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。

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。

选票预处理：通过红外光源扫描选票，生成灰度图像，同时检测选票边缘的定位孔（registration holes）以校准位置。

区域划分：根据选票模板，将图像划分为总统候选人区、参议员区、公投议题区等独立 ROI。

填涂分析：对每个候选人对应的椭圆填涂框，计算黑色像素占比，超过 35% 则判定为有效投票。

异常标记处理：若同一总统候选人区检测到 2 个及以上有效填涂，系统标记为 “多选票”（overvote），该区域投票无效。

数据同步：每台读票机实时将计数结果通过加密网络传输至选区服务器，同时保存原始图像供事后审计（如 2020 年佐治亚州重新计票时，人工核对了扫描图像与纸质选票）。

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）。