基于二維照片的青年男性頸肩部形態分類與識別

張 健， 徐凱憶， 趙崧靈， 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)

了解消費者的體型特征并開發適合不同人群體型的樣板是提高服裝合體性的關鍵。現代男裝在積極地追求時尚潮流，服裝整體感覺向著與身體完全合身的角度轉變，追求像女性服裝一樣突出人體線條和輪廓，且男裝的搭配及穿戴感的重要性明顯提高，而樣板制作必須考慮到人體的形態，即體型[1]。研究如何更細致地對男性體型進行準確分類逐漸成為當下服裝領域研究的熱點。另外，從服裝結構的角度來講，衣領作為上裝的重要構成部分[2]，對服裝的款式風格影響很大，且衣領結構與人體頸肩部著裝舒適性也有很大關聯。合體的衣領結構離不開對人體頸肩部形態的準確分析，因此，在人體體型多樣化的背景下，對人體頸肩部形態進行詳細分類，是制作個性化衣領結構的前提。

目前，人體體型的分類方法已經較為完善，一種分類方法是通過測量人體的基本尺寸數據進行粗略劃分，比如身高、體重、胸圍、腰圍、臀圍等。Tsunawake等[3]首先采用因子分析法對成年運動員的體型測量值進行分析，提取出體脂、體重、腿長高比和腿長等4個特征變量，并根據這些變量對運動員的體型進行聚類分析，最終將運動員的體型分為3類。然而，這種分類方法忽略了身體的形態比例和特征，如胸腰臀圍只能粗略地描繪原始的人體輪廓，無法準確表征人體形態[4]。可通過加入派生變量，如高度比、寬度比、厚度比和寬厚比等變量，更好地描述人體的整體比例以及人體各部位截面的形態差異。季開宸[5]研究表明具有相同寬厚比的人體部位也具有相同的形態特征，這一結果證實了用人體各部位的寬厚比來進行分類的有效性。除各部位比值外，也有學者引入人體角度作為分類依據。王婷等[6]為了自動識別青年女性的頸肩部形態，從15個頸肩部相關尺寸變量中選取肩斜角、背入角等特征指標對青年女體進行分類并進行后續研究。王珊珊等[7]為研究江浙地區青年男性在職人員的頸部形態，根據人體頸部前傾角、后傾角和二者的比值將人體頸部的曲度形態分為3類，并建立數學模型，據此來調整衣領結構。還有一些學者結合圖形學、計算機學以及統計學等知識引入其他分類指標。金娟鳳等[8]引入了截面的曲線形態指標，測量計算了青年男性肩部截面曲線的曲率以及肩厚與肩寬的比值作為分類依據，最終將青年男性肩部形態劃分為4類。上述方法在對人體進行分類時未能考慮到性別的影響，在研究男性體型特征時需加入能夠表征男性形態的特征參數，以確保能夠更好地表示男性身體的輪廓形態以及身體比例。

本文研究將從男性頸肩部特征形態出發，基于三維人體點云數據測量頸肩部相關形態參數，探索青年男性頸肩部形態分類規則及基于照片的自動判別方法，為青年男性體型自動識別及服裝個性化定制提供理論依據及技術支撐。

1 人體測量實驗

1.1 測量對象及方法

根據GB/T 16160—2008《服裝用人體測量的部位與方法》，本文以年齡在18～25周歲的180名在校男大學生為研究對象，身高范圍在162～180 cm，體重范圍在51～80 kg，使用[TC]2NX-16三維人體掃描儀對被試者進行三維測量。依據GB/T 23698—2009《三維掃描人體測量方法的一般要求》，室內環境相對濕度為(60±10)%，溫度為(27±3) ℃。被試者需穿著白色短褲，除去身體所有額外配飾，依照指定姿勢站立，目視前方，呼吸平穩[9]。

1.2 測量項目

通過分析比較男性與女性頸肩部形態特征，本文研究根據頸部(NL)、肩部(SL)和腋下(AL)3個截面層的15個特征點，如側頸點(PSN)、左肩點(PLS)、下前頸點(PDFN)、背凸點(PB)等，共確定了22個與人體頸肩部形態有關的參數，主要包括身高、寬度值、厚度值以及橫矢徑比等，測量示意圖和具體定義分別如圖1和表1所示。

圖1 頸肩部形態參數測量示意圖Fig.1 Schematic diagram of measurement of morphological parameters of neck-shoulder

表1 頸肩部形態參數具體定義Tab.1 Specific definition of morphological parameters of neck-shoulder

