景曉寧， 李曉久(天津工業(yè)大學(xué) 藝術(shù)與服裝學(xué)院， 天津 300387)

樸素貝葉斯算法在女童體型判別中的應(yīng)用

景曉寧， 李曉久
(天津工業(yè)大學(xué) 藝術(shù)與服裝學(xué)院， 天津 300387)

為實(shí)現(xiàn)女童體型的準(zhǔn)確判別歸類，通過采集女童樣本數(shù)據(jù)，建立了具有詳細(xì)測量信息的數(shù)據(jù)庫。利用聚類分析方法將女童體型分為3類，在此基礎(chǔ)上，應(yīng)用樸素貝葉斯算法建立了判別模型，實(shí)現(xiàn)了女童體型的判別歸類。同時(shí)利用最小差值算法查找了被測女童樣本在數(shù)據(jù)庫中的相似體，最后，以主要控制部位尺寸作為查詢的基礎(chǔ)指標(biāo)，繪制了雷達(dá)圖擬合二者的主要控制部位尺寸。研究得出：樸素貝葉斯女童體型判別模型的判別準(zhǔn)確度達(dá)93.8%；被測女童樣本及其相似體在雷達(dá)圖中各主要控制部位尺寸誤差較小，相似體可用于替代被測樣本；為需要獲取人體詳細(xì)測量信息的相關(guān)應(yīng)用領(lǐng)域提供數(shù)據(jù)支持。

女童體型分類； 體型判別； 貝葉斯算法； 尺寸擬合

人體體型的分類和判別，一直是人體測量及服裝領(lǐng)域的研究熱點(diǎn)[1-3]，不少學(xué)者對其進(jìn)行了研究，主要針對成年人體體型進(jìn)行分類和判別[4-5]，兒童屬于生長發(fā)育的關(guān)鍵時(shí)期，對其體型的研究可指導(dǎo)更科學(xué)的童裝結(jié)構(gòu)設(shè)計(jì)；以滿足兒童的生理需求；另一方面，童裝市場的消費(fèi)水平劇增和兒童健康安全著裝的更高要求，也促使童裝行業(yè)更關(guān)注兒童的體型特點(diǎn)進(jìn)而對童裝進(jìn)行合理化改良，因此，兒童體型的研究成為了熱點(diǎn)。樸素貝葉斯算法是經(jīng)典的分類算法[6-7]，被廣泛地應(yīng)用于各領(lǐng)域研究中[8-10]，本文采用該算法進(jìn)行女童體型判別方法的研究，在精度上取得了滿意的結(jié)果。

1 數(shù)據(jù)采集與預(yù)處理

1.1 數(shù)據(jù)采集

1.1.1測量對象

利用力克掃描儀采集了1 000位兒童身體尺寸數(shù)據(jù)。測量對象為身高104.2～160.9 cm,體重 14.0～50.0 kg的 4～12歲的女童。

1.1.2測量條件

實(shí)驗(yàn)采用法國Lectra公司開發(fā)的三維人體掃描儀采集人體數(shù)據(jù)，設(shè)備能將人體上50多萬個(gè)數(shù)據(jù)點(diǎn)進(jìn)行處理，以三維人體圖像展示將掃描結(jié)果，并且進(jìn)行自動(dòng)測量，獲取人體85個(gè)部位尺寸。測量環(huán)境溫度為(28±2)℃，相對濕度為(60±5)%，適合裸體測量。

1.1.3測量方法和要求

在測試之前，被測試者需要統(tǒng)一著裝，并在規(guī)定的測試位置擺出統(tǒng)一姿勢，以保證三維人體掃描的準(zhǔn)確性。具體著裝：1)赤足，穿著統(tǒng)一淺色內(nèi)衣褲，內(nèi)褲服帖，暴露臍點(diǎn)，以減小著裝對原來體型的影響；2)被試者頭發(fā)按照要求束起后，用網(wǎng)狀束發(fā)帽罩住頭發(fā)。

測量時(shí)，站立在指定位置測量，雙腳分開與肩同寬；兩臂張開保持在身體側(cè)中線上并與身體兩側(cè)呈40°角；筆直站立，目視前方。

1.1.4測量部位

通過力克掃描測量，可獲得人體85個(gè)部位尺寸，在這些尺寸中選取本研究所需的主要測量部位尺寸，共27項(xiàng)：身高、頭高、頸椎點(diǎn)高、坐姿頸椎點(diǎn)高、腰高、臀高、會(huì)陰高、肩點(diǎn)高、胸高、頸厚、臀厚、胸厚、上襠長、頸圍、過肩長、胸寬、胸圍、背寬、背長、腰臀距、腰圍、臀圍、臂長、腕圍、大腿圍、膝圍、腳踝圍。這些主要測量部位尺寸能夠反映人體基本體型，且為服裝量體裁衣的關(guān)鍵測量尺寸。

