De release van het optische tekstanalyse systeem Tesseract 5.3.4 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 is oorspronkelijk ontwikkeld tussen 1985 en 1995 in het laboratorium van Hewlett Packard, en in 2005 werd de code onder de Apache-licentie gepubliceerd en verder ontwikkeld met medewerking 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.
Hoofdverbeteringen:
- Verbeterde beeldherkenning vanaf URL met bestandsupload met behulp van de libcurl-bibliotheek. Bij het uploaden wordt de User-Agent-header ingesteld. Een nieuwe parameter curl_cookiefile is toegevoegd voor het gebruik van een cookiebestand.
- In de server ScrollView gebruikt TCP als prioriteitsprotocol.
- Bij gebruik van het commando "combine_tessdata -d" wordt de uitvoer naar stdout in plaats van stderr geleid.
- Problemen met de bouw bij gebruik van autoconf en clang zijn verholpen.
Bron: opennet.ru
