基于局部特征的青年女性腿部形态分类

陈希雅， 赵 颖， 蔡晓裕， 顾冰菲,2,3

(1. 浙江理工大学 服装学院， 浙江 杭州 310018； 2. 浙江理工大学 浙江省服装工程技术研究中心， 浙江 杭州 310018；3. 浙江理工大学 丝绸文化传承与产品设计数字化技术文化和旅游部重点实验室， 浙江 杭州 310018)

随着经济的快速发展，当代女性对服装个性化和合体性的重视程度不断提高。制作能满足新时代女性对服装合体和修饰体型两大需求的产品成为新的发展方向。人体腿部局部特征及其分类研究是裤装结构设计、舒适性、合体性研究及版型优化的重要基础。现在被广泛运用的X-O型腿部分类法已不能满足市场需求，服装行业需要更合理的细化腿部分类方法，从而更好地应用于个性化服装定制和服装造型设计。近年来，国内外学者通过主成分分析、因子分析、快速聚类等统计学方法对人体下体形态进行了相关研究。

Kong等[1]重点研究了女性下体围度尺寸的计算规则，测量各关键部位截面的宽度、厚度和围度尺寸，分析各部位三尺寸间的关系，建立各部位围度尺寸的计算公式，用该计算公式修改三维人体点云模型。张秀[2]通过因子分析得到5个影响下体体型的因子，主要以腰腹差、臀腰差为依据将江浙青年女性下体体型分成5类，并且以裆底高与身高的比值为判别标准将下体体型划分为裆底矮体型、裆底中等体型和裆底高体型。Yao等[3]开发了一种定位臀部关键特征点的新方法，用来描述女性臀部的主要特征，总结了8个影响臀部形状特征的因素，包括2个长度比、2个面积比和4个角度，使用两步K均值聚类分析将臀部深入分为3大类10小类。李红勤[4]将下体数据分为长度、围度和角度3大类，从中提取出长度因子、围度因子以及腰臀部体型特征因子，并得出主要部位的回归方程，通过腰臀部特征分析将青年女性下体分为正常体、扁臀体、厚臀体。丛杉等[5]利用主成分分析法提取了臀部形态因子、腰腹形态因子和丰满因子，从而进行臀部体型特征的识别和样本的分类判别，并且对裆部重要变量建立了回归模型，所得结论推动了人体体型分类的研究工作，利于目标人群下装的款式设计与结构设计。

除了主成分分析法[6-8]和聚类分析法[9-11]，还有学者采用了其他分析方法。Liu[12]提出了一种中老年女性下半身体型分类方法，提取了维度因子、高度因子、腰腹臀围差异因子以及腰腹臀曲率因子这4个主要因子来描述下半身，为中老年妇女下装的尺码标准制定以及服装结构的研究奠定了理论基础。Song等[13]开发了一个人体体型判别分析程序，用训练样本建立了3类下体体型类别，通过将新样本的测量值与训练样本计算出的特征变量进行转换来识别新样本的体型类别，为服装样板大规模自动生产提供了数据支持。Song等[14]结合前期研究成果进一步优化了裤装定制系统，开发了新的数据驱动方法，通过多个人体测量值(如深度、角度和弧线)来识别人体体型，并针对总结的3类体型开发了优化后可自由选择不同面料样式的裤装样板自动生成系统，使其在保证美观性的同时拥有了更好的合体性。

目前，关于人体体型分类的研究有很多，但多为对腰臀部的形态分类研究，对于腿部的研究则以腿长比例为主，针对腿部形态的分类研究很少。本文选取236名在校女大学生作为研究对象，提出了一种腿部形态分类方法，采用三维测量法、图像测量法及手工测量法3种人体测量方法进行人体腿部基本参数采集，从腿部正侧面形态出发测量围度、宽度、厚度、曲线长和相关角度，经过因子分析和聚类分析确定青年女性的腿部形态分类规则，可完善青年女性体型分类研究，为个性化服装定制提供理论依据和技术支持。

1 实验部分

实验随机抽取236名18～25岁的在校女大学生，身高在150～170 cm之间，体重在40～65 kg之间，身体形态符合正常青年女性体型群体特点。

1.1 测量工具与要求

本文采用三维测量、图像测量、手工测量3种测量方式，被测者要求身穿淡色内衣和白色紧身实验服，头戴淡色泳帽(完全遮盖头发)，摘除所有配饰。三维测量法使用的是美国[TC2]公司的三维人体扫描仪，要求被测者站在仪器指定位置，双手轻握两侧定位扶手，身体自然放松，双眼平视正前方，保持静止状态30 s(见图1)；图像测量法采用后置1 600万像素的Oppo R17手机获取被测者的图像信息，获取图像时，要求被试者双脚站在指定位置上，双手握拳离开身体两侧，身体自然放松，双眼目视前方(见图2)；手工测量时，被测者身体自然放松，采用德国Hoechstmass软尺采集被测者的人体数据。