1.2 數(shù)據(jù)預(yù)處理

通過對采集的數(shù)據(jù)進(jìn)行缺失值分析、奇異值分析、正態(tài)性檢驗(yàn)和相關(guān)性分析，剔除部分?jǐn)?shù)據(jù)，最終保留858個(gè)測量樣本。

2 體型分類

2.1 因子分析

對樣本數(shù)據(jù)進(jìn)行因子分析，將27個(gè)測量指標(biāo)歸納為較少的幾個(gè)影響因子。在因子分析中，通常采用特征值大于1的因子個(gè)數(shù)，根據(jù)圖1所示主成分分析碎石圖，縱坐標(biāo)為特征值，橫坐標(biāo)為成分個(gè)數(shù)，在特征值大于1時(shí)可對應(yīng)出2個(gè)成分?jǐn)?shù)，即提取出了2個(gè)體型特征因子。

圖1 主成分分析碎石圖Fig.1 Scree plot

利用最大方差法對因子載荷矩陣實(shí)行正交旋轉(zhuǎn)，描述公共因子所包含的信息，表1為旋轉(zhuǎn)后的成分矩陣。

表1 旋轉(zhuǎn)成分矩陣Tab.1 Rotated component matrix

成分中絕對值大于0.5為其覆蓋的指標(biāo)因子，因此表1中第1主成分因子包含的因素有：身高、頭高、頸椎點(diǎn)高、坐姿頸椎點(diǎn)高、腰高、臀高、會(huì)陰高、肩點(diǎn)高、胸高、上檔長、背長、腰臀距、臂長，方差貢獻(xiàn)率為39.934%，顯然第1主成分是一項(xiàng)綜合表征人體縱向高度及長度的因子；第2主成分因子包含：頸厚、臀厚、胸厚、頸圍、過肩長、胸寬、胸圍、背寬、腰圍、臀圍、腕圍、大腿圍、膝圍、踝圍，方差貢獻(xiàn)率為39.614%，綜合反映了人體橫向圍度要素。故依據(jù)主成分的內(nèi)涵將2個(gè)體型特征因子命名為縱向長度因子和橫向?qū)挾纫蜃印?/p>

2.2 K-means聚類分析

按照2個(gè)體型特征因子得分是類間無差異的成立概率P，都小于5%為標(biāo)準(zhǔn)進(jìn)行比較，用于確定因子是否顯著。在符合此條件下，嘗試聚為2類、3類、4類及更多類別，對比聚類均方及誤差均方值，如表2所示。聚類均方中體型特征因子1得分和體型因子2得分?jǐn)?shù)值相近，且誤差均方值較小的說明分類比較合理，因此，得出當(dāng)聚類數(shù)為3也就是體型劃分為3類時(shí)最為理想。

表2 方差分析表Tab.2 Analysis of variance

各類體型所包含的案例數(shù)，其中體型3人數(shù)最多，占據(jù)總量的43.8%，其次為體型2，比例為30.6%，體型1人群最少，占樣本總量的25.6%。

2.3 分類體型特征描述

單因素方差分析可獲得2個(gè)因子對3類體型的具體影響程度，如表3、4所示。進(jìn)而判別各體型的特征，對體型進(jìn)行專業(yè)的描述，并定義各類體型。

表3 體型特征因子1對3類體型的影響Tab.3 REGR factor score 1 for 3 body types

表4 體型特征因子2對3類體型的影響Tab.4 REGR factor score 2 for 3 body types

在表3中，體型特征因子1對應(yīng)3個(gè)體型類別的數(shù)值分別是：第1類為-0.136，第2類為-1.103,第3類為0.850。數(shù)值越大說明因子對該類體型的影響越大，該表中根據(jù)數(shù)值大小可知，因子1對3類體型的影響程度為：第3類大于第1類大于第2類，由于因子1代表人體縱向高度及長度，因此，3類體型中人體縱向高度及長度較大的是第3類體型，其次為第1類體型，較小的是第2類體型。

同理，在表4中，體型特征因子2對3類體型的影響根據(jù)數(shù)值的大小進(jìn)行分析，對應(yīng)3個(gè)體型類別的數(shù)值分別是：第1類為1.364，第2類為-0.609,第3類為-0.372。數(shù)值越大說明因子對該類體型的影響越大，該表中根據(jù)數(shù)值大小可知，因子2對3類體型的影響程度為：第1類大于第3類大于第 2類，由于因子2代表人體橫向圍度，因此，3類體型中人體橫向圍度較大的是第1類體型，其次為第 3類體型，較小的是第2類體型。

