连体服衣下间隙特征指标的确定及其在服装合体性评价中的应用

王诗潭，汪秀花，王云仪,2

(1.东华大学 服装与艺术设计学院，上海 200051；2.东华大学 现代服装设计与技术教育部重点实验室，上海 200051)

连体服具有上下一体中间无隔断的结构特征，一方面能够有效避免作业人员在完成大幅度作业任务时肢体暴露于外界环境，另一方面也能够防止人体产生的代谢物污染洁净度要求较高的作业环境。相应地，连体服被广泛运用在医疗、生物制药、石油、化工、修理等行业，如医用防护服、防生化作业服、防静电作业服等。现有的连体作业服为满足人体大幅度肢体活动的需求，设计多为宽松、臃肿，由于连体结构上下一体化的特点，这就导致了着装不合体、随体度差等问题[1-3]。穿着不合体的服装会影响作业人员的活动能力和舒适感知，进而导致工作效率的下降[4]。综上，有必要对连体服合体性的评价和优化设计进行研究。

有学者[5]将合体服装定义为：着装状态下服装平滑且均匀地悬挂在人体上，无褶皱或压迫、线条流畅、左右对称并能提供足够松量用于肢体活动。相应地，服装合体性评价可概括为评估人体静态和动态着装状态下，服装尺寸与对应人体各部位尺寸的匹配程度。目前，服装合体性的评价通常使用主观评价方法[6-8]，选择特定人体部位作为服装合体性的评价因素，让受试者穿着实验服装对合体程度进行主观评价或让专家进行打分评价。这种方法虽便捷且直观，但缺少客观评价指标，无法量化服装与人体的空间关系和匹配程度，且评价过程中存在人为因素的误差。

近些年，随着三维人体扫描和图像处理技术的发展，一些学者提出了服装合体性的新评价方法。一方面三维扫描图像可视化的功能可从多角度清晰显示由于人体姿势或服装因素变化所产生的着装人体外轮廓、体积、对称性等特征的变化，进而准确识别不合体的部位[5，9]。另一方面使用逆向工程软件将裸态人体扫描图像与着装人体扫描图像进行对齐，可提取多个二维和三维层面的衣下间隙指标进行服装与人体空间关系的量化，如衣下间隙厚度、面积和体积等，进而实现服装合体性的量化评价。有学者利用Polywork逆向工程软件，提取了下肢6个特征截面(腰围、腰带顶部和底部、腹围、臀围和大腿围)的衣下间隙面积以及4个区段(腰带区段、腰带顶部到腹围区段、腹围到臀围区段、臀围到大腿围区段)的衣下间隙体积，对裤子的合体性进行了定量评价[10]。有学者提取了人体9个特征截面(颈围、肩围、上胸围、下胸围、腹围、臀围、大腿围、膝围和小腿围)的衣下间隙厚度，提出当衣下空气均匀分布在人体表面且平均厚度在25～30 mm之间时，可认为服装是合体的[11]。以上研究所使用特定截面的衣下间隙面积或厚度指标只能表征某点处服装内层与人体表面的二维距离，无法反应服装与人体整体的三维空间关系，这会造成服装合体性评价的不全面，且目前研究尚未对各衣下间隙指标在服装合体性评价中的有效性进行探讨。后续研究有必要对比衣下间隙各层面指标的有效性并构建一种评价服装合体性的综合衣下间隙指标。

此外，以往的服装合体性评价多是基于人体标准站姿时的扫描数据，此时衣下间隙的分布处于固定状态。然而，真实着装状态下人体姿势会不断发生变化，相应地衣下间隙会随人体姿势的变化发生移动，站姿时穿着合体的服装可能无法满足人体姿势变化所需的活动松量，进而产生机械束缚[12]。因此，有必要探讨人体在不同姿势时衣下间隙的变化规律和分布特征，为连体服合体性的优化设计提供理论依据。

本文研究确定了可用于评价连体服合体性的衣下间隙特征指标，并构建了基于衣下间隙特征指标的服装合体性综合评价方程；探讨了不同姿势下衣下间隙的变化规律和分布特征，确定连体服的关键设计部位，为连体服合体性的优化设计提供理论参考。

