Компания Google официально представила альфа-версию программного пакета OCRopus, предназначенного для оптического распознавания (Optical Character Recognition, OCR) текстовых документов. Утилита построена на базе OCR-алгоритма Tesseract c открытым кодом, работает под операционными системами Linux и распространяется по лицензии Apache License 2.0, сообщает сайт Ars Technica.
Представленная версия OCRopus не лишена ошибок: в частности, очень часто буква «e» распознается как «c», а буква «о» регулярно заменяется цифрой 0. По наблюдениям источника, программа лучше справляется со сканированием текстов, набранных шрифтами без засечек (sans serif); кроме того, на эффективности ее работы положительно сказывается увеличенный размер символов.
Впрочем, по утверждению разработчиков, все это — особенности именно альфа-версии, где приоритет делается на поиске оптимальной функциональности. Улучшением качества и скорости работы OCRopus займутся уже на следующем этапе, этапе бета-тестирования, начало которого пока запланировано на первый квартал 2008 года.
Выход Google на рынок OCR-систем связан с интересом поискового гиганта к оцифровке печатных документов — книг и старинных рукописей, газет и журналов, архивных записей и т.д. При этом модульный подход, применяющийся в OCRopus (и, в частности, поддержка Lua), способен обеспечить интерес к этой программе и со стороны неанглоязычной аудитории.