基于PSO-LSSVM算法的臉型與男西裝領型適配性研究

周奕涵, 徐一諾, 李 濤,b,c,d, 夏 馨,b,c,d

(浙江理工大學 a.服裝學院; b.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; c.浙江省服裝工程技術研究中心;d.服裝設計國家級虛擬仿真實驗教學中心,杭州 310018)

服裝個性化已成為當前用戶日益關注的重點,依據用戶個人體貌特征給出服裝推薦建議的個性化服務已成為大眾訴求[1]。此外,網絡的普及使得服裝市場已從線下購買形式逐漸發展為線上線下同時銷售的形式[2],而線上服裝無法試穿的問題一定程度上制約著服裝電子商務的發展。對此,國內外眾多學者進行服裝推薦系統和軟件的研究與開發。如以外觀弱特征為分類依據的服裝推薦系統[3],基于感知的服裝推薦系統[4],以體型特征和風格需求為依據的服裝推薦與虛擬展示系統[5]等。然而上述服裝推薦系統只提供了服裝整體款式的選擇,忽略了細節部位的個性化需求。Liu等[6]構建的牛仔褲款式推薦與樣板生成系統,除了廓形推薦,還可調節腰高和褲長等4個細節部位;Zhu等[7]搭建的基于三維人臉掃描的西裝設計推薦系統中,可以進行廓形、領型、面料等細節部位的挑選;任永亮等[8]建立的西裝推薦系統中,能夠在人體特征識別的基礎上實現西裝細節部位推薦。為了追求更佳的視覺效果,有學者還進行了基于眼動追蹤的臉型、頸圍與不同青果領形態適配度研究[9]。通過上述方式得到的推薦結果,能有效提高消費者的體驗感與滿意度。因此,根據用戶體貌特征的精準個性化推薦將成為服裝推薦領域的新趨勢。

隨著復雜性科學研究深入,機器學習算法在紡織服裝領域內的運用愈加廣泛。如運用Faster R-CNN模型進行高跟鞋款式識別[10],利用SVM推薦女性服裝號型[11],通過深度神經決策樹實現服裝款式推薦[12]。現有研究表明,PSO-RBF神經網絡算法可以通過優化算法擬合兩個因素之間的復雜關系,實現輸入值由低維向高維空間的映射[13],以提高數據預測的準確率[14-15];PSO-LSSVM算法在樣本量較少的情況下,仍有較高的擬合能力與預測精確度[16]。因此,本文將分別選用PSO-RBF算法與PSO-LSSVM算法進行預測。

人體著裝時,衣領接近頭部易成為視覺焦點,根據臉型挑選合適領型的服裝能起到美化缺陷、突出優點的視覺作用。因此,本文從男性臉型分類和常見男西裝領型出發,旨在研究臉型與領型之間復雜的適配性視覺關系。首先分別對男性臉型與男西裝領型進行特征提取與分類,隨后通過主觀問卷調研獲得不同從業者對于不同臉型與領型組合搭配的視覺評價分數,對獲得數據進行分類描述、統計分析、相關性分析等;分析不同臉型搭配不同男西裝領型的適配性,通過PSO-LSSVM算法建立臉型與領型組合搭配的視覺適配度評價預測模型;并與PSO-RBF神經網絡算法比較,得出最優的臉型與領型適配度預測模型,從而實現不同男子臉型搭配一定男西裝領型時的視覺效果預測,以此作為西服領型推薦參考依據。

1 實驗樣本準備

1.1 男性臉型特征提取與分類

1.1.1 下頜線特征提取與分類

本文以下頜輪廓特征點為依據[17],通過方程擬合和均方誤差計算、比較,將下頜線分為尖形、平形、圓形3類,如圖1所示。

1.1.2 面部軸向比例特征提取與分類

在測量形態面長、顳面寬、面寬與下頜寬的基礎上,本文以顳面指數F(顳面寬與面寬之比)、顴下頜寬指數G(下頜寬與面寬之比)、形態面指數Z(形態面長與面寬之比)這3項數據作為分類依據[18],建立圓形、方形、長形、瓜子4種常見臉型。面部測量示意如圖2所示,分類準則如表1所示。

表1 面部軸向特征分類準則

圖2 面部測量示意

1.1.3 男性臉型分類結果

為控制影響因素,本文將頸部尺寸作為不變量,取中間體頸部尺寸(頸根圍37.5 cm)[19],對下頜線和軸向面部結果2個因素進行交叉組合,共得12種臉型,如表2所示。

