基于小波系數的青年女性體型分類及原型紙樣

姚 怡， 馬 靜， 吳 歡， 李秦曼， 鄒奉元,2(. 浙江理工大學 服裝學院， 浙江 杭州 3008； 2. 浙江省服裝工程技術研究中心， 浙江 杭州 3008)

基于小波系數的青年女性體型分類及原型紙樣

姚 怡1， 馬 靜1， 吳 歡1， 李秦曼1， 鄒奉元1,2
(1. 浙江理工大學 服裝學院， 浙江 杭州 310018； 2. 浙江省服裝工程技術研究中心， 浙江 杭州 310018)

為建立基于縱截面曲線形態指標細分青年女性軀干體型的方法，選擇了257名在校青年女性，使用掃描儀獲得三維人體數據，借助Imageware逆向工程軟件，對人體點云數據進行精簡處理，通過三次樣條函數對提取的縱截面輪廓點云數據進行擬合，運用小波去噪進行處理；利用小波分析的低頻系數作為提取信號的總體特征，用Davies-Bouldin指標確定最佳聚類數目，利用K-means聚類算法進行體型聚類，獲得4類不同的體型，描述了各類體型在前后中心線、背部、胸部、臀部、肩部和側縫的體型特征差異；最后構建4類體型對應的原型紙樣，并分析紙樣與人體體型間的關系，可為青年女性原型紙樣的合體性設計提供參考。

縱截面曲線； 小波去噪； 小波分解； 原型紙樣； 女青年體型分類

現行的國家號型標準按照胸腰差進行人體體型分類，能區分人體的橫向圍度體型特征差異。服裝行業在服裝結構設計方面也主要依賴于國標，只考慮人體尺寸數據，忽略人體體表曲線形態的差異，造成服裝的合體性較差[1]。服裝的前中線、后中線等都與人體的縱截面曲線形態緊密聯系，通過分析縱截面曲線形態進行人體體型細分，可為服裝結構設計提供較完整的體型控制部位信息，滿足消費者對于服裝的合體性需求。

目前，國內外學者從尺寸參數、體表角度、正側面輪廓、不同年齡段等方面對人體體型展開研究。Simmons等[2]通過對體型特征胸圍、腰圍、臀圍、上腹圍、腹圍的數值把人體體型分為沙漏型、橢圓型、三角型、倒三角型、矩形、菱型、匙型、正沙漏型、倒沙漏型9種，同時每個體型被賦予了一個數值范圍；Chung等[3]采用二階聚類分析方法，按照年齡、性別和服裝號型，將中小學生的體型分為9種類型。Choi等[4]利用人體體側角對人體側面體型形態進行表征，并將人體側面體型分為4類。關于不同人體體型的分析研究有很多，但關于體表曲線形態的研究，尤其是與服裝結構緊密聯系的縱截面曲線，雖已有學者對其進行量化研究[5]，但主要還是集中于局部特征的研究，并未進行人體截面輪廓曲線的整體形態研究。

本文主要研究青年女性縱截面特征曲線之間的形態差異，對軀干體型進行分類研究。利用三維人體測量技術及逆向工程軟件處理原始點云數據；通過擬合去噪得到光順的縱截面輪廓曲線，建立運用小波系數進行青年女性體型細分的方法， 構建與體型對應的原型紙樣。

1 實驗部分

1.1 人體數據采集

選取257名年齡為18～25歲的在校青年女大學生作為實驗對象。采用美國[TC]2的三維人體測量儀，測量溫度為(27±3)℃，相對濕度為(60±10)%，符合裸體測量的環境標準。

服裝的主要結構特征線，如前中線、后中線、過胸高點曲線等，都與人體正矢狀面、過胸高點矢狀面等縱截面曲線形態緊密相關。本文通過人體特征點位置提取人體縱截面輪廓曲線點云數據，包括正矢狀面、過胸高點矢狀面、過背凸點矢狀面、過臀凸點矢狀面、冠狀面的表面輪廓曲線點云數據。

