由于业务场景需要，需要接入OCR图像识别功能，记录一下经过几天的研究过程。
1、项目主页
http://code.google.com/p/tesseract-ocr/
基本上涵盖了所有内容，download、wiki尤其重要，上面有许多知识
2、安装
http://code.google.com/p/tesseract-ocr/downloads/list下载exe安装程序安装即可；
3、字库训练
由于OCR识别必须要有字库，google提供了需要语言的字库，在download页面中，用于识别中文的字库tesseract-ocr-3.02.chi_sim.tar.gz非常不好用，识别率极低，因此需要自建字库训练。
具体流程如下：
（3-1）生成tif+box模板；
tif为字库图片，本文模板：vie.arial.exp0.tif，见附件；
box文件为字库描述文件，本文模板：vie.arial.exp0.box，格式为：
0 102 4857 122 4889 01 134 4857 147 4889 0
2 159 4857 180 4889 0
3 188 4857 205 4889 0
box文件会划定一个图片的矩形区域，指明其描述的含义：
[字符含义] [minx] [miny] [maxx] [maxy] [page_num]
核心思想是：通过tif图片生成图形，用box文件描述图形，共同生成模板。
（3-2）JTessBoxEditor自动化工具
从第一步可以看出，训练字库有一定成本，我们需要生成一个tif图片。然后还要用Tesseract生成对应的box文件。为了保证box文件正常，还需要手动编辑box文件，对其进行纠正。因此就有了JTessBoxEditor的产生，项目主页：
http://vietocr.sourceforge.net/training.html
有3大功能：
1、合并多个tif文件；
2、图形化纠正box文件；
3、根据文字，自动生成tif文件+box文件；
目前主要用到第3个功能。可以直接运行jar包执行JTessBoxEditor。推荐直接使用JTessBoxEditor提供的api接口：
TiffBoxGenerator generator = new TiffBoxGenerator(text,font,5000, 5000);
generator.setOutputFolder(new File("D:\\workspace\\demo\\test2"));
generator.setFileName("vie.arial.exp0.tif");
generator.setTracking((float) 0.1);
generator.create();
指明需要生成的文本内容，字体，图片宽、图片高，run即可；
（3-3）编辑vie.font_properties
指明字体支持的类型，例如改字体是否支持“粗体”、“斜体”、“下划线”等，本例默认不支持，内容如下，文件见附件：
arial 0 0 0 0 0
（3-4）训练
具体训练脚本资料较多，不再论述，原理见：
http://code.google.com/p/tesseract-ocr/wiki/TrainingTesseract3
本例提供一个train.bat文件，将vie.arial.exp0.tif、vie.arial.exp0.box、vie.font_properties、train.bat放在同一目录，执行train.bat即可
将生成的字库vie.traineddata复制到tessdata下
（3-5）识别
执行
tesseract.exe in_put out_put -l vie 即可
-l vie 表明使用vie.traineddata字库
4、参数配置
tesseract.exe in_put out_put -l vie my_config
表明加载my_config配置文件，tesseract提供了多大600+配置项，每个具体配置项作用：
http://www.sk-spell.sk.cx/tesseract-ocr-parameters-in-302-version
描述非常不详细，根据指点：
http://code.google.com/p/tesseract-ocr/wiki/ControlParams
在my_config中加上：
enable_new_segsearch 0
可以解决一个中文字符被识别成两个的问题
加上：