Релиз системы распознавания текста Tesseract 4.1

12 июля 2019 года

Wikinews-logo-ru.svg

Подготовлен релиз системы оптического распознавания текста Tesseract 4.1, поддерживающей распознавание символов UTF-8 и текстов на более чем 100 языках, включая русский, казахский, белорусский и украинский. Результат может сохраняться как открытым текстом, так и в форматах HTML (hOCR), ALTO (XML), PDF и TSV. Изначально система была создана в 1985-1995 годах в лаборатории компании Hewlett Packard, в 2005 году код был открыт под лицензией Apache и в дальнейшем развивался при участии работников компании Google. Исходные тексты проекта распространяются под лицензией Apache 2.0.

Tesseract включает в себя консольную утилиту и библиотеку libtesseract для встраивания функций распознавания текста в другие приложения. Из поддерживающих Tesseract сторонних GUI-интерфейсов можно отметить gImageReader, VietOCR и YAGF. Предлагается два движка распознавания: классический, распознающий текст на уровне шаблонов отдельных символов, и новый, базирующийся на применении системы машинного обучения на базе рекуррентной нейронной сети LSTM, оптимизированной для распознавания целиком строк и позволяющей добиться существенного увеличения точности. Готовые натренированные модели опубликованы для 123 языков. Для оптимизации производительности предлагаются модули, использующие OpenMP и SIMD-инструкций AVX2, AVX или SSE4.1.

Основные улучшения в Tesseract 4.1:

  • Добавлена возможность вывода в XML-формате ALTO (Analyzed Layout and Text Object). Для использования данного формата следует запустить приложение как "tessaract имя_изображения каталог_вывода alto";
  • Добавлены новые модули рендеринга LSTMBox и WordStrBox, упрощающие проведение обучения движка;
  • Добавлена поддержка псевдографики в выводе hOCR (HTML);
  • Добавлены написанные на языке Python альтернативные скрипты для тренировки движка на базе машинного обучения;
  • Расширены оптимизации с использованием инструкций AVX, AVX2 и SSE;
  • По умолчанию отключена поддержка OpenMP из-за проблем с производительностью;
  • В движке LSTM добавлена поддержка белых и чёрных списков;
  • Улучшены сборочные сценарии на базе Cmake.
 

ИсточникиПравить


Эта статья содержит материалы из статьи «Релиз системы распознавания текста Tesseract 4.1», опубликованной OpenNET и распространяющейся на условиях лицензии Creative Commons Attribution (CC BY) — указание автора, источник и лицензию.
Эта статья загружена автоматически ботом NewsBots в архив и ещё не проверялась редакторами Викиновостей.
Любой участник может оформить статью: добавить иллюстрации, викифицировать, заполнить шаблоны и добавить категории.
Любой редактор может снять этот шаблон после оформления и проверки.
 

Комментарии:Релиз системы распознавания текста Tesseract 4.1