서명검증(Signature Verification)은 개인이 오랜 시간 반복된 필기 습관을 통해 형성한 서명(Signature)의 공간적 궤적 형태와 동적 생체역학적(Biomechanical) 필기 운동 신호—필압(Pressure), 획 속도(Velocity), 가속도(Acceleration), 펜 기울기 각도, 공중 펜 이동(Pen-up flight)—를 컴퓨터 비전 및 시계열 딥러닝 알고리즘으로 분석하여 서명자의 진위(Authentic vs Forgery)를 판별하는 대표적인 행동 생체인식(Behavioral Biometrics) 기술입니다.
생체인식 학계에서 서명검증은 데이터 획득 방식과 신호 차원에 따라 오프라인(Static) 방식과 온라인(Dynamic) 방식으로 엄격히 분류됩니다.
종이 문서나 수표, 계약서에 펜으로 작성된 완성된 서명을 광학 스캐너나 카메라로 디지털화하여 분석합니다. 시간 경과에 따른 정보(속도, 필압 순서)가 소실되고 오직 2차원 픽셀 이미지의 외형 윤곽선, 획의 굵기, 잉크 농담(Gray-level)만 존재하므로, 형태를 정교하게 베낀 숙련된 위조(Skilled Forgery) 판별이 매우 까다롭습니다.
와콤 디지타이저, 스마트폰 터치스크린, 전자 서명 패드, 스타일러스 펜(S펜, 애플 펜슬)을 이용해 서명자가 글씨를 쓰는 순간의 시간 경과에 따른 동적 물리량 시계열을 100~200Hz 주기로 실시간 샘플링합니다.
| 비교 항목 | 오프라인 서명 검증 (Static) | 온라인 서명 검증 (Dynamic) |
|---|---|---|
| 입력 데이터 형태 | 2D 정적 비트맵 이미지 (스캔 문서, 수표) | 다차원 시계열 벡터 신호 [x(t), y(t), p(t), θ(t), v(t)] |
| 획득 장비 | 일반 광학 스캐너, 스마트폰 카메라 | 디지털 태블릿, 스마트폰 터치스크린, 전자 펜 |
| 동적 물리량 포착 | 불가능 (완성된 획 결과물만 존재) | 완벽 포착 (속도, 가속도, 필압, 공중 비행 궤적) |
| 숙련된 위조(Skilled Forgery) 저항성 | 보통 (눈속임 모조에 취약) | 극도로 우수 (동역학적 습관은 흉내 불가) |
| 오인식률 (EER) | 5% ~ 10% 수준 | 0.5% ~ 2% 이하 (최첨단 딥러닝 적용 시) |
아래 다이어그램은 전자 서명 패드에서 획득되는 2D 공간 궤적과 함께 시간에 따른 펜의 터치(Pen-down) 및 공중 비행(Pen-up), 필압 p(t), 획 속도 v(t)의 복합 물리 신호 추출 구조를 시각화한 인포그래픽입니다.
[그림 1] 온라인 동적 서명의 2D 공간 궤적(Pen-down/Pen-up)과 시간에 따른 다차원 물리 신호(필압, 속도, 펜 각도) 해부도
과거 1세대 온라인 서명검증은 동적 시간 왜곡(Dynamic Time Warping, DTW)이나 은닉 마르코프 모델(HMM)을 사용했습니다. 그러나 DTW는 서명자가 조금만 서두르거나 긴장하여 획 순서의 타이밍이 어긋나면 시간축을 억지로 늘이거나 줄이다가 동일인의 진본 서명을 가짜로 오판(높은 FRR)하는 취약점이 있었습니다. 딥러닝은 이러한 문제를 완벽히 해결했습니다.
사용자에게 수십 번 서명을 등록하게 할 수 없는 실제 서비스 환경을 고려하여 가중치를 공유하는 샴 네트워크(Siamese Network)와 삼중항 손실(Triplet Loss)을 적용합니다. 서명자 본인의 다양한 진본 서명 간의 잠재 거리는 극도로 좁히고(Intra-class Compactness), 형태를 모방한 숙련된 위조 서명 간의 거리는 멀리 벌림으로써 단 3~5개의 등록 서명만으로도 99% 이상의 검증 신뢰도를 달성합니다.
정적 형상뿐 아니라 시간 경과에 따른 획의 속도 변화와 필압의 미세 곡률을 양방향 LSTM(Bi-LSTM)과 셀프 어텐션(Self-Attention) 트랜스포머(Signformer)로 모델링합니다. 획의 전후 문맥을 스스로 파악하여 서명 속도가 빠르거나 느려져도 본인 고유의 근육 관성 운동 패턴을 정확하게 추출해 냅니다.
