體型分析在觀測服裝號型適應性上的應用

鄧椿山， 李 琴， 周 莉， 張龍琳

(1. 西南大學 紡織服裝學院， 重慶 400715；2. 西南大學 重慶市生物質纖維材料與現代紡織工程技術研究中心， 重慶 400715)

體型分析在觀測服裝號型適應性上的應用

鄧椿山1，2， 李 琴1，2， 周 莉1，2， 張龍琳1，2

(1. 西南大學 紡織服裝學院， 重慶 400715；2. 西南大學 重慶市生物質纖維材料與現代紡織工程技術研究中心， 重慶 400715)

針對當前國內外缺失觀測特定人群的服裝號型適應性這一現狀，提出以體型分析為基礎的服裝號型適應性觀測方法，通過捕獲人體的三維數據，從數據集群中選擇服裝號型分類變量的主成分，帶入我國服裝號型標準中進行驗證。依據多組K均值聚類分布結果，結合驗證后的號型覆蓋率和檔差關系選取最優K值，觀測聚類中心的數值和分布圖，描述該樣本的服裝號型適應性。結果表明：測量對象的差異性對號型分類變量的選取有直接影響，該服裝號型適應性觀測方法能夠得到觀測對象的體型發展趨勢、服裝號型覆蓋率和檔差調整方案、具體的“號”與“型”對應關系，提高了服裝市場調研和生產計劃的準確性。

體型分析； 服裝號型； 適應性；K均值聚類

由我國國家標準化管理委員會和國家質量監督檢驗檢疫總局發布的服裝號型GB/T 1335.1—2008《服裝號型 男子》，GB/T 1335.2—2008《服裝號型 女子》和GB/T 1335.3—2008《服裝號型 兒童》歷經了1981年、1991年、1997年、2008年4個版本的修訂。隨著信息化在各行業的持續深入，我國服裝號型的統計和分析工作面臨著更高層次的要求。近幾年內，非接觸式三維掃描在服裝學科應用的興起，從手工測量向自動化、數字化轉變的趨勢越發明顯，電子化量身定制(E-MTM)服裝生產將成為服裝業的重要發展方向[1-2]。

2001年英國設立了人體數據庫SizeUK項目，是世界上首個采取人體掃描作為首要手段來獲取測量數據的全國性人體尺寸調查[3]。近幾年,隨著人體掃描項目在我國的開展，基于體型分析的服裝號型研究普遍通過控制部位的主成分分析得到分類變量數值，再利用K均值聚類法進行分類，對除身高外的其他數值的平均數進行檔差計算[4-6]。此外，也有通過建立體型類別(基于控制部位的不同描述方法)與相應的數據段落，建立回歸方程，反求體型分類[7-8]。以上2種正向與逆向的方法均涉及體型的分類判別模型，即形體指標的重要特征變量。Width-height獨立評分方法則是在2個維度上分離相關性進行的人體體型探討[9]。在過去的研究中，作為劃分法的K均值聚類，利用循環定位技術將對象從一個劃分移到另一個劃分來幫助提高劃分質量[10],K預設通常依據主觀經驗，后通過最優距離算法去判定K值。這種方法雖然在數值上能夠推算出最優K值，但數值最優并不能代表此K值在觀測意義上的準確性。

本文通過體型數據的分類變量推算，提出了以分類變量的檔差情況結合K均值聚類分布圖的離散程度逆向選取K值的方法。系統地整理了從體型數據收集到觀測服裝號型適應性的全流程，這種觀測方法能夠實際地描述K值的選擇意義、觀測對象的體型發展趨勢、服裝號型覆蓋率、檔差調整方案和具體的號與型的對應關系。

1 體型數據的獲取與預處理

1.1 體型數據的獲取

測量方法：依據GB/T 23698—2009《三維掃描人體測量方法的一般要求》，采用非接觸式三維掃描(光柵法)捕獲人體的點云數據，通過反求軟件得到人體的三維視圖。針對模型漏洞進行逆向修補，依據模型截面計算體型測量部位的圍度長與高度數值，將數據錄入相關分析軟件(SPSS和MatLab)中進行體型數據集群的統計學分析和號型重組。

使用北京博維恒信科技發展公司的3D CaMega光學掃描儀(六探頭)測量體型數據，人體點云數量約180萬個，測量精度達到0.2 cm。

測量對象為西南地區在校女大學生，年齡范圍為18～25歲。測量部位為身高、頸圍、胸圍、腰圍、臀圍、前腰節長、前胸寬、全臂長、后背長、肩寬、后背寬、前后腋間距、頸椎點高、上身長、下身長。

