基于二維圖像的青年女性頸肩部形態自動識別

王 婷，顧冰菲,2,3

(1. 浙江理工大學 服裝學院，浙江 杭州 310018；2. 浙江省服裝工程技術研究中心，浙江 杭州 310018；3. 絲綢文化傳承與產品設計數字化技術文化和旅游部重點實驗室，浙江 杭州 310018)

頸肩部是人體的重要部位之一，對服裝合體性有著重要的影響。從運動方面而言,作為連接頭和手臂的部位，頸肩部具有較大的活動范圍；從著裝效果而言,是上衣的主要支撐部位,其設計決定了穿著的美觀性及舒適性。頸肩部形態研究不僅可作為服裝結構設計與款式設計的參考[1]，還可幫助消費者了解自身的肩頸形態與健康狀況，有很好的實用價值。然而與頸肩部形態密切相關的特征參數，如肩斜角、橫截面寬厚度等，很難通過傳統的手工測量方法精確獲得，即使是有經驗的量體師也需要重復測量以保證數據的準確性，因此，探索如何僅基于人體正側面圖像識別消費者的體型類別及特點是十分必要的[2]，不僅可縮短人體測量時間，還可推進服裝企業和電商領域的個性化定制。

近年來，頸肩部的研究主要集中在肩寬、肩弓、肩斜度、橫截面等方面，如李小輝等[3]通過SPSS分析得出衣身肩斜角與人體肩斜角及身體質量指數(BMI)指數之間的回歸關系；蔣黎[4]建立了肩線偏移值與前后肩斜度及肩斜差的回歸模型，得到基于人體肩部形態的女襯衣肩線結構設計的新方法；賀莉文[5]引入肩弓系數(肩端距/總肩寬)將肩部分為3類。以上研究僅針對人體肩部形態進行了探討，并未考慮如何實現頸肩部形態的自動識別。人體測量學是研究人體形態的必要方法，主要包括手工測量、三維人體掃描和二維圖像測量。手工測量不僅耗費時間，且易產生誤差。近20年來，三維人體掃描儀得到了廣泛的研究和應用，但將掃描的數據轉換成有用的信息仍然存在技術困難[6]，且成本高等實際問題阻礙了其在日常生活中的廣泛應用。

隨著手機和計算機的發展，普通用戶獲取圖像變得更加方便，相關學者為滿足服裝領域對人體測量高精度、低成本的需求，對基于二維圖像的人體自動測量技術[7-9]展開了研究。如Jiang等[10]運用Freeman八鏈碼檢測法提取特征點并總結其規律，以此計算人體尺寸數據，此方法會識別過多不必要的特征點，且易受到局部影響導致錯檢。馬黎[11]提出基于人體比例和局部輪廓的人體測量，在局部輪廓內提取所需特征點[12]。Senanayake等[13]使用啟發式算法尋找人體輪廓上的關鍵位置以測量人體尺寸。可見，基于二維圖像的人體測量研究是一大熱點和難點，但尺寸提取在精度上還有待提高[14]。本文提出一種基于人體正側面照片的頸肩部形態自動識別方法。首先利用三維點云數據測量頸肩部相關參數，如肩斜角、背入角、肩矢額徑比及腋下矢額徑比等；然后對青年女性頸肩部進行分類并建立分類規則；最后根據頸肩部形態規律在二維照片上提取體型分類所需參數，構建基于青年女性正側面圖像的頸肩部形態自動識別系統，對提取值與測量值進行誤差分析，并進行頸肩部自動識別測試，為人體局部特征體型自動識別提供參考。

1 參數測量

1.1 測量對象與方法

考慮到體型分類的精確度和可行性，本文研究以202名18～25歲的在校女大學生作為實驗對象，身高為151～175 cm，體重為38～66 kg。采用美國[TC]2三維人體掃描儀獲取實驗對象的三維點云數據。為減少測量著裝及站立姿勢對所測數據的影響，被測試者需身穿合體淺色服裝，頭戴淺色帽子，不能佩戴眼鏡、手表、耳環等飾品，測量時目視前方，保持正常呼吸。

