基于角度半径的青年男子躯干部形态相似性匹配

摘要： 为实现基于三维人体点云的人体形态相似性匹配，文章提出了利用角度半径进行青年男体躯干部轮廓形态描述的方法。先以187名18～25周岁的青年男大学生为研究对象，使用三维扫描法获取其三维点云数据。再通过逆向工程软件识别人体躯干部特征点，截取其正侧面躯干轮廓形态。然后分别建立正侧面躯干部坐标系，提取27个正面角度半径值和60个侧面角度半径值形成三维点云躯干形态数据库。选取14名被试者进行验证，提取的正、侧面角度半径为样本，采用均方根误差法与点云截面数据库进行匹配，并使用OpenCV框架中的MatchSharp法验证匹配结果。结果显示，13名被试者的躯干部正侧面轮廓形态与三维点云轮廓形态匹配成功，准确率达92.86%。研究结果可为三维点云形态相似性分析提供一定的理论基础。

关键词： 角度半径;人体轮廓;躯干部形态;形态相似性;青年男子;三维点云

中图分类号： TS941.17

文献标志码： A

文章编号： 10017003（2024）08期数0087起始页码08篇页数

DOI： 10.3969/j.issn.1001-7003.2024.08期数.010（篇序）

收稿日期： 20240102;

修回日期： 20240614

基金项目： 国家自然科学基金项目（61702461）;“纺织之光”中国纺织工业联合会应用基础研究项目（J202007）;中国纺织工业联合会科技指导性项目（2018079）;浙江理工大学科研业务费专项资金资助项目（2020Q051）

作者简介： 盛锡彬（1998），男，硕士研究生，研究方向为数字化服装技术。通信作者：顾冰菲，副教授，gubf@zstu.edu.cn。

随着世界经济的不断发展，人们的生活水平不断提高，对服装的舒适性、合体性等的需求也日益凸显［1-3］。线上服装消费过程中，由于无法试穿，消费者难以选到合体服装，如何快速准确地对消费者人体形态进行分析是个亟待解决的问题［4-5］。

非接触式二维人体测量法逐渐受到重视［6］，其中人体轮廓的识别和匹配是重点研究方向。众多国内外学者对此已做了大量研究，倪世明等［7］采用RBF神经网络、三次样条函数、最小二乘法分别构建冠状面轮廓曲线模型，对比后RBF神经网络精度优于后两种，并通过冠状面轮廓拟合曲线曲率和二阶导数进一步量化分析人体轮廓的主要特征点，但该方法不能准确描述出人体轮廓，只能找出其关键特征点和轮廓的曲率。Ilaria等［8］提出了一种利用傅里叶系数的相位和使用动态时间规整距离来描述形状，使傅里叶描述符更加易于实现，但该方法需在与查询图像完全匹配的内容的大型数据库中使用。Mokhtarian等［9］利用曲率尺度空间来表示物体轮廓的形状，通过计算曲率来描述不同的形状，根据过轮廓线最大值的对应关系进行相似度计算，但评价该匹配方法的有效性太过于主观。Attalla等［10］提出了一种多分辨率等分多边形并获取其中心周围的三个特征的方法，在保持高精度的同时，也满足了在不同时间和空间上的灵活性。该研究所提出的方法具备旋转、缩放和平移不变性，但对轮廓和数据库的要求比较高。

近年来，Belongie等［11］提出的形状上下文描述符得到了国内外众多学者的认可，即基于轮廓点集的空间位置关系进行形状描述，可结合其他方法来弥补非精确匹配的限制。Ling等［12］提出了结合形状上下文扩展后的内距离和多维尺度来构造形状描述子，并在人体轮廓上进行测试且得到了良好的匹配结果。Daliri等［13］首次提出了符号串与形状上下文结合的形状描述子，将每个轮廓转换为符号串，并使用编辑距离计算符号之间的相似度。刘建秀等［14］引入了一种基于轮廓关键点和表面描述点的形状上下文的形状描述子，使用轮廓线和表面泊松盘均匀采样获取模型的特征描述。在获取较少采样点以提高模型对比效率的同时，对模型结构的改变变得十分敏感。李彩霞等［15］提出了一种对形状上下文特征匹配进行改进的线状要素Morphing方法，只考虑线上点的分布形态，消除了点集数目差异对点对相似性评估的影响。吴建立［16］以坐标点和形状质心的连线为X轴创建对数极坐标的方法来改进形状上下文，又用K近邻滤波器将图像轮廓做预处理，改进后的形状上下文的形状描述子提高了稳定性和有效性。以上研究中所使用的形状上下文的方法对轮廓匹配具有严格的要求，且无法处理匹配结果中出现异常点的问题。李晓［17］指出形状上下文在形状描述和匹配上还有一定的缺陷，在图像的噪声、边界特征点的提取都有很大的改进空间。从陈慧静等［18］使用形状上下文匹配人脸中可以看出，使用形状上下文匹配人体形态的困难程度大。

