基于身高體重的青年女性軀干形態分類及識別

靳守寧，夏圓平，張貝貝，顧冰菲,b,c

(浙江理工大學，a.服裝學院；b.浙江省服裝工程技術研究中心；c.絲綢文化傳承與產品設計數字化技術文化和旅游部重點實驗室，杭州 310018)

隨著信息技術的發展，服裝的生產日益趨于智能化。為了滿足客戶的個性化和多樣化需求，服裝企業從大批量、少品種的傳統服裝加工模式向量身定制的生產模式發展[1]。女體體型較男體更為復雜、女裝品種繁多，如何制作更為合體的女裝成為了當下的研究熱點，其中最關鍵的部分是對青年女性軀干形態進行研究。1986年，中國標準化研究院第一次對全國人體尺寸信息進行采集，基于此人體信息數據庫制訂了GB/T 1335-1991《服裝號型》[2]，此后，中國服裝號型國家標準又陸續修訂了4次，現行標準為GB/T 1335-2008《服裝號型 女子》。然而，隨著現代生活方式的改變，人們的身體形態也發生了一定程度的變化。

近幾年，研究學者利用不同的方法對女性體型進行細分，其中包括：主成分分析法、體表角度分類法、特征指數分類法、側面形態分類法等。Song等[3]從女性的輪廓形狀、臀部角度和人體曲線形狀出發，進行得分計算對體型進行分類。孫潔等[4]從人體角度形態差異出發將人體體型分為4類，并構建了基于神經網絡集成的體型識別模型，該方法可有效區分人體形態差異。Yoon等[5]提出采用三維空間矢量方向角的方法對人體上側面體型進行合理的分類，此方法可用于基于尺寸提取的個性化樣板生成系統。樊萌麗等[6]采用能夠粗略描述人體軀干形態的臀肩寬比以及橫矢比例等變量，對人體形態進行大致分類，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面圖中識別特征部位，并對他們的體型進行分類。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進行分類分析。王婷等[9]根據11項人體參數將青年女性軀干形態細分為I、H、S、O 4類并計算了各類體型的覆蓋率。

此外，如何利用人體基本參數(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重要的分類參數[10]，利用圍度尺寸預測的方法可精確識別人體形態。鄒奉元等[11]根據典型指標對人體形態進行分類，并實現了從典型指標到細部規格的預測，說明人體各參數之間存在一定的關系，可建立人體基本參數與圍度參數之間的預測模型。黃珍珍等[12]利用隸屬函數將預測對象與人體模型數據庫中的參數相匹配，得到人體所有的尺寸參數，從而得到該對象的制衣尺寸標準。夏明等[13]實現了由斷面寬度、厚度尺寸到斷面形狀的逆向擬合，并根據擬合的斷面預測圍度尺寸，研究結果可應用于二維人體測量系統。Vuruskan等[14]確定了一些能夠反映體型的參數，通過視覺分析開發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，根據最小差算法搜索出數據庫中測試樣本的相似體，擬合出了主要的測量數據。

體型識別是當前服裝行業的研究熱點，基于以上研究可知進行體型精確識別往往需要大量的人體特征參數，而部分參數很難由手工獲取，因此體型識別大多依賴于三維人體掃描儀或其他自動的人體測量方法，這大大限制了其應用范圍。同時，消費者往往無法自行精確測量除身高體重之外的復雜形態參數，對形態分類結果也會產生影響。因此，本文提出“少量人體參數→軀干形態細分”的思路，基于基本人體參數“身高+體重”，結合圍度重要參數對女青年軀干形態進行聚類分析，并構建人體基本尺寸(身高、體重)與圍度尺寸(胸圍、腰圍和臀圍)之間的BP神經網絡預測模型，結合預測參數及體型判別模型驗證該方法的準確度，為服裝企業的個性化樣板生成提供一定的思路。

1 人體測量實驗

1.1 實驗對象和儀器

選擇年齡在18～25歲的在校女大學生作為研究對象，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行人體尺寸數據的采集。掃描過程中，實驗對象需佩戴白色泳帽(覆蓋黑色發絲)，穿戴白色貼體內衣，不可佩戴首飾。樣本容量N的確定根據標準差與最大允許誤差來決定：

