楊杰　支阿玲　吳巧英

摘要： 為探究人體軀干形態(tài)間的差異，本文于212份人體三維點云數(shù)據(jù)中隨機(jī)選擇120個樣本進(jìn)行過胸凸矢狀輪廓曲線的提取，結(jié)合橢圓傅里葉分析對輪廓曲線進(jìn)行研究。計算并分析不同最大諧波次數(shù)下的擬合誤差，確定實驗用最大諧波次數(shù)為15;運用15次諧波對所有樣本的輪廓曲線進(jìn)行橢圓傅里葉變換，獲取能客觀描述曲線形態(tài)的規(guī)格化描述子。通過對規(guī)格化后的描述子進(jìn)行主成分分析，最終提取10個主成分。利用混合F統(tǒng)計量確定最佳分類數(shù)，以成分得分為依據(jù)，運用K-means聚類方法將樣本形態(tài)分為5類。研究得出：各分類之間于肩部、胸部、腹部、臀部、后背彎曲程度及側(cè)面厚度等方面均存在較為明顯的差異，依據(jù)橢圓傅里葉描述子可以對軀干形態(tài)進(jìn)行合理有效的分類。

關(guān)鍵詞： 人體軀干形態(tài);體型分類;輪廓曲線;橢圓傅里葉;主成分分析;聚類分析

中圖分類號： TS941.17文獻(xiàn)標(biāo)志碼： A文章編號： 10017003（2022）05003408

引用頁碼： 051106DOI： 10.3969/j.issn.1001-7003.2022.05.006

服裝依附于人體體表，其呈現(xiàn)出的視覺效果較大程度上受著裝者體型影響?；隗w型分類研究設(shè)置服裝規(guī)格更為合理有效，中國現(xiàn)行號型標(biāo)準(zhǔn)以胸腰差為依據(jù)劃分體型類別，該方法簡便、快速，分類結(jié)果基本可以反映實際情況[1]。然而，胸腰差所涵蓋的人體形態(tài)信息較為局限，缺乏對于如肩、背、臀等人體關(guān)鍵部位特征差異的反映。三維掃描技術(shù)可以采集多項依靠傳統(tǒng)手工測量無法獲取的數(shù)據(jù)，提供全面且精準(zhǔn)的人體信息。諸多學(xué)者借此對體型展開研究，如利用體表角度對人體形態(tài)進(jìn)行分析，劃分類別[2-4];利用多項人體重要尺寸結(jié)合主成分分析及聚類分析完成體型分類[5-6];利用尺寸數(shù)據(jù)計算派生變量，據(jù)此進(jìn)行體型類別劃分[7-8]。上述研究均依據(jù)人體局部形態(tài)信息進(jìn)行體型分類，缺乏整體性分析，因此部分學(xué)者提取人體矢狀輪廓曲線展開研究。如倪世明等[9]利用數(shù)條人體輪廓曲線提取重要點的曲率半徑值，以此為依據(jù)將青年女性縱向體型細(xì)分為八類;夏鳳勤等[10]選取人體正中矢狀輪廓曲線提取轉(zhuǎn)向角函數(shù)圖，據(jù)此選取特征指標(biāo)將人體體型細(xì)分為四類。后者以轉(zhuǎn)向角函數(shù)對人體矢狀輪廓曲線完成了參數(shù)化處理，并基于轉(zhuǎn)向角函數(shù)圖像的局部特征完成了曲線形態(tài)的分類，但在分類指標(biāo)選取上依舊缺乏整體性。