1.2 男西裝領型特征提取與分類

1.2.1 男西裝領型特征提取

西裝領也稱為翻駁領,其變化主要是由翻領、串口線、駁頭、駁口線、駁點和刻口造型等要素共同影響決定的[20-21]。根據縱橫向視覺影響效果與流行的固定西裝造型搭配,選定本次領型分類的主要特征因素為駁頭寬度、門襟開合量、扣子數量。其中將駁頭寬度分為寬駁頭(8.5 cm)、正常駁頭(7.0 cm)、窄駁頭(5.5 cm)3種[9];將門襟開合量和扣子數量分為單排一粒扣、單排兩粒扣、單排三粒扣和雙排兩粒扣、雙排四粒扣、雙排六粒扣6種,均采用平駁領造型。此外再加入正常駁頭的單排一粒扣青果領和正常駁頭的雙排六粒扣戧駁領2類西裝領型。

1.2.2 男西裝領型分類結果

通過對駁頭寬度、門襟開合量、扣子數量3個款式特征的提取與交叉組合,共得到18種領型。再加上正常駁頭的單排一粒扣青果領和正常駁頭的雙排六粒扣戧駁領2類西裝領型,一共20種領型,分類結果如表3所示。

表3 男西裝領型分類

1.3 制作實驗樣本

將上述男性臉型分類結果與男西裝領型分類結果交叉組合后,利用CLO 3D、Photoshop與富怡CAD軟件生成240個分類結果。本文以臉型為變量將結果分為12大組,以“下頜線×軸向比例”的格式對組別進行命名,如尖形下頜線的圓形臉,可命名為“尖×圓”;隨后以駁頭寬度為變量分為“窄”“正常”“寬”3類,再按照門襟開合量分為“單”“雙”2類,每張實驗圖從左到右,西裝的扣子數量依次增加。圖片將以“-”連接各個變量分組名稱來命名,數字表示扣子數量。

主觀問卷實驗共為12大組,每組6張圖,每張圖3個男子虛擬試穿模型(在“正常”小組中,每張圖有4個男子虛擬試穿模型,為正常駁頭內加入的2種領型),共72張圖。部分實驗樣本如圖3所示。

圖3 部分實驗樣本

2 臉型與男西裝領型適配度主觀評價實驗

2.1 主觀評價實驗內容

為初步獲得男子臉型與男西裝領型適配度之間的視覺關系,并獲取用于建立PSO-LSSVM預測模型的樣本數據,本文設立主觀問卷實驗。

使被試者分別觀察上述72張實驗圖片中穿著不同領型男西裝的虛擬模特,并對其臉型與領型之間的視覺效果進行滿意度評價。實驗中,被試者每觀看24張實驗圖片休息1次,休息時間為2 min。該主觀評價采用李克特量表[22]進行,最低分為1分,代表“非常不合適”,最高分為5分,代表“非常合適”。本次問卷共回收116份,有效問卷100份。其中男性占比32%,女性占比68%;年齡為18～25周歲,服裝專業與非服裝專業人數約為1︰1。

2.2 主觀評價結果分析

采用SPSS軟件對問卷分別進行統計分析。由信度分析結果可知,本次視覺評價實驗的Alpha為0.981,信度值高;對所有樣本采用S-W檢驗,其顯著性P值為0.061,數據滿足正態分布。

以臉型為分類依據,對樣本進行均值描述性分析,可知各臉型與領型適配度評分詳情。其中,各臉型適配度高的前2種西裝領型和適配度低的后2種西裝領型結果如表4所示。

表4 基于臉型的西裝領型適配度排序

由表4排序結果表明,圓形臉適合正常及偏窄駁頭的單排扣男西裝領型;方形臉適合正常及偏寬駁頭的雙排扣男西裝領型;長形臉適合正常駁頭的男西裝領型;瓜子臉對于各西裝領型的適配度均較高;任何臉型搭配單排一粒扣,即駁點位置很低的男西裝,其視覺適配度都較低。

3 PSO-LSSVM預測模型構建

3.1 LSSVM算法

LSSVM是對標準SVM的改進算法之一。LSSVM模型將SVM模型中不等式約束改成了等式約束,將誤差平方和損失函數作為訓練集的經驗損失,把二次規劃問題轉化為求解線性方程組[23],簡化了求解過程。優化問題公式如下:

(1)

式中:ω為權值系數向量,γ為懲罰系數,ei為回歸誤差。

構造拉格朗日函數進行求解,最終決策函數表示如下:

