Hybrydowe ramy uczenia maszynowego do weryfikacji podpisów w trybie offline z użyciem optymalizacji stada wilków szarych

Dlaczego inteligentniejsze kontrole podpisów mają znaczenie

Codziennie banki, firmy i urzędy polegają na odręcznych podpisach przy zatwierdzaniu płatności, podpisywaniu umów i potwierdzaniu tożsamości. Tymczasem podpisy na papierze łatwo podrobić, a pismo ludzi zmienia się z wiekiem, w zależności od nastroju, a nawet przy chwiejnej ręce. W artykule przedstawiono system komputerowy „SignGuard”, który potrafi analizować zeskanowane podpisy i z bardzo dużą dokładnością ocenić, czy prawdopodobnie są autentyczne, czy sfałszowane — bez potrzeby używania specjalnych długopisów czy tabletów.

Z bazgrołu na papierze do cyfrowej wskazówki

Tradycyjne kontrole podpisów opierają się na obserwacji człowieka lub prostych porównaniach obrazów, które potrafi oszukać wprawny fałszerz. SignGuard zaczyna od przekształcenia każdego zeskanowanego podpisu w uporządkowany, znormalizowany obraz. Zmienia rozmiar obrazu, a następnie stosuje strategię poszukiwania inspirowaną zachowaniem łowieckim wilków szarych, zwaną Optymalizacją Stada Wilków Szarych (Gray Wolf Optimization). W terminologii obliczeniowej ta strategia pomaga systemowi automatycznie znaleźć najbardziej informatywne obszary obrazu podpisu, ignorując szumy tła i nieistotne detale. Ten staranny etap „oczyszczania i skupiania uwagi” tworzy podstawę do bardziej niezawodnej analizy.

Odczytywanie tekstury podpisu

Gdy obraz jest przygotowany, SignGuard nie patrzy jedynie na ogólny kształt podpisu; bada jego drobną teksturę. Wykorzystuje deskryptory matematyczne znane jako Lokalnie Binarne Wzorce (Local Binary Patterns) oraz dwie wyspecjalizowane odmiany: CS-LBP i OC-CSLBP. Mówiąc prosto, metody te porównują jasność małych grup sąsiadujących pikseli, przekształcając subtelne wzory tuszu i krawędzie pociągnięć w kody liczbowe. Kody te wychwytują, jak zmienia się kierunek pociągnięć pióra, jak grube lub cienkie są linie oraz jak tusz jest rozłożony — wzorce, które zwykle są spójne dla prawdziwego podpisującego, lecz trudne do idealnego naśladowania dla fałszerza.

Uczynienie podpisów porównywalnymi i sprawiedliwie ocenianymi

Prawdziwe podpisy rzadko są idealnie wyrównane. Dokument może zostać zeskanowany pod kątem, albo osoba może podpisać się nieco pod kątem. Aby nie dać się zmylić takim obróceniom, system stosuje krok zwany Wyrównaniem Głównej Orientacji (Principal Orientation Alignment). To wyrównuje każdy podpis do wzorcowego kąta, tak by komputer porównywał „podobne do podobnych”, zamiast mylić przechylenie z tożsamością. Po wyrównaniu SignGuard łączy trzy rodzaje informacji — ogólny kształt, lokalną teksturę i zoptymalizowane statystyczne wskazówki — w zestaw cech. Te cechy trafiają następnie do hybrydowego silnika decyzyjnego, który łączy dwie znane metody uczenia maszynowego, maszyny wektorów nośnych (Support Vector Machines) i XGBoost, tak aby mocne strony jednej metody wyrównywały słabości drugiej.

Testy na prawdziwych podpisach i nowych zbiorach fałszerstw

Aby sprawdzić, czy SignGuard działa poza laboratorium, autorzy przetestowali go na kilku publicznych zbiorach prawdziwych i sfałszowanych podpisów w różnych językach, oraz na nowym indyjskim zbiorze danych, który stworzyli i nazwali DeepSignVault. Na dziesiątkach tysięcy obrazów system poprawnie rozróżniał podpisy prawdziwe od sfałszywych w ponad 98% przypadków przy użyciu ulepszonej metody tekstury OC-CSLBP. Popełniał też bardzo niewiele poważnych błędów: jedynie niewielka część fałszywych podpisów została błędnie zaakceptowana jako autentyczna, a w najlepszych przypadkach żaden z prawdziwych podpisów nie został odrzucony. Autorzy przeanalizowali także, jak bardzo podpisy prawdziwe są do siebie podobne i jak daleko znajdują się od fałszerstw, wykazując, że ich podejście tworzy wyraźną lukę między uczciwym a fałszywym pismem.

Co to oznacza dla codziennego bezpieczeństwa

Dla laika przesłanie jest proste: SignGuard pokazuje, że komputery potrafią „czytać” mikroskopijną teksturę odręcznego podpisu na tyle dobrze, by z dużą pewnością wykrywać nawet wyszkolone podróbki, używając zwykłych zeskanowanych dokumentów. Choć system jest dziś zbyt wymagający obliczeniowo dla najmniejszych urządzeń i wciąż może mieć problemy z ekstremalnymi zniekształceniami lub nietypowymi stylami pisma, wskazuje kierunek bezpieczniejszego obsługiwania czeków, umów i formularzy urzędowych bez zastępowania znanego aktu podpisywania na papierze. W miarę jak takie metody będą się poprawiać i stanie się je lżej uruchamiać, mogą stać się cichym, lecz skutecznym strażnikiem zaufania w finansowych, prawnych i administracyjnych dokumentach na całym świecie.

Cytowanie: 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

Słowa kluczowe: weryfikacja podpisów offline, biometria rękopisana, wykrywanie fałszerstw, bezpieczeństwo uczenia maszynowego, uwierzytelnianie dokumentów