מסגרת משולבת של למידת מכונה לאימות חתימות לא מקוונות באמצעות אופטימיזציית זאב אפור

מדוע בדיקות חתימות חכמות חשובות

בכל יום בנקים, חברות ומשרדי ממשלה מסתמכים על חתימות בכתב יד כדי לאשר תשלומים, לחתום על חוזים ולאמת זהויות. ועדיין, חתימות על נייר קלות למפתה יותר ממה שנהוג לחשוב, וכתב היד משתנה באופן טבעי עם הגיל, מצב הרוח או אפילו רטט ביד. מאמר זה מציג את "SignGuard", מערכת מחשוב היכולה לבדוק חתימות סרוקות ולהחליט, ברמת דיוק גבוהה מאוד, האם הן ככל הנראה מקוריות או מזויפות — ללא צורך בעטים מיוחדים או טאבלטים.

מציור נייר לרמז דיגיטלי

בדיקות חתימה מסורתיות תלויות בעין אנושית או בהשוואות תמונה פשוטות, שני מקורות שניתן להטעות על ידי מזייף מיומן. SignGuard מתחילה בהפיכת כל חתימה סרוקה לתמונה נקייה ומאוחדת. המערכת משנה את גודל התמונה ואז מפעילה אסטרטגיית חיפוש בהשראת התנהגות הציד של זאבים אפורים, הקרויה אופטימיזציית זאב אפור. במונחים חישוביים, אסטרטגיה זו עוזרת למערכת למצוא באופן אוטומטי את האזורים המידע-עשירים בתמונת החתימה תוך התעלמות מרעשי רקע ופרטים לא מועילים. שלב ה"ניקוי והריכוז" הזה מכין קרקע לניתוח אמין יותר.

קריאת המרקם של חתימה

לאחר שההתמונה מוכנה, SignGuard אינה מסתכלת על החתימה כצורה כוללת בלבד; היא בוחנת את המרקם המיקרו. המערכת משתמשת במתארים מתמטיים הידועים כ־Local Binary Patterns ושני וריאנטים מיוחדים הנקראים CS-LBP ו־OC-CSLBP. בפשטות, שיטות אלה משוות את הבהירות של קבוצות קטנות של פיקסלים שכנים והופכות את הדפוסים העדינים של דיו וקצוות המברשת לקודים מספריים. קודים אלה לוכדים כיצד מהלכי העט משתנים בכיוון, עד כמה הם עבים או דקים וכיצד הדיו מתפזר — דפוסים שלרוב נשארים עקביים עבור החותם המקורי וקשים להעתקה מושלמת על ידי מזייף.

להשוות חתימות ולשפוט אותן בהגינות

חתימות אמיתיות נדירות יהיו מיושרות בצורה מושלמת. מסמך יכול להיסרק בזווית, או אדם עשוי לחתום באופן קלוש נטוי. כדי לא להטעות על ידי סיבובים כאלה, המערכת משתמשת בשלב הנקרא יישור כיוון עיקרי (Principal Orientation Alignment). שלב זה מיישר כל חתימה לזווית ייחוס כך שהמחשב ישווה "תפוחים לתפוחים" במקום לבלבל נטייה עם זהות. לאחר היישור, SignGuard משלב שלושה סוגי מידע — צורה כללית, מרקם מקומי ורמזים סטטיסטיים אופטימיזטיים — למערכת תכונות אחת. תכונות אלה מועברות למנוע החלטה משולב שממזג שתי שיטות למידת מכונה ידועות, Support Vector Machines ו־XGBoost, כך שכוחותיה של שיטה יפצו על חולשותיה של השנייה.

בדיקה על חתימות אמיתיות ומערכי זיוף חדשים

כדי לבדוק האם SignGuard עובד מעבר למעבדה, המחברים בחנו אותו על כמה אוספים ציבוריים של חתימות אמיתיות ומזויפות בשפות שונות, וכן על מאגר הודי חדש שבנו בשם DeepSignVault. על פני עשרות אלפי תמונות, המערכת הבחינה נכון בין חתימות מקוריות למזויפות בלמעלה מ־98% מהמקרים כאשר השתמשו בשיטת המרקם המשופרת OC-CSLBP. כמו כן נעשו טעויות מסוכנות מעטות: רק אחוז קטן של חתימות מזויפות התקבל בטעות כמקוריות, ובמקרים הטובים לא נדחו חתימות מקוריות כלל. המחברים גם ניתחו עד כמה חתימות מקוריות דומות אחת לשנייה ועד כמה הן רחוקות מזיופים, והראו שהגישה שלהם יוצרת פער ברור בין כתיבה כנה לזו המזויפת.

מה זה אומר לאבטחה היומיומית

להדיוט המסר פשוט: SignGuard מראה שמחשבים יכולים ללמוד "לקרוא" את המרקם המיקרוסקופי של חתימה בכתב יד טוב מספיק כדי לזהות אפילו זיופים מיומנים בביטחון גבוה, באמצעות מסמכים סרוקים רגילים. בעוד שהמערכת כבדה מבחינת חישוב כיום מדי עבור המכשירים הקטנים ביותר ועדיין עלולה להתקשות בעיוותים קיצוניים או בסגנונות כתיבה יוצאי דופן, היא מצביעה על טיפול בטוח יותר בצ'קים, חוזים וטפסים רשמיים מבלי להחליף את המעשה המוכר של חתימה על נייר. ככל ששיטות כאלה ישתפרו ויהפכו לקלות יותר להרצה, הן יכולות להפוך לשומר שקט אך עוצמתי של אמון במסמכים פיננסיים, משפטיים ומנהליים ברחבי העולם.

ציטוט: 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

מילות מפתח: אימות חתימות לא מקוון, ביומטריה בכתב יד, זיהוי זיופים, אבטחת למידת מכונה, אימות מסמכים