基于LSTM神經網絡的青年女性胸部識別模型構建

王靜靜 陳敏之

摘 要：為提高青年女性胸部體型分類的準確率，從而為個性化女裝的結構設計提供依據，以滿足服裝個性化發展要求，構建了一種基于長短記憶神經網絡（LSTM）的青年女性胸部體型識別模型。運用三維測量技術獲取230名女青年人體數據，采用聚類分析提取了5項反映胸部形態的典型指標，根據典型指標將胸部體型細分為3類;在此基礎上構建了基于LSTM組合全連接層的胸部體型識別模型，將5項典型指標作為特征參數輸入，采用小批量亞當優化算法訓練模型避免陷入局部最優，使用dropout降低過擬合，輸出結果運用Softmax回歸分類器實現胸部體型分類。結果表明，該模型能有效對胸部體型進行識別分類，分類準確率為94.6%，與傳統的BP網絡和PNN網絡對比，該模型的擬合效果和預測精度更高。

關鍵詞：胸部體型;三維測量;聚類分析;長短記憶神經網絡;識別模型

Abstract：In order to improve the classification accuracy rate of young females breast shapes， provide a basis for the structural design of personalized female clothing and meet the requirements of personalized clothing development， a recognition model of young females breast shapes based on long and short-term memory neural network （LSTM） was constructed. 3D measurement technology was used to obtain the human body data of 230 young females. Five typical indicators reflecting the breast shapes were extracted by cluster analysis. According to the typical indicators， the breast shapes were subdivided into three categories. On this basis， breast shape recognition model based on LSTM fully connected layer was constructed. 5 typical indexes were taken as characteristic parameters to input. Small-batch Adam optimization algorithm was adopted to train the model to avoid falling into local optimum. Dropout was applied to reduce overfitting. Softmax regression classifier was used to realize breast shape classification. Experimental results show that this model can effectively recognize and classify the breast types， with a classification accuracy rate of 94.6%. Compared with the traditional BP network and RNN network， this model has a higher fitting effect and prediction accuracy.

Key words：breast shape; 3-D measurement; cluster analysis; long and short-term memory neural network; recognition model

為滿足服裝方面的消費需求和服裝市場的發展，個性化服裝定制將成為服裝業今后的發展趨勢[1]。現行的服裝號型規格設置了Y、A、B、C 4種體型，在體型的分類上，尤其是對女性局部體型的分類上不夠細化，因此在服裝制版過程中對于服裝胸部放松量及胸省的分配，往往依據樣板師的經驗進行設置，導致女裝結構設計達不到理想的效果。在個性化女裝結構設計過程中，如何合理區分胸部形態的差異，提高胸部體型識別的準確性，為個性化服裝制版提供依據，對服裝行業具有重要的現實意義和市場應用前景[2]。

目前，許多學者對人體局部體型的劃分進行了研究，應用較多的方法有數理統計法，如聚類法[3-4]、回歸分析法[5]，但隨著人工智能技術的發展，神經網絡、隨機森林等技術因具有先進的數據挖掘和學習能力，成為當前體型識別的主要研究方法。張蘇豫等[6]引入了支持向量機方法進行體型分類，金娟鳳等[7-8]構建了概率神經網絡識別模型對女性臀部進行分類，尹玲等[9]以隨機森林理論算法為基礎，建立了女性體型分類判別模型。由于人體體型分類的標準和界限具有較強的模糊性，因此需要不斷尋求更好的分類判別方法來提高體型分類的準確率。

本研究運用三維測量技術獲取反映青年女性胸部形態的19項指標，通過R型聚類提取5項胸部典型指標，利用均值聚類和方差分析對胸部體型進行細分，在此基礎上構建基于長短記憶神經網絡（LSTM）的胸部體型識別模型，對實驗數據進行訓練和測試，提高對人體胸部體型分類的準確率，為女裝個性化結構設計提供依據。

1 實 驗

1.1 實驗對象

由于人體的體型受到年齡、地域等各種因素的影響，為使體型劃分具有針對性，選取230名籍貫為江浙滬地區的在校青年女性，年齡為18～28周歲，該年齡段的女性體型發育基本完全，能體現青年女性的體型特征，具有典型的體型代表性。

