Megjelent a Tesseract 5.4.0 optikai karakterfelismerő rendszer kiadása, amely támogatja az UTF-8 karakterek és több mint 100 nyelv, köztük a magyar, kazah, fehérorosz és ukrán szövegek felismerését. Az eredmény nyitott szövegként, valamint HTML (hOCR), ALTO (XML), PDF és TSV formátumokban is elmenthető. A rendszer eredetileg 1985-1995 között készült a Hewlett Packard laboratóriumában, 2005-ben a kódot Apache licenc alatt nyitották meg, és azóta a Google munkatársainak részvételével fejlődött. A projekt forráskódját Apache 2.0 licenc alatt terjesztik.
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:
- Hozzáadva a PAGE-XML formátumban való megjelenítés és exportálás támogatása.
- Lehetőség lett a modell betanítására PNG formátumú fájlok használatával az LSTMF fájlok helyett.
- Javítva a PDF formátumú megjelenítést.
- Kiterjesztett API a szöveg dőlésszögének meghatározására.
- Megoldották a Coverity rendszerében felmerült teljesítményproblémákat.
Forrás: opennet.ru
