Um framework híbrido de aprendizado de máquina para verificação offline de assinaturas usando otimização por lobo cinzento

Por que verificações de assinatura mais inteligentes importam

Todos os dias, bancos, empresas e repartições públicas confiam em assinaturas manuscritas para aprovar pagamentos, assinar contratos e confirmar identidades. Ainda assim, assinaturas em papel são surpreendentemente fáceis de falsificar, e a escrita das pessoas muda naturalmente com a idade, o humor ou mesmo uma mão trêmula. Este artigo apresenta o “SignGuard”, um sistema computacional que pode examinar assinaturas digitalizadas e decidir, com altíssima precisão, se provavelmente são genuínas ou falsificadas — sem precisar de canetas ou tablets especiais.

Do rabisco no papel à pista digital

Verificações tradicionais de assinatura dependem do olhar humano ou de comparações simples de imagem, ambos passíveis de engano por um falsificador habilidoso. O SignGuard começa transformando cada assinatura digitalizada em uma imagem limpa e padronizada. Ele redimensiona a imagem e então aplica uma estratégia de busca inspirada no comportamento de caça dos lobos cinzentos, chamada Otimização por Lobo Cinzento. Em termos de computação, essa estratégia ajuda o sistema a encontrar automaticamente as áreas mais informativas da imagem da assinatura enquanto ignora ruído de fundo e detalhes pouco úteis. Essa etapa cuidadosa de “limpeza e foco” estabelece a base para uma análise mais confiável.

Lendo a textura de uma assinatura

Uma vez que a imagem está preparada, o SignGuard não observa a assinatura apenas pela forma geral; ele estuda sua textura em grande detalhe. Usa descritores matemáticos conhecidos como Padrões Binários Locais (Local Binary Patterns) e duas variantes especializadas chamadas CS-LBP e OC-CSLBP. Em termos simples, esses métodos comparam o brilho de pequenos grupos de pixels vizinhos, transformando os padrões sutis de tinta e as bordas dos traços em códigos numéricos. Esses códigos capturam como os traços da caneta mudam de direção, quão grossos ou finos são e como a tinta se espalha — padrões que tendem a ser consistentes para um assinante genuíno, mas difíceis de imitar perfeitamente por um falsificador.

Tornando assinaturas comparáveis e julgadas com justiça

Assinaturas reais raramente estão perfeitamente alinhadas. Um documento pode ser digitalizado em um ângulo, ou uma pessoa pode assinar levemente inclinada na página. Para evitar ser enganado por essas rotações, o sistema usa uma etapa chamada Alinhamento pela Orientação Principal. Isso alinha cada assinatura a um ângulo de referência para que o computador compare “semelhante com semelhante” em vez de confundir inclinação com identidade. Após o alinhamento, o SignGuard combina três tipos de informação — forma global, textura local e pistas estatísticas otimizadas — em um único conjunto de características. Essas características são então passadas para um motor de decisão híbrido que mescla dois métodos de aprendizado de máquina bem conhecidos, Support Vector Machines e XGBoost, de modo que as forças de um método possam compensar as fraquezas do outro.

Testes com assinaturas reais e novos conjuntos de falsificação

Para verificar se o SignGuard funciona além do laboratório, os autores o testaram em várias coleções públicas de assinaturas reais e falsificadas de diferentes idiomas, além de um novo conjunto indiano que construíram chamado DeepSignVault. Ao longo de dezenas de milhares de imagens, o sistema distinguiu corretamente assinaturas genuínas de falsificadas em mais de 98% dos casos ao usar o método de textura OC-CSLBP aprimorado. Também cometeu pouquíssimos erros perigosos: apenas uma pequena fração das assinaturas falsificadas foi aceita erroneamente como genuína, e nos melhores cenários nenhuma assinatura genuína foi rejeitada indevidamente. Os autores também analisaram quão semelhantes as assinaturas genuínas são entre si e quão distantes ficam das falsificações, mostrando que sua abordagem produz uma lacuna clara entre escrita honesta e falsa.

O que isso significa para a segurança do dia a dia

Para o público em geral, a mensagem é direta: o SignGuard mostra que computadores podem aprender a “ler” a textura microscópica de uma assinatura manuscrita bem o bastante para detectar mesmo falsificações habilidosas com alta confiança, usando documentos digitalizados comuns. Embora o sistema seja hoje pesado em termos computacionais para os menores dispositivos e ainda possa ter dificuldades com distorções extremas ou estilos de escrita incomuns, ele aponta para um manuseio mais seguro de cheques, contratos e formulários oficiais sem substituir o ato familiar de assinar em papel. À medida que esses métodos melhorarem e ficarem mais leves para executar, eles poderão tornar-se um guardião discreto, porém poderoso, da confiança em papéis financeiros, jurídicos e administrativos ao redor do mundo.

Citação: 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

Palavras-chave: verificação de assinatura offline, biometria manuscrita, detecção de falsificação, segurança em aprendizado de máquina, autenticação de documentos