Byl vydán release systému optického rozpoznávání textu Tesseract 5.2, který podporuje rozpoznávání znaků UTF-8 a textů ve více než 100 jazycích, včetně ruštiny, kazaštiny, běloruštiny a ukrajinštiny. Výsledky mohou být ukládány ve formátu prostého textu, nebo v HTML (hOCR), ALTO (XML), PDF a TSV. Systém byl původně vytvořen v letech 1985-1995 v laboratoři společnosti Hewlett Packard, a v roce 2005 byl kód otevřen pod licencí Apache a následně se rozvíjel za účasti zaměstnanců společnosti Google. Zdrojové texty projektu jsou distribuovány pod licencí Apache 2.0.
Tesseract zahrnuje konzolovou utilitu a knihovnu libtesseract pro integraci funkcí rozpoznávání textu do dalších aplikací. Mezi podporované externí GUI rozhraní Tesseract patří gImageReader, VietOCR a YAGF. Nabízí se dvě rozpoznávací engine: klasický, který rozpoznává text na úrovni vzorů jednotlivých znaků, a nový, založený na systémě strojového učení pomocí rekurentní neuronové sítě LSTM, optimalizované pro rozpoznávání celých řetězců a umožňující dosáhnout výrazného zvýšení přesnosti. Hotové vytrénované modely byly publikovány pro 123 jazyků. Pro optimalizaci výkonu jsou k dispozici moduly využívající OpenMP a SIMD instrukce AVX2, AVX, AVX512F, NEON nebo SSE4.1.
Hlavní vylepšení v Tesseract 5.2:
- Byly přidány optimalizace implementované pomocí instrukcí Intel AVX512F.
- V C API byla přidána funkce pro inicializaci tesseract s načtením modelu strojového učení z paměti.
- Byl přidán parametr invert_threshold, který určuje úroveň inverze textových řetězců. Výchozí hodnota je nastavena na 0.7. Pro vypnutí inverze je třeba nastavit hodnotu na 0.
- Byla zajištěna zpracování velmi velkých dokumentů na 32bitových hostitelích.
- Došlo k přechodu z používání funkcí std::regex na std::string.
- Vylepšeny bylo skripty pro kompilaci pro Autotools, CMake a systémy kontinuální integrace.
Zdroj: opennet.ru
