Rilascio del sistema di riconoscimento del testo Tesseract 4.1

Preparato rilascio del sistema di riconoscimento ottico dei caratteri Tesseract 4.1, supportando il riconoscimento di caratteri UTF-8 e testi in oltre 100 lingue, tra cui russo, kazako, bielorusso e ucraino. Il risultato può essere salvato sia in testo semplice che nei formati HTML (hOCR), ALTO (XML), PDF e TSV. Inizialmente il sistema è stato creato tra il 1985 e il 1995 nel laboratorio della Hewlett Packard, nel 2005 il codice è stato reso open source sotto licenza Apache e in seguito è stato sviluppato con il coinvolgimento di dipendenti di Google. I testi sorgente del progetto sono distribuiti sotto licenza Apache 2.0.

Tesseract include un'utilità da console e una libreria libtesseract per integrare le funzioni di riconoscimento del testo in altre applicazioni. Tra i front-end di terze parti che supportano Tesseract interfacce GUI about:support gImageReader, VietOCR e YAGF. Vengono offerti due motori di riconoscimento: il classico, che riconosce il testo a livello di modello di singoli caratteri, e il nuovo, basato sull'applicazione di un sistema di apprendimento automatico con rete neurale ricorrente LSTM, ottimizzato per il riconoscimento di intere righe e che consente un notevole aumento della precisione. Modelli pre-addestrati sono stati pubblicati per 123 lingue. Per ottimizzare le prestazioni sono disponibili moduli che utilizzano OpenMP e istruzioni SIMD AVX2, AVX o SSE4.1.

Principali miglioramenti in Tesseract 4.1:

• È stata aggiunta la possibilità di output in formato XML ALTO (Analyzed Layout and Text Object). Per utilizzare questo formato, è necessario avviare l'applicazione come «tesseract nome_immagine catalogo_output alto»;
• Aggiunti nuovi moduli di rendering LSTMBox e WordStrBox, che semplificano l'addestramento del motore;
• Aggiunta la supporto per la grafica pseudo nella visualizzazione hOCR (HTML);
• Aggiunti script alternativi scritti in Python per l'addestramento del motore basato sull'apprendimento automatico;
• Ampliate le ottimizzazioni utilizzando le istruzioni AVX, AVX2 e SSE;
• La supporto per OpenMP è disabilitata per impostazione predefinita a causa di problemi delle prestazioni;
• Nel motore LSTM è stato aggiunto il supporto per liste bianche e nere;
• Migliorati gli script di build basati su Cmake.

Fonte: opennet.ru