Se ha publicado el lanzamiento del sistema de reconocimiento óptico de texto Tesseract 5.3.4, que admite el reconocimiento de caracteres y textos UTF-8 en más de 100 idiomas, incluidos ruso, kazajo, bielorruso y ucraniano. El resultado se puede guardar en texto plano o en formatos HTML (hOCR), ALTO (XML), PDF y TSV. El sistema fue creado originalmente en 1985-1995 en el laboratorio de Hewlett Packard, en 2005 el código se abrió bajo la licencia Apache y se desarrolló con la participación de empleados de Google. El código fuente del proyecto se distribuye bajo la licencia Apache 2.0.
Tesseract incluye una utilidad de consola y la biblioteca libtesseract para incorporar la funcionalidad OCR en otras aplicaciones. Las interfaces GUI de terceros que admiten Tesseract incluyen gImageReader, VietOCR y YAGF. Se ofrecen dos motores de reconocimiento: uno clásico que reconoce texto a nivel de patrones de caracteres individuales, y uno nuevo basado en el uso de un sistema de aprendizaje automático basado en una red neuronal recurrente LSTM, optimizado para reconocer cadenas enteras y permitiendo una aumento significativo de la precisión. Se han publicado modelos entrenados ya preparados 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:
- Reconocimiento de imágenes mejorado por URL con descarga de archivos usando la biblioteca libcurl. Al cargar, se establece el encabezado User-Agent. Se agregó un nuevo parámetro curl_cookiefile para usar un archivo de cookies.
- El servidor ScrollView utiliza TCP como protocolo preferido.
- Cuando se utiliza el comando "combine_tessdata -d", la salida se proporciona a stdout en lugar de stderr.
- Se corrigieron problemas de compilación al usar autoconf y clang.
Fuente: opennet.ru