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<frame_count:
        cap.set(cv2.CAP_PROP_POS_FRAMES, i)
        _, frame = cap.read(i)

        shape = frame.shape
        print(shape)
        #输出待处理视频的尺寸信息

        img=frame[635:715, 100:1200]
        #调整截图的尺寸
        plt.imshow(img)
        plt.axis("off")
        plt.show()
        #显示截取后的图片
        
        img = cv2.cvtColor(img, cv2.COLOR_BGR2GRAY)
        #将截取的图片转为灰度图
        #cv2.imshow("Frame-2:Gray", img)
        #显示灰度图
        _, img= cv2.threshold(img, 220, 255, cv2.THRESH_BINARY)
        # 图像，阈值，映射的最大值，使用算法一般为cv2.thresh_binary
        #cv2.imshow("Frame-3:Binary", img)
        #显示灰度图
        
        tessdata_dir_config = '--tessdata-dir "D:\\Python lib\\Tesseract-OCR\\tessdata"  --psm 7 -c preserve_interword_spaces=1'
        #选取用于文字识别的模块
        word = pytesseract.image_to_string(img,
                                           lang='chi_sim',
                                           #config=' --psm 7 -c preserve_interword_spaces=1')
                                           config=tessdata_dir_config)
        print(word)
        #输出识别后文字
        i=i+24*5
        #对待识别帧数进行定义，每120帧识别一次

        if cv2.waitKey(10) & 0xff == ord("q"):
            break
        #设置停止程序的操作

    cap.release()
    cv2.destroyAllWindows()

输出结果如下：