1.2 儀器與條件

實驗測量選用美國TC2三維人體測量儀，測量環境溫度為（27±3）℃，相對濕度為60%±10%，符合裸體測量的環境要求。

1.3 測量要求

測量室封閉無照明，參照GB/T 23698—2009《三維掃描人體測量方法的一般要求》進行人體測量。測試者要求穿著高彈無插片運動背心，主要面料為聚酯纖維和氨綸，后背含搭扣可調節圍度尺寸，頭戴黑色泳帽，不佩戴首飾、手表等。為減少儀器測量誤差，對同一測試者進行3次重復測量，取3次掃描結果平均值。

1.4 測量項目

根據女裝樣板研究的需要，參考企業女裝制版時人體胸部測量項目和GB/T 5703—1999《用于技術設計的人體測量基礎變量》，確定能夠反應女性胸部形態的15個基本測量項目和需要計算的4個派生指標，如表1所示。

2 數據處理與分析

2.1 聚類分析

聚類分析是指將物理或抽象對象的集合分組為由相似的對象組成的多個類的分析過程[10]。在聚類分析中，根據分類對象的不同可分為Q型聚類分析和R型聚類分析兩大類。R型聚類可以通過對指標或變量進行分類。

應用SPSS19.0軟件對數據進行預處理，剔除無效樣本后確定本研究的有效樣本容量為221個，將221組有效人體數據作為最終的實驗樣本。應用SPSS19.0軟件對19個胸部測量項目及指標進行R型聚類分析，選擇最遠距離法作為聚類方法，Pearson相關性作為測度變量間相似性的方法進行聚類，圖1為胸部測量項目的聚類樹形圖。

為使聚類后組間有明顯的差異并且使各組反應人體形態的指標具有更高的代表性，結合聚類樹形圖，將19個胸部有關的測量項目劃分為6類。第一類：胸圍高（BH）、下胸圍高（UBH），為反應人體胸部位置高度的變量;第二類：胸圍橫矢徑比（BW/BT）、下胸圍橫矢徑比（UBW/UBT），為反應胸部豐滿度的變量;第三類：后胸圍（BBG）、后下胸圍（UBBG）、下胸圍（UBG）、下胸圍橫長（UBW）、胸寬（BW），為反應胸部相對寬度的變量;第四類：下胸圍矢徑長（UBT）、前下胸圍（UFBG）、胸圍（BG）、前胸圍（FBG）、胸厚（BT）、乳間距（BTBH），為反應胸部維度方向的變量;第五類：乳深（BF_X-UBF_X）、胸凸量（BF_X-WF_X），為反應乳房相對高度的變量;第六類：上下胸圍差（BG-UBG）、胸腰差（BG-WG），為反應胸部相對立體程度的變量。

2.2 典型指標的選擇

為判別每類中變量間的相關程度，并在各類中選取具有代表性的典型指標。通過計算其中某一變量與同類中其他指標的相關指數，并結合專業知識確定典型指標，具體計算見式（1）：

由于在進行胸部形態細分時，人體胸部高度方面的指標與胸部細部尺寸間相關度不高，對胸部形態細分基本無影響，因此將第一類高度項剔除，在其余5類指標中進行特征指標提取。

由上述變量間相關指標的公式，計算每類中各個變量的2j值，提取每類中2j值最大的變量作為胸部典型指標，各類變量的2j值計算結果如表2所示。比較5類各個參數的相關指數，分別提取胸圍（BG）、下胸圍（UBG）、胸圍橫矢徑比（BW/BT）、乳深（BF_X-UBF_X）、上下胸圍差（BG-UBG）為胸部典型指標。

2.3 胸部體型分析

為實現青年女性胸部體型的細分，基于獲取的5項胸部典型指標運用聚類分析中K-means聚類的方法對221組人體的胸部數據進行分類，將聚類數范圍確定為3～5類，并獲取每類中典型指標的方差分析結果如表3所示。觀察表3數據可知，將實驗樣本分為3類時，胸部相關變量的F檢驗值均小于0.05，因此胸部細分的聚類選擇3類為最佳。

