Foi lançado o release do sistema de reconhecimento ótico de caracteres Tesseract 5.4.0, que suporta reconhecimento de caracteres UTF-8 e textos em mais de 100 idiomas, incluindo russo, cazaque, bielorrusso e ucraniano. O resultado pode ser salvo tanto como texto simples quanto nos formatos HTML (hOCR), ALTO (XML), PDF e TSV. O sistema foi originalmente criado entre 1985 e 1995 no laboratório da Hewlett Packard, em 2005 o código foi aberto sob a licença Apache e, desde então, também foi desenvolvido com a participação de funcionários do 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:
- Adicionada a suporte para renderização e exportação no formato PAGE-XML.
- Implementada a possibilidade de treinar o modelo utilizando arquivos no formato PNG em vez de arquivos LSTMF.
- Melhorada a renderização no formato PDF.
- API expandido para detectar a inclinação do texto.
- Resolveram-se problemas de desempenho identificados durante a digitalização no sistema Coverity.
Fonte: opennet.ru