橢圓傅里葉變換在傅里葉變換的基礎(chǔ)上以橢圓替代三角函數(shù)，可對任何形狀的二維封閉曲線進(jìn)行逼近擬合，并輸出可用于表征曲線整體形態(tài)的橢圓傅里葉描述子。1982年，Kuhl等[11]便提出并利用橢圓傅里葉級數(shù)對鏈編碼的封閉輪廓曲線進(jìn)行描述，橢圓傅里葉由此開始逐漸被應(yīng)用于物體外輪廓曲線形狀的描述、分析及分類研究中[12-14]。此外，該方法也被應(yīng)用于人體曲線研究之中。Martin Friess等[15]利用橢圓傅里葉變換分析人體特征曲線，依據(jù)結(jié)果對防護(hù)帶進(jìn)行優(yōu)化設(shè)計;夏明等[16]借助橢圓傅里葉變換對胸圍斷面曲線進(jìn)行描述，并依據(jù)男女間描述結(jié)果的差異構(gòu)建性別識別系統(tǒng)。但上述研究均未將橢圓傅里葉描述子應(yīng)用于完整軀干形態(tài)的描述與分類之中。本研究通過三維人體點云數(shù)據(jù)提取矢狀輪廓曲線，利用橢圓傅里葉分析法獲取用于客觀描述曲線形態(tài)的橢圓傅里葉描述子，并對其進(jìn)行位置、方向及大小的規(guī)格化處理，最終依據(jù)規(guī)格化后的描述子完成人體軀干形態(tài)的分類，為服裝結(jié)構(gòu)設(shè)計提供參考依據(jù)。

1實驗

1.1數(shù)據(jù)采集

1.1.1對象及儀器

實驗對象為江浙地區(qū)212名在校女大學(xué)生，年齡段為18～25歲。從中隨機(jī)抽取120份樣本，用于后續(xù)研究。

實驗儀器選用型號為2NX-16的[TC]²三維人體掃描儀（美國[TC]²公司）。該設(shè)備的攝像精度為0.1 mm，硬件精度為1 mm。

1.1.2實施條件與要求

整個實驗過程控制室內(nèi)環(huán)境溫度于（27±3） ℃內(nèi)，相對濕度于（60±10）%內(nèi)。依照GB/T 23698—2009《三維掃描人體測量方法的一般要求》標(biāo)準(zhǔn)及儀器要求，實驗對象須著淺色柔軟貼體內(nèi)衣褲，頭戴淺色泳帽，測量時須直立于定位點，輕握兩側(cè)把手。本研究所有數(shù)據(jù)的采集要求及條件完全一致。每位實驗對象進(jìn)行3次掃描，保留最佳掃描結(jié)果。

1.2模型預(yù)處理及曲線提取

1.2.1模型預(yù)處理

運用Geomagic wrap軟件對掃描獲取的三維人體點云數(shù)據(jù)進(jìn)行預(yù)處理。小幅度矯正因?qū)嶒瀸ο笳咀藛栴}造成的空間坐標(biāo)誤差，并利用軟件刪除數(shù)據(jù)噪點，填補數(shù)據(jù)孔洞，順滑模型曲面。進(jìn)一步對模型頭部、四肢及正Y軸區(qū)域進(jìn)行截取與刪除，保留負(fù)Y軸區(qū)域的軀干模型。處理后模型空間位置如圖1所示，其中平行于XOZ的平面為矢狀面;平行于XOY的平面為水平面;平行于YOZ的平面為冠狀面。

1.2.2曲線的選擇及提取

矢狀、冠狀、水平三個視角截取的輪廓曲線均能在一定程度上表征人體形態(tài)信息。三者對比分析，水平輪廓曲線僅反映人體局部的橫向形態(tài)特征，單一曲線對整體體型的解釋程度較低。矢狀輪廓曲線包含胸、腰、臀等與上裝結(jié)構(gòu)設(shè)計相關(guān)的重要部位，相較于冠狀輪廓曲線而言信息涵蓋更為全面，且經(jīng)實踐表明矢狀輪廓曲線提取更為精準(zhǔn)和簡便。人體形態(tài)研究中，軀干部分矢狀截面的選取，主要集中于正中[9-10]、過胸凸及過臀凸[10]三種矢狀面。正中矢狀面輪廓曲線能較好描述腹部形態(tài)特征，但對于肩、胸、臀等部位的信息涵蓋程度較低。過胸凸矢狀面與過臀凸矢狀面之間距離較小（120個樣本的平均間距為8.2 mm），兩者截取的人體后背輪廓曲線形態(tài)相似。因此，確定過胸凸矢狀輪廓曲線為提取目標(biāo)。

