Udgivelsen af Tesseract 5.3.4, et system til optisk tegngenkendelse, der understøtter genkendelse af UTF-8-tegn og tekst på mere end 100 sprog, herunder russisk, kasakhisk, hviderussisk og ukrainsk, er blevet offentliggjort. Resultatet kan gemmes som ren tekst eller i HTML-format (hOCR), ALTO (XML), PDF og TSV. Systemet blev oprindeligt udviklet fra 1985-1995 i laboratoriet hos Hewlett Packard, og i 2005 blev koden åbnet under Apache-licensen og har siden da været videreudviklet med deltagelse af medarbejdere fra Google. Projektets kildekoder distribueres under Apache 2.0-licensen.
Tesseract inkluderer et kommandolinjeværktøj og biblioteket libtesseract til indbygning af tekstgenkendelsesfunktioner i andre applikationer. Blandt de eksterne GUI-grænseflader, der understøtter Tesseract, kan nævnes gImageReader, VietOCR og YAGF. Der tilbydes to genkendelsesmotorer: en klassisk, der genkender tekst på niveau med mallene for individuelle tegn, og en ny, der er baseret på anvendelsen af et maskinlæringssystem med en rekurrent neural netværk (LSTM), optimeret til at genkende hele linjer og derved opnå betydelig forbedring af nøjagtigheden. Færdigtrænede modeller er offentliggjort til 123 sprog. For at optimere ydeevnen tilbydes moduler, der bruger OpenMP og AVX2, AVX, AVX512F, NEON eller SSE4.1 SIMD-instruktioner.
Hovedforbedringer:
- Billedgenkendelsen via URL er forbedret med filupload ved hjælp af libcurl-biblioteket. Under upload er indstillingen af User-Agent headeren sikret. En ny parameter curl_cookiefile er tilføjet for at bruge en cookie-fil.
- I serveren ScrollView anvender TCP som prioriteret protokol.
- Når kommandoen “combine_tessdata -d” anvendes, er uddata nu sendt til stdout i stedet for stderr.
- Problemerne med opbygning ved brug af autoconf og clang er løst.
Kilde: opennet.ru
