基于人體數字圖像的青年女體圍度擬合

顧冰菲， 李欣華a， 鐘澤君a， 蘇軍強， 劉國聯

(1.浙江理工大學 a. 服裝學院；b. 浙江省服裝工程技術研究中心；c. 絲綢文化傳承與產品設計數字化技術文化部重點實驗室，杭州 310018；2.江南大學 紡織服裝學院，江蘇 無錫 214122；3.蘇州大學 紡織與服裝工程學院，江蘇 蘇州 215006)

隨著信息技術在服裝行業的發展，智能化定制技術已成為促進服裝定制發展的主要技術之一[1-3]。人體自動測量在實現智能化定制技術中起著至關重要的作用[4-6]。盡管三維人體掃描系統已經被廣泛研究和應用，但是高昂的價格和其他實際問題阻礙了其在日常服裝生產中的廣泛應用，特別對于小型企業來說[7]。所以，有必要探索更經濟、更簡單的人體測量方法，使其有可能應用于小型企業，甚至家庭使用。

為了滿足這種需求，有研究者開發了一種簡單使用現成的相機拍攝數碼圖像來提取人體尺寸的方法，可以被稱為二維人體測量系統。例如，Pierre等[8]使用二維圖像和標志選取點檢測算法來評估基于圖像的人體測量系統的性能，發現它可以產生與傳統手工測量相媲美的測量結果。陳國旗[9]提取了人體的正面和側面照片的輪廓，并確定了輪廓上的特征點。然而，在二維系統中，基于特征點只有人體各部位的高度、寬度和深度可以被直接測量。因此，根據各部位的人體橫截面曲線的模擬，可以對人體尺寸進行估計。

用于模擬橫截面曲線的典型方法包括超橢圓曲線和EE參數樣條曲線[10-14]。Hatakeyama等[15]首先提出了相對于中心軸具有對稱形狀的超橢圓法來估計人體截面。Yao等[16]選擇了EE樣條函數，以更好地逼近不同的人體截面。EE樣條是一種新的樣條函數，它結合了貝塞爾和B樣條等其他樣條的優點。Jiang等[17]利用超橢圓曲線和EE參數樣條曲線擬合，解決了與乳房周長預測相關的問題。Hu[18]提出了一種用于人臺模擬的人體橫截面幾何擬合，結合了簡單的形狀，如圓形、橢圓形、超橢圓弧線，以及穿著參數。顯然，這些曲線擬合和建模技術對人體測量的有效性依賴于橫截面數據的質量或人體參數，這不可避免地需要三維掃描技術來獲取人體表面的精確數據云[19]。

本研究將著重于使用二維成像系統來生成服裝定制應用所需的人體基本尺寸數據。該系統獲取受試者的正面和側面圖像，從兩個二維圖像中提取出正側面輪廓，測量從輪廓中找到的標志點處的人體寬度和深度。基于各部位的寬度和厚度值進行頸部、胸部、下胸部、腰部、腹部和臀部六個特征部位的圍度預測，并將預測結果與手工測量結果進行了比較。最后從服裝生產要求的角度對各個特征部位的回歸公式進行了誤差分析。本研究的目的是通過一種避免使用三維掃描和曲線逼近的新方法，為人體測量提供一種簡單、經濟的解決方案，這種方法對于小型企業和家庭使用來說是一個有吸引力的選擇。綜上，本研究將討論用于獲取正面和側面圖像的二維系統裝置、基于輪廓提取的寬度和深度測量、特征部位的分類和圍度預測模型建立。

1 二維圖像獲取

二維測量系統應具有以下功能：1)用已知目標校準正面和側面圖像；2)提取兩幅圖像的正側面輪廓；3)從人體輪廓中找出特征點獲得基本尺寸；4)基于寬度和深度建立回歸模型估計人體圍度。

