光學掃描式讀票機（Optical Scan）

原理：通過光學傳感器掃描選票上的標記（如鉛筆填涂、墨水筆勾選），利用圖像識別技術判斷選民選擇。

特點：

成本較低，兼容紙質選票，適合大規模選舉。

需選票格式標準化（如固定位置的填涂框）。

應用場景：美國大選、印度議會選舉等大規模紙質選票選舉。

圖像預處理：優化原始掃描數據

灰度化處理：將彩色圖像轉換為灰度圖，突出標記與背景的亮度差異（如鉛筆填涂區域灰度值較低）。

二值化轉換：通過設定閾值（如灰度值低于 128 視為標記），將圖像轉化為黑白二值圖，簡化后續計算（例：填涂框內黑色像素占比≥30% 視為有效標記）。

噪聲過濾：利用中值濾波、高斯濾波等算法，消除紙張污漬、折疊陰影等干擾（如去除面積小于 10 像素的孤立黑點）。

幾何校正：通過檢測選票邊緣的定位標記（如 registration marks），校正因傳送歪斜導致的圖像旋轉或縮放，確保標記位置與預設模板對齊。

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。

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）。