lançamento de sistema de reconhecimento óptico de texto , apoiando o reconhecimento de caracteres e textos UTF-8 em mais de 100 idiomas, incluindo russo, cazaque, bielorrusso e ucraniano. O resultado pode ser salvo em texto simples ou nos formatos HTML (hOCR), ALTO (XML), PDF e TSV. O sistema foi originalmente criado em 1985-1995 no laboratório Hewlett Packard, em 2005 o código foi aberto sob a licença Apache e desenvolvido com a participação de funcionários do Google. Fontes do projeto licenciado sob Apache 2.0.
O Tesseract inclui um utilitário de console e a biblioteca libtesseract para incorporar a funcionalidade OCR em outros aplicativos. De terceiros que apoiam o Tesseract você pode notar , и . São oferecidos dois mecanismos de reconhecimento: um clássico que reconhece texto no nível de padrões de caracteres individuais, e um novo baseado no uso de um sistema de aprendizado de máquina baseado em uma rede neural recorrente LSTM, otimizado para reconhecer strings inteiras e permitindo um aumento significativo na precisão. Modelos treinados prontos são publicados para . Para otimizar o desempenho, são oferecidos módulos que usam OpenMP e instruções AVX2, AVX ou SSE4.1 SIMD.
O principal no Tesseract 4.1:
- Adicionada a capacidade de saída em formato XML (Layout analisado e objeto de texto). Para usar este formato, você deve executar o aplicativo como “tessaract image_name alto output_dir”;
- Adicionados novos módulos de renderização LSTMBox e WordStrBox, simplificando o treinamento do motor;
- Adicionado suporte para pseudográficos na saída hOCR (HTML);
- Adicionados scripts alternativos escritos em Python para treinamento do motor baseado em aprendizado de máquina;
- Otimizações expandidas usando instruções AVX, AVX2 e SSE;
- O suporte OpenMP está desabilitado por padrão devido a com produtividade;
- Adicionado suporte para listas brancas e negras no mecanismo LSTM;
- Scripts de construção aprimorados baseados em Cmake.
Fonte: opennet.ru