基于PSO-LSSVM算法的脸型与男西装领型适配性研究

周奕涵, 徐一诺, 李 涛,b,c,d, 夏 馨,b,c,d

(浙江理工大学 a.服装学院; b.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; c.浙江省服装工程技术研究中心;d.服装设计国家级虚拟仿真实验教学中心,杭州 310018)

服装个性化已成为当前用户日益关注的重点,依据用户个人体貌特征给出服装推荐建议的个性化服务已成为大众诉求[1]。此外,网络的普及使得服装市场已从线下购买形式逐渐发展为线上线下同时销售的形式[2],而线上服装无法试穿的问题一定程度上制约着服装电子商务的发展。对此,国内外众多学者进行服装推荐系统和软件的研究与开发。如以外观弱特征为分类依据的服装推荐系统[3],基于感知的服装推荐系统[4],以体型特征和风格需求为依据的服装推荐与虚拟展示系统[5]等。然而上述服装推荐系统只提供了服装整体款式的选择,忽略了细节部位的个性化需求。Liu等[6]构建的牛仔裤款式推荐与样板生成系统,除了廓形推荐,还可调节腰高和裤长等4个细节部位;Zhu等[7]搭建的基于三维人脸扫描的西装设计推荐系统中,可以进行廓形、领型、面料等细节部位的挑选;任永亮等[8]建立的西装推荐系统中,能够在人体特征识别的基础上实现西装细节部位推荐。为了追求更佳的视觉效果,有学者还进行了基于眼动追踪的脸型、颈围与不同青果领形态适配度研究[9]。通过上述方式得到的推荐结果,能有效提高消费者的体验感与满意度。因此,根据用户体貌特征的精准个性化推荐将成为服装推荐领域的新趋势。

随着复杂性科学研究深入,机器学习算法在纺织服装领域内的运用愈加广泛。如运用Faster R-CNN模型进行高跟鞋款式识别[10],利用SVM推荐女性服装号型[11],通过深度神经决策树实现服装款式推荐[12]。现有研究表明,PSO-RBF神经网络算法可以通过优化算法拟合两个因素之间的复杂关系,实现输入值由低维向高维空间的映射[13],以提高数据预测的准确率[14-15];PSO-LSSVM算法在样本量较少的情况下,仍有较高的拟合能力与预测精确度[16]。因此,本文将分别选用PSO-RBF算法与PSO-LSSVM算法进行预测。

人体着装时,衣领接近头部易成为视觉焦点,根据脸型挑选合适领型的服装能起到美化缺陷、突出优点的视觉作用。因此,本文从男性脸型分类和常见男西装领型出发,旨在研究脸型与领型之间复杂的适配性视觉关系。首先分别对男性脸型与男西装领型进行特征提取与分类,随后通过主观问卷调研获得不同从业者对于不同脸型与领型组合搭配的视觉评价分数,对获得数据进行分类描述、统计分析、相关性分析等;分析不同脸型搭配不同男西装领型的适配性,通过PSO-LSSVM算法建立脸型与领型组合搭配的视觉适配度评价预测模型;并与PSO-RBF神经网络算法比较,得出最优的脸型与领型适配度预测模型,从而实现不同男子脸型搭配一定男西装领型时的视觉效果预测,以此作为西服领型推荐参考依据。

1 实验样本准备

1.1 男性脸型特征提取与分类

1.1.1 下颌线特征提取与分类

本文以下颌轮廓特征点为依据[17],通过方程拟合和均方误差计算、比较,将下颌线分为尖形、平形、圆形3类,如图1所示。

1.1.2 面部轴向比例特征提取与分类

在测量形态面长、颞面宽、面宽与下颌宽的基础上,本文以颞面指数F(颞面宽与面宽之比)、颧下颌宽指数G(下颌宽与面宽之比)、形态面指数Z(形态面长与面宽之比)这3项数据作为分类依据[18],建立圆形、方形、长形、瓜子4种常见脸型。面部测量示意如图2所示,分类准则如表1所示。

表1 面部轴向特征分类准则

图2 面部测量示意

1.1.3 男性脸型分类结果

为控制影响因素,本文将颈部尺寸作为不变量,取中间体颈部尺寸(颈根围37.5 cm)[19],对下颌线和轴向面部结果2个因素进行交叉组合,共得12种脸型,如表2所示。

