女裝廓形精細化分類與智能識別

傅白璐，李 峻，劉曉剛

(東華大學 a.服裝與藝術設計學院；b.上海國際時尚創意學院 上海 200051)

服裝款式作為服裝設計的3要素之一，在服裝設計中具有至關重要的作用。款式設計構成了服裝的基本造型，其中包含對服裝內、外輪廓的總體造型設計。外輪廓(silhouette)是指服裝整體外部造型的剪影，其決定了服裝的整體效果，能夠充分反映服裝演變的流行趨勢及特征[1]。服裝廓形的設計將直接影響到服裝風格的體現，對服裝整體視覺效果而言是非常重要的，因此對其進行研究是十分必要的。此外，服裝設計受設計師個人的審美判斷因素影響較大，因而高效的設計工作、準確推廣和傳承具有一定的難度。但在信息化的今天，服裝設計不僅依靠設計師個人，還可以通過更好地利用現有的信息數據資源讓服裝設計用數據“說話”。查閱大量文獻后發現，服裝設計的數字化研究大多集中在服裝色彩的量化研究[2-3]，而對服裝廓形的研究相對較少。陶晨等[4]啟發性地提出了一種量化和識別服裝廓形的方法，即提取用來判斷廓形的尺寸數據。不足之處在于該方法整體較為粗略，無法準確測量特殊情況(例如人體四肢有裸露肌膚、四肢與身體之間有空隙、服裝外輪廓線有“突變”等)下的服裝廓形，且測量數據并未完全用于廓形識別，可能導致廓形判斷的誤差較大。此外，不少圖像識別領域的學者提出了一系列服裝的識別與檢測方法[5-7]，然而這些方法僅涉及到服裝輪廓的提取，并未進一步對服裝廓形進行擴展。

服裝廓形“字母型”分類法是較為常用的一種分類方法，其中，A形、H形、T形、O形和X形是最為基礎的5種廓形。在實際應用中，字母分類法也慢慢延伸出了5種基礎廓形外的字母形式，如S形、Y形、I形、U形、V形等[8-9]。本文主要研究A形、H形、T形、O形、X形這5種最為常見的廓形以及S形共6種基礎廓形(如圖1所示)。

圖1 本文所研究的基礎廓形示意圖Fig.1 Sketch maps of womenswear silhouettes in this study

本研究采用圖割技術提取靜態圖像中的著裝女體廓形圖，智能提取女裝廓形的尺寸數據并構建相關數據庫。著重對6種廓形(A形、H形、T形、O形、X形和S形)進行了數字化定義，并將常見的女裝分成6種著裝情況，分別對其進行精細化廓形分類，并運用計算機在女裝廓形尺寸的基礎上對廓形進行分類識別。本文提供了女裝廓形相關尺寸測量方法、流程以及女裝廓形量化識別的方法，便于服裝設計師了解女裝廓形的趨勢并從中獲取設計靈感。

1 構建智能女裝廓形尺寸數據庫

智能女裝廓形尺寸數據庫的主要構建流程: (1)確定基礎女性人體比例，用于尋找各個主要測量部位的位置；(2)將人體部位對應到提取出的服裝上，定位服裝廓形上相應的測量點并進行測量；(3)測量結果抽樣校對；(4)測量數據分類入庫。本文所有試驗內容均通過Matlab平臺實現。

1.1 女性人體比例確定

服裝廓形會受到人體幾個基本支撐關鍵點的影響，這幾個主要部位包括肩、腰、臀和擺[10]。因此，服裝廓形研究需要先確定著裝人體的體型尺寸數據。本文將提取典型歐美女性模特的身體比例及尺寸，并將其作為對照標準。試驗選取10位僅著內衣的歐美女性模特(來自Victoria’s Secret秀場模特)，最終測量計算獲得基本人體數據，包括身高(h0)、肩腰距離(hsw0)、胸腰距離(hbw0)、腰臀距離(hwh0)、臀膝距離(hhk0)、肩寬(Ws0)、胸寬(Wb0)、腰寬(Ww0)、臀寬(Wh0)、膝蓋寬(Wk0)，測量示意圖如圖2所示。