將數(shù)據(jù)導(dǎo)入Geomagic wrap軟件，利用平行于面XOZ的平面過胸凸點截取模型矢狀輪廓曲線，如圖2所示。并于曲線上提取點坐標(biāo)用于后續(xù)分析。

2輪廓曲線的橢圓傅里葉描述

2.1橢圓傅里葉變換

運用橢圓傅里葉描述二維封閉輪廓曲線，其實質(zhì)是將該曲線看作一動點進(jìn)行一次周期運動的運動軌跡，輪廓線上的所有點均可用以該點至起點間弧長s作為變量的函數(shù)形式Q（s）=（x_s，y_s）進(jìn)行表示。而所有的連續(xù)周期函數(shù)均能進(jìn)行傅里葉級數(shù)展開，曲線上點于X、Y軸上的橢圓傅里葉級數(shù)[7]展開式為：

式中：a₀為輪廓曲線中心點的X軸方向坐標(biāo)值，c₀為該點的Y軸方向坐標(biāo)值;n表示諧波次數(shù);N表示最大的諧波次數(shù);s表示動點沿輪廓曲線的累積運動長度，mm;S為輪廓曲線長度，mm;a_n、b_n、c_n、d_n分別為各諧波次數(shù)下X軸、Y軸方向上橢圓的系數(shù)。

經(jīng)橢圓傅里葉變換后的封閉輪廓曲線可依靠一組橢圓傅里葉系數(shù)[a₀，c₀，a₁，b₁，c₁，d₁，…，a_n，b_n，c_n，d_n]進(jìn)行描述，這些系數(shù)也被稱為橢圓傅里葉描述子。橢圓傅里葉描述子將封閉輪廓曲線體現(xiàn)為一組頻率各異的橢圓的累加，低頻次的橢圓對輪廓曲線的整體信息進(jìn)行表述，高頻次的橢圓蘊含細(xì)節(jié)信息。

2.2諧波次數(shù)選取

由于掃描誤差，三維人體點云數(shù)據(jù)經(jīng)預(yù)處理后仍可能存在孔洞、凸起等問題。結(jié)合橢圓傅里葉變換的特點，適當(dāng)降低最大諧波次數(shù)，能夠在對輪廓曲線形態(tài)進(jìn)行描述的同時，達(dá)到降噪效果。因此，選擇適宜的最大諧波次數(shù)對于后續(xù)輪廓曲線形態(tài)的分析研究極為重要。首先，進(jìn)行不同諧波次數(shù)下的擬合，觀察擬合曲線與原輪廓曲線之間的形態(tài)差異，圖3是諧波次數(shù)為9、12、15、18時的擬合效果及差異情況，藍(lán)色與紅色曲線分別表示原輪廓曲線及擬合曲線。當(dāng)諧波次數(shù)為9時，擬合曲線從整體來看雖能較好地逼近原輪廓曲線，但多處局部依舊差異明顯;進(jìn)一步提高諧波次數(shù)至15，此時除去局部拐角處差異較大，其余位置擬合曲線與原輪廓曲線基本上趨于一致。

為更客觀準(zhǔn)確地選取最大諧波次數(shù)，本文對不同諧波次數(shù)下的擬合誤差進(jìn)行計算，根據(jù)擬合效果及誤差情況綜合考量其取值。設(shè)置擬合曲線的采樣點數(shù)與原輪廓曲線點數(shù)一致，將擬合點與對應(yīng)原輪廓曲線點之間的距離定義為擬合誤差E。

E=D（Q_i，P_i） （3）

式中：D為兩對應(yīng)點之間的距離;Q為原輪廓曲線上的點;P為擬合曲線上的點;i為取點個數(shù)。

圖4為本次實驗所有樣本在不同最大諧波次數(shù)下計算所得的最大誤差均值、平均誤差均值及誤差標(biāo)準(zhǔn)差均值變化趨勢。

從圖4可以看出，隨著諧波次數(shù)的增大，擬合誤差于低頻次階段驟減，當(dāng)諧波次數(shù)達(dá)到10時平均擬合誤差降低程度大幅度縮小，并逐漸向0逼近。

