Byl uvolněn nový příspěvek systému optického rozpoznávání textu Tesseract 5.3.4, který podporuje rozpoznávání znaků UTF-8 a textů ve více než 100 jazycích, včetně ruštiny, kazaštiny, běloruštiny a ukrajinštiny. Výsledek může být uložen buď jako otevřený text, nebo ve formátech HTML (hOCR), ALTO (XML), PDF a TSV. Systém byl původně vyvinut v letech 1985-1995 v laboratoři společnosti Hewlett Packard, v roce 2005 byl kód uvolněn pod licencí Apache a dále byl rozvíjen za účasti zaměstnanců společnosti Google. Zdrojové kódy projektu se šíří 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:
- Vylepšeno rozpoznávání obrazů podle URL s nahráváním souboru pomocí knihovny libcurl. Při nahrávání je zajištěno nastavení hlavičky User-Agent. Přidán nový parametr curl_cookiefile pro použití souboru s cookie.
- V serveru ScrollView nyní používá protokol TCP jako prioritu.
- Při použití příkazu „combine_tessdata -d“ je zajištěn výstup do proudu stdout namísto stderr.
- Opraveny problémy se sestavením při použití autoconf a clang.
Zdroj: opennet.ru
