Opublikowano wydanie systemu optycznego rozpoznawania tekstu Tesseract 5.3.4, wspierającego rozpoznawanie znaków UTF-8 oraz tekstów w ponad 100 językach, w tym rosyjskim, kazachskim, białoruskim i ukraińskim. Wynik można zapisywać zarówno jako otwarty tekst, jak i w formatach HTML (hOCR), ALTO (XML), PDF i TSV. Początkowo system został stworzony w latach 1985-1995 w laboratoriach firmy Hewlett Packard, a w 2005 roku kod został udostępniony na licencji Apache i od tego czasu rozwijany przy udziale pracowników firmy Google. Źródłowe teksty projektu są rozpowszechniane na licencji Apache 2.0.
Tesseract zawiera konsolową aplikację oraz bibliotekę libtesseract do wbudowywania funkcji rozpoznawania tekstu w inne aplikacje. Z wymienionych zewnętrznych interfejsów GUI wspierających Tesseract warto wymienić gImageReader, VietOCR i YAGF. Oferowane są dwa silniki rozpoznawania: klasyczny, rozpoznający tekst na poziomie wzorów poszczególnych znaków, oraz nowy, oparty na zastosowaniu systemu uczenia maszynowego na bazie rekurencyjnej sieci neuronowej LSTM, zoptymalizowanej do rozpoznawania całych linii i pozwalającej na znaczne zwiększenie dokładności. Gotowe wytrenowane modele opublikowano dla 123 języków. Aby zoptymalizować wydajność, dostępne są moduły wykorzystujące OpenMP oraz instrukcje SIMD AVX2, AVX, AVX512F, NEON lub SSE4.1.
Zaimplementowano wywołania systemowe waitid (oczekiwanie na zmianę stanu procesu), pinsyscall (do przekazywania informacji o punkcie wejścia execve w celu ochrony przed exploitami ROP), getthrname i setthrname (uzyskiwanie i ustalanie nazwy wątku).
- Ulepszono rozpoznawanie obrazów z URL przy użyciu biblioteki libcurl. Przy przesyłaniu zapewniono ustawienie nagłówka User-Agent. Dodano nowy parametr curl_cookiefile do używania pliku z ciasteczkami.
- W serwerze ScrollView jako preferowany protokół wykorzystuje TCP.
- Korzystając z polecenia „combine_tessdata -d”, zapewniono wyjście na strumień stdout zamiast stderr.
- Usunięto problemy ze składaniem przy użyciu autoconf i clang.
Źródło: opennet.ru