表1為所有樣本在不同諧波次數(shù)下擬合平均誤差的均值，當(dāng)諧波次數(shù)達(dá)到15時，誤差的變化幅度低于0.1 mm，且平均擬合誤差的均值降至1 mm內(nèi)，小于掃描設(shè)備硬件精度。因此，選取最大諧波次數(shù)為15，并對實驗的所有樣本進(jìn)行擬合處理。

2.3描述子規(guī)格化處理

為精確探究不同輪廓曲線間的形態(tài)差異，在進(jìn)行形態(tài)分析前還需對橢圓傅里葉描述子進(jìn)行一系列的規(guī)格化處理，排除曲線位置、大小及方位等因素對最終分析結(jié)果的影響。

1） 曲線位置的規(guī)格化處理。將橢圓傅里葉描述子中的直流分量a₀及c₀的取值調(diào)整為0，即可完成對位置的規(guī)格化。調(diào)整后的輪廓曲線會以坐標(biāo)原點為新的中心點。

2） 曲線方位的規(guī)格化處理。通過下式對輪廓曲線方向作規(guī)格化處理。

3） 曲線大小的規(guī)格化處理。首個橢圓的系數(shù)用于表達(dá)輪廓曲線的整體信息，包括方位與大小。通過下式計算首個橢圓的z^*，并對所有描述子進(jìn)行z^*倍求商處理，完成對輪廓曲線的等比縮放。

2.4輪廓曲線描述

按2.1—2.3所述方法對樣本的過胸凸矢狀輪廓曲線進(jìn)行橢圓傅里葉描述，獲取規(guī)格化后的橢圓傅里葉描述子用于表征曲線形態(tài)。表2為某一輪廓曲線樣本的規(guī)格化后描述子，其中a₀=c₀=b₁=c₁=0，a₁=1。

對比分析120條輪廓曲線的橢圓傅里葉描述子，數(shù)據(jù)正負(fù)情況大致相同，反映了曲線的整體相似性，而具體數(shù)值間的差異表明不同曲線間存在著差異性，可用于形態(tài)分類。

3輪廓曲線分類

3.1主成分分析

本次實驗選擇的最大諧波次數(shù)為15，剔除a₀、c₀、a₁、b₁、c₁這5項規(guī)格化后取值相同的系數(shù)，共計57項系數(shù)用于形態(tài)分析。過多系數(shù)不利于樣本的聚類分析，因此采用SPSS軟件對57項系數(shù)進(jìn)行主成分分析，以達(dá)到降維的目的。如表3所示，本文最終提取10個成分對過胸凸矢狀輪廓曲線進(jìn)行形態(tài)描述，累計貢獻(xiàn)率為81.898%。并選用最大方差法進(jìn)行旋轉(zhuǎn)，計算旋轉(zhuǎn)后的主成分得分，用于聚類分析。

針對各成分均值及其對應(yīng)±2倍標(biāo)準(zhǔn)差進(jìn)行擬合圖像繪制，以直觀顯示各主成分所反映的輪廓曲線形態(tài)的變化。限于篇幅，本文以成分1，2，3，5，6為例分析各成分反映的曲線變化情況，如圖5所示，藍(lán)色、紅色及橙色曲線分別表示得分均值、+2倍標(biāo)準(zhǔn)差、-2倍標(biāo)準(zhǔn)差時對應(yīng)的輪廓曲線。成分1主要反映輪廓曲線橫矢徑比的差異;成分2主要反映胸腹部凸起程度及肩部傾斜程度的差異;成分3主要反映乳房挺立程度不同引起的下胸處曲線形態(tài)差異;成分4主要反映臀部翹起程度的差異;成分5、7主要反映胸部凸起程度與臀部起翹程度的差異，前者反映的變化更為顯著;成分6反映肩部傾斜程度、后腰及下胸處內(nèi)凹程度的差異;成分8主要反映后背曲線彎曲程度及臀部形態(tài)的差異;成分9主要反映后腰內(nèi)凹高度差異及下胸處內(nèi)凹程度不同引起的胸部形態(tài)差異;成分10主要反映肩部傾斜程度及腹部凸起程度差異。各成分均反映輪廓曲線一定程度上的形態(tài)差異，可應(yīng)用于后續(xù)聚類分析。