根據最終聚類中心結果可知221個研究樣本細分為3類胸部體型，每類人體分別有24個、174個、23個，并且可由最終聚類中心結果得到各類中胸部體型典型指標的具體數據，并能夠找出代表各類別胸部體型的中間體，圖2為各類別中間體胸部的圖片。表4為胸部各變量的最終聚類中心值和各類樣本占總樣本的比例。

由圖2的胸部圖可以較為直觀的看出，每類胸部存在明顯的區別。

第1類：乳房前凸不明顯，胸部厚度較薄，寬度相對較寬，表現為扁平胸;

第2類：乳房前凸較豐滿，胸部寬度厚度相對適中，表現為普通胸;

第3類：乳房飽滿且前凸明顯，乳溝凹陷明顯，胸部厚度較厚，表現為豐滿胸。

3 基于LSTM的胸部體型識別模型的構建

長短記憶神經網絡（LSTM）在循環神經網絡（RNN）的基礎上，在隱藏層各神經單元中增加記憶單元，從而使時間序列上的記憶信息可控[11]。每次在隱藏層各單元間傳遞時通過三個可控門（遺忘門、輸入門、輸出門），可以控制之前信息和當前信息的記憶和遺忘程度，從而使LSTM網絡具備長期記憶功能。

長短記憶神經網絡算法簡單，訓練簡潔，具有更好的泛化性能和模擬數據間依賴關系的優勢，因此能夠模擬與人體胸部相關的不同特征數據之間的依賴關系，實現對胸部的細分。在目前常見的適用于識別分類的神經網絡模型中，概率神經網絡（PNN）由于每個訓練樣本需對應一個隱含層神經元，隨著樣本的擴大將導致網絡結構過于復雜;反向傳播神經網絡（BP）存在算法收斂速度慢，局部極小化，易陷入局部極值使訓練失敗等問題。與PNN和BP相比，LSTM還可以分批訓練數據保存模型參數并能夠優化復雜的目標函數[12]。因此，本研究基于LSTM構建人體胸部識別模型，圖3為LSTM塊結構圖。

基于LSTM神經網絡的模型具有記憶功能，該功能是通過網絡中的LSTM塊提供的。由t-1時刻傳遞過來的單元狀態ct-1、輸出ht-1和t時刻的輸入xt共同構成LSTM塊的輸入數據，輸出數據為t時刻的單元狀態ct和輸出ht。其中，LSTM中的遺忘門決定t-1時的狀態單元ct-1影響ct的程度，輸入門決定t時刻的輸入xt保留多少進入ct，而輸出門決定t時刻的狀態單元ct保留多少進入輸出門，ct和ht在參與t+1時的LSTM計算。

3.1 實驗數據與參數

將聚類結果中提取的5項特征指標胸圍（BG）、下胸圍（UBG）、胸圍橫矢徑比（BW/BT）、乳深（BF_X-UBF_X）、上下胸圍差（BG-UBG）作為LSTM模型的輸入特征向量，把胸部體型3個類別作為網絡模型的輸出向量，并選擇樣本數的3/4共165個作為訓練樣本，剩余的1/4共56個作為測試樣本。

3.2 模型框架與構建

在服裝制版過程中，人體局部部位的形態對服裝制版的效果影響很大，因此在青年女性胸部聚類分類結果基礎上，通過構建基于LSTM的神經網絡結構，對實驗數據進行訓練和測試，實現對人體胸部的識別分類，以便更好地預測人體胸部體型所屬類別。

由于輸入的特征數據的度量標準不統一，采用最大最小標準化對原始數據進行線性變換，變換公式為：

將歸一化處理后的胸部數據按時間序列的形式，輸入到LSTM模型中進行訓練。基于LSTM的胸部體型分類模型如圖4所示。其中輸入層中[X1，X2，…，Xn]為選取的人體特征胸部特征向量，n為選取特征向量的個數，對于輸入特征對應的類別標簽進行單熱編碼。為避免該神經網絡模型陷入局部最優，采用小批量亞當優化算法來訓練模型，為獲得理想參數，設置每批訓練樣本數為10個。經過LSTM訓練，其中LSTM的隱藏層的節點數確定為64，得到n×64的輸出矩陣。再將輸出的矩陣放入全連接層（FC），全連接層的節點數為32，得到最后的輸出向量。