在三維人體測量的基礎上，利用Imageware逆向工程軟件對人體點云數據進行精簡處理，去除頭部及四肢，保留人體軀干部分。根據 GB/T 16160—2008《服裝用人體測量的部位與方法》，運用幾何形狀分析法[6]根據局部極值判斷特征點所在位置進行縱截面曲線點云數據的自動抽取。

1.2 人體數據預處理

最小二乘法和樣條曲線擬合法是曲線擬合中較為傳統與常用的方法。最小二乘法雖然簡單，計算量小，但當擬合階數逐漸增大時，擬合曲線易出現震蕩現象，因此該方法對非線性函數進行多項式擬合效果并不理想[7]。三次樣條擬合曲線光滑度較好，且當節點加密時，其函數值在整體上能很好地逼近被插函數，因此，本文運用三次樣條函數擬合相應的縱截面輪廓曲線點云數據。

由于三維人體掃描所測得點云數據存在噪聲，人體縱截面輪廓曲線點云數據可能會出現噪點、雜點、孔洞等形態，造成擬合曲線表面不平整。為便于曲線的量化分析，需對縱截面輪廓曲線進行去噪處理。

運用小波去噪法[8]，實際獲得的點云數據含有誤差，這種由物理測量帶來的誤差可近似地認為均值為0，且方差未知的高斯噪音。方差的大小可通過信號小波分解后高頻信息進行估計。在實際操作中，調用MatLab中的ddencmp函數估計噪音方差，并獲得閾值大小；然后采用wdencmp函數進行去噪，得到光順的人體縱截面曲線，如圖1所示。圖中擬合曲線 1～7分別為: 正矢狀面前中心線、正矢狀面后中心線、過胸高點矢狀面擬合曲線、過背凸點矢狀面擬合曲線、過臀凸點矢狀面擬合曲線、肩部冠狀面擬合曲線、側縫冠狀面擬合曲線。

圖1 人體軀干縱截面曲線Fig.1 Body longitudinal section curve.(a)Sagittal plane; (b)Coronal plane

2 數據處理與分析

2.1 小波系數提取

縱截面曲線通過去噪后得到一個點列，記為c=(c[1]，c[2]，…,c[n])T。

采用Daubechies 4階正交小波[9]對點列作4層小波分解，提取小波系數的低頻部分信息作為該曲線的整體特征。以7條縱截面曲線的小波系數作為分類的依據，如表1所示。數學上得到257個70×1的向量。其中，1～10表示過胸高點矢狀面擬合曲線的小波系數，11～20表示過背凸點矢狀面擬合曲線的小波系數，21～30表示過臀凸點矢狀面擬合曲線的小波系數，31～40表示正矢狀面前中心線的小波系數，41～50表示正矢狀面后中心線的小波系數，51～60表示肩部冠狀面擬合曲線的小波系數，61～70表示側縫冠狀面擬合曲線的小波系數。

表1 小波系數Tab.1 Coefficient of wavelet

經小波去噪后的曲線變化趨勢與人體輪廓曲線的變化趨勢總體相似。不同人體的曲線形態不同，這些曲線對應的低頻信息能反映個體間存在的差異性。根據人體縱截面輪廓曲線的低頻小波系數差異，采用聚類的方法依據b1,b2,…,b257進行體型分類。

2.2 縱截面體型分類

聚類分析中的K-means聚類[10]算法處理數據快、適合大樣本處理，但須預先給定聚類數目作為先驗值，而人體體型的分類數目未知，故本文利用Davies-Bouldin指標[11]作為判別函數來確定最佳K值，計算公式為

式中：K為聚類數目；Wi表示類Ci中的所有樣本到其聚類中心的平均距離，Wj表示類Ci中的所有樣本到類Cj中心的平均距離，Cij表示類Ci和Cj的類間距離。可看出，D越小表示類與類之間的相似度越低，從而對應越佳的聚類結果。

