문자 인식 시스템 Tesseract 4.1 출시

준비된 광문자 인식 시스템 출시 테서렉트 4.1, 러시아어, 카자흐어, 벨로루시어 및 우크라이나어를 포함한 8개 이상의 언어로 UTF-100 문자 및 텍스트 인식을 지원합니다. 결과는 일반 텍스트나 HTML(hOCR), ALTO(XML), PDF 및 TSV 형식으로 저장할 수 있습니다. 이 시스템은 원래 Hewlett Packard 연구소에서 1985~1995년에 만들어졌으며, 2005년에 코드는 Apache 라이센스에 따라 공개되었으며 Google 직원의 참여로 더욱 개발되었습니다. 프로젝트 소스 확산 Apache 2.0에 따라 라이센스가 부여되었습니다.

Tesseract에는 OCR 기능을 다른 애플리케이션에 내장하기 위한 콘솔 유틸리티와 libtesseract 라이브러리가 포함되어 있습니다. Tesseract를 지원하는 제XNUMX자로부터 GUI 인터페이스 당신은 참고할 수 있습니다 gImageReader, 베트남OCR и 야프. 두 가지 인식 엔진이 제공됩니다. 개별 문자 패턴 수준에서 텍스트를 인식하는 클래식 엔진과 LSTM 순환 신경망 기반 기계 학습 시스템을 사용하는 새로운 엔진은 전체 문자열을 인식하고 정확도가 크게 향상됩니다. 기성 학습 모델이 게시되었습니다. 123 개 언어. 성능을 최적화하기 위해 OpenMP 및 AVX2, AVX 또는 SSE4.1 SIMD 명령어를 사용하는 모듈이 제공됩니다.

주요 개량 Tesseract 4.1에서 :

• XML 형식으로 출력하는 기능 추가 HIGH (분석된 레이아웃 및 텍스트 개체). 이 형식을 사용하려면 “tessaract image_name alto output_dir”로 애플리케이션을 실행해야 합니다.
• 새로운 렌더링 모듈 LSTMBox 및 WordStrBox를 추가하여 엔진 훈련을 단순화했습니다.
• hOCR(HTML) 출력에 의사그래픽에 대한 지원이 추가되었습니다.
• 기계 학습을 기반으로 엔진을 훈련하기 위해 Python으로 작성된 대체 스크립트를 추가했습니다.
• AVX, AVX2 및 SSE 지침을 사용한 확장된 최적화
• OpenMP 지원은 기본적으로 비활성화되어 있습니다. проблем 생산성으로;
• LSTM 엔진에 화이트리스트 및 블랙리스트에 대한 지원이 추가되었습니다.
• Cmake를 기반으로 빌드 스크립트가 개선되었습니다.

출처 : opennet.ru