إطار تعلم آلي هجين للتحقق من التوقيع غير المتصل باستخدام تحسين الذئب الرمادي

لماذا تهم فحوصات التوقيع الأكثر ذكاءً

يومياً، تعتمد البنوك والشركات والمكاتب الحكومية على التوقيعات اليدوية للموافقة على المدفوعات وتوقيع العقود وتأكيد الهويات. ومع ذلك، فإن توقيعات الورق سهلة التزوير بشكل مفاجئ، كما أن خط الأشخاص يتغير طبيعياً مع التقدم في العمر أو المزاج أو حتى اليد المرتعشة. يقدم هذا البحث "SignGuard"، نظاماً حاسوبياً يستطيع فحص التوقيعات الممسوحة ضوئياً وتحديد، بدقة عالية جداً، ما إذا كانت على الأرجح أصلية أم مزورة—دون الحاجة إلى أقلام أو أقراص خاصة.

من الخربشة على الورق إلى دليل رقمي

تعتمد فحوصات التوقيع التقليدية على نظر الإنسان أو على مقارنات بسيطة للصور، وكلاهما يمكن خداعه بواسطة مزور ماهر. يبدأ SignGuard بتحويل كل توقيع ممسوح إلى صورة نظيفة وموحدة. يعيد تغيير حجم الصورة ثم يطبق استراتيجية بحث مستوحاة من سلوك الصيد لدى الذئاب الرمادية، تسمى تحسين الذئب الرمادي. من ناحية الحوسبة، تساعد هذه الاستراتيجية النظام على إيجاد أكثر مناطق الصورة إفادة بشكل تلقائي مع تجاهل الضوضاء الخلفية والتفاصيل غير المفيدة. يهيئ هذا الخطوة الحذرة من «التنظيف والتركيز» الأساس لتحليل أكثر موثوقية.

قراءة نسيج التوقيع

بمجرد تجهيز الصورة، لا ينظر SignGuard إلى التوقيع كشكّل إجمالي فقط؛ بل يدرس نسيجه الدقيق. يستخدم واصفات رياضية تعرف بأنماط ثنائية محلية (Local Binary Patterns) ونسختين متخصصتين تسمى CS-LBP وOC-CSLBP. ببساطة، تقارن هذه الطرق سطوع مجموعات صغيرة من البكسلات المجاورة، محولة أنماط الحبر الدقيقة وحواف السكتات إلى رموز رقمية. تلتقط هذه الرموز كيف تتغير الدفعات القلمية في الاتجاه، ومدى سمكها أو رقتها، وكيف ينتشر الحبر—وهي أنماط تميل إلى الثبات لصاحب التوقيع الحقيقي لكنها صعبة التقليد تماماً من قبل المزور.

جعل التواقيع قابلة للمقارنة والحكم العادل

نادراً ما تكون التواقيع الحقيقية مصفوفة بشكل مثالي. قد تُمسح وثيقة ضوئياً بزاوية، أو قد يوقّع شخص ما مائلاً قليلاً على الصفحة. لتجنّب التضليل بمثل هذه الدورانات، يستخدم النظام خطوة تسمى محاذاة الاتجاه الرئيسي (Principal Orientation Alignment). تقوم هذه الخطوة بمحاذاة كل توقيع إلى زاوية مرجعية بحيث يقارن الحاسوب "المثل بالمثل" بدلاً من خلط الميل مع الهوية. بعد المحاذاة، يجمع SignGuard بين ثلاثة أنواع من المعلومات—الشكل العام، والنسيج المحلي، والدلائل الإحصائية المحسّنة—في مجموعة ميزات واحدة. ثم تُمرر هذه الميزات إلى محرك قرار هجيني يدمج طريقتين معروفتين في تعلم الآلة، هما آلات الدعم الناقل (Support Vector Machines) وXGBoost، بحيث تعوض قوة كل طريقة عن نقاط ضعف الأخرى.

الاختبار على تواقيع حقيقية ومجموعات تزوير جديدة

لفحص ما إذا كان SignGuard يعمل خارج المختبر، اختبره الباحثون على عدة مجموعات عامة من التواقيع الحقيقية والمزورة بلغات مختلفة، بالإضافة إلى مجموعة هندية جديدة بنوها اسمها DeepSignVault. عبر عشرات الآلاف من الصور، ميز النظام بنجاح التواقيع الحقيقية عن المزورة في أكثر من 98% من الحالات عند استخدام طريقة النسيج المحسّنة OC-CSLBP. كما ارتكب أخطاء خطيرة قليلة جداً: جزء صغير فقط من التواقيع المزورة قُبل بطريق الخطأ كأصلية، وفي أحسن الحالات لم تُرفض أي تواقيع أصلية. كما حلل المؤلفون مدى تشابه التواقيع الحقيقية مع بعضها البعض، ومدى بعدها عن التزويرات، مظهرين أن منهجهم ينتج فجوة واضحة بين الكتابة الصادقة والمزيفة.

ماذا يعني هذا لأمن الحياة اليومية

للقارئ العادي، الرسالة واضحة: يظهر SignGuard أن الحواسيب يمكنها "قراءة" النسيج الميكروسكوبي للتوقيع المكتوب باليد بدقة كافية لتمييز المزيفات الماهرة بثقة عالية، باستخدام مستندات ممسوحة عادية. ومع أن النظام يتطلب قوة حسابية كبيرة اليوم بحيث لا يناسب أصغر الأجهزة بعد ولا يزال قد يواجه صعوبات مع التشويهات الشديدة أو أنماط الكتابة غير المألوفة، فإنه يشير إلى تعامل أكثر أماناً مع الشيكات والعقود والنماذج الرسمية دون استبدال الفعل المألوف للتوقيع على الورق. ومع تحسّن هذه الأساليب وخفّتها في التشغيل، قد تصبح حارساً هادئاً لكنه قوياً للثقة في المعاملات المالية والقانونية والإدارية حول العالم.

الاستشهاد: Rathore, N.C., Juneja, A., Kumar, N. et al. A hybrid machine learning framework for offline signature verification using gray wolf optimization. Sci Rep 16, 7124 (2026). https://doi.org/10.1038/s41598-026-36163-4

الكلمات المفتاحية: التحقق من التوقيع غير المتصل, القياسات الحيوية المكتوبة باليد, كشف التزوير, أمن تعلم الآلة, توثيق المستندات