1 实验方法

1.1 测试服装及受试者选择

选择医疗、生物制药及食品行业作业人员通常穿着的单层连体服为测试对象，如图1所示。

图1 测试连体服款式图

测试服装的尺寸规格设定为M码(165/104A)，细部尺寸如表1所示。

表1 测试连体服的细部尺寸

选择东华大学6名女大学生为测试对象，实验前对实验过程均有详细了解。作业人员在实际穿着过程中普遍会选择偏大一码的作业服，因此基于测试服装的尺寸规格，选择身高在(160±2)cm的受试者。为减少个体差异产生的数据误差，受试者的基本信息需符合如表2所示条件。

表2 受试者的基本情况

1.2 三维人体扫描实验

三维人体扫描实验均在东华大学三维人体扫描实验室完成，该实验室的温度为(22±0.5)℃，湿度为(40±10)%，符合人体测量的环境标准。

1.2.1 扫描姿势

站姿是标准扫描姿势，也作为本文研究的对照姿势。前期动作分析结果[13]显示，侧向抬臂、坐姿和弯腰是医疗、制药及食品行业作业人员出现频率最高的3种动作,如图2所示。由于坐姿本身的姿势变化不明显且规律性不强，再加上坐姿状态下臀裆和腰腹部存在大面积的服装折叠，这会导致扫描出现大量数据缺失，故选择侧向抬臂和弯腰作为代表性的扫描动作。为模拟手臂和躯干的运动过程，每个动作又被分解为3种姿势。抬臂动作的分解以手臂与躯干的夹角∂作为依据，∂=105°、135°和155°，即抬臂105°，抬臂135°和抬臂155°(见图2(b))。弯腰动作的分解以指尖距离地面的距离d为依据，d=30、15和0 cm，记作弯腰动作1、2、3(见图2(c))。

图2 扫描姿势

1.2.2 扫描仪器及流程

实验仪器采用美国Human Solutions公司的VITUS 三维非接触式人体扫描仪，扫描精度为0.5 mm。不同姿势下人体及形态特征均可由该扫描仪清晰捕捉。所测量的数据可保存为.obj/wrl等格式文件，直接导入到逆向工程软件中进行数据处理。

本文首先利用三维人体扫描仪获取裸体(穿着文胸+内裤)和着装2种状态下的三维人体模型。为减少裸体和着装2次扫描过程中由于姿势差异所产生的模型对齐误差，在正式扫描前对每个扫描姿势进行了位置标定。针对抬臂姿势，设计了1个可调高度的支架，通过标定肩部和手腕的位置以确定抬臂的角度(见图3(a))。针对弯腰姿势，分别设计了2个固定高度(30和15 cm)的木箱(见图3(b))。此外，又对足部踏板的位置进行了标定，保证受试者的内足面与标定线保持相切(见图3(c))。

图3 姿势固定装置

每种姿势扫描结束后，受试者需对服装整体和局部(肩部、手臂、躯干部位、臀裆部和腿部)的合体度进行主观评分(5级标尺，1表示非常合体，2表示合体，3表示适中，4表示束缚，5表示非常束缚)。

1.2.3 扫描数据处理及衣下间隙指标提取

三维人体扫描获取的人体模型可能会由于遮挡存在噪音或漏洞，因此需导入到Geomagic逆向工程软件中进行优化，优化流程包括点云优化、多边形优化和模型对齐3个阶段。点云优化即：将扫描图像转化为点、去除非连接项、去除体外孤点、统一采样、进行点云封装；多边形优化即：松弛网格、填充孔、边界锐化、拟合孔特征；模型对齐即：设置参考模型和测试模型、创建特征点、基于特征点进行对齐、进行最佳拟合对齐。

对齐后的模型即可进行衣下间隙指标的提取。为全面表征服装与人体的空间关系，本文提取了长度、厚度、面积和体积4个层面的衣下间隙指标(见图4)。

图4 衣下间隙指标示意图

长度指标是裸态人体与着装人体的裆长差。在Geomagic Qualify软件中，首先根据裸态人体的重心点作出人体矢状面的二维横截面，再手动标定裸体人体和着装人体的裆底特征点，2个特征点间的连线即可认为是裸态人体和着装人体的裆长差(见图4(a))。

厚度指标是人体表面与服装内层间的平均距离，包括特定截面的衣下间隙厚度和整体/局部区段的衣下间隙厚度(见图4(b))。在Geomagic Qualify中，通过色谱偏差分析的功能实现。完成模型对齐后，运用三维或二维比较功能，通过编辑色谱生成误差的彩色模型，以结果对象的形式创建出三维或二维彩色偏差图来量化裸态人体和着装人体之间的结果偏差。