3.2聚類分析

3.2.1最佳聚類數(shù)確定

由于樣本的分類指標(biāo)具有多維度的特點，本文選用K-means聚類算法對此次樣本進(jìn)行聚類分析。利用混合F統(tǒng)計量（簡稱F_Mixed）作為判別函數(shù)來確定最佳分類數(shù)目[17]。其計算公式如下所示：

3.2.2分類結(jié)果及分析

利用SPSS軟件完成K-means聚類分析，將所有樣本分為5類。Ⅰ～Ⅴ類的樣本數(shù)量分別為12、31、49、15、13，總樣本占比分別為10.0%、25.8%、40.8%、12.5%、10.9%。其中，第Ⅲ類相較于其他類型而言數(shù)量最多，占比最大。依據(jù)分類結(jié)果對主成分得分系數(shù)進(jìn)行方差分析，由分析結(jié)果得知，除了F7顯著性為0.096不顯著，其他9個成分顯著性都小于0.01，說明類間差異非常顯著，應(yīng)用成分得分進(jìn)行聚類分析合理有效。進(jìn)一步提取各分類下曲線的中間形態(tài)及相應(yīng)的典型三維人體模型，如圖6、圖7所示。

對各類間胸、腰、臀三個部位的厚度進(jìn)行方差分析及Duncan分析，結(jié)果如表5及表6所示，顯著性均小于0.01，各類間存在顯著差異。對比觀察，將所有分類不同部位的形態(tài)特點進(jìn)行匯總整理，如表7所示。各類別之間于肩部傾斜程度、胸腹凸起程度、臀部后翹程度、后背彎曲程度及側(cè)面厚度等方面均存在較為明顯的差異，進(jìn)一步證實以橢圓傅里葉描述子為依據(jù)進(jìn)行體型類別劃分可實現(xiàn)對輪廓曲線形態(tài)的綜合考量。

4結(jié)論

本文對212名江浙地區(qū)在校青年女性進(jìn)行三維點云數(shù)據(jù)的采集，并隨機(jī)抽取120個樣本作為研究對象。通過提取過胸凸矢狀輪廓曲線，結(jié)合橢圓傅里葉變換、主成分分析及聚類分析等分析方法，對人體軀干形態(tài)進(jìn)行分類，最終得出以下結(jié)論。

1） 采用橢圓傅里葉變換對縱向輪廓曲線進(jìn)行擬合降噪處理，當(dāng)最大諧波次數(shù)為15時，能夠較好擬合原輪廓曲線的同時起到降噪效果。

2） 利用主成分分析對規(guī)格化后的橢圓傅里葉描述子進(jìn)行降維處理，提取出10個與輪廓曲線形態(tài)相關(guān)的成分。對比分析各成分得分均值及其對應(yīng)±2倍標(biāo)準(zhǔn)差時的擬合結(jié)果，證實各成分能反映輪廓曲線不同部位的形態(tài)差異。

3） 以10項成分得分為分類依據(jù)，通過計算FMixed值選定最佳分類數(shù)目。經(jīng)K-means聚類分析將120個樣本細(xì)分為5類，總結(jié)可得各分類間的形態(tài)差異主要集中于肩部傾斜程度、胸部凸起程度、后腰內(nèi)凹程度、腹部凸起程度、臀部后翹程度及側(cè)面厚度等方面。

4） 提出并驗證了橢圓傅里葉描述子能合理有效地應(yīng)用于劃分人體軀干形態(tài)，為人體體型分類研究提供新思路。后續(xù)研究可于此次實驗結(jié)果的基礎(chǔ)上擴(kuò)大樣本容量，并結(jié)合尺度信息對青年女性體型做進(jìn)一步研究。

參考文獻(xiàn)：

[1]楊子田， 張文斌， 張渭源. 我國華東地區(qū)成年男子體型分析[J]. 紡織學(xué)報， 2006， 27（8）： 53-56.YANG Zitian， ZHANG Wenbin， ZHANG Weiyuan. Body shape analysis of adult men in the East China[J]. Journal of Textile Research， 2006， 27（8）： 53-56.

