Die Veröffentlichung der Optical Character Recognition (OCR)-Software Tesseract 5.3.4, die die Erkennung von UTF-8-Zeichen und Texten in mehr als 100 Sprachen, einschließlich Russisch, Kasachisch, Weißrussisch und Ukrainisch, unterstützt, wurde bekannt gegeben. Die Ergebnisse können als Klartext sowie in HTML (hOCR), ALTO (XML), PDF und TSV gespeichert werden. Ursprünglich wurde das System von 1985 bis 1995 in einem Labor von Hewlett Packard entwickelt, 2005 wurde der Code unter der Apache-Lizenz veröffentlicht und wurde später mit Unterstützung von Google- Mitarbeitern weiterentwickelt. Die Quelltexte des Projekts werden unter der Apache 2.0-Lizenz verteilt.
Tesseract beinhaltet ein Konsolen-Utility und die Bibliothek libtesseract zur Integration von Textanerkennungsfunktionen in andere Anwendungen. Zu den unterstützenden GUI-Schnittstellen von Drittanbietern für Tesseract gehören gImageReader, VietOCR und YAGF. Es werden zwei Erkennungs-Engines angeboten: eine klassische, die Text auf der Grundlage von Mustern einzelner Zeichen erkennt, und eine neue, die auf einem maschinellen Lernsystem mit rekurrenten neuronalen Netzwerken (LSTM) basiert, das für die Erkennung ganzer Zeilen optimiert ist und zu einem signifikanten Anstieg der Genauigkeit führt. Fertige trainierte Modelle sind für 123 Sprachen veröffentlicht worden. Zur Optimierung der Leistung werden Module angeboten, die OpenMP und SIMD-Befehle wie AVX2, AVX, AVX512F, NEON oder SSE4.1 verwenden.
Hauptverbesserungen:
- Die Erkennung von Bildern über URL wurde mit dem Hochladen von Dateien mittels der Bibliothek libcurl verbessert. Beim Hochladen wird der User-Agent-Header gesetzt. Ein neuer Parameter curl_cookiefile wurde hinzugefügt, um eine Cookie-Datei zu verwenden.
- Im Server Für ScrollView wurde TCP als bevorzugtes Protokoll verwendet.
- Bei Verwendung des Befehls „combine_tessdata -d“ wird die Ausgabe in den stdout-Stream anstelle von stderr gewährleistet.
- Probleme beim Kompilieren unter Verwendung von autoconf und clang wurden behoben.
Quelle: opennet.ru
