De release van het optische tekstherkenningssysteem Tesseract 5.4.0 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 OekraĆÆens. Resultaten kunnen zowel als platte tekst als in HTML-formaten (hOCR), ALTO (XML), PDF en TSV worden opgeslagen. Het systeem werd oorspronkelijk ontwikkeld tussen 1985 en 1995 in het laboratorium van Hewlett Packard, de code werd in 2005 onder de Apache-licentie vrijgegeven en werd verder ontwikkeld met bijdragen van werknemers van Google. De projectbestanden 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:
- Ondersteuning voor rendering en export in het PAGE-XML-formaat is toegevoegd.
- De mogelijkheid om het model te trainen met PNG-bestanden in plaats van LSTMF-bestanden is geĆÆmplementeerd.
- De rendering in PDF is verbeterd.
- De API voor het detecteren van teksthelling is uitgebreid.
- Prestatietroubles die werden vastgesteld bij scannen in het Coverity-systeem zijn opgelost.
Bron: opennet.ru