[2]CHOI Y L， NAM Y J. Classification of upper lateral body shapes for the apparel industry[J]. Human Factors & Ergonomics in Manufacturing & Service Industries， 2010， 20（5）： 378-390.

[3]王婷， 顧冰菲. 基于青年女性軀干形態(tài)的服裝號型標(biāo)準(zhǔn)分析[J]. 現(xiàn)代紡織技術(shù)， 2021， 29（2）： 62-68.WANG Ting， GU Bingfei. Analysis of size designation standard based on young womens body shape[J]. Advanced Textile Technology， 2021， 29（2）： 62-68.

[4]LEE W， IMAOKA H. Classification of body shape characteristics of womens torsos using angles[J]. International Journal of Clothing Science and Technology， 2010， 22（4）： 297-311.

[5]WANG J， LI X， PAN L. Parametric 3D modeling of young womens lower bodies based on shape classification[J]. International Journal of Industrial Ergonomics， 2021（84）： 1-10.

[6]樊萌麗， 羅戎蕾， 劉芳. 華東地區(qū)青年女性體型特征與分類研究[J]. 現(xiàn)代紡織技術(shù)， 2019， 27（6）： 68-73.FAN Mengli， LUO Ronglei， LIU Fang. Study on body characteristics and classification of young women in eastern China[J]. Advanced Textile Technology， 2019， 27（6）： 68-73.

[7]王祺明. 基于人體三圍截面面積的江浙地區(qū)女性體型分類[J]. 紡織學(xué)報， 2016， 37（5）： 132-136.WANG Qiming. Female body classification in Jiangsu and Zhejiang based on cross-sectional area of body[J]. Journal of Textile Research， 2016， 37（5）： 132-136.[8]PEI J， PARK H， ASHDOWN S P. Female breast shape categorization based on analysis of CAESAR 3D body scan data[J]. Textile Research Journal， 2019， 89（4）： 590-611.

[9]倪世明， 金娟鳳， 龐程方， 等. 基于縱向輪廓曲線的青年女性體型細(xì)分研究[J]. 紡織學(xué)報， 2014， 35（8）： 87-93.NI Shiming， JIN Juanfeng， PANG Chengfang. Research of young female somatotype based on longitudinal profile curves[J]. Journal of Textile Research， 2014， 35（8）： 87-93.

[10]夏鳳勤， 毋戈， 謝昊洋， 等. 基于人體縱截面特征曲線的體型分類[J]. 紡織學(xué)報， 2017， 38（6）： 86-91.XIA Fengqin， WU Ge， XIE Haoyang， et al. Classification of body shape based on longitudinal section curve[J]. Journal of Textile Research， 2017， 38（6）： 86-91.

[11]KUHL F P， GIARDINA C R. Elliptic Fourier features of a closed contour[J]. Computer Graphics and Image Processing， 1982， 18（3）： 236-258.

[12]王增， 劉衛(wèi)東， 楊明朗， 等. 基于橢圓傅里葉的產(chǎn)品外形意象設(shè)計[J]. 計算機(jī)集成制造系統(tǒng)， 2020， 26（2）： 481-495.WANG Zeng， LIU Weidong， YANG Minglang， et al. Product form image design based on elliptic Fourier[J]. Computer Integrated Manufacturing Systems， 2020， 26（2）： 481-495.

