標記區域定位：鎖定選票上的有效選擇區

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、政黨符號等區域的坐標范圍。

興趣區域（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域導致誤判。

特征提取與判斷：識別選民的選擇意圖

根據選票標記類型（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 算子檢測填涂區域的邊緣輪廓，與標準填涂形狀（如矩形、圓形）比對，排除不規則標記（如筆尖打滑形成的短線）。

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

（2）勾選或手寫符號識別

形態學分析：通過膨脹、腐蝕等形態學運算，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。

方向特征提取：對于斜線標記（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），或單票標記數超過規定（如總統選舉多選 1 人），則判定為無效票。

空白票識別：所有候選區域標記面積均低于閾值，判定為未投票。

4. 結果驗證與輸出：確保計數準確性

重復校驗：對關鍵標記區域進行多次掃描（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）。

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

軟件算法：從識別精度到防篡改機制

1. 多重校驗算法架構

重復掃描比對：對每張選票進行至少 2 次獨立掃描（間隔 50ms），比對兩次圖像的像素差異，若標記區域灰度值偏差超過 15%，則觸發第三次掃描并人工介入（如日本選舉法要求對爭議票進行三次掃描）。

多特征融合判斷：結合填涂面積、邊緣輪廓、灰度梯度等多維度特征，采用加權投票機制（如面積占比權重 40%+ 邊緣匹配度權重 30%+ 濃度均勻性權重 30%），避免單一特征誤判（例：某區域面積達標但邊緣鋸齒狀，可能被判為 “無意涂抹”）。

機器學習模型迭代：利用歷史選舉的有效 / 無效票數據（如美國 EAC 公開的選票數據集）訓練 CNN 模型，對非標準標記（如超框填涂、輕描標記）的識別準確率提升至 99.2% 以上。

2. 防篡改與數據完整性保護

哈希值校驗：對每張選票的掃描圖像生成哈希值（如 SHA-256），存儲于區塊鏈節點或加密數據庫，任何圖像修改都會導致哈希值變更，可實時檢測數據篡改（如德國部分州采用區塊鏈存證選票圖像）。

軟件版本控制：讀票機操作系統與識別算法采用簽名固件更新機制，僅允許通過官方渠道推送的版本（附帶數字證書）安裝，防止惡意程序植入（如 2018 年美國佛羅里達州選舉前，對所有讀票機進行固件哈希值比對，攔截 3 臺異常設備）。

全流程質量控制節點

階段 具體措施

選舉前 - 模擬測試：用至少 1000 張包含各類邊緣場景的模擬選票（如重度折疊票、墨水滲透票、輕微填涂票）進行壓力測試，識別錯誤率需＜0.01% 方可上線。

- 第三方認證：通過國際標準（如美國 FEC 的投票系統認證、ISO 25010 軟件質量模型）的合規性審計。

選舉中 - 實時異常報警：當連續 5 張選票出現 “多選” 或 “空白票” 比例超過歷史均值 2 倍時，系統自動暫停并提示工作人員檢查（如巴西大選讀票機的實時監控 dashboard）。

- 雙人員工值守：每臺讀票機需 2 名選舉工作人員同時在場，一人操作、一人復核，避免單人誤操作。

選舉后 - 人工抽樣審計：按選區隨機抽取 5%-10% 的紙質選票與掃描數據比對，誤差率超過 0.5% 時啟動全量重新計票（如 2020 年美國亞利桑那州審計中，人工復核 5000 張選票，機器計數準確率為 99.87%）。

- 審計日志留存：記錄每臺讀票機的開機時間、掃描張數、異常處理記錄等，保存至少 22 個月（符合美國 HAVA 法案要求）。