Freigabe des Textverarbeitungssystems Tesseract 4.1

Vorbereitet Veröffentlichung des Systems zur optischen Texterkennung Tesseract 4.1, das die Erkennung von UTF-8-Zeichen und Texten in mehr als 100 Sprachen, einschließlich Russisch, Kasachisch, Weißrussisch und Ukrainisch unterstützt. Die Ergebnisse können als reiner Text sowie in HTML (hOCR), ALTO (XML), PDF und TSV gespeichert werden. Ursprünglich wurde das System zwischen 1985 und 1995 im Labor von Hewlett Packard entwickelt, der Code wurde 2005 unter der Apache-Lizenz veröffentlicht und wurde seither mit Unterstützung von Google weiterentwickelt. Die Quelltexte des Projekts unter der freien Lizenz Apache 2.0 verbreitet. unter der Apache 2.0 Lizenz.

Tesseract umfasst ein Konsolenwerkzeug und die Bibliothek libtesseract zur Integration von Texterkennungsfunktionen in andere Anwendungen. Von der Tesseract unterstützte Drittanbieter GUI-Schnittstellen kann man hervorheben, gImageReader, VietOCR und YAGF. Es stehen zwei Texterkennungs-Engines zur Verfügung: eine klassische Engine, die Text auf Zeichenebene erkennt, sowie eine neue, die auf einem maschinellen Lernsystem mit rekurrenten neuronalen Netzen (LSTM) basiert, optimiert für die Erkennung ganzer Zeilen und eine signifikante Steigerung der Genauigkeit ermöglicht. Vorab trainierte Modelle sind für 123 Sprachenverfügbar. Zur Optimierung der Leistung werden Module angeboten, die OpenMP und SIMD-Instruktionen wie AVX2, AVX oder SSE4.1 nutzen.

Haupt- Verbesserungen in Tesseract 4.1:

• Die Möglichkeit zur Ausgabe im XML-Format wurde hinzugefügt ALTO (Analyzed Layout and Text Object). Um dieses Format zu verwenden, sollte die Anwendung mit dem Befehl «tessaract bildname ausgabeverzeichnis alto» gestartet werden;
• Neue Rendering-Module wie LSTMBox und WordStrBox wurden hinzugefügt, die das Training der Engine erleichtern;
• Die Unterstützung von Pseudografie in der hOCR-Ausgabe (HTML) wurde hinzugefügt;
• Es wurden alternative Skripte zur Ausbildung der Engine auf Basis von maschinellem Lernen in Python hinzugefügt;
• Optimierungen unter Verwendung von AVX-, AVX2- und SSE-Instruktionen wurden erweitert;
• Die OpenMP-Unterstützung ist standardmäßig deaktiviert aufgrund von der Probleme Leistungsproblemen;
• Im LSTM-Engine wurden die Unterstützung für weiße und schwarze Listen hinzugefügt;
• Die Build-Skripte basierend auf CMake wurden verbessert.

Quelle: opennet.ru