基于青年女性下肢形態分類的特征部位圍度擬合

徐凱憶 鐘澤君 蔡曉裕 顧冰菲

摘 要：為實現個性化褲裝樣板自動生成，探討了青年女性下肢體型的分類方法及腰部、腹部、臀部、大腿根部和膝部5個人體特征部位的圍度預測模型建立。主要通過美國[TC]2三維人體掃描儀獲取202名在校女大學生的人體點云數據，測量各特征部位的圍度、寬度和厚度等相關形態參數。然后進行體型分類，提出VDwh值（表征腰臀相對凸出量）、Dbw值（表征后腰的凹陷程度）、HDht值（表征站姿）、Atk值（表征腿型）4個形態指標，將青年女性下肢形態分為圓長型、圓潤型、扁長型三類?；隗w型分類結果，選擇圓潤體，對該體型下5個特征部位的寬度、厚度以及圍度進行相關分析并建立特征部位圍度的回歸方程，并以手工數據進行驗證分析。結果表明：除大腿根部最大誤差值為1.98cm外，分類后預測的其他特征部位圍度值與手工數據的誤差絕對值均在1.5cm范圍內，說明本圍度預測方法具有較高的準確性，對基于照片的青年女體個性化褲裝樣板自動生成提供了一定的技術支撐。

關鍵詞：人體測量;形態分類;圍度預測;回歸分析

中圖分類號：TS 941.17

文獻標志碼：A

文章編號：1009-265X（2022）01-0204-08

Abstract： In order to achieve the automatic generation of personalized pant templates， this study discussed the classification method of morphologies of young women's lower limbs and set up a circumference prediction model at five characteristic parts of human body， that is， the waist， abdomen， hip， thigh and knee. The point cloud data of 202 female college students were obtained by the U.S. [TC]2 3D human body scanner， and relevant morphological parameters， i.e.， circumference， width and thickness of each characteristic part were measured. Then the morphologies were divided into three types： oblong， round， and prolate， and four morphological indicators were proposed： VDwh（representing the relative protrusion of waist and hip）， Dbw（representing the depression degree in the lower waist）， HDht（representing the standing posture）， and Atk（representing the leg type）. Based on the classification results of morphologies， the morphology of "round" was selected to analyze the width， thickness and circumference of five characteristic parts under this morphology and a regression equation of the circumferences at the characteristic parts were established. The calculation models were verified through a comparison with the manual data. The results show that except that the maximum error at the thigh is 1.98cm， the absolute values of the errors between the predicted circumference values of characteristic parts and manual data are all within the range of 1.5cm， which shows that this circumference prediction method has high accuracy. The present study provides some technical support for the automatic generation of personalized pant templates for young women based on photos.

Key words： anthropometry; morphological classification; circumference prediction; regressionanalysis

隨著信息化時代的普及，以手工制作為主要工藝的傳統服裝行業正迅速朝著自動化、數字化方向發展。對于服裝行業來說，服裝合體度日趨受到生產廠商的重視，逐漸成為提升消費者滿意度的主要因素，在褲裝紙樣設計中，合體度尤為重要，而人體重要部位的圍度大小是影響合體度舒適度的重要因素[1-2]。

為了滿足消費者的需求，國內外學者們對人體的特征部位進行了體型細分。Gupta[3]選取18～26歲的大學生作為實驗對象，測量他們身上29個測量項目，運用數理統計的方法，將這500個實驗對象細分成5種體型;Yoon等[4]提出采用三維空間矢量方向角的方法對人體的上側面體型進行合理的分類;Vuruskan等[5]將人體的胸圍、腰圍、臀圍等作為基本參數，并采用主觀視覺分析方法，得出5種不同的人體體型;金娟鳳等[6]以肩部曲線的曲率半徑和矢額徑比為指標研究肩部的橫截面形態，將人體的肩部體型細分成4類;王麗等[7]在提取乳間距、胸圍、乳點高等20個與胸部有關的參數數據后，進行PCA降維處理，細分胸部的截面形態;王祺明[8]通過自編程序獲取人體胸腰臀3個部位的截面面積與圍度平方，并以兩者的商作為特征變量，將女性體型細分為3類;姚怡等[9]基于人體前后中心線、胸點、背突點、臀突點的矢狀面曲線以及人體肩部、側縫處冠狀面曲線對人體縱截面體型進行分類。目前學者在體型分類方面的研究多集中在人體軀干部分，但關于人體下肢形態分類的研究較少，而人體下肢局部特征及其分類研究是褲裝結構設計、舒適性、合體性研究及版型優化的重要基礎，因此對下肢的研究也顯得尤為重要。

