È stato pubblicato il rilascio del sistema di riconoscimento ottico dei caratteri Tesseract 5.3.4, 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 come testo aperto 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 disponibile con licenza Apache e successivamente è stato sviluppato con la partecipazione dei dipendenti di Google. I testi originali del progetto sono 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:
- Migliorato il riconoscimento delle immagini tramite URL con il caricamento di file utilizzando la libreria libcurl. Durante il caricamento viene impostato l'intestazione User-Agent. Aggiunto un nuovo parametro curl_cookiefile per l'utilizzo di un file cookie.
- In server ScrollView utilizza TCP come protocollo prioritario.
- Utilizzando il comando «combine_tessdata -d», è previsto l'output nel flusso stdout anziché stderr.
- Risolti problemi di compilazione con autoconf e clang.
Fonte: opennet.ru
