Objavljen je novi izdanje sistema za optičko prepoznavanje teksta Tesseract 5.3.4, koji podržava prepoznavanje UTF-8 znakova i tekstova na više od 100 jezika, uključujući ruski, kazahstanski, beloruski i ukrajinski. Rezultati se mogu čuvati kao običan tekst, kao i u HTML (hOCR), ALTO (XML), PDF i TSV formatima. Sistem je prvotno razvijen između 1985. i 1995. godine u laboratoriji kompanije Hewlett Packard, a 2005. godine je kod otvoren pod Apache licencom i dalje se razvijao uz pomoć radnika kompanije Google. Izvorni tekstovi projekta su distribuirani pod Apache 2.0 licencom.
Tesseract vključuje konzolno orodje in knjižnico libtesseract za vključitev funkcij za prepoznavanje besedila v druge aplikacije. Med podporo Tesseract je mogoče omeniti tudi zunanje GUI vmesnike, kot so gImageReader, VietOCR in YAGF. Na voljo sta dva motorja za prepoznavanje: klasični, ki prepoznava besedilo na ravni predlog posameznih znakov, in novi, ki temelji na sistemu strojnega učenja s pomočjo rekurentne nevronske mreže LSTM, optimizirani za prepoznavanje celotnih vrstic in omogoča znatno povečanje natančnosti. Pripravljeni modeli so objavljeni za 123 jezikov. Za optimizacijo zmogljivosti so na voljo moduli, ki uporabljajo OpenMP in SIMD instrukcije AVX2, AVX, AVX512F, NEON ali SSE4.1.
Glavne izboljšave:
- Poboljšano prepoznavanje slika putem URL-a uz učitavanje datoteka pomoću biblioteke libcurl. Prilikom učitavanja, postavljen je User-Agent header. Dodan je novi parametar curl_cookiefile za korišćenje datoteke sa kolačićima.
- V strežnikom ScrollView se koristi kao prioritetni protokol koristeći TCP.
- Korišćenjem komande „combine_tessdata -d“ omogućeno je izlaz u stdout umesto stderr.
- Ispravljeni su problemi sa izgradnjom korišćenjem autoconf i clang.
Izvor: opennet.ru
