Tesseract OCR是一個開源OCR引擎，包含libtesseract和命令行程式tesseract。它誕生於1985年，最初由惠普實驗室研發。
2005年由HP開源，2006年至2017年8月由Google開發。Tesseract 4增加了基於神經網路的LSTM OCR引擎。主要版本5是當前穩定版本，於2021年11月30日以5.0.0發布。代碼在Apache License 2.0下許可。
基本介紹
- 外文名：Tesseract OCR
- 研發單位：惠普實驗室
發展歷史,核心技術,運營模式,核心團隊,社會影響,
發展歷史
1985年，Tesseract OCR誕生，最初由惠普實驗室研發，2005年開源後由Google接手維護並持續疊代。
Tesseract最初由惠普實驗室在1985年至1994年間開發，1996年被移植到Windows平台，並於1998年完成了C++化改造。在1995年UNLV組織的OCR評測中，Tesseract憑藉優異的印刷體識別精度，躋身全球頂尖OCR引擎行列。 2005年，惠普將Tesseract開源。從2006年至2017年8月，該項目由Google負責主要開發。2017年後，Stefan Weil成為當前主要開發者，Zdenko Podobny是維護者。在版本疊代方面，Tesseract 4增加了基於神經網路的LSTM OCR引擎。主要版本5是當前穩定版本，於2021年11月30日以5.0.0發布。最新版本v5.3.0引入了多語言混合識別模型。
核心技術
Tesseract OCR的技術架構包含圖像預處理、核心識別引擎與後處理三個模組。圖像預處理模組採用自適應二值化、噪聲去除和傾斜校正等技術將原始圖像轉化為標準化的識別素材。
後處理模組集成正則表達式校驗和詞典糾錯以最佳化識別結果。Tesseract支持通過微調訓練自定義模型，提升在特定領域的識別效果。
運營模式
Tesseract OCR是一個開源OCR引擎，代碼在Apache License 2.0下許可。其開發和維護由開源社區推動，項目在GitHub上託管，擁有活躍的開發者社區。作為開源軟體，使用成本幾乎為零，但需要使用者自行承擔部署、維護和最佳化的工作。Tesseract更適合需要高度定製化、離線運行或對成本敏感的場景，如學術研究、小型企業套用或個人項目。
核心團隊
Tesseract是Ray Smith於1985到1995年間在惠普布里斯托實驗室開發的一個OCR引擎。Ray Smith是直到2017年的主要開發者。Stefan Weil是當前主要開發者，維護者是Zdenko Podobny。
社會影響
曾長期位居GitHub OCR項目Star數榜首，是OCR領域具有里程碑意義的開源項目。
