कार लाइसेंस प्लेट मान्यता विस्तार से

यह विस्तार से बताने का समय है कि संख्या पहचान एल्गोरिदम का हमारा कार्यान्वयन कैसे काम करता है: क्या एक अच्छा समाधान निकला, जिसने बहुत बुरी तरह से काम किया। और सिर्फ हबर-उपयोगकर्ताओं को रिपोर्ट करने के लिए - आखिरकार, रिकॉग्निटर एंड्रॉइड एप्लिकेशन का उपयोग करते हुए , आपने शूटिंग के तरीके, और कैसे नहीं की व्याख्या किए बिना, पूरी तरह से निष्पक्ष रूप से लिए गए संख्याओं के शॉट्स का एक सभ्य आकार डेटाबेस प्राप्त करने में हमारी मदद की। और मान्यता एल्गोरिदम विकसित करते समय छवियों का आधार सबसे महत्वपूर्ण है!

मान्यता प्राप्त Android एप्लिकेशन के साथ क्या हुआ

यह बहुत सुखद था कि हबर के उपयोगकर्ताओं ने एप्लिकेशन डाउनलोड करने, इसे आज़माने और हमें नंबर भेजने का उपक्रम किया।





कार्यक्रम डाउनलोड और रेटिंग



एप्लिकेशन अपलोड होने के बाद से, मोबाइल एप्लिकेशन से 3,800 स्नैपशॉट नंबर सर्वर पर आ गए हैं।

और इससे भी अधिक हम http://212.116.121.70:10000/uploadimage लिंक से प्रसन्न थे - 2 दिनों में हमें लाइसेंस प्लेटों (मुख्य रूप से वोलोग्दा) के लगभग 8 हजार पूर्ण-आकार के चित्र भेजे गए थे! सर्वर लगभग पड़ा हुआ था।



अब हमारे हाथ में 12,000 स्नैपशॉट हैं - डिबगिंग एल्गोरिदम पर एक विशाल काम आगे है। सभी मज़ा बस शुरुआत है!



आपको याद दिला दूं कि Android एप्लिकेशन में, पहले एक नंबर आवंटित किया गया था। इस लेख में, मैं इस स्तर पर नहीं रहूंगा। हमारे मामले में, एक कैस्केड हैर डिटेक्टर । यह डिटेक्टर हमेशा काम नहीं करता है यदि फ्रेम में संख्या को दृढ़ता से घुमाया जाता है। प्रशिक्षित कैस्केड डिटेक्टर कैसे काम करता है इसका विश्लेषण जब मैं काम नहीं करता, तो मैं निम्नलिखित लेखों के लिए छोड़ दूंगा। यह वास्तव में बहुत दिलचस्प है। ऐसा लगता है कि यह एक ब्लैक बॉक्स है - उन्होंने डिटेक्टर को प्रशिक्षित किया और कुछ नहीं किया। वास्तव में ऐसा नहीं है।



लेकिन फिर भी, सीमित कंप्यूटिंग संसाधनों के मामले में कैस्केड डिटेक्टर एक अच्छा विकल्प है। यदि कार का नंबर गंदा है या फ्रेम खराब दिखाई दे रहा है, तो Haar अन्य तरीकों के संबंध में भी अच्छा प्रदर्शन करता है।

संख्या पहचान

यहाँ इस तरह की तस्वीरों में पाठ को पहचानने के बारे में एक कहानी है:





पहले लेख में आम मान्यता दृष्टिकोण का वर्णन किया गया था।



प्रारंभ में, हम खुद को गंदे, आंशिक रूप से मिटाए गए और परिप्रेक्ष्य संख्याओं से बुरी तरह से पहचानने का कार्य निर्धारित करते हैं।

सबसे पहले, यह दिलचस्प है, और दूसरी बात, यह लग रहा था कि तब सफाई वाले 100% मामलों में सामान्य रूप से काम करेंगे। आमतौर पर, यह निश्चित रूप से होता है। लेकिन इसका कोई फायदा नहीं हुआ। यह पता चला कि अगर गंदे नंबरों के लिए सफलता की दर 88% थी, तो स्वच्छ लोगों के लिए, उदाहरण के लिए, 90%। यद्यपि वास्तव में, मोबाइल एप्लिकेशन पर एक तस्वीर से एक सफल उत्तर तक मान्यता की संभावना, निश्चित रूप से, इस आंकड़े के साथ और भी बदतर हो गई। 50% से कम आने वाली छवियां (ताकि लोग तस्वीरें लेने की कोशिश न करें)। यानी औसतन, दो बार आपको इसे सफलतापूर्वक पहचानने के लिए एक नंबर पर फोटो लगाना था। हालांकि कई मायनों में यह कम प्रतिशत इस तथ्य के कारण है कि कई ने मॉनिटर स्क्रीन से नंबर किराए पर लेने की कोशिश की, और वास्तविक स्थिति में नहीं।



