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。

电子触摸屏读票机（Electronic Touchscreen）

原理：选民直接在触摸屏上选择候选人，机器实时记录数据并生成电子选票。

特点：

操作直观，减少人工误差，但依赖电力和系统稳定性。

存在黑客攻击或系统故障风险，需配合纸质备份（如 “选民验证纸质审计轨迹” VVPAT）。

应用场景：美国部分州、巴西等电子化选举场景。

标记区域定位：锁定选票上的有效选择区

模板匹配：读票机内置选票格式模板，通过检测预设的定位点（如角点、条形码）确定候选人选项框、政党符号等区域的坐标范围。

兴趣区域（ROI）划分：将选票图像分割为多个独立 ROI（如每个候选人对应一个矩形区域），减少全局分析的计算量。

示例：美国大选使用的 “蝶形选票”（Butterfly Ballot）中，读票机通过模板定位左右两列候选人姓名旁的填涂框，避免因选民误填相邻区域导致误判。

软件算法：从识别精度到防篡改机制

1. 多重校验算法架构

重复扫描比对：对每张选票进行至少 2 次独立扫描（间隔 50ms），比对两次图像的像素差异，若标记区域灰度值偏差超过 15%，则触发第三次扫描并人工介入（如日本选举法要求对争议票进行三次扫描）。

多特征融合判断：结合填涂面积、边缘轮廓、灰度梯度等多维度特征，采用加权投票机制（如面积占比权重 40%+ 边缘匹配度权重 30%+ 浓度均匀性权重 30%），避免单一特征误判（例：某区域面积达标但边缘锯齿状，可能被判为 “无意涂抹”）。

机器学习模型迭代：利用历史选举的有效 / 无效票数据（如美国 EAC 公开的选票数据集）训练 CNN 模型，对非标准标记（如超框填涂、轻描标记）的识别准确率提升至 99.2% 以上。

2. 防篡改与数据完整性保护

哈希值校验：对每张选票的扫描图像生成哈希值（如 SHA-256），存储于区块链节点或加密数据库，任何图像修改都会导致哈希值变更，可实时检测数据篡改（如德国部分州采用区块链存证选票图像）。

软件版本控制：读票机操作系统与识别算法采用签名固件更新机制，仅允许通过官方渠道推送的版本（附带数字证书）安装，防止恶意程序植入（如 2018 年美国佛罗里达州选举前，对所有读票机进行固件哈希值比对，拦截 3 台异常设备）。