除此之外，圍度擬合預測也是目前學者研究的熱點。夏明等[10]用橢圓傅里葉的形式描述人體特征部位的截面，并結合主成分以及回歸分析方法， 實現由截面的寬度、厚度尺寸到斷面形狀的擬合，根據擬合結果對截面的圍度進行預測;Wang等[11]在利用點云截面特征檢測牲畜心圍的測量位置的基礎上，通過在測量位置對點云進行切片，實現心圍點云，最后通過近似心圍點云擬合曲線的周長，得到心圍的長度來檢測牲畜的心圍位置。許家巖[12]采用二元回歸法對體表角度分類后的人體頸部圍度尺寸進行預測;Gu等[13]利用二維照片成像系統獲取人體正面和側面圖像以提取正交輪廓，通過基于寬度和厚度測量的回歸方程預測圍度。李曉志等[14]在分析了Graham掃描法的缺點后提出先對人體的截面點集進行簡化，再利用矢量積，確定出點集的凸包點，減少凸包頂點的迭代次數，最終計算出人體的圍度尺寸的方法。但目前研究中使用的曲面模擬法很難精確獲得復雜的女體特征部位截面形態，回歸預測法也未對截面形態進行分類，從而導致預測圍度值精度不高。

因此，本文首先對人體下肢形態進行分類，同時引入寬厚比作為二級分類變量探討圍度預測方法。先獲取人體腰部、腹部、臀部、大腿根部和膝部5個特征部位的水平截面，測量各水平截面的寬度、厚度及圍度等形態參數，將人體下肢形態進行分類。再以截面寬厚比進行二層分類，對特征部位的圍度與其寬度、厚度進行相關分析和回歸分析，回歸模型的精度則依據預測值和手工測量值之間的誤差進行檢驗。

1 人體測量實驗

1.1 測量對象與方法

本實驗的研究對象均為20～25歲的在校女大學生，身高介于150.0～170.0cm之間，體重介于40.00～67.00 kg之間。主要采用三維測量法對202名實驗對象進行測量。被測者要求身穿淡色無胸墊內衣和白色緊身實驗服，頭戴淡色泳帽使其完全遮蓋頭發，摘除所有配飾（見圖1）。三維測量法使用美國[TC]2三維人體掃描儀，掃描站姿（見圖2）參照現行標準ISO 20685-1：2018 "3-D scanning methodologies for internationally compatible anthro-pometric databases"，要求被測者站在儀器指定位置，保持正常呼吸狀態，雙手輕握兩側定位扶手，身體自然放松，眼睛平視前方，保持靜止狀態30 s。

實驗選擇的202名實驗對象的相關人體參數如表1所示。

表1為202名實驗對象的基本尺寸信息。用K-S檢驗對腰圍、腹圍、臀圍、大腿根圍、膝圍進行正態性檢驗，這5個圍度的真顯著性檢驗P值的下限為0.200，遠大于0.05，驗證了這組數據均滿足正態分布，其中腰圍、腹圍、臀圍、膝圍的偏度系數和峰度系數均大于0，說明數據分布與標準正態的相比右尾較長，且分布更尖。

