C++ - 令人失望的性能與Tesseract

Question

我正在工作的公司正在考慮將其當前OCR引擎（Nuance的OmniPage）切換爲開源替代品，如Tesseract。

爲了獲得一些性能基準（執行速度和準確性）來比較兩者，我得到了一個非常簡單的程序，只是爲了瞭解Tesseract 3.2 C API的性能如何。

我的初步意見（他們中的一些可能會關閉，隨時糾正我在評論解釋）：

• 精度良好。它與我們目前的發動機相比非常好。
• 輸出格式只提供識別文本，而不是預覽文本在原始圖像中的位置。有是採取hOCR格式並將其轉換爲其他更吸引人的視覺上的可能性，但我沒有找到適用於商業用途的Windows上的開源轉換器（我找不到源代碼或可執行文件ExactCODE's hocr2pdf）。我可以寫一個簡單的腳本，將轉換檢測BBOX的每一個段落，只是增加一個style元素設置HTML標籤的left，right，width，height和position屬性，所以這個限制是次要的。
• Leptonica（Tesseract使用的圖像庫）appears not to support reading complex PDF files。雖然這確實爲遷移增加了一點小的開發費用（因爲它不是開箱即用的），但這並不是一個問題，因爲我們的產品中已經有模塊從PDF文件中提取圖像。
• 執行速度非常慢（與Nuance的OmniPage至少相比）。在我的機器上，Tesseract花費了2分多鐘來轉換文件。 Nuance的OmniPage花了不到3分30秒來轉換10個大文件（包括提供的圖像）。 （我不記得確切的時間長度，但是顯然只有提供的圖像少於15秒）

如果只是關於其他因素，遷移可能沒有太多問題。但是，這種性能限制是一個殺手。

然後，我心想：Tesseract與其商業等價物相比表現如此糟糕嗎？谷歌肯定會爭取表現。

所以，我幾乎可以肯定，問題來自我。我要麼沒有以正確的方式使用API​​，我沒有改變我應該設置的設置，或者我現在正在丟失的其他設置。

這是我與正方體測試程序的部分：

#include "baseapi.h" 
#include "allheaders.h" 

// ... 
// Tesseract initialization 
tesseract::TessBaseAPI api; 
api.Init("", "eng+deu+fra"); 
api.SetPageSegMode(tesseract::PageSegMode::PSM_AUTO_OSD); 
api.SetVariable("tessedit_create_hocr", "1"); // for the hOCR output 

// ... 
// OCR 
PIX* pixs = pixRead(image_path.c_str()); 
STRING result; 
api.ProcessPages(image_path.c_str(), NULL, 0, &result); 

// ... write the result to a file 

我試着用不同的版面分割模式，沒有建立激活HOCR格式的，只能是跟以前一樣失望。我還嘗試將一些預處理腳本應用於圖像，以查看它是否對檢測有所幫助，但沒有成功。我只用一個字典進行測試，但沒有對性能造成太大影響。我對多頁TIF文件和單頁TIF圖像也有同樣的性能問題，並沒有嘗試其他格式。

使用VerySleepy對應用程序進行快速分析表明，大部分執行時間花費在與邊界框相關的new s和delete上。

我真的想我們遷移到一個開放源碼庫，而不是一個商業產品，所以我會很感激，如果有人可以幫助我實現與API更好的性能。除非我可以通過戲劇性的改進來獲得類似於當前引擎的性能結果，否則遷移不會發生。

非常感謝您寶貴的時間。

這裏是我的測試集圖像：

Answer 1

我不認爲你可以做一些事情。沒錯，與OmniPage或ABBYY等商用引擎相比，Tesseact速度非常慢。每個比較測試都表明這些公司正在爲OCR謀生，並對速度，準確性和其他因素非常認真。