release van het optische tekenherkenningsysteem , die UTF-8-tekenherkenning en teksten in meer dan 100 talen ondersteunt, waaronder Russisch, Kazachs, Wit-Russisch en OekraĆÆens. De output kan worden opgeslagen als platte tekst of in de formaten HTML (hOCR), ALTO (XML), PDF en TSV. 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 is het verder ontwikkeld met de hulp van werknemers van Google. De bronbestanden van het project onder de Apache 2.0-licentie.
Tesseract bevat een consoletool en de libtesseract-bibliotheek voor het integreren van tekstherkenningsfuncties in andere applicaties. Ondersteunende derde partijen voor Tesseract kunnen worden opgemerkt , en . Er worden twee herkenningsengines aangeboden: de klassieke, die tekst herkent op basis van afzonderlijke letterpatronen, en een nieuwe, gebaseerd op het gebruik van een machine learning-systeem met een recurrentneuraal netwerk (LSTM), geoptimaliseerd voor het herkennen van volledige zinnen en waardoor een aanzienlijke toename in nauwkeurigheid mogelijk is. Voorgetrainde modellen zijn gepost voor . Voor prestatieoptimalisatie worden modules aangeboden die gebruikmaken van OpenMP en SIMD-instructies AVX2, AVX of SSE4.1.
Belangrijkste in Tesseract 4.1:
- Optie voor uitvoer in XML-formaat toegevoegd (Analyzed Layout and Text Object). Om dit formaat te gebruiken, moet de applicatie worden gestart met "tessaract afbeeldingsnaam uitvoermap alto";
- Nieuwe renderingmodules LSTMBox en WordStrBox zijn toegevoegd, die de training van de engine vereenvoudigen;
- Ondersteuning voor pseudografiek in de hOCR-uitvoer (HTML) is toegevoegd;
- Alternatieve scripts geschreven in Python zijn toegevoegd voor het trainen van de engine op basis van machine learning;
- Optimalisaties met AVX-, AVX2- en SSE-instructies zijn uitgebreid;
- Standaard is de ondersteuning voor OpenMP uitgeschakeld vanwege de prestaties;
- In de LSTM-engine is ondersteuning voor witte en zwarte lijsten toegevoegd;
- Bouwer-scripts op basis van Cmake zijn verbeterd.
Bron: opennet.ru
