方法论 — 实测，而非预测

经标定的测量引擎

我们从每一条墨迹中提取八类确定性特征。没有外部模型，没有网络调用 — 输入相同，每次输出相同。

• 笔画宽度 — 基于中轴线对笔画粗细及其变化的估计。
• 倾斜角 — 在多个旋转角度上的垂直投影剖面，用以估计书写倾斜。
• 骨架与拓扑 — 墨迹骨架的端点、分支点和长度 — 一个稳定的形状特征签名。
• 几何描述子 — 尺度不变的纵横比、墨迹范围以及边界区域的密实度。
• 闭环数 — 二值掩膜中闭合环的数量 — 用于区分书写风格。
• Hu 矩 (log) — 对平移、旋转和缩放保持不变的七个不变量，用作形状指纹。
• 墨迹密度（代理量） — 在墨迹像素上的光学密度代理量 — 明确标注其「并非」真实笔压测量。
• 纹理（LBP + GLCM） — 局部二值模式与灰度共生属性 — 超越形状之外的纹理。

在公开司法基准上完成标定

阈值来自公开的 CEDAR 签名数据集。下列数字即引擎所报告的结果 — 没有营销夸大，没有隐藏调参。

CEDAR 是 Center of Excellence for Document Analysis 的公开基准；60 真 + 40 伪（n=100）是一个较小的样本。我们汇报全部四项指标，包括最坏情况（FAR=1% 处的 FRR = 0.77），以便审阅者审计最佳与最差表现之间的差距。来源：gramavec/forensics/calibration_cedar.json。由自动化测试锁定，因此未经代码变更不可能发布标定回归。

VLM 只是抄写员，而非引擎

在分析流程中我们使用 Google Gemini 的地方，它严格作为语言与视觉的抄写员：负责转写上下文并解释一项测量，但从不产生底层的数值分数。分数由上文所述的确定性 CV 引擎计算。这种分离是结构性的 — 正是它让我们有底气说「实测，而非预测」，并对此负责。

视觉证据 — 审阅者可复现

每一次司法比对都会渲染相同的四类产物。审阅者（或持证的 Forensic Document Examiner）可基于原始图像在本地重新生成它们，并对每一项主张进行审计。

• • 在共同高度下，参考墨迹与待检墨迹的并列裁切图。
• • 对齐后的绝对差异叠加图，以红色覆盖在参考图之上。
• • 逐像素 SSIM 热力图（越亮表示差异越大）。
• • 骨架叠加图，标出端点（红色）和分支点（蓝色）。