Entegre Biyometrik İmza Doğrulama: Dijital ve Fiziksel İmza Kimlik Doğrulaması için Hibrit Bir Çerçeve

Öz

Bu çalışmada, çevrimiçi ve çevrimdışı imza verilerini kullanarak sahteciliğin önlenmesine yönelik hibrit bir imza doğrulama sistemi geliştirilmiştir. İmza, bireylerin kimlik doğrulamasında ve belge geçerliliğinin sağlanmasında önemli bir biyometrik veri türü olarak değerlendirilmektedir. Dijitalleşmenin artmasıyla birlikte, geleneksel imza doğrulama yöntemleri zaman alıcı, hata yapmaya açık ve güvenlik açısından yetersiz hale gelmiştir. Önerilen sistem, çevrimdışı imza doğrulamasında gri tonlama, eşikleme, kenar tespiti ve kontur analizi gibi görüntü işleme tekniklerini; çevrimiçi imza doğrulamasında ise hız, ivme, yönelim, zamanlama ve hareket yolu gibi dinamik özniteliklerin analizini temel almaktadır. Geliştirilen yapı, API destekli bir altyapı ile veri güvenliğini sağlayarak, imza verilerini merkezi sunucuya iletmekte ve analiz süreçlerini otomatikleştirmektedir. Kullanıcıdan alınan imza verileri doğrultusunda oluşturulan referans veri tabanı sayesinde hem yeni hem de farklı kaynaklardan gelen imzalar karşılaştırılarak doğrulama işlemi gerçekleştirilmiştir. Sistem, kullanıcı dostu arayüz tasarımı ile farklı yaş ve deneyim düzeyine sahip bireylerin kullanımına uygun hale getirilmiş ve bankacılık, finans, sağlık ve güvenlik gibi sahteciliğin önlenmesinin kritik olduğu sektörlerde uygulanabilir bir çözüm sunmayı hedeflemiştir. Gelecek çalışmalar, daha geniş veri kümeleri ve farklı cihaz entegrasyonları ile sistemin performansını artırmayı amaçlamaktadır.

Anahtar Kelimeler

• İmza Doğrulama
• Çevrimiçi İmza
• Çevrimdışı İmza
• Yapay Zekâ
• Görüntü İşleme
• Biyometrik Kimlik Doğrulama

Integrated Biometric Signature Verification: A Hybrid Framework for Digital and Physical Signature Authentication

Abstract

In this study, a hybrid signature verification system has been developed to prevent forgery by using both online and offline signature data. Signature is considered an important type of biometric data for individual authentication and document validation. With increasing digitalization, traditional signature verification methods have become time-consuming, error-prone, and inadequate in terms of security. The proposed system is based on image processing techniques such as gray scaling, thresholding, edge detection, and contour analysis for offline signature verification; and analysis of dynamic features such as velocity, acceleration, orientation, timing, and motion path for online signature verification. The developed structure ensures data security through an API-supported infrastructure, transmitting signature data to a central server and automating analysis processes. The verification process is carried out by comparing both new and signatures from different sources using a reference database created according to signature data obtained from the user. The system has been made suitable for individuals of different ages and experience levels with a user-friendly interface design and aims to provide an applicable solution in sectors where forgery prevention is critical, such as banking, finance, healthcare, and security. Future studies aim to improve the system's performance with larger datasets and different device integrations

Keywords

• Signature Verification
• Online Signature
• Offline Signature
• Artificial Intelligence
• Image Processing
• Biometric Authentication

