È stato rilasciato il 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 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 con licenza Apache, e successivamente è stato sviluppato con la partecipazione di Google. I testi sorgente del progetto sono distribuiti con 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.
Miglioramenti principali:
- Migliorato il riconoscimento delle immagini tramite URL con il caricamento dei file utilizzando la libreria libcurl. Durante il caricamento, viene impostato l'intestazione User-Agent. Aggiunto il nuovo parametro curl_cookiefile per utilizzare un file dei cookie.
- In server ScrollView utilizza TCP come protocollo prioritario.
- Utilizzando il comando «combine_tessdata -d», l'output è diretto nel flusso stdout anziché stderr.
- Risolti problemi di compilation utilizzando autoconf e clang.
Fonte: opennet.ru