1.2 集群數據的預處理

1.2.1 樣本量計算

在簡單隨機抽樣的條件下，樣本量n的計算公式為

式中：Z代表95%置信水平下的統計量為1.96；S為總體的標準差；d為樣本允許誤差。依據我國服裝號型標準GB/T 1335.2—2008《服裝號型 女子》規定的成年人體各部位尺寸的標準差和最大容許誤差，以腰圍為基礎的樣本量人數n最大為173人。為覆蓋樣本量并保證異常值的補錄問題，選取191人(1.1n)為樣本量進行測量。

1.2.2 異常值檢查

對測量數據進行箱線圖檢查，在191個有效數據中剔除明顯的異常值。剔除胸圍異常值119號、28號進行重新測量，補錄數據。

1.2.3 描述統計量

表1示出描述統計量，樣本量n中數據胸腰差的極小值與極大值范圍均超過國家標準的號型分檔范圍Y、C。

表1 描述統計量Tab.1 Descriptive statistics

2 與國家成年女性體型的對比

表2示出西南地區女大學生體型與國家統計成年女性的Z分數(Z>0，則觀測值為增大趨勢；Z<0，則觀測值為減小趨勢。可以看出，西南地區女大學生的身高、胸圍、腰圍均大于全國成年女性，且腰圍增大明顯，導致了胸腰差小于全國成年女性，偏胖體型趨勢顯著。臀圍較全國成年女性相比較小，導致臀胸差的均值較小。

表2 樣本女體與全國成年女體對比

3 服裝號型分類變量分析

表3示出主成分矩陣。由表可知，體型主要的5個控制部位為：腰圍、臀圍、臀胸差、胸腰差、胸圍。

表3 主成分矩陣Tab.3 Principal component matrix

我國服裝號型主要通過身高和胸腰差作為分類變量，包含Y、A、B、C這4種號型，如Y體型胸腰差范圍為19～23 cm，并以4 cm為檔差遞減。表4示出在C體型(偏胖體型)4～8 cm的分檔之外另有14組數據，為驗證國家與國際服裝號型在本文數據中的適應性情況，在國家服裝號型標準基礎上增加C2檔(肥胖體型，胸腰差大于-2.1 cm且小于3 cm)，胸腰差極大值為26.3 cm僅1個案例，權重為0.5%，放入國標Y體型(19～23 cm)中進行統計。

ISO/TR 10652《德國服裝標準尺寸系統》中女子體型是通過臀胸差作為分類變量，劃分為H/M/A這3種號型。依據樣本的臀胸差范圍增加H2檔，實驗結果如表5所示。2組實驗結果對比如表6所示，綜合6項身體部位均值差可得：以胸腰差作為分類變量，在身高、腰圍及臀胸差上的離散度較好；以臀胸差作為分類變量，則胸圍和臀圍的離散度較好。由表3可知，腰圍在體型中的權重較高，且身高、腰圍及臀胸差的數據能更好地反映體型，所以選擇胸腰差作為體型的分類變量。

表4 胸腰差作為分類變量的實驗結果Tab.4 Experimental results of chest-waist difference as classified variable

表5 臀胸差作為分類變量的實驗結果Tab.5 Experimental results of hip-chest difference as classified variable

表6 2種實驗結果對比Tab.6 Comparison of two experimental results cm

4 K均值聚類中心分析

由于K均值聚類法采用迭代計算方式，噪聲和離群點對于聚類中心的結果有著嚴重的影響[11]，因此，在1.2.2小節首先對樣本進行了異常值檢查。

K均值聚類的算法公式為

聚類結果受初始聚類中心(k個代表點P1，P2，P3，……，PK)影響逐個對樣本X進行分類，直至V點不發生變化。聚類收斂所需的迭代次數受數據離散程度影響[4]，迭代次數需要一定的數值保證樣本量的循環計算，因此，迭代次數的選擇需要根據樣本量n的大小進行調整，以滿足完全收斂。

本文選用MatLab 2014進行程序編譯，選擇K均值聚類對身高-胸腰差進行處理。K均值聚類需要在人工錄入K值的前提下進行迭代計算，為能夠清晰地觀測到聚類中心的分布，需要通過K值的取值實驗。調用MatLab中K均值聚類函數，選擇迭代次數為10，計算K的最優整數取值(K≥4)，聚類分布圖見圖1、2。

