標(biāo)記區(qū)域定位：鎖定選票上的有效選擇區(qū)

模板匹配：讀票機(jī)內(nèi)置選票格式模板，通過檢測(cè)預(yù)設(shè)的定位點(diǎn)（如角點(diǎn)、條形碼）確定候選人選項(xiàng)框、政黨符號(hào)等區(qū)域的坐標(biāo)范圍。

興趣區(qū)域（ROI）劃分：將選票圖像分割為多個(gè)獨(dú)立 ROI（如每個(gè)候選人對(duì)應(yīng)一個(gè)矩形區(qū)域），減少全局分析的計(jì)算量。

示例：美國大選使用的 “蝶形選票”（Butterfly Ballot）中，讀票機(jī)通過模板定位左右兩列候選人姓名旁的填涂框，避免因選民誤填相鄰區(qū)域?qū)е抡`判。

特征提取與判斷：識(shí)別選民的選擇意圖

根據(jù)選票標(biāo)記類型（填涂、勾選、手寫符號(hào)等），算法采用不同的特征提取策略：

（1）填涂標(biāo)記識(shí)別（常見場(chǎng)景）

面積占比法：計(jì)算填涂框內(nèi)黑色像素占比，超過閾值（如 30%-50%）則判定為有效選擇。

例：選民使用 2B 鉛筆填涂候選人 A 的方框，掃描后該區(qū)域黑色像素占比達(dá) 45%，算法判定為有效投票。

邊緣檢測(cè)法：通過 Canny 或 Sobel 算子檢測(cè)填涂區(qū)域的邊緣輪廓，與標(biāo)準(zhǔn)填涂形狀（如矩形、圓形）比對(duì)，排除不規(guī)則標(biāo)記（如筆尖打滑形成的短線）。

濃度梯度分析：填涂越均勻的區(qū)域，灰度值分布越集中，算法可通過統(tǒng)計(jì)像素灰度方差來區(qū)分 “認(rèn)真填涂” 與 “輕微觸碰”。

（2）勾選或手寫符號(hào)識(shí)別

形態(tài)學(xué)分析：通過膨脹、腐蝕等形態(tài)學(xué)運(yùn)算，將勾選符號(hào)（√）或手寫標(biāo)記（如 “○”）轉(zhuǎn)換為標(biāo)準(zhǔn)形狀，再與預(yù)設(shè)模板匹配。

方向特征提?。簩?duì)于斜線標(biāo)記（如 “/”），計(jì)算像素分布的梯度方向，判斷是否符合 “勾選” 的典型角度（如 45° 或 135°）。

（3）異常標(biāo)記檢測(cè)

多選判定：同一候選區(qū)域內(nèi)檢測(cè)到多個(gè)標(biāo)記（如同時(shí)填涂兩個(gè)候選人框），或單票標(biāo)記數(shù)超過規(guī)定（如總統(tǒng)選舉多選 1 人），則判定為無效票。

空白票識(shí)別：所有候選區(qū)域標(biāo)記面積均低于閾值，判定為未投票。

4. 結(jié)果驗(yàn)證與輸出：確保計(jì)數(shù)準(zhǔn)確性

重復(fù)校驗(yàn)：對(duì)關(guān)鍵標(biāo)記區(qū)域進(jìn)行多次掃描（如兩次獨(dú)立圖像采集），結(jié)果一致才確認(rèn)有效。

人工復(fù)核接口：對(duì)算法判定存疑的選票（如填涂面積接近閾值、標(biāo)記形狀模糊），生成圖像供選舉工作人員人工審核（如美國部分州要求對(duì) “爭(zhēng)議票” 進(jìn)行人工查驗(yàn)）。

數(shù)據(jù)輸出：將識(shí)別結(jié)果轉(zhuǎn)換為結(jié)構(gòu)化數(shù)據(jù)（如候選人 ID、得票數(shù)），同步至中央數(shù)據(jù)庫或打印紙質(zhì)統(tǒng)計(jì)表。

南昊（北京）科技有限公司專業(yè)為廣大客戶提供：投票選舉計(jì)票系統(tǒng)，換屆選舉選票計(jì)票器，選票計(jì)票器（機(jī)），選票讀票器（機(jī)），電子選票機(jī)（器），電子票箱，智能掃描選舉讀票機(jī)等系統(tǒng)設(shè)備租售服務(wù)。

本產(chǎn)品適用于黨的組織部門、政府人事部門、較大型機(jī)關(guān)企事業(yè)單位、大專院校，開展對(duì)在職干部的推薦選拔、量化測(cè)評(píng)、對(duì)單位或部門的工作評(píng)議用。另外,本產(chǎn)品還可作為省級(jí)組織部門年度評(píng)議表和考核表的專用干部考評(píng)機(jī)用。