靳守寧，夏圓平，張貝貝，顧冰菲,b,c

(浙江理工大學(xué)，a.服裝學(xué)院；b.浙江省服裝工程技術(shù)研究中心；c.絲綢文化傳承與產(chǎn)品設(shè)計(jì)數(shù)字化技術(shù)文化和旅游部重點(diǎn)實(shí)驗(yàn)室，杭州 310018)

隨著信息技術(shù)的發(fā)展，服裝的生產(chǎn)日益趨于智能化。為了滿足客戶的個(gè)性化和多樣化需求，服裝企業(yè)從大批量、少品種的傳統(tǒng)服裝加工模式向量身定制的生產(chǎn)模式發(fā)展[1]。女體體型較男體更為復(fù)雜、女裝品種繁多，如何制作更為合體的女裝成為了當(dāng)下的研究熱點(diǎn)，其中最關(guān)鍵的部分是對青年女性軀干形態(tài)進(jìn)行研究。1986年，中國標(biāo)準(zhǔn)化研究院第一次對全國人體尺寸信息進(jìn)行采集，基于此人體信息數(shù)據(jù)庫制訂了GB/T 1335-1991《服裝號型》[2]，此后，中國服裝號型國家標(biāo)準(zhǔn)又陸續(xù)修訂了4次，現(xiàn)行標(biāo)準(zhǔn)為GB/T 1335-2008《服裝號型 女子》。然而，隨著現(xiàn)代生活方式的改變，人們的身體形態(tài)也發(fā)生了一定程度的變化。

近幾年，研究學(xué)者利用不同的方法對女性體型進(jìn)行細(xì)分，其中包括：主成分分析法、體表角度分類法、特征指數(shù)分類法、側(cè)面形態(tài)分類法等。Song等[3]從女性的輪廓形狀、臀部角度和人體曲線形狀出發(fā)，進(jìn)行得分計(jì)算對體型進(jìn)行分類。孫潔等[4]從人體角度形態(tài)差異出發(fā)將人體體型分為4類，并構(gòu)建了基于神經(jīng)網(wǎng)絡(luò)集成的體型識別模型，該方法可有效區(qū)分人體形態(tài)差異。Yoon等[5]提出采用三維空間矢量方向角的方法對人體上側(cè)面體型進(jìn)行合理的分類，此方法可用于基于尺寸提取的個(gè)性化樣板生成系統(tǒng)。樊萌麗等[6]采用能夠粗略描述人體軀干形態(tài)的臀肩寬比以及橫矢比例等變量，對人體形態(tài)進(jìn)行大致分類，但此方法無法具體描述人體體型。Lee等[7]使用SNU-BM程序(3D人體測量軟件)從腹部肥胖的男體側(cè)面圖中識別特征部位，并對他們的體型進(jìn)行分類。余佳佳等[8]考慮了扁平率、身高腰高之比、胸腰差等衍生變量，采用分層聚類法對人體形態(tài)進(jìn)行分類分析。王婷等[9]根據(jù)11項(xiàng)人體參數(shù)將青年女性軀干形態(tài)細(xì)分為I、H、S、O 4類并計(jì)算了各類體型的覆蓋率。

此外，如何利用人體基本參數(shù)(如身高、體重)識別人體體型也是亟待解決的問題，圍度是女性軀干形態(tài)重要的分類參數(shù)[10]，利用圍度尺寸預(yù)測的方法可精確識別人體形態(tài)。鄒奉元等[11]根據(jù)典型指標(biāo)對人體形態(tài)進(jìn)行分類，并實(shí)現(xiàn)了從典型指標(biāo)到細(xì)部規(guī)格的預(yù)測，說明人體各參數(shù)之間存在一定的關(guān)系，可建立人體基本參數(shù)與圍度參數(shù)之間的預(yù)測模型。黃珍珍等[12]利用隸屬函數(shù)將預(yù)測對象與人體模型數(shù)據(jù)庫中的參數(shù)相匹配，得到人體所有的尺寸參數(shù)，從而得到該對象的制衣尺寸標(biāo)準(zhǔn)。夏明等[13]實(shí)現(xiàn)了由斷面寬度、厚度尺寸到斷面形狀的逆向擬合，并根據(jù)擬合的斷面預(yù)測圍度尺寸，研究結(jié)果可應(yīng)用于二維人體測量系統(tǒng)。Vuruskan等[14]確定了一些能夠反映體型的參數(shù)，通過視覺分析開發(fā)了人體體型識別工具。Jing[15]基于樸素貝葉斯算法，建立了體型識別模型，根據(jù)最小差算法搜索出數(shù)據(jù)庫中測試樣本的相似體，擬合出了主要的測量數(shù)據(jù)。