面积指标包括2个部分，一是特定截面内着装人体与裸态人体的截面面积差(见图4(c))，二是着装人体的外表面积与裸态人体的外表面积差。在Geomagic Qualify中，主要通过分析-计算面积的功能实现。

体积指标是着装人体与裸态人体的体积差值(见图4(d))。在Geomagic Qualify中，主要通过分析-计算体积的功能实现，局部模型需要在裁剪后进行封闭相交面对局部区段进行封装后再计算体积。

所获取的主观合体度评分和客观衣下间隙指标使用SPSS统计软件进行分析。选取不同姿势下人体的主观合体度评分作为筛选衣下间隙特征指标的标准。首先通过Kruskal-Wallis检验判断不同姿势下受试者感知合体度评分是否存在显著差异，再通过单因素方差分析和双变量相关分析确定可用的衣下间隙特征指标，最后通过因子分析构建基于衣下间隙特征指标的服装合体性综合评价方程。

2 结果分析

2.1 服装-人体空间关系的三维图像分析

三维图像分析可直观地观察不同姿势衣下间隙的分布状态，并初步判断服装不合体的部位。抬臂和弯腰姿势下，裸态人体(蓝色图像)和着装人体(绿色图像)的对齐图像如图5所示。蓝色图像与灰色图像之间的空间即服装-人体衣下间隙。

图5 站姿和抬臂对齐图像

通过三维图像分析发现：人体姿势主要影响衣下间隙的分布状态。站立状态时，在身体的凹区域，如腰腹部，出现了较大的衣下间隙，而在凸起区域，如肩部、臀部、胸部、大腿处出现了服装压迫。随着抬臂姿势的形成，衣下空气由腰腹部向胸背部移动，这使得腰腹部冗余的衣下间隙逐渐缓和，但臀部的服装束缚更加严重。此外，抬臂姿势使得衣下空气由四肢向躯干移动，造成了肩部的束缚。随着抬臂角度的增加，臀部和肩部的束缚面积逐渐扩展至腿部和手臂，而腰腹部的衣下间隙得到了转移呈现了合体效果。

弯腰姿势属于大幅度的复杂姿势，其姿势本身就对臀部、腿部、手臂的活动有较大要求。根据扫描图像，可发现臀部、大腿和手臂是主要的服装束缚区域。随着弯腰程度的加深，束缚范围逐渐从臀部扩展到整个腿部、从手臂逐渐扩展到肩部、腋下和后背。同样地，腰腹部区域由于动作特征和面料质量作用出现了大量的衣下间隙，且普遍集中在前躯干部位，后躯干出现了束缚。

通过初步的三维图像分析我们可推测，人体姿势的影响涉及肩部、腰腹部、臀裆部、手臂和腿部。后续将对这些部位的衣下间隙参数进行提取和定量化分析。为准确获得局部衣下间隙的大小，选取人体测量的基准点或基准线，包括颈椎点、腋窝点、胸围线、腰围线、臀围线和膝盖骨中点，通过构建截面的方式对人体模型进行分割，共分为左右手臂、胸背部、腰腹部、臀裆部和左右腿7个区段，并截取了肩围、胸围、腰围、臀围和膝围5个截面(见图6)。

图6 人体区段及截面划分示意图

2.2 衣下间隙特征指标的筛选与分析

2.2.1 衣下间隙特征指标的筛选

分别对7个区段和5个截面的衣下间隙指标进行提取，一共提取了22个指标，包括长度层面的指标：裆长差；厚度层面的指标：整体厚度、手臂厚度、胸背部厚度、腰腹部厚度、臀裆部厚度、腿部厚度以及胸围、腰围、臀围和膝围的截面厚度；面积层面的指标：整体面积差以及胸围、腰围、臀围和膝围截面面积差；体积层面的指标：整体体积差、手臂体积差、胸背部体积差、腰腹部体积差、臀裆部体积差和腿部体积差。这些指标可从整体和局部，二维和三维的层面对服装与人体的空间关系进行全面描述。

