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

Eeuwenlang heeft de handgeschreven handtekening gediend als een persoonlijk zegel van vertrouwen, een uniek kenmerk dat een persoon bindt aan een document, een bankcheque of een juridische overeenkomst. In de moderne wereld blijft deze eenvoudige handeling van het ondertekenen van iemands naam een hoeksteen van beveiliging, zelfs nu digitale transacties gebruikelijker worden. Het verifiëren of een handtekening echter echt is of een slimme vervalsing, is een moeilijke taak voor mensen, die kunnen worden misleid door bekwame imitatoren of in de war kunnen raken door de natuurlijke variaties in iemands eigen handschrift. Om dit op te lossen, hebben onderzoekers zich tot computers gericht en systemen gebouwd die de vorm, de flow en de textuur van een handtekening kunnen analyseren om te beslissen of deze echt is. Deze systemen werken door een handtekening af te breken in de kleinste visuele onderdelen, waarbij ze zoeken naar patronen die consistent zijn in een echte handtekening, maar gebroken of inconsistent in een valse. De uitdaging ligt erin om een computer te leren deze subtiele verschillen te zien zonder in de war te raken door ruis, zoals vlekken op het papier of de ongelijkmatige verlichting van een foto.

Een team van onderzoekers heeft een nieuw, zeer effectief systeem ontwikkeld dat ontworpen is om deze uitdaging het hoofd te bieden. Hun aanpak behandelt het verificatieproces als een vierstapsreis, beginnend met het opschonen van de afbeelding van de handtekening. Ze ontdekten dat standaardmethoden voor het verwijderen van ruis vaak de fijne lijnen van het schrift vervagen, dus creëerden ze een verbeterde filteringstechniek die de achtergrond gladstrijkt terwijl de scherpe randen van de penstreken intact blijven. Zodra de afbeelding helder is, begint het systeem de "vingerafdruk" van de handtekening te extraheren. In plaats van te vertrouwen op slechts één manier om naar de afbeelding te kijken, gebruikt het drie verschillende perspectieven tegelijkertijd. Het legt de diepe, complexe patronen vast die verborgen liggen in de inkt met behulp van een krachtig beeldanalyse-instrument, meet de algehele vorm en grootte van de gehele handtekening, en berekent ook specifieke afstanden tussen sleutelpunten binnen de streken. Deze combinatie zorgt ervoor dat de computer zowel het grote plaatje als de minuscule details ziet.

De volgende stap houdt in dat er wordt gesorteerd door deze enorme verzameling gegevenspunten om de punten te vinden die er het meest toe doen. De onderzoekers gebruikten een slimme, door de natuur geïnspireerde zoekmethode om door de kenmerken te zeven en alleen de meest nuttige te selecteren, waarbij de rest wordt weggegooid om het systeem sneller en nauwkeuriger te maken. Dit selectieproces wordt geleid door twee verschillende strategieën die samenwerken, waarbij het gedrag van walrussen en ganzen wordt nagebootst om verschillende mogelijkheden te verkennen en tot de beste oplossing te komen. Met de meest belangrijke kenmerken geselecteerd, beweegt het systeem naar de laatste besluitvormingsfase. Hierbij maakt het gebruik van twee verschillende soorten kunstmatige intelligentie die in tandem werken. Het ene type is uitstekend in het onthouden van de volgorde van gebeurtenissen, zoals de opeenvolging van streken in een handtekening, terwijl het andere type bekwaam is in het begrijpen van de context vanuit zowel het begin als het einde van het schrift. Door de oordelen van deze twee experts te combineren, produceert het systeem een definitieve score die aangeeft of de handtekening echt of vervalst is.

De onderzoekers testten dit nieuwe framework op twee grote collecties handtekeningafbeeldingen, waarvan er één meer dan 8.000 monsters bevatte en een andere met meer dan 2.600. De resultaten lieten zien dat hun systeem opmerkelijk accuraat was, waarbij het echte handtekeningen correct identificeerde en vervalsingen herkende met een succespercentage van meer dan 97 procent op de eerste dataset en bijna 97 procent op de tweede. Wanneer het werd vergeleken met andere geavanceerde methoden die momenteel in gebruik zijn, presteerde hun systeem consequent beter, waarbij het minder fouten maakte in zowel het afwijzen van echte handtekeningen als het accepteren van valse. Het systeem bleek ook robuust te zijn, waarbij het zijn hoge nauwkeurigheid behield, zelfs wanneer de afbeeldingen ruis bevatten of van lagere kwaliteit waren. Door deze verschillende fasen van opschonen, analyseren, selecteren en beslissen te integreren, hebben de onderzoekers een verificatietool gecreëerd die niet alleen nauwkeuriger, maar ook betrouwbaarder is dan eerdere pogingen, wat een sterker schild biedt tegen fraude in een wereld die nog steeds zwaar leunt op de handgeschreven markering.