Un marco híbrido de aprendizaje automático para la verificación de firmas offline utilizando optimización por lobos grises

Por qué importan comprobaciones de firma más inteligentes

Cada día, bancos, empresas y oficinas gubernamentales dependen de las firmas manuscritas para aprobar pagos, firmar contratos y confirmar identidades. Sin embargo, las firmas en papel son sorprendentemente fáciles de falsificar, y la escritura de una persona cambia de forma natural con la edad, el estado de ánimo o incluso una mano temblorosa. Este artículo presenta “SignGuard”, un sistema informático que puede examinar firmas escaneadas y decidir, con muy alta precisión, si es probable que sean genuinas o falsificadas, sin necesidad de bolígrafos o tabletas especiales.

Del garabato en papel a una pista digital

Los controles tradicionales de firmas dependen del ojo humano o de comparaciones de imagen simples, ambos fácilmente engañables por un falsificador experto. SignGuard comienza convirtiendo cada firma escaneada en una imagen limpia y estandarizada. Redimensiona la imagen y luego aplica una estrategia de búsqueda inspirada en el comportamiento de caza de los lobos grises, llamada Optimización por Lobo Gris. En términos informáticos, esta estrategia ayuda al sistema a encontrar automáticamente las zonas más informativas de la imagen de la firma mientras ignora el ruido de fondo y los detalles poco útiles. Este cuidadoso paso de “limpieza y enfoque” sienta las bases para un análisis más fiable.

Lectura de la textura de una firma

Una vez preparada la imagen, SignGuard no contempla la firma solo como una forma global; estudia su textura a escala fina. Utiliza descriptores matemáticos conocidos como Patrones Binarios Locales (Local Binary Patterns) y dos variantes especializadas llamadas CS-LBP y OC-CSLBP. En términos sencillos, estos métodos comparan la luminosidad de pequeños grupos de píxeles vecinos, transformando los sutiles patrones de tinta y los bordes de los trazos en códigos numéricos. Estos códigos capturan cómo cambian la dirección de los trazos, cómo de gruesos o finos son y cómo se distribuye la tinta: patrones que tienden a ser consistentes en un firmante genuino pero difíciles de imitar perfectamente por un falsificador.

Hacer las firmas comparables y juzgadas con justicia

Las firmas reales rara vez están perfectamente alineadas. Un documento puede escanearse en ángulo, o una persona puede firmar ligeramente inclinada en la página. Para evitar ser engañado por tales rotaciones, el sistema utiliza un paso llamado Alineación por Orientación Principal. Esto alinea cada firma a un ángulo de referencia para que el ordenador compare “lo comparable” en lugar de confundir la inclinación con la identidad. Tras la alineación, SignGuard combina tres tipos de información—forma global, textura local y pistas estadísticas optimizadas—en un único conjunto de características. Estas características se envían después a un motor de decisión híbrido que fusiona dos métodos bien conocidos de aprendizaje automático, Support Vector Machines y XGBoost, de modo que las fortalezas de un método compensen las debilidades del otro.

Pruebas con firmas reales y nuevos conjuntos de falsificaciones

Para comprobar si SignGuard funciona fuera del laboratorio, los autores lo probaron en varias colecciones públicas de firmas reales y falsificadas de diferentes idiomas, además de un nuevo conjunto indio que construyeron llamado DeepSignVault. A través de decenas de miles de imágenes, el sistema distinguió correctamente firmas genuinas de falsificadas en más del 98 % de los casos al usar el método de textura mejorado OC-CSLBP. También cometió muy pocos errores peligrosos: solo una pequeña fracción de firmas falsificadas fue aceptada erróneamente como genuina y, en los mejores casos, ninguna firma genuina fue rechazada por error. Los autores también analizaron cuán similares son entre sí las firmas genuinas y qué tan separadas están de las falsificaciones, demostrando que su enfoque produce una brecha clara entre escritura honesta y falsa.

Qué significa esto para la seguridad cotidiana

Para un público general, el mensaje es sencillo: SignGuard demuestra que los ordenadores pueden aprender a “leer” la textura microscópica de una firma manuscrita lo suficientemente bien como para detectar incluso falsificaciones hábiles con alta confianza, usando documentos escaneados ordinarios. Aunque hoy el sistema es demasiado costoso computacionalmente para los dispositivos más pequeños y aún puede tener dificultades con distorsiones extremas o estilos de escritura inusuales, apunta hacia un manejo más seguro de cheques, contratos y formularios oficiales sin reemplazar el acto familiar de firmar en papel. A medida que estos métodos mejoren y se vuelvan más ligeros de ejecutar, podrían convertirse en un guardián discreto pero poderoso de la confianza en trámites financieros, legales y administrativos en todo el mundo.

Cita: 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

Palabras clave: verificación de firmas offline, biometría manuscrita, detección de falsificaciones, seguridad en aprendizaje automático, autenticación de documentos