Un cadre hybride d'apprentissage automatique pour la vérification hors ligne de signatures utilisant l'optimisation de la meute de loups gris

Pourquoi des vérifications de signature plus intelligentes sont importantes

Chaque jour, banques, entreprises et administrations s'appuient sur des signatures manuscrites pour approuver des paiements, signer des contrats et confirmer des identités. Pourtant, les signatures sur papier sont étonnamment faciles à falsifier, et l'écriture d'une personne change naturellement avec l'âge, l'humeur ou même une main qui tremble. Cet article présente « SignGuard », un système informatique capable d'examiner des signatures numérisées et de décider, avec une très grande précision, si elles sont probablement authentiques ou contrefaites — sans nécessiter de stylos ou de tablettes spécifiques.

Du gribouillis papier à l'indice numérique

Les vérifications de signatures traditionnelles reposent sur l'œil humain ou sur de simples comparaisons d'images, deux approches que peut tromper un faussaire habile. SignGuard commence par transformer chaque signature numérisée en une image nette et standardisée. Il redimensionne l'image puis applique une stratégie de recherche inspirée du comportement de chasse des loups gris, appelée Optimisation par Meute de Loups Gris. En termes informatiques, cette stratégie aide le système à trouver automatiquement les zones les plus informatives de l'image de signature tout en ignorant le bruit de fond et les détails peu utiles. Cette étape de « nettoyage et de focalisation » prépare ainsi le terrain pour une analyse plus fiable.

Lire la texture d'une signature

Une fois l'image préparée, SignGuard n'examine pas la signature uniquement comme une forme globale ; il étudie sa texture fine. Il utilise des descripteurs mathématiques connus sous le nom de Local Binary Patterns et deux variantes spécialisées appelées CS-LBP et OC-CSLBP. En termes simples, ces méthodes comparent la luminosité de petits groupes de pixels voisins, transformant les motifs subtils d'encre et les contours des traits en codes numériques. Ces codes captent la façon dont les traits du stylo changent de direction, leur épaisseur ou finesse, et la répartition de l'encre — autant de motifs qui tendent à être cohérents pour un signataire authentique mais difficiles à imiter parfaitement pour un faussaire.

Rendre les signatures comparables et jugées équitablement

Les signatures réelles sont rarement parfaitement alignées. Un document peut être numérisé avec une rotation, ou une personne peut signer légèrement en biais sur la page. Pour éviter d'être induit en erreur par de telles rotations, le système utilise une étape appelée Alignement de l'Orientation Principale. Cela aligne chaque signature sur un angle de référence afin que l'ordinateur compare « comparable avec comparable » plutôt que de confondre l'inclinaison avec l'identité. Après l'alignement, SignGuard combine trois types d'informations — la forme globale, la texture locale et des indices statistiques optimisés — en un ensemble de caractéristiques unique. Ces caractéristiques sont ensuite transmises à un moteur de décision hybride qui fusionne deux méthodes d'apprentissage automatique bien connues, les machines à vecteurs de support (SVM) et XGBoost, de sorte que les forces de l'une compensent les faiblesses de l'autre.

Tests sur des signatures réelles et de nouveaux jeux de faux

Pour vérifier si SignGuard fonctionne au‑delà du laboratoire, les auteurs l'ont testé sur plusieurs collections publiques de signatures réelles et falsifiées en différentes langues, ainsi que sur un nouveau jeu de données indien qu'ils ont constitué, appelé DeepSignVault. Sur des dizaines de milliers d'images, le système a correctement distingué signatures authentiques et falsifiées dans plus de 98 % des cas lorsqu'il utilisait la méthode de texture améliorée OC-CSLBP. Il a également commis très peu d'erreurs dangereuses : une faible fraction de falsifications a été acceptée à tort comme authentique, et dans les meilleurs cas aucune signature authentique n'a été rejetée à tort. Les auteurs ont aussi analysé la similarité entre signatures authentiques et leur éloignement par rapport aux faux, montrant que leur approche produit un écart net entre écriture honnête et imitation.

Ce que cela signifie pour la sécurité quotidienne

Pour un non‑spécialiste, le constat est simple : SignGuard montre que les ordinateurs peuvent apprendre à « lire » la texture microscopique d'une signature manuscrite suffisamment bien pour repérer même des faux habiles avec un haut niveau de confiance, en utilisant des documents numérisés ordinaires. Bien que le système soit aujourd'hui trop lourd en calcul pour les plus petits appareils et puisse encore éprouver des difficultés avec des distorsions extrêmes ou des styles d'écriture atypiques, il ouvre la voie à une gestion plus sûre des chèques, contrats et formulaires officiels sans remplacer l'acte familier de signer sur papier. À mesure que ces méthodes s'amélioreront et deviendront moins coûteuses en ressources, elles pourraient devenir un gardien discret mais puissant de la confiance dans les opérations financières, juridiques et administratives à travers le monde.

Citation: 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

Mots-clés: vérification de signature hors ligne, biométrie manuscrite, détection de falsification, sécurité en apprentissage automatique, authentification de documents