Издание на системата за разпознаване на текст Tesseract 4.1

Подготвен система за оптично разпознаване на текст Tesseract 4.1, поддържаща разпознаване на символи UTF-8 и текстове на повече от 100 езика, включително руски, казахски, беларуски и украински. Резултатът може да бъде запазен като обикновен текст или в форматите HTML (hOCR), ALTO (XML), PDF и TSV. Първоначално системата е била създадена между 1985-1995 година в лабораторията на компанията Hewlett Packard, като през 2005 година кодът е бил отворен под лиценза Apache и впоследствие е разработван с участието на служители на компанията Google. Изходните текстове на проекта се разпространява се разпространява под лицензия Apache 2.0.

Tesseract включва конзолна утилита и библиотека libtesseract за вграждане на функции за разпознаване на текст в други приложения. От страничните GUI интерфейси, които поддържат Tesseract можем да отбележим gImageReader VietOCR, YAGF и . Предоставят се два механизма за разпознаване: класическият, който разпознава текст на ниво шаблони на отделни символи, и новият, базиран на прилагането на система за машинно обучение с рекурентни невронни мрежи LSTM, оптимизирана за разпознаване на цели редове и позволяваща значително увеличаване на точността. Готовите обучени модели са публикувани за123 езика . За оптимизиране на производителността се предлагат модули, използващи OpenMP и SIMD инструкции AVX2, AVX или SSE4.1.в Tesseract 4.1:

Основни подобрения Добавена възможност за изход в XML формат

• ALTO (Analyzed Layout and Text Object). За да използвате този формат, стартирайте приложението като «tesseract име_на_изображението каталог_на_изхода alto»; Добавени са нови модули за рендериране LSTMBox и WordStrBox, които опростяват обучението на механизма;
• Добавена поддръжка на псевдографики в изхода hOCR (HTML);
• Добавени са алтернативни скриптове на Python за обучение на механизма на база машинно обучение;
• Разширени оптимизации с използване на инструкции AVX, AVX2 и SSE;
• По подразбиране поддръжката на OpenMP е изключена поради
• производителността; на проблеми В механизма LSTM е добавена поддръжка на черни и бели списъци;
• Подобрени сценарии за компилиране на база Cmake.
• Подготвен релиз на системата за оптично разпознаване на текст

Източник: opennet.ru