(2)

式中:αi為拉格朗日乘子,K(x,xi)為核函數。

根據數據特征,核函數選用RBF徑向基函數,公式如下:

(3)

3.2 PSO算法

PSO算法是一種基于群體智能的全局隨機搜索算法[24],具有相當快的逼近最優解的速度,可有效優化系統參數。在每次迭代中,粒子通過個體極值和全局極值更新速度和位置,公式如下:

(4)

(5)

式中:i為粒子個數,t為迭代次數,ωt為慣性因子,c1、c2為學習因子,r1、r2為[0,1]的任意值,pbest為個體最優解,gbest為群體最優解,vi為第i個粒子的飛行速度,xi為第i個粒子的空間位置。

3.3 基于PSO-LSSVM算法的適配度預測模型

LSSVM建模過程中,對預測結果影響較大的參數為懲罰系數γ和核函數參數σ[25]。為使LSSVM模型的性能達到最優,本文選用PSO算法優化懲罰參數與核函數參數。具體的PSO-LSSVM算法模型框架和訓練步驟如圖4所示。

圖4 PSO-LSSVM模型流程示意

輸入層共10個參數,分別為下頜線類型、顳面指數(F)、下頜寬指數(G)、形態面長指數(Z)、駁頭寬度、駁口線長度、駁口距離、門襟開合量、紐扣數量、刻口造型。輸出層共1個參數,為適配度視覺評分。

輸入前先對數據歸一化處理,消除數據之間的差異性。其中對于下頜線類型、門襟開合量與刻口造型3個參數處理情況如下:數值0.00表示尖形下頜、單排扣門襟、青果領;數值0.50表示平形下頜、平駁領;數值1.00表示圓形下頜、雙排扣門襟、戧駁領。前10組樣本數據如表5所示。

表5 前10組樣本數據

建立PSO-LSSVM預測模型時,為使數據集有一定的隨機性,本文將240組樣本進行隨機打亂處理,取其中前215組為訓練集,后25組為測試集。PSO算法參數設置如下[26]:學習因子c1=1.5、c2=1.7,種群進化代數N=300,種群規模M=30,慣性權重ω=0.5。圖5為參數調優過程中的適應度變化曲線,可得訓練過程中適應度曲線經多次迭代逐漸達到收斂,當學習了17次時達到最佳,此時適應度值為0.006 024。

圖5 適應度曲線

3.4 預測結果與分析

為評估模型在預測適配度評分時的有效性和精確性,本文采用均方根誤差(RMSE)和平均絕對誤差(MAE)來衡量預測值和實際值之間的偏差,計算公式如下:

(6)

式中:m為樣本數量,f(xi)為樣本的預測值,yi為樣本的實際值。

為驗證模型有效性,本文選用PSO-RBF神經網絡進行比較,其中PSO算法參數設置如下[27]:學習因子c1=c2=1.449 5,種群進化代數N=200,種群規模M=20,初始慣性權重ω=0.9,最終慣性權重ω=0.3。PSO-RBF神經網絡算法與PSO-LSSVM算法預測結果曲線如圖6所示,對比可知,PSO-LSSVM算法的預測值要比PSO-RBF神經網絡算法更接近實際值,具有更好的預測效果。誤差指標如表6所示,可見PSO-LSSVM模型的平均絕對誤差和均方根誤差均比PSO-RBF神經網絡低,預測精度比神經網絡高,表明預測效果更為理想。

表6 兩種預測模型誤差結果

圖6 預測輸出曲線對比

4 結 論

本文以下頜線特征與面部軸向比例為依據將男性臉型分為12類,為男性臉型分類提供了一種基于非接觸式測量的思路,也為基于機器學習的臉型識別研究提供了參考依據。從主觀問卷收集臉型搭配西裝領的著裝效果評價,可知不同臉型適配的西裝領型有所不同,可為消費者選購西服提供新的思路。

在主觀問卷適配度評分的調查結果基礎上,建立了男性臉型與男西裝領型適配性的PSO-LSSVM預測模型,并與PSO-RBF神經網絡模型進行對比。結果表明:PSO-LSSVM算法均方根誤差為0.077 6,平均絕對誤差為0.057 3;相對于PSO-RBF神經網絡算法,均方根誤差降低0.041 1,平均絕對誤差降低0.037 6。說明PSO-LSSVM模型預測精度更高,效果更為理想。該算法模型為男西服款式推薦提供了一種依據用戶臉型實現的新思路。

《絲綢》官網下載

中國知網下載