Опубліковано реліз системи оптичного розпізнавання тексту Tesseract 5.1, що підтримує розпізнавання символів UTF-8 та текстів більш ніж на 100 мовах, включаючи російську, казахську, білоруську та українську. Результат може зберігатись як відкритим текстом, так і у форматах HTML (hOCR), ALTO (XML), PDF та TSV. Спочатку система була створена в 1985-1995 роках в лабораторії компанії Hewlett Packard, в 2005 код був відкритий під ліцензією Apache і надалі розвивався за участю працівників компанії Google. Вихідні тексти проекту розповсюджуються за ліцензією Apache 2.0.
Tesseract включає консольну утиліту та бібліотеку libtesseract для вбудовування функцій розпізнавання тексту в інші додатки. З сторонніх GUI-інтерфейсів, що підтримують Tesseract, можна відзначити gImageReader, VietOCR і YAGF. Пропонується два движки розпізнавання: класичний, що розпізнає текст на рівні шаблонів окремих символів, і новий, що базується на застосуванні системи машинного навчання на базі нейронної рекурентної мережі LSTM, оптимізованої для розпізнавання цілком рядків і дозволяє домогтися істотного збільшення точності. Готові натреновані моделі опубліковані для 123 мов. Для оптимізації продуктивності пропонуються модулі, які використовують OpenMP та SIMD-інструкцій AVX2, AVX, NEON або SSE4.1.
Основні покращення в Tesseract 5.1:
- Реалізовано можливість обробки областей із зображеннями та лініями при виведенні у форматах ALTO, hOCR та text.
- Додано новий параметр curl_timeout lkz curl_easy_setop.
- Поліпшено систему збирання.
- Проведено роботу з видалення коду, що не використовується.
- Усунено збої, спричинені некоректною обробкою нульових покажчиків у класі PageIterator::Orientation.
Джерело: opennet.ru