測試樣本數: 257

K值測試范圍：1，2，3，4，5，6，7，8，9，10

D值: 1.075 0，0.992 4，0.980 5，1.172 0，1.220 3，1.348 8，1.420 2，1.380 4，1.444 6

最佳K值: 4

D指標值越小表示聚類效果越好，當聚類數目為4時，D指標值為0.980 5，此時D指標最小獲得最優的聚類數目。將257個研究樣本分為4類，每類中人體分別有124個、29個、93個、11個。將各類體型的人體數據從人體數據庫中進行篩選，選取各類的典型人體縱截面輪廓曲線，對比分析4類人體縱截面輪廓曲線的差異，其體型分類特征如表2所示；截面輪廓曲線如圖2所示。在國標基礎上，根據人體縱截面曲線形態進行人體體型的細分，人體體型細分后的樣本分布如表3所示。

表2 體型分類特征表Tab.2 Features of classification

分析4類細分體型的體型特征，將4類人體特征運用于服裝結構設計，提高服裝的合體性。實驗樣本中，160/84A號型有23名，樣本量最多，其中第Ⅰ類有6名、第Ⅱ類有5名、第Ⅲ類有7名、第Ⅳ類有5名，因此，以160/84A的4類細分體型對應的尺寸如表4所示，采用文獻[12]中的原型(東華和文化服裝原型也都可以)來構建細分體型的原型紙樣。

圖2 第Ⅰ～Ⅳ類截面曲線Fig.2 Longitudinal section cure from class Ⅰ to class Ⅳ.(a)Class I sagittal plane; (b) Class Ⅰ coronal plane;(c)Class Ⅱ sagittal plane; (d)Class Ⅱ coronal plane; (e)Class Ⅲ sagittal plane; (f)Class Ⅲ coronal plane;(g)Class Ⅳ sagittal plane; (h)Class Ⅳ coronal plane

表3 細分體型在國標體型中的樣本分布Tab.3 Sample distribution of body shape classification in national standard

注：占比1表示樣本在所屬國標類型所占比例；占比2表示樣本在總樣本所占比例。

第Ⅰ類人體體型較為橢圓，胸部胖扁，腰圍較大，導致紙樣前腰省量減小；背長較長，導致紙樣后中線略長。第Ⅱ類人體體型較為圓潤，胸部瘦挺，紙樣的前腰省量增加；人體小肩寬略長，導致紙樣肩線略長。第Ⅲ類人體體型較為勻稱，胸圍略大，紙樣的前腰省量增加；人體胸寬略窄，導致紙樣胸寬量略小；人體胸高長度略短，導致紙樣BP點靠近袖窿深線。第Ⅳ類人體體型較為扁平，胸部瘦扁，前腰省量減小；人體除胸圍外，其余尺寸與第Ⅲ類人體相同，因此紙樣變化相同。

表4 不同體型尺寸表Tab.3 Size table of different body shape

在實際設計紙樣時，可利用人體縱截面曲線特征，進一步完善紙樣。如根據人體后中心線，第Ⅲ類人體腰部位置凹陷，如有后中分割線，紙樣腰部背省量最大；第II類人體臀部位置后翹，后中分割線臀部需放量并超過后中線等等。

3 結 論

1)采用3次樣條函數擬合人體縱截面輪廓曲線，并進行小波去噪，得到光順的體表縱截面曲線。利用小波分解提取人體縱截面輪廓曲線的小波系數，曲線對應的低頻信息能反映個體體型之間存在的差異性。

2)利用Davies-Bouldin指標確定最佳分類數目，運用K-means聚類算法，在國標體型中進行體型的縱向細分，獲得了特征明顯的4類體型。

3)以160/84A號型為例，根據細分為4類體型對應的人體背長、胸圍、腰圍、小肩寬、胸高等尺寸，調整原型紙樣的衣長、腰省大小、肩省大小等，構建了相同號型人體細分體型、獲得相應原型的方法。

FZXB

[1] 錢曉農, 尹兵. 基于三維人體測量的人體體型細分識別的研究[J]. 紡織學報, 2011, 32(2):107-111.

QIAN Xiaonong，YIN Bing. Research on subdividing of human body recognition based on 3-D body measure-ment[J]. Journal of Textile Research, 2011, 32(2):107-111.

[2] SIMMONS K, ISTOOK C L.Female figure identification technique (FFIT) for apparel: part II: development of shape sorting software[J]. Journal of Textile & Apparel Technology & Management, 2004, 4(1):1-14.