针对以上匹配难度大、精确度低等不足，本研究结合人体三维点云数据，探讨如何将人体轮廓形态进行量化描述。提出一种基于角度半径的轮廓形态描述法，建立基于人体点云的正侧截面躯干形态角度半径数据库，并选取14名被试者作为待匹配对象，来提取角度半径值。最后利用均方根误差法实现三维点云截面躯干形态的相似性匹配，并通过OpenCV框架中的MatchSharp算子进行方法的有效性验证，为基于人体三维点云的形态分析和三维重建研究提供理论依据和技术支持。

1 数据采集

1.1 人体测量方法

人体测量实验主要采用三维扫描测量法。实验环境温度（27±3） ℃，相对湿度（60±10）%。测试者需统一佩戴上白色测量帽，身着合体白色短裤，身上不可佩戴手表、项链等饰品，并依照指定姿势站立。采用美国［TC2］NX-16非接触式三维人体扫描仪以指定站姿进行扫描，测试者需呈自然放松状态，双脚站立在标有脚印的位置，双手用力均匀地握住身体两侧的扶手，目视前方，保持正常呼吸。扫描人体完整点云数据如图1所示。

1.2 样本量的确定

样本对象的选择是实验的关键，直接决定了数据的准确与否［19］。采用统计学上的随机抽样方式，将随机抽样的数据样本组成本研究的样本对象。样本量（N）的计算公式如下式所示：

N=μα×σX×A2（1）

式中：μα为某一置信水平下的置信界限的绝对值，σ为样本标准差，X为样本均值，A为相对误差。

在科学研究中，一般采用95%的置信水平，即α=0.05、μα=1.96、A取2%。由式（1）计算得到，理论样本容量为92人。为确保有效样本量的数量，保证实验数据的准确性，本研究最终以217名年龄在18～25周岁的在校男大学生为研究对象，身高在160～190 cm，体重在50～80 kg。

通过对217个样本的三维点云数据进行点云缺失、错误站姿等奇异值处理，最终确定有效样本数量为187个。最后通过［TC2］NX-16扫描14个新样本的人体点云的正侧面图片作为验证样本，以证明本研究方法的可行性和精确度。

1.3 测量项目

本研究使用逆向工程软件Imageware对扫描获得的三维人体点云数据进行分析与数据测量，三维人体点云被自动分为五个部分，包括躯干部、左臂、右臂、左腿和右腿。为去除头部形态影响，首先将人体躯干部定义为去除双臂后人体颈部至裆部的部分。其中，颈部是指人体侧视图中，颈部下颌线的曲率最大点（即颚颈点）所处的水平截面，命名为躯干部上端截面;裆部是指左、右坐骨结节最下点的连线与正中矢状面的交点（即会阴点）［20］所处的水平截面，命名为躯干部下端截面。基于本研究提出的人体角度比例形态描述子研究可实现人体形态的量化［21］，后续将对匹配对象的躯干部特征部位的宽度、厚度及角度值进行测量，其中涉及的特征点包括侧颈点（SNP）、后颈点（BNP）、肩点（SP）、腋下点（AP）、腰点（WP）、背点（RP）、臀凸点（HP）。

2 三维点云躯干部形态数据库构建

2.1 躯干部参数提取

为实现躯干部参数自动提取，本研究将上端截面定义为颈部下颌线的曲率最大点。曲率最大点的原理为曲线f（x）的曲率为某个点的切线方向角对弧长的转动率，曲率越大表示曲线的弯曲程度越大。由图2（a）可见，从曲线f（x）右端点开始，将曲线上一点处的曲率圆弧近似代替该点附近曲线弧，计算每个点的曲率半径，A点的曲率半径为R1，B点的曲率半径为R2，C点的曲率半径为R3，而R2的半径最小，因此B点是ABC三点中曲率最大的点。根据王珊珊等［22］得到的前颈长的高度范围和前期手工测量数据可知，颈部高度处于身高的85%～89%，如图2（b）所示，直线Ha与直线Hb之间的脖颈曲线即为颈部所处范围。颈部曲率最大点处的搜寻从P点开始计算曲线的曲率K，计算公式如下式所示：

