Byl vydán nový release systému optického rozpoznávání textu Tesseract 5.1, který podporuje rozpoznávání UTF-8 znaků a textů ve více než 100 jazycích, včetně ruštiny, kazaštiny, běloruštiny a ukrajinštiny. Výsledky lze ukládat jak jako prostý text, tak ve formátech HTML (hOCR), ALTO (XML), PDF a TSV. Systém byl původně vytvořen v letech 1985-1995 v laboratoři firmy Hewlett Packard, v roce 2005 byl kód otevřen pod licencí Apache a od té doby se vyvíjel s účastí zaměstnanců společnosti Google. Zdrojové kódy projektu jsou distribuovány pod licencí Apache 2.0.
Tesseract zahrnuje konzolovou utilitu a knihovnu libtesseract pro integraci funkcí rozpoznávání textu do jiných aplikací. Mezi třetími GUI rozhraními podporujícími Tesseract jsou gImageReader, VietOCR a YAGF. Nabízí se dva rozpoznávací motory: klasický, který rozpoznává text na úrovni šablon jednotlivých znaků, a nový, založený na použití systému strojového učení s rekurentními neuronovými sítěmi LSTM, optimalizovaný pro rozpoznávání celých řádků a umožňující dosáhnout významného zvýšení přesnosti. Hotové trénované modely byly publikovány pro 123 jazyků. Pro optimalizaci výkonu jsou k dispozici moduly využívající OpenMP a SIMD instrukce AVX2, AVX, NEON nebo SSE4.1.
Hlavní vylepšení v Tesseract 5.1:
- Byla implementována možnost zpracovávat oblasti s obrázky a linkami při výstupu ve formátech ALTO, hOCR a text.
- Byl přidán nový parametr curl_timeout lkz curl_easy_setopt.
- Vylepšen systém sestavování.
- Byla provedena práce na odstranění nepoužívaného kódu.
- Byly odstraněny chyby způsobené nesprávným zpracováním nulových ukazatelů ve třídě PageIterator::Orientation.
Zdroj: opennet.ru
