Foi lançado o Tesseract 5.1, um sistema de reconhecimento óptico de caracteres que suporta a reconhecimento de caracteres UTF-8 e textos em mais de 100 idiomas, incluindo russo, cazaque, bielorrusso e ucraniano. O resultado pode ser salvo como texto simples ou em formatos HTML (hOCR), ALTO (XML), PDF e TSV. Originalmente, o sistema foi criado entre 1985 e 1995 no laboratório da Hewlett Packard, e em 2005 o código foi disponibilizado sob a licença Apache, sendo posteriormente desenvolvido com a participação de colaboradores da Google. Os códigos-fonte do projeto são distribuídos sob a licença Apache 2.0.
O Tesseract inclui uma utilidade de console e a biblioteca libtesseract para integrar funções de reconhecimento de texto em outros aplicativos. Entre as interfaces gráficas de terceiros que suportam o Tesseract, podem ser destacadas gImageReader, VietOCR e YAGF. Oferece dois motores de reconhecimento: o clássico, que reconhece texto com base em padrões de caracteres individuais, e o novo, baseado em um sistema de aprendizado de máquina usando redes neurais recorrentes LSTM, otimizado para reconhecer linhas inteiras e permitindo um aumento significativo da precisão. Modelos prontos e treinados foram publicados para 123 idiomas. Para otimizar o desempenho, são oferecidos módulos que utilizam instruções OpenMP e SIMD AVX2, AVX, NEON ou SSE4.1.
Principais melhorias no Tesseract 5.1:
- Foi implementada a capacidade de processar áreas com imagens e linhas ao exportar para os formatos ALTO, hOCR e texto.
- Adicionada uma nova opção curl_timeout lkz curl_easy_setop.
- Melhorias no sistema de construção.
- Trabalho concluído para a remoção de código não utilizado.
- Corrigidos os erros causados pelo tratamento incorreto de ponteiros nulos na classe PageIterator::Orientation.
Fonte: opennet.ru