K=y″（1+y″2）32（2）

式中：y′为曲线一阶导数，y″为曲线二阶导数。

往下搜寻，当某点所求曲率最大且二阶导数小于零时，如图2（b）中的点（曲率最大点）所处的水平位置即为躯干部上端截面。截取后的正侧面躯干部如图2（e）（f）所示。

为验证人体点云正侧面躯干部轮廓相似性，本研究将通过6个比例参数包括颈肩厚比（RTns）、颈腰厚比（RTnw）、胸腰宽比（RWbw）、胸腰厚比（RTbw）、胸臀宽比（RWbh）、胸臀厚比（RTbh）和6个角度参数包括肩斜角（Aα）、胸侧角（Aβ）、臀侧角（Aγ）、背入角（Aδ）、胸下凹角（Aε）、臀上凸角（Aξ）对躯干部量化表征，具体参数定义及提取和计算方法如图3及表1所示。

2.2 三维点云躯干部形态数据库构建

为实现正侧面躯干部角度半径的自动提取，基于人体点云正侧面躯干轮廓图分别建立坐标系。在人体躯干轮廓正视图中，将人体肩臂部最外侧两点所在的直线定义为X轴，以肩臂部两点中点为坐标原点（O点），Y轴过O点垂直于横轴，如图4（a）所示;以侧面躯干部轮廓的最小外接矩形为参考，外接矩形的中心即为侧面躯干轮廓图的坐标原点（O′点），并以此建立躯干轮廓侧视图的坐标系，如图4（b）所示。

采用角度半径描述人体轮廓曲线的基本原理是：人体轮廓可以看成是由一个个连续的点组成的一条曲线，而一条曲线定能找到其外接矩形的中心原点，从原点以某个角度发出的一条射线与曲线相交于一点Ai（xi，yi），如图5所示。

根据两点之间的距离计算公式如下式所示：

di=x2i+y2i（3）

该点Ai与原点的直线距离为角度半径［23，24］。当角度越小时，曲线所得到的角度半径就越多，用来描述该曲线则越精确。

三维扫描仪获得的人体点云，左右之间存在一定的差别。主要有两个原因：一是由于测试者在测量过程中姿势引起的误差;二是由于个人的生活习惯等原因的影响。考虑到人体的对称性，以及服装合体性的需求，本研究将对人体正面轮廓作对称处理。参照所建立的坐标系，正面人体轮廓可表示为（x0，y0）（x1，y1）…（xn，yn）。根据对称公式x=x2-x12，将纵轴作为对称轴，令具有相同纵坐标的两点（x-1，y1）和（x1，y1）关于Y轴对称，得到-x1-x-12，y1x1-x-12，y1，则图4（a）的人体轮廓即为对称后的轮廓。

为使得以角度半径的轮廓描述能够基本符合人体原始轮廓形态，本研究以5°为间隔在人体正侧面躯干部轮廓上提取角度半径，如图4所示。因躯干部的上端截面和下端截面不是人体真实轮廓，在提取角度半径时，将自动剔除上、下端截面轮廓曲线的角度半径值。由于已对截面曲线进行了对称处理，所以只提取人体右半边躯干轮廓的角度半径值为研究对象，最终提取了27个正面轮廓角度半径值Rα，其中α代表所提取角度半径的度数（α=0°，5°，10°，15°，…）。而侧面轮廓不具有对称性，最终提取了人体前后轮廓60个角度半径值Rφ（φ=5°，10°，15°，…）。

由于图像像素存在差异，将187位人体点云截面躯干部正侧面轮廓的角度半径系数做归一化处理，得到最终由βi（i代表角度半径的数量）所组成的点云截面躯干匹配数据库。计算公式如下式所示：

βi=Rα2R0（i=1，2，…，26） βi=Rφ2R0（i=27，28，…，86）（4）

式中：Rα（α=5°，10°，15°，…）为躯干部正视图的角度半径值，Rφ（α=5°，10°，15°，…）为躯干部侧视图的角度半径值，R0为躯干部正视图中角度为0°时所测量的角度半径值。