根據(jù)表3、4結(jié)果分析可知，體型1的人體縱向高度及長度尺寸處于中等水平，人體橫向圍度尺寸較大，可定義為胖體。體型2的人體縱向高度及長度尺寸最小，人體橫向圍度尺寸最小，可定義為矮瘦體。體型3的人體縱向高度及長度尺寸最大，人體橫向圍度尺寸處于中等水平，可定義為高體，因此，得出各體型的特征為胖體、矮瘦體、高體，并以符號(hào)F、ST、T表示。

3 體型判別

基于已分類且定義的女童體型，在已知女童27項(xiàng)測量指標(biāo)數(shù)據(jù)的前提下，研究新的女童人體的體型判別，即新的女童體型屬于已知的哪一類體型。本文將貝葉斯理論應(yīng)用于體型判別研究中。

3.1 貝葉斯原理

貝葉斯算法是統(tǒng)計(jì)模型決策中的一個(gè)基本方法，基本思路為：已知類條件概率密度參數(shù)表達(dá)式和先驗(yàn)概率。利用公式轉(zhuǎn)換成后驗(yàn)概率。最后，利用后驗(yàn)概率進(jìn)行決策分類。

若，P(A)是A的先驗(yàn)概率或邊緣概率。P(A|B)是已知B發(fā)生后A的條件概率，稱作A的后驗(yàn)概率。P(B|A)是已知A發(fā)生后B的條件概率，稱作B的后驗(yàn)概率。P(B)是B的先驗(yàn)概率。

則有：

3.2 基于樸素貝葉斯分類的體型判別算法

樸素貝葉斯法是基于貝葉斯定理與特征條件獨(dú)立假設(shè)的分類方法。

假設(shè)Ti為體型類別，由分類結(jié)果已知：i=1,2,3,S1為人體樣本，S1=a1,a2,…,a27，為樣本的27項(xiàng)測量指標(biāo)。

則，S1樣本的各項(xiàng)測量指標(biāo)數(shù)據(jù)同時(shí)存在且屬于Ti體型的概率為

根據(jù)樸素貝葉斯分類原理：假設(shè)S1={a1,a2,…，a27}為一個(gè)體型待分類樣本，a1,a2，…，a27為S1的27項(xiàng)測量指標(biāo)。

計(jì)算P(T1|S1),P(T2|S1),P(T3|S1),如果,

P(TK|S1)=

max{P(T1|S1),P(T2|S1),P(T3|S1)},

則S1∈TK。

由已知體型分類的訓(xùn)練樣本的集合，利用統(tǒng)計(jì)分析獲得在各類別下的各測量指標(biāo)的條件概率估計(jì)，即：

P(a1|T1),P(a2|T1),…,P(a27|T1)

P(a1|T2),P(a2|T2),…，P(a27|T2)

P(a1|T3),P(a2|T3)，……,P(a27T3)

如果各測量指標(biāo)是條件獨(dú)立的，則推導(dǎo)如下：因?yàn)樗蓄悇e中分母是常數(shù)，因此把分子最大化。由于各測量指標(biāo)是條件獨(dú)立的，故有：

P(S1|Ti)P(Ti)=P(a1|Ti)P(a2|Ti)…

即：

4 算法驗(yàn)證

4.1 體型判別模型算法精度驗(yàn)證

將全部樣本利用樸素貝葉斯算法進(jìn)行體型判別模型的驗(yàn)證。顯示50個(gè)樣本判別錯(cuò)誤，錯(cuò)誤率約為6.2%，則該算法準(zhǔn)確率約為93.8%。

4.2 相似體數(shù)據(jù)獲取

輸入被測樣本的身高、胸圍、腰圍、臀圍、臂長、過肩長、背長和背寬等8項(xiàng)主要測量指標(biāo)。利用最小差值算法在數(shù)據(jù)庫中搜索與被測樣本各測量指標(biāo)數(shù)據(jù)最接近的樣本，即相似體樣本。根據(jù)檔差設(shè)定查詢閾值。圖2示出樣本與相似體主要測量指標(biāo)擬合圖。

圖2 被測樣本與相似體主要測量指標(biāo)擬合Fig.2 Fitting of main measuring indexes of sample and similar body.(a)Fitting of main measuring indexes of sample a and similar; (b)Fitting of main measuring indexes of sample b and similar;(c)Fitting of main measuring indexes of sample c and similar

