Un framework ibrido di apprendimento automatico per la verifica offline delle firme tramite ottimizzazione del lupo grigio

Perché controlli più intelligenti delle firme sono importanti

Ogni giorno banche, aziende e uffici governativi si affidano alle firme manoscritte per autorizzare pagamenti, firmare contratti e confermare identità. Tuttavia le firme su carta sono sorprendentemente facili da falsificare, e la scrittura delle persone cambia naturalmente con l’età, l’umore o anche una mano instabile. Questo articolo presenta “SignGuard”, un sistema informatico in grado di esaminare firme scannerizzate e decidere, con elevata accuratezza, se siano verosimilmente autentiche o contraffatte—senza richiedere penne o tavolette speciali.

Dallo scarabocchio su carta a un indizio digitale

I controlli tradizionali delle firme si basano sull’occhio umano o su semplici confronti di immagini, entrambi facilmente ingannabili da un falsario esperto. SignGuard inizia trasformando ogni firma scannerizzata in un’immagine pulita e standardizzata. Ridimensiona l’immagine e poi applica una strategia di ricerca ispirata al comportamento di caccia del lupo grigio, chiamata Gray Wolf Optimization. In termini informatici, questa strategia aiuta il sistema a trovare automaticamente le aree più informative dell’immagine della firma, ignorando il rumore di fondo e i dettagli non utili. Questo accurato passo di “pulizia e focalizzazione” prepara il terreno per un’analisi più affidabile.

Leggere la texture di una firma

Una volta preparata l’immagine, SignGuard non considera la firma solo come una forma complessiva; studia la sua texture a grana fine. Utilizza descrittori matematici noti come Local Binary Patterns e due varianti specializzate chiamate CS-LBP e OC-CSLBP. In termini semplici, questi metodi confrontano la luminosità di piccoli gruppi di pixel adiacenti, trasformando i sottili motivi di inchiostro e i bordi dei tratti in codici numerici. Questi codici catturano come cambiano direzione i tratti della penna, quanto sono spessi o sottili e come si distribuisce l’inchiostro—pattern che tendono a essere coerenti per un firmatario autentico ma difficili da imitare perfettamente da un falsario.

Rendere le firme comparabili e giudicate correttamente

Le firme reali raramente sono perfettamente allineate. Un documento può essere scannerizzato con un angolo, o una persona può firmare con una leggera inclinazione. Per evitare di essere fuorviato da tali rotazioni, il sistema utilizza un passaggio chiamato Allineamento della Direzione Principale (Principal Orientation Alignment). Questo allinea ogni firma a un angolo di riferimento in modo che il computer confronti “cose omologhe” anziché confondere inclinazione e identità. Dopo l’allineamento, SignGuard combina tre tipi di informazioni—forma generale, texture locale e indizi statistici ottimizzati—in un unico insieme di caratteristiche. Queste feature vengono poi inoltrate a un motore decisionale ibrido che fonde due noti metodi di apprendimento automatico, Support Vector Machines e XGBoost, in modo che i punti di forza dell’uno possano compensare le debolezze dell’altro.

Test su firme reali e nuovi set di contraffazioni

Per verificare se SignGuard funziona oltre il laboratorio, gli autori lo hanno testato su diverse raccolte pubbliche di firme autentiche e contraffatte in varie lingue, oltre a un nuovo dataset indiano da loro costruito chiamato DeepSignVault. Su decine di migliaia di immagini, il sistema ha distinto correttamente firme autentiche da contraffatte in oltre il 98% dei casi quando è stato utilizzato il metodo di texture migliorato OC-CSLBP. Ha inoltre commesso pochissimi errori pericolosi: solo una piccola frazione di firme contraffatte è stata erroneamente accettata come autentica, e nei casi migliori nessuna firma autentica è stata respinta per errore. Gli autori hanno anche analizzato quanto siano simili fra loro le firme autentiche e quanto siano distanti dalle contraffazioni, mostrando che il loro approccio produce una chiara separazione tra scrittura onesta e falsa.

Cosa significa questo per la sicurezza di tutti i giorni

Per un lettore comune, il messaggio è semplice: SignGuard dimostra che i computer possono imparare a “leggere” la texture microscopica di una firma manoscritta abbastanza bene da individuare anche falsi abili con alta confidenza, usando normali documenti scannerizzati. Pur essendo oggi troppo esigente in termini computazionali per i dispositivi più piccoli e potendo ancora avere difficoltà con distorsioni estreme o stili di scrittura insoliti, indica una direzione per una gestione più sicura di assegni, contratti e modulistica ufficiale senza sostituire il gesto familiare della firma su carta. Man mano che questi metodi migliorano e diventano più leggeri da eseguire, potrebbero diventare un guardiano silenzioso ma potente della fiducia in ambito finanziario, legale e amministrativo in tutto il mondo.

Citazione: 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

Parole chiave: verifica firme offline, biometria manoscritta, rilevamento delle contraffazioni, sicurezza dell'apprendimento automatico, autenticazione dei documenti