Tesseracti 5.3.4 teksti tuvastamise süsteemi väljalase

Tesseract 5.3.4 optiliseeritud teksti tuvastamise süsteem on nüüd välja antud. See toetab UTF-8 sümbolite tuvastamist ja rohkem kui 100 keeles tekste, sealhulgas vene, kazaki, valgevene ja ukraina keeles. Tulemused võivad salvestuda avatud tekstina või formaatides HTML (hOCR), ALTO (XML), PDF ja TSV. Süsteem loodi algselt aastatel 1985-1995 Hewlett Packardi laboris, kood avati 2005. aastal Apache litsentsi alusel ning seda on hiljem arendanud Google'i töötajad. Projekti alged jaotatakse Apache 2.0 litsentsi alusel.

Tesseract sisaldab käsurea utiliiti ja libtesseract teeki, et integreerida teksti tuvastamise funktsioone teistesse rakendustesse. Tesseracti toetavate kolmanda osapoole GUI-de hulka kuuluvad gImageReader, VietOCR ja YAGF. Pakutakse kahte tuvastusmootorit: klassikaline, mis tuvastab teksti üksikute sümbolite mallide tasandil, ja uus, mis põhineb masinõppes rakendatud korduvatel närvivõrkudel LSTM, optimeeritud ridade tervikuna tuvastamiseks, mis võimaldab saavutada märgatavat täpsuse tõusu. Koolitatud mudelid on avaldatud 123 keele jaoks. Tõhususe optimeerimiseks pakutakse mooduleid, mis kasutavad OpenMP ja SIMD-käsklusi, sealhulgas AVX2, AVX, AVX512F, NEON või SSE4.1.

Peamised täiustused:

• Pildi tuvastamine URL-ide kaudu on paranenud, kasutades faili laadimist libcurl teegi abil. Laadimisel on tagatud User-Agent'i päise määramine. Uus parameeter curl_cookiefile on lisatud, et kasutada küpsistusfaili.
• Uues serveris TCP on prioriteetsena kasutusel ScrollView protokollina.
• Käesoleva „combine_tessdata -d” käsu kasutamisel tagatakse väljundi suunamine stdout'i, mitte stderr'i.
• Autoconfi ja clangiga loodud probleemid on lahendatud.

Allikas: opennet.ru