(1)

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

1.2 測量項目

為了能夠實現軀干形態分類和識別，本文選用了5項人體基本特征變量以及3項派生變量，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，具體測量項目及測量方法見表1，此次實驗的條件、名稱和方法都嚴格遵循GB /T 5703-1999《用于技術設計的人體測量基礎項目》的有關規定。

表1 測量項目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云數據進行測量，以精確獲取胸圍、腰圍和臀圍3個參數數值。首先進行點云降噪、封裝、搭橋補洞等處理以獲取完整的三維人體模型，如圖1所示，在軟件中根據標識點進行圍度截取并對各部位尺寸進行測量。

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

2 體型分類

2.1 描述性統計分析

本文首先對采集的總體樣本數據進行缺失值、極值、奇異值分析及正態檢驗，確定有效樣本290個，對各參數進行統計分析，得到極小值、極大值、均值、標準差、偏度、峰度以及變異系數，如表2所示，可見體重和臀圍的變異系數分別為12.33%和11.59%，表示數據的離散程度較大；胸腰差、臀腰差的偏度值為負，說明此變量均值左側的離散度比右側強，為左偏斜分布；身高峰度值為負，說明此變量的樣本分布更為平緩。

表2 女青年上身指標統計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，根據BMI指數數值一般將肥胖程度劃分為5類，如表3所示。當BMI值高于24.9 kg/m2時被歸類于超重體。結合表3中對290個樣本的BMI指數統計，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指數統計Tab.3 Statistic analysis of BMI index

2.2 國標對比分析

根據中國現行人體號型標準(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行軀干形態分類，如圖2胸腰差范圍劃分結果所示，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%，比較發現本研究中樣本總體體型偏瘦，這是因為國標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%的實驗對象身高集中在160～165 cm，有87.24%的實驗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，進一步印證了現行人體號型標準無法體現青年女性體型，因此本文需要對18～25周歲的青年女性軀干形態進行更為細致的劃分。

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

2.3 聚類分析

由于中國現行號型標準的年齡跨度大，不適于對18～25周歲青年女性軀干形態分析，本文共計290個人體樣本數據，采用K-means聚類法對女青年軀干形態進行更為詳細的分類，該方法適用于變量較多、計算量小的數據處理情形[17]。這種分類方法最核心的參數是最佳聚類數K的確定，輪廓系數SC正是描述每一類內外差異的關鍵指標，引入輪廓系數：

(2)

式中：a表示樣本點與同一類中所有其他點的平均距離；b表示樣本點與下一個最近類中所有點的平均距離。由式(2)可知，SC取值范圍為(-1, 1)，當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體型間的差異性，如圖4所示，將女青年軀干形態聚類數確定為3類起始，此時輪廓系數SC值最大、最接近于1，結合此時樣本聚3類后軀干形態相關變量的F檢驗值均小于0.05，說明軀干形態聚類選擇3類為最佳。

圖4 輪廓系數Fig.4 Silhouette coefficient

根據聚類分析結果最終將290個樣本分為3類，各類形態樣本占比分別為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間的差異，找出每一類聚類成員中最接近聚類中心的5個樣本，作為5個典型樣本人體，根據其三維人體點云圖，在CorelDRAW軟件繪制出最終代表這一類的正側面軀干形態輪廓圖，最后對比分析3類軀干形態間的差異，如圖5所示，可以發現人體正側面形態有著顯著的差異。

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

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

為更直觀的分析3類體型的軀干形態差異，分析表4中最終聚類中心數據并對3類軀干形態進行描述。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數值適中，但胸腰差和臀腰差小，正面軀干形態曲線度小，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，說明整體形態嬌小，正面軀干形態曲線感明顯，記作“X瘦體”。

2.4 判別規則

將青年女性數據樣本分為3類后，基于身高、體重和胸腰臀圍等6個聚類變量，使用SPSS軟件根據貝葉斯判別分析法得到線性判別函數表，根據各判別系數可建立3個判別公式(即F1、F2和F3)，如式(3)所示，判別規則如表5所示。將身高、體重以及預測后的胸腰臀圍等相關變量分別代入3個判別公式，根據計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 圍度預測及體型識別

