核心硬件架構：光學識別的物理基礎

光學掃描式讀票機的硬件系統主要由以下部分構成，共同實現選票標記的捕捉與轉換：

硬件組件 功能描述

光源模塊 - 通常采用 LED 光源（如紅光、紅外光），均勻照射選票表面，確保標記區域反光差異明顯。

- 部分設備配備多波長光源，適應不同墨水（如熒光墨水）的識別需求。

圖像傳感器 - 多為 CCD（電荷耦合器件）或 CMOS 圖像傳感器，分辨率通常在 300-600dpi，確保捕捉填涂細節（如鉛筆濃度、墨水邊緣）。

- 掃描速度可達每秒 10-30 張選票，滿足大規模選舉效率需求。

光學透鏡組 - 聚焦光線至傳感器，校正圖像畸變，確保標記位置映射到像素坐標。

傳動機構 - 通過滾輪或傳送帶勻速輸送選票，避免掃描時抖動導致圖像模糊。

信號處理電路 - 將傳感器捕捉的模擬信號轉換為數字圖像數據（如 RGB 或灰度值），為后續算法處理做準備。

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）。