È stata pubblicata la release del sistema di riconoscimento ottico dei caratteri Tesseract 5.2, che supporta il riconoscimento dei caratteri UTF-8 e testi in oltre 100 lingue, tra cui russo, kazako, bielorusso e ucraino. I risultati possono essere salvati sia come testo normale 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 sviluppato con il contributo di dipendenti di Google. I testi sorgente del progetto sono distribuiti sotto licenza Apache 2.0.
Tesseract include una utility da console e una libreria libtesseract per integrare funzioni di riconoscimento del testo in altre applicazioni. Tra le interfacce GUI di terze parti che supportano Tesseract, si possono menzionare gImageReader, VietOCR e YAGF. Sono disponibili due motori di riconoscimento: quello classico, che riconosce il testo a livello di modelli di singoli caratteri, e il nuovo, basato sull'applicazione di un sistema di machine learning tramite una rete neurale ricorrente LSTM, ottimizzato per il riconoscimento di intere righe e che consente un significativo 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, AVX512F, NEON o SSE4.1.
Principali miglioramenti in Tesseract 5.2:
- Aggiunte ottimizzazioni realizzate utilizzando le istruzioni Intel AVX512F.
- Nell'API C è stata implementata una funzione per inizializzare Tesseract caricando in memoria il modello di machine learning.
- Aggiunto il parametro invert_threshold, che determina il livello di inversione delle stringhe di testo. Il valore predefinito è 0.7. Per disattivare l'inversione, impostare il valore a 0.
- Ottimizzata la gestione di documenti molto grandi su host a 32 bit.
- Transizione dall'utilizzo delle funzioni std::regex a std::string.
- Sono stati migliorati gli script di build per Autotools, CMake e sistemi di integrazione continua.
Fonte: opennet.ru