根據樣本分類后的判別規則，可以對預測樣本進行判別歸類，從而達到體型識別的目的。近些年來，BP神經網絡算法與人體體型的研究逐漸結合起來，本文通過Matlab建立了一種適合于人體截面圍度預測的BP神經網絡模型，解決了傳統建模方式精度低的難題[18]。

3.1 BP神經網絡原理及實現

神經網絡的組成通常包括：輸入層、隱藏層和輸出層，如圖6所示[19]，該圖解釋了BP神經網絡通過正向傳播把樣本輸入，經過隱藏層計算，最后從輸出層獲取從而實現“自學習”的過程。

圖6 BP神經網絡圖像Fig.6 BP neural network model

本文所建立的BP神經網絡預測模型，采用數據處理后的290個青年女性樣本，將樣本隨機按照90%和10%的比例進行劃分，260份樣本作為訓練數據，其余樣本用來驗證。在Matlab軟件中實現胸、腰、臀圍預測的過程中，為了減小量綱的影響，訓練前通常需要對樣本數據進行預處理，利用最大最小值法對輸入輸出數據進行歸一化處理，其原理表述為：

(4)

式中：xmin為序列中的最小數；xmax為序列中的最大數，借助Matlab工具箱中的mapminmax函數實現歸一化，訓練模型樣本采用的是標準化后的數據，后期得到的預測值需要根據描述性統計量對數據進行還原，最后利用Matlab中的newff指令進行BP神經網絡的訓練，初始化網絡參數都采用工具箱自帶的參數，隱含層節點數設為9，構造的神經網絡模型結構如圖7所示。

圖7 BP神經網絡訓練結構Fig.7 Training structure diagram of BP neural network

該研究構建的BP神經網絡模型結構，輸入層包括身高和體重2個節點，中間隱藏層包含9個節點，輸出層對應預測值(胸圍、腰圍和臀圍)，對網絡進行訓練完成后，算法經歷12次迭代，用時幾乎為0秒，MSE(均方根誤差)值小于0.001，梯度很小，找到最優解。

3.2 圍度預測結果

由于人體身高、體重與圍度之間并非簡單的線性關系，BP神經網絡算法建立的圍度預測模型，比傳統的建模方法更加精確、方便。首先在Matlab中構建并訓練BP神經網絡模型，直到R2達到最大值時停止，最后保存網絡模型，下次使用時可直接調用模型。經過訓練集訓練完畢后，胸圍、腰圍和臀圍的擬合優度(R2)分別能夠達到0.89，0.79和0.92，以臀圍為例，擬合優度如圖8所示，計算3個圍度的預測誤差，臀圍誤差在2 cm之內的占比67%，胸圍誤差在3 cm之內的占比可達62%，腰圍誤差在3 cm之內的也達到了70%，預測精度如表6所示。

表6 圍度預測精度Tab.6 The predicted accuracy of the girths

圖8 臀圍擬合優度Fig.8 Predicted effect of hip girth

3.3 預測體型識別

根據實際參數聚類后的判別規則，驗證利用預測參數識別體型的準確性，計算得到判別分析的結果，如表7所示，預測得到的樣本數據有255個被正確分類，錯誤分類有35個，分類正確率達到88%，說明基于BP神經網絡算法建立的人體圍度預測模型，結合預測參數進行體型識別的方法具有可行性。

表7 判別分析結果Tab.7 The results of discriminant analysis

4 結 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，結合衍生變量對女青年上體體型進行聚類分析，將女青年軀干形態分為3類，包括：O胖體、H勻稱體和X瘦體。并建立了BP神經網絡預測模型，運用聚類分析判別規則，對預測樣本的形態進行識別，臀圍預測誤差在2 cm之內的占比67%，對預測樣本形態進行識別的正確率達到88%，說明基于BP神經網絡預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個體體型的確定，也可為個性化樣板生成系統提供詳細、準確的人體信息。