3, image.step);
   
   return tessApi->GetUTF8Text();
   

希望这会有所帮助！

Answer 3

根据this tesseract 有一些 OpenCl 支持，因此在 GPU 中运行它可以提高性能。

如果这不是一个选项，您可以最小化要处理的数据。尽量不要加载完整的图像，而只加载包含文本的部分。这称为CRAFT，但我主要可以找到python 实现。