References

1. [1] F. Gürbüz, “Bilgisayar Eğitimi Anabilim Dali Yüksek Lisans Tezi Serbest Taklit Yöntemi Ile Atilan Sahte Imzalarin Grafometrik Özelliklerine Dayali Biyometrik Imza Doğrulama Sistemi Ve Analizi,” Sep. 2014. Accessed: Jan. 04, 2025. [Online]. Available: Https://Acikbilim.Yok.Gov.Tr/Handle/20.500.12812/362685
2. [2] H. H. Kao and C. Y. Wen, “An Offline Signature Verification And Forgery Detection Method Based On A Single Known Sample And An Explainable Deep Learning Approach,” Appl. Sci., Vol. 10, No. 11, 2020, Doi: 10.3390/App10113716.
3. [3] A. A. Abdirahma, A. O. Hashi, M. A. Elmi, And O. E. R. Rodriguez, “Advancing Handwritten Signature Verification Through Deep Learning: A Comprehensive Study and High-Precision Approach,” Int. J. Eng. Trends Technol., Vol. 72, No. 4, Pp. 81–91, 2024, Doi: 10.14445/22315381/Ijett-V72i4p109.
4. [4] H. Mouchère, R. Zanibbi, U. Garain, And C. Viard-Gaudin, “Advancing The State Of The Art For Handwritten Math Recognition: The Crohme Competitions, 2011–2014,” Int. J. Doc. Anal. Recognit., Vol. 19, No. 2, Pp. 173–189, 2016, Doi: 10.1007/S10032-016-0263-5.
5. [5] J. Lu, H. Qi, X. Wu, C. Zhang, And Q. Tang, “Research On Authentic Signature Identification Method Integrating Dynamic And Static Features,” Appl. Sci., Vol. 12, No. 19, 2022, Doi: 10.3390/App12199904.
6. [6] N. Xamxidin, Mahpirat, Z. Yao, A. Aysa, And K. Ubul, “Multilingual Offline Signature Verification Based On Improved Inverse Discriminator Network,” Inf., Vol. 13, No. 6, Jun. 2022, Doi: 10.3390/Info13060293.
7. [7] K. Roszczewska And E. Niewiadomska-Szynkiewicz, “Online Signature Biometrics For Mobile Devices,” Sensors, Vol. 24, No. 11, 2024, Doi: 10.3390/S24113524.
8. [8] K. K. Tseng, H. Chen, C. Chen, And C. Bansong, “A Secure Live Signature Verification With Aho–Corasick Histogram Algorithm For Mobile Smart Pad,” Electron., Vol. 10, No. 11, 2021, Doi: 10.3390/Electronics10111337.

9. [9] E. Alajrami Et Al., “Handwritten Signature Verification Using Deep Learning,” 2019. [Online]. Available: Www.Ijeais.Org/Ijamr
10. [10] M. Jarad, N. Al-Najdawi, And S. Tedmori, “Offline Handwritten Signature Verification System Using A Supervised Neural Network Approach,” 2014 6th Int. Conf. Comput. Sci. Inf. Technol. Csit 2014 - Proc., Pp. 189–195, 2014, Doi: 10.1109/Csit.2014.6805999.
11. [11] K. G. Toker, S. Kucuk, And M. C. Catalbas, “2014 22nd Signal Processing And Communications Applications Conference, Siu 2014 - Proceedings,” 2014, [Publisher Not Identified]. Doi: 10.1109/Siu.2014.6830589.
12. [12] “Renkli Bir Belgeyi Gri Tonlamalı Yazdırma (Windows).” Brother Support. https://support.brother.com/g/s/id/htmldoc/mfc/cv_dcp310/tur/html/GUID-E0489E25-7891-4B45-AC7F-EDD7F0E244CB_47.html (erişim Haziran 26, 2025).
13. [13] G. A. Teknik, “Abstract An Overwiew Of A Review Artificial Intelligence Algorithms Used In The Problem,” 2004.
14. [14] G. I. Hafta, “Görüntü Işleme - (7.Hafta) Kenar Bulma Algoritmalari,” Pp. 1–32.
15. [15] C. Oz, F. Ercal, Z. Demir, And Zuheri, “Signature Recognition And Verification With Ann,” Proceeding Third …, Vol. 96, No. March, Pp. 1–5, 2013.
16. [16] D. Engin, A. Kantarci, S. Arslan, And H. K. Ekenel, “Offline Signature Verification On Real-World Documents,” Ieee Comput. Soc. Conf. Comput. Vis. Pattern Recognit. Work., Vol. 2020-June, No. June, Pp. 3518–3526, 2020, Doi: 10.1109/Cvprw50498.2020.00412.
17. [17] M. B. Yilmaz, B. Yanikoglu, C. Tirkaz, And A. Kholmatov, “Offline Signature Verification Using Classifier Combination Of Hog And Lbp features,” 2011 Int. Jt. Conf. Biometrics, IJCB 2011, no. October 2015, 2011, doi: 10.1109/IJCB.2011.6117473.
18. [18] H. S.M. Al-Khaffaf and I. M. Yaseen, “Writer Independent Offline Signature Verification System using Global and Local Geometric Features,” Iraqi J. Comput. Informatics, vol. 50, no. 1, pp. 172–186, 2024, doi: 10.25195/ijci.v50i1.466.
19. [19] A. Almehmadi, “A biometric-based verification system for handwritten image-based signatures using audio to image matching,” IET Biometrics, vol. 11, no. 2, pp. 124–140, 2022, doi: 10.1049/bme2.12059.