релиз на системата за оптично разпознаване на текст , който поддържа разпознаване на символи UTF-8 и текстове на повече от 100 езика, включително руски, казахски, белоруски и украински. Резултатът може да се запазва както в открит текст, така и във формати HTML (hOCR), ALTO (XML), PDF и TSV. Първоначално системата е била създадена между 1985 и 1995 година в лабораторията на компания Hewlett Packard, а през 2005 година кодът е бил отворен под лиценза Apache и по-късно е развиван с участието на служители на компания Google. Изходните текстове на проекта е под лицензия Apache 2.0.
Tesseract включва конзолна утилита и библиотека libtesseract за внедряване на функции за разпознаване на текст в други приложения. От поддържащите Tesseract странични можем да отбележим , и . Предлага се два двигателя за разпознаване: класически, разпознаващ текст на ниво шаблони на отделни символи, и нов, основан на системата за машинно обучение с рекурентна невропна мрежа LSTM, оптимизирана за разпознаване на цели редове и позволяваща значително увеличаване на точността. Готовите натренирани модели са публикувани за . За оптимизация на производителността се предлагат модули, използващи OpenMP и SIMD-инструкции AVX2, AVX или SSE4.1.
Основни в Tesseract 4.1:
- Добавена е възможността за извеждане във формат XML (Analyzed Layout and Text Object). За използване на този формат трябва да стартирате приложението като «tessaract име_изображения каталог_изход alto»;
- Добавени нови модули за рендериране LSTMBox и WordStrBox, които опростяват обучението на двигателя;
- Добавена е поддръжка на псевдографика в извеждането на hOCR (HTML);
- Добавени са алтернативни скриптове на Python за обучение на двигателя, основан на машинно обучение;
- Разширени са оптимизациите, използващи инструкции AVX, AVX2 и SSE;
- По подразбиране е изключена поддръжката на OpenMP поради перформанса;
- В двигателя LSTM е добавена поддръжка на бели и черни списъци;
- Подобрени са сборните сценарии на база Cmake.
Източник: opennet.ru