1.2 測量項目

實驗選擇女性下半身最有代表性的5個部位進行分析，包括人體腰部、腹部、臀部、大腿根部和膝部，定義見表2。

利用IMAGEWARE軟件對三維人體掃描儀獲取的人體點云進行二次測量，首先根據以上定義確定5個特征部位的位置，從而得到特征部位的水平截面，分別測量其寬度、厚度和圍度值，測量示意如圖3所示。

2 體型分析

2.1 聚類分析

將5個特征部位的寬厚比作為聚類變量，進行K-means聚類分析，綜合手肘圖、輪廓系數圖和F統計量的觀測值來確定最佳聚類數目。

2.1.1 手肘法和輪廓系數法

手肘法的核心指標為SSE，其計算式為：

SSE=ki=1p∈ci|p-mi|2（1）

式中：Ci是第i個簇，p是Ci中的樣本點，mi是Ci的質心（Ci中所有樣本的均值），SSE是所有樣本的聚類誤差，代表了聚類效果的好壞。輪廓系數法也是評價聚類結果好壞的一種方式，輪廓系數的值介于 [-1，1] ，越大代表內聚度和分離度相對越優，因此一般選擇使系數較大所對應的k值。

根據圖4手肘圖以及圖5輪廓系數圖，結果顯示分類數量在2類時最佳，在3類時分類結果較佳?？紤]到人體體型的復雜性，分類數目2類較難體現體型的差異區分度。因此，考慮將聚類數目定為3或4類，并使用F統計量的觀測值比較3類或4類的優越性。

2.1.2 F統計量觀測值

通過ANOVA對數據進行單因素方差分析并評價F統計量的觀測值，F值越大，表明組間差大，組內差小，越說明將數據聚成當前的K個類是合理的[15]。

表3數據顯示，當聚類數目定為3類時，各聚類變量的F統計值均大于聚類數目為4時的F統計值，因此K值定為3較合適。

2.2 分類結果分析

將聚類數目定為3并進行聚類分析，聚類結果中的方差分析（ANOVA）結果如表4所示，結果顯示5個聚類變量的sig.值均為0.000，因此可認為這5個聚類變量之間存在顯著性差異，聚類結果合理。

為了更清晰地分析聚類結果，對3類體型的聚類中心進行相應的截面形狀描述，圖6所示為分類獲得的3類體型對應的腰部、腹部、臀部、大腿根部和膝部的截面形態。

為了更直觀地表征形態區別，以VDwh值（表征腰臀相對凸出量）、Dbw值（表征后腰的凹陷程度）、HDht值（表征站姿）、Atk值（表征腿型）4個維度來分析這3類形態，具體變量定義見表5和圖6中（b）圖所示。

其中變量HDht以及Atk中涉及的中心點Ch、Ct和Ck的確認方法如圖7所示。對IMAGEWARE可視化處理后得到的特征截面曲線做最小外接矩形，最小外接矩形對角線的交點即為各特征部位截面的中心點。

從表6顯示的3類體型下不同變量指標的均值中分析這3類體型的差異性，其中第1類體型VDwh均值最大，說明腰部相對臀部較凸出;第2類體型HDht均值較小，說明臀部到大腿根中心點的橫向距離較小，且該類體型的Atk均值最大，說明大腿根部與膝部中心點的夾角角度最大;通過觀察后腰的凹陷程度，發現第1，2類體型屬于凹體，第3類體型屬于平體。