1.2 測量項目

根據頸肩部形態對服裝結構設計的影響，本文研究從角度、高度和截面形態出發，共測量和計算了15個與人體頸肩部形態密切相關的參數，如表1所示。首先采用image ware逆向工程軟件對三維人體掃描儀獲得的點云數據進行去噪、補洞、光順等處理，然后通過截取頸、側頸、肩及腋下圍度層截面曲線，測量出相應角度值和各橫截面的寬度、厚度及所在高度，具體測量方法如圖1所示。

表1 頸肩部形態參數測量和計算Tab.1 Measurement and calculation of neck-shoulder shape parameters

圖1 頸肩部形態參數測量方法Fig.1 Measurement method of neck-shoulder shape parameters

2 形態分類

2.1 數據預處理

準確地測量數據是進行人體形態分析的基礎，在數據采集環節必然會存在一定的人為誤差與系統誤差。為提高樣本數據的準確性和科學性，在進行數據分析前需對其進行預處理，從原始數據中提取有效數據，以排除錯誤數據和奇異值對研究結果的影響。運用SPSS軟件對獲得的數據進行整理、篩選、檢測，剔除數據中的奇異值、極值和缺失值，最后對保留的188個有效樣本進行正態檢驗，以背入角和肩矢額徑比為例，得到正態P-P概率圖，如圖2所示。可看到背入角和肩矢額徑比數據的分布規律，其數據的累計概率基本集中在一條直線上，認為他們都符合正態分布。同理，對頸肩部其他主要測量部位進行正態分析，得到其他主要變量的正態P-P圖也基本集中在一條直線上，說明各主要變量均服從正態分布，因此，可對樣本數據進行下一步的分析處理。

圖2 正態P-P圖Fig.2 Normal P-P diagram.(a)Back angle; (b)Shoulder depth/width ratio

2.2 描述性統計分析

對有效樣本(188個青年女性)頸肩部數據進行描述統計分析，掌握有效樣本中青年女性的總體體型，并對頸肩腋細化部位的相關變量進行描述，為后續的數據分析做準備，結果如表2所示。

表2 相關變量描述統計分析表Tab.2 Descriptive statistics analysis of related variables

為消除度量單位對各變量間變異程度比較產生的影響，采用變異系數(標準差/平均值)進行比較。變異系數可反映各變量的離散程度，變異系數越大說明數據間的差異越大，數據越分散。由表2可知，各測量項目中背入角的變異系數約為20.468%，說明背入角離散程度最大，其次是肩斜角(變異系數為12.351%)，各特征點的高度參數的離散程度較小，說明高度指標對頸肩腋形態的影響較小，因此，本文研究暫不考慮各部位高度方面的指標。結合已有頸肩部形態相關研究[15-17]，最終選取肩斜角、背入角、肩矢額徑比和腋下矢額徑比作為聚類變量進行頸肩部形態分類。

2.3 聚類分析

首先對4個特征參數(肩斜角、背入角、肩矢額徑比、腋下矢額徑比)進行標準化處理，使數據具有可比性，然后對其進行K-means聚類，將聚類數依次定為3～5，聚類結果顯示顯著性水平均小于0.05，說明這 3種聚類結果都可接受，但當聚類數為4時誤差均方較小，類間均方和F值都較大，此時變量間的差異較大，聚類結果更精確，因此，本文研究將樣本數據分為 4類，其中：a類體型包含48個樣本，b類體型包含 45個樣本，c類體型包含50個樣本，d類體型包含45個樣本，最終聚類中心見表3。4種體型分別占樣本點數的25.53%、23.94%、25.59%、23.94%。

