Die Version 5.3.4 des optischen Zeichenerkennungssystems Tesseract wurde veröffentlicht. Es unterstützt die Erkennung von UTF-8-Zeichen und Texten in über 100 Sprachen, einschließlich Russisch, Kasachisch, Weißrussisch und Ukrainisch. Die Ergebnisse können sowohl als Nur-Text als auch in den Formaten HTML (hOCR), ALTO (XML), PDF und TSV gespeichert werden. Ursprünglich wurde das System zwischen 1985 und 1995 im Labor der Firma Hewlett Packard entwickelt. 2005 wurde der Code unter der Apache-Lizenz veröffentlicht und anschließend mit Unterstützung von Google weiterentwickelt. Die Quelltexte des Projekts werden unter der Lizenz Apache 2.0 verteilt.
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.
Wesentliche Verbesserungen:
- Die Bildkennung über URL wurde verbessert, indem die Datei mithilfe der Bibliothek libcurl hochgeladen wird. Beim Upload wird der User-Agent-Header gesetzt. Ein neuer Parameter curl_cookiefile wurde hinzugefügt, um eine Cookie-Datei zu verwenden.
- In Server ScrollView wird nun als bevorzugtes Protokoll über TCP eingesetzt.
- Bei der Verwendung des Befehls „combine_tessdata -d“ wird der Output in den stdout-Strom anstatt in stderr geleitet.
- Bauprobleme bei der Verwendung von autoconf und clang wurden behoben.
Quelle: opennet.ru