[3] CHUNG M J, LIN H F, WANG M J J. The development of sizing systems for Taiwanese elementary- and high-school students[J]. International Journal of Industrial Ergonomics, 2007, 37(8):707-716.

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

[5] 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分研究[J]. 紡織學報, 2014, 35(8):87-93.

NI Shiming，JIN Juanfeng，PANG Chengfang，et al. Research of young female somatotype based onlongitudinal profile curves[J]. Journal of Textile Research, 2014, 35(8):87-93.

[6] 葛寶臻, 郭華婷, 彭博,等. 基于人體特征提取的模特體型尺寸自動測量方法[J].紡織學報,2012, 33(4):129-135.

GE Baozhen，GUO Huating，PENG Bo, et al. Automatic model style measurement based on automatic body feature extraction from 3-D scanning data[J]. Journal of Textile Research, 2012, 33(4):129-135.

[7] 盛仲飚，同曉榮.BP神經網絡在曲線擬合中的應用[J].科學技術與工程，2011，11(28): 6998-7000．

SHENG Zhongbiao，TONG Xiaorong. The application of BP meural networks in curve fitting[J]. Science Technology and Engineering，2011，11 (28): 6998-7000．

[8] DONOHO D L. De-noising by soft-thresholding[J]. IEEE Transactions on Information Theory,1995, 41(3):613-627.

[9] MOHAMED M, DERICHE M. An approach for ECG feature extraction using daubechies 4 (DB4) wave-let[J]. International Journal of Computer Applications, 2014, 96(12):36-41.

[10] 方方, 王子英. K-means聚類分析在人體體型分類中的應用[J]. 東華大學學報(自然科學版), 2014, 40(5):593-598.

FANG Fang, WANG Ziying. Application of K-means clustering analysis in the body shape classifica-tion[J]. Journal of Donghua University(Natural Science), 2014, 40(5):593-598.

[11] WANG G, WANG Z, CHEN W, et al. Classification of surface EMG signals using optimal wavelet packet method based on Davies-Bouldin criterion[J]. Medical & Biological Engineering & Computing, 2006, 44(10):865-87.

[12] 朱秀麗, 吳巧英. 女裝結構設計與產品開發[M]. 北京：中國紡織出版社, 2011:71-73.

ZHU Xiuli, WU Qiaoying. Pattern Making and Product Development of Women′s Wear [M]. Beijing: China Textile & Apparel Press, 2011:71-73.

Youngfemalebodyshapeclassificationandprototypepatternsbasedonwaveletcoefficient

YAO Yi1， MA Jing1， WU Huan1， LI Qinman1， ZOU Fengyuan1,2
(1.FashionCollege,ZhejiangSci-TechUniversity,Hangzhou,Zhejiang310018,China; 2.ProvincialResearchCenterofClothingEngineeringTechnology,Hangzhou,Zhejiang310018,China)

In order to establish a method of subdividing young female′s torso shapes based on the morphology of the longitudinal section curve, 257 young college female students were selected. 3-D human body was acquired by a scanner. Point cloud data of human body was simplified using reverse engineering software of Imageware. Point cloud data of longitudinal section profile curve was fitted by the cubic spline function, and subjected to wavelet denoising. Low frequency coefficient for wavelet analysis was used to extract overall characteristic of signals. As for shape clustering the K-means cluster analysis was used, and the Davies-Bouldin was used to determine the optimal class number. Human body shapes could be classified into four types. The difference on all kinds of shapes on front/back center line, back, chest and hip were described. Finally, the prototype patterns of four types of body shapes were built, and the relationships between patterns and body shapes were analyzed, which provides the reference basis for the fitness design of young female′s patterns.

longitudinal section curve; wavelet denoising; wavelet decomposition; prototype pattern; young female body shape classification

10.13475/j.fzxb.20170305405

TS 941.17

A

2017-03-27

2017-07-27

國家自然科學基金項目(11671009)；2017年浙江省大學生科技創新活動計劃項目(2017R406082)

姚怡(1993—)，女，碩士生。主要研究方向為人體工程與服裝數字化技術。鄒奉元，通信作者，E-mail：zfy166@zstu.edu.cn。