Raspberry PiでOCRを使う

Tesseract-OCRというオープンソースのOCRエンジンがあって、Raspberry Piでも使える。インストールして使ってみたので、その結果をまとめておく。

環境

Raspberry PiとRaspbian Jessie。
$ cat /etc/issue Raspbian GNU/Linux 8 \n \l

Tesseract-OCRのインストール

はじめにシステムにインストールされているパッケージを最新にしておく。
$ sudo apt-get update $ sudo apt-get upgrade

続いてTesseract-OCRと日本語用の学習データをインストール。
$ sudo apt-get install tesseract-ocr tesseract-ocr-jpn

インストールされたバージョンは3.03。
$ tesseract -v tesseract 3.03 leptonica-1.71 libgif 4.1.6(?) : libjpeg 6b : libpng 1.2.50 : libtiff 4.0.3 : zlib 1.2.8 : libwebp 0.4.1 : libopenjp2 2.1.0

使い方は、第一引数にOCRする画像ファイル、第二引数に結果の出力先、言語は「l」オプションで指定（デフォルトは英語）する。結果の出力先をstdoutにすると標準出力になる。
$ tesseract <画像ファイル> <結果の出力先> -l <言語>

OCRを試してみる

ホームページの文章をPCで画面キャプチャした画像をOCRしてみる。

sample.png

$ tesseract sample.png stdout -l jpn 咋年g月に 「費刊少年ラャ〉プ」 (集剣} で神 "年闇 の國を終えた人気嚢董 「Zちら葛薗区亀有公膚前派出所 」 が ー 5 日、 範も不定Mて賃輻することが分ヵ`ったー (
これは厳しい。解像度が低すぎるのか？

sample2.png

$ tesseract sample2.png stdout -l jpn 庸さん、 晴々帰ってくる ! 「こ抱 ー G日儲、 棚踵に
文字の解像度を上げてみるが、これでも実用に耐えるレベルではない。

sample3.png

$ tesseract sample3.png stdout -l jpn クレ)麦拗リ‡ッ ド , オ丿しビス 剛クチ〕三
漢字なしの文章でもうまくいかない。

sample4.png

$ tesseract sample4.png stdout -l jpn 上野の赤ちゃんパンダ
このくらいまで解像度を上げると大丈夫なようだ。

sample5.png

$ tesseract sample5.png stdout -l jpn 赤ちゃんバンダ、 ー78グラム 生後ー遺闇の山甦ぇたか
と思ったら、2行の文章だとうまくOCRできない。

sample6.png

$ tesseract sample6.png stdout Install PIL (with jpg supported) and ImageTk on Raspberry Pi/Raspbian
英語だと日本語より低い解像度でもうまくOCRできそう。

sample7.png

$ tesseract sample7.png stdout -l jpn+eng Using default language params Amazon―6‘33 買い物
言語は複数指定できるので日本語と英語混在の文章をOCRしてみるが、ちょっと残念。

結果としては、英語のOCRは使えそうだが、日本語は微妙。日本語のときは1行限定にした方がいいかもしれない。