根據分析發現每類體型的占比較均勻，具體形態分析如下：

第1類：該類體型為圓長型，腰臀的相對凸出量大，后腰較凹，自然分腿站立時膝蓋相對內凹。

第2類：該類體型為圓潤型，腰臀的相對凸出量較大，后腰較凹，自然分腿站立時腿外擴程度明顯。

第3類：該類體型為扁長型，腰臀的相對凸出量小，后腰平直，自然分腿站立時分腿角度大且膝蓋內凹。

3 圍度擬合

以圓潤體為例，并以此類別下各特征部位的寬度、厚度和圍度為變量，使用SPSS軟件進行相關分析和回歸分析，建立各特征部位的圍度計算模型。

3.1 相關性分析

人體各特征部位圍度與此部位對應的寬、厚度之間存在一定的關系[16]，為研究兩兩之間的相關程度[16]，選擇Pearson相關系數分別對5個特征部位進行相關性分析。其計算式為：

r=ni=1（xi-x）（yi-y）ni=1（xi-x）2ni=1（yi-y）2（2）

人體下肢各特征部位的圍度與其對應的寬、厚度的Pearson相關系數如表7所示。

由表7可知，腰圍、腹圍、臀圍、大腿根圍和膝圍5個特征部位的圍度與其相對應的寬度和厚度的相關系數均大于0.75，且普遍大于0.9，顯著性值都為0.000，表示每類特征圍度與其寬度、厚度之間均存在一定的線性關系。

3.2 回歸分析

對選擇的圓潤體的各特征部位進行圍度擬合，利用散點圖分析了各部位圍度、寬度以及厚度之間的分布情況并驗證其是否存在較為明顯的線性關系。以圖8腰部三維散點圖為例，可以看出這3個數據大致呈線性分布，且其他部位的散點圖也呈明顯的線性分布。

因此假設圍度擬合方程為Y=A0+A1X1+A2X2，其中自變量X1為各特征部位的寬度，X2為各特征部位的厚度，因變量Y為特征部位的圍度，A0為常數項，A1和A2為系數值。表8中的調整后R2越接近1，說明回歸方程對樣本數據點的擬合優度越高。由表8可知，5個部位調整后的R2值均在0.9以上，因此，各特征部位圍度與其寬度、厚度之間的回歸方程擬合優度較高，表8也歸納了相對應的5個部位的回歸方程。

為檢驗各回歸方程的精確度，以圓潤體為例，選取屬于該類體型的另外30個實驗對象的三維人體數據，測量其5個特征部位相對應的寬度、厚度以及圍度，將實測圍度值和回歸方程下的圍度預測值進行比較，誤差值見表9。其中大腿根部的圍度預測誤差范圍較大，最大誤差值為1.98cm，主要因為大腿根部截面曲線形態較不規則，差異較明顯，因此預測結果不太理想。其他部位誤差絕對值均在1.5cm范圍內，能夠滿足服裝制作的要求。因此該回歸方程可以直接用于預測各特征部位的圍度值。

4 結 論

通過202名青年女性的三維點云數據獲取人體腰部、腹部、臀部、大腿根部和膝部5個特征部位截面的寬度、厚度和圍度等形態相關參數。根據各特征部位的寬厚比對青年女性下肢形態進行快速聚類，將青年女性的下肢形態分為3類，包括圓長型、圓潤型、扁長型，并結合VDwh值（表征腰臀相對凸出量）、Dbw（表征后腰的凹陷程度）、HDht值（表征站姿）、Atk值（表征腿型）4個形態指標對這3類下肢形態進行描述。根據體型分類結果，基于各特征部位的寬度和厚度值建立圍度預測模型，最后將手工測量值和回歸預測值進行比較，結果表明此方法具有較高的準確性。此方法基于截面形態的合理分類，提高了圍度值預測的精度，為基于照片的青年女性個性化樣板自動生成提供一定的技術依據。

參考文獻：

[1]楊楚欣.基于人體二維照片的女裙樣版自動生成研究[J].紡織報告，2019（2）：27-31.

YANG Chuxin. Pattern generation of skirts based on 2D body images[J]. Textile Reports， 2019（2）： 27-31.

[2]季開宸.基于青年男體二維非接觸測量系統圍度擬合的完善[D].蘇州：蘇州大學，2014.

JI Kaichen. The Improvement of Circumference Fit Based on Youth Men's 2D Non-Contact Measurement System[D]. Suzhou： Soochow University， 2014.

