Se ha publicado la versión del sistema de reconocimiento óptico de texto Tesseract 5.3.4, que admite el reconocimiento de caracteres UTF-8 y textos en más de 100 idiomas, incluidos ruso, kazajo, bielorruso y ucraniano. Los resultados pueden guardarse tanto en texto plano como en formatos HTML (hOCR), ALTO (XML), PDF y TSV. Originalmente, el sistema fue creado entre 1985 y 1995 en el laboratorio de Hewlett Packard, en 2005 el código fue liberado bajo licencia Apache y posteriormente fue desarrollado con la participación de empleados de Google. Los textos fuente 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 GUI de terceros que soportan Tesseract se encuentran gImageReader, VietOCR y YAGF. Se ofrecen dos motores de reconocimiento: el clásico, que reconoce el texto a nivel de patrones de caracteres individuales, y uno nuevo, basado en un sistema de aprendizaje automático con red neuronal recurrente LSTM, optimizado para el reconocimiento de líneas completas y que permite lograr un aumento significativo en la precisión. Se publican modelos entrenados listos para 123 idiomas. Para optimizar el rendimiento, se ofrecen módulos que utilizan instrucciones OpenMP y SIMD AVX2, AVX, AVX512F, NEON o SSE4.1.
Principales mejoras:
- Se ha mejorado el reconocimiento de imágenes por URL con la carga de archivos utilizando la biblioteca libcurl. Al cargar, se ha garantizado el establecimiento del encabezado User-Agent. Se ha añadido un nuevo parámetro curl_cookiefile para utilizar un archivo con cookies.
- En servidor ScrollView utilizará TCP como el protocolo prioritario.
- Al usar el comando “combine_tessdata -d”, se garantiza la salida en el flujo stdout en lugar de stderr.
- Se han solucionado problemas de compilación al usar autoconf y clang.
Fuente: opennet.ru
