Релиз на системата за разпознаване на текст Tesseract 5.4.0.

Публикувана е версия на системата за оптично разпознаване на текст Tesseract 5.4.0, която поддържа разпознаване на UTF-8 символи и текстове на повече от 100 езика, включително руски, казахски, беларуски и украински. Резултатът може да се запазва като обикновен текст, така и в формати HTML (hOCR), ALTO (XML), PDF и TSV. Първоначално системата е създадена между 1985 и 1995 година в лабораторията на компанията Hewlett Packard, а през 2005 година кодът е обявен за отворен под лицензия Apache и впоследствие е развиван с участието на служители на компанията Google. Изходните текстове на проекта се разпространяват под лицензия 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.

Основни подобрения:

• Добавена е поддръжка за рисуване и експортиране във формат PAGE-XML.
• Възможността за обучение на модели, използвайки файлове във формат PNG вместо LSTMF, е реализирана.
• Подобрено е рисуването в PDF формат.
• API-то за определяне на наклона на текста е разширено.
• Проблемите с производителността, установени по време на сканиране в системата Coverity, са отстранени.

Източник: opennet.ru