Гибридная система машинного обучения для верификации офлайн-подписей с использованием оптимизации серых волков

Почему умная проверка подписей важна

Ежедневно банки, компании и государственные органы полагаются на рукописные подписи для одобрения платежей, подписания контрактов и подтверждения личности. Однако бумажные подписи довольно легко подделать, а почерк людей естественно меняется с возрастом, настроением или из-за дрожащей руки. В этой статье представлена система «SignGuard», которая может анализировать отсканированные подписи и с очень высокой точностью определять, являются ли они подлинными или поддельными — без необходимости специальных ручек или планшетов.

От бумажного каракуля к цифровой подсказке

Традиционная проверка подписей полагается на человеческий взгляд или простое сравнение изображений, которые оба можно обмануть умелым фальсификатором. SignGuard начинается с приведения каждой отсканированной подписи к чистому, стандартизированному изображению. Система изменяет размер изображения, а затем применяет стратегию поиска, вдохновлённую охотничьим поведением серых волков, называемую оптимизацией серого волка (Gray Wolf Optimization). В терминах вычислений эта стратегия помогает автоматически находить наиболее информативные области изображения подписи, игнорируя фон и ненужные детали. Этот тщательный шаг «очистки и фокусировки» закладывает основу для более надёжного анализа.

Чтение текстуры подписи

После подготовки изображения SignGuard не рассматривает подпись только как общую форму — он изучает её тонкую текстуру. Для этого используются математические дескрипторы, известные как локальные бинарные шаблоны (Local Binary Patterns) и два специализированных варианта — CS-LBP и OC-CSLBP. Проще говоря, эти методы сравнивают яркость небольших групп соседних пикселов, превращая тонкие чернильные узоры и края штрихов в числовые коды. Эти коды фиксируют, как меняется направление штрихов, насколько они толстые или тонкие и как распределена краска — всё это шаблоны, которые, как правило, стабильны для подлинного подписанта и трудно идеально имитируются фальсификатором.

Сделать подписи сопоставимыми и справедливо оценёнными

Реальные подписи редко идеально выровнены. Документ может быть отсканирован под углом, или человек может подписать страницу немного наклонно. Чтобы не вводить систему в заблуждение такими поворотами, применяется шаг, называемый выравниванием по главной ориентации (Principal Orientation Alignment). Это выравнивает каждую подпись по эталонному углу, чтобы компьютер сравнивал «с похожим» вместо того, чтобы путать наклон с личностью. После выравнивания SignGuard объединяет три вида информации — общую форму, локальную текстуру и оптимизированные статистические признаки — в единый набор признаков. Эти признаки затем передаются гибридному решающему модулю, который объединяет два известных метода машинного обучения, опорные векторы (Support Vector Machines) и XGBoost, позволяя сильным сторонам одного метода компенсировать слабости другого.

Тестирование на реальных подписях и новых наборах подделок

Чтобы проверить работоспособность SignGuard вне лаборатории, авторы протестировали систему на нескольких публичных коллекциях реальных и поддельных подписей на разных языках, а также на новом индийском наборе данных, который они собрали и назвали DeepSignVault. На десятках тысяч изображений система корректно отличала подлинные подписи от подделок в более чем 98% случаев при использовании улучшенного метода текстуры OC-CSLBP. Она также допускала очень мало опасных ошибок: лишь небольшая доля подделок была ошибочно принята за подлинные подписи, а в лучших случаях ни одна подлинная подпись не была ошибочно отвергнута. Авторы также проанализировали, насколько похожи подлинные подписи друг на друга и насколько они отличаются от подделок, показав, что их подход даёт чёткий разрыв между честным и фальшивым письмом.

Что это означает для повседневной безопасности

Для непрофессионала вывод прост: SignGuard демонстрирует, что компьютеры способны «читать» микроскопическую текстуру рукописной подписи достаточно точно, чтобы с высокой уверенностью выявлять даже искусные подделки, используя обычные отсканированные документы. Хотя система сегодня слишком требовательна к вычислениям для самых маленьких устройств и всё ещё может испытывать трудности с экстремальными искажениями или необычными стилями письма, она указывает путь к более безопасной обработке чеков, контрактов и официальных бланков, не заменяя привычный акт подписания на бумаге. По мере того как такие методы улучшаются и становятся менее ресурсоёмкими, они могут превратиться в тихого, но мощного хранителя доверия в финансовой, юридической и административной документации по всему миру.

Цитирование: 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

Ключевые слова: проверка офлайн-подписей, ручная биометрия, обнаружение подделок, безопасность машинного обучения, аутентификация документов