作为新样本的待匹配对象14名被试者的正侧面轮廓的角度半径值处理方式同βi一致，命名为γi。

3 躯干形态匹配及验证

3.1 躯干部形态匹配

Chai等［25］验证了使用均方根误差与其真实值的偏差在

5%以内，因此本研究将采用均方根误差作为匹配衡量标准。

均方根误差是预测值和真实值偏差的平方与观测次数n比值的平方根。均方根误差（RMSE）计算公式如下式所示：

RMSE=1n∑1i（γi-βi）2（5）

式中：n为一个样本中的数据量，γi为14名被试者的角度半径提取值，βi为三维点云躯干匹配数据库的角度半径。

为验证本研究所提出方法的可行性，同时调用OpenCV框架中的MatchShape方法，该方法通过计算比较两个轮廓的Hu矩来比较轮廓之间的相似性［26］。Hu矩值越小，说明两个轮廓匹配越好，相似度越高。两轮廓完全相同的结果是0，数值越大越不相似，最大值是1。

以14名被试者作为验证对象，通过其提取的归一化后的正侧面角度半径系数，进行点云截面轮廓的匹配。将每位被试者的均方根误差数值和Hu矩值均进行升序排列，结果显示两种方法匹配结果中仅有1个样本的结果排序异常，准确率达92.86%。通过比对两个相似人体的轮廓和胸腰臀部的角度半径的趋势可以看出，躯干部正侧面轮廓线重合度较高，且两条趋势线走势大致相同，说明角度半径的匹配方法可以较为准确地匹配图片与点云数据，如图6、图7所示。

3.2 躯干部形态验证

为进一步验证该匹配方法的准确性，通过14名被试者相似躯干部形态匹配，获得相似人体，并将两者进行对比，如表2所示。结果显示，宽度、厚度比值的误差在-0.053～0.48，角度的误差在-3.29°～2.73°，且独立样本T检验结果显示，Sig.值均大于0.05，说明相似体与被试者之间无显著差异。因此，本研究所提出的匹配方法具有一定的可行性。

4 结 论

本研究提出了一种基于角度半径的青年男体躯干部轮廓形态描述方法，并实现了人体点云数据之间相似性匹配。基于187名18～25周岁的青年男大学生的三维点云数据，通过逆向工程软件Imageware确定人体躯干部特征点，截取其正侧面躯干部形态，提取躯干部特征部位的宽、厚度及其角度。分别建立正侧面躯干部坐标系，提取27个正面角度半径值和60个侧面角度半径值以建立点云图片躯干形态数据库。选取14名被试者进行验证，提取正侧面角度半径作为样本。以归一化后的点云截面数据库和图片提取值为匹配对象，采用均方根误差法和OpenCV框架中的MatchShape法比对匹配结果。两种匹配方法的结果显示，13名被试者的躯干部正侧截面轮廓形态匹配一致，准确率达92.86%。为进一步证明该2XKdAqAHlstvNHX4Qb9gbeCBgD536BsvI4gnZPdaTR4=匹配方法的准确性，将人体特征部位测量参数进行T检验，结果显示Sig.值均大于0.050。本研究结果可为人体图片与三维点云形态相似性分析提供一定的理论基础。

参考文献：

［1］ANUTHARA G， SARAH K， KELLY C. AI digitalisation and automation of the apparel industry and human workforce skills［J］. International Journal of Fashion Design， Technology and Education， 2023， 16（3）： 319-329.

［2］HASSAN A W， CHIHIRO W， YUJI T， et al. A new perspective on the textile and apparel industry in the digital transformation era［J］. Textiles， 2022， 2（4）： 633-656.

［3］顾冰菲， 张健， 徐凯忆， 等. 基于聚类和形态参数的人体体型分析研究进展［J］. 服装学报， 2023， 8（4）： 307-314.

GU B F， ZHANG J， XU K Y， et al. Research progress of human body shape analysis based on clustering and morphological parameters［J］. Journal of Clothing Research， 2023， 8（4）： 307-314.

［4］顾依然， 潘力， 姚彤， 等. 东北地区青年女性胸部形态分类与回归建模［J］. 丝绸， 2022， 59（7）： 64-70.

GU Y R， PAN L， YAO T， et al. Classification and regression modeling of breast shape of young females in northeast China［J］. Journal of Silk， 2022， 59（7）： 64-70.

［5］钟泽君， 张贝贝， 徐凯忆， 等. 基于特征参数的青年女性乳房形态分析［J］. 纺织学报， 2022， 43（10）： 148-154.

