Udgivelsen af tekstgenkendelsessystemet Tesseract 5.1 er blevet offentliggjort, som understøtter genkendelse af UTF-8 tegn og tekster på mere end 100 sprog, herunder russisk, kasakhisk, hviderussisk og ukrainsk. Resultatet kan gemmes som almindelig tekst, samt i formaterne HTML (hOCR), ALTO (XML), PDF og TSV. Systemet blev oprindeligt skabt i 1985-1995 i laboratoriet hos Hewlett Packard, og i 2005 blev koden frigivet under Apache-licensen og blev derefter videreudviklet med deltagelse af medarbejdere fra Google. Projektets kildekoder distribueres under Apache 2.0-licensen.
Tesseract inkluderer et kommandolinjeværktøj og bibliotektet libtesseract for at integrere tekstgenkendelsesfunktioner i andre applikationer. Blandt de understøttede tredjeparts GUI-grænseflader kan gImageReader, VietOCR og YAGF nævnes. Der tilbydes to genkendelsesmotorer: den klassiske, som genkender tekst på niveauet for individuelle tegn, og den nye, der er baseret på brugen af et maskinlæringssystem ved hjælp af en rekurrent neural netværk LSTM, der er optimeret til genkendelse af hele linjer og tillader en betydelig nøjagtighedsforøgelse. Færdige træningsmodeller er offentliggjort for 123 sprog. For at optimere ydeevnen tilbydes moduler, der anvender OpenMP og SIMD-instruktioner AVX2, AVX, NEON eller SSE4.1.
De vigtigste forbedringer i Tesseract 5.1:
- Muligheden for at behandle områder med billeder og linjer er blevet implementeret ved udskrivning i formaterne ALTO, hOCR og tekst.
- En ny parameter curl_timeout er blevet tilføjet til curl_easy_setopt.
- Bygningssystemet er blevet forbedret.
- Der er arbejdet på at fjerne ubrugelig kode.
- Fejl forårsaget af forkert behandling af nulptr i klassen PageIterator::Orientation er blevet løst.
Kilde: opennet.ru