隨機(jī)抽取3種體型ST、F、T中的3個(gè)樣本作為被測樣本a,b,c,根據(jù)8項(xiàng)主要測量指標(biāo)在將被測樣本剔除后的數(shù)據(jù)庫中進(jìn)行搜索，將搜索到的相似體樣本相應(yīng)數(shù)據(jù)與被測樣本輸入的實(shí)際數(shù)據(jù)進(jìn)行對比，繪制擬合圖，驗(yàn)證相似度。

被測的3個(gè)樣本與其相似體主要測量指標(biāo)數(shù)據(jù)十分吻合。在數(shù)據(jù)庫樣本量足夠大的前提下，根據(jù)大數(shù)據(jù)全樣本原理[11-13]及預(yù)測原理[14]，認(rèn)為可采用相似體代替被測樣本，以提供全部27項(xiàng)測量指標(biāo)數(shù)據(jù)信息。結(jié)果說明了該算法的優(yōu)勢：即在數(shù)據(jù)量有所保證的前提下，該算法在體型判別的同時(shí)，還可精確地搜索出與被測樣本測量值最接近的相似體，快捷地輸出女童身體詳細(xì)信息，以支持人體工程及服裝工程中的相關(guān)應(yīng)用領(lǐng)域。

5 結(jié) 論

本文建立起具有詳細(xì)測量信息的女童測量數(shù)據(jù)庫。利用聚類分析方法將女童體型分為胖體，矮瘦體和高體3類。在此基礎(chǔ)上，利用樸素貝葉斯算法對女童體型進(jìn)行判別，實(shí)現(xiàn)了女童體型的判別歸類，判別準(zhǔn)確度達(dá)到93.8%。此外，將主要控制部位尺寸作為查詢的基礎(chǔ)指標(biāo)，利用最小差值算法查找被測樣本在數(shù)據(jù)庫中的相似體，繪制雷達(dá)圖對二者尺寸進(jìn)行擬合，顯示各主要控制部位尺寸誤差較小。通過研究獲得的體型類別及相似體樣本可用于描述和替代被測樣本，為需要獲取人體詳細(xì)測量信息的相關(guān)應(yīng)用領(lǐng)域提供數(shù)據(jù)支持。

FZXB

[1] SIMMONS K, ISTOOK C L, DEVARAJAN P. Female figure identification technique (ffit) for apparel: partⅠ: describing females shapes[J]. Journal of Textile and Apparel Technology and Management, 2004, 4(1): 1-16.

[2] VURUSKAN A, BULGUN E. Identification of female body shapes based on numerical evaluations[J]. International Journal of Clothing Science and Technology, 2011, 23(1): 46-60.

[3] CONNELL L J, ULRICH P, KNOX A, et al. Body scan analysis for fit models based on body shape and posture analysis[J]. National Textile Center Annual Report, 2002, 11(1): 31-37.

[4] LIU Yang, YAND Chunting, YU Jing. A novel method for body shape analysis in e-mtm[J]. Applied Mechanics and Materials, 2010(20/23): 1482-1486.

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

[6] YAGER R R. An extension of the naive bayesian classifier[J]. Information Sciences,2006,176(5): 577-588.

[7] FLACH P A, LACHICHE N. Naive bayesian classification of structured data[J]. Machine Learning, 2004, 57(3): 233-269.

[8] DEROUIN F, SARFATI C, BEAUVAIS B, et al. Naive bayesian classifier for incident duration prediction [J]. Transportation Research Board Meeting, 2007, 51(1): 800-807.

[9] RATANAMAHATANA C A, GUNOPULOS D. Feature selection for the naive bayesian classifier using decision trees [J]. Applied Artificial Intelligence, 2003, 17(5): 475-487.

[10] WANG X Z, HE Y L, WANG D D. Non-Naive Bayesian classifiers for classification problems with continuous attributes[J]. IEEE Transactions on Cybernetics, 2014, 44(1): 21-39.

[11] MNEG Yishan. Big data successfully predicted USA election[EB/OL].(2015-03-18)[2015-03-25].https://www.aliyun.com/zixun/content/2_11_1879463.html

[12] MAYERSCHONBERGER V, CUKIER K. Big Data: A Revolution That Will Transform How We Live, Work and Think [M]. England: Hodder Export, 2013: 39.

[13] Wikipedia. Big data[EB/OL]. (2014-01-20)[2014-05-07].Http://www. wikipedia.org.

[14] ALEXANDER M, KONRAD B, CHRISTIAN M. Psycho-informatics: big data shaping modern psychometrics[J]. Medical Hypotheses, 2014, 82(4): 405-411.

ApplicationofNaiveBayesianmethodingirl′sfigurediscrimination

JING Xiaoning， LI Xiaojiu
(SchoolofArtandClothing，TianjinPolytechnicUniversity,Tianjin300387,China)

In order to achieve accurate identