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。

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。

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）。