पूरा एल्गोरिदम गंदे नंबरों के लिए बनाया गया था। लेकिन यह पता चला है कि अब मास्को में गर्मियों में, 10 में से 9 कमरे पूरी तरह से साफ हैं। इसलिए रणनीति को बदलना और दो अलग-अलग एल्गोरिदम बनाना बेहतर है। यदि एक स्वच्छ संख्या को जल्दी और मज़बूती से पहचानना संभव था, तो यह परिणाम उपयोगकर्ता को भेजा जाएगा, और यदि यह संभव नहीं था, तो हम थोड़ा अधिक प्रोसेसर समय व्यतीत करते हैं और गंदे संख्याओं के लिए दूसरा एल्गोरिथ्म चलाते हैं।

एक साधारण संख्या मान्यता एल्गोरिथ्म जिसे तुरंत लागू किया जाना चाहिए

एक अच्छे और साफ कमरे की पहचान कैसे करें? यह बिल्कुल मुश्किल नहीं है।



हम इस तरह के एक एल्गोरिथ्म के लिए निम्नलिखित आवश्यकताओं को प्रस्तुत करते हैं:



1) कुछ कॉर्नरिंग प्रतिरोध (degrees 10 डिग्री)

2) छोटे पैमाने पर परिवर्तन का प्रतिरोध (20%)

3) फ्रेम की सीमा के साथ संख्या की किसी भी सीमा को काट देना या केवल खराब रूप से व्यक्त की गई सीमाएं सब कुछ बर्बाद नहीं करना चाहिए (यह मौलिक रूप से महत्वपूर्ण है, क्योंकि गंदे संख्याओं के मामले में आपको संख्या की सीमा पर भरोसा करना होगा; यदि संख्या साफ है, तो संख्याओं / अक्षरों से बेहतर कुछ भी नहीं है / वर्ण नहीं है) संख्या)।



तो, साफ और अच्छी तरह से पढ़े जाने योग्य संख्याओं में, सभी संख्याएं और अक्षर एक दूसरे से अलग होते हैं, जिसका अर्थ है कि आप छवि को द्विप्रकृत कर सकते हैं और रूपात्मक रूप से संबंधित क्षेत्रों का चयन कर सकते हैं या अच्छी तरह से ज्ञात contouring फ़ंक्शन का उपयोग कर सकते हैं।



फ्रेम को बड़ा करें



यहां मध्य-श्रेणी के फ़िल्टर के माध्यम से चलने और छवि को सामान्य बनाने के लायक है।



छवि स्पष्टता के लिए शुरू में कम-विपरीत फ्रेम दिखाती है।



फिर एक निश्चित सीमा के द्वारा बिनार्इज़ करें (आप दहलीज को ठीक कर सकते हैं, क्योंकि छवि सामान्यीकृत थी)।



फ्रेम रोटेशन परिकल्पना



मान लीजिए कि छवि के कई संभावित रोटेशन कोण हैं। उदाहरण के लिए, +10, 0, -10 डिग्री:







भविष्य में, विधि में संख्याओं और अक्षरों के रोटेशन के कोण के लिए थोड़ा प्रतिरोध होगा, इसलिए 10 डिग्री के कोण में ऐसा पर्याप्त रूप से बड़ा कदम चुना गया था।

भविष्य में, हम प्रत्येक फ्रेम के साथ स्वतंत्र रूप से काम करेंगे। क्या रोटेशन परिकल्पना सबसे अच्छा परिणाम देगा जीत जाएगा।



