Распознавание подписи

Распознавание подписи — это область биометрии и компьютерного зрения, объединяющая методы и технологии автоматического определения подлинности рукописной подписи человека на основе её визуальных или динамических характеристик. Задача распознавания подписи относится к классу верификации (подтверждение личности по предоставленному образцу) или идентификации (поиск среди базы данных), а также является частным случаем анализа рукописного ввода. Распознавание подписи применяется в банковском деле, юриспруденции, системах контроля доступа и электронном документообороте как один из способов защиты от подделок.

История развития

Ранние методы

До появления компьютеров проверка подписей выполнялась вручную экспертами-почерковедами. Первые автоматизированные попытки относятся к 1960-м годам, когда начали использовать оцифровку изображений и простые алгоритмы сравнения (например, наложение трафаретов). В 1970-х годах в США и СССР разрабатывались первые аппаратные комплексы для верификации подписей в банковской сфере.

Цифровая эпоха

С развитием планшетов и сенсорных экранов в 1990-х годах стало возможным считывать не только статическое изображение, но и динамические данные — траекторию движения пера, нажим, скорость, ускорение. Это дало старт динамическому распознаванию. В 2000-х годах внедрение нейронных сетей и глубокого обучения (свёрточные нейронные сети, рекуррентные нейронные сети) позволило повысить точность распознавания до 95–99 % при контролируемых условиях.

Методы распознавания

Статическое распознавание (offline)

Статическое (или офлайн) распознавание анализирует изображение подписи, полученное после её нанесения (например, отсканированная бумажная подпись). Обработка включает несколько этапов:

1. Предобработка изображения: бинаризация, удаление шумов, нормализация размера и наклона.
2. Выделение признаков: используется анализ геометрических характеристик — соотношение сторон, количество пересечений линий, распределение чернил, элементы кривизны и углы.
3. Сравнение с эталоном: классификация с помощью методов машинного обучения (метод опорных векторов, случайный лес) или нейросетей.

Статическое распознавание уязвимо для качественных подделок, так как не учитывает динамику написания.

Динамическое распознавание (online)

Динамическое (или онлайн) распознавание фиксирует процесс создания подписи в реальном времени с помощью специализированных устройств (планшеты с перьевым вводом, сенсорные дисплеи). Параметры включают:

• Координаты точек траектории во времени;
• Скорость и ускорение движения;
• Нажим (сила нажатия на перо);
• Время касания и отрыва пера;
• Порядок нанесения штрихов.

Эти данные обрабатываются временными моделями, такими как скрытые марковские модели, динамическое программирование по времени (DTW) или рекуррентные нейронные сети (LSTM, GRU). Динамическое распознавание значительно устойчивее к подделкам, так как подделать микродвижения и нажим крайне сложно.

Типы подписей и классификация

По степени сложности

• Простые подписи: состоят из коротких линий, росчерков или инициалов. Высокая вариативность, сложно распознать.
• Сложные подписи: содержат множество элементов, завитков, наклонов. Более стабильны и лучше поддаются машинному анализу.

По целям

• Верификация: проверка «своя/чужая» по одному эталонному образцу.
• Идентификация: поиск автора подписи среди базы из нескольких тысяч кандидатов (применяется в криминалистике).

Технологии и алгоритмы

Классические методы

• Расстояние Хаусдорфа — сравнение множеств точек по минимальному расстоянию.
• Динамическое программирование по времени (DTW) — выравнивание временных рядов для нахождения оптимального соответствия.
• Линейный дискриминантный анализ — разделение признаков на классы (подлинная/поддельная подпись).

Глубокое обучение

• Свёрточные нейронные сети (CNN) — анализ статических изображений.
• Рекуррентные нейронные сети (RNN/LSTM) — обработка последовательностей данных (динамика).
• Генеративно-состязательные сети (GAN) — используются для тестирования устойчивости алгоритмов путём генерации подделок.

Применение

Банковская сфера

Распознавание подписи применяется при верификации чеков, кредитных договоров и доверенностей. В России, например, используется в некоторых отделениях Сбербанка для проверки подлинности подписей на платёжных документах.

Электронный документооборот

В системах электронного документооборота (ЭДО) динамическое распознавание подписи выступает аналогом собственноручной подписи в юридически значимых документах. В РФ этот метод регулируется Федеральным законом № 63-ФЗ «Об электронной подписи» (с оговорками, так как не является криптографическим).

Криминалистика

Судебные эксперты используют автоматизированные системы, такие как «АВТОГРАФ» (разработка ФБУ РФЦСЭ при Минюсте России), для сравнительного анализа почерка и подписей. Системы помогают выявлять имитацию, подражание и автоподлоги.

Контроль доступа

В некоторых компаниях подпись на планшете используется как фактор аутентификации при входе в защищённые зоны или системы, однако такой метод менее распространён, чем отпечаток пальца или RFID-карта.

Проблемы и ограничения

• Вариативность подписи: даже один человек может ставить подпись с заметными отличиями в зависимости от психофизического состояния, положения тела, времени суток.
• Качество данных: для статического распознавания критичны разрешение сканирования и угол наклона бумаги; для динамического — калибровка сенсора.
• Уязвимость к подделкам: современные нейросети способны генерировать высококачественные подделки (атаки с помощью GAN), что требует постоянного обновления алгоритмов.
• Юридический статус: в ряде стран (в том числе в РФ) автоматическое распознавание подписи не признаётся самостоятельным юридическим доказательством без экспертной оценки.

Интересные факты

• Крупнейшая база данных подписей для научных исследований — SVC 2004 (США, 2004 год) содержит около 1600 образцов.
• В 2018 году российские учёные из Института проблем передачи информации РАН разработали алгоритм на основе свёрточных нейросетей, показавший точность 98,7% на базе GPDS (Глобальная база подписей, 2003–2014).
• Система «Биокад» (КНР) использует динамическое распознавание подписи для аутентификации в мобильных банковских приложениях.

Источники

• Федеральный закон от 06.04.2011 № 63-ФЗ «Об электронной подписи».
• Bouta A., Krichen M. «A Survey on Offline Signature Verification Using Deep Learning». — Springer, 2021.
• Plamondon R., Srihari S. N. «On-Line and Off-Line Handwriting Recognition: A Comprehensive Survey». — IEEE Transactions on Pattern Analysis and Machine Intelligence, 2000.
• И. И. Джавахадзе, А. В. Смирнов. «Автоматическое распознавание подписей: методы и приложения». — Труды ИПУ РАН, 2019.
• SVC 2004 — Signature Verification Competition: First International Workshop on Biometric Authentication, Hong Kong, 2004.