Пускане на системата за разпознаване на текст Tesseract 5.1

Публикувана е версията на системата за оптично разпознаване на текст Tesseract 5.1, която поддържа разпознаване на UTF-8 символи и текстове на повече от 100 езика, включително руски, казахски, беларуски и украински. Резултатът може да бъде запазен както в чист текст, така и 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. Изходните текстове на проекта се разпространяват под лиценз Apache 2.0.

Tesseract включва конзолна помощна програма и библиотека libtesseract за вграждане на OCR функционалност в други приложения. GUI на трети страни, поддържащи Tesseract, включват gImageReader, VietOCR и YAGF. Предлагат се два механизма за разпознаване: класически, който разпознава текст на ниво индивидуални символни шаблони, и нов, базиран на използването на система за машинно обучение, базирана на повтаряща се невронна мрежа LSTM, оптимизирана за разпознаване на цели редове и позволяваща значително увеличение на точността. Публикувани са готови обучени модели за 123 езика. За оптимизиране на производителността се предлагат модули, които използват OpenMP и SIMD инструкции AVX2, AVX, NEON или SSE4.1.

Ключови подобрения в Tesseract 5.1:

• Реализирана е възможност за обработка на области с изображения и линии при извеждане в ALTO, hOCR и текстови формати.
• Добавен е нов параметър curl_timeout lkz curl_easy_setop.
• Подобрена система за изграждане.
• Извършена е работа за премахване на неизползван код
• Коригирани сривове, причинени от неправилна обработка на нулеви указатели в класа PageIterator::Orientation.

Източник: opennet.ru