Публикувана е версия на системата за оптично разпознаване на текст Tesseract 5.1, която поддържа разпознаване на символи UTF-8 и текстове на повече от 100 езика, включително руски, казахски, беларуски и украински. Резултатите могат да се запазват както в обикновен текст, така и в формати HTML (hOCR), ALTO (XML), PDF и TSV. Първоначално системата е създадена между 1985 и 1995 година в лаборатория на компанията Hewlett Packard, а през 2005 година кодът е отворен под лиценз Apache и по-късно е разширен с участието на служители на Google. Изходните кодове на проекта се разпространяват под лиценз Apache 2.0.
Tesseract включва конзолна утилита и библиотека libtesseract за вграждане на функции за разпознаване на текст в други приложения. Сред поддържащите Tesseract външни графични интерфейси могат да бъдат отбелязани gImageReader, VietOCR и YAGF. Предлагат се два двигателя за разпознаване: класическият, който разпознава текст на ниво шаблони на отделни символи, и новият, базиран на система за машинно обучение, използваща рекурсивна невронна мрежа LSTM, оптимизирана за разпознаване на цели редове и позволяваща значително увеличаване на точността. Готовите обучени модели са публикувани за 123 езика. За оптимизация на производителността се предлагат модули, които използват OpenMP и SIMD инструкции AVX2, AVX, NEON или SSE4.1.
Основни подобрения в Tesseract 5.1:
- Реализирана е възможност за обработка на области с изображения и линии при извеждане в формати ALTO, hOCR и текст.
- Добавен е нов параметър curl_timeout вместо curl_easy_setop.
- Подобрена е системата за компилация.
- Проведена е работа по премахване на неизползван код.
- Отстранени са сривове, причинени от неправилна обработка на нулеви указатели в класа PageIterator::Orientation.
Източник: opennet.ru