表3 最終聚類中心Tab.3 Final clustering center

為更直觀地了解各類體型的差異，根據表3中的數據，從三維掃描得到的樣本人體中選取各體型內最典型的人體，并提取其特征截面(頸、肩、腋)進行比較，找出這4類體型的主要區別，結果如圖3所示。由圖3可明顯看出，4類體型的特征截面在厚度、位置、肩截面與腋下截面是否相交等方面存在明顯差異。a類：肩和腋下矢額徑比都較大，且二者相差較大，表現為肩和腋下橫截面較圓，肩部較寬，記為圓寬肩體。b類：肩和腋下矢額徑比都較小，且二者相差較小，表現為肩和腋下橫截面較扁，肩部較窄，記為扁窄肩體。c類：肩斜角較大，表現為肩部下落；肩和腋下矢額徑比都較大，表現為肩和腋下橫截面較圓，記為圓落肩體。d類：背入角較大，表現為頸部前傾；肩和腋下矢額徑比都較小，表現為肩和腋下橫截面較扁，記為駝背扁肩體。

圖3 4類體型橫截面形態Fig.3 Four types of cross-section.(a)Type-a (round wide shoulder); (b)Type-b (flat narrow shoulder); (c)Type-c (round drop shoulder); (d)Type-d (hunchback flat shoulder)

根據上述聚類結果，總結歸納出不同體型類別中肩斜角、背入角、肩矢額徑比、腋下矢額徑比這4個變量的范圍作為頸肩部的分類規則，結果如表4所示。首先根據肩斜角可將c類與a、b、d 3類區分開；然后根據背入角將d類與a、b 這2類區分開；最后根據肩矢額徑比將a類和b類區分開。

表4 4類頸肩部體型分類規則Tab.4 Classification rules of four types of neck-shoulder shape

為驗證本文分類規則的有效性，根據以上4個變量的范圍對188個原始樣本進行體型判別，結果見表5。 可知，180個樣本分類正確，8個樣本分類錯誤，準確率達到95.74%，該分類規則有效性較高。

表5 判別準確性分析Tab.5 Analysis of discriminant accuracy

3 形態自動識別

3.1 圖像采集

本文研究使用智能手機采集實驗對象的人體圖像。首先將手機安裝在三腳架上，放置于距離被測對象約2.5 m，距離地面約1.1 m的位置；然后對手機進行校準，以確保拍攝的人體圖像位置合理。用2個相同長度和寬度的白色紙條分別水平、豎直粘貼在黑色背景上，如圖4所示。打開相機網格線并旋轉手機使網格線平行于白色紙條。

圖4 校準示意圖Fig.4 Calibration diagram

被測對象需光腳站在黑色背景內標記的位置上，頭部自然抬平且保持直立靜止。拍攝正面照片時要求手臂略微彎曲抬起，以便準確識別腋下點；拍攝側面照片要求手臂貼于腰側，不遮擋前腹或后腰，拍攝姿勢如圖5所示。

圖5 拍攝姿勢示意圖Fig.5 Schematic diagram of photo pose.(a)Front; (b)Side

3.2 二維圖像處理

首先對人體正、側面照片進行預處理，如裁剪圖像，使圖像中只出現人體和黑色背景；調整對比度和清晰度，使人體更易識別。然后采用MatLab軟件選取最佳閾值分割法對人體正、側面圖像進行處理，繼而進行二值圖像轉換，如圖6(a)所示。為使目標的輪廓更加平滑，消除目標內的孔洞，分別采用開運算和填充來解決，如圖6(b)所示。最后提取二值圖像的邊緣輪廓，得到所需人體輪廓如圖6(c)所示。

圖6 正側面圖像處理過程Fig.6 Front and side image processing.(a)Segmentation; (b)Filling holes and opening; (c) Extracted silhouette

3.3 形態參數提取

通過分析人體正、側面的輪廓特征可確定特征點，并計算特征尺寸，如厚度、寬度和角度。為尋找一個特征點，首先需確定該點的高度范圍，然后結合形狀特征來尋找實際位置[18]。根據建立的頸肩部體型分類規則，需要獲得4個主要分類變量(肩斜角、背入角、肩矢額徑比和腋下矢額徑比)的數值，相關特征點為頸點、側頸點、肩點和腋下點。利用計算機圖形學知識，結合人體頸肩部形態規律在處理后的人體輪廓上尋找上述特征點，以得到人體體表角度和特征截面矢額徑比。

