Релиз на системата за разпознаване на текст Tesseract 5.1

Публикувана 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. Резултатът може да бъде запазен както в открит текст, така и във формати HTML (hOCR), ALTO (XML), PDF и TSV. Първоначално системата е създадена между 1985 и 1995 година в лабораторията на компания Hewlett Packard, а през 2005 година кодът е отворен под лиценза Apache и след това се развива с участието на служители на Google. Изходните текстове на проекта се разпространяват под лиценза Apache 2.0.

Tesseract включва конзолна утилита и библиотека libtesseract за интегриране на функции за разпознаване на текст в други приложения. От поддържаните Tesseract външни GUI интерфейси, можем да споменем gImageReader, VietOCR и YAGF. Предлага се два двигателя за разпознаване: класически, който разпознава текст на базата на шаблони от отделни символи, и нов, основан на прилагането на система за машинно обучение, базирана на рекуррентни невронни мрежи 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:

• Добавена е възможност за обработка на области с изображения и линии при експортиране в форматите ALTO, hOCR и text.
• Въведен е нов параметър curl_timeout в curl_easy_setopt.
• Подобрен е системата за компилация.
• Проведена е работа по отстраняване на неизползван код.
• Отстранени са сривовете, причинени от неправилна обработка на нулеви указатели в класа PageIterator::Orientation.

Източник: opennet.ru