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

几个世纪以来，手写签名一直作为一种个人的信任印记，是一个将一个人与文件、银行支票或法律协议联系在一起的独特标记。在现代世界中，尽管数字交易变得越来越普遍，这种简单的签名行为仍然是安全的基石。然而，验证一个签名是真实的还是高明的伪造品，对于人类来说是一项艰巨的任务，因为人类可能会被熟练的模仿者所欺骗，或者被一个人自身书写中自然的差异所迷惑。为了解决这个问题，研究人员转向了计算机，构建能够分析签名的形状、流向和纹理以判断其真伪的系统。这些系统通过将签名分解为其最小的视觉部分来运作，寻找在真实签名中一致但在伪造签名中破碎或不一致的模式。挑战在于如何教会计算机识别这些细微的差异，而不被噪声（例如纸上的污迹或照片中不均匀的光照）所干扰。

一个研究小组开发了一种全新的、高效的系统，旨在应对这一挑战。他们的方法将验证过程视为一段由四步组成的旅程，始于对签名图像的清理。他们发现，标准的去噪方法往往会模糊书写的细线，因此他们创建了一种改进的滤波技术，在平滑背景的同时，保持笔画边缘的锐利度。一旦图像变得清晰，系统便开始提取签名的“指纹”。该系统并非依赖单一的观察方式，而是同时使用三种不同的视角。它利用一种强大的图像分析工具捕捉隐藏在墨水中的深层且复杂的模式，测量整个签名的整体形状和大小，并计算笔画内关键点之间的特定距离。这种结合确保了计算机既能看到宏观全貌，也能捕捉到微观细节。

下一步涉及从这海量的资料点中筛选出最重要的部分。研究人员使用了一种智能的、受自然启发的搜索方法来过滤特征，仅选择最有用的特征，并丢弃其余部分，以使系统更快、更准确。这一选择过程由两种不同的策略协同引导，模拟了海象和鹅的行为来探索不同的可能性，并最终确定最佳方案。在选定了最重要的特征后，系统进入最后的决策阶段。在这里，它采用了两种协同工作的不同类型的人工智能。其中一种类型擅长记忆事件的顺序，例如签名中的笔画序列；而另一种则擅长理解来自书写起始和结束部分的上下文信息。通过结合这两位专家的判断，系统会产生一个最终评分，用以指示签名是真实的还是伪造的。

研究人员在两个大型签名图像集上测试了这个新框架，其中一个包含超过 8,000 个样本，另一个包含 2,600 多个样本。结果显示，该系统的准确性极高，在第一个数据集上的识别成功率超过 97%，在第二个数据集上也接近 97%。与目前正在使用的其他先进方法相比，该系统表现始终优于它们，在拒绝真实签名和接受伪造签名方面的错误都更少。该系统还证明了其鲁棒性，即使在图像存在噪声或质量较低的情况下，也能保持高准确度。通过整合清理、分析、选择和决策这些不同阶段，研究人员创造了一种不仅更准确而且更可靠的验证工具，为这个仍然高度依赖手写标记的世界提供了更强大的防欺诈盾牌。