De release van het systeem voor optische tekenherkenning Tesseract 5.2 is gepubliceerd, dat ondersteuning biedt voor het herkennen van UTF-8-tekens en teksten in meer dan 100 talen, waaronder Russisch, Kazachs, Wit-Russisch en Oekraïens. De resultaten kunnen worden opgeslagen als platte tekst of in de formaten HTML (hOCR), ALTO (XML), PDF en TSV. Het systeem werd oorspronkelijk ontwikkeld in de jaren 1985-1995 in het laboratorium van Hewlett Packard. In 2005 werd de code open source gemaakt onder de Apache-licentie en sindsdien is deze verder ontwikkeld met hulp van medewerkers van Google. De bronbestanden van het project worden verspreid onder de Apache 2.0-licentie.
Tesseract omvat een consoletool en de libtesseract-bibliotheek voor het integreren van tekstherkenningsfuncties in andere toepassingen. Ondersteunende GUI's van derden die Tesseract ondersteunen zijn onder andere gImageReader, VietOCR en YAGF. Er worden twee herkenningsmechanismen aangeboden: de klassieke, die tekst herkent op basis van de sjablonen van afzonderlijke tekens, en de nieuwe, gebaseerd op het toepassen van een machine learning-systeem met een recurrent neuraal netwerk (LSTM), geoptimaliseerd voor het herkennen van volledige regels en die een aanzienlijke verbetering van de nauwkeurigheid mogelijk maakt. Voor 123 talen zijn getrainde modellen gepubliceerd. Voor prestatieoptimalisatie zijn modules beschikbaar die gebruikmaken van OpenMP en SIMD-instructies zoals AVX2, AVX, AVX512F, NEON of SSE4.1.
Belangrijke verbeteringen in Tesseract 5.2:
- Optimalisaties zijn toegevoegd, gerealiseerd met behulp van Intel AVX512F-instructies.
- In de C API is een functie geïmplementeerd voor het initialiseren van tesseract met het laden van het machine learning-model uit het geheugen.
- Een parameter invert_threshold is toegevoegd, die het niveau van het omkeren van tekstregels bepaalt. Standaard is de waarde ingesteld op 0.7. Om het omkeren uit te schakelen, moet de waarde 0 worden ingesteld.
- De verwerking van zeer grote documenten op 32-bits hosts is verbeterd.
- De overgang is gemaakt van het gebruik van std::regex-functies naar std::string.
- De build-scripts voor Autotools, CMake en continue integratiesystemen zijn verbeterd.
Bron: opennet.ru
