문자 인식 시스템 Tesseract 5.2 출시

Tesseract 5.2 광학 텍스트 인식 시스템이 출시되어 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. 프로젝트의 소스 코드는 Apache 2.0 라이센스에 따라 배포됩니다.

Tesseract에는 OCR 기능을 다른 애플리케이션에 내장하기 위한 콘솔 유틸리티와 libtesseract 라이브러리가 포함되어 있습니다. Tesseract를 지원하는 타사 GUI 인터페이스에는 gImageReader, VietOCR 및 YAGF가 포함됩니다. 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 123개 언어로 게시되었습니다. 성능을 최적화하기 위해 OpenMP 및 SIMD 명령어 AVX2, AVX, AVX512F, NEON 또는 SSE4.1을 사용하는 모듈이 제공됩니다.

Tesseract 5.2의 주요 개선 사항:

• Intel AVX512F 지침을 사용하여 구현된 최적화가 추가되었습니다.
• C API는 메모리에서 기계 학습 모델을 로드하여 tesseract를 초기화하는 기능을 구현합니다.
• 텍스트 문자열의 반전 수준을 결정하는 invert_threshold 매개변수가 추가되었습니다. 기본값은 0.7입니다. 반전을 비활성화하려면 값을 0으로 설정합니다.
• 32비트 호스트에서 매우 큰 문서의 처리가 향상되었습니다.
• std::regex 함수 사용에서 std::string으로 전환되었습니다.
• Autotools, CMake 및 지속적인 통합 시스템을 위한 빌드 스크립트가 개선되었습니다.

  출처 : opennet.ru