基于身高体重的青年女性躯干形态分类及识别

靳守宁，夏圆平，张贝贝，顾冰菲,b,c

(浙江理工大学，a.服装学院；b.浙江省服装工程技术研究中心；c.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，杭州 310018)

随着信息技术的发展，服装的生产日益趋于智能化。为了满足客户的个性化和多样化需求，服装企业从大批量、少品种的传统服装加工模式向量身定制的生产模式发展[1]。女体体型较男体更为复杂、女装品种繁多，如何制作更为合体的女装成为了当下的研究热点，其中最关键的部分是对青年女性躯干形态进行研究。1986年，中国标准化研究院第一次对全国人体尺寸信息进行采集，基于此人体信息数据库制订了GB/T 1335-1991《服装号型》[2]，此后，中国服装号型国家标准又陆续修订了4次，现行标准为GB/T 1335-2008《服装号型 女子》。然而，随着现代生活方式的改变，人们的身体形态也发生了一定程度的变化。

近几年，研究学者利用不同的方法对女性体型进行细分，其中包括：主成分分析法、体表角度分类法、特征指数分类法、侧面形态分类法等。Song等[3]从女性的轮廓形状、臀部角度和人体曲线形状出发，进行得分计算对体型进行分类。孙洁等[4]从人体角度形态差异出发将人体体型分为4类，并构建了基于神经网络集成的体型识别模型，该方法可有效区分人体形态差异。Yoon等[5]提出采用三维空间矢量方向角的方法对人体上侧面体型进行合理的分类，此方法可用于基于尺寸提取的个性化样板生成系统。樊萌丽等[6]采用能够粗略描述人体躯干形态的臀肩宽比以及横矢比例等变量，对人体形态进行大致分类，但此方法无法具体描述人体体型。Lee等[7]使用SNU-BM程序(3D人体测量软件)从腹部肥胖的男体侧面图中识别特征部位，并对他们的体型进行分类。余佳佳等[8]考虑了扁平率、身高腰高之比、胸腰差等衍生变量，采用分层聚类法对人体形态进行分类分析。王婷等[9]根据11项人体参数将青年女性躯干形态细分为I、H、S、O 4类并计算了各类体型的覆盖率。

此外，如何利用人体基本参数(如身高、体重)识别人体体型也是亟待解决的问题，围度是女性躯干形态重要的分类参数[10]，利用围度尺寸预测的方法可精确识别人体形态。邹奉元等[11]根据典型指标对人体形态进行分类，并实现了从典型指标到细部规格的预测，说明人体各参数之间存在一定的关系，可建立人体基本参数与围度参数之间的预测模型。黄珍珍等[12]利用隶属函数将预测对象与人体模型数据库中的参数相匹配，得到人体所有的尺寸参数，从而得到该对象的制衣尺寸标准。夏明等[13]实现了由断面宽度、厚度尺寸到断面形状的逆向拟合，并根据拟合的断面预测围度尺寸，研究结果可应用于二维人体测量系统。Vuruskan等[14]确定了一些能够反映体型的参数，通过视觉分析开发了人体体型识别工具。Jing[15]基于朴素贝叶斯算法，建立了体型识别模型，根据最小差算法搜索出数据库中测试样本的相似体，拟合出了主要的测量数据。

体型识别是当前服装行业的研究热点，基于以上研究可知进行体型精确识别往往需要大量的人体特征参数，而部分参数很难由手工获取，因此体型识别大多依赖于三维人体扫描仪或其他自动的人体测量方法，这大大限制了其应用范围。同时，消费者往往无法自行精确测量除身高体重之外的复杂形态参数，对形态分类结果也会产生影响。因此，本文提出“少量人体参数→躯干形态细分”的思路，基于基本人体参数“身高+体重”，结合围度重要参数对女青年躯干形态进行聚类分析，并构建人体基本尺寸(身高、体重)与围度尺寸(胸围、腰围和臀围)之间的BP神经网络预测模型，结合预测参数及体型判别模型验证该方法的准确度，为服装企业的个性化样板生成提供一定的思路。

1 人体测量实验

1.1 实验对象和仪器

选择年龄在18～25岁的在校女大学生作为研究对象，身高151.1～175.0 cm，体重41.10～77.35 kg，胸围76.76～111.95 cm，腰围58.82～93.73 cm，臀围82.28～107.70 cm，可基本覆盖各类青年女性人群。采用美国[TC]2型号为NX-16的三维人体扫描仪进行人体尺寸数据的采集。扫描过程中，实验对象需佩戴白色泳帽(覆盖黑色发丝)，穿戴白色贴体内衣，不可佩戴首饰。样本容量N的确定根据标准差与最大允许误差来决定：

(1)

式中:μα为α水平下的概率，在科研项目中多选取 1-α=99%作为置信概率，S/Δ为标准差与最大允许误差的比值，腰围的最大允许误差为1 cm，在测量项目中最小，标准差最大，因此采用腰围的最大允许误差和标准差的比值计算样本容量[16]，确定样本量为276，为防止实验过程中出现异常值，剔除后造成实验样本容量减少，因此，本课题将实验样本容量定为304，可以充分满足精度要求。

