把树莓派打造成识别文本的“神器”！

在许多项目中，Raspberry Pi被用作监控摄像头或执行机器学习任务。在这些场景中，图像中经常包含应用程序感兴趣的文本信息。我们希望提取这些信息并将其转换，以便通过程序分析文本。Raspberry Pi也能实现这种文本识别，而且并不困难。我们可以从静态图像或摄像头的实时流中读取文本。

在本教程中，我们将探讨如何使用Raspberry Pi实现文本识别，以及为此需要哪些组件。

开始前的必要组件

该应用的主要部分是纯软件基础的。因此，我们只需要少量的硬件来设置文本识别。我们将需要并使用以下组件：

强大的Raspberry Pi（例如 Model 4）

官方Raspberry Pi摄像头，或者：USB 网络摄像头

电源连接：micro USB 线缆和 USB 适配器

可以使用屏幕、键盘和鼠标，但由于我们远程操作Raspberry Pi，因此它们并非必需。因此，您应该已经相应地设置了Raspberry Pi，并启用了 SSH，还建立了远程桌面连接。之后，我们就可以直接开始了。使用 SSH 和 Putty 远程访问

什么是文本识别（OCR）以及它在Raspberry Pi上是如何工作的？

简而言之，图像上的文本识别（光学字符识别或简称 OCR）实际上是识别单个字母。如果它们足够接近，就会形成一个单词。

在之前的教程中，我们已经看到可以训练一个模型来识别图像上的物体。如果我们现在训练所有（拉丁）字母——而不是物体——我们也可以通过模型再次识别它们。

理论上，这是可行的，但需要付出很多努力。必须先训练不同的字体、颜色、格式等。但是，我们想节省为此所需的时间。

因此，我们使用来自 Google 的 Tesseract库。它已包含此类模型，并且经过了许多开发人员的优化。

安装 Tesseract OCR 库

我们可以自己编译 Tesseract，或者简单地通过包管理器安装它。后者可以通过以下命令轻松完成：

sudo apt install tesseract-ocr

我们可以使用tesseract -v 轻松检查安装是否成功。

现在，我们可以进行第一次小测试。为此，我们将使用这张图片：

您可以通过以下方式下载它：

wget https://tutorials-raspberrypi.de/wp-content/uploads/coffee-ocr.jpg

然后，我们执行以下命令：

tesseract coffee-ocr.jpg stdout

输出如下所示：

Warning: Invalid resolution 0 dpi. Using 70 instead.Estimating resolution as 554COFFEE

因此，在我们的输入图像中，文本“COFFEE”被识别出来了。

由于我们想在 Python 脚本中使用整个功能，因此我们需要一些库，如 OpenCV和 Tesseract 的 Python 包装器。OpenCV：https://opencv.org/我们通过 Python 包管理器安装它们：

pip3 install opencv-python pillow pytesseract imutils numpy

在Raspberry Pi上通过 Python 脚本测试文本识别

到目前为止，我们仅在未处理的彩色图像上尝试识别单词。预处理步骤通常可以改善结果。例如，通过将彩色图像转换为灰度图像。另一方面，我们也可以尝试检测图像中的边缘，以更好地突出字母/单词。

因此，让我们首先通过 Python 脚本在Raspberry Pi上启用文本识别。为此，我们创建一个文件夹和一个文件。

mkdir ocrcd ocrsudo nano example.py

我们插入以下内容：

import cv2import pytesseractimport numpy as npfrom pytesseract import Output img_source = cv2.imread('images/coffee.jpg') def get_grayscale(image): return cv2.cvtColor(image, cv2.COLOR_BGR2GRAY) def thresholding(image): return cv2.threshold(image, 0, 255, cv2.THRESH_BINARY + cv2.THRESH_OTSU)[1] def opening(image): kernel = np.ones((5, 5), np.uint8) return cv2.morphologyEx(image, cv2.MORPH_OPEN, kernel) def canny(image): return cv2.Canny(image, 100, 200) gray = get_grayscale(img_source)thresh = thresholding(gray)opening = opening(gray)canny = canny(gray) for img in [img_source, gray, thresh, opening, canny]: d = pytesseract.image_to_data(img, output_type=Output.DICT) n_boxes = len(d['text']) # back to RGB if len(img.shape) == 2: img = cv2.cvtColor(img, cv2.COLOR_GRAY2RGB) for i in range(n_boxes): if int(d['conf'][i]) > 60: (text, x, y, w, h) = (d['text'][i], d['left'][i], d['top'][i], d['width'][i], d['height'][i]) # don't show empty text if text and text.strip() != "": img = cv2.rectangle(img, (x, y), (x + w, y + h), (0, 255, 0), 2) img = cv2.putText(img, text, (x, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 1.2, (0, 255, 0), 3) cv2.imshow('img', img) cv2.waitKey(0)

