目录

一、Tesseract-Ocr概述与环境配置

（一）Tesseract-Ocr介绍

（二）Tesseract-Ocr安装

1、程序下载及安装

2、配置环境变量

3、语言配置与程序测试

二、视频字幕提取实现

（一）实现原理

（二）代码实现

三、总结

---

一、Tesseract-Ocr概述与环境配置

（一）Tesseract-Ocr介绍

Tesseract是一款由HP实验室开发、由Google维护的开源OCR（Optical Character Recognition , 光学字符识别）引   擎。Tesseract可以处理很多自然语言，如英语、葡萄牙语等。截止到2015年为止，它可以支持超过100种书面语言，并且可以通过训练学习轻松掌握其他语言。

（二）Tesseract-Ocr安装

1、程序下载及安装

官方网站：https://github.com/tesseract-ocr/tesseract
官方文档：https://github.com/tesseract-ocr/tessdoc
语言包地址：https://github.com/tesseract-ocr/tessdata
下载地址：https://digi.bib.uni-mannheim.de/tesseract/

进入下载页面后，下载正式稳定版本，文件名为“tesseract-ocr-w64-setup-v5.0.0.20190623.exe”。

下载完成后，在PC上进行安装。安装时要注意路径中不要有中文，避免出现问题。

安装过程可以选择要安装的语言包，如简体中文。但速度较慢，建议通过其他途径下载语言包，并在本地进行安装。

2、配置环境变量

在电脑上按“Win+R”打开命令行，输入“sysdm.cpl”打开设置Path的窗口。

 依次选择“高级”-“环境变量”。

 在path变量中添加tesseract-ocr的安装路径。

3、语言配置与程序测试

把语言文件“chi_sim.traineddata”拷贝tesseract-ocr安装目录下的tessdata文件夹中，使程序语言显示为中文。并在tesseract-ocr安装目录下打开命令窗口，输入“tesseract -v”命令，对tesseract-ocr的安装进行检测。

出现下图提示，安装配置完成。

二、视频字幕提取实现

（一）实现原理

1、读取视频，并获取视频尺寸，便于查找字幕位置

2、截取字幕所在的区域，存为变量

3、将字幕区域转化为灰度图

4、利用cv2对字幕区域沿X轴方向边缘特征矩阵二值化

5、利用tesseract-ocr中的文字识别模块对处理后的字幕区域进行识别

6、输出识别后的字幕文字

（二）代码实现

选取《让子弹飞》的片段进行识别，并输出字幕信息。

以下为视频画面：

实现代码如下：

import pytesseract
import cv2
import numpy as np
from scipy import stats
import matplotlib.pyplot as plt
#导入第三方库

if __name__ == '__main__':
    path = "让子弹飞.mp4"
    #定义读取的视频路径

    cap = cv2.VideoCapture(path)
    frame_count = int(cap.get(cv2.CAP_PROP_frame_COUNT))
    print(frame_count)
    #计算视频的帧数
    
    i=0
    #定义初始的帧数
    while i 
输出结果如下：
 
 
 
 文字识别的效果和准确度还是不错的。
 
三、总结 
在使用上述代码进行字幕识别时，需要不断调整截取字幕的位置。由于不同视频的字幕位置不同、画面比例不同，因此识别不同的视频需要使用不同的参数。
 
经过多次比较，发现当字幕位于截图中心时，识别效果最好。且字幕与画面不重叠的情况下，识别效果最好。
 
 
 
 
其次就是要根据不同的字幕类型，采取不同的画面处理方法。例如，有的字幕本身比较淡，不是纯白色的，这时再进行边缘二值化就容易导致字幕不完全，最终识别的效果欠佳。
 
解决思路：在进行最终识别前，先将灰度化、二值化的字幕截图输出，看看两者的效果，再去选择合适的处理方法。例如，下方二图，上面为灰度化处理的图片，下面为二值化处理的图片。经过二值化处理的图片明显存在缺失，不容易识别，因此可以不选二值化，仅选择灰度化即可。