Foi lançado o sistema de reconhecimento óptico de caracteres Tesseract 5.3.4, que suporta o reconhecimento de caracteres UTF-8 e textos em mais de 100 idiomas, incluindo russo, cazaque, bielorrusso e ucraniano. Os resultados podem ser salvos tanto em texto simples quanto nos formatos HTML (hOCR), ALTO (XML), PDF e TSV. O sistema foi inicialmente criado entre 1985 e 1995 no laboratório da Hewlett Packard, e em 2005 o código foi aberto sob a licença Apache, sendo posteriormente desenvolvido com a participação de funcionários da Google. Os textos fontes do projeto são distribuídos sob a licença Apache 2.0.
O Tesseract inclui uma utilidade de linha de comando e uma biblioteca libtesseract para integrar funções de reconhecimento de texto em outros aplicativos. Entre as interfaces gráficas de terceiros que suportam o Tesseract, podemos destacar gImageReader, VietOCR e YAGF. Dois motores de reconhecimento estão disponíveis: o clássico, que reconhece texto com base em modelos de caracteres individuais, e um novo, baseado na aplicação de um sistema de aprendizado de máquina utilizando redes neurais recorrentes LSTM, otimizado para reconhecer linhas inteiras e permitindo um aumento significativo na precisão. Modelos treinados prontos foram publicados para 123 idiomas. Para otimização de desempenho, módulos que utilizam OpenMP e instruções SIMD AVX2, AVX, AVX512F, NEON ou SSE4.1 estão disponíveis.
Principais melhorias:
- Melhorou o reconhecimento de imagens via URL com o upload de arquivos usando a biblioteca libcurl. Durante o upload, o cabeçalho User-Agent é definido. Um novo parâmetro curl_cookiefile foi adicionado para usar um arquivo de cookies.
- Em servidor ScrollView utiliza TCP como protocolo prioritário.
- Ao usar o comando "combine_tessdata -d", a saída é redirecionada para o stdout em vez do stderr.
- Foram resolvidos problemas de compilação ao usar autoconf e clang.
Fonte: opennet.ru
