Издание на системата за разпознаване на текст Tesseract 5.3.4

Публикувана версия на системата за оптично разпознаване на текст Tesseract 5.3.4, която 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 текстов формат, така и в HTML (hOCR), ALTO (XML), PDF и TSV формати. Първоначално системата е създадена между 1985 и 1995 година в лабораторията на компанията Hewlett Packard, а през 2005 година кодът е отворен под лиценз Apache и по-късно е развит с участието на служители на Google. Исходните текстове на проекта се разпространяват под лиценз 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:

• Подобрено е разпознаването на изображения по URL с качване на файл чрез библиотеката libcurl. При качване е осигурено задаване на заглавката User-Agent. Добавен е нов параметър curl_cookiefile за използване на файл с Cookie.
• В сървър ScrollView като приоритетен протокол използва TCP.
• При използване на командата „combine_tessdata -d“ е осигурен изход в потока stdout вместо stderr.
• Отстранени са проблеми със събирането при използване на autoconf и clang.

Източник: opennet.ru