基于MLP神經網絡的北方女性肩部識別研究

金 丹

(沈陽市輕工藝術學校 服裝學院,遼寧 沈陽 110031)

肩頸部測量對于服裝整體造型具有重要的研究價值,不僅能夠為消費者帶來美的享受,而且能夠給予人們溫暖的呵護[1-2]。通過肩頸部測量獲取領型的立體效果與平面結構,需要找到立體效果與平面結構之間對應的變化規律,以便得到適合人體的領型。

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。針對女性肩頸部,張金花等[3]采用SPSS軟件,以三維人體測量與肩部數據及其相關變量,確定肩部特征,完成肩部特征數據的分析;賀義軍等[4]針對青年女性肩部橫向彎曲度,建立肩弓系數,確定不同的肩斜造型,運用Opti Tex軟件得到三維肩部模型;王婷等[5]基于二維圖像與三維點肩部數據,對青年女性肩頸部形態進行分類,完成肩頸部體型的自動識別;馬暢等[6]基于線性回歸與MLP神經網絡完成女性肩部模型的測量。而針對男性肩頸部,金娟鳳等[7]采用IMAGE WARE 12.0與Matlab軟件,通過肩點面形態特征,提取肩頸部的曲線形態,確定曲線變化形態;聶超等[8]基于空間混聯機構,完成男性肩頸部骨骼的運動模型;張健等[9]采用二維圖片對肩頸部的形態進行分類,構建肩頸部形態的自動識別系統。JIANG 等[10]運用Freeman八鏈碼檢測法提取特征點并總結規律,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]將形態分為3 類,并建立數學模型,據此來調整衣領結構。上述方法雖然對肩頸部數據進行自動化測量,但是并沒有實況高精確度與小計算量。因此,采用深度學習方法完成對肩頸部高精確度、小計算量且自動化的測量,以得到適合人體的領型款式。

采用MLP神經網絡對肩頸部識別與分類,對肩頸部形態進行聚類分析,獲取符合人體的領口大小及款式。降低時間復雜度的同時,提高識別精確度,以得到符合人體工程學的領型,完善服裝設計。

1 肩頸部模型

肩頸部的主要骨骼是頸椎、胸廓上部與肩關節。頸椎以脊椎、脊肌為中心,由外側肌包裹,形成領圍。而外側肌進一步能夠劃分為淺頸肌、外側頸肌、前頸肌、后頸肌。骨骼與肌肉之間的連接,得到人體頸根線的位置、形狀和彎曲程度。通過頸椎骨骼及其肌肉連接,獲取領口大小。肩頸部骨骼的基本模型,如圖1所示。

圖1 肩頸部骨骼模型

考慮到頸部與肩部的鈍角連接,需要對肩部進行斜度測量,同時因為斜方肌周圍的脂肪導致肩部形狀變化,需要對肩部數據進行精確測量,以修正領口大小及形狀,進而得到適合肩部的領型。肩部測量數據包括頸點高、側頸點高和肩點高,以確定肩斜角與背入角。頸肩部結構如圖2所示。

圖2 肩頸部結構

肩部骨骼包括肩胛骨、肩胛棘、肩關節、肩縫、肩鎖關節、肱骨頭、鎖骨、胸骨。骨骼周圍肌肉由椎側緣肌、三角肌、斜方肌等組成,而形成肩部的主要肌肉則為斜方肌與三角肌。肩傾斜的角度由斜方肌決定,而肩端點的圓度則由三角肌決定。

2 肩頸部形態研究

2.1 測量數據

根據肩頸部模型中的數據,將肩頸部形態劃分為以下幾種類型,如圖3所示。

圖3 肩頸部形態

采用定性描述與定量描述,對人體頸肩部形態進行測量。對CAESAR 數據庫中人體形態參數數值進行篩選,選擇其中500名年齡在20～50歲的調查對象進行數據的采集,對異常值篩選、排除和整理,確定有效樣本466名。將樣本數據應用于肩頸部模型中,對測量變量進行正態性檢驗,獲取適用于領口統計分析的參數數值。針對參數數值對傾斜角度與大小數值計算,確定均值與標準差,作為領口服裝的參數指標。得到的測量參數,見表1。

表1 參數描述

針對人體數據庫中的人體數據,假設掃描姿態為直立,兩腳分開與肩同寬,肩頸部自然放松,手臂自然下垂,目光平視前方,測量項如下。

(1)下前頸點:在胸骨與鎖骨的內側端連接處,形成頸窩,位于頸窩的鎖骨上端與前正中線的交點。

(2)上前頸點:位于頸部與下顎的前正中線的交點。

(3)下后頸點:頸部前向彎曲時,頸后第七頸椎棘突尖端點會凸起,突出的斷點處便是下后頸點。

(4)上后頸點:頸部向后彎曲時,頸部上端在正中線轉折凹進處的點記為上后頸點。

(5)側頸點:在頸根曲線上,側視圖中前后頸厚的中央偏厚位置。

(6)肩端點:肩胛骨上緣向外的突出點,即肩與手臂的轉折點。

(7)頸根圍:下前頸點、側頸點與下后頸點的交叉點。

(8)前頸長:上前頸點到下前頸點的長度。

(9)后頸長:上后頸點到下后頸點的長度。

(10)頸寬:左右頸側點的水平距離。

(11)頸厚:前后頸點與頸寬中點連線距離之和。

(12)肩腋角:肩端點與腋下點的連線同水平線的夾角。

(13)肩斜角:側頸點與肩端點的連線同水平線之間的夾角。

(14)背入角:側面背部凸出點同下后頸點的連線同垂直線之間的夾角。

(15)前傾角:頸部線條同垂直線之間的夾角。

(16)肩弓角:肩部截面曲線前后中點同左肩端點之間的夾角。

(17)前頸角:頸部與上半身之間的夾角。

(18)肩寬:左肩端點與右肩端點之間的水平距離。

(19)肩厚:肩部截面中心的厚度。

通過測量參數對測量項進行計算,獲取各項形態數值,并且截取出頸肩部的截圖,測量所需的角度值、厚度值和距離值。

2.2 聚類分析

采用MLP神經網絡對肩頸部形態進行分析,得到不同的肩弓形態,如圖4所示。

圖4 肩弓形態

由圖4可知,肩頸部形態的識別由肩部外輪廓、肩端三角形與頸根圍決定。不同肩部形態由層次聚類方法來分析,采用文獻[4]中蘭氏距離公式來計算。計算公式如下:

式中:dL(xi,xj)表示xi與xj之間的蘭氏距離;p是指維度數據,即i∈{1,2,…,p},j∈{1,2,…,p},且i≠j;E表示所有對象的均方差之和;Zi是分類均值。

上述方法能夠完成對肩弓形態的分類,之后聚類能夠得到肩頸部的形態及類型。為便于對總體樣本的聚類分析,依據SSE(誤差平方和)的計算公式[12],將不同樣本劃分為不同類型,SSE的計算公式如下:

式中:Ci(i=1,2,3,4)表示肩頸部形態的類別(1表示溜肩,2表示寬肩,3表示窄肩,4表示平肩);p表示Ci中樣本i的數量;mi表示Ci中所有樣本的均值。將樣本數值帶入計算公式,最終得到趨向于正態分布的數據圖,而正態分布的最高點為真實的聚類數值。

為了驗證聚類效果,采用輪廓系數進行評估。輪廓系數,是評價聚類效果的方式[13],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到同一類內部其他樣本之間距離的均值;b(i)表示樣本i同最近類別中所有樣本的距離的均值。

2.3 基于MLP卷積神經的肩頸部識別

2.3.1 神經網絡模型

在MLP神經網絡中,輸入肩頸部數據,輸出精確識別的領口數據,確定領口的大小與形態。MLP神經網絡模型如圖5所示。

圖5 MLP神經網絡模型

其中FC表示全連接層。N、C、H、W表示區大小、輸入信道數、高度、寬度,h、w、g、p與O分別表示所需區的高度、寬度、組數、填充和輸出信道。輸入特征映射被拆分為不同的處理區,而全局感知器將不同區之間的相關性添加到每個區中。然后,局部感知器能夠捕獲具有多個卷積層的本地模式,分區感知器對長距離依賴關系建模后,假設N=C=1,H=W,Hw=Ww=2(即一個信道被分成4個分區)以獲得更好的可讀性。假設h>7且w>7,以便局部感知器具有內核大小為1、3、5、7 的卷積分支。通過結構重新參數化,具有凸層和卷積層的訓練時間塊等效地轉換為3個全連接塊。

MLP神經網絡模型的卷積函數如下:

式中:M(out)∈RO×C×H'×W'是輸出特征圖;O表示輸出信道數;p表示需要填充的像素數;F∈RO×C×K'×K'是密集卷積核,組數為1。為簡化操作流程,假設H'=H,W'=W。

對于全連接層,假設P和Q為輸入和輸出維度,有V(out)∈RN×Q,V(out)∈RN×Q分別作為輸入和輸出,其核為W∈RN×Q,矩陣乘法的計算公式如下:

將M(in)作為輸入并輸出M(out)的全連接層。假設全連接層不會改變分辨率,即H0=H,W0=W。使用只改變變量形狀規范而不改變內存中數據的順序RS函數。首先將輸入展平為長度CHW的N個矢量,有V(in)=RS(M(in),(N,CHW)),與內核W(OHW,CHW)相乘,得到輸出結果V(out)(N,O,H,W),或者返回M(out)(N,O,H,W)。RS函數的計算公式如下:

2.3.2 形態特征提取

對模型中輸出的數據進行全局特征的提取,所得結構如圖6所示。

圖6 全局特征提取結構

首先,將圖片分區,相互疊加。之后將輸出結果做池化處理,得到不同數量的處理塊,即一個數據塊對應1個節點,最后疊加得到全局特征結果。

然后,將全局特征結果進行序列化處理,得到圖像中頸部肩部關鍵特征的位置信息,之后采用卷積函數進行分組卷積與相對特征的合并。卷積處理結構如圖7所示。

圖7 卷積結構圖

最后將不同位置及大小進行統計分析,2 個相同尺度的全連接操作可以直接相加,如果全連接和卷積直接相加,則需要卷積操作,轉換成一個等價的全連接。即把卷積核的權重參數,轉換為等價的全連接權重參數。計算公式如下:

2.3.3 肩頸部分析

肩頸部形態對人體著裝效果會造成一定的影響,主要體現在肩頸部的弧度及橫剖面。采用Opti Tex三維CAD 軟件,對肩部形態進行識別,識別效果如圖8所示。

圖8 肩頸部形態識別

人體肩部的肌肉包括上斜方肌、提肩胛肌和菱形肌;人體溜肩即肩胛骨下降的肌肉,即下斜方肌和前鋸肌;窄肩肌肉過度縮緊,可能原因是下斜方肌無力和前鋸肌無力;窄肩肌肉過度縮緊,可能原因是上斜方肌無力、提肩胛肌無力和菱形肌無力;所以導致溜肩的肌肉。

基于上述結論,能夠完成對溜肩服飾的設計。

3 結束語

針對肩部服飾舒適性的問題,提出一種基于MLP神經網絡的肩部測量與識別算法,完成對第七頸椎點、頸肩點與肩端點的精確測量,分析了不同肩頸部形態對服裝領子的影響,進一步揭示了不同肩型對服飾的影響,為優化領型服飾的設計提供了參考。