體型識別是當(dāng)前服裝行業(yè)的研究熱點(diǎn)，基于以上研究可知進(jìn)行體型精確識別往往需要大量的人體特征參數(shù)，而部分參數(shù)很難由手工獲取，因此體型識別大多依賴于三維人體掃描儀或其他自動(dòng)的人體測量方法，這大大限制了其應(yīng)用范圍。同時(shí)，消費(fèi)者往往無法自行精確測量除身高體重之外的復(fù)雜形態(tài)參數(shù)，對形態(tài)分類結(jié)果也會(huì)產(chǎn)生影響。因此，本文提出“少量人體參數(shù)→軀干形態(tài)細(xì)分”的思路，基于基本人體參數(shù)“身高+體重”，結(jié)合圍度重要參數(shù)對女青年軀干形態(tài)進(jìn)行聚類分析，并構(gòu)建人體基本尺寸(身高、體重)與圍度尺寸(胸圍、腰圍和臀圍)之間的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，結(jié)合預(yù)測參數(shù)及體型判別模型驗(yàn)證該方法的準(zhǔn)確度，為服裝企業(yè)的個(gè)性化樣板生成提供一定的思路。

1 人體測量實(shí)驗(yàn)

1.1 實(shí)驗(yàn)對象和儀器

選擇年齡在18～25歲的在校女大學(xué)生作為研究對象，身高151.1～175.0 cm，體重41.10～77.35 kg，胸圍76.76～111.95 cm，腰圍58.82～93.73 cm，臀圍82.28～107.70 cm，可基本覆蓋各類青年女性人群。采用美國[TC]2型號為NX-16的三維人體掃描儀進(jìn)行人體尺寸數(shù)據(jù)的采集。掃描過程中，實(shí)驗(yàn)對象需佩戴白色泳帽(覆蓋黑色發(fā)絲)，穿戴白色貼體內(nèi)衣，不可佩戴首飾。樣本容量N的確定根據(jù)標(biāo)準(zhǔn)差與最大允許誤差來決定：

(1)

式中:μα為α水平下的概率，在科研項(xiàng)目中多選取 1-α=99%作為置信概率，S/Δ為標(biāo)準(zhǔn)差與最大允許誤差的比值，腰圍的最大允許誤差為1 cm，在測量項(xiàng)目中最小，標(biāo)準(zhǔn)差最大，因此采用腰圍的最大允許誤差和標(biāo)準(zhǔn)差的比值計(jì)算樣本容量[16]，確定樣本量為276，為防止實(shí)驗(yàn)過程中出現(xiàn)異常值，剔除后造成實(shí)驗(yàn)樣本容量減少，因此，本課題將實(shí)驗(yàn)樣本容量定為304，可以充分滿足精度要求。

1.2 測量項(xiàng)目

為了能夠?qū)崿F(xiàn)軀干形態(tài)分類和識別，本文選用了5項(xiàng)人體基本特征變量以及3項(xiàng)派生變量，其中胸腰差、臀腰差能夠描述人體曲線程度，BMI描述整體軀干形態(tài)，具體測量項(xiàng)目及測量方法見表1，此次實(shí)驗(yàn)的條件、名稱和方法都嚴(yán)格遵循GB /T 5703-1999《用于技術(shù)設(shè)計(jì)的人體測量基礎(chǔ)項(xiàng)目》的有關(guān)規(guī)定。

表1 測量項(xiàng)目Tab.1 Measuringparameters

本文利用Imageware逆向工程軟件對三維掃描獲得的人體點(diǎn)云數(shù)據(jù)進(jìn)行測量，以精確獲取胸圍、腰圍和臀圍3個(gè)參數(shù)數(shù)值。首先進(jìn)行點(diǎn)云降噪、封裝、搭橋補(bǔ)洞等處理以獲取完整的三維人體模型，如圖1所示，在軟件中根據(jù)標(biāo)識點(diǎn)進(jìn)行圍度截取并對各部位尺寸進(jìn)行測量。

