Издаден е релиз на системата за оптично разпознаване на текст Tesseract 5.4.0, 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 обикновен текст, така и във форматите HTML (hOCR), ALTO (XML), PDF и TSV. Първоначално системата е създадена между 1985 и 1995 година в лаборатория на компания Hewlett Packard, а през 2005 година кодът е открит под лицензията Apache и по-късно е разработван с участието на служители на компания Google. Изходните текстове на проекта се разпространяват под лицензия 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:
- Добавена е поддръжка за визуализация и експортиране във формат PAGE-XML.
- Реализирана е възможност за обучение на модела, като се използват файлове във формат PNG вместо файлове LSTMF.
- Подобрена е визуализацията във формат PDF.
- Разширен е API-то за определяне на наклона на текста.
- Проблемите с производителността, идентифицирани при сканиране в системата Coverity, са отстранени.
Източник: opennet.ru
