La version du système de reconnaissance optique de caractères Tesseract 5.4.0 a été publiée, prenant en charge la reconnaissance de caractères UTF-8 et de textes en plus de 100 langues, y compris le russe, le kazakh, le biélorusse et l'ukrainien. Les résultats peuvent être enregistrés sous forme de texte brut ou dans les formats HTML (hOCR), ALTO (XML), PDF et TSV. À l'origine, le système a été créé entre 1985 et 1995 dans le laboratoire de la société Hewlett Packard. En 2005, le code a été ouvert sous la licence Apache et a ensuite été développé avec la participation des employés de Google. Les textes sources du projet sont diffusés 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 :
- Ajout de la prise en charge du rendu et de l'exportation au format PAGE-XML.
- Mise en œuvre d'une fonctionnalité d'entraînement du modèle utilisant des fichiers au format PNG au lieu de fichiers LSTMF.
- Amélioration du rendu au format PDF.
- Extension de l'API pour la détection de l'inclinaison du texte.
- Résolution des problèmes de performance détectés lors de l'analyse dans le système Coverity.
Source : opennet.ru
