lansarea sistemului de recunoaștere optică a textului , care suportă recunoașterea caracterelor UTF-8 și texte în peste 100 de limbi, inclusiv rusă, kazahă, belarusă și ucraineană. Rezultatul poate fi salvat atât ca text deschis, cât și în formate HTML (hOCR), ALTO (XML), PDF și TSV. Sistemul a fost inițial creat între 1985-1995 în laboratorul companiei Hewlett Packard, iar în 2005 codul a fost deschis sub licența Apache și a fost dezvoltat ulterior cu participarea angajaților Google. Textele sursă ale proiectului sub licența Apache 2.0.
Tesseract include un utilitar de consolă și biblioteca libtesseract pentru integrarea funcțiilor de recunoaștere a textului în alte aplicații. Printre interfețele disponibile Tesseract de terță parte se pot menționa , și . Sunt disponibile două motoare de recunoaștere: unul clasic, care recunoaște textul la nivelul șabloanelor de caractere individuale, și unul nou, bazat pe utilizarea sistemului de învățare automată cu rețele neuronale recurente LSTM, optimizat pentru recunoașterea întregilor linii și care permite o creștere semnificativă a preciziei. Modelele antrenate sunt publicate pentru . Pentru optimizarea performanței, sunt disponibile module care utilizează instrucțiuni OpenMP și SIMD AVX2, AVX sau SSE4.1.
Principalele în Tesseract 4.1:
- A fost adăugată posibilitatea de a exporta în format XML (Analyzed Layout and Text Object). Pentru a folosi acest format, trebuie să rulați aplicația ca „tessaract nume_imagine folder_ieșire alto”;
- Au fost adăugate module noi de randare LSTMBox și WordStrBox, care simplifică antrenarea motorului;
- A fost adăugat suport pentru grafică pseudo în ieșirea hOCR (HTML);
- Au fost adăugate scripturi alternative scrise în Python pentru antrenarea motorului bazat pe învățarea automată;
- Au fost extinse optimizările folosind instrucțiuni AVX, AVX2 și SSE;
- Suportul OpenMP este dezactivat implicit din cauza performanței;
- În motorul LSTM a fost adăugat suport pentru liste albe și negre;
- Au fost îmbunătățite scripturile de construire bazate pe Cmake.
Sursa: opennet.ro
