Megjelent a Tesseract 5.3.4 optikai karakterfelismerő rendszer, amely támogatja az UTF-8 karakterek és több mint 100 nyelv, köztük orosz, kazah, belorusz és ukrán szövegek felismerését. Az eredmények nyers szövegként, valamint HTML (hOCR), ALTO (XML), PDF és TSV formátumban is menthetők. A rendszert eredetileg 1985-1995 között fejlesztette a Hewlett Packard laboratóriuma, a kód 2005-ben Apache licenc alatt nyilvános lett, és később a Google munkatársai által továbbfejlesztették. A projekt forrásai Apache 2.0 licenc alatt kerülnek terjesztésre.
A Tesseract egy parancssori segédprogramot és a szövegfelismerési funkciók beépítéséhez szükséges libtesseract könyvtárat tartalmaz más alkalmazásokba. A Tesseract támogatásával rendelkező harmadik féltől származó GUI interfészek közül megemlíthetjük a gImageReader, VietOCR és YAGF alkalmazásokat. Két felismerő motort kínál: a klasszikus, amely a karakterek egyedi sablon szintjén ismeri fel a szöveget, valamint az új, amely a LSTM mélytanulási rendszer alkalmazására épül, amely optimalizált a sorok egészének felismerésére, és jelentős pontosabb eredményeket érhet el. Kész, betanított modellek érhetők el 123 nyelvhez. A teljesítmény optimalizálása érdekében modulok állnak rendelkezésre OpenMP és SIMD AVX2, AVX, AVX512F, NEON vagy SSE4.1 utasítások használatával.
Fő fejlesztések:
- Javították a képek URL-en keresztüli felismerését a libcurl könyvtár használatával történő fájlfeltöltéssel. A feltöltés során beállítják a User-Agent fejlécet. Új paraméterként került hozzáadásra a curl_cookiefile a süti fájl használatához.
- A szerveren A ScrollView protokollként prioritásként TCP lett használva.
- A „combine_tessdata -d” parancs használatakor az stdout streambe való kimenet biztosított, nem pedig a stderr-be.
- Megoldották az összesítési problémákat autoconf és clang használata közben.
Forrás: opennet.ru