圖1 K=4時K均值聚類分布圖Fig.1 K-means cluster distribution map when K=4

圖2 K=7時K均值聚類分布圖Fig.2 K-means cluster distribution map when K=7

由于篇幅的關系，本文截取了初始取值K=4，和最終取值K=7，2個聚類分布圖逆向K值判定方法是基于服裝號型實際運用情況，按照具有最大離散度的屬性維對數據集進行排序劃分。依據GB/T 1335.2—2008中的5.4檔差數據對K均值聚類中心進行分析。K=4，第1類、第3類、第4類散點的分布過大，國家服裝號型標準中身高以5 cm為檔差，圖中的聚類中心丟失了165～170 cm,145～150 cm的身高段，且離散度過高。K=5，身高分段未涵蓋165～170 cm數據集群，且第1類數據的身高值范圍。K=6，各類中胸腰差的檔差分布較好，未能觀測到165～170 cm所分布的散點。K=7，聚類結果較好，身高各檔差均能觀測到聚類中心，且胸腰差的分布檔差較小易于觀測。

表7 K=7時聚類中心數值Tab.7 K=7 Clustering center values cm

結合聚類中心的數值和K=7的聚類分布圖，觀測到如下結果：

1)“號”分布的主要范圍為145～170 cm，“型”分布的主要范圍為-2～21 cm。

2)4類散點(3、4、6、7)的胸腰差集中于5～15 cm，即B/C(微胖、肥胖)體型，Y體型(偏瘦)階段的人數較少。

3)身高范圍在第2類、第3類之間(154.1～161.1 cm)，即身高區間為149～166 cm所對應的服裝號型需求較為完善；身高高于166 cm的服裝需求以B和C體型為主；身高低于149 cm的服裝需求以A和B體型為主。

4)第7類散點表明聚類Y坐標中心167 cm， 身高在162～173 cm范圍時胸腰差的聚類中心數值為11.56 cm，即B體型最多(同時涵蓋部分A和C體型)。第1類、第3類、第5類說明身高的聚類中心(158.96～161.01 cm),身高在154～166 cm之間具有全部胸腰差的體型分類。第2類和第6類說明身高在149～160 cm區間體型主要分布在B和C區間。低于150 cm身高則主要聚類在A和B體型。

5 服裝號型的適應性分析

根據對數據的處理、與國家成年女性標準的對比、K均值聚類分布圖的觀測，對西南地區在校女大學生的服裝號型做如下調整。

1)使用“身高/胸腰差”作為分類變量針對西南地區在校女大學生仍然滿足要求，但覆蓋率需要增大(如C2)。

2)體型比例與2008年國家統計比對，結果見表8。體型向微胖、肥胖方向有發展趨勢。因Y體型人數N=8，占比4.19%，在生產計劃上需要減少。

表8 體型所占比重對比Tab.8 Contraction of body shape ratio %

3)身高范圍在第2類、第3類之間(154.1～161.1 cm)，即149～166 cm的服裝號型需求較為完善；身高高于166 cm的服裝需求以B、C體型為主；身高低于149 cm的服裝需求以A、B體型為主。

6 結 論

本文通過非接觸式三維掃描設備捕獲人體數據，經過數據預處理和主成分分析，將體型的主成分數據作為服裝號型的分類變量進行驗證。西南地區在校女大學生體型的集群數據驗證結果顯示，應以胸腰差作為體型分類的依據，與國家統計的全國成年女性數據比對后發現體型有向肥胖發展的趨勢。使用K均值聚類分布圖的離散情況和樣本分類變量選取后的檔差結合來看，在K=7時聚類分布為最佳觀測值。針對樣本人群需要加大服裝號型的覆蓋率，在產品計劃上應減少Y體型的生產，服裝號型的適應性在不同身高區間上有顯著差異。FZXB

[1] 李曉久, 王玉秀, 劉皓. 非接觸式人體測量系統中人體體型分類與自動判別[J].天津工業大學學報, 2007, 26(5): 34-35. LI Xiaojiu，WANG Yuxiu，LIU Hao. Classification and identification of body type in noncontacted body measurement system[J]. Journal of Tianjin Polytechnic University, 2007, 26(5): 34-35.

[2] SU Junqiang, LIU Guolian, XU Bugao. Development of individualized pattern prototype based on classification of body features[J].International Journal of Clothing Science and Technology, 2015, 27(6): 15-24.