ZHONG Z J， ZHANG B B， XU K Y， et al. Research on breast shape of young females using characteristic parameters［J］. Journal of Textile Research， 2022， 43（10）： 148-154.

［6］张建华， 刘珍， 张继红. 基于青年女性体型特征的日本新文化原型结构修正［J］. 服装学报， 2021， 6（5）： 396-401.

ZHANG J H， LIU Z， ZHANG J H. Optimization of the Japanese new basic bodice pattern based on youth female body feature［J］. Journal of Clothing Research， 2021， 6（5）： 396-401.

［7］倪世明， 白云龙， 蒋益群. 人体冠状面轮廓曲线数学模型构建与量化分析［J］. 丝绸， 2022， 59（3）： 20-27.

NI S M， BAI Y L， JIANG Y Q. Mathematical model construction and quantitative analysis of human coronal profile curve［J］. Journal of Silk， 2022， 59（3）： 20-27.

［8］ILARIA B， PAOLO C， MARCO P. WARP： Accurate retrieval of shapes using phase of fourier descriptors and time warping distance［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2005， 27（1）： 142-147.

［9］MOKHTARIAN F， ABBASI S， KITTLER J. Efficient and robust retrieval by shape content through curvature scale space［J］. Image Databases and Multi-Media Search， 1997： 51-58.

［10］ATTALLA E， SIY P. Robust shape similarity retrieval based on contour segmentation polygonal multiresolution and elastic matching［J］. Pattern Recognition， 2005， 38（12）： 2229-2241.

［11］BELONGIE S， MALIK J， PUZICHA J. Shape matching and object recognition using shape contexts［J］. IEEE Transaction on Pattern Analysis and Machine Intelligence， 2002， 24（4）： 509-522.

［12］LING H B， JACOBS D W. Shape classification using the inner-distance［J］. IEEE Transactions on Pattern Analysis and Machine Intelligence， 2007， 29（2）： 286-299.

［13］DALIRI M R， TORRE V. Robust symbolic representation for shape recognition and retrieval［J］. Pattern Recognition， 2008， 41（5）： 1782-1798.

［14］刘建秀， 苏文哲， 苏治东. 基于轮廓关键点形状上下文描述的BIM模型版本对比方法［J］. 图学学报， 2023， 44（5）： 1034-1040.

LIU J X， SU W Z， SU Z D. A comparison method of BIM model based on the shape context description of contour key points［J］. Journal of Graphics， 2023， 44（5）： 1034-1040.

［15］李彩霞， 翟仁健， 杜佳威， 等. 一种改进形状上下文特征匹配的线要素Morphing方法［J］. 测绘科学技术学报， 2019， 36（6）： 654-658.

LI C X， ZHAI R J， DU J W， et al. A linear feature Morphing method by improved shape context matching［J］. Journal of Geomatics Science and Technology， 2019， 36（6）： 654-658.

［16］吴建立. 基于改进形状上下文算法的形状匹配研究［D］. 马鞍山： 安徽工业大学， 2017.

WU J L. Study of Shape Matching Based on Modified Shape Context Algorithm［D］. Maanshan： Anhui University of Technology， 2017.

［17］李晓. 基于上下文的形状匹配算法研究与实现［D］. 武汉： 华中师范大学， 2012.

LI X. Research and Implementation of Shape Matching Based on Shape Context［D］. Wuhan： Central China Normal University， 2012.

［18］陈慧静， 夏小玲. 基于形状上下文的人脸匹配算法［J］. 计算机工程， 2009， 35（3）： 208-210.

CHEN H J， XIA X L. Human face shape match algorithm based on shape context［J］. Computer Engineering， 2009， 35（3）： 208-210.

［19］王永波. 基于3D人体测量的江浙地区青年男性腰臀部特征研究［D］. 无锡： 江南大学， 2019.

WANG Y B. Study on Characteristics of Jiangsu and Zhejiang Young Male’s Waist-Hip Based on 3D Body Measurement［D］. Wuxi： Jiangnan University， 2019.

［20］鲍陈， 缪永伟， 孙瑜亮， 等. 基于散乱点云的三维人体自动测量［J］. 纺织学报， 2019， 40（1）： 120-129.

BAO C， MIAO Y W， SUN Y L， et al. Automatic measurement of three-dimensional human body based on scattered point cloud［J］. Journal of Textile Research， 2019， 40（1）： 120-129.

［21］王婷. 青年女性颈肩部形态自动识别与建模研究［D］. 杭州： 浙江理工大学， 2021.

