Byla vydána verze optického rozpoznávání textu Tesseract 5.4.0, která podporuje rozpoznávání znaků UTF-8 a textů ve více než 100 jazycích, včetně ruštiny, kazaštiny, běloruštiny a ukrajinštiny. Výsledek může být uložen jak jako prostý text, tak ve formátech HTML (hOCR), ALTO (XML), PDF a TSV. Původně byla systém vytvořen v letech 1985-1995 v laboratoři společnosti Hewlett Packard, v roce 2005 byl kód uvolněn pod licencí Apache a dále se vyvíjel za účasti pracovníků společnosti Google. Zdrojové texty 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:
- Byla přidána podpora vykreslování a exportu ve formátu PAGE-XML.
- Byla implementována možnost trénování modelu pomocí souborů ve formátu PNG místo souborů LSTMF.
- Bylo vylepšeno vykreslování do formátu PDF.
- API pro určování náklonu textu bylo rozšířeno.
- Byly odstraněny problémy s výkonem, které byly zjištěny při skenování v systému Coverity.
Zdroj: opennet.ru
