È stato pubblicato il rilascio della sistema di riconoscimento ottico dei caratteri Tesseract 5.2, che supporta il riconoscimento di caratteri UTF-8 e testi in oltre 100 lingue, tra cui russo, kazako, bielorusso e ucraino. I risultati possono essere salvati sia in formato testo semplice che in 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 pubblico sotto licenza Apache e in seguito è stato sviluppato con la partecipazione dei dipendenti di Google. I testi sorgente del progetto vengono distribuiti con licenza Apache 2.0.
Tesseract include un'utilità da riga di comando e la libreria libtesseract per integrare le funzioni di riconoscimento del testo in altre applicazioni. Tra le interfacce GUI di terze parti che supportano Tesseract si possono citare gImageReader, VietOCR e YAGF. Sono offerti due motori di riconoscimento: uno classico, che riconosce il testo a livello di modelli di singoli caratteri, e uno nuovo, basato sull'applicazione di un sistema di apprendimento automatico con rete neurale ricorrente LSTM, ottimizzato per il riconoscimento di intere righe e in grado di aumentare significativamente la precisione. Modelli già addestrati sono stati pubblicati per 123 lingue. Per ottimizzare le prestazioni, sono disponibili moduli che utilizzano OpenMP e istruzioni SIMD AVX2, AVX, AVX512F, NEON o SSE4.1.
Principali miglioramenti in Tesseract 5.2:
- Sono state aggiunte ottimizzazioni implementate utilizzando istruzioni Intel AVX512F.
- Nell'API C è stata implementata una funzione per inizializzare tesseract caricando il modello di apprendimento automatico dalla memoria.
- È stato aggiunto il parametro invert_threshold, che definisce il livello di inversione delle stringhe di testo. Il valore predefinito è impostato su 0,7. Per disattivare l'inversione, impostare il valore a 0.
- È stata migliorata la gestione di documenti molto grandi su host a 32 bit.
- Si è passati dall'uso di funzioni std::regex a std::string.
- Sono stati migliorati gli script di build per Autotools, CMake e sistemi di integrazione continua.
Fonte: opennet.ru