1.2 测量项目

为了能够实现躯干形态分类和识别，本文选用了5项人体基本特征变量以及3项派生变量，其中胸腰差、臀腰差能够描述人体曲线程度，BMI描述整体躯干形态，具体测量项目及测量方法见表1，此次实验的条件、名称和方法都严格遵循GB /T 5703-1999《用于技术设计的人体测量基础项目》的有关规定。

表1 测量项目Tab.1 Measuringparameters

本文利用Imageware逆向工程软件对三维扫描获得的人体点云数据进行测量，以精确获取胸围、腰围和臀围3个参数数值。首先进行点云降噪、封装、搭桥补洞等处理以获取完整的三维人体模型，如图1所示，在软件中根据标识点进行围度截取并对各部位尺寸进行测量。

图1 三维人体点云围度测量Fig.1 Girth measurements based on 3D human point cloud

2 体型分类

2.1 描述性统计分析

本文首先对采集的总体样本数据进行缺失值、极值、奇异值分析及正态检验，确定有效样本290个，对各参数进行统计分析，得到极小值、极大值、均值、标准差、偏度、峰度以及变异系数，如表2所示，可见体重和臀围的变异系数分别为12.33%和11.59%，表示数据的离散程度较大；胸腰差、臀腰差的偏度值为负，说明此变量均值左侧的离散度比右侧强，为左偏斜分布；身高峰度值为负，说明此变量的样本分布更为平缓。

表2 女青年上身指标统计Tab.2 Statistic analysis of the variables in young women's upper body

为更为直观的了解样本中女性躯干的整体形态，根据BMI指数数值一般将肥胖程度划分为5类，如表3所示。当BMI值高于24.9 kg/m2时被归类于超重体。结合表3中对290个样本的BMI指数统计，可知本研究中90%的样本BMI值低于 22.63 kg/m2，说明18～25周岁女青年样本中胖体体型较少。

表3 BMI指数统计Tab.3 Statistic analysis of BMI index

2.2 国标对比分析

根据中国现行人体号型标准(GB/T 1335.2—2008)中的体型分类方法，可基于胸腰差对本研究女青年样本进行躯干形态分类，如图2胸腰差范围划分结果所示，18～25周岁女青年的胸腰差主要集中在14 cm到24 cm之间，Y体型和A体型居多，覆盖率分别为38.97%和28.62%，而国标中女性样本A、B体型占比居多，覆盖率分别为44.13%和 33.72%，比较发现本研究中样本总体体型偏瘦，这是因为国标中样本年龄分布较广，不适用于对18～25周岁青年女性的躯干形态分析。

图2 胸腰差范围划分Fig.2 Range of bust and waist girth differences

由图3身高与胸围覆盖率可知，有70.69%的实验对象身高集中在160～165 cm，有87.24%的实验对象胸围主要集中在80～92 cm之间，18～25周岁青年女性体型主要的分布范围在160/80～165/88之间，其中身高与胸围覆盖率最大的体型是160/88，与国标中覆盖率最多的体型155/84相比，18～25岁女青年身高、胸围值较大，进一步印证了现行人体号型标准无法体现青年女性体型，因此本文需要对18～25周岁的青年女性躯干形态进行更为细致的划分。

图3 身高与胸围覆盖率Fig.3 Coverage of height and bust girth

2.3 聚类分析

由于中国现行号型标准的年龄跨度大，不适于对18～25周岁青年女性躯干形态分析，本文共计290个人体样本数据，采用K-means聚类法对女青年躯干形态进行更为详细的分类，该方法适用于变量较多、计算量小的数据处理情形[17]。这种分类方法最核心的参数是最佳聚类数K的确定，轮廓系数SC正是描述每一类内外差异的关键指标，引入轮廓系数：

(2)

式中：a表示样本点与同一类中所有其他点的平均距离；b表示样本点与下一个最近类中所有点的平均距离。由式(2)可知，SC取值范围为(-1, 1)，当SC越接近于1，则聚类效果越好，越接近-1，聚类效果越差。考虑到将样本粗略分为两类无法体现体型间的差异性，如图4所示，将女青年躯干形态聚类数确定为3类起始，此时轮廓系数SC值最大、最接近于1，结合此时样本聚3类后躯干形态相关变量的F检验值均小于0.05，说明躯干形态聚类选择3类为最佳。

图4 轮廓系数Fig.4 Silhouette coefficient

根据聚类分析结果最终将290个样本分为3类，各类形态样本占比分别为8.6%、35.9%和 55.5%，样本的最终聚类中心见表4。为分析各类躯干形态间的差异，找出每一类聚类成员中最接近聚类中心的5个样本，作为5个典型样本人体，根据其三维人体点云图，在CorelDRAW软件绘制出最终代表这一类的正侧面躯干形态轮廓图，最后对比分析3类躯干形态间的差异，如图5所示，可以发现人体正侧面形态有着显著的差异。

