The scientific foundation of forensic handwriting examination has been a subject of debate and controversy for many years. This is mainly attributable to the subjective approach adopted by experts who do not take advantage of modern computer-based techniques to support their decision-making. One reason for their reluctance is that computer-based systems focused on two-dimensional and static features remain vulnerable to skilled forgeries. This research aimed to overcome this limitation by enriching the features used by an offline recognition system. In addition to two-dimensional features, pseudo-dynamic three-dimensional information was included, measured using three-dimensional microscopy synchronized with white-light imaging. Three-dimensional and pseudo-dynamic features were acquired from a dataset comprising 23,624 signatures. The sample comprised genuine signatures and a range of forgeries (freehand, random, or traced). For forensic purposes, score-based likelihood ratios were adopted to estimate the strength of handwriting evidence. The rates of misleading evidence were low enough (RMEP = 0, RMED = 0.0002) to warrant implementation in forensic laboratories. In addition, the testing of machine learning techniques demonstrated the feasibility and robustness of the system for commercial application and consideration of feature selection. For the most accurate classification algorithm, a precision of 99.91% is reported for an equivalent recall rate.
—
Les fondements scientifiques de l’examen forensique de l’écriture manuscrite font l’objet de débats et de controverses depuis de nombreuses années. Cela est principalement dû à l’approche subjective adoptée par les experts qui ne tirent pas parti des techniques informatiques modernes pour assister leur prise de décision. L’une des raisons de leur réticence est que les systèmes informatiques axés sur des caractéristiques bidimensionnelles et statiques restent vulnérables aux contrefaçons. Cette recherche vise à surmonter cette limitation en enrichissant les caractéristiques utilisées par un système de reconnaissance. Outre les caractéristiques bidimensionnelles, des informations tridimensionnelles pseudo- dynamiques ont été incluses, mesurées à l’aide d’une microscopie tridimensionnelle synchronisée avec l’imagerie obtenue en lumière blanche. Les caractéristiques tridimensionnelles et pseudo-dynamiques ont été acquises à partir d’un ensemble de données comprenant 23’624 signatures. L’échantillon comprenait des signatures authentiques et une série de contrefaçons (à main levée, sans modèle ou tracées). La mesure de rapports de vraisemblance basés sur des scores a été adoptéé pour estimer la force associée aux comparaisons. Les taux d’orientation fallacieuses sont suffisamment faibles (RMEP = 0, RMED
= 0,0002) pour justifier une mise en Å“uvre dans les laboratoires de police scientifique. En outre, un test des techniques d’apprentissage automatique a démontré la faisabilité et la robustesse du système pour une application commerciale et la prise en compte de la sélection des caractéristiques. Pour l’algorithme de classification le plus précis, une précision de 99,91 % est rapportée pour un taux de rappel équivalent.