我将tesseract 用于 OCR，主要用于发票。但是，tesseract 需要在开始处理文件之前指定语言。
我以为我将基于预定义的默认语言执行 ocr。然后我想使用生成的文本来检查使用的是哪种语言。如果它不是默认语言，我会再次对其进行处理，以便从 tesseract 中获得更好的结果。
但是如何实现语言检测算法呢？有我可以使用的 C++ 库吗？
【问题讨论】：
标签： c++ nlp ocr language-detection
本文“Natural Language Identification for OCR Applications”描述了与您的要求类似的识别任务所涉及的技术。
【讨论】：
我不确定这是否会有所帮助，因为该库是 Java 语言。但我发现它真的很酷，因为它能够从给定的文本中检测出大约 50 种语言并且具有相当不错的精度水平。您可能想看看它，因为它是开源的，如果您的应用程序只需要用 C++ 编写，您可以用 C++ 重写代码并将其返回给开源社区。p>
这是相同的链接：
http://code.google.com/p/language-detection/
注意：它使用 Apache Nutch 和 Tika 库进行分析。
【讨论】：
您可能想阅读我的论文The WiLI benchmark dataset for written language identification 并尝试lidtk。
TL;DR：试试 CLD-2。
【讨论】：