圖2 人體尺寸測量部位圖解Fig.2 Illustration of the body dimensions measurement parts

1.2 女裝輪廓定位及測量

首先，測量實際模特身高(h)，將分割后的模特圖像縱向劃分為180等分后進行逐行掃描并測量水平位置寬度。然后，根據基礎模特人體的比例，記錄目標圖像對應主要部位水平線上服裝寬度的相關數值，包括肩寬(Ws)、腰寬(Ww)、臀寬(Wh)、膝蓋寬(Wk)。此外，若測試位置為膚色區域，則需越過膚色區域繼續往內搜索服裝外輪廓，最終測量非膚色區域，即服裝區域的對應部位寬度。

1.3 非連續服裝的廓形采集

由于受服裝袖子、下擺等部件的影響，連續相鄰的測量位置會發生數值上的突變，本文將這種情況定義為服裝廓形的“非連續點(discontinuous point)”。為了更為準確地識別廓形，必須先行判別服裝廓形的連續性。因此，本文在記錄固定位置的服裝廓形尺寸數據外，還需判斷各個水平線之間的區域是否存在非連續點。當非連續點發生在不同部位之間時，計算機則需額外記錄非連續位置的水平數值Wdc-sw、Wdc-wh、Wdc-hk；當計算機檢測到兩個及其以上非連續部位時(相對較為罕見)，本文中不提供廓形判斷。

1.4 測量結果抽檢校對

此環節主要校對模特在展示服裝時的特殊造型所導致的誤差，例如，分割后的模特因手上持有道具而造成的不對稱情況、無法檢測到皮膚、模特姿勢不是完全正面、模特頭部造型比較夸張等，針對這些少數特殊情況需要手動設置測量點，運用計算機進行數據測量與入庫。

1.5 數據采集入庫

針對每個源于著裝人體圖像數據庫的數據，本文提出的廓形識別算法優先判斷2個關鍵點: 是否為抹胸造型(是: 記錄100；否: 記錄0)、下擺是否過膝(是: 記錄0；過大腿中點: 記錄100；齊臀: 記錄200)；同時記錄8個測量點，即身高(h)、肩寬(Ws)或者胸寬(Wb)、腰寬(Ww)、臀寬(Wh)、膝寬(Wk)或者大腿中點寬(Wt)、肩腰處非連續值(Wdc-sw)、腰臀處非連續值(Wdc-wh)、臀膝處非連續值(Wdc-hk)，其中后3項需根據判定規則進行判斷，若有非連續點則記錄相應數值，沒有則缺省。

2 女裝廓形智能識別

2.1 女裝廓形判斷標準

為了更為直觀地表現女性人體廓形的凹凸曲線，本文在女裝廓形尺寸數據庫基礎上進一步進行計算，用兩個部位之間連線的斜率來體現人體體型(如圖3所示)，分別獲得肩腰差斜率(θsw)、胸腰差斜率(θbw)、腰臀差斜率(θwh)、臀膝差斜率(θhk或θht)。

圖3 基礎人體體型表示方式圖解Fig.3 Illustration of the basic body sharp representation

本文取相鄰部位連線角度進行對比，其計算式如式(1)所示。

θij=arctan[(Wj-Wi)/hij]

(1)

式中:ij={sw, bw, wh, hk, ht}。當計算機檢測到服裝廓形存在非連續點時，需對以上公式進行調整。

當非連續點發生在肩腰之間，計算機需額外記錄非連續處外側輪廓的水平數值Wdc-sw(如圖4(a)所示，即肩部和腰部之間水平距離最大的c、d兩點間距離)。由于非連續點發生的位置不定，本文設定將非連續發生位置最寬處下移至腰部c′d′處，相應公式如式(2)所示，其他算法不變。

θsw=arctan[(Wdc-sw-Ws)/hsw]

(2)

當非連續點發生在腰臀之間，計算機則需額外記錄非連續處內側輪廓的水平數值Wdc-wh(如圖4(b)所示，即腰部和臀部之間水平寬度發生突變處的內部c、d兩點間水平距離)。本文將非連續發生位置上移至腰部c′d′處，相應公式如式(3)所示，其他算法不變。

θwh=arctan[(Wh-Wdc-wh)/hwh]

(3)

當非連續點發生在臀膝之間，計算機則需額外記錄非連續處內側輪廓的水平數值Wdc-hk(如圖4(c)所示，即臀部和膝蓋之間水平寬度發生突變處的內部c、d兩點水平距離間距離)。本文將非連續發生位置上移至臀部c′d′處，相應計算式如式(4)所示，其他算法不變。

θhk=arctan[(Wk-Wdc-hk)/hhk]

(4)

(a)

(b)

(c)圖4 非連續點情況下各個部位之間角度計算調整Fig.4 Adjustment of the discontinuous point position when calculating the slopes

根據上文中參照人體的相關數值作為基礎人體數據，標準肩腰之間角度θsw0= -0.207 rad、胸腰之間角度θbw0= -0.109 rad、腰臀之間角度θwh0= 0.217 rad、臀膝之間角度θhk0=θht0= -0.210 rad。根據服裝廓形特征將構成服裝廓形的3個角度(θsw0或θbw0、θwh0、θhk0或θht0)分成數個區間，計算其角度正切值，通過不同的組合方式判斷服裝廓形。以肩腰連線角度為例，當θsw≈θsw0= -0.207 rad時，表明服裝廓形肩部與腰部形成的角度與人體自身曲線相吻合；當θsw=0 rad時表明服裝肩與腰同寬。故可將肩腰連線角度分為3個區間，但由于本文研究的是服裝在人體穿著狀態下的立體廓形判斷，而非服裝平面廓形，因此選取θsw0的±50%作為區間緩沖量。區間劃分如下，并分別對各個區域命名，便于后續表述。

同理可獲得如下其余4個角度區間分割公式，其中，由于下擺收緊程度對廓形的分類判斷影響不大，故臀膝連線角度可分為3個區間。

針對一件女裝共可能出現22種測量結果，這些結果可以分為6大類，即有腿部造型且服裝廓形連續、齊臀且服裝廓形連續、有腿部造型且肩腰之間存在非連續點、有腿部造型且腰臀之間存在非連續點、有腿部造型且臀膝之間存在非連續點、齊臀且存在非連續點，具體的測量數據如表1所示。計算機將針對以下6大類數據分類，結合不同的判斷準分別進行相應的廓形判斷。

表1 6類女裝廓形的組合情況Table 1 Six situations of the women’s clothing silhouette

(續 表)

針對6大數據類型，結合6種服裝廓形的特征，對服裝廓形進行分類，并將輸入計算機進行智能判斷廓形。服裝廓形判斷規則如下所述。

(1) 情況I: 有腿部造型且服裝廓形連續。該情況主要針對服裝有腿部造型且基本連續的服裝廓形，通過肩腰、腰臀、臀膝3部分的不同廓型角度可以有48種不同的廓形組合效果，結合上文中提到的6大廓形的基本特征，將不同的廓形進行分析歸類，如表2所示，其對應的廓形示意圖如圖5所示。

圖5 示意圖: 情況Ⅰ-有腿部造型且服裝廓形連續Fig.5 Sketches for the clothing situation Ⅰ-continuous with bottom designs表2 斜率組合表: 情況Ⅰ-有腿部造型且服裝廓形連續Table 2 Slope combinations of the clothing situation Ⅰ- continuous with bottom designs

示意圖sw (bw)whhk (ht)示意圖sw (bw)whhk (ht)示意圖sw (bw)whhk (ht)A形(4)423(7)433(8)443(9)432(10)442(16)323(19)333(20)343(22)342(37)233(40)243H形(5)422(14)312(17)322(18)321(21)332(33)222O形(2)412(3)411(6)421(11)431(12)441T形(15)311(27)212(28)112(29)211(30)111(34)122(35)221(36)121(44)132(45)131X形(25)213(25)113(31)223(32)123(43)133(46)143(47)142S形(1)413(13)313(23)331(24)341(38)232(39)231(41)242(42)241(48)141

(2) 情況Ⅱ: 齊臀且服裝廓形連續。該情況主要針對服裝齊臀且基本連續的服裝廓形，通過肩腰和腰臀兩部分的不同廓型角度可以有16種不同的廓形組合效果，分析歸類后的廓形分類如表3所示，其對應的廓形示意圖如圖6所示。

圖6 示意圖: 情況Ⅱ-齊臀且服裝廓形連續Fig.6 Sketches for the clothing situation Ⅱ- continuous and bottomless表3 斜率組合表: 情況Ⅱ-齊臀且服裝廓形連續Table 3 Slope combinations of the clothing situation Ⅱ- continuous and bottomless

示意圖sw (bw)wh示意圖sw (bw)wh示意圖sw (bw)whA形(2)42(3)43(4)44(7)33(8)34H形(6)32O形(1)41T形(5)31(9)21(10)11(11)22(12)12X形(14)24(15)13(16)14S形(13)23

(3) 情況Ⅲ: 有腿部造型且肩腰之間存在非連續點。該情況主要針對服裝有腿部造型且在肩腰之間存在非連續點的服裝廓形，在考慮非連續點的情況下，同樣可以有48種不同的廓形組合效果，廓形分類如表4所示，其對應的廓形示意圖如圖7所示。

圖7 示意圖: 情況Ⅲ和Ⅳ-有腿部造型且肩腰/腰臀之間存在非連續點Fig.7 Sketches for the clothing situation Ⅲ and Ⅳ- with bottom designs and discontinuous points between shoulder and waist and between waist and hip表4 斜率組合表: 情況Ⅲ-有腿部造型且肩腰之間存在非連續點Table 4 Slope combinations of the clothing situation Ⅲ- with bottom designs and discontinuous points between shoulder and waist

示意圖sw (bw)whhk (ht)示意圖sw (bw)whhk (ht)示意圖sw (bw)whhk (ht)A形(4)423(7)433(8)443(19)333(20)343T形(2)412(3)411(5)422(6)421(9)432(10)442(11)431(12)441(14)312(15)311(17)322(18)321(27)212(28)112(29)211(30)111(33)222(34)122(35)221(36)121(41)232(42)132(43)242(44)142(45)231(46)131(47)241(48)141X形(13)313(16)323(25)213(26)113(31)223(32)123(37)233(38)243(39)133(40)143S形(1)413(21)332(22)342(23)331(24)341

(4) 情況Ⅳ: 有腿部造型且腰臀之間存在非連續點。該情況主要針對服裝有腿部造型且在腰臀之間存在非連續點的服裝廓形。情況Ⅳ與情況Ⅲ的廓形示意圖類似，如圖7所示。但是由于兩種情況的測量點及計算方法不同，故其分類方法也有所不同，如表5所示。

表5 斜率組合表: 情況Ⅳ-有腿部造型且腰臀之間存在非連續點Table 5 Slope combinations of the clothing situation Ⅳ- with bottom designs and discontinuous points between waist and hip

(5) 情況Ⅴ: 有腿部造型且臀膝之間存在非連續點。該情況主要針對服裝有腿部造型且在臀膝之間存在非連續點的服裝廓形，在考慮非連續點的情況下，同樣可以有48種不同的廓形組合效果，廓形分類如表6所示，其對應的廓形示意圖如圖8所示。

圖8 示意圖: 情況Ⅴ-有腿部造型且臀膝之間存在非連續點Fig.8 Sketches for the situation Ⅴ- with bottom designs and the discontinuous points between hip and knees表6 斜率組合表: 情況Ⅴ-有腿部造型且臀膝之間存在非連續點 Table 6 Slope combinations of the clothing situation Ⅴ- with bottom designs and the discontinuous points between hip and knees

示意圖sw (bw)whhk (ht)示意圖sw (bw)whhk (ht)示意圖sw (bw)whhk (ht)A形(4)423(5)422(6)421(7)433(8)443(9)432(13)442(14)431(12)441(19)333(20)343(21)332(22)342(23)331(24)341H形(16)323(17)322O形(1)413(2)412(3)411T形(11)312(15)311(18)321(27)212(28)112(29)211(30)111(33)222(34)122(35)221(36)121X形(10)313(25)213(26)113(31)223(32)123(37)233(38)243(39)133(40)143(41)232(42)242(43)132(44)142(45)231(46)241(47)131(48)141

(6) 情況Ⅵ: 齊臀且存在非連續點。該情況主要針對服裝只有上半身服裝且在肩腰或腰臀之間存在非連續點的服裝廓形，在考慮非連續點的情況下，可以有16種不同的廓形組合效果，廓形分類如表7所示，其對應的廓形示意圖如圖9所示。

圖9 示意圖: 情況Ⅵ-齊臀且存在非連續點Fig.9 Sketches for the clothing situation Ⅵ- bottomless and with a discontinuous point表7 斜率組合表: 情況Ⅵ-齊臀且存在非連續點情況下的女裝廓形組合Table 7 Slope combinations of the clothing situation Ⅵ- bottomless and with a discontinuous point elsewhere

示意圖sw (bw)wh示意圖sw (bw)wh示意圖sw (bw)whA形(2)42(3)43(4)44(7)33(8)34O形(1)41T形(5)31(6)32(9)21(10)11(11)22(12)12X形(13)23(14)24(15)13(16)14

2.2 女裝廓形智能識別及應用

女裝廓形智能識別首先需要從已構建的智能女裝廓形尺寸數據庫中調用相關測量數據，根據不同的數據類型將服裝劃分至不同的情況分組中，計算機通過各種情況對應的數據計算方式和廓形判斷規則，自動對輸入服裝的廓形進行判斷，其流程如圖10所示。這里以6張分割后的女裝秀場靜態圖為例(如圖11所示)，計算機進行相關尺寸測量并按規則智能判斷廓形，其測量及廓形識別結果如表8所示。

圖10 女裝廓形智能識別流程圖Fig.10 Flowchart of the women’s clothing silhouette identification

圖11 女裝廓形智能識別案例圖Fig.11 Examples of the women’s clothing silhouette identification表8 案例圖片廓形尺寸測量及智能識別結果Table 8 Example models’ clothing silhouette dimensions and identification

hWsWwWhWk抹胸Wb過膝WtWdc-swWdc-whWdc-hk情況示意圖廓形(a)496.1102.0136.1164.40200Ⅱ(4)A(b)490.482.279.493.496.400Ⅰ(21)H(c)490.499.2155.9155.9116.200Ⅰ(6)O(d)493.296.456.779.453.900133.2Ⅲ(12)T(e)425.299.262.487.90100104.9Ⅰ(46)X(f)473.462.499.279.410079.40Ⅰ(48)S

本文共選取15個國際一線女裝品牌2012年秋冬到2017年春夏10季產品的高級成衣(Haute Ready-to-wear)系列，每個品牌每季利用計算機隨機選取30套服裝，共4 500張靜態秀場圖片作為研究對象。這些品牌分別為: BALENCIAGA、BALMAIN、BURBERRY PRORSUM、CHANEL、CHLOé、CHRISTIAN DIOR、DOLCE & GABBANA、FENDI、GIORGIO ARMANI、GUCCI、HERMS、LANVIN、LOUIS VUITTON、PRADA、VALENTINO。其中，1 500張圖片用于生成算法并檢驗其準確性，3 000張圖片用于女裝廓形識別試驗結果準確率校對。為了驗證該方法的準確性，本文引入專業的服裝設計研究人員對試驗服裝的廓形進行人工標記，以用于試驗結果對照，最終本文方法判斷準確率為93.33%，證明具有較好的準確率。

3 結 語

本文創新性地針對女裝六大基本廓形進行了數字化定義和分類，基于女裝廓形尺寸對廓形進行智能化識別。對于女裝廓形尺寸的提取，利用人體分割技術確定人體影響服裝廓形的關鍵部位，準確地在服裝廓形上找到對應的測量點進行數據提取。本文研究提供的女裝廓形智能識別算法具有較高的準確率與可靠度，相對于以往的廓形研究有了顯著的突破和改進。在大數據與計算機高度發達的背景下，為女裝廓形的未來設計提供了有力的數字化參考依據。在后續研究中可以繼續在本文的研究基礎上針對識別的廓形進行女裝廓形趨勢預測。