圖1 三維人體點(diǎn)云圍度測量Fig.1 Girth measurements based on 3D human point cloud

2 體型分類

2.1 描述性統(tǒng)計(jì)分析

本文首先對采集的總體樣本數(shù)據(jù)進(jìn)行缺失值、極值、奇異值分析及正態(tài)檢驗(yàn)，確定有效樣本290個(gè)，對各參數(shù)進(jìn)行統(tǒng)計(jì)分析，得到極小值、極大值、均值、標(biāo)準(zhǔn)差、偏度、峰度以及變異系數(shù)，如表2所示，可見體重和臀圍的變異系數(shù)分別為12.33%和11.59%，表示數(shù)據(jù)的離散程度較大；胸腰差、臀腰差的偏度值為負(fù)，說明此變量均值左側(cè)的離散度比右側(cè)強(qiáng)，為左偏斜分布；身高峰度值為負(fù)，說明此變量的樣本分布更為平緩。

表2 女青年上身指標(biāo)統(tǒng)計(jì)Tab.2 Statistic analysis of the variables in young women's upper body

為更為直觀的了解樣本中女性軀干的整體形態(tài)，根據(jù)BMI指數(shù)數(shù)值一般將肥胖程度劃分為5類，如表3所示。當(dāng)BMI值高于24.9 kg/m2時(shí)被歸類于超重體。結(jié)合表3中對290個(gè)樣本的BMI指數(shù)統(tǒng)計(jì)，可知本研究中90%的樣本BMI值低于 22.63 kg/m2，說明18～25周歲女青年樣本中胖體體型較少。

表3 BMI指數(shù)統(tǒng)計(jì)Tab.3 Statistic analysis of BMI index

2.2 國標(biāo)對比分析

根據(jù)中國現(xiàn)行人體號型標(biāo)準(zhǔn)(GB/T 1335.2—2008)中的體型分類方法，可基于胸腰差對本研究女青年樣本進(jìn)行軀干形態(tài)分類，如圖2胸腰差范圍劃分結(jié)果所示，18～25周歲女青年的胸腰差主要集中在14 cm到24 cm之間，Y體型和A體型居多，覆蓋率分別為38.97%和28.62%，而國標(biāo)中女性樣本A、B體型占比居多，覆蓋率分別為44.13%和 33.72%，比較發(fā)現(xiàn)本研究中樣本總體體型偏瘦，這是因?yàn)閲鴺?biāo)中樣本年齡分布較廣，不適用于對18～25周歲青年女性的軀干形態(tài)分析。

圖2 胸腰差范圍劃分Fig.2 Range of bust and waist girth differences

由圖3身高與胸圍覆蓋率可知，有70.69%的實(shí)驗(yàn)對象身高集中在160～165 cm，有87.24%的實(shí)驗(yàn)對象胸圍主要集中在80～92 cm之間，18～25周歲青年女性體型主要的分布范圍在160/80～165/88之間，其中身高與胸圍覆蓋率最大的體型是160/88，與國標(biāo)中覆蓋率最多的體型155/84相比，18～25歲女青年身高、胸圍值較大，進(jìn)一步印證了現(xiàn)行人體號型標(biāo)準(zhǔn)無法體現(xiàn)青年女性體型，因此本文需要對18～25周歲的青年女性軀干形態(tài)進(jìn)行更為細(xì)致的劃分。

圖3 身高與胸圍覆蓋率Fig.3 Coverage of height and bust girth

2.3 聚類分析

由于中國現(xiàn)行號型標(biāo)準(zhǔn)的年齡跨度大，不適于對18～25周歲青年女性軀干形態(tài)分析，本文共計(jì)290個(gè)人體樣本數(shù)據(jù)，采用K-means聚類法對女青年軀干形態(tài)進(jìn)行更為詳細(xì)的分類，該方法適用于變量較多、計(jì)算量小的數(shù)據(jù)處理情形[17]。這種分類方法最核心的參數(shù)是最佳聚類數(shù)K的確定，輪廓系數(shù)SC正是描述每一類內(nèi)外差異的關(guān)鍵指標(biāo)，引入輪廓系數(shù)：

(2)

式中：a表示樣本點(diǎn)與同一類中所有其他點(diǎn)的平均距離；b表示樣本點(diǎn)與下一個(gè)最近類中所有點(diǎn)的平均距離。由式(2)可知，SC取值范圍為(-1, 1)，當(dāng)SC越接近于1，則聚類效果越好，越接近-1，聚類效果越差?？紤]到將樣本粗略分為兩類無法體現(xiàn)體型間的差異性，如圖4所示，將女青年軀干形態(tài)聚類數(shù)確定為3類起始，此時(shí)輪廓系數(shù)SC值最大、最接近于1，結(jié)合此時(shí)樣本聚3類后軀干形態(tài)相關(guān)變量的F檢驗(yàn)值均小于0.05，說明軀干形態(tài)聚類選擇3類為最佳。