表4 最终聚类中心Tab.4 The final clustering center

图5 三类躯干形态Fig.5 Three types of torso morphology

为更直观的分析3类体型的躯干形态差异，分析表4中最终聚类中心数据并对3类躯干形态进行描述。Ⅰ类体型的身高、体重及围度最大，整体体型高大圆润、形态浑厚，记作“O胖体”；Ⅱ类体型与Ⅰ类体型身高等同且体重、围度和BMI数值适中，但胸腰差和臀腰差小，正面躯干形态曲线度小，记作“H匀称体”；Ⅲ类体型身高、体重最小，且胸腰差和臀腰差大，说明整体形态娇小，正面躯干形态曲线感明显，记作“X瘦体”。

2.4 判别规则

将青年女性数据样本分为3类后，基于身高、体重和胸腰臀围等6个聚类变量，使用SPSS软件根据贝叶斯判别分析法得到线性判别函数表，根据各判别系数可建立3个判别公式(即F1、F2和F3)，如式(3)所示，判别规则如表5所示。将身高、体重以及预测后的胸腰臀围等相关变量分别代入3个判别公式，根据计算值即可判断该样本的体型，如F1最大，即该样本属于第1类。

表5 女青年上体判别规则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 围度预测及体型识别

根据样本分类后的判别规则，可以对预测样本进行判别归类，从而达到体型识别的目的。近些年来，BP神经网络算法与人体体型的研究逐渐结合起来，本文通过Matlab建立了一种适合于人体截面围度预测的BP神经网络模型，解决了传统建模方式精度低的难题[18]。

3.1 BP神经网络原理及实现

神经网络的组成通常包括：输入层、隐藏层和输出层，如图6所示[19]，该图解释了BP神经网络通过正向传播把样本输入，经过隐藏层计算，最后从输出层获取从而实现“自学习”的过程。

图6 BP神经网络图像Fig.6 BP neural network model

本文所建立的BP神经网络预测模型，采用数据处理后的290个青年女性样本，将样本随机按照90%和10%的比例进行划分，260份样本作为训练数据，其余样本用来验证。在Matlab软件中实现胸、腰、臀围预测的过程中，为了减小量纲的影响，训练前通常需要对样本数据进行预处理，利用最大最小值法对输入输出数据进行归一化处理，其原理表述为：

(4)

式中：xmin为序列中的最小数；xmax为序列中的最大数，借助Matlab工具箱中的mapminmax函数实现归一化，训练模型样本采用的是标准化后的数据，后期得到的预测值需要根据描述性统计量对数据进行还原，最后利用Matlab中的newff指令进行BP神经网络的训练，初始化网络参数都采用工具箱自带的参数，隐含层节点数设为9，构造的神经网络模型结构如图7所示。

图7 BP神经网络训练结构Fig.7 Training structure diagram of BP neural network

该研究构建的BP神经网络模型结构，输入层包括身高和体重2个节点，中间隐藏层包含9个节点，输出层对应预测值(胸围、腰围和臀围)，对网络进行训练完成后，算法经历12次迭代，用时几乎为0秒，MSE(均方根误差)值小于0.001，梯度很小，找到最优解。

3.2 围度预测结果

由于人体身高、体重与围度之间并非简单的线性关系，BP神经网络算法建立的围度预测模型，比传统的建模方法更加精确、方便。首先在Matlab中构建并训练BP神经网络模型，直到R2达到最大值时停止，最后保存网络模型，下次使用时可直接调用模型。经过训练集训练完毕后，胸围、腰围和臀围的拟合优度(R2)分别能够达到0.89，0.79和0.92，以臀围为例，拟合优度如图8所示，计算3个围度的预测误差，臀围误差在2 cm之内的占比67%，胸围误差在3 cm之内的占比可达62%，腰围误差在3 cm之内的也达到了70%，预测精度如表6所示。

表6 围度预测精度Tab.6 The predicted accuracy of the girths

图8 臀围拟合优度Fig.8 Predicted effect of hip girth

3.3 预测体型识别

根据实际参数聚类后的判别规则，验证利用预测参数识别体型的准确性，计算得到判别分析的结果，如表7所示，预测得到的样本数据有255个被正确分类，错误分类有35个，分类正确率达到88%，说明基于BP神经网络算法建立的人体围度预测模型，结合预测参数进行体型识别的方法具有可行性。

表7 判别分析结果Tab.7 The results of discriminant analysis

4 结 论

本文选取了304名18～25周岁的女青年，基于人体身高、体重，以及胸、腰、臀围基本变量，结合衍生变量对女青年上体体型进行聚类分析，将女青年躯干形态分为3类，包括：O胖体、H匀称体和X瘦体。并建立了BP神经网络预测模型，运用聚类分析判别规则，对预测样本的形态进行识别，臀围预测误差在2 cm之内的占比67%，对预测样本形态进行识别的正确率达到88%，说明基于BP神经网络预测体型的识别方法具有一定的可行性。此方法既可用于定制服装时个体体型的确定，也可为个性化样板生成系统提供详细、准确的人体信息。