और फिर सभी संबंधित क्षेत्रों को इकट्ठा करें। यहाँ हमने OpenCV से मानक फाइंडकोर्स फ़ंक्शन का उपयोग किया है। यदि जुड़ा हुआ क्षेत्र (समोच्च) पिक्सेल में H1 से H2 तक की ऊंचाई और चौड़ाई और ऊंचाई K1 से K2 के अनुपात से संबंधित है, तो फ्रेम में छोड़ दें और ध्यान दें कि इस क्षेत्र में एक संकेत हो सकता है। लगभग निश्चित रूप से, केवल संख्याएं और अक्षर इस स्तर पर रहेंगे, बाकी कचरा फ्रेम को छोड़ देगा। आयतों को सीमित करने वाली आयतें लें, उन्हें समान पैमाने पर लाएँ, और फिर प्रत्येक अक्षर / संख्या पर अलग से काम करें।



यहाँ उन सीमाओं के आयत हैं जो हमारी आवश्यकताओं को पूरा करते हैं:





पत्र / संख्या



छवि की गुणवत्ता अच्छी है, सभी अक्षर और संख्या पूरी तरह से अलग हैं, अन्यथा हम इस कदम पर नहीं पहुंचते।

सभी वर्णों को समान आकार में, उदाहरण के लिए, 20x30 पिक्सेल। यहाँ वे हैं:



वैसे, Resize (20x30 तक कम हो जाने पर) प्रदर्शन करते समय, द्विभाजित छवि प्रक्षेप के कारण एक ग्रेडिएंट में बदल जाएगी। बिनकरण को दोहराना होगा।



और अब, ज्ञात साइन छवियों के साथ तुलना करने का सबसे आसान तरीका XOR (हैमिंग सामान्यीकृत दूरी) का उपयोग करना है। उदाहरण के लिए, इस तरह:



दूरी = 1.0 - | नमूना XOR छवि | / | नमूना |



यदि दूरी दहलीज से अधिक है, तो हम मानते हैं कि हमें एक संकेत मिला है, कम - हम इसे बाहर फेंक देते हैं।



पत्र अंकों संख्या अक्षर-अक्षर का नंबर



हां, हम इस प्रारूप में रूसी संघ के कार संकेतों की तलाश कर रहे हैं। यहां यह ध्यान रखना चाहिए कि नंबर 0 और अक्षर "o" एक दूसरे से बिल्कुल अलग नहीं हैं, नंबर 8 और अक्षर "c"। बाएं से दाएं सभी संकेतों को लाइन करें और प्रत्येक में 6 अक्षर लें।

समय के लिए मानदंड - पत्र-अंक-अंक-अंक-पत्र-पत्र (0 / o, 8 / के बारे में मत भूलना)

मानदंड दो - लाइन से 6 अक्षरों की निचली सीमा का विचलन



परिकल्पना के लिए कुल अंक - सभी 6 वर्णों की हेमिंग दूरी का योग। अधिक, बेहतर है।



इसलिए, यदि कुल अंक सीमा से कम हैं, तो हम मानते हैं कि हमें संख्या के 6 वर्ण (बिना क्षेत्र के) मिले हैं। यदि थ्रेशोल्ड से अधिक है, तो हम गंदे संख्याओं के प्रतिरोधी एल्गोरिदम पर जाते हैं।



अभी भी "एच" और "एम" अक्षरों को अलग से विचार करने लायक है। ऐसा करने के लिए, आपको एक अलग क्लासिफायर बनाने की आवश्यकता है, उदाहरण के लिए, ग्रेडिएंट्स के एक हिस्टोग्राम द्वारा।



क्षेत्र



पहले से पाए गए 6 अक्षर के नीचे रेखा के ऊपर अगले दो या तीन अक्षर क्षेत्र हैं। यदि तीसरा अंक मौजूद है, और इसकी समानता सीमा से अधिक है, तो इस क्षेत्र में तीन अंक होते हैं। नहीं तो दो का।



हालाँकि, क्षेत्र की पहचान अक्सर उतनी सुगमता से नहीं होती जितनी हम चाहते हैं। क्षेत्रों में संख्याएँ छोटी हैं, वे सफलतापूर्वक विभाजित नहीं हो सकते हैं। इसलिए, इस क्षेत्र को गंदगी / शोर / ओवरलैप के लिए अधिक प्रतिरोधी तरीके से पहचानना बेहतर है, नीचे वर्णित है।



