Die Veröffentlichung des Systems zur optischen Zeichenerkennung Tesseract 5.4.0 wurde bekannt gegeben. Es unterstützt die Erkennung von UTF-8-Zeichen und Texten in mehr als 100 Sprachen, darunter Russisch, Kasachisch, Weißrussisch und Ukrainisch. Die Ergebnisse können sowohl als Klartext als auch in HTML-Formaten (hOCR), ALTO (XML), PDF und TSV gespeichert werden. Ursprünglich wurde das System zwischen 1985 und 1995 im Labor des Unternehmens Hewlett Packard entwickelt. Im Jahr 2005 wurde der Code unter der Apache-Lizenz veröffentlicht und entwickelte sich anschließend mit der Beteiligung von Mitarbeitern der Firma Google. 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:
- Unterstützung für die Rendering- und Exportfunktionen im PAGE-XML-Format wurde hinzugefügt.
- Die Möglichkeit, das Modell zu trainieren, wurde umgesetzt, indem PNG-Dateien anstelle von LSTMF-Dateien verwendet werden.
- Die PDF-Darstellung wurde verbessert.
- Die API zur Erkennung der Textneigung wurde erweitert.
- Leistungsprobleme, die beim Scannen im Coverity-System festgestellt wurden, wurden behoben.
Quelle: opennet.ru
