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。

图像预处理：优化原始扫描数据

灰度化处理：将彩色图像转换为灰度图，突出标记与背景的亮度差异（如铅笔填涂区域灰度值较低）。

二值化转换：通过设定阈值（如灰度值低于 128 视为标记），将图像转化为黑白二值图，简化后续计算（例：填涂框内黑色像素占比≥30% 视为有效标记）。

噪声过滤：利用中值滤波、高斯滤波等算法，消除纸张污渍、折叠阴影等干扰（如去除面积小于 10 像素的孤立黑点）。

几何校正：通过检测选票边缘的定位标记（如 registration marks），校正因传送歪斜导致的图像旋转或缩放，确保标记位置与预设模板对齐。

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。

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。