Intelligent Signature Verification System Using Hybrid Deep Learning with WOA-GGO Driven Feature Selection

Seit Jahrhunderten dient die handschriftliche Unterschrift als persönliches Siegel des Vertrauens, ein einzigartiges Merkmal, das eine Person an ein Dokument, einen Bankcheck oder eine rechtliche Vereinbarung bindet. In der modernen Welt bleibt dieser einfache Akt des Unterzeichnens eines Namens ein Eckpfeiler der Sicherheit, auch wenn digitale Transaktionen immer häufiger werden. Die Überprüfung, ob eine Unterschrift echt oder eine geschickte Fälschung ist, stellt jedoch eine schwierige Aufgabe für Menschen dar, die von versierten Imitatoren getäuscht oder durch die natürlichen Variationen in der eigenen Handschrift einer Person verwirrt werden können. Um dies zu lösen, haben Forscher sich Computern zugewandt und Systeme entwickelt, die in der Lage sind, die Form, den Fluss und die Textur einer Unterschrift zu analysieren, um zu entscheiden, ob sie echt ist. Diese Systeme arbeiten, indem sie eine Unterschrift in ihre kleinsten visuellen Bestandteile zerlegen und nach Mustern suchen, die in einer echten Unterschrift konsistent, in einer gefälschten jedoch unterbrochen oder inkonsistent sind. Die Herausforderung besteht darin, einem Computer beizubringen, diese subtilen Unterschiede zu erkennen, ohne durch Rauschen, wie etwa Flecken auf dem Papier oder die ungleichmäßige Beleuchtung eines Fotos, verwirrt zu werden.

Ein Team von Forschern hat ein neues, hocheffektives System entwickelt, das darauf ausgelegt ist, diese Herausforderung zu meistern. Ihr Ansatz behandelt den Verifizierungsprozess als eine vierstufige Reise, die mit der Bereinigung des Bildes der Unterschrift beginnt. Sie stellten fest, dass Standardmethoden zur Rauschunterdrückung oft die feinen Linien der Schrift verschwimmen lassen, daher entwickelten sie eine verbesserte Filtertechnik, die den Hintergrund glättet, während die scharfen Kanten der Federstriche intakt bleiben. Sobest das Bild klar ist, beginnt das System mit der Extraktion des „Fingerabdrucks“ der Unterschrift. Anstatt sich nur auf eine Art der Betrachtung des Bildes zu verlassen, nutzt es gleichzeitig drei verschiedene Perspektiven. Es erfasst die tiefen, komplexen Muster, die in der Tinte verborgen sind, mithilfe eines leistungsstarken Bildanalysewerkzeugs, misst die Gesamtform und -größe der gesamten Unterschrift und berechnet zudem spezifische Abstände zwischen Schlüsselpunkten innerhalb der Striche. Diese Kombination stellt sicher, dass der Computer sowohl das große Ganze als auch die winzigen Details sieht.

Der nächste Schritt besteht darin, diese massive Sammlung von Datenpunkten zu durchforsten, um diejenigen zu finden, die am wichtigsten sind. Die Forscher nutzten eine intelligente, von der Natur inspirierte Suchmethode, um die Merkmale zu sieben und nur die nützlichsten auszuwählen, während sie den Rest verworfen, um das System schneller und genauer zu machen. Dieser Auswahlprozess wird von zwei unterschiedlichen Strategien geleitet, die zusammenarbeiten und das Verhalten von Walrossen und Gänsen imitieren, um verschiedene Möglichkeiten zu erforschen und sich auf die beste Lösung festzulegen. Mit den wichtigsten Merkmalen ausgewählt, bewegt sich das System zur finalen Entscheidungsphase. Hier setzt es zwei verschiedene Arten künstlicher Intelligenz ein, die Hand in Hand arbeiten. Ein Typ ist exzellent darin, die Reihenfolge von Ereignissen zu speichern, wie etwa die Sequenz der Striche in einer Unterschrift, während der andere darin geschult ist, den Kontext sowohl vom Anfang als auch vom Ende der Schrift zu verstehen. Durch die Kombination der Urteile dieser beiden Experten erstellt das System einen finalen Score, der angibt, ob die Unterschrift echt oder gefälscht ist.

Die Forscher testeten diesen neuen Rahmen auf zwei großen Sammlungen von Unterschriftenbildern, eine enthielt über 8.000 Stichproben und eine weitere mehr als 2.600. Die Ergebnisse zeigten, dass ihr System bemerkenswert genau war, echte Unterschriften korrekt identifizierte und Fälschungen mit einer Erfolgsquote von über 97 Prozent im ersten Datensatz und fast 97 Prozent im zweiten Datensatz aufspürte. Im Vergleich zu anderen derzeit im Einsatz befindlichen fortschrittlichen Methoden übertraf ihr System diese konsequent, wobei es weniger Fehler sowohl bei der Ablehnung echter Unterschriften als auch bei der Annahme gefälschter Unterschriften machte. Das System erwies sich zudem als robust und behielt seine hohe Genauigkeit auch dann bei, wenn die Bilder verrauscht oder von geringerer Qualität waren. Durch die Integration dieser verschiedenen Phasen der Reinigung, Analyse, Auswahl und Entscheidung haben die Forscher ein Verifizierungswerkzeug geschaffen, das nicht nur genauer, sondern auch zuverlässiger als bisherige Versuche ist und somit einen stärkeren Schutz gegen Betrug in einer Welt bietet, die sich immer noch stark auf die handschriftliche Markierung verlässt.