选择主观合体度评分作为筛选衣下间隙特征指标的标准。不同姿势下，受试者的感知合体度排序依次为：站姿(1.2分)、抬臂105°(1.75分)、抬臂135°(2.02分)、抬臂155°(2.05分)、弯腰动作1(2.1分)、弯腰动作2(2.37分)、弯腰动作3(3.25分)。Kruskal-Wallis检验结果显示7种扫描姿势下受试者的合体度存在显著性差异(P=0.001)。该结果表明，姿势因素对人体的感知合体度产生了显著影响，随着人体关节活动角度的增加和姿势复杂程度的提高，感知束缚度也随着增加。由此可知，衣下间隙特征指标筛选的第1个判断条件即：该指标在不同扫描姿势时呈现出显著性差异(P<0.010)。

使用单因素方差分析对22个衣下间隙指标在不同姿势下的差异性进行检验，结果显示16个指标满足显著差异性的要求。为进一步筛选可用的衣下间隙特征指标，对16个衣下间隙指标的参数值与主观合体度得分进行了双变量相关分析，提取相关程度显著的指标(P<0.010)。皮尔逊相关分析结果显示9个指标满足要求(见表3)，包括档长差、整体厚度、腿部厚度、整体面积差、腰围截面面积差、膝围截面面积差、整体体积差、腰腹部体积差和腿部体积差。

表3 主观合体度与各特征指标的相关性

整体来看，所提取的9个衣下间隙特征指标与主观合体度皆呈现了显著的负相关关系(|r|>0.8)，这意味着这些衣下间隙指标的参数值越小，受试者的感知束缚度越强烈。此外，与主观合体度相关性排序居前3位的特征指标分别是腿部体积差、腿部厚度和裆长差。由此可推测，腿部和臀裆部是影响连体服合体性的关键。

2.2.2 衣下间隙特征指标的分析

表4示出9个衣下间隙特征指标在不同姿势下的变化特征。结果显示，9个特征指标的参数值都随人体关节活动程度的增加而下降，且动作越复杂下降程度越明显。从站姿到弯腰距地面0 cm，裆长差的下降程度最显著，达到了64%；其次是腿部体积差和腿部厚度，下降率分别达到了62.07%和58.17%。主观合体度结果也显示，臀裆部和腿部的感知合体度受姿势变化的影响最明显，变化率分别达到了41.88%和55.56%。由此可知，姿势因素对于臀裆部和腿部的衣下间隙影响最显著，该结论和主观合体度与各特征指标相关性分析的结果一致，进一步说明了臀裆部和腿部是影响连体服合体性的关键部位。

表4 不同姿势下的衣下间隙值

此外，研究发现同站姿相比，抬臂和弯腰姿势时胸背部的衣下间隙呈现了反向增长趋势，在抬臂105°时增长程度最明显。躯干部位的主观合体度结果也显示，抬臂105°时的感知合体度要高于其他6种姿势约17.80%。这主要是由于连体服上下一体中间无隔断的结构，使得衣下间隙在抬臂时由下肢向上身、四肢向躯干移动，最终集中在胸背部。在弯腰姿势时由于面料自身的悬垂作用使得衣下间隙在前躯干部位出现了堆积。抬臂105°时出现了最大程度的增加，主要是由于在该姿势时人体处于平衡姿势[12]，相应地衣下间隙呈现均匀分布的状态，进而达到了最大值。

2.3 服装合体性综合评价方程的构建

上文所确定的9个衣下间隙特征指标涉及不同的类型和人体部位，为降低信息的浓度并构建一种服装合体性的综合评价指标，通过因子分析，对这9个特征指标进行线性变换和信息浓缩，从多个特征指标中提取有限因子。

1)特征指标间相关性的判定。首先对原始特征指标变量进行标准化处理，消除在数量级上的影响。基于标准化后的数据求出9个特征指标变量的相关系数矩阵，其结果显示大部分特征指标间的相关系数都大于0.3，指标之间存在较高的多重相关性，可用于后续的因子分析。KMO检验(Kaiser-Meyer-Olkin)(KMO=0.735)和Bartlett(barlett test of sphericity)球形检验的结果(P=0.000)也进一步证实，9个特征指标间的相关程度较高且指标变量服从多元正态分布的总体，适合进行因子分析。

2)基于特征值的因子个数的确定。进一步求解特征指标变量相关系数矩阵的特征值和特征向量，并根据特征值大于1且累计贡献率(累积%)大于80%的原则，确定因子个数。特征值和方差贡献率结果显示前2个变量的特征值大于1，且这2个公共因子的方差贡献率达到了91.648%，可认为这2个因子已解释了91.648%的内容，足以反映不同姿势下衣下间隙的状况，故选择这2个公共因子进行分析。