圖4 輪廓系數(shù)Fig.4 Silhouette coefficient

根據(jù)聚類分析結(jié)果最終將290個(gè)樣本分為3類，各類形態(tài)樣本占比分別為8.6%、35.9%和 55.5%，樣本的最終聚類中心見表4。為分析各類軀干形態(tài)間的差異，找出每一類聚類成員中最接近聚類中心的5個(gè)樣本，作為5個(gè)典型樣本人體，根據(jù)其三維人體點(diǎn)云圖，在CorelDRAW軟件繪制出最終代表這一類的正側(cè)面軀干形態(tài)輪廓圖，最后對比分析3類軀干形態(tài)間的差異，如圖5所示，可以發(fā)現(xiàn)人體正側(cè)面形態(tài)有著顯著的差異。

表4 最終聚類中心Tab.4 The final clustering center

圖5 三類軀干形態(tài)Fig.5 Three types of torso morphology

為更直觀的分析3類體型的軀干形態(tài)差異，分析表4中最終聚類中心數(shù)據(jù)并對3類軀干形態(tài)進(jìn)行描述。Ⅰ類體型的身高、體重及圍度最大，整體體型高大圓潤、形態(tài)渾厚，記作“O胖體”；Ⅱ類體型與Ⅰ類體型身高等同且體重、圍度和BMI數(shù)值適中，但胸腰差和臀腰差小，正面軀干形態(tài)曲線度小，記作“H勻稱體”；Ⅲ類體型身高、體重最小，且胸腰差和臀腰差大，說明整體形態(tài)嬌小，正面軀干形態(tài)曲線感明顯，記作“X瘦體”。

2.4 判別規(guī)則

將青年女性數(shù)據(jù)樣本分為3類后，基于身高、體重和胸腰臀圍等6個(gè)聚類變量，使用SPSS軟件根據(jù)貝葉斯判別分析法得到線性判別函數(shù)表，根據(jù)各判別系數(shù)可建立3個(gè)判別公式(即F1、F2和F3)，如式(3)所示，判別規(guī)則如表5所示。將身高、體重以及預(yù)測后的胸腰臀圍等相關(guān)變量分別代入3個(gè)判別公式，根據(jù)計(jì)算值即可判斷該樣本的體型，如F1最大，即該樣本屬于第1類。

表5 女青年上體判別規(guī)則Tab.5 Recognition rules of young women's upper body shape

F1=729.24×H-1127.50×W+2.03×GB-0.25×
GW-0.62×GH+2938.76×BMI-58797.12
F2=731.98×H-1132.07×W+1.74×GB-0.72×
GW-1.27×GH+2949.84×BMI-59091.37
F3=732.39×H-1133.11×W+1.55×GB-1.23×
GW-1.50×GH+2951.86×BMI-59070.67

(3)

3 圍度預(yù)測及體型識別

根據(jù)樣本分類后的判別規(guī)則，可以對預(yù)測樣本進(jìn)行判別歸類，從而達(dá)到體型識別的目的。近些年來，BP神經(jīng)網(wǎng)絡(luò)算法與人體體型的研究逐漸結(jié)合起來，本文通過Matlab建立了一種適合于人體截面圍度預(yù)測的BP神經(jīng)網(wǎng)絡(luò)模型，解決了傳統(tǒng)建模方式精度低的難題[18]。

3.1 BP神經(jīng)網(wǎng)絡(luò)原理及實(shí)現(xiàn)

神經(jīng)網(wǎng)絡(luò)的組成通常包括：輸入層、隱藏層和輸出層，如圖6所示[19]，該圖解釋了BP神經(jīng)網(wǎng)絡(luò)通過正向傳播把樣本輸入，經(jīng)過隱藏層計(jì)算，最后從輸出層獲取從而實(shí)現(xiàn)“自學(xué)習(xí)”的過程。

圖6 BP神經(jīng)網(wǎng)絡(luò)圖像Fig.6 BP neural network model

本文所建立的BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，采用數(shù)據(jù)處理后的290個(gè)青年女性樣本，將樣本隨機(jī)按照90%和10%的比例進(jìn)行劃分，260份樣本作為訓(xùn)練數(shù)據(jù)，其余樣本用來驗(yàn)證。在Matlab軟件中實(shí)現(xiàn)胸、腰、臀圍預(yù)測的過程中，為了減小量綱的影響，訓(xùn)練前通常需要對樣本數(shù)據(jù)進(jìn)行預(yù)處理，利用最大最小值法對輸入輸出數(shù)據(jù)進(jìn)行歸一化處理，其原理表述為：