1.2 男西装领型特征提取与分类

1.2.1 男西装领型特征提取

西装领也称为翻驳领,其变化主要是由翻领、串口线、驳头、驳口线、驳点和刻口造型等要素共同影响决定的[20-21]。根据纵横向视觉影响效果与流行的固定西装造型搭配,选定本次领型分类的主要特征因素为驳头宽度、门襟开合量、扣子数量。其中将驳头宽度分为宽驳头(8.5 cm)、正常驳头(7.0 cm)、窄驳头(5.5 cm)3种[9];将门襟开合量和扣子数量分为单排一粒扣、单排两粒扣、单排三粒扣和双排两粒扣、双排四粒扣、双排六粒扣6种,均采用平驳领造型。此外再加入正常驳头的单排一粒扣青果领和正常驳头的双排六粒扣戗驳领2类西装领型。

1.2.2 男西装领型分类结果

通过对驳头宽度、门襟开合量、扣子数量3个款式特征的提取与交叉组合,共得到18种领型。再加上正常驳头的单排一粒扣青果领和正常驳头的双排六粒扣戗驳领2类西装领型,一共20种领型,分类结果如表3所示。

表3 男西装领型分类

1.3 制作实验样本

将上述男性脸型分类结果与男西装领型分类结果交叉组合后,利用CLO 3D、Photoshop与富怡CAD软件生成240个分类结果。本文以脸型为变量将结果分为12大组,以“下颌线×轴向比例”的格式对组别进行命名,如尖形下颌线的圆形脸,可命名为“尖×圆”;随后以驳头宽度为变量分为“窄”“正常”“宽”3类,再按照门襟开合量分为“单”“双”2类,每张实验图从左到右,西装的扣子数量依次增加。图片将以“-”连接各个变量分组名称来命名,数字表示扣子数量。

主观问卷实验共为12大组,每组6张图,每张图3个男子虚拟试穿模型(在“正常”小组中,每张图有4个男子虚拟试穿模型,为正常驳头内加入的2种领型),共72张图。部分实验样本如图3所示。

图3 部分实验样本

2 脸型与男西装领型适配度主观评价实验

2.1 主观评价实验内容

为初步获得男子脸型与男西装领型适配度之间的视觉关系,并获取用于建立PSO-LSSVM预测模型的样本数据,本文设立主观问卷实验。

使被试者分别观察上述72张实验图片中穿着不同领型男西装的虚拟模特,并对其脸型与领型之间的视觉效果进行满意度评价。实验中,被试者每观看24张实验图片休息1次,休息时间为2 min。该主观评价采用李克特量表[22]进行,最低分为1分,代表“非常不合适”,最高分为5分,代表“非常合适”。本次问卷共回收116份,有效问卷100份。其中男性占比32%,女性占比68%;年龄为18～25周岁,服装专业与非服装专业人数约为1︰1。

2.2 主观评价结果分析

采用SPSS软件对问卷分别进行统计分析。由信度分析结果可知,本次视觉评价实验的Alpha为0.981,信度值高;对所有样本采用S-W检验,其显著性P值为0.061,数据满足正态分布。

以脸型为分类依据,对样本进行均值描述性分析,可知各脸型与领型适配度评分详情。其中,各脸型适配度高的前2种西装领型和适配度低的后2种西装领型结果如表4所示。

表4 基于脸型的西装领型适配度排序

由表4排序结果表明,圆形脸适合正常及偏窄驳头的单排扣男西装领型;方形脸适合正常及偏宽驳头的双排扣男西装领型;长形脸适合正常驳头的男西装领型;瓜子脸对于各西装领型的适配度均较高;任何脸型搭配单排一粒扣,即驳点位置很低的男西装,其视觉适配度都较低。

3 PSO-LSSVM预测模型构建

3.1 LSSVM算法

LSSVM是对标准SVM的改进算法之一。LSSVM模型将SVM模型中不等式约束改成了等式约束,将误差平方和损失函数作为训练集的经验损失,把二次规划问题转化为求解线性方程组[23],简化了求解过程。优化问题公式如下:

(1)

式中:ω为权值系数向量,γ为惩罚系数,ei为回归误差。

构造拉格朗日函数进行求解,最终决策函数表示如下:

(2)

