È stato pubblicato il rilascio del sistema di riconoscimento ottico dei caratteri Tesseract 5.1, che supporta il riconoscimento dei caratteri UTF-8 e testi in oltre 100 lingue, inclusi russo, kazako, bielorusso e ucraino. I risultati possono essere salvati sia in formato testo semplice che nei formati HTML (hOCR), ALTO (XML), PDF e TSV. Il sistema è stato originariamente 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 successivamente è stato sviluppato con la partecipazione di ingegneri della Google. I testi sorgente del progetto sono distribuiti sotto la licenza Apache 2.0.
Tesseract include un'utilità da console e la libreria libtesseract per integrare le funzionalità di riconoscimento del testo in altre applicazioni. Tra le interfacce GUI di terze parti che supportano Tesseract, si possono notare gImageReader, VietOCR e YAGF. Vengono 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 basato su reti neurali ricorrenti LSTM, ottimizzato per il riconoscimento dell'intera riga e che consente di ottenere 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, NEON o SSE4.1.
Principali miglioramenti in Tesseract 5.1:
- Implementata la possibilità di elaborare aree con immagini e linee durante l'output nei formati ALTO, hOCR e text.
- Aggiunto un nuovo parametro curl_timeout lkz curl_easy_setop.
- Migliorato il sistema di compilazione.
- Sono stati eliminati codici non utilizzati.
- Risolti i crash causati da un'errata gestione dei puntatori nulli nella classe PageIterator::Orientation.
Fonte: opennet.ru
