De release van het Optical Character Recognition-systeem Tesseract 5.1 is gepubliceerd, dat UTF-8-tekens en tekst in meer dan 100 talen, waaronder Russisch, Kazachs, Wit-Russisch en Oekraïens, ondersteunt. De resultaten kunnen worden opgeslagen als platte tekst, evenals in HTML (hOCR), ALTO (XML), PDF en TSV-formaten. Het systeem werd oorspronkelijk ontwikkeld tussen 1985 en 1995 in het laboratorium van Hewlett Packard. In 2005 werd de code vrijgegeven onder de Apache-licentie en sindsdien verder ontwikkeld met de hulp van werknemers van Google. De bronbestanden van het project worden verspreid onder de Apache 2.0-licentie.
Tesseract bevat een console-tool en de libtesseract-bibliotheek voor het integreren van tekstherkenningsfuncties in andere applicaties. Ondersteunende derde part GUI-interfaces voor Tesseract zijn onder andere gImageReader, VietOCR en YAGF. Er zijn twee herkenningsengines beschikbaar: de klassieke, die tekst herkent op basis van sjablonen van individuele symbolen, en de nieuwe engine, die gebruikmaakt van een op machine learning gebaseerde recurrente neurale netwerk (LSTM), geoptimaliseerd voor het herkennen van volledige regels met een significante toename van de nauwkeurigheid. Voor 123 talen zijn vooraf getrainde modellen gepubliceerd. Voor prestatie-optimalisatie zijn er modules beschikbaar die gebruikmaken van OpenMP en SIMD-instructies zoals AVX2, AVX, NEON of SSE4.1.
Belangrijkste verbeteringen in Tesseract 5.1:
- De mogelijkheid om gebieden met afbeeldingen en lijnen te verwerken is geïmplementeerd bij de uitvoer in de ALTO-, hOCR- en tekstformaten.
- Een nieuwe parameter curl_timeout is toegevoegd via curl_easy_setopt.
- Het buildsysteem is verbeterd.
- Er is gewerkt aan het verwijderen van ongebruikte code.
- Fouten veroorzaakt door onjuiste verwerking van null-pointers in de PageIterator::Orientation-klasse zijn verholpen.
Bron: opennet.ru
