Veröffentlichung des optischen Texterkennungssystems , das die Erkennung von UTF-8-Zeichen und Texten in mehr als 100 Sprachen einschließlich Russisch, Kasachisch, Weißrussisch und Ukrainisch unterstützt. Die Ergebnisse können sowohl im Klartext als auch in den Formaten HTML (hOCR), ALTO (XML), PDF und TSV gespeichert werden. Ursprünglich wurde das System zwischen 1985 und 1995 im Labor von Hewlett Packard entwickelt; im Jahr 2005 wurde der Code unter der Apache-Lizenz veröffentlicht und später mit Unterstützung von Mitarbeitern von Google weiterentwickelt. Die Originaltexte des Projekts unter der Apache 2.0-Lizenz.
Tesseract umfasst ein Konsolenwerkzeug und die Bibliothek libtesseract, um Texterkennungsfunktionen in andere Anwendungen zu integrieren. Zu den unterstützenden Tesseract-Drittanbietersoftware kann man , und . Es werden zwei Erkennungsengines angeboten: die klassische Engine, die Text auf der Grundlage von Mustern einzelner Zeichen erkennt, und eine neue, die auf einem maschinellen Lernsystem mit rekurrenten neuronalen Netzen (LSTM) basiert, optimiert für die Erkennung ganzer Zeilen und ermöglicht eine erhebliche Erhöhung der Genauigkeit. Fertig trainierte Modelle sind für . Zur Optimierung der Leistung werden Module angeboten, die OpenMP und AVX2-, AVX- oder SSE4.1-Befehle nutzen.
Haupt in Tesseract 4.1:
- Die Möglichkeit zum Export im XML-Format wurde hinzugefügt. (Analyzed Layout and Text Object). Um dieses Format zu verwenden, starten Sie die Anwendung mit „tesseract bildname ausgabeverzeichnis alto“;
- Neue Rendering-Module LSTMBox und WordStrBox wurden hinzugefügt, um das Training der Engine zu erleichtern;
- Unterstützung für Pseudografiken im hOCR-Ausgabeformat (HTML) wurde hinzugefügt;
- Es wurden alternative Skripte in Python für das maschinelle Lernen zur Schulung der Engine hinzugefügt;
- Optimierungen mit AVX-, AVX2- und SSE-Befehlen wurden erweitert;
- Die Unterstützung für OpenMP ist standardmäßig deaktiviert aufgrund von der Leistung;
- Der LSTM-Engine wurde Unterstützung für White- und Blacklists hinzugefügt;
- Die Build-Skripte basierend auf Cmake wurden verbessert.
Quelle: opennet.ru
