Ein hybrides Machine-Learning‑Framework zur Offline‑Unterschriftsprüfung unter Verwendung von Gray Wolf Optimization

Warum intelligentere Unterschriftsprüfungen wichtig sind

Jeden Tag verlassen sich Banken, Unternehmen und Behörden auf handgeschriebene Unterschriften, um Zahlungen zu genehmigen, Verträge zu unterzeichnen und Identitäten zu bestätigen. Dennoch lassen sich Unterschriften auf Papier überraschend leicht fälschen, und die Handschrift eines Menschen verändert sich natürlich mit dem Alter, der Stimmung oder auch durch eine zitternde Hand. Diese Arbeit stellt „SignGuard“ vor, ein Computersystem, das eingescannten Unterschriften analysieren und mit hoher Genauigkeit entscheiden kann, ob sie wahrscheinlich echt oder gefälscht sind — ohne spezielle Stifte oder Tablets zu benötigen.

Vom Papierrabatz zum digitalen Hinweis

Traditionelle Unterschriftsprüfungen beruhen auf dem Blick einer Person oder auf einfachen Bildvergleichen, die beide von einem geübten Fälscher getäuscht werden können. SignGuard beginnt damit, jede eingescannten Unterschrift in ein sauberes, standardisiertes Bild zu überführen. Es skaliert das Bild und wendet dann eine Suchstrategie an, die vom Jagdverhalten der Grauwölfe inspiriert ist, genannt Gray Wolf Optimization. Rechenmäßig hilft diese Strategie dem System, automatisch die informativsten Bereiche der Unterschriftsabbildung zu finden und Hintergrundrauschen sowie wenig hilfreiche Details zu ignorieren. Dieser sorgfältige „Bereinigen und Fokussieren“-Schritt bereitet die Grundlage für eine zuverlässigere Analyse.

Die Textur einer Unterschrift lesen

Sobald das Bild vorbereitet ist, betrachtet SignGuard die Unterschrift nicht nur als Gesamtform; es untersucht ihre feinkörnige Textur. Es verwendet mathematische Beschreiber, die als Local Binary Patterns bekannt sind, sowie zwei spezialisierte Varianten, CS‑LBP und OC‑CSLBP. Einfach gesagt vergleichen diese Methoden die Helligkeit winziger Gruppen benachbarter Pixel und wandeln die subtilen Tintenmuster und Strichkanten in numerische Codes um. Diese Codes erfassen, wie sich Strichrichtungen ändern, ob die Linien dick oder dünn sind und wie die Tinte verteilt ist — alles Muster, die bei einem echten Unterzeichner tendenziell konsistent sind, die ein Fälscher jedoch nur schwer perfekt nachahmen kann.

Unterschriften vergleichbar machen und fair beurteilen

Echte Unterschriften sind selten perfekt ausgerichtet. Ein Dokument kann schief eingescannt sein, oder jemand unterschreibt leicht geneigt auf der Seite. Um nicht von solchen Drehungen in die Irre geleitet zu werden, nutzt das System einen Schritt namens Principal Orientation Alignment. Dieser richtet jede Unterschrift an einem Referenzwinkel aus, sodass der Rechner „Ähnliches mit Ähnlichem“ vergleicht, statt Neigung mit Identität zu verwechseln. Nach der Ausrichtung kombiniert SignGuard drei Informationsarten — Gesamtform, lokale Textur und optimierte statistische Hinweise — zu einem einzigen Merkmalsvektor. Diese Merkmale werden dann an eine hybride Entscheidungsinstanz übergeben, die zwei bekannte Machine‑Learning‑Verfahren, Support Vector Machines und XGBoost, vereint, sodass die Stärken des einen Verfahrens die Schwächen des anderen ausgleichen können.

Tests mit echten Unterschriften und neuen Fälschungssätzen

Um zu prüfen, ob SignGuard über das Labor hinaus funktioniert, testeten die Autoren das System an mehreren öffentlichen Sammlungen echter und gefälschter Unterschriften in verschiedenen Sprachen sowie an einem neuen indischen Datensatz, den sie DeepSignVault nannten. Über zehntausende Bilder hinweg unterschied das System echte von gefälschten Unterschriften in mehr als 98 % der Fälle korrekt, wenn die verbesserte OC‑CSLBP‑Texturmethode verwendet wurde. Es machte außerdem nur wenige gefährliche Fehler: Nur ein kleiner Bruchteil der gefälschten Unterschriften wurde fälschlich als echt akzeptiert, und in den besten Fällen wurde keine echte Unterschrift fälschlich abgelehnt. Die Autoren analysierten zudem, wie ähnlich echte Unterschriften einander sind und wie weit sie von Fälschungen entfernt liegen, und zeigten, dass ihr Ansatz eine klare Lücke zwischen ehrlicher und gefälschter Schrift erzeugt.

Was das für die alltägliche Sicherheit bedeutet

Für den Laien ist die Botschaft klar: SignGuard zeigt, dass Computer lernen können, die mikroskopische Textur einer handschriftlichen Unterschrift so gut zu „lesen“, dass sie selbst geübte Fälschungen mit hoher Zuversicht erkennen — und das anhand ganz normaler gescannter Dokumente. Während das System heute noch zu rechenintensiv für die kleinsten Geräte ist und bei extremen Verzerrungen oder ungewöhnlichen Schreibstilen weiterhin Schwierigkeiten haben kann, weist es den Weg zu sichererem Umgang mit Schecks, Verträgen und amtlichen Formularen, ohne die vertraute Praxis des Unterschreibens auf Papier zu ersetzen. Wenn sich solche Methoden weiter verbessern und weniger ressourcenhungrig werden, könnten sie sich zu einem stillen, aber wirkungsvollen Wächter des Vertrauens im finanziellen, rechtlichen und administrativen Schriftverkehr weltweit entwickeln.

Zitation: 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

Schlüsselwörter: Offline‑Unterschriftsprüfung, handschriftliche Biometrie, Fälschungserkennung, Sicherheit im Machine Learning, Dokumentenauthentifizierung