另外，由于學習率過小將導致訓練遲緩，需要更多的訓練次數，學習率過大將導致訓練無法收斂，學習率一般設置為（0，1）范圍內[13]。該網絡模型采用小批量學習，學習速率應較小設置為0.001，訓練次數為100次。為降低過擬合帶來的風險，通過dropout隨機隱藏全連接的某些節點并設置為0.2。最后，使用Softmax作為分類函數計算輸出向量得到胸部的分類結果。

3.3 結果與分析

采用LSTM-全連接層的神經網絡模型對青年女性胸部體型分類的準確率如表5所示，可知每類胸部體型分類的準確率都在90%以上，模型總體識別準確率為94.6%。

為驗證基于LSTM的神經網絡和FC組合模型對人體胸部分類的優勢，采用基于LSTM神經網絡、BP神經網絡、PNN神經網絡進行對比，分別構建LSTM模型、BP模型和PNN模型對實驗數據進行訓練和測試，得出3種模型的胸部體型分類準確率，如表6所示。可以看出，采用基于LSTM網絡、傳統的BP網絡或PNN網絡對青年女性胸部分類的總體識別準確率分別為92.9%、85.7%和91.1%，對比表6可知，采用LSTM神經網絡和FC組合模型分類效果最為理想。

4 結 論

a）運用三維測量技術獲取人體數據，通過R型聚類分析提取出5項反映青年女性胸部形態的典型指標;

b）利用提取得到的典型指標，通過均值聚類和方差分析將胸部體型劃分為3類，得出典型指標的聚類中心和人數占比;

c）構建LSTM全連接神經網絡模型對青年女性胸部體型進行識別分類，將5項典型指標作為輸入的特征參數，將胸部體型分類結果作為輸出，對模型進行訓練和測試，最終識別總體準確率為94.6%。

參考文獻：

[1] 鄒奇芝，謝紅，彭磊.女裝量身定制系統中的適體原型研究[J].青島大學學報（工程技術版），2012，27（4）：51-60.

[2] 吳秋英.論人體形態與服裝結構的關系[J].天津紡織科技，2005，43（4）：41-44.

[3] SONG H K， KIM S M ， ASHDOWN S P， et al. Categorization of lower body shapes for adult females based on multiple view analysis[J]. Textile Research Journal，2011，81（9）：914-931.

[4] 陳慧蓉，張欣，陶娜.基于三維人體測量的青年女性胸部形態特征分析[J].西安工程大學學報，2008（2）：147-152.

[5] YOON M K，NAM Y J，KIM W et al. Classifying male upper lateral somatotypes using space vectors[J]. International Journal of Clothing Science and Technology，2016，28（1）：115-129.

[6] 張蘇豫，鄒奉元，丁笑君，等.基于SVM的青年女子體型分類研究[J].浙江理工大學學報，2008，25（1）：41-45.

[7] 金娟鳳，孫潔，倪世明，等.基于三維人體測量的青年女性臀部體型細分[J].紡織學報，2013，9（34）：109-122.

[8] 金娟鳳，楊允出，夏馨，等.基于三維測量的青年女性臀部體型概率神經網絡識別模型構建[J].紡織學報，2014，35（4）：100-104.

[9] 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.

[10] 劉愛玉，田志鵬.SPSS數據分析教程[M].北京：北京大學出版社，2017.

[11] HOCHREITER S， SCHMIDHUBER J. Long short-term memory[J]. Neural Computation，1997，9（8）：1735-1780.

[12] GRAVES A. Long short-term memory[M]. Berlin：Springer，2012：1735-1780.

[13] HAM F M， KOSTANIC I. Principles of neurocomputing for science & engineering[M]. Beijing： China Ma-chine Press and Mc Graw-Hill Education （Asia） Co.，2003.