[13]胡孟晗， 董慶利， 劉寶林， 等. 基于橢圓傅里葉描述子的香蕉形狀識別[J]. 浙江農(nóng)業(yè)學(xué)報， 2014， 26（1）： 200-205.HU Menghan， DONG Qingli， LIU Baolin， et al. Banana shape recognition based on elliptic Fourier descriptor[J]. Acta Agriculturae Zhejiangensis， 2014， 26（1）： 200-205.

[14]WANG J， QIAN W， CHEN G. Combining quantitative analysis with an elliptic Fourier descriptor： A study of pottery from the Gansu-Zhanqi site based on 3D scanning and computer technology[J]. Journal of Archaeological Science： Reports， 2021（36）： 1-9.

[15]FRIESS M， ROHLF F J， HSIAO H W. Quantitative assessment of human body shape using Fourier analysis[J]. Journal of Electronic Imaging， 2004， 5302： 117-124.

[16]夏明， 陳益松， 張文斌. 基于橢圓傅里葉的人體胸圍斷面形狀研究[J]. 紡織學(xué)報， 2014， 35（7）： 107-112.XIA Ming， CHEN Yisong， ZHANG Wenbin. Shape analysis of bust slice using elliptic Fourier[J]. Journal of Textile Research， 2014， 35（7）： 107-112.

[17]BEZDEK J C. Pattern Recognition with Fuzzy Objective Function Algorithms[M]. New York： Plenum Press， 1981.

The torso morphology classification of young females based on ellipse Fourier

YANG Jie ZHI Aling WU Qiaoyingb（a.School of Fashion Design & Engineering; b.School of International Education; c.Zhejiang Provincial Research Center of

Clothing Engineering Technology， Zhejiang Sci-Tech University， Hangzhou 310018， China）

Abstract： Clothing plays the role of protection， decoration and beautification in human body. At the same time， its shape and structure are also affected by human body shape to a large extent. Therefore， the analysis and classification of human body shape is the basis of improving clothing structure and fitness. According to this， many mathematicians at home and abroad have carried out analysis and research on human form， completed the classification of human form by using different classification basis， and achieved some research results. At present， the classification methods of human body shape are mainly divided into two categories： qualitative classification and quantitative classification. The qualitative classification method is based on observation and scientific analysis， and uses language， numbers or letters to describe the characteristics of human body， while the quantitative classification method is based on a certain data basis and uses it as an index to classify the types of human body. Quantitative classification is more commonly used in the study of body shape classification， but the classification basis selected in most relevant studies is the local characteristic size of the human body， which lacks a complete description of the shape of the human body curve and has certain limitations.

In order to explore the differences between human trunk shapes through the complete description of human body contour curve， 120 samples were randomly selected from 212 human body three-dimensional point cloud data to extract the sagittal contour curve of the thoracic convexity， and the extracted sagittal contour curve of the thoracic convexity was described and studied combined with elliptic Fourier analysis. The fitting errors under different maximum harmonic numbers were calculated and analyzed， and the maximum harmonic number used in the experiment was determined to be 15; the contour curves of all samples were transformed by the 15th harmonic to obtain the normalized descriptor which could objectively describe the shape of the curve. The normalized descriptors were analyzed by principal component analysis， and finally 10 principal components were extracted. The best classification number was determined by mixed F statistics. Based on the component score， the sample morphology was divided into five categories by K-means clustering method. Based on the application of elliptic Fourier algorithm to describe the contour curve， the ellipse Fourier descriptors were combined with principal component analysis and cluster analysis to finish the analysis and classification of human body shape. The results show that there are obvious differences in shoulder， chest， abdomen， buttocks， back bending degree and lateral thickness among the classifications. The trunk shape can be classified reasonably and effectively according to the elliptical Fourier descriptor.

Based on the complete curve shape of human body， the classification of human trunk shape is completed， which provides a new idea and research basis for the classification of human body shape. At the same time， it is proposed and verified that elliptic Fourier transform can be applied to the analysis of human body curve shape. On this basis， the follow-up research can expand the sample size and further explore it in combination with human body size data.

Key words： human torso shape; body type classification; contour curve; ellipse Fourier; principal component analysis; cluster analysis