udgaven af systemet til optisk tegngenkendelse , der understøtter genkendelse af UTF-8-tegn og tekst på mere end 100 sprog, herunder russisk, kasakhisk, hviderussisk og ukrainsk. Resultatet kan gemmes som almindelig tekst eller i formaterne HTML (hOCR), ALTO (XML), PDF og TSV. Systemet blev oprindeligt udviklet i 1985-1995 i laboratoriet hos Hewlett Packard, og i 2005 blev koden gjort open source under Apache-licensen og har siden da været videreudviklet med inddragelse af medarbejdere fra Google. Projektets source-filer er under Apache 2.0-licensen.
Tesseract inkluderer et kommandolinjeværktøj og bibliotektet libtesseract til integrering af tekstgenkendelsesfunktioner i andre applikationer. Blandt de tredjeparts kan nævnes , og . Der tilbydes to genkendelsesmotorer: den klassiske, der genkender tekst på niveau med mønstre for enkelte tegn, og den nye, der bygger på anvendelse af en maskinlæringssystem baseret på en rekursiv neuralt netværk LSTM, optimeret til at genkende hele linjer og som muliggør en betydelig stigning i nøjagtigheden. De færdige trænede modeller er offentliggjort for . For at optimere ydeevnen tilbydes moduler, der bruger OpenMP og SIMD-instruktioner AVX2, AVX eller SSE4.1.
Vigtige i Tesseract 4.1:
- Tilføjet mulighed for output i XML-format (Analyseret Layout og Tekstobjekt). For at bruge dette format skal programmet startes som «tessaract billede_navn katalog_udgang alto»;
- Tilføjet nye renderingmoduler LSTMBox og WordStrBox, der forenkler træningen af motoren;
- Tilføjet støtte til pseudografik i hOCR-output (HTML);
- Tilføjet alternative scripts til træning af motoren baseret på maskinlæring, skrevet i Python;
- Udvidet optimering ved brug af instruktioner fra AVX, AVX2 og SSE;
- Som standard er understøttelsen af OpenMP deaktivert på grund af ydelsen;
- I LSTM-motoren er der tilføjet støtte til hvide og sorte lister;
- Forbedret build-scripts baseret på Cmake.
Kilde: opennet.ru
