Tesseract 5.2 är nu lanserad, med stöd för UTF-8 teckenigenkänning och texter på över 100 språk, inklusive ryska, kazakiska, belarusiska och ukrainska. Resultatet kan sparas som vanlig text eller i formaten HTML (hOCR), ALTO (XML), PDF och TSV. Systemet skapades ursprungligen mellan 1985 och 1995 på Hewlett Packards laboratorium, kod öppnades 2005 under Apache-licens och har sedan dess utvecklats med deltagande från Google-anställda. Projektets källkod sprids under Apache 2.0-licensen.
Tesseract inkluderar ett kommandoradsverktyg och biblioteket libtesseract för att införliva textigenkänningsfunktioner i andra applikationer. Bland de tredjeparts GUI-gränssnitt som stöder Tesseract kan gImageReader, VietOCR och YAGF nämnas. Två igenkänning motorer erbjuds: en klassisk som känner igen text på teckennivå och en ny som baseras på maskininlärning med en rekurrent neural nätverksmodell (LSTM), optimerad för att känna igen hela rader och möjliggör en betydande ökning av noggrannheten. Tränade modeller publiceras för 123 språk. För att optimera prestanda erbjuds moduler som använder OpenMP och SIMD-instruktionerna AVX2, AVX, AVX512F, NEON eller SSE4.1.
Huvudsakliga förbättringar i Tesseract 5.2:
- Optimiseringar som implementerats med Intel AVX512F-instruktioner har lagts till.
- I C API har en funktion implementerats för att initiera Tesseract med inläsning av maskininlärningsmodellen från minnet.
- En parameter, invert_threshold, har lagts till som bestämmer nivån för invertering av textsträngar. Standardvärdet är 0,7. För att stänga av inverteringen ska värdet sättas till 0.
- Bearbetningen av mycket stora dokument på 32-bitars värdar har förbättrats.
- Övergång från användning av std::regex till std::string har genomförts.
- Byggscenarier för Autotools, CMake och kontinuerlig integrationssystem har förbättrats.
Källa: opennet.ru