위조 서명 데이터를 수집하기 어려운 한계를 극복하기 위해 생성형 적대 신경망(GAN)으로 인간 전문가보다 더 정교한 가짜 서명을 인공적으로 대량 합성(Synthetic Forgeries)합니다. 검증 모델이 이 인공 위조 서명들과 맞서 싸우도록 적대적 학습(Adversarial Training)시킴으로써 실제 사기 범죄 시도의 판별력을 비약적으로 끌어올렸습니다.
종이에 스캔된 2차원 정적 서명 이미지의 잉크 농담(Gray-level)과 획 가장자리의 미세 떨림을 딥러닝 역운동학(Inverse Kinematics) 신경망에 입력하여, 서명 당시 펜촉이 누른 필압 곡선과 이동 속도를 80% 이상의 정밀도로 역복원합니다. 이를 통해 종이 문서 감정의 정확도를 온라인 서명 수준으로 격상시켰습니다.
강도나 협박범의 강요에 의해 억지로 서명할 때 나타나는 비정상적인 손가락 떨림, 극단적 필압 불균형, 망설임 정지 시간을 신경망이 감지하는 강요 탐지(Duress Detection) 알고리즘입니다. 겉보기에는 완벽한 진본 서명으로 보여도 백그라운드에서 긴급 경보를 은행 보안팀이나 경찰청에 즉시 자동 전송합니다.
과거 1:1 포인트 정합에 의존하던 DTW 방식과 현재의 딥러닝 대조 학습(Contrastive Siamese Network) 및 512차원 잠재 벡터 판정 아키텍처를 비교한 다이어그램입니다.
[그림 2] 타이밍 불일치에 취약하던 고전 DTW 방식과 딥러닝 샴 네트워크(Siamese Network) & 트랜스포머 파이프라인 비교
시중은행의 영업점 창구에서 종이 서류 대신 태블릿 모니터에 서명하는 페이퍼리스(Paperless) 디지털 창구에 온라인 서명검증이 탑재되어 있습니다. 고객이 서명하는 순간의 필압과 속도 곡선을 중앙 서버의 등록 템플릿과 실시간 비교하여, 고액 예금 인출 시 위조 서명에 의한 금융 사고를 원천 차단합니다.
글로벌 전자 계약 솔루션 기업인 도큐사인(DocuSign)과 어도비 사인(Adobe Sign)은 국제 전자서명법(eIDAS, 미국 ESIGN Act)에 따라 서명자의 타임스탬프, IP 주소, 터치 디바이스의 동적 필적 궤적을 암호화하여 위변조가 불가능한 디지털 감사 추적(Audit Trail)을 생성합니다.
살인, 유언장 위조, 차용증 사기 사건에서 사법 당국은 디지털 필적 감정 시스템(FAST)을 운용합니다. 용의자의 평소 필적과 사건 현장 문서의 획 순서, 자간 비율, 모세 획의 미세 떨림을 딥러닝 영상 분석으로 대조하여 법정에 결정적 유죄 입증 과학수사 증거로 제출합니다.
삼성 갤럭시 노트/울트라의 S펜(4,096단계 필압 EMR 센서)과 애플 펜슬은 사용자가 화면 잠금을 해제하거나 보안 메모를 열 때 필기 동역학을 분석하여 본인 여부를 검증하는 차세대 개인화 보안 키로 진화하고 있습니다.
생체 서명 분야 세계 최고 권위 연구실로, 국제 표준 벤치마크 데이터셋인 MCYT 및 BiosecurID를 구축했습니다. 최근에는 딥 샴 네트워크와 모바일 센서 융합을 통한 비지도 도메인 적응(Unsupervised Domain Adaptation) 이론을 선도하고 있습니다.
전 세계 서명검증 알고리즘의 위조 탐지 성능을 객관적으로 겨루는 SigComp(Signature Verification Competition)를 주관하며, BHSig260 및 CEDAR 데이터셋 기반의 다국어 서명 위조 판별 기준을 수립하고 있습니다.
인간 손가락과 손목 관절의 신경근 생체역학 모델(Neuromuscular Model)을 수학적으로 정립하여, 공중 펜 비행(Pen-up) 궤적의 가속도 프로파일을 물리학적으로 시뮬레이션하는 원천 기술을 발표했습니다.
AIStudy의 다중 생체 보안(Multimodal Biometrics) 기술 시리즈의 다른 모달리티 상세 문서를 함께 학습하세요.