3)因子载荷矩阵的建立及因子的命名。对提取的 2个公因子建立原始因子载荷矩阵，结果显示因子变量在许多指标上均有较高的载荷，因此采用最大方差正交旋转法对原始因子载荷矩阵进行旋转。根据正向化后的因子正交旋转矩阵，可将9个指标分成2个公因子。其中，因子1在整体厚度、整体体积差和整体面积差上均有较大载荷，几乎反应了整体衣下间隙的情况，可命名为主体因子。因子2在手臂体积差和腿部体积差上有较大载荷，即主要反应了四肢衣下间隙的情况，可命名为四肢因子。至此，本文构建了主体和四肢2个方面的因子。

4)因子得分函数的构建。经因子分析得到各指标在2个因子上的负荷值，通过将各主成分载荷向量除以主成分特征值的算术平方根，得到因子的成分得分系数矩阵，如表5所示。

表5 因子成分得分系数矩阵

根据因子得分，构建因子得分函数Fi

Fi=biXj

(1)

式中：bi为因子得分系数矩阵的第i列向量；Xj为第j个衣下间隙指标。

依次设定裆长差为X1，整体厚度为X2，腿部厚度为X3，……，腿部体积差为X10，分别得到主体因子和截面面积因子的表达式：

F1=0.159X1+0.291X2+…+0.100X10

(2)

F2=0.021X1-0.240X2+…+0.082X10

(3)

5)综合因子得分方程的构建。以2个公因子F1和F2的信息贡献率作为权重值构建服装束缚度的综合因子得分方程

(4)

6)不同姿势下因子得分值的计算及排名。根据服装合体性的综合因子得分方程，分别计算不同姿势下主体因子以及四肢因子的得分和综合得分F，并根据综合得分对不同姿势下的服装合体性进行排序，如表6所示。

表6 因子综合得分及排序

综合得分结果显示，不同姿势下服装合体性的排序为：站姿时的合体性最优，其次是抬臂105°、抬臂135°、抬臂155°、弯腰动作1、弯腰动作2和弯腰动作3，与主观合体度评分结果一致。

2.4 特征指标回归关系的构建

以上分析提取了9个可用的衣下间隙特征指标，但9个指标数量仍比较多，后续进行指标提取时仍耗时耗力。根据因子分析中的相关系数矩阵，可发现大多数指标之间存在高度相关性。因此分别从厚度、面积和体积3个层面提取代表性指标，再进一步构建代表性指标与其他指标间的回归方程，方便后续研究的指标提取和计算。

以简化工作量为原则，选择整体厚度、整体面积差和整体体积差分别作为厚度、面积和体积层面的代表性指标(表示为Y)，该层面内的其他指标为X，进行回归关系的构建。如表7所示，所构建回归方程的R2都超过了0.5，最高达到了0.878，可认为回归模型的拟合效果较好。

表7 代表性指标与其他指标回归分析的结果

3 结 论

本文确定了9个可用于描述服装合体性的衣下间隙特征指标，并构建了基于衣下间隙特征指标的服装合体性综合评价方程。经检验，新构建的服装合体性评价方程的结果与主观合体度的评分结果一致，具有理想的评估效果，这为服装合体性的评价提供了一种量化方法。

结合三维图像分析和量化分析结果得出：同站立姿势相比，抬臂和弯腰姿势的形成会显著降低衣下间隙的大小，尤其是臀裆部和腿部的衣下间隙量，且动作越复杂下降程度越明显。衣下间隙量的下降表明服装无法提供肢体活动所需的空间，进而会产生着装束缚感。然而胸背部的衣下间隙随着姿势形成呈现了反向增长趋势，这主要受到扫描姿势本身特征的影响。以上结论说明，胸背部、臀裆部和腿部是穿着连体服时受到人体姿势影响的关键部位，后续连体服的优化设计需重点考虑。

本文的局限性在于，所提取的衣下间隙指标及构建的服装合体性综合评价方程是基于单层连体服以及抬臂和弯腰2种姿势的结果，因此其指标和方程的有效性仅适用于类似工种的连体防护服，如医用防护服、防静电作业服、油罐清洁作业服等。多层服装系统或分体服装还需进一步的研究。

FZXB