(4)

式中：xmin為序列中的最小數(shù)；xmax為序列中的最大數(shù)，借助Matlab工具箱中的mapminmax函數(shù)實(shí)現(xiàn)歸一化，訓(xùn)練模型樣本采用的是標(biāo)準(zhǔn)化后的數(shù)據(jù)，后期得到的預(yù)測值需要根據(jù)描述性統(tǒng)計(jì)量對數(shù)據(jù)進(jìn)行還原，最后利用Matlab中的newff指令進(jìn)行BP神經(jīng)網(wǎng)絡(luò)的訓(xùn)練，初始化網(wǎng)絡(luò)參數(shù)都采用工具箱自帶的參數(shù)，隱含層節(jié)點(diǎn)數(shù)設(shè)為9，構(gòu)造的神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)如圖7所示。

圖7 BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練結(jié)構(gòu)Fig.7 Training structure diagram of BP neural network

該研究構(gòu)建的BP神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)，輸入層包括身高和體重2個(gè)節(jié)點(diǎn)，中間隱藏層包含9個(gè)節(jié)點(diǎn)，輸出層對應(yīng)預(yù)測值(胸圍、腰圍和臀圍)，對網(wǎng)絡(luò)進(jìn)行訓(xùn)練完成后，算法經(jīng)歷12次迭代，用時(shí)幾乎為0秒，MSE(均方根誤差)值小于0.001，梯度很小，找到最優(yōu)解。

3.2 圍度預(yù)測結(jié)果

由于人體身高、體重與圍度之間并非簡單的線性關(guān)系，BP神經(jīng)網(wǎng)絡(luò)算法建立的圍度預(yù)測模型，比傳統(tǒng)的建模方法更加精確、方便。首先在Matlab中構(gòu)建并訓(xùn)練BP神經(jīng)網(wǎng)絡(luò)模型，直到R2達(dá)到最大值時(shí)停止，最后保存網(wǎng)絡(luò)模型，下次使用時(shí)可直接調(diào)用模型。經(jīng)過訓(xùn)練集訓(xùn)練完畢后，胸圍、腰圍和臀圍的擬合優(yōu)度(R2)分別能夠達(dá)到0.89，0.79和0.92，以臀圍為例，擬合優(yōu)度如圖8所示，計(jì)算3個(gè)圍度的預(yù)測誤差，臀圍誤差在2 cm之內(nèi)的占比67%，胸圍誤差在3 cm之內(nèi)的占比可達(dá)62%，腰圍誤差在3 cm之內(nèi)的也達(dá)到了70%，預(yù)測精度如表6所示。

表6 圍度預(yù)測精度Tab.6 The predicted accuracy of the girths

圖8 臀圍擬合優(yōu)度Fig.8 Predicted effect of hip girth

3.3 預(yù)測體型識別

根據(jù)實(shí)際參數(shù)聚類后的判別規(guī)則，驗(yàn)證利用預(yù)測參數(shù)識別體型的準(zhǔn)確性，計(jì)算得到判別分析的結(jié)果，如表7所示，預(yù)測得到的樣本數(shù)據(jù)有255個(gè)被正確分類，錯(cuò)誤分類有35個(gè)，分類正確率達(dá)到88%，說明基于BP神經(jīng)網(wǎng)絡(luò)算法建立的人體圍度預(yù)測模型，結(jié)合預(yù)測參數(shù)進(jìn)行體型識別的方法具有可行性。

表7 判別分析結(jié)果Tab.7 The results of discriminant analysis

4 結(jié) 論

本文選取了304名18～25周歲的女青年，基于人體身高、體重，以及胸、腰、臀圍基本變量，結(jié)合衍生變量對女青年上體體型進(jìn)行聚類分析，將女青年軀干形態(tài)分為3類，包括：O胖體、H勻稱體和X瘦體。并建立了BP神經(jīng)網(wǎng)絡(luò)預(yù)測模型，運(yùn)用聚類分析判別規(guī)則，對預(yù)測樣本的形態(tài)進(jìn)行識別，臀圍預(yù)測誤差在2 cm之內(nèi)的占比67%，對預(yù)測樣本形態(tài)進(jìn)行識別的正確率達(dá)到88%，說明基于BP神經(jīng)網(wǎng)絡(luò)預(yù)測體型的識別方法具有一定的可行性。此方法既可用于定制服裝時(shí)個(gè)體體型的確定，也可為個(gè)性化樣板生成系統(tǒng)提供詳細(xì)、準(zhǔn)確的人體信息。