En hybrid maskininlärningsram för offline-signaturverifiering med gråvargoptimering

Varför smartare signaturkontroller spelar roll

Varje dag förlitar sig banker, företag och myndigheter på handskrivna underskrifter för att godkänna betalningar, skriva under avtal och bekräfta identiteter. Ändå är papperssignaturer förvånansvärt lätta att förfalska, och människors handstil förändras naturligt med ålder, humör eller till och med en darrig hand. Denna artikel presenterar ”SignGuard”, ett datasystem som kan granska inskannade signaturer och avgöra, med mycket hög noggrannhet, om de sannolikt är äkta eller förfalskade—utan att behöva särskilda pennor eller plattor.

Från papperskladd till digital ledtråd

Traditionella signaturkontroller förlitar sig på en människas öga eller enkla bildjämförelser, vilka båda kan luras av en skicklig förfalskare. SignGuard börjar med att omvandla varje inskannad signatur till en ren, standardiserad bild. Den ändrar bildens storlek och använder sedan en sökstrategi inspirerad av gråvargars jaktbeteende, kallad Gray Wolf Optimization. I beräkningssammanhang hjälper denna strategi systemet att automatiskt hitta de mest informativa områdena i signaturbilden samtidigt som bakgrundsbrus och ovidkommande detaljer ignoreras. Detta noggranna ”städ‑ och fokus”-steg lägger grunden för mer tillförlitlig analys.

Att läsa en signaturs textur

När bilden väl är förberedd betraktar SignGuard inte bara signaturens helhetsform; det studerar dess finmaskiga textur. Det använder matematiska beskrivare kända som Local Binary Patterns samt två specialiserade varianter kallade CS-LBP och OC-CSLBP. Enkelt uttryckt jämför dessa metoder ljusstyrkan i små grupper av närliggande pixlar och omvandlar subtila bläckmönster och strokekanter till numeriska koder. Dessa koder fångar hur pennstrecken ändrar riktning, hur tjocka eller tunna de är och hur bläcket sprids—alla mönster som tenderar att vara konsekventa för en äkta undertecknare men svåra för en förfalskare att efterlikna perfekt.

Göra signaturer jämförbara och rättvist bedömda

Verkliga signaturer är sällan perfekt inriktade. Ett dokument kan ha skannats i vinkel, eller en person kan ha undertecknat något snett på sidan. För att undvika att luras av sådana rotationer använder systemet ett steg kallat Principal Orientation Alignment. Detta justerar varje signatur till en referensvinkel så att datorn jämför ”lika med lika” i stället för att blanda ihop lutning med identitet. Efter justeringen kombinerar SignGuard tre typer av information—övergripande form, lokal textur och optimerade statistiska ledtrådar—till en enda funktionsuppsättning. Dessa funktioner skickas sedan till en hybrid beslutsmotor som förenar två välkända maskininlärningsmetoder, Support Vector Machines och XGBoost, så att styrkorna hos den ena metoden kan kompensera för svagheterna hos den andra.

Testning på verkliga signaturer och nya förfalskningsset

För att se om SignGuard fungerar utanför laboratoriet testade författarna det på flera offentliga samlingar av äkta och förfalskade signaturer från olika språk, plus en ny indisk datamängd de byggt kallad DeepSignVault. Över tiotusentals bilder skilde systemet korrekt äkta från förfalskade signaturer i över 98 % av fallen när den förbättrade OC-CSLBP-texturmetoden användes. Det gjorde också mycket få farliga misstag: endast en liten andel förfalskade signaturer accepterades felaktigt som äkta, och i de bästa fallen avvisades inga äkta signaturer felaktigt. Författarna analyserade också hur lika äkta signaturer är varandra och hur långt ifrån förfalskningar de ligger, vilket visar att deras metod skapar en tydlig klyfta mellan ärlig och falsk handstil.

Vad detta betyder för vardagssäkerheten

För en lekman är budskapet enkelt: SignGuard visar att datorer kan lära sig att ”läsa” den mikroskopiska texturen i en handskriven signatur tillräckligt väl för att med hög säkerhet upptäcka även skickliga förfalskningar, med hjälp av vanliga inskannade dokument. Även om systemet i dag är för beräkningsintensivt för de allra minsta enheterna och fortfarande kan ha problem med extrema deformationer eller ovanliga skrivstilar, pekar det mot säkrare hantering av checkar, avtal och officiella blanketter utan att ersätta den välbekanta handlingen att skriva på papper. Allteftersom sådana metoder förbättras och blir lättare att köra, kan de bli en tyst men kraftfull beskyddare av förtroende i finansiella, juridiska och administrativa dokument världen över.

Citering: 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

Nyckelord: offline-signaturverifiering, handskrivna biometriska data, förfalskningsdetektion, maskininlärningssäkerhet, dokumentautentisering