圖像預(yù)處理：優(yōu)化原始掃描數(shù)據(jù)

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

二值化轉(zhuǎn)換：通過設(shè)定閾值（如灰度值低于 128 視為標(biāo)記），將圖像轉(zhuǎn)化為黑白二值圖，簡化后續(xù)計算（例：填涂框內(nèi)黑色像素占比≥30% 視為有效標(biāo)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(biāo)記（如 registration marks），校正因傳送歪斜導(dǎo)致的圖像旋轉(zhuǎn)或縮放，確保標(biāo)記位置與預(yù)設(shè)模板對齊。

特征提取與判斷：識別選民的選擇意圖

根據(jù)選票標(biāo)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(biāo)記識別（常見場景）

面積占比法：計算填涂框內(nèi)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(biāo)準(zhǔn)填涂形狀（如矩形、圓形）比對，排除不規(guī)則標(biāo)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(rèn)真填涂” 與 “輕微觸碰”。

（2）勾選或手寫符號識別

形態(tài)學(xué)分析：通過膨脹、腐蝕等形態(tài)學(xué)運算，將勾選符號（√）或手寫標(biāo)記（如 “○”）轉(zhuǎn)換為標(biāo)準(zhǔn)形狀，再與預(yù)設(shè)模板匹配。

方向特征提取：對于斜線標(biāo)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(biāo)記檢測

多選判定：同一候選區(qū)域內(nèi)檢測到多個標(biāo)記（如同時填涂兩個候選人框），或單票標(biāo)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(biāo)記面積均低于閾值，判定為未投票。

4. 結(jié)果驗證與輸出：確保計數(shù)準(zhǔn)確性

重復(fù)校驗：對關(guān)鍵標(biāo)記區(qū)域進行多次掃描（如兩次獨立圖像采集），結(jié)果一致才確認(rèn)有效。

人工復(fù)核接口：對算法判定存疑的選票（如填涂面積接近閾值、標(biāo)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(jié)果轉(zhuǎn)換為結(jié)構(gòu)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(zhì)統(tǒng)計表。

選票預(yù)處理：通過紅外光源掃描選票，生成灰度圖像，同時檢測選票邊緣的定位孔（registration holes）以校準(zhǔn)位置。

區(qū)域劃分：根據(jù)選票模板，將圖像劃分為總統(tǒng)候選人區(qū)、參議員區(qū)、公投議題區(qū)等獨立 ROI。

填涂分析：對每個候選人對應(yīng)的橢圓填涂框，計算黑色像素占比，超過 35% 則判定為有效投票。

異常標(biāo)記處理：若同一總統(tǒng)候選人區(qū)檢測到 2 個及以上有效填涂，系統(tǒng)標(biāo)記為 “多選票”（overvote），該區(qū)域投票無效。

數(shù)據(jù)同步：每臺讀票機實時將計數(shù)結(jié)果通過加密網(wǎng)絡(luò)傳輸至選區(qū)服務(wù)器，同時保存原始圖像供事后審計（如 2020 年佐治亞州重新計票時，人工核對了掃描圖像與紙質(zhì)選票）。

軟件算法：從識別精度到防篡改機制

1. 多重校驗算法架構(gòu)

重復(fù)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(biāo)記區(qū)域灰度值偏差超過 15%，則觸發(fā)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(jié)合填涂面積、邊緣輪廓、灰度梯度等多維度特征，采用加權(quán)投票機制（如面積占比權(quán)重 40%+ 邊緣匹配度權(quán)重 30%+ 濃度均勻性權(quán)重 30%），避免單一特征誤判（例：某區(qū)域面積達標(biāo)但邊緣鋸齒狀，可能被判為 “無意涂抹”）。

機器學(xué)習(xí)模型迭代：利用歷史選舉的有效 / 無效票數(shù)據(jù)（如美國 EAC 公開的選票數(shù)據(jù)集）訓(xùn)練 CNN 模型，對非標(biāo)準(zhǔn)標(biāo)記（如超框填涂、輕描標(biāo)記）的識別準(zhǔn)確率提升至 99.2% 以上。

2. 防篡改與數(shù)據(jù)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(qū)塊鏈節(jié)點或加密數(shù)據(jù)庫，任何圖像修改都會導(dǎo)致哈希值變更，可實時檢測數(shù)據(jù)篡改（如德國部分州采用區(qū)塊鏈存證選票圖像）。

軟件版本控制：讀票機操作系統(tǒng)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(shù)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(shè)備）。