让我们看看一些有趣的行：

导入库（第1-4行）

加载图像（第5行），根据需要调整路径！

预处理函数，用于转换为灰度值（第9-23行）

第32行：在这里，我们提取任何数据（文本、坐标、分数等）

为了能够在之后为框着色，如果必要，我们将灰度图像转换回具有颜色通道的图像（第36-37行）

从第39行开始，将为分数高于60的框着色。

为此，我们在第41行提取文本、起始坐标和框的尺寸。

只有当检测到（非空）文本时，我们才绘制框（第43-45行）。

然后，我们运行脚本并等待按下转义键（第47/48行）。

我们现在运行脚本：

python3 example.py

然后，5张不同的图像会依次出现（按 ESC 键显示下一张图像）。识别出的文本会在图像上被标记出来。这样，您可以确定哪个预处理步骤最适合您。

通过Raspberry Pi摄像头识别实时图像中的文本

到目前为止，我们仅使用静态图像作为文本识别的输入。现在，我们还希望在连接的摄像头的实时流中识别文本。这只需要对我们之前的脚本进行一些小的更改。我们创建一个新文件：

sudo nano ocr_camera.py

文件内容如下：

import cv2import pytesseractfrom pytesseract import Output cap = cv2.VideoCapture(0)cap.set(cv2.CAP_PROP_BUFFERSIZE, 1) while True: # Capture frame-by-frame ret, frame = cap.read() d = pytesseract.image_to_data(frame, output_type=Output.DICT) n_boxes = len(d['text']) for i in range(n_boxes): if int(d['conf'][i]) > 60: (text, x, y, w, h) = (d['text'][i], d['left'][i], d['top'][i], d['width'][i], d['height'][i]) # don't show empty text if text and text.strip() != "": frame = cv2.rectangle(frame, (x, y), (x + w, y + h), (0, 255, 0), 2) frame = cv2.putText(frame, text, (x, y - 10), cv2.FONT_HERSHEY_SIMPLEX, 1.0, (0, 0, 255), 3) # Display the resulting frame cv2.imshow('frame', frame) if cv2.waitKey(1) & 0xFF == ord('q'): break # When everything done, release the capturecap.release()cv2.destroyAllWindows()

我们现在的改动如下：

在第5-6行，我们定义了相机，而不是固定的图像。相机必须被连接并被识别。

在第10行，我们读取了当前的帧。

这里我们省略了预处理步骤，但这些步骤也很容易被插入（在第11行）。

最后但同样重要的是，我们也运行了脚本：

python3 ocr_camera.py

现在将相机对准文本，观察文本上的单词是如何被识别的：

在我的示例中，你可以清楚地看到转换为灰度图像是有意义的，因为单词“Tutorials”太亮了。

其他语言的文本识别

Tesseract默认只安装了英语作为识别语言。我们可以用以下命令检查：

tesseract --list-langs

如果你想添加更多应该识别文本的语言，可以这样做：

sudo apt-get install tesseract-ocr-[lang]

将[lang]替换为语言的缩写（all表示安装所有现有的语言）。

https://askubuntu.com/questions/793634/how-do-i-install-a-new-language-pack-for-tesseract-on-16-04/798492#798492然后你可以在Python脚本中选择语言。添加参数：

d = pytesseract.image_to_data(img, lang='eng')

结论

Tesseract是一个强大的工具，它为图像或帧提供了开箱即用的文本识别功能。这意味着我们不需要训练和创建自己的机器学习模型。尽管计算量相对较大，但Raspberry Pi的文本识别效果非常好。通过各种处理步骤，可以进一步改进结果。
顺便提一下，你可以在Github仓库中找到这两个脚本。