एल्गोरिथ्म के विवरण के कुछ विवरण बहुत अधिक विस्तार से खुलासा नहीं किए गए हैं। आंशिक रूप से इस तथ्य के कारण कि इस एल्गोरिथ्म का केवल एक मॉक-अप अब बनाया गया है और यह उन हजारों छवियों पर परीक्षण और डीबग किया जाना बाकी है। यदि संख्या अच्छी और साफ है, तो दसियों मिलीसेकंड के लिए आपको संख्या को पहचानने या "विफल" होने का जवाब देना होगा और अधिक गंभीर एल्गोरिथ्म पर आगे बढ़ना होगा।

गंदी संख्या प्रतिरोधी एल्गोरिथम

यह स्पष्ट है कि ऊपर वर्णित एल्गोरिदम खराब छवि गुणवत्ता (गंदगी, खराब रिज़ॉल्यूशन, खराब छाया या शूटिंग कोण) के कारण संख्या पर एक साथ चिपक जाने पर बिल्कुल भी काम नहीं करता है।



यहां संख्याओं के उदाहरण दिए गए हैं जब पहला एल्गोरिथ्म कुछ नहीं कर सकता था:





और नीचे वर्णित एल्गोरिथ्म में सक्षम था।



लेकिन आपको लाइसेंस प्लेट की सीमाओं पर भरोसा करना होगा, और फिर एक सख्ती से परिभाषित क्षेत्र के अंदर, एक अच्छी तरह से ज्ञात अभिविन्यास और पैमाने के साथ संकेतों की तलाश करें। और सबसे महत्वपूर्ण बात - कोई बैनरीकरण नहीं!



हम संख्या की निचली सीमा की तलाश कर रहे हैं



इस एल्गोरिथ्म में सबसे आसान और सबसे विश्वसनीय कदम। हम रोटेशन के कोण से कई परिकल्पनाओं को छांटते हैं और प्रत्येक परिकल्पना के लिए चित्र के निचले आधे भाग के लिए क्षैतिज रेखाओं के साथ पिक्सेल चमक के एक हिस्टोग्राम को घुमाते हैं:





हम अधिकतम ढाल चुनते हैं और इसलिए झुकाव के कोण को निर्धारित करते हैं और नीचे से संख्या को किस स्तर पर काटते हैं। कंट्रास्ट को सुधारना और इस छवि को प्राप्त करना न भूलें:





सामान्य तौर पर, यह न केवल चमक के हिस्टोग्राम का उपयोग करने के लिए लायक है, बल्कि एक फैलाव हिस्टोग्राम, संख्या क्रॉपिंग की विश्वसनीयता बढ़ाने के लिए एक ढाल हिस्टोग्राम भी है।



हम संख्या की ऊपरी सीमा की तलाश कर रहे हैं



यहाँ यह इतना स्पष्ट नहीं है, यह पता चला है कि यदि आप अपने हाथों से पीछे की लाइसेंस प्लेट को हटाते हैं, तो ऊपरी सीमा बहुत मुड़ी हुई हो सकती है और आंशिक रूप से संकेतों या छाया को कवर कर सकती है, जैसा कि इस मामले में:



संख्या के ऊपरी भाग में चमक का कोई तेज संक्रमण नहीं है, और अधिकतम ढाल पूरी तरह से बीच में संख्या को काट देगा।



हम स्थिति से बाहर निकले बहुत तुच्छ नहीं हैं: हमने प्रत्येक अंक और प्रत्येक अक्षर के लिए हर कैस्केड डिटेक्टर को प्रशिक्षित किया, छवि में सभी संकेत पाए, इसलिए हमने ऊपरी रेखा निर्धारित की जहां कटौती करने के लिए:







ऐसा लगता है कि यह यहाँ रुकने लायक है - हमें पहले ही नंबर और पत्र मिल गए हैं! लेकिन वास्तव में, हाए डिटेक्टर गलत हो सकता है, लेकिन हमारे यहां 7-8 अक्षर हैं। संख्या का एक अच्छा उदाहरण 4. यदि संख्या की ऊपरी सीमा संख्या 4 के साथ विलीन हो जाती है, तो संख्या 7 को देखना बिल्कुल भी मुश्किल नहीं है। इस उदाहरण में संयोग से कौन सी घटना घटी। लेकिन दूसरी ओर, डिटेक्शन एरर के बावजूद, पाया गया आयतों की ऊपरी सीमा वास्तव में लाइसेंस प्लेट की ऊपरी सीमा से मेल खाती है।



