En offentliggjord version av systemet för optisk teckenigenkänning Tesseract 5.3.4, som stöder igenkänning av UTF-8-tecken och texter på mer än 100 språk, inklusive ryska, kazakiska, vitryska och ukrainska. Resultatet kan sparas både som ren text och i formaten HTML (hOCR), ALTO (XML), PDF och TSV. Systemet utvecklades ursprungligen mellan 1985 och 1995 i laboratoriet på Hewlett Packard, och 2005 blev koden öppen under Apache-licens och har därefter utvecklats med deltagande av Google-anställda. Projektets källkod distribueras 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:
- Förbättrad bildigenkänning genom URL med filuppladdning via libcurl-biblioteket. Vid uppladdning säkerställs att headern User-Agent ställs in. En ny parameter curl_cookiefile har lagts till för användning av en cookie-fil.
- I servern ScrollView använder TCP som prioriterat protokoll.
- Vid användning av kommandot "combine_tessdata -d" säkerställs att utdata går till stdout istället för stderr.
- Problem med byggande vid användning av autoconf och clang har åtgärdats.
Källa: opennet.ru
