Gri kurt optimizasyonu kullanılarak çevrimdışı imza doğrulama için hibrit bir makine öğrenimi çerçevesi

Neden Daha Akıllı İmza Kontrolleri Önemli

Her gün bankalar, şirketler ve kamu daireleri, ödemeleri onaylamak, sözleşmeleri imzalamak ve kimlikleri doğrulamak için el yazısı imzalara güvenir. Oysa kağıt üzerindeki imzalar şaşırtıcı derecede kolay taklit edilebilir ve insanların yazısı yaş, ruh hali veya titrek bir el gibi etkenlerle doğal olarak değişir. Bu makale, taranmış imzaları inceleyip bunların yüksek doğrulukla gerçek mi yoksa sahte mi olduğunu belirleyebilen ve özel kalemler ya da tabletler gerektirmeyen “SignGuard” adlı bir bilgisayar sistemini tanıtıyor.

Kağıt Karalamadan Dijital İzlere

Geleneksel imza kontrolleri insan gözüne veya basit görüntü karşılaştırmalarına dayanır; her ikisi de yetenekli bir sahtecinin kandırabileceği yöntemlerdir. SignGuard, her taranmış imzayı önce temiz, standart bir görüntüye dönüştürerek başlar. Görüntüyü yeniden boyutlandırır ve ardından gri kurtların avlanma davranışından esinlenen Gri Kurt Optimizasyonu adlı bir arama stratejisi uygular. Hesaplama açısından bu strateji, sistemin görüntüdeki en bilgilendirici bölgeleri otomatik olarak bulmasına yardımcı olurken arka plan gürültüsü ve faydasız detayları görmezden gelmesini sağlar. Bu dikkatli “temizleme ve odaklanma” adımı, daha güvenilir analizler için zemin hazırlar.

İmzanın Dokusunu Okumak

Görüntü hazırlandıktan sonra SignGuard imzayı yalnızca genel bir şekil olarak görmez; ince taneli dokusunu inceler. Lokal İkili Desenler (Local Binary Patterns) olarak bilinen matematiksel betimleyicileri ve bunların CS-LBP ve OC-CSLBP adlı iki özel çeşidini kullanır. Basitçe söylemek gerekirse, bu yöntemler bitişik küçük piksel gruplarının parlaklıklarını karşılaştırarak ince mürekkep desenlerini ve vuruş kenarlarını sayısal kodlara dönüştürür. Bu kodlar, kalem darbelerinin yön değişimlerini, kalınlıklarını ve mürekkep yayılımını yakalar—bunlar gerçek bir imza sahibi için tutarlı olma eğilimindedir ve bir sahtekarın mükemmel şekilde taklit etmesi zordur.

İmzaları Karşılaştırılabilir ve Adil Hale Getirmek

Gerçek imzalar nadiren mükemmel şekilde hizalanmıştır. Bir belge açıyla taranmış olabilir veya bir kişi sayfaya hafifçe eğik imza atmış olabilir. Bu tür döndürmelerin yanıltıcı olmasını önlemek için sistem, Ana Yönelim Hizalaması (Principal Orientation Alignment) adı verilen bir adım kullanır. Bu, her imzayı bir referans açısına göre hizalayarak bilgisayarın eğikliği kimlikle karıştırmak yerine “benzer ile benzeri” karşılaştırmasını sağlar. Hizalamadan sonra SignGuard, üç tür bilgiyi—genel şekil, yerel doku ve optimize edilmiş istatistiksel ipuçları—tek bir özellik kümesinde birleştirir. Bu özellikler sonra, bir yöntemin güçlü yanlarının diğerinin zayıf yanlarını telafi edebilmesi için Destek Vektör Makineleri (Support Vector Machines) ve XGBoost adlı iki iyi bilinen makine öğrenimi yöntemini birleştiren hibrit bir karar motoruna gönderilir.

Gerçek İmzalar ve Yeni Sahte Setleri Üzerinde Test

SignGuard’ın laboratuvarın ötesinde çalışıp çalışmadığını görmek için yazarlar, farklı dillerden gerçek ve sahte imzalardan oluşan birkaç kamu koleksiyonunda ve kendi oluşturdukları DeepSignVault adlı yeni bir Hint veri kümesinde test etti. On binlerce görüntü boyunca, geliştirilmiş OC-CSLBP doku yöntemi kullanıldığında sistem gerçek ile sahteleri %98’in üzerinde doğrulukla ayırt etti. Ayrıca tehlikeli hatalar çok nadirdi: sadece küçük bir kesit sahte imzalar yanlışlıkla gerçek olarak kabul edildi ve en iyi durumlarda hiç gerçek imza yanlışlıkla reddedilmedi. Yazarlar ayrıca gerçek imzaların birbirine ne kadar benzediğini ve sahtekârlardan ne kadar uzak olduklarını analiz ederek yaklaşımlarının dürüst ve sahte yazılar arasında belirgin bir boşluk oluşturduğunu gösterdi.

Günlük Güvenlik İçin Anlamı

Bir uzmanın dışındaki biri için mesaj açıktır: SignGuard, sıradan taranmış belgelerle bile bilgisayarların el yazısı imzanın mikroskobik dokusunu o kadar iyi “okuyabileceğini” gösteriyor ki, yetenekli sahtekârları bile yüksek güvenle tespit edebiliyor. Sistem bugün en küçük cihazlar için hesaplama açısından ağır olsa da ve aşırı bozulmalar veya alışılmadık yazı stilleriyle hâlâ zorlanabilse de, çekler, sözleşmeler ve resmi formların daha güvenli biçimde işlenmesine doğru bir yol gösteriyor—kağıt üzerinde imzalama alışkanlığını ortadan kaldırmadan. Bu tür yöntemler gelişip çalıştırılması daha hafif hale geldikçe, dünya genelinde finansal, hukuki ve idari belgelerde güvenin sessiz ama güçlü bir koruyucusu haline gelebilirler.

Atıf: 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

Anahtar kelimeler: çevrimdışı imza doğrulama, el yazısı biyometrisi, sahtecilik tespiti, makine öğrenimi güvenliği, belge doğrulama