光学扫描式读票机（Optical Scan）

原理：通过光学传感器扫描选票上的标记（如铅笔填涂、墨水笔勾选），利用图像识别技术判断选民选择。

特点：

成本较低，兼容纸质选票，适合大规模选举。

需选票格式标准化（如固定位置的填涂框）。

应用场景：美国大选、印度议会选举等大规模纸质选票选举。

条形码 / 二维码读票机

原理：选民通过填写或扫描条形码 / 二维码选票，机器读取编码后解析投票信息。

特点：

数据精度高，可存储更多信息（如选区、候选人编号）。

需提前印制带编码的选票，适合电子化程度较高的选举。

特征提取与判断：识别选民的选择意图

根据选票标记类型（填涂、勾选、手写符号等），算法采用不同的特征提取策略：

（1）填涂标记识别（常见场景）

面积占比法：计算填涂框内黑色像素占比，超过阈值（如 30%-50%）则判定为有效选择。

例：选民使用 2B 铅笔填涂候选人 A 的方框，扫描后该区域黑色像素占比达 45%，算法判定为有效投票。

边缘检测法：通过 Canny 或 Sobel 算子检测填涂区域的边缘轮廓，与标准填涂形状（如矩形、圆形）比对，排除不规则标记（如笔尖打滑形成的短线）。

浓度梯度分析：填涂越均匀的区域，灰度值分布越集中，算法可通过统计像素灰度方差来区分 “认真填涂” 与 “轻微触碰”。

（2）勾选或手写符号识别

形态学分析：通过膨胀、腐蚀等形态学运算，将勾选符号（√）或手写标记（如 “○”）转换为标准形状，再与预设模板匹配。

方向特征提取：对于斜线标记（如 “/”），计算像素分布的梯度方向，判断是否符合 “勾选” 的典型角度（如 45° 或 135°）。

（3）异常标记检测

多选判定：同一候选区域内检测到多个标记（如同时填涂两个候选人框），或单票标记数超过规定（如总统选举多选 1 人），则判定为无效票。

空白票识别：所有候选区域标记面积均低于阈值，判定为未投票。

4. 结果验证与输出：确保计数准确性

重复校验：对关键标记区域进行多次扫描（如两次独立图像采集），结果一致才确认有效。

人工复核接口：对算法判定存疑的选票（如填涂面积接近阈值、标记形状模糊），生成图像供选举工作人员人工审核（如美国部分州要求对 “争议票” 进行人工查验）。

数据输出：将识别结果转换为结构化数据（如候选人 ID、得票数），同步至中央数据库或打印纸质统计表。

典型技术挑战与解决方案

挑战场景 技术应对措施

不同墨水的反光差异 - 采用多光谱光源（如红光 + 红外光），针对不同墨水（铅笔、蓝黑墨水、荧光笔）调整检测波长。

- 机器学习模型训练：用历史数据训练分类器，区分不同墨水材质的标记。

选票折叠或污渍干扰 - 图像修复算法：通过插值法填充折叠造成的图像缺失区域。

- 污渍识别模型：用深度学习区分 “人为标记” 与 “自然污渍”（如咖啡渍形状通常更不规则）。

非标准填涂（如超框、轻描） - 弹性阈值设定：根据填涂中心位置，允许标记超出框线一定范围（如框线外 5 像素内仍算有效）。

- 概率化判定：结合填涂位置、面积、浓度等多维度特征，给出 “有效概率”（如 80% 概率为有效标记），而非非黑即白的判断。

选票格式变更（如新版选票） - 动态模板配置：允许管理员导入新选票模板，自动更新 ROI 区域坐标与标记规则，无需修改底层算法。