Publicouse o lanzamento do sistema de recoñecemento óptico de texto Tesseract 5.3.4, que admite o recoñecemento de caracteres UTF-8 e textos en máis de 100 idiomas, entre eles ruso, casaco, bielorruso e ucraíno. O resultado pódese gardar en texto plano ou en formatos HTML (hOCR), ALTO (XML), PDF e TSV. O sistema foi orixinalmente creado en 1985-1995 no laboratorio de Hewlett Packard; en 2005, o código abriuse baixo a licenza Apache e foi desenvolvido aínda máis coa participación dos empregados de Google. O código fonte do proxecto distribúese baixo a licenza Apache 2.0.
Tesseract inclúe unha utilidade de consola e a biblioteca libtesseract para incorporar a funcionalidade OCR noutras aplicacións. As interfaces GUI de terceiros que admiten Tesseract inclúen gImageReader, VietOCR e YAGF. Ofrécense dous motores de recoñecemento: un clásico que recoñece texto a nivel de patróns de caracteres individuais, e outro novo baseado no uso dun sistema de aprendizaxe automática baseado nunha rede neuronal recorrente LSTM, optimizada para recoñecer cadeas enteiras e que permite unha aumento significativo da precisión. Publicáronse modelos adestrados preparados para 123 idiomas. Para optimizar o rendemento, ofrécense módulos que utilizan instrucións OpenMP e SIMD AVX2, AVX, AVX512F, NEON ou SSE4.1.
Melloras principais:
- Recoñecemento de imaxes mellorado por URL coa descarga de ficheiros mediante a biblioteca libcurl. Ao cargar, establécese a cabeceira User-Agent. Engadiuse un novo parámetro curl_cookiefile para usar un ficheiro de cookies.
- O servidor ScrollView usa TCP como protocolo preferido.
- Cando se utiliza o comando "combine_tessdata -d", a saída é proporcionada a stdout en lugar de stderr.
- Solucionáronse problemas de compilación ao usar autoconf e clang.
Fonte: opennet.ru