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。

選票預處理：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）以校準位置。

區域劃分：根據選票模板，將圖像劃分為總統候選人區、參議員區、公投議題區等獨立 ROI。

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

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

數據同步：每臺讀票機實時將計數結果通過加密網絡傳輸至選區服務器，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選票）。

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邦學習在選舉系統中的應用，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。

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）。