一种用于离线签名验证的混合机器学习框架，结合灰狼优化算法

为什么更智能的签名检查很重要

每天，银行、公司和政府机构都依赖手写签名来批准支付、签署合同和确认身份。然而纸质签名出奇地容易被伪造，而且人们的笔迹会随年龄、情绪甚至手抖而自然变化。本文介绍了“SignGuard”，一种能够检查扫描签名并以非常高的准确率判断其是否可能为真实或伪造的计算机系统——无需特殊笔或平板。

从纸上涂鸦到数字线索

传统的签名检查依赖人工目视或简单的图像比较，这两者都可能被技术娴熟的伪造者欺骗。SignGuard 首先将每个扫描签名转换为干净、标准化的图像。它对图像进行尺寸调整，然后应用一种受灰狼捕猎行为启发的搜索策略，即灰狼优化（Gray Wolf Optimization）。在计算术语中，这一策略帮助系统自动发现签名图像中最具信息性的区域，同时忽略背景噪声和无用细节。这一步的仔细“清理与聚焦”为更可靠的分析奠定了基础。

读取签名的纹理

图像准备好后，SignGuard 并不仅仅把签名当作整体轮廓来查看；它研究签名的细粒度纹理。它使用称为局部二值模式（Local Binary Patterns）的数学描述符以及两个专门变体 CS-LBP 和 OC-CSLBP。简单来说，这些方法比较相邻像素小组的亮度，将细微的墨迹纹理和笔画边缘转换为数值编码。这些编码捕捉笔画的方向变化、粗细以及墨迹的分布——这些模式对于真实签名者通常是一致的，但伪造者很难完美模仿。

使签名可比且能被公平评判

真实签名很少完全对齐。文件可能以一定角度被扫描，或者人们在纸上签名时略有倾斜。为避免被这种旋转误导，系统使用称为主方向对齐（Principal Orientation Alignment）的步骤。该步骤将每个签名对齐到参考角度，使计算机比较的是“同类”而不是将倾斜与身份混淆在一起。对齐后，SignGuard 将三类信息——整体形状、局部纹理和经优化的统计线索——合并为单一特征集。然后将这些特征传递给一个混合决策引擎，该引擎融合了两种知名的机器学习方法：支持向量机（SVM）和 XGBoost，以便一种方法的优点可以弥补另一种方法的弱点。

在真实签名和新伪造数据集上的测试

为了检验 SignGuard 在实验室外的效果，作者在若干包含真实与伪造签名的公开语种集合上进行了测试，并新增了他们构建的印度数据集 DeepSignVault。在数万张图像中，当使用改进的 OC-CSLBP 纹理方法时，系统在超过 98% 的案例中正确区分了真实与伪造签名。它也很少犯严重错误：仅有极小比例的伪造签名被错误地接受为真实，而在最好情况下没有真实签名被错误拒绝。作者还分析了真实签名相互之间的相似性以及它们与伪造签名的差异，表明他们的方法在诚实与伪造书写之间产生了明显的分界。

这对日常安全意味着什么

对外行人来说，结论很直接：SignGuard 表明计算机可以学习“读取”手写签名的微观纹理，足以以很高的置信度识别即便是技术娴熟的伪造者所作的伪件，且仅需普通的扫描文档。尽管该系统目前计算开销较大，不适合最小型设备，并且在极端变形或罕见书写风格下仍可能困难重重，但它指向了在不取代传统纸质签名行为的前提下更安全地处理支票、合同和公文的方法。随着此类方法的改进并变得更轻量化，它们可能成为在金融、法律和行政文书中维护信任的一道无声而有力的防线。

引用: 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

关键词: 离线签名验证, 手写生物识别, 伪造检测, 机器学习安全, 文档认证