WANG T. Automatic Recognition and Modeling of Young Women’s Neck-shoulder Shape［D］. Hangzhou： Zhejiang Sci-Tech University， 2021.

［22］王珊珊， 王鸿博. 基于三维人体测量的江浙在职男青年颈部形态［J］. 纺织学报， 2013， 34（10）： 131-136.

WANG S S， WANG H B. Neck morphology research of on-the-job young men in Jiangsu and Zhejiang areas by means of three-dimensional anthropometry［J］. Journal of Textile Research， 2013， 34（10）： 131-136.

［23］WANG T， GU B F. Automatic recognition and 3D modeling of the neck-shoulder human shape based on 2D images［J］. International Journal of Clothing Science and Technology， 2021， 33（5）： 780-794.

［24］HLAING E C， KRZYWINSKI S， ROEDEL H. Garment prototyping based on scalable virtual female bodies［J］. International Journal of Clothing Science and Technology， 2013， 25（3）： 184-197.

［25］CHAI T， DRAXLER R R. Root mean square error （RMSE） or mean absolute error （MAE）［J］. Geoscientific Model Development Discussions， 2014， 7（1）： 1525-1534.

［26］HUANG C X， CHEN D， TANG X S. Implementation of workpiece recognition and location based on opencv［C］//2015 8th International Symposium on Computational Intelligence and Design （ISCID）. Hangzhou： IEEE， 2015.

Morphological similarity matching of young male trunks based on angular radius

ZHANG Chi， WANG Xiangrong

SHENG Xibin1， GU Bingfei1，2，3

（1.School of Fashion Design & Engineering， Zhejiang Sci-Tech University， Hangzhou 310018 China; 2.Zhejiang Provincial Research Center of Clothing Engineering Technology， Hangzhou 310018， China; 3.Key Laboratory of Silk Culture Heritage and Products Design Digital Technology， Ministry of Culture and Tourism， Hangzhou 310018， China）

Abstract： With the continuous development of the world economy and people’s living level， the demand for clothing comfort and fitness has become increasingly prominent. In the process of online clothing consumption， it is difficult for consumers to try on and choose suitable clothes. How to analyze the human body shape quickly and accurately is an urgent problem to be solved. Increasing attention has been paid to non-contact two-dimensional anthropometry， with the recognition and matching of human body contour being the key research direction. Many domestic and foreign scholars have carried out substantial studies， and put forward a variety of methods such as RBF neural network， cubic spline function， least square method and Fourier coefficient， but these methods can not fuzzy match the human body shape. The shape context method has also been used for shape matching. Although this method can improve the accuracy and speed of matching， it is still difficult to match human form with the shape context.

Therefore， this study focused on how to describe human body contour shape quantitatively based on three-dimensional point cloud data of human body. An angular radium-based contour description method was proposed. One hundred and eighty-seven young male college students aged 1825 were selected as research objects， and three-dimensional point cloud data were obtained by three-dimensional scanning method. Then the reverse engineering software was used to identify the feature points of the human trunk and intercept the silhouette of the front and lateral trunk. The frontal and lateral trunk coordinate systems were established respectively， and 27 frontal and 60 lateral angular radii were extracted to establish the frontal and lateral trunk form angular radii database based on three-dimensional human point cloud. In order to obtain the human body with a similar shape， the angular radius was used as the reference to judge whether the cross-section shape of the characteristic parts was consistent， and the similarity was quantified by the root mean square of the shape description index. Finally， the angular radius value extracted by 14 subjects was taken as the object to be matched， and the root-mean-square error method was used to achieve the similarity matching of the torso shape of the three-dimensional point cloud cross-section. The effectiveness of the method was verified by the MatchSharp operator in the OpenCV framework. The results of the two matching methods showed that the 13 subjects matched the frontal and lateral sections of the trunk with an accuracy of 92.86%. To further prove the accuracy of the matching method， the measurement parameters of human characteristic parts were tested by T test. The results showed that the error range of the ratio of width and thickness was between -0.053 and 0.48， and the error of the angle ranged from -3.29° to 2.73°， with Sig. values being greater than 0.05. Therefore， the matching method proposed in this study has certain feasibility.

This study provides a new way for human body shape similarity matching， theoretical basis and technical support for human body 3D point cloud based morphological analysis and 3D reconstruction research， and can be further used for 3D virtual reconstruction based on human body photos.

Key words： angular radius; human contour; trunk morphology; morphological similarity; young male; 3D point cloud