[3]GUPTA D. Anthropometric study of young Indian men for garment sizing[J]. Research Journal of Textile and Apparel， 2010， 14（1）： 82-89.

[4]YOON MK， NAM Y J， KIM W. Classifying male upper lateral somatotypes using space vectors[J]. International Journal of Clothing Science and Technology， 2016， 28（1）： 115-129.

[5]VURUSKAN A， B ULGUN E. Identification of female body shapes based on numerical evaluations[J]. International Journal of Clothing Science and Technology， 2011， 23（1）： 46-60.

[6]金娟鳳，龐程方，陳偉杰，等.青年男性肩點橫截面曲線及其體型細分[J].紡織學報，2016，37（8）：100-106.

JIN Juanfeng， PANG Chengfang， CHEN Weijie， et al. Study on subdivision of young male's shoulder shapes and cross-section curve[J]. Journal of Textile Research， 2016， 37（8）： 100-106.

[7]王麗，李月，庫茨米切夫·維克多，等.基于胸部形態的青年男性體型分類研究[J].服飾導刊，2019，8（4）：43-47.

WANG Li， LI Yue， Kuzmichev Victor， et al. Research on young male body classification based on breast shape[J]. Fashion Guide， 2019， 8（4）： 43-47.

[8]王祺明.基于人體三圍截面面積的江浙地區女性體型分類[J].紡織學報，2016，37（5）：131-136.

WANG Qiming. Female body classification in Jiangsu ang Zhejiang based on cross-sectional area of body[J]. Journal of Textile Research， 2016， 37（5）： 131-136.

[9]姚怡，馬靜，吳歡，等.基于小波系數的青年女性體型分類及原型紙樣[J].紡織學報，2017，38（12）：119-123.

YAO Yi， MA Jing， WU Huan， et al. Young female body shape classification and prototype patterns based on wavelet coefficient[J]. Journal of Textile Research， 2017， 38（12）： 119-123.

[10]夏明，王文玲，張文斌.人體特征斷面形狀擬合及圍度尺寸預測[J].紡織學報，2014，35（8）：76-80.

XIA Ming， WANG Wenling， ZHANG Wenbin. Feature slice fitting and girth prediction using Elliptic Fourier[J]. Journal of Textile Research， 2014， 35（8）： 76-80.

[11]WANG K， ZHU D H， GUO H， et al. Automated calculation of heart girth measurement in pigs using body surface point clouds[J]. Computers and Electronics in Agriculture， 2019， 156： 565-573.

[12]許家巖.人體體表形態下的頸圍尺寸預測[J].遼寧絲綢，2016（4）：52-53.

XU Jiayan. Prediction of the neck circumference based on the body surface morphology[J].Liaoning Tussah Silk， 2016（4）： 52-53.

[13]GU B F， LIU G L， XU B G. Girth prediction of young female body using orthogonal silhouettes[J]. Journal of the Textile Institute， 2017， 108（1）： 140-146.

[14]李曉志，李曉久，劉皓.基于人體截面點云的圍度尺寸計算[J].紡織學報，2019，40（7）：128-132.

LI Xiaozhi， LI Xiaojiu， LIU Hao. Calculation of circumference size based on human body section point cloud[J]. Journal of Textile Research， 2019， 40（7）： 128-132.

[15]洪楠.SPSSforWindows統計分析教程[M].北京：電子工業出版社，2000：119-130，203-236.

HONG Nan. SPSS for Windows Statistical Analysis Tutorial[M]. Beijing： Electronic Industry Press， 2000： 119-130，203-236.

[16]李臻穎，蘇軍強，吳志明.青年女體三維掃描數據的特征圍度計算方法[J].紡織學報，2017，38（5）：110-114.

LI Zhenying， SU Junqiang， WU Zhiming. Calculating method of characteristics girth of young female body by 3-D scanning data[J]. Journal of Textile Research， 2017， 38（5）： 110-114.