有關選票方面的研究，Nagy, Lopresti, and Smith 三位學者（[15]-[19]、[26]-[29]）
是比較大規模且系統化。研究的起因是 2008 年在美國明尼蘇達州（Minnesota）
參議員競選重新驗票的事件。由於選舉的規則並沒有要求選舉人「嚴格」的圈選 投票方式，因此以勾選或塗滿圈選位置（bubble）甚至在該位置外，只要能明確 辨識，該選票都被視為有效票，當然，這就造成電腦判讀與人工判讀會有所差距
（不同人也可能有判讀認知上的差距），為了解決這個問題，該學者們於是成立
PERFECT (Paper and Electronic Records for Elections: Cultivating Trust) 計畫，針 對選舉投票提出一系列的研究報告：包含提供一套工具組（BallotTool System）
可標記投票位置、輔助人工計票並協助驗證機器讀票的正確率[16]，也提供工具 協助以人工建立選票的 ground-truth[15][13]，並期待在建立完成 2008 年明尼蘇 達州參議員選票的資料庫後，提供給更多的研究人員共同投入這個研究領域[17]；
Nagy 等學者還設計了一套以照相機為主要影像取得設備的計票機原型[18]，能以 低價、快速取得選票統計結果；這些研究也引發其他研究人員的興趣，例如 Cordero 等學者，也對 2008 年加州 Humboldt 郡初選（June 2008 Humboldt County California Primary Election ） 選 票 的 驗 票 過 程 ， 提 出 以 影 像 重 疊 的 方 式
（superimposed images），找出計票結果的可能潛在錯誤，以輔助並加速人工驗 票既冗長又費時費力的檢驗過程[8]。
除了輔助計票、驗票的研究之外，我們最感興趣的，還有如何對這些已經掃
描建檔的選票影像檔資料，以電腦自動判定投票結果。這些選票的研究有都是屬 於 model-based 類型，因此首先要解決的是將已投的選票與空白選票進行對齊問 題。由於選票本身的設計，Nagy 等學者與 Cordero 等學者，都是採用選票周圍 的特殊標記（index bar [19] or registration bar [8]），這對於一般性的問卷而言，除 非特別在設計問卷時刻意加上這些標記，否則這些方法都是派不上用場的。以上 這些對於選票的研究成果，學者們已整理發表在[28]。
而對於「標記辨識」（mark recognition）部份，最直覺的作法，便是拿已投 的選票二元會影像檔（binary image）與空白選票的二元化影像檔直接進行影像 相減（Image Subtraction），留下來的黑點數若超過一定的閥值（threshold）就表 示有標記，否則就是未標記，當然相減後的結果會很容易受到各種雜訊的影響。
Smith 等學者進一步嘗試在影像相減法上加上不同的方式，如平滑化（smoothing）、 改變掃描器的掃描亮度深淺值設定[27]，以及調整二元化的臨界值（global 與
local threshold）[29]等，希望能取得較佳的結果，但是偵測率提高，誤判率也相 對變高，並未獲得最佳化的結果，不過經由這些學者們大量交叉比對的實驗結果，
也讓我們知道光是利用影像相減法是無法有好的結果產出。也因此，後來 Smith 等學者除了影像相減法（結合五種固定的二元化閥值）之外，又加入「距離變換 法」（Distance Transform）：每個黑點對應於空白選票中最近黑點的距離，若超過 一定的閥值，則該黑點就有可能是標記所在；以及「型態減法」（Morphological Subtraction）：先進行影像減法後，再以侵蝕（erosion）與封閉（close）去除雜
訊後取得最後結果，然後由此三種方法進行投票（voting）決定是否有標記[26]， 們以 Modified Quadratic Discriminant Functions（MQDF）作為分類器（classifier）
的技術[14]，對於各種標記方式（畫「╳」、打勾、塗滿…）進行分類判讀，同 時結合早先提出的 style consistence 技術[23]，提出 style-based 的分類器。
Style-based 分類器的精神在於假定選舉人的投票圈選的方式應前後一致，亦即如 果選舉人以畫「╳」作為標記，其他辨識出的符號（塗滿、打勾…）就應該判定 為雜訊，經實驗證明，在與所有針對單一種標記的二元分類器及混合的四元分類 器相較之下，具 Style-based 的分類器的確在整體的平均表現有較好的成績，能 夠輔助機器判讀貼近選民意圖（voter intent），雖然這篇研究報告與前面的研究報 告一樣，只是概念性的驗證，並未能有很好的正確率，以及經歷真實資料的驗證，
不過這個研究成果對於如何處理填答者「塗改」問題指引出一個很好的方向，而 且我們也認為「選」與「不選」基本上就是一個分類問題，相較於 MQDF 的分 類器，我們提出以支持向量機來作為問卷選項的標記識別分類器，主要原因是其 完備的理論基礎與執行效率，並且被廣泛應用於本文與圖示分類、臉部辨識、文 字辨識等包含計算機相關與非計算機相關之各個領域，下一節我們將先回顧其學 理基礎。