Die Veröffentlichung des optischen Zeichenerkennungssystems Tesseract 5.2 ist erfolgt, welches die Erkennung von UTF-8-Zeichen und Texten in über 100 Sprachen unterstützt, einschließlich Russisch, Kasachisch, Weißrussisch und Ukrainisch. Die Ergebnisse können sowohl als reiner Text als auch in den Formaten HTML (hOCR), ALTO (XML), PDF und TSV gespeichert werden. Ursprünglich wurde das System in den Jahren 1985-1995 im Labor von Hewlett Packard entwickelt, 2005 wurde der Code unter der Apache-Lizenz freigegeben und seither mit Unterstützung von Mitarbeitern des Unternehmens Google weiterentwickelt. Die Quelltexte des Projekts werden unter der Lizenz Apache 2.0 verbreitet.
Tesseract beinhaltet ein Konsolenwerkzeug sowie die Bibliothek libtesseract, um Funktionen zur Texterkennung in andere Anwendungen zu integrieren. Zu den unterstützenden GUI-Interfaces von Tesseract gehören gImageReader, VietOCR und YAGF. Es werden zwei Erkennungsmotoren angeboten: der klassische, der Text auf Basis von Zeichenmustern erkennt, und der neue, der auf einem maschinellen Lernsystem mit einem rekurrenten neuronalen Netzwerk (LSTM) basiert, welches für die Erkennung ganzer Zeilen optimiert ist und eine signifikante Steigerung der Genauigkeit ermöglicht. Fertig trainierte Modelle sind für 123 Sprachen veröffentlicht. Zur Leistungsoptimierung stehen Module zur Verfügung, die OpenMP und SIMD-Befehle wie AVX2, AVX, AVX512F, NEON oder SSE4.1 nutzen.
Die wichtigsten Verbesserungen in Tesseract 5.2:
- Es wurden Optimierungen implementiert, die mit Intel AVX512F-Befehlen realisiert wurden.
- In der C-API wurde eine Funktion zur Initialisierung von Tesseract mit dem Laden von Modellen aus dem Speicher implementiert.
- Ein neuer Parameter invert_threshold wurde hinzugefügt, der das Niveau der Invertierung von Textzeilen bestimmt. Standardmäßig ist der Wert auf 0,7 eingestellt. Um die Invertierung zu deaktivieren, stellen Sie den Wert auf 0 ein.
- Die Verarbeitung von sehr großen Dokumenten auf 32-Bit-Hosts wurde optimiert.
- Der Übergang von std::regex zu std::string wurde vollzogen.
- Die Build-Skripte für Autotools, CMake und Continuous-Integration-Systeme wurden verbessert.
Quelle: opennet.ru