图1 三维扫描站姿Fig.1 3-D scanning post

图2 拍摄站姿Fig.2 Shooting post

1.2 数据测量

利用Imageware软件和Photoshop软件分别对三维扫描仪获得的点云数据和人体正侧面照片进行数据测量，考虑到人体的对称性，在此只分析人体的右腿形态。参考GB/T 16160—2017《服装用人体测量的尺寸定义与方法》，共提取并计算获得20个腿部形态相关变量，测量部位和对应的测量方式如图3和表1所示。

图3中：O1为大腿根宽的中点；O2为膝宽中点；O3为踝宽中点；膝曲角用来判别两腿之间的缝隙大小，可明显表示出人体腿部形态的区别。同时，腿外侧长和腿内侧长均采取了曲线测量的方式，可更好地展示形态上的差异。由于三维、图像和手工3种测量方式所适用的测量部位不同；手工测量适用于人体围度和曲线长度参数；图像测量适用于宽度、厚度和角度参数；三维点云测量则适用于所有参数。因此，20个腿部形态变量均同时采取手工测量或图像测量和三维测量2种方式，来验证三维点云测量数据的精确度。

图3 测量部位示意图Fig.3 Body measurement landmarks. (a)Front measurement; (b)Front curve measurement; (c)Side measurement

表1 腿部形态变量Tab.1 Leg shape parameters

2 数据分析

2.1 数据预处理

为了验证三维数据的准确性，将各变量的手工测量或图像测量结果与三维测量数据进行对比，误差结果见表2。可看出，所有参数的2种测量结果均呈现出较高的相关性，且在可接受测量误差范围内的数据比例都超过90%，说明三维测量的数据整体准确性较高。

表2 数据测量误差分析Tab.2 Error analysis of measured data

结合各测量方式的误差分析结果，同时利用SPSS软件对20个变量进行排查，找出并处理异常数据。查看数据异常样本的原始三维人体点云文件、手工测量数据和图像，对于误差较大的数据采取重新测量的方式进行反复对比。经数据预处理后，最终确定有效样本为236个。然后采用Q-Q概率图检验数据的正态分布性。以大腿根围为例(如图4所示)，236个大腿根围测量值整体按直线分布，可认为大腿根围的分布基本服从正态分布[15]。图中直线的斜率为样本标准差，直线的截距为样本均值，直线在Q-Q概率图中代表着正态分布。同理可验证20个变量都近似服从正态分布。

2.2 主成分分析

对20个变量进行主成分分析，得到各成分的累积贡献率表，如表3所示。前6个成分的特征值大于1，总累计贡献率约为87%，说明这6个成分能够基本描述腿部的形态特征。将这6个成分选为主成分因子，按排列顺序依次为主成分因子1、2、3、4、5、6。

图4 大腿根围的正态分布Q-Q概率图Fig.4 Normal distribution Q-Q probability plot of thigh grith

表3 成分累积贡献率Tab.3 Component cumulative contribution rate

根据主成分因子旋转后的因子载荷矩阵，如表4所示，可具体定义主成分因子的类型。主成分因子1在大腿根围、膝围、小腿围、踝围、大腿根厚、大腿根宽上有较大载荷，可定义为水平围度因子；主成分因子2在腿内侧长、腿外侧长、腿长、大腿长、小腿长上有较大载荷，可定义为长度因子；主成分因子3主要在膝围踝围比、小腿围踝围比上有较大载荷，可定义为小腿围度差因子；主成分因子4在大小腿长比、膝曲角上有较大载荷，可定义为腿部曲度因子；主成分因子5在大腿根围膝围比、腿内外侧长比上有较大载荷，可定义为腿部轮廓因子；主成分因子6在大腿根围小腿围比、膝围小腿围比上有较大载荷，可定义为大腿围度差因子。因此，影响腿部体型特征的因子总结为6个，分别为水平围度因子、长度因子、小腿围度差因子、腿部曲度因子、腿部轮廓因子、大腿围度差因子。