其中各部位橫矢徑比是各部位截面寬度與厚度的比值，可反映人體部位形態的扁平狀況[10]；前頸角和前傾角表示男性頸部前傾狀態，這是由于男性頸部前傾狀態比女性明顯，且男性上身整體形狀呈倒梯形；肩腋角及肩腋寬比等參數可更好地表示肩部至腋下部整體形態；肩橫矢徑比和肩弓角2個形態參數可更加直觀地表示肩部的截面形態。

本文研究采用逆向工程軟件Imageware對三維點云數據進行二次測量，以獲取各項形態參數值。首先對獲取到的點云數據進行去噪、補洞、光順等處理，使得獲取的點云數據更加準確[11]，截取出頸部、肩部、腋下部的平行點云截面，測量出所需的角度值以及各部位橫截面的寬度值和厚度值。

2 頸肩部形態分析

2.1 聚類參數確定

本文研究首先對180名實驗對象的形態參數值進行異常值篩選、排除和整理[12]，確定出有效樣本174個，并對各測量變量進行正態性檢驗，以保證數據能夠更好地適于統計分析。然后進行如表2所示總體描述統計，其中變量的變異系數指標用來衡量其自身離散程度的大小。變異系數為標準差與平均值之比值，數值越大，說明變量內部的差異和離散程度越大[13]。變異系數最大的變量為前傾角(23.34%)，其次是背入角(20.57%)。根據變異系數的數值以及各變量對人體形態的特征描述，選取變異系數前五的變量作為聚類分析的分類指標，分別為：前傾角(AFL)、背入角(ADE)、肩斜角(AST)、頸肩寬比(RWNS)、頸橫矢徑比(RN)。

表2 相關參數描述統計分析Tab.2 Descriptive statistical analysis of related parameters

2.2 聚類數目確定

本文研究采用K-Means聚類法，在聚類分析前可采用手肘法和輪廓系數法來確定聚類的最佳數目。

手肘法的核心指數是SSE(誤差平方和)，其計算邏輯是：在K-Means聚類時，每個分類類別的內部聚集度會隨著K值的增大而增大，同時總體樣本數據的分類也會更加細致，最終SSE也會隨之減小[14]。具體公式如下：

式中：Ci為第i個類；p為Ci中的樣本i的數值；mi為Ci中所有樣本的均值。

由于各類別的聚合程度隨聚類數目的增大而增大，因此總體樣本的SSE在聚類數目K未達到真實值時會下降較快，而當K值達到真實值并持續增加時，SSE的下降幅度會急劇變小并最終趨于平緩，而這個下降幅度的轉折點就是真實聚類數目所在的位置。

輪廓系數，是評價聚類效果的另一種方式[15]，可用于基于相同原始數據評估不同算法或算法的不同操作模式對聚類結果的影響。輪廓系數的數值介于[-1,1]，越趨近于1代表聚類效果越好。具體公式如下：

式中：a(i)為樣本i到同一類別內部其他樣本的距離的平均值；b(i)為樣本i與最近類別中所有樣本的距離的平均值。

采用Python程序實現手肘法和輪廓系數法對樣本數據的分析，結果如圖2所示。可看到SSE的輸出中在K=3時，整個折線處于“拐點”，同樣在輪廓系數輸出圖中，當K=3時輪廓系數值最大、最趨近于1。結合2種方法，選取最佳聚類數目為3類。

圖2 最佳聚類數目確定方法Fig.2 Method for determining optimal number of clusters. (a) Elbow method; (b) Silhouette coefficient

2.3 聚類分析

將聚類數目設置為3進行聚類分析，聚類結果見表3。結果顯示174個青年男性頸肩部形態可分為3類，其中第1類體型樣本數為54，占比31.03%；第2類體型包含樣本數為63，占比36.21%；第3類體型樣本數為57，占比32.76%。5個變量的聚類顯著性均小于0.05，說明此聚類方法是可行的。

表3 聚類分析結果Tab.3 Cluster analysis results

根據聚類結果確定出各個類別的代表體型，將3類代表體型的頸肩部正面與側面截面形態進行對比，分析其形態差異，如圖3所示。結果顯示：第1類體型的肩斜角明顯大于另外2類，頸橫失徑比較小，命名為落肩圓頸體；第2類體型背入角與前傾角均較大，頸橫矢徑比小，命名為前傾圓頸體；第3類體型頸橫矢徑比較大，背入角與前傾角都較小，命名為寬頸直體。

圖3 頸肩部3類不同形態對比Fig.3 Comparison of 3 different types of neck-shoulder.(a) Side morphology; (b) Front morphology

為了更方便地利用5個形態參數區分頸肩部形態，本文研究采用Fisher判別法建立頸肩部形態判別規則與判別公式，見下式和表4。其中，F1、F2、F3分別為各類體型的Fisher判別得分。