किसी संख्या की साइड बॉर्डर का पता लगाएं



इसके अलावा कुछ भी मुश्किल नहीं - बिल्कुल नीचे के समान। एकमात्र अंतर यह है कि अक्सर किसी संख्या में पहले या अंतिम वर्ण के ग्रेडिएंट की चमक संख्या की ऊर्ध्वाधर सीमा के ढाल की चमक को पार कर सकती है, इसलिए अधिकतम का चयन नहीं किया जाता है, लेकिन पहली ढाल जो सीमा से अधिक होती है। इसी तरह, निचली सीमा के साथ, ढलान के अनुसार कई परिकल्पनाओं को क्रमबद्ध करना आवश्यक है, क्योंकि परिप्रेक्ष्य के कारण, ऊर्ध्वाधर और क्षैतिज सीमाओं की लंबवतता की गारंटी बिल्कुल नहीं है।



यहाँ एक अच्छी तरह से फसली संख्या है:





हाँ! एक घृणित संख्या के साथ एक फ्रेम सम्मिलित करना विशेष रूप से अच्छा था जिसे सफलतापूर्वक मान्यता दी गई थी।



केवल एक चीज दुख की बात है - इस स्तर तक, 5% से 15% संख्याओं को गलत तरीके से काट दिया जा सकता है। उदाहरण के लिए, इस तरह:



(वैसे, यह कोई है जिसने हमें एक पीले रंग की टैक्सी नंबर भेजा है, जैसा कि मैं इसे समझता हूं - प्रारूप नियमित नहीं है)



यह सब इसलिए आवश्यक था कि यह सब केवल गणनाओं को अनुकूलित करने के लिए किया गया था, क्योंकि यह सभी संभावित पदों, तराजू और संकेतों की झुकाव के माध्यम से क्रमबद्ध करने के लिए बहुत ही अनिवार्य रूप से महंगा होगा, जब उन्हें खोजा जाएगा।



पात्रों में विभाजित स्ट्रिंग



दुर्भाग्य से, सभी पात्रों के परिप्रेक्ष्य और गैर-मानक चौड़ाई के कारण, आपको किसी तरह पहले से ही क्रॉप किए गए अक्षरों में वर्णों का चयन करना होगा। यहाँ फिर से हिस्टोग्राम चमक से मदद करेगा, लेकिन पहले से ही एक्स अक्ष के साथ:





केवल एक चीज जो भविष्य में दो परिकल्पनाओं की जांच करने के लिए है: प्रतीक तुरंत शुरू होते हैं या अधिकतम एक हिस्टोग्राम को छोड़ दिया जाना चाहिए। यह इस तथ्य के कारण है कि कुछ नंबरों पर कार नंबर के स्क्रू या स्क्रू हेड के लिए छेद एक अलग संकेत के रूप में भिन्न हो सकता है, या यह पूरी तरह से अदृश्य हो सकता है।



चरित्र पहचान



छवि अभी भी बायनेरिज़्ड नहीं है, हम सभी जानकारी का उपयोग करेंगे।



यहां मुद्रित वर्ण हैं, फिर एक भारित सहसंयोजक एक उदाहरण के साथ छवियों की तुलना करने के लिए उपयुक्त है:





तुलना और सहसंयोजक वजन के लिए नमूने:





बेशक, आप नमूनों के साथ क्षैतिज हिस्टोग्राम के साथ हाइलाइट किए गए क्षेत्र की तुलना नहीं कर सकते। हमें विस्थापन और पैमाने पर कई परिकल्पनाएँ करनी होंगी।

एक्स अक्ष = 4 के साथ स्थिति पर परिकल्पना की संख्या

Y अक्ष = 4 के साथ स्थिति पर परिकल्पना की संख्या

पैमाने पर परिकल्पना की संख्या = 3



इस प्रकार, प्रत्येक क्षेत्र के लिए जब एक संकेत के साथ तुलना की जाती है, तो 4x4x3 कोवरियन की गणना करना आवश्यक है।



सबसे पहले, हम 3 बड़ी संख्या पाएंगे। यह 3 x 10 x 4 x 4 x 3 = 1440 तुलना है।



फिर एक अक्षर बाईं ओर और दो दाईं ओर। तुलना के लिए पत्र 12. फिर तुलना की संख्या 3x12x4x4x3 = 1728



जब हमारे पास 6 वर्ण होते हैं, तो उनके अधिकार के लिए सब कुछ एक क्षेत्र है।







किसी क्षेत्र में 2 अंक या 3 अंक हो सकते हैं - इसे ध्यान में रखा जाना चाहिए। हिस्टोग्राम में एक क्षेत्र को तोड़ना पहले से ही व्यर्थ है क्योंकि छवि की गुणवत्ता बहुत कम हो सकती है। इसलिए, एक-एक करके हम संख्याओं को बाएं से दाएं पाते हैं। ऊपरी बाएं कोने से शुरू, एक्स अक्ष, वाई अक्ष और पैमाने पर कई परिकल्पनाओं की आवश्यकता होती है। सबसे अच्छा मैच खोजें। हम पूर्वनिर्धारित राशि से दाईं ओर शिफ्ट होते हैं, हम फिर से देख रहे हैं। हम पहले के बाईं ओर और दूसरे के दाईं ओर तीसरे प्रतीक की खोज करेंगे, यदि तीसरे प्रतीक की समानता माप सीमा से अधिक है, तो हम भाग्यशाली हैं - क्षेत्र संख्या में तीन अंक होते हैं।

निष्कर्ष

एल्गोरिथ्म (लेख में वर्णित दूसरा) को लागू करने की प्रथा ने एक बार फिर मान्यता समस्याओं को हल करने में एक सामान्य सत्य की पुष्टि की है: एल्गोरिदम बनाते समय हमें वास्तव में प्रस्तुत करने योग्य आधार की आवश्यकता होती है। हमने गंदे और घिसे हुए कमरों को निशाना बनाया, क्योंकि परीक्षण का आधार सर्दियों में फिल्माया गया था। और वास्तव में, बहुत खराब संख्याओं को पहचानना अक्सर संभव था, लेकिन प्रशिक्षण सेट में लगभग कोई साफ संख्या नहीं थी।



सिक्के के दूसरे पक्ष से पता चला था: उपयोगकर्ता के लिए बहुत परेशान करने वाली स्थिति है क्योंकि स्वचालित प्रणाली पूरी तरह से आदिम कार्य को हल नहीं करती है। "ठीक है, यहाँ क्या नहीं पढ़ा जा सकता है?" और यह तथ्य कि स्वचालित प्रणाली गंदी या जर्जर संख्या को नहीं पहचान सकती है।



सच कहूँ तो, यह बड़े पैमाने पर उपभोक्ता के लिए एक मान्यता प्रणाली विकसित करने का हमारा पहला अनुभव है। और उपयोगकर्ताओं के रूप में इस तरह के "trifles" के बारे में, यह सोचना सीखने लायक है। अब हम एक ऐसे विशेषज्ञ से जुड़ गए हैं, जिन्होंने iOs के लिए एक समान "पहचानकर्ता" कार्यक्रम विकसित किया है। UI में, उपयोगकर्ता के पास यह देखने का अवसर है कि सर्वर को क्या भेजा जा रहा है, यह चुनें कि Haar द्वारा आवंटित संख्याओं में से कौन सा आवश्यक है, पहले से ही "जमे हुए" फ्रेम में आवश्यक क्षेत्र का चयन करना संभव है। और इसका उपयोग करना अधिक सुविधाजनक है। स्वचालित मान्यता एक बेवकूफ कार्य नहीं बनती है, जिसके बिना कुछ भी नहीं किया जा सकता है, लेकिन सिर्फ एक सहायक।



एक ऐसी प्रणाली के बारे में सोचना जिसमें उपयोगकर्ता के लिए स्वचालित छवि मान्यता सामंजस्यपूर्ण और सुविधाजनक होगी - यह इन पहचान एल्गोरिदम बनाने की तुलना में कोई आसान काम नहीं है।



और, ज़ाहिर है, मुझे उम्मीद है कि लेख उपयोगी होगा।



इस श्रृंखला का पहला लेख प्रौद्योगिकी का अवलोकन है।

दूसरा लेख - हमारा सर्वर

तीसरा लेख - हमारे सर्वर तक पहुंच का प्रोटोकॉल



संख्या के प्राथमिक आवंटन के साथ ग्राहक भाग के स्रोत

संख्या पहचानने वाला कार्यक्रम एकत्रित किया