La version du système de reconnaissance optique de caractères Tesseract 5.3.4 a été publiée, prenant en charge la reconnaissance des caractères UTF-8 et des textes dans plus de 100 langues, y compris le russe, le kazakh, le biélorusse et l'ukrainien. Les résultats peuvent être enregistrés en tant que texte brut ou dans des formats HTML (hOCR), ALTO (XML), PDF et TSV. Le système a été initialement créé entre 1985 et 1995 dans les laboratoires de Hewlett Packard, et en 2005, le code a été rendu open source sous la licence Apache, puis a été développé avec la participation des employés de Google. Les textes source du projet sont distribués sous la licence Apache 2.0.
Tesseract inclut un utilitaire en ligne de commande et une bibliothèque libtesseract pour intégrer des fonctions de reconnaissance de texte dans d'autres applications. Parmi les interfaces GUI tierces prenant en charge Tesseract, on peut citer gImageReader, VietOCR et YAGF. Deux moteurs de reconnaissance sont proposés : un classique, qui reconnaît le texte à un niveau d'échantillonnage des caractères individuels, et un nouveau, basé sur l'utilisation d'un système d'apprentissage machine avec un réseau de neurones récurrent LSTM, optimisé pour reconnaître des lignes entières et permettant d'obtenir une précision significativement améliorée. Des modèles pré-entraînés sont publiés pour 123 langues. Pour optimiser les performances, des modules utilisant OpenMP et des instructions SIMD AVX2, AVX, AVX512F, NEON ou SSE4.1 sont proposés.
Améliorations principales :
- La reconnaissance des images par URL a été améliorée grâce au téléchargement de fichiers avec la bibliothèque libcurl. Le transfert garantit la définition de l'en-tête User-Agent. Un nouveau paramètre curl_cookiefile a été ajouté pour utiliser un fichier contenant des cookies.
- Dans le serveur ScrollView utilise TCP comme protocole prioritaire.
- En utilisant la commande «combine_tessdata -d», la sortie est maintenant dirigée vers le flux stdout au lieu de stderr.
- Les problèmes de compilation utilisant autoconf et clang ont été résolus.
Source : opennet.ru
