Bolo zverejnené vydanie systému optického rozpoznávania textu Tesseract 5.1, ktorý podporuje rozpoznávanie znakov a textov UTF-8 vo viac ako 100 jazykoch vrátane ruštiny, kazaštiny, bieloruštiny a ukrajinčiny. Výsledok je možné uložiť ako obyčajný text alebo vo formátoch HTML (hOCR), ALTO (XML), PDF a TSV. Systém pôvodne vznikol v rokoch 1985-1995 v laboratóriu Hewlett Packard, v roku 2005 bol kód otvorený pod licenciou Apache a ďalej sa vyvíjal za účasti zamestnancov Google. Zdrojový kód projektu je šírený pod licenciou Apache 2.0.
Tesseract obsahuje pomôcku konzoly a knižnicu libtesseract na zabudovanie funkcií OCR do iných aplikácií. Rozhrania GUI tretích strán, ktoré podporujú Tesseract, zahŕňajú gImageReader, VietOCR a YAGF. Ponúkajú sa dva rozpoznávacie motory: klasický, ktorý rozpoznáva text na úrovni jednotlivých vzorov znakov, a nový založený na použití systému strojového učenia založeného na rekurentnej neurónovej sieti LSTM, optimalizovaný na rozpoznávanie celých reťazcov a umožňujúci výrazné zvýšenie presnosti. Hotové trénované modely boli publikované pre 123 jazykov. Pre optimalizáciu výkonu sú ponúkané moduly využívajúce OpenMP a SIMD inštrukcie AVX2, AVX, NEON alebo SSE4.1.
Hlavné vylepšenia v Tesseract 5.1:
- Bola implementovaná schopnosť spracovávať oblasti s obrázkami a čiarami pri výstupe vo formátoch ALTO, hOCR a textových formátoch.
- Pridaný nový parameter curl_timeout lkz curl_easy_setop.
- Vylepšený systém zostavovania.
- Boli vykonané práce na odstránení nepoužívaného kódu
- Opravené zlyhania spôsobené nesprávnym spracovaním nulových ukazovateľov v triede PageIterator::Orientation.
Zdroj: opennet.ru