Tesseract 4.1光學文字辨識系統發布，支援識別俄語、哈薩克語、白俄羅斯語、烏克蘭語等8多種語言的UTF-100字元和文字。 結果可以純文字或 HTML (hOCR)、ALTO (XML)、PDF 和 TSV 格式儲存。 該系統最初於1985-1995年在惠普實驗室創建；2005年，程式碼在Apache許可下開放，並在Google員工的參與下進一步開發。 該專案的源代碼在 Apache 2.0 許可證下分發。
Tesseract 包括一個控制台實用程式和 libtesseract 函式庫，用於將 OCR 功能嵌入到其他應用程式中。 支援 Tesseract 的第三方 GUI 介麵包括 gImageReader、VietOCR 和 YAGF。 提供了兩種識別引擎：一種經典的識別引擎在單一字元模式層級上識別文本，另一種是基於使用基於LSTM 循環神經網路的機器學習系統的新識別引擎，該系統針對識別整個字串進行了優化，並允許準確度顯著提高。 已發布 123 種語言的現成訓練模型。 為了優化效能，提供了使用 OpenMP 和 SIMD 指令 AVX2、AVX、NEON 或 SSE4.1 的模組。
Tesseract 5.0的主要改進：
- 版本號的重大變更是由於 API 所做的更改破壞了相容性。 特別是，公開可用的 libtesseract API 不再依賴專有的 GenericVector 和 STRING 資料類型，而是支援 std::string 和 std::vector。
- 源文本樹已被重新組織。 公共頭檔已移至 include/tesseract 目錄。
- 記憶體管理已重新設計，所有 malloc 和 free 呼叫均已替換為 C++ 程式碼。 程式碼的整體現代化已經完成。
- 新增了針對 ARM 和 ARM64 架構的最佳化；使用 ARM NEON 指令來加速運算。 已經進行了所有架構通用的效能最佳化。
- 基於浮點計算的訓練模型和文字辨識的新模式已經實現。 新模式提供更高的效能和更低的記憶體消耗。 在 LSTM 引擎中，預設啟用 float32 快速模式。
- 已轉換為使用 NFC（規範化形式規範）形式進行 Unicode 規範化。
- 新增了配置日誌詳細資訊的選項（--loglevel）。
- 基於Autotools的建置系統已重新設計並切換為以非遞歸模式建置。
- Git 中的「master」分支已重新命名為「main」。
- 增加了對基於 M1 晶片的 macOS 和 Apple 系統新版本的支援。
來源： opennet.ru