Objavljen je release sustava optičkog prepoznavanja teksta Tesseract 5.4.0, koji podržava prepoznavanje UTF-8 znakova i tekstova na više od 100 jezika, uključujući ruski, kazahstanski, bjeloruski i ukrajinski. Rezultati se mogu spremati kao običan tekst ili u formatima HTML (hOCR), ALTO (XML), PDF i TSV. Sustav je izvorno razvijen od 1985. do 1995. godine u laboratoriju tvrtke Hewlett Packard, a 2005. godine kod je otvoren pod Apache licencom i kasnije se razvijao uz sudjelovanje zaposlenika tvrtke Google. Izvorni tekstovi projekta distribuiraju se pod Apache 2.0 licencom.
Tesseract uključuje konzolnu utilitu i biblioteku libtesseract za integraciju funkcija prepoznavanja teksta u druge aplikacije. Od vanjskih GUI sučelja koja podržavaju Tesseract, mogu se istaknuti gImageReader, VietOCR i YAGF. Dostupna su dva motora prepoznavanja: klasični, koji prepoznaje tekst na razini predložaka pojedinačnih znakova, i novi, zasnovan na sustavu strojnog učenja putem rekurentne neuronske mreže LSTM, optimiziran za prepoznavanje cijelih redaka, što omogućava znatno povećanje točnosti. Gotovi trenirani modeli objavljeni su za 123 jezika. Za optimizaciju performansi nude se moduli koji koriste OpenMP i SIMD instrukcije AVX2, AVX, AVX512F, NEON ili SSE4.1.
Glavna poboljšanja:
- Dodana je podrška za iscrtavanje i izvoz u formatu PAGE-XML.
- Omogućena je obuka modela koristeći datoteke u PNG formatu umjesto LSTMF datoteka.
- Poboljšano je iscrtavanje u PDF formatu.
- Proširen je API za određivanje nagiba teksta.
- Ispravljeni su problemi s performansama otkriveni tijekom skeniranja u sustavu Coverity.
Izvor: opennet.ru
