Die neue Version des optischen Zeichenerkennungssystems Tesseract 5.1 ist veröffentlicht worden. Sie unterstützt die Erkennung von UTF-8 Zeichen und Texten in über 100 Sprachen, einschließlich Russisch, Kasachisch, Weißrussisch und Ukrainisch. Die Ergebnisse können sowohl als Klartext als auch in den Formaten HTML (hOCR), ALTO (XML), PDF und TSV gespeichert werden. Ursprünglich wurde das System in den Jahren 1985 bis 1995 im Labor von Hewlett Packard entwickelt. Im Jahr 2005 wurde der Code unter der Apache-Lizenz veröffentlicht und wurde seither mit Beteiligung von Mitarbeitern der Firma Google weiterentwickelt. Die Quelltexte des Projekts werden unter der Apache 2.0 Lizenz bereitgestellt.
Tesseract umfasst ein Konsolen-Tool und die Bibliothek libtesseract, um Funktionen zur Texterkennung in andere Anwendungen zu integrieren. Zu den unterstützenden GUI-Interfaces von Drittanbietern für Tesseract gehören gImageReader, VietOCR und YAGF. Es werden zwei Erkennungs-Engines angeboten: die klassische, die Text auf der Grundlage von Einzelzeichen-Vorlagen erkennt, und die neue, die auf einem Machine-Learning-System basierend auf rekurrenten neuronalen Netzen (LSTM) basiert. Letztere ist optimiert für die Erkennung ganzer Textzeilen und ermöglicht eine signifikante Steigerung der Genauigkeit. Vorgefertigte, trainierte Modelle sind für 123 Sprachen veröffentlicht. Zur Optimierung der Leistung stehen Module zur Verfügung, die OpenMP und SIMD-Instruktionen wie AVX2, AVX, NEON oder SSE4.1 verwenden.
Die wichtigsten Verbesserungen in Tesseract 5.1:
- Es wurde die Möglichkeit implementiert, Bereiche mit Bildern und Linien beim Export in die Formate ALTO, hOCR und Text zu verarbeiten.
- Ein neuer Parameter curl_timeout lkz curl_easy_setopt wurde hinzugefügt.
- Das Build-System wurde optimiert.
- Es wurde an der Beseitigung von ungenutztem Code gearbeitet.
- Abstürze, die durch die fehlerhafte Verarbeitung von Nullzeigern in der Klasse PageIterator::Orientation verursacht wurden, wurden behoben.
Quelle: opennet.ru
