DOI: https://doi.org/10.1038/s41598-026-36163-4
PMID: https://pubmed.ncbi.nlm.nih.gov/41634137
تاريخ النشر: 2026-02-03
المؤلف: Nemi Chandra Rathore وآخرون
الموضوع الرئيسي: تقنيات التعرف على النصوص المكتوبة بخط اليد
نظرة عامة
تقدم ورقة البحث SignGuard، وهو نظام جديد للتحقق من التوقيع غير المتصل (OSVS) يهدف إلى معالجة التحديات التي تطرحها التباينات داخل التوقيع وعدم التناسق الدوراني في مصادقة التوقيع المكتوب بخط اليد. يستخدم SignGuard تحسين الذئب الرمادي (GWO) للمعالجة المسبقة التكيفية ومحاذاة الاتجاه الرئيسي (POA) لتصحيح الدوران، مما يعزز متانة الوصفيات الحساسة للدوران من خلال ميزات نسيج جديدة: نمط ثنائي محلي مركزي متماثل (CS-LBP) ونمط ثنائي محلي مركزي متماثل عمودي (OC-CSLBP). يستخدم النظام إطار تعلم آلي هجين يدمج مصنفات آلة الدعم المتجه (SVM) وXGBoost، محققًا معدلات دقة مثيرة للإعجاب تبلغ 98.77% و97.46% على مجموعات بيانات متنوعة، بما في ذلك DeepSignVault الجديد.
في الختام، يظهر SignGuard أداءً متفوقًا مقارنة بأساليب OSVS الحالية، مما يقلل بشكل فعال من محاولات التزوير مع الحفاظ على الكفاءة الحاسوبية. ومع ذلك، فإن النظام له قيود، مثل عدم فعالية تقنية POA للتوقيعات ذات زوايا الميل الشديدة أو الخلفيات المعقدة، وزيادة الوقت الحاسوبي المرتبط بـ GWO أثناء التدريب، مما قد يعيق التنفيذ في الوقت الحقيقي على الأجهزة ذات الموارد المحدودة. بالإضافة إلى ذلك، قد يتطلب إطار التعلم الآلي الهجين إعادة تدريب واسعة للتكيف مع أنماط الكتابة الثقافية المتنوعة. يمكن أن تركز الأعمال المستقبلية على معالجة هذه القيود لتعزيز قابلية تطبيق النظام في السيناريوهات الواقعية.
النتائج
يوفر قسم النتائج تقييمًا شاملاً لأداء النموذج المقترح، مدعومًا بتحليل إحصائي. تشير النتائج الرئيسية إلى أن النموذج يظهر تحسينات كبيرة في الدقة والكفاءة مقارنة بالمعايير الحالية. يتم الإبلاغ عن مقاييس أداء متنوعة، مثل الدقة والاسترجاع ودرجة F1، مما يبرز متانة النموذج عبر مجموعات بيانات مختلفة.
بالإضافة إلى ذلك، يتضمن التحليل الإحصائي اختبارات للتحقق من دلالة النتائج، مما يضمن أن التحسينات الملحوظة ليست نتيجة للصدفة العشوائية. يضع النقاش هذه النتائج في سياق أوسع من البحث، مؤكدًا على التطبيقات المحتملة للنموذج وآثاره على الدراسات المستقبلية. بشكل عام، تؤكد النتائج فعالية النهج المقترح في معالجة التحديات المحددة في هذا المجال.
النقاش
في قسم النقاش من ورقة البحث، يتم مراجعة نماذج مختلفة موجودة للتحقق من التوقيع، مع تسليط الضوء على منهجياتها ومقاييس أدائها. تستخدم العديد من هذه النماذج ميزات نسيجية وهندسية واتجاهية، حيث تكون الأنماط الثنائية المحلية (LBP) ونسخها المتنوعة بارزة بشكل خاص. على سبيل المثال، حقق Pal وآخرون دقة تبلغ 67.46% و66.62% باستخدام LBP وLBP الموحد (ULBP) على مجموعة بيانات GDPS-100. استكشفت دراسات أخرى، مثل تلك التي أجراها Ferrer وآخرون وYilmaz وآخرون، تقنيات استخراج ميزات مختلفة، بما في ذلك الأنماط الاتجاهية المحلية وميزات الهيستوغرام المحلية، مما أدى إلى درجات متفاوتة من النجاح من حيث الدقة ومعدلات الخطأ. ومن الجدير بالذكر أن النموذج المقترح، SignGuard، يقدم نوعًا جديدًا من LBP يسمى الجمع العمودي للأنماط الثنائية المحلية المتماثلة المركزية (OC-CSLBP)، والذي يهدف إلى تعزيز كفاءة استخراج الميزات مع تقليل حجم متجه الميزات.
يتم تقييم أداء النموذج المقترح باستخدام مجموعات بيانات مرجعية، بما في ذلك CEDAR وSID وBHSig260، ويستخدم إطار تعلم آلي هجين يجمع بين آلات الدعم المتجهة (SVM) وXGBoost للتصنيف. تشير النتائج إلى أن ميزة OC-CSLBP تتفوق على ميزات LBP التقليدية، محققة دقة متوسطة تبلغ 98.77% مع معدل قبول خاطئ (FAR) يبلغ 0.38% فقط. يظهر النموذج متانة ضد التغيرات في أنماط التوقيع والضوضاء، مما يجعله مناسبًا للتطبيقات الواقعية. بشكل عام، تشير النتائج إلى أن دمج الميزات الإحصائية والهندسية والنسيجية المحسّنة يعزز بشكل كبير دقة وموثوقية أنظمة التحقق من التوقيع غير المتصل.