式中:αi为拉格朗日乘子,K(x,xi)为核函数。

根据数据特征,核函数选用RBF径向基函数,公式如下:

(3)

3.2 PSO算法

PSO算法是一种基于群体智能的全局随机搜索算法[24],具有相当快的逼近最优解的速度,可有效优化系统参数。在每次迭代中,粒子通过个体极值和全局极值更新速度和位置,公式如下:

(4)

(5)

式中:i为粒子个数,t为迭代次数,ωt为惯性因子,c1、c2为学习因子,r1、r2为[0,1]的任意值,pbest为个体最优解,gbest为群体最优解,vi为第i个粒子的飞行速度,xi为第i个粒子的空间位置。

3.3 基于PSO-LSSVM算法的适配度预测模型

LSSVM建模过程中,对预测结果影响较大的参数为惩罚系数γ和核函数参数σ[25]。为使LSSVM模型的性能达到最优,本文选用PSO算法优化惩罚参数与核函数参数。具体的PSO-LSSVM算法模型框架和训练步骤如图4所示。

图4 PSO-LSSVM模型流程示意

输入层共10个参数,分别为下颌线类型、颞面指数(F)、下颌宽指数(G)、形态面长指数(Z)、驳头宽度、驳口线长度、驳口距离、门襟开合量、纽扣数量、刻口造型。输出层共1个参数,为适配度视觉评分。

输入前先对数据归一化处理,消除数据之间的差异性。其中对于下颌线类型、门襟开合量与刻口造型3个参数处理情况如下:数值0.00表示尖形下颌、单排扣门襟、青果领;数值0.50表示平形下颌、平驳领;数值1.00表示圆形下颌、双排扣门襟、戗驳领。前10组样本数据如表5所示。

表5 前10组样本数据

建立PSO-LSSVM预测模型时,为使数据集有一定的随机性,本文将240组样本进行随机打乱处理,取其中前215组为训练集,后25组为测试集。PSO算法参数设置如下[26]:学习因子c1=1.5、c2=1.7,种群进化代数N=300,种群规模M=30,惯性权重ω=0.5。图5为参数调优过程中的适应度变化曲线,可得训练过程中适应度曲线经多次迭代逐渐达到收敛,当学习了17次时达到最佳,此时适应度值为0.006 024。

图5 适应度曲线

3.4 预测结果与分析

为评估模型在预测适配度评分时的有效性和精确性,本文采用均方根误差(RMSE)和平均绝对误差(MAE)来衡量预测值和实际值之间的偏差,计算公式如下:

(6)

式中:m为样本数量,f(xi)为样本的预测值,yi为样本的实际值。

为验证模型有效性,本文选用PSO-RBF神经网络进行比较,其中PSO算法参数设置如下[27]:学习因子c1=c2=1.449 5,种群进化代数N=200,种群规模M=20,初始惯性权重ω=0.9,最终惯性权重ω=0.3。PSO-RBF神经网络算法与PSO-LSSVM算法预测结果曲线如图6所示,对比可知,PSO-LSSVM算法的预测值要比PSO-RBF神经网络算法更接近实际值,具有更好的预测效果。误差指标如表6所示,可见PSO-LSSVM模型的平均绝对误差和均方根误差均比PSO-RBF神经网络低,预测精度比神经网络高,表明预测效果更为理想。

表6 两种预测模型误差结果

图6 预测输出曲线对比

4 结 论

本文以下颌线特征与面部轴向比例为依据将男性脸型分为12类,为男性脸型分类提供了一种基于非接触式测量的思路,也为基于机器学习的脸型识别研究提供了参考依据。从主观问卷收集脸型搭配西装领的着装效果评价,可知不同脸型适配的西装领型有所不同,可为消费者选购西服提供新的思路。

在主观问卷适配度评分的调查结果基础上,建立了男性脸型与男西装领型适配性的PSO-LSSVM预测模型,并与PSO-RBF神经网络模型进行对比。结果表明:PSO-LSSVM算法均方根误差为0.077 6,平均绝对误差为0.057 3;相对于PSO-RBF神经网络算法,均方根误差降低0.041 1,平均绝对误差降低0.037 6。说明PSO-LSSVM模型预测精度更高,效果更为理想。该算法模型为男西服款式推荐提供了一种依据用户脸型实现的新思路。

《丝绸》官网下载

中国知网下载