Version 5.1 av Tesseract, ett system för optisk teckenigenkänning, har publicerats. Det stöder igenkänning av UTF-8-tecken och texter på över 100 språk, inklusive ryska, kazakiska, vitryska och ukrainska. Resultatet kan både sparas som ren text och i formaten HTML (hOCR), ALTO (XML), PDF och TSV. Systemet skapades ursprungligen mellan 1985 och 1995 på Hewlett Packard-laboratoriet, koden öppnades under Apache-licens 2005 och har sedan dess utvecklats med hjälp av anställda på Google. Projektets källkoder sprids under Apache 2.0-licensen.
Tesseract inkluderar en kommandoradsverktyg och libtesseract-biblioteket för att integrera textigenkänningsfunktioner i andra applikationer. Bland de tredjeparts-GUI:er som stödjer Tesseract finns gImageReader, VietOCR och YAGF. Två igenkänningsmotorer erbjuds: en klassisk motor som känner igen text på symbolnivå och en ny som bygger på maskininlärning med hjälp av en rekursiv neuronmärrnätverk (LSTM), optimerad för att känna igen hela rader och möjliggör en betydande ökning av noggrannheten. Färdiga tränade modeller har publicerats för 123 språk. För att optimera prestandan erbjuds moduler som använder OpenMP och SIMD-instruktioner AVX2, AVX, NEON eller SSE4.1.
De huvudsakliga förbättringarna i Tesseract 5.1:
- Möjligheten att bearbeta områden med bilder och linjer har implementerats vid export i formaten ALTO, hOCR och text.
- En ny parameter curl_timeout har lagts till curl_easy_setop.
- Byggsystemet har förbättrats.
- Arbetet med att ta bort oanvänd kod har genomförts.
- Krascher orsakade av felaktig hantering av nullpekare i klassen PageIterator::Orientation har åtgärdats.
Källa: opennet.ru