F1=3.865AST+2.528ADE+2.630AFL+66.476RN+108.103RWNS-165.693
F2=3.566AST+2.449ADE+3.148AFL+66.485RN+111.684RWNS-176.684
F3=3.043AST+2.241ADE+2.325AFL+65.442RN+106.113RWNS-136.843

表4 判別規則Tab.4 Discriminant rule

3 頸肩部形態自動識別

3.1 人體輪廓提取

本文研究使用高像素相機(索尼A6000，分辨率4 000像素×6 000像素，距離1.8 m)對人體照片進行采集，需保持人體照片清晰度。拍照姿勢參考三維掃描姿勢，被試者需雙手雙腳自然分開，目視前方，如圖4(a)所示。

在獲得人體正側面照片后，對照片進行裁剪、調整圖片亮度及對比度等處理，使得照片中僅出現人體和黑色背景。然后對照片進行最佳閾值分割以獲得二值圖像，并進行開運算和填充操作，使得人體輪廓盡量光滑平緩，如圖4(b)所示。最后求取二值圖像矩陣的目標邊界得到人體輪廓圖，如圖4(c)所示。

圖4 圖像采集和輪廓提取Fig.4 Image acquisition and contour extraction. (a) Photo pose; (b) Image binary processing; (c) Image contour extraction

3.2 形態參數提取

根據判別規則，形態識別所需人體參數包括前傾角、頸橫矢徑比、肩斜角等，其中涉及的人體特征點為肩端點、側頸點、前后頸點、背凸點等。各特征點的提取以圖形學原理為參考，首先根據各特征部位高度與人體身高的比例確定出大致高度范圍，然后以各特征點的定義和形態特征標記出特征點[16]。以肩端點為例，根據前期點云數據測量得到肩端點所在高度為人體身高的77.1%～80.8%，肩端點的定義為肩胛骨肩峰上緣最向外突出的點。因此可找出肩端點高度范圍內曲率最大的點確定出肩端點所在位置。其余各特征點坐標值的提取方法以此類推，各特征點的坐標點標注如圖5所示。其中x值為橫向像素，y值是縱向像素，各提取參數的具體計算方法見表5。

圖5 頸肩部坐標點標注Fig.5 Coordinate point marking of neck-shoulder

表5 參數計算公式Tab.5 Parameter calculation formula

3.3 形態識別誤差分析

以30位青年男性的正側照片進行頸肩部形態識別和誤差分析，結合照片提取值和判別規則進行判別，識別結果如圖6所示。結果顯示有2個樣本識別錯誤，準確率達93.33%，相比于已有文獻[6]所構建的青年女體頸肩部形態識別系統90%的準確率，本文研究的識別準確率顯然更加優異。這也證明了本文研究所構建的頸肩部形態識別系統的可行性。

圖6 頸肩部形態自動識別結果Fig.6 Automatic recognition result of neck and shoulder shape

識別結果的準確率直接受到照片提取的形態參數值的影響，因此將30個樣本的點云測量值與照片提取值進行誤差分析，見表6。結果顯示，3個角度參數的誤差范圍均在[-2°,2°]之間，2個比值參數的誤差范圍在[-0.14,0.08]之間，配對樣本T檢驗的顯著性均大于0.05，說明照片提取值與三維測量值之間沒有顯著差異，保持了較高的一致性，進一步驗證了基于二維照片進行頸肩部形態識別方法的可行性及準確性。

表6 誤差分析表Tab.6 Error analysis table

4 結 論

本文研究通過三維人體掃描儀獲取了180名在校男大學生頸肩部的三維點云數據，測量得到了表征青年男性頸肩部形態的22個參數，根據變異系數選取了前傾角、背入角、肩斜角、頸肩寬比、頸橫矢徑比5個特征參數進行聚類分析，將青年男性頸肩部形態分為落肩圓頸體、前傾圓頸體、寬頸直體3類。基于人體二維照片提取了體型分類所需要的5個特征參數，構建了基于二維圖像的青年男性頸肩部自動識別系統。最終選取30個樣本數據，將對應的三維點云測量值與程序提取值進行判別驗證。結果表明，構建的形態自動識別系統的判別準確率達到93.33%，3個角度參數的誤差范圍均在[-2°,2°]之間，2個比值參數的誤差范圍在[-0.14,0.08]之間，證明了本文研究方法的可行性和準確度，可為服裝行業的個性化和智能化快速制板提供體型參考。

本文研究仍然存在以下不足之處：1)僅針對于青年男性頸肩部進行體型分類以及形態識別系統的構建，后期研究將對不同年齡段及不同人體部位進行深入研究。2)所拍攝的人體圖像對拍攝背景以及人體著裝有一定要求，后期將探究如何實現復雜背景及著裝提取人體輪廓及尺寸。

FZXB