Kiadásra került a Tesseract 5.1 optikai karakterfelismerő rendszer, amely támogatja az UTF-8 karakterek és több mint 100 nyelv, köztük orosz, kazah, belorusz és ukrán szövegek felismerését. Az eredmény lehetőséget ad nyílt szövegként, valamint HTML (hOCR), ALTO (XML), PDF és TSV formátumokban való mentésre. A rendszer eredetileg 1985-1995 között készült a Hewlett Packard laboratóriumában, majd 2005-ben a kód nyílt forráskódú lett Apache licenc alatt, és további fejlődését a Google munkatársai segítették. A projekt forráskódja Apache 2.0 licenc alatt terjeszthető.
A Tesseract konzol alkalmazást és a libtesseract könyvtárat tartalmaz, amely lehetővé teszi a szövegfelismerési funkciók beépítését más alkalmazásokba. A Tesseract-ot támogató külső GUI-interfészek között említhetjük a gImageReader, VietOCR és YAGF alkalmazásokat. Két felismerő motor áll rendelkezésre: a klasszikus, amely a karakterek egyedi sablon szintű felismerésére épül, valamint az új, a LSTM alapú gépi tanulási rendszert alkalmazó, amely optimalizálva van a teljes sorok felismerésére, így jelentős pontosságnövelést biztosít. Kész, betanított modellek érhetők el 123 nyelvhez. A teljesítmény optimalizálására OpenMP és SIMD utasításokat (AVX2, AVX, NEON vagy SSE4.1) használó modulok állnak rendelkezésre.
A Tesseract 5.1 főbb fejlesztései:
- Lehetővé vált a képekkel és vonalakkal rendelkező területek kezelése ALTO, hOCR és text formátumokba történő kimenet esetén.
- Új curl_timeout paraméter került hozzáadásra lkz curl_easy_setopt.
- Javult a build rendszer.
- Történt tisztítás a nem használt kód eltávolítása érdekében.
- Megszüntették a PageIterator::Orientation osztályban a null pointerek helytelen kezelése által okozott hibákat.
Forrás: opennet.ru