以人體頸部為例，頸部的側面特征比較明顯。首先根據測量數據得到頸部高度在人體身高的83.6%～87.2%之間，直線Hu和Hd表示頸部高度范圍，從Hu到Hd以1像素行距進行逐行尋找，當MN與上一掃描線M′N′相差最大時，其所在行H即為頸圍行，然后在正面輪廓以相同的高度比尋找頸點，如圖7所示。

圖7 頸點確定示意圖Fig.7 Schematic diagram of neck point determination

根據上述原則，本文研究共提取了頸、側頸、肩及腋下4個部位特征點的坐標值，通過這些坐標值計算出肩斜角、背入角、肩矢額徑比和腋下矢額徑比。

以肩斜角為例，根據人體正面輪廓提取的側頸點坐標E(x1,y1)、肩點坐標F(x2,y2)，計算出EF的斜率k=(y2-y1)/(x2-x1)，進而計算出EF與x軸的夾角，即肩斜角∠AST=arctank×180/π，如圖8 所示。。

圖8 肩斜角計算示意圖Fig.8 Schematic diagram of shoulder angle calculation

3.4 形態識別與誤差分析

在原始樣本中隨機選取40名青年女性作為測試樣本，自動提取肩斜角、背入角、肩矢額徑比及腋下矢額徑比4個特征形態參數值，根據建立的體型分類規則對測試樣本的頸肩部進行自動識別，準確率達到90%，識別結果如圖9所示。

圖9 本文分類規則對頸肩部識別結果Fig.9 Neck-shoulder recognition results by classitication rules of this method

識別結果的準確性較大程度依賴于4個特征形態參數的提取值，因此，分析了4個特征形態參數的自動提取值與三維測量值，以驗證數據提取的準確性，誤差分析結果見表6。

表6 特征形態參數提取誤差分析Tab.6 Error analysis of feature shape parameter extraction

由表6可知，提取值與測量值的均值和標準差差異較小，且相關系數較高，說明二者存在較高的一致性，但腋下矢額徑比的相關系數只有0.776，這是由于腋下點的位置較難確定，腋下截面的寬厚數據容易產生誤差。

為進一步驗證二維照片尺寸提取的效果，將三維測量值與自動提取值做配對T檢驗，結果如表7所示。

表7 特征形態參數配對樣本T檢驗結果Tab.7 T test results of paired samples of characteristic shape parameters

由表7可知，T檢驗的顯著性均大于0.05，表明測量值與提取值之間均無顯著差異；且均值的標準誤均小于0.5，表明誤差較小，說明基于圖像進行頸肩部自動識別是可行的。

4 結 論

本文研究通過對18～25歲的在校女大學生進行頸肩部測量分析，利用肩斜角、背入角、肩矢額徑比和腋下矢額徑比4個變量將青年女性頸肩部分為圓寬肩體、扁窄肩體、圓落肩體、駝背扁肩體4類，結合以上4個變量歸納出各類體型的分類規則并進行判別分析，準確率達到95.74%，證明了該分類規則的有效性。根據以上體型分類規則，提出一種基于正側面照片的頸肩部自動識別方法，即通過二維圖像輪廓提取及特征點確定，得到肩斜角、背入角、肩矢額徑比及腋下矢額徑比4個特征形態參數值進行頸肩部自動識別。最后選取40名青年女性作為測試樣本進行驗證，準確率達到90%，證明了該頸肩部形態自動識別方法的可行性和精確度。

如何有效提高二維人體尺寸提取精度及實用性是一個需要長期探索的過程，本文研究仍存在許多不足和待完善的地方，具體有以下幾點：1)本文研究只實現了青年女性頸肩部形態的自動識別，可深入探索如何實現頸肩部三維模型構建；2)在拍攝人體圖像時，對著裝和拍攝背景有一定的要求，在今后的研究中，為提高該技術的實用性，如何實現復雜背景下著裝人體圖像的尺寸提取是以后研究的重要方向之一。