[3] 劉詠梅, 張小雪, 郭云昕. 國內外服裝用人體數據庫調查與分析[J].紡織學報, 2015, 36(6): 143-144. LIU Yongmei, ZHANG Xiaoxue, GUO Yunxin. Survey and analysis on domestic and overseas human body database for garments′ use[J].Journal of Textile Research, 2015, 36(6): 143-144.

[4] 方方, 王子英. K-means聚類分析在人體體型分類中的應用[J].東華大學學報(自然科學版), 2014, 40(5): 594-598. FANG Fang, WANG Ziying. Application of K-means clustering analysis in the body shape classification[J]. Journal of Donghua University (Natural Science), 2014, 40(5): 594-598.

[5] 鄒平, 吳世剛. 東北地區女青年體型及檔差的修訂[J].紡織學報, 2009, 30(11): 116-118. ZOU Ping, WU Shigang. Amendment of figure types and grading values of young women in China Northeast area[J].Journal of Textile Research, 2009, 30(11): 116-118.

[6] 尹玲, 張文斌, 徐才國. 基于有序樣本最優分割法的女性體型分類[J]. 紡織學報, 2014, 39(9): 115-119. YIN Ling, ZHANG Wenbin, XU Caiguo. Female body shape classification based on optimal segmentation method for orderly samples[J].Journal of Textile Research, 2014, 39(9): 115-119.

[7] 谷林, 張欣. 基于聚類人體體型分類法的體型反算方法研究[J].西安工程大學學報, 2010, 24(1): 32-34. GU Lin, ZHANG Xin. The algorithm studies of human body′s shape classification based on cluster analy-sis[J].Journal of Xi′an Polytechnic University, 2010, 24(1): 32-34.

[8] 尹玲, 夏蕾, 許才國. 基于隨機森林的女性體型判別[J]. 紡織學報, 2014, 35(5): 114-116. YIN Ling, XIA Lei, XU Caiguo. Female body shape prediction based on random forest[J].Journal of Textile Research, 2014, 35(5): 114-116.

[9] HAN Hyun Sook, KIM Sungmin, PARK Chang Kyu. Automatic custom pattern generation using width-height independent grading[J].International Journal of Clothing Science and Technology, 2015, 27(6): 1-12.

[10] 李惠君. 復雜仿真數據的降維與可視化聚類方法研究[D]. 秦皇島: 燕山大學, 2013: 76-78. LI Huijun. Research on methods of complex simulationI data dimension reduction and visualization cluster-ing[D]. Qinhuangdao: Yanshan University, 2013: 76-78.

[11] 朱建宇. K均值算法研究及其應用[D]. 大連:大連理工大學, 2013: 15-17. ZHU Jianyu. Research and application of K-means algorithm[D]. Dalian: Dalian University of Technology, 2013: 15-17.

Application of body shape analysis in observation of clothing size adaptability

DENG Chunshan1,2, LI Qin1,2, ZHOU Li1,2, ZHANG Longlin1,2

(1.CollegeofTextileGarment,SouthwestUniversity,Chongqing400715,China; 2.ChongqingEngineeringTechnologyResearchCenterofBiomassFiberandModernTextile,SouthwestUniversity,Chongqing400715,China)

Considering the situation that effective observation of clothing size in particular groups was absent at home and abroad, observation of clothing size adaptability was proposed based on the body shape analysis. By tracing 3-D data of the human body, principal components of clothing size classification variables were selected from the data cluster and put into the national clothing size standard for validation. According to clustering distribution results of multiple sets ofK-means, the optimumKvalue was selected combining with verified clothing size coverage and variation relationship while the value and distribution of clustering center were observed so as to describe the sample clothing size adaptability. It is demonstrated that the differences between subjects have a direct effect on the selection of size classification variables so that this method can successfully get access to the body shape development trend of subjects, clothing size coverage and variation adjustment scheme as well as the corresponding relationship of size and ″shape″ so as to improve the accuracy of clothing market research and production plan.

body shape analysis; clothing size; adaptability;K-means clustering

10.13475/j.fzxb.20151005006

2015-10-23

2016-08-19

中央高校基本業務費專項資金資助項目(XDJK2015D025,XDJK2014A011)

鄧椿山(1992—)，男，碩士生。主要研究方向為數字化設計。張龍琳，通信作者，E-mail: myfashionworks@163.com。

TS 941

A