القيود
يستعرض قسم القيود القيود المفروضة على نظام SignGuard المقترح. تشمل القيود الرئيسية التحديات المحتملة في قابلية التوسع، حيث قد يواجه النظام صعوبة في الحفاظ على الأداء مع زيادة عدد المستخدمين أو مدخلات البيانات. بالإضافة إلى ذلك، قد تتأثر متانة SignGuard بالتغيرات في الظروف البيئية أو سلوك المستخدم، مما قد يؤدي إلى انخفاض الدقة في وظيفته.
علاوة على ذلك، قد يحد الاعتماد على خوارزميات معينة من قابلية تكيف SignGuard مع تطبيقات متنوعة تتجاوز نطاقه المقصود. يجب مراعاة هذه العوامل عند تقييم فعالية وقابلية تعميم العمل المقترح في السيناريوهات الواقعية.
DOI: https://doi.org/10.1038/s41598-026-36163-4
PMID: https://pubmed.ncbi.nlm.nih.gov/41634137
Publication Date: 2026-02-03
Author(s): Nemi Chandra Rathore et al.
Primary Topic: Handwritten Text Recognition Techniques
Overview
The research paper introduces SignGuard, a novel offline signature verification system (OSVS) aimed at addressing the challenges posed by intra-signature variability and rotational inconsistencies in handwritten signature authentication. SignGuard employs Gray Wolf Optimization (GWO) for adaptive preprocessing and Principal Orientation Alignment (POA) for rotation correction, enhancing the robustness of rotation-sensitive descriptors through new texture features: Centre Symmetric Local Binary Pattern (CS-LBP) and Orthogonal Central Symmetric Local Binary Pattern (OC-CSLBP). The system utilizes a hybrid machine learning framework that integrates Support Vector Machine (SVM) and XGBoost classifiers, achieving impressive accuracy rates of 98.77% and 97.46% on various datasets, including the novel DeepSignVault.
In conclusion, SignGuard demonstrates superior performance compared to existing OSVS methods, effectively mitigating forgery attempts while maintaining computational efficiency. However, the system has limitations, such as the ineffectiveness of the POA technique for signatures with extreme skew angles or complex backgrounds, and the increased computational time associated with GWO during training, which may hinder real-time implementation on resource-constrained devices. Additionally, the hybrid machine learning framework may require extensive retraining to adapt to diverse cultural writing styles. Future work could focus on addressing these limitations to enhance the system’s applicability in real-world scenarios.
Results
The Results section provides a comprehensive evaluation of the proposed model’s performance, supported by statistical analysis. Key findings indicate that the model demonstrates significant improvements in accuracy and efficiency compared to existing benchmarks. Various performance metrics, such as precision, recall, and F1-score, are reported, highlighting the model’s robustness across different datasets.
Additionally, the statistical analysis includes tests to validate the significance of the results, ensuring that the observed improvements are not due to random chance. The discussion contextualizes these findings within the broader research landscape, emphasizing the model’s potential applications and implications for future studies. Overall, the results underscore the effectiveness of the proposed approach in addressing the identified challenges in the field.
Discussion
In the discussion section of the research paper, various existing models for signature verification are reviewed, highlighting their methodologies and performance metrics. Many of these models utilize texture, geometric, and directional features, with Local Binary Patterns (LBP) and its variants being particularly prominent. For instance, Pal et al. achieved accuracies of 67.46% and 66.62% using LBP and Uniform LBP (ULBP) on the GDPS-100 dataset. Other studies, such as those by Ferrer et al. and Yilmaz et al., explored different feature extraction techniques, including Local Directional Patterns and local histogram features, yielding varying degrees of success in terms of accuracy and error rates. Notably, the proposed model, SignGuard, introduces a novel variant of LBP called Orthogonal Combination of Centre Symmetric Local Binary Patterns (OC-CSLBP), which aims to enhance feature extraction efficiency while reducing the feature vector size.
The proposed model’s performance is evaluated using benchmark datasets, including CEDAR, SID, and BHSig260, and it employs a hybrid machine learning framework combining Support Vector Machines (SVM) and XGBoost for classification. The results indicate that the OC-CSLBP feature outperforms traditional LBP features, achieving an average accuracy of 98.77% with a false acceptance rate (FAR) of only 0.38%. The model demonstrates robustness against variations in signature styles and noise, making it suitable for real-world applications. Overall, the findings suggest that the integration of optimized statistical, geometric, and texture features significantly enhances the accuracy and reliability of offline signature verification systems.
Limitations
The section on limitations outlines the constraints of the proposed SignGuard system. Key limitations include potential challenges in scalability, as the system may struggle to maintain performance with an increasing number of users or data inputs. Additionally, the robustness of SignGuard could be affected by variations in environmental conditions or user behavior, which may lead to decreased accuracy in its functionality.
Furthermore, the reliance on specific algorithms may limit the adaptability of SignGuard to diverse applications beyond its intended scope. These factors should be considered when evaluating the effectiveness and generalizability of the proposed work in real-world scenarios.