Lanzamiento del sistema de reconocimiento de texto Tesseract 4.1

Preparado lanzamiento del sistema de reconocimiento óptico de texto Tesseract 4.1, que soporta el reconocimiento de caracteres UTF-8 y textos en más de 100 idiomas, incluyendo ruso, kazajo, bielorruso y ucraniano. El resultado puede guardarse como texto plano o en formatos HTML (hOCR), ALTO (XML), PDF y TSV. Inicialmente, el sistema fue creado entre 1985 y 1995 en el laboratorio de la compañía Hewlett Packard, en 2005 el código fue liberado bajo la licencia Apache y luego se desarrolló con la participación de empleados de Google. Los textos originales del proyecto se distribuyen bajo la licencia Apache 2.0.

Tesseract incluye una utilidad de consola y la biblioteca libtesseract para integrar funciones de reconocimiento de texto en otras aplicaciones. Entre las interfaces GUI de terceros que soportan Tesseract se pueden mencionar gImageReader VietOCR, YAGF y . Se ofrecen dos motores de reconocimiento: el clásico, que reconoce texto a nivel de patrones de caracteres individuales, y uno nuevo, que se basa en el uso de sistemas de aprendizaje automático con redes neuronales recurrentes LSTM, optimizado para reconocer líneas completas y que permite un aumento significativo de la precisión. Modelos entrenados ya disponibles para123 idiomas . Para optimizar el rendimiento, se ofrecen módulos que utilizan OpenMP y las instrucciones SIMD AVX2, AVX o SSE4.1.en Tesseract 4.1:

Principales mejoras Se ha añadido la opción de salida en formato XML

• ALTO (Analyzed Layout and Text Object). Para utilizar este formato, debe ejecutar la aplicación como 'tesseract nombre_imagen directorio_salida alto'; Se han añadido nuevos módulos de renderizado LSTMBox y WordStrBox, facilitando el entrenamiento del motor;
• Se ha añadido soporte para gráficos ASCII en la salida hOCR (HTML);
• Se han añadido scripts alternativos en Python para entrenar el motor basado en aprendizaje automático;
• Se han ampliado las optimizaciones utilizando instrucciones AVX, AVX2 y SSE;
• Por defecto, el soporte de OpenMP está deshabilitado debido a
• rendimiento; problemas En el motor LSTM se ha añadido soporte para listas blancas y negras;
• Se han mejorado los scripts de compilación basados en Cmake.
• Se ha preparado el lanzamiento del sistema de reconocimiento óptico de texto

Fuente: opennet.ru