Uma Abordagem de Verificação Automática de Assinaturas Utilizando Modelos de Machine Learning Sobre as Características Grafoscópicas do Grafismo

Resumo

O ato de escrever, também conhecido como gesto gráfico, está sob a influência imediata do cérebro humano. Dessa forma, o princípio fundamental da grafoscopia diz que o grafismo é individual e inconfundível (Del Picchia, 2016). A grafoscopia, utilizada pelos peritos grafotécnicos na ciência forense, objetiva identificar a autenticidade e autoria de uma grafia (FALAT, 2012). Para realizar uma análise grafotécnica, os peritos adotam critérios sobre as características gráficas das assinaturas a serem confrontadas. Existem mais de 20 critérios tais como a inclinação axial, pressão, ataque, remate, etc., que podem ser utilizados pelos profissionais. Outra forma de comparar a autenticidade das assinaturas são os sistemas de verificação automática de assinaturas. Esses sistemas realizam as análises por meio de modelos matemáticos, estatísticos e algoritmos oriundos do universo do Machine Learning, os quais, nem sempre se utilizam dos critérios da grafotécnica, nem respondem as perguntas que embasam um laudo pericial, tais como – “quais os critérios utilizados que fundamentam a decisão do perito ou, nesse caso, dos sistemas?”.  Mesmo os algoritmos de Deep Learning com resultados de alta precisão, mas a um custo da alta abstração, não apresentam uma resposta clara das características aprendidas. Alguns sistemas que suportam a verificação automática de assinaturas como o FLASH ID (Walch, M., 2013), iFOX (Srihari, S., 2013) e D-Scribe (Schulte-Austum, M., 2013) foram desenvolvidos para apoiar os profissionais da ciência forense. No entanto, é rara a utilização desses sistemas pelos peritos grafotécnicos e quando praticam o fazem de maneira limitada, ainda desconfortáveis com a forma que os resultados são apresentados, pois, podem ser questionados sobre os critérios utilizados (Diaz, M., 2019). objetivo: Com base nessas questões, este trabalho tem o objetivo de desenvolver um modelo computacional de ponta-a-ponta capaz de realizar uma análise grafotécnica embasado nas características gráficas e nos critérios utilizados pela grafoscopia. métodos: Será utilizado (i) um modelo de segmentação proposto em (Lopes Junior, C. A. M., 2020) para extrair assinaturas manuscritas de uma imagem – (ii) uma rede adversarial generativa e uma rede siamesa que serão guiadas para aprender as características gráficas dos manuscritos – (iii) bases de dados de assinaturas manuscritas e documentos de identificação, como a GPDS (Vargas, F., 2007), MCYT (Ortega-Garcia, J., et al, 2003) e SBR-Doc Database (Lopes Junior, C. A. M., et al., 2021) – uma base de conhecimento com os resultados de 151 análises feitas por peritos profissionais construída pelos autores e que, atuará como baseline do modelo. resultados esperados: O modelo deverá atingir uma precisão de pelo menos 70% em todos os processos do pipeline das análises, desde a extração até o retorno com as probabilidades positiva (grafia genuína) ou negativa (grafia forjada). Além disso, o modelo deve responder quais foram as características utilizadas para as análises comparativas.