系統整體裝置如圖1所示。由兩塊150 cm×200 cm的黑色背景板呈90°擺放形成拍攝背景，拍攝對象站在拍攝背景的中心。兩個單反相機(佳能600 D)安裝在三腳架上，放置于距離拍攝對象約2.5 m的位置。相機的焦距需要調整以使相機能夠完整地拍到被攝對象。這兩個相機通過USB接口由一臺電腦控制，可同時拍攝正面和側面的數字圖像，以避免因身體呼吸和搖擺而產生的誤差。

圖1 實驗裝置Fig.1 Experimental facility

由于兩個相機的焦距和拍攝距離可能略有不同，因此需要與已知目標進行校準，以確保它們的空間分辨率(即dpi)是相同的。用兩個相同寬度(5 cm)和長度(1 m)的白紙條橫向粘貼在兩個黑色板塊的中心(圖2)。在獲取正面和側面圖像后，計算每個白色紙條的像素來獲取空間分辨率。如果兩個空間分辨率的差值大于1%，則需要通過調整其中一個攝像機的焦距或改變其距離來重復校準。

圖2 校準示意Fig.2 Calibration diagram

本研究的實驗對象是295名年齡在18～24歲，身高在150～170 cm的年輕女性。從一大批年輕女性中隨機抽取受試者，排除了身體明顯異常的女性。所選實驗對象的人體尺寸是根據國際人體測量標準ISO/TR 7250-2(2010)中的步驟，手工測量獲取。表1為這些實驗對象7個部位的基本尺寸信息。

表1 被測對象基本尺寸信息Tab.1 Basic size information of female subjects

在拍攝的過程中(約2 s)，被攝對象光腳站在背景的中心，穿著從實驗室里提供的淺色衣服，兩個手臂稍微離開身體擺放。被攝對象需戴帽子遮住頭發，以便準確測量人體高度，不佩戴眼鏡、手表、項鏈或戒指等飾品。

在輪廓提取之前，可能需要對正面和側面圖像進行簡單的圖像處理，例如裁剪圖像，使圖像中只出現人體和黑色背景，或者調整亮度和對比度，使人體更加容易識別。圖3顯示了測量對象的正面和側面圖像。

圖3 人體正、側面照片Fig.3 Frontal and side images of human body

2 基本尺寸提取

通過分析人體正面和側面輪廓的特征，可以確定特征點，以計算特征尺寸，如高度、寬度和深度。為了尋找一個特征點，首先用高度范圍來確定極限，然后用形狀特征來確定實際的位置。

以臀部特征點為例，根據手工測量數據對基本人體比例的統計分析，臀部高度在人體身高的45%～58%。臀部被定義為在這個范圍內最寬的水平線，通常是指橫向經過臀部最豐滿的位置，在人體側面輪廓上比較明顯。設線段Lt和線段Lb表示臀部高度范圍，線段L表示Lt和線段Lb之間的一條掃描線，計算線段L上點A和點B之間的距離。當距離為最大值時，這條線可以標記為臀線。如圖4所示，直線L上點A與點B之間的距離為臀深。在正面輪廓相同的高度取直線L1，點A1和點B1之間的距離是臀寬(圖5)。用相似的方法可以識別其他的特征部位，在正側面輪廓上測量寬度和深度值。通過二維測量系統在正面和側面輪廓上提取出的寬度、深度和高度信息，可自動提取出六個特征部位的基礎尺寸，包括頸部、胸部、下胸部、腰部、腹部和臀部。這些部位是與女性上半身服裝尺寸最相關的特征位置。

圖4 臀部深度測量示意Fig.4 Measurement diagram of hip depth

圖5 臀寬測量示意Fig.5 Measurement diagram of hip width

3 圍度擬合

人體圍度在輪廓圖中是不能直接測量的，因為圍度跟橫截面的形狀也有關系。為了在寬度和深度的基礎上實現更精確的圍度預測，人體形狀被劃分為幾個群體。由于特征部位的寬度和深度是顯示截面形狀信息的主要參數，能夠反映出人體體型特征的差異性，與各部位圍度值有著較高的相關性，因此可以使用深度/寬度比(Rdw=深度/寬度)將人體各部位進行分類。

每個特征部位中分類的實際數量取決于實際求得的Rdw值，如胸部就按照胸部深度與胸寬的比值進行分類。表2列出了6個特征部位的分類結果，10人以下的類別可忽略不計。結果顯示臀部分類只有兩類，而頸部被分為了四類。除了臀部以外，所有特征部位第二類人數最多。

表2 各部位分檔結果Tab.2 Class classification of each part

使用SPSS軟件可建立以圍度為因變量，厚度、寬度為自變量回歸模型，如下式所示。

Girth=A0+A1×Depth+A2×Width

(1)

式中：Girth為圍度值，A0為常數項，A1和A2為回歸系數，Depth為深度值，Width為寬度值。

利用線性回歸分析可獲得回歸系數R2、常數項A0及系數An，建立圍度預測回歸模型。為了驗證各部位圍度值與寬度、深度三個尺寸之間是否存在較為明顯的線性關系，首先利用散點圖分析了它們之間的分布情況，看是否呈線性分布趨勢。以臀部兩類人體圍度、寬度、深度值為例，可以看出這三個數據大致上呈現出線性關系，如圖6和圖7所示。

圖6 臀部第一檔散點圖Fig.6 Scatter diagram of the first class in hip

圖7 臀部第二檔散點圖Fig.7 Scatter diagram of the second class in hip

其他部位的散點圖也呈現出明顯的線性關系。因此，基于6個特征部位的寬度和深度值分別建立各個類別的回歸模型，對各部位的圍度值進行預測，從而使該人體尺寸提取系統能夠間接地獲得人體三維尺寸。各部位回歸方程的常數項A0、系數An及回歸系數R2如表3所示。由表3可知，除下胸部第三類以外，其余各類別的回歸系數均大于0.83，因此該回歸模型是可行的。

表3 各部位回歸模型Tab.3 Regression models of each part

以腰部第一類數據為例，表4和表5分別顯示了回歸模型方差分析和殘差正態性檢驗結果。結果顯示回歸模型的F統計量的觀察值為1 182.186，概率P值為0.000，說明在顯著性水平為0.05的情形下，腰圍與腰寬、腰深三者之間有線性關系。根據殘差正態性檢驗發現，無論是KS檢驗還是SW檢驗，Sig.值均大于0.05，說明殘差值服從正態分布。

表4 腰部第一類回歸模型方差分析Tab.4 ANOVA of the regression model of the first class in waist

注：因變量為腰圍；預測變量(常量)為腰寬、腰深。

表5 腰部第一類殘差正態性檢驗Tab.5 Normality test of the residual of the first class in waist

注：“*”這是真實顯著水平的下限；“a.Lillefors”顯著水平修正。

除此之外，本研究還另外挑選了50名青年女性進行了手工測量，通過對比分析模型預測值和手工測量值來檢驗回歸模型的精確度。圖8顯示了圍度預測值與相應的手工測量的誤差，可以發現90%以上的數據誤差均在±2 cm。表6為各部位圍度預測值與手工測量值的均值、標準差和相關系數，均值和標準差差異不大，高相關系數也表明預測值與手工測量值具有較高的一致性。

圖8 各部位圍度值預測誤差Fig.8 Prediction errors of girths at each part

表6 圍度預測誤差分析Tab.6 Error analysis of girth prediction

4 結 論

本研究集中于使用二維人體圖像來提取MTM應用所需的人體基本數據，并提出了一種簡單而經濟的人體測量方法，可以避免復雜的三維掃描和曲線擬合。根據被試者的正面和側面圖像，提取出正側面輪廓，得到特征部位的寬度和深度，并計算出這些特征部位的深度/寬度比，將人體劃分為若干個小群體。在每個類別中，使用寬度和深度建立了圍度預測模型。根據各部位回歸模型的回歸系數、顯著性水平及殘差正態檢驗，可以看出回歸模型是可行的。另外選取了50名實驗對象作對比發現，圍度預測值和手工測量值沒有顯著差異，各個部位超過90%的數據誤差均在±2 cm。