Релиз на системата за разпознаване на текст Tesseract 5.2

Опубликован релиз системы оптического распознавания текста Tesseract 5.2, поддерживающей распознавание символов UTF-8 и текстов на более чем 100 языках, включая русский, казахский, белорусский и украинский. Результат может сохраняться как открытым текстом, так и в форматах HTML (hOCR), ALTO (XML), PDF и TSV. Изначально система была создана в 1985-1995 годах в лаборатории компании Hewlett Packard, в 2005 году код был открыт под лицензией Apache и в дальнейшем развивался при участии работников компании Google. Исходные тексты проекта распространяются под лицензией Apache 2.0.

Tesseract включва конзолна утилита и библиотека libtesseract за внедряване на функции за разпознаване на текст в други приложения. Сред поддържащите Tesseract GUI интерфейси можем да споменем gImageReader, VietOCR и YAGF. Предлагат се два механизма за разпознаване: класическият, който разпознава текст на ниво шаблони от отделни символи, и новият, основан на машинно обучение с рекурентна невронна мрежа LSTM, оптимизирана за разпознаване на цели редове, което осигурява значително увеличение на точността. Подготвените предварително обучени модели са публикувани за 123 езика. За оптимизиране на производителността се предлагат модули, които използват OpenMP и SIMD инструкциите AVX2, AVX, AVX512F, NEON или SSE4.1.

Основные улучшения в Tesseract 5.2:

• Добавлены оптимизации, реализованные с использованием инструкций Intel AVX512F.
• В C API реализована функция для инициализации tesseract с загрузкой из памяти модели машинного обучения.
• Добавлен параметр invert_threshold, определяющий уровень инвертирования текстовых строк. По умолчанию выставлено значение 0.7. Для отключения инвертирования следует выставить значение 0.
• Налажена обработка очень больших документов на 32-разрядных хостах.
• Осуществлён переход с использования функций std::regex на std::string.
• Улучшены сборочные сценарии для Autotools, CMake и систем непрерывной интеграции.

  Източник: opennet.ru