標記區(qū)域定位：鎖定選票上的有效選擇區(qū)

模板匹配：讀票機內置選票格式模板，通過檢測預設的定位點（如角點、條形碼）確定候選人選項框、政黨符號等區(qū)域的坐標范圍。

興趣區(qū)域（ROI）劃分：將選票圖像分割為多個獨立 ROI（如每個候選人對應一個矩形區(qū)域），減少全局分析的計算量。

示例：美國大選使用的 “蝶形選票”（Butterfly Ballot）中，讀票機通過模板定位左右兩列候選人姓名旁的填涂框，避免因選民誤填相鄰區(qū)域導致誤判。

特征提取與判斷：識別選民的選擇意圖

根據(jù)選票標記類型（填涂、勾選、手寫符號等），算法采用不同的特征提取策略：

（1）填涂標記識別（常見場景）

面積占比法：計算填涂框內黑色像素占比，超過閾值（如 30%-50%）則判定為有效選擇。

例：選民使用 2B 鉛筆填涂候選人 A 的方框，掃描后該區(qū)域黑色像素占比達 45%，算法判定為有效投票。

邊緣檢測法：通過 Canny 或 Sobel 算子檢測填涂區(qū)域的邊緣輪廓，與標準填涂形狀（如矩形、圓形）比對，排除不規(guī)則標記（如筆尖打滑形成的短線）。

濃度梯度分析：填涂越均勻的區(qū)域，灰度值分布越集中，算法可通過統(tǒng)計像素灰度方差來區(qū)分 “認真填涂” 與 “輕微觸碰”。

（2）勾選或手寫符號識別

形態(tài)學分析：通過膨脹、腐蝕等形態(tài)學運算，將勾選符號（√）或手寫標記（如 “○”）轉換為標準形狀，再與預設模板匹配。

方向特征提?。簩τ谛本€標記（如 “/”），計算像素分布的梯度方向，判斷是否符合 “勾選” 的典型角度（如 45° 或 135°）。

（3）異常標記檢測

多選判定：同一候選區(qū)域內檢測到多個標記（如同時填涂兩個候選人框），或單票標記數(shù)超過規(guī)定（如總統(tǒng)選舉多選 1 人），則判定為無效票。

空白票識別：所有候選區(qū)域標記面積均低于閾值，判定為未投票。

4. 結果驗證與輸出：確保計數(shù)準確性

重復校驗：對關鍵標記區(qū)域進行多次掃描（如兩次獨立圖像采集），結果一致才確認有效。

人工復核接口：對算法判定存疑的選票（如填涂面積接近閾值、標記形狀模糊），生成圖像供選舉工作人員人工審核（如美國部分州要求對 “爭議票” 進行人工查驗）。

數(shù)據(jù)輸出：將識別結果轉換為結構化數(shù)據(jù)（如候選人 ID、得票數(shù)），同步至中央數(shù)據(jù)庫或打印紙質統(tǒng)計表。

典型技術挑戰(zhàn)與解決方案

挑戰(zhàn)場景 技術應對措施

不同墨水的反光差異 - 采用多光譜光源（如紅光 + 紅外光），針對不同墨水（鉛筆、藍黑墨水、熒光筆）調整檢測波長。

- 機器學習模型訓練：用歷史數(shù)據(jù)訓練分類器，區(qū)分不同墨水材質的標記。

選票折疊或污漬干擾 - 圖像修復算法：通過插值法填充折疊造成的圖像缺失區(qū)域。

- 污漬識別模型：用深度學習區(qū)分 “人為標記” 與 “自然污漬”（如咖啡漬形狀通常更不規(guī)則）。

非標準填涂（如超框、輕描） - 彈性閾值設定：根據(jù)填涂中心位置，允許標記超出框線一定范圍（如框線外 5 像素內仍算有效）。

- 概率化判定：結合填涂位置、面積、濃度等多維度特征，給出 “有效概率”（如 80% 概率為有效標記），而非非黑即白的判斷。

選票格式變更（如新版選票） - 動態(tài)模板配置：允許管理員導入新選票模板，自動更新 ROI 區(qū)域坐標與標記規(guī)則，無需修改底層算法。

讀票機的準確性與可靠性依賴 “技術 + 制度 + 人工” 的三維防護：硬件通過冗余與校準確保物理信號采集穩(wěn)定，軟件借助算法校驗與防篡改設計提升邏輯判斷精度，制度流程則通過標準化操作與人工監(jiān)督彌補技術局限性。這種多層級保障體系在全球主要民主國家的選舉中已被驗證 —— 根據(jù)美國 EAC（選舉援助委員會）2022 年報告，符合認證標準的光學掃描讀票機平均錯誤率＜0.003%，遠低于人工計票的 1.5% 錯誤率。未來，隨著量子加密技術與聯(lián)邦學習在選舉系統(tǒng)中的應用，讀票機的可靠性還將進一步提升，同時保持對選民操作習慣的包容性。