Издаден е релизът 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, беларуски и украински. Резултатът може да се съхранява както в чист текст, така и форматиран в 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 лиценз Apache и по-късно е развит с участието на служители на Google. Оригиналните текстове на проекта се разпространяват под лиценз Apache 2.0.
Tesseract включва конзолна утилита и библиотека libtesseract за вграждане на функции за разпознаване на текст в други приложения. Сред поддържащите Tesseract външни GUI интерфейси можем да споменем gImageReader, VietOCR и YAGF. Предлагат се два двигателя за разпознаване: класически, разпознаващ текст на ниво шаблони на отделни символи, и нов, базиран на приложение на система за машинно обучение с базова мрежа LSTM, оптимизирана за разпознаване на цели редове и позволяваща значително увеличение на точността. Готови натренирани модели са публикувани за 123 езика. За оптимизиране на производителността се предлагат модули, използващи OpenMP и SIMD инструкции AVX2, AVX, AVX512F, NEON или SSE4.1.
Основни подобрения:
- Подобрено е разпознаването на изображения по URL с качване на файл чрез библиотеката libcurl. При качването е осигурено задаване на заглавието User-Agent. Добавен е нов параметър curl_cookiefile за използване на файл с бисквитки.
- В сървър ScrollView е задействан като приоритетен протокол TCP.
- При използване на командата „combine_tessdata -d“ е осигурен изход в потока stdout вместо stderr.
- Отстранени са проблеми със сборката при използване на autoconf и clang.
Източник: opennet.ru