2.3 两步聚类法

本文考虑到样本的特殊性和样本数量，选择两步聚类法进行聚类[16]。由表4可看出：水平围度因子荷载最大值所对应的特征因子是大腿根围，长度因子荷载最大值所对应的特征因子是腿内侧长，小腿围度差因子荷载最大值所对应的特征因子是膝围踝围比，腿部曲度因子荷载最大值所对应的特征因子是大小腿长比，腿部轮廓因子荷载最大值所对应的特征因子是大腿根围膝围比，大腿围度差因子荷载最大值所对应的特征因子是膝围小腿围比。在主成分因子中选取大腿根围、腿内侧长、膝围踝围比、大小腿长比、大腿根围膝围比、膝围小腿围比作为主要特征因子，经两步聚类法对实验样本进行探索性聚类分析发现，236名青年女性的腿部体型可分为3类，如表5所示。

表4 旋转成分矩阵Tab.4 Rotational component matrix

表5 聚类分布情况Tab.5 Cluster distribution

对这3类体型进行形态特征分析发现：1类腿部形态大腿根围形状接近圆形，大腿短于小腿，腿部修长笔直，腿部整体形态较圆，为圆体型；第2类腿部形态大腿根围形状较扁，大腿短于小腿，腿部修长，大腿整体形状较扁，小腿形状较圆，为稍扁体型；第3类腿部形态大腿根围离心率小，大腿根围形状扁平，大腿稍短于小腿，腿部整体形态较扁，为扁体型。同时，在同一大类中，由于膝曲角的正负(逆时针旋转是正角,顺时针是负角)代表了2种不同的腿部形态，如图5所示，其他特征类似、膝曲角正负不同的2个样本腿型呈现明显的不同。其中：膝曲角为正的样本腿型类似于X形腿；膝曲角为负的样本腿型类似于O形腿。最终根据膝曲角的正负，将腿部形态可细分为6类，这6类腿部形态的简单示意图如图6所示。

图5 膝曲角不同的腿型区别Fig.5 Leg types with different knee angles. (a)Knee angle is positive; (b)Knee angle is negative

图6 6类腿部形态的简单示意图Fig.6 Simple schematic diagram of sixleg types. (a)Round leg(knee angle is positive); (b)Round leg (knee angle is negative);(c)Slightly flat leg (knee angle is positive);(d)Slightly flat leg (knee angle is negative);(e)Flat leg ( knee angle is positive); (f)Flat leg ( knee angle is negative)

通过对这6类体型的形态特征分析发现，单个变量数据无法准确描述体型的差异，例如变量大腿根围无法表示大腿根部的形状为圆形或为椭圆，因此采用与关键变量相关的计算变量作为判别标准。根据相关计算结果，这6类体型中区别较大的变量有大腿宽厚比、大腿根围膝围比、大小腿长比及膝曲角，归纳总结出不同体型类别中这4个变量的范围作为腿部分类的判别标准，见表6。

表6 6类腿部形态的辨别标准Tab.6 Classification criteria for 6 types of leg shape

2.4 验 证

测量20个新样本，以辨别标准划分类别，划分情况如表7所示。利用SPSS软件对256个样本进行判别分析，验证分类结果的有效性。判别分析结果如表8所示。原始样本数据正确分类226个，错误分类10个，正确率达到95.8%；待分类的20个新样本正确分类17个，错误分类3个，正确率达到85.00%。说明该分类结果的有效性较高。

表7 新样本的划分情况Tab.7 Division of new samples

表8 判别分析结果Tab.8 Discriminant analysis result

3 结 论

本文选取了236名18～25岁的在校女大学生，采用三维测量、图像测量、手工测量3种测量方式，获取青年女性的人体数据，最终提取20个腿部变量为分析目标。通过SPSS软件对样本数据进行主成分分析，得到影响腿部形态的主要特征因子，然后用两步聚类法对样本数据进行聚类，得到3类腿部体型。对3类腿部体型相关数据进行形态特征分析，得到以下结论。

1)影响腿部体型特征的因子主要有水平围度因子、长度因子、小腿围度差因子、腿部曲度因子、腿部轮廓因子、大腿围度差因子。

2)将青年女性人体腿部分为6类，包括圆体型(膝曲角为正)、圆体型(膝曲角为负)、稍扁体型(膝曲角为正)、稍扁体型(膝曲角为负)、扁体型(膝曲角为正)、扁体型(膝曲角为负)，并总结出4个变量大腿宽厚比、大腿根围膝围比、大小腿长比及膝曲角建立腿部形态分类规则，准确度较高。

3)新的分类方式基于X-O腿型分类法，进一步细化，为女性腿部分类提供了更多的选择，也为个性化服装定制提供了理论依据，满足了三维服装的造型设计需求。