Пускане на системата за разпознаване на текст Tesseract 4.1

Подготвени пускане на система за оптично разпознаване на текст Тесеракт 4.1, поддържащ разпознаване на UTF-8 символи и текстове на повече от 100 езика, включително руски, казахски, беларуски и украински. Резултатът може да бъде записан в обикновен текст или във формати HTML (hOCR), ALTO (XML), PDF и TSV. Първоначално системата е създадена през 1985-1995 г. в лабораторията на Hewlett Packard, през 2005 г. кодът е отворен под лиценз Apache и е доразвит с участието на служители на Google. Източници на проекта разпространение лицензиран под Apache 2.0.

Tesseract включва конзолна помощна програма и библиотека libtesseract за вграждане на OCR функционалност в други приложения. От трети страни, които поддържат Tesseract GUI интерфейси можете да отбележите gImageReader, VietOCR и YAGF. Предлагат се две машини за разпознаване: класическа, която разпознава текст на ниво индивидуални символни шаблони, и нова, базирана на използването на система за машинно обучение, базирана на повтаряща се невронна мрежа LSTM, оптимизирана за разпознаване на цели низове и позволяваща значително увеличение на точността. Публикуват се готови обучени модели за 123 езика. За оптимизиране на производителността се предлагат модули, използващи OpenMP и AVX2, AVX или SSE4.1 SIMD инструкции.

Основната подобрения в Tesseract 4.1:

• Добавена е възможност за извеждане в XML формат ALTO (Анализирано оформление и текстов обект). За да използвате този формат, трябва да стартирате приложението като „tessaract image_name alto output_dir“;
• Добавени са нови модули за изобразяване LSTMBox и WordStrBox, опростяващи обучението на двигателя;
• Добавена е поддръжка за псевдографика в hOCR (HTML) изход;
• Добавени алтернативни скриптове, написани на Python за обучение на двигателя на базата на машинно обучение;
• Разширени оптимизации с помощта на AVX, AVX2 и SSE инструкции;
• Поддръжката на OpenMP е деактивирана по подразбиране поради проблеми с производителност;
• Добавена е поддръжка за бели и черни списъци в LSTM двигателя;
• Подобрени скриптове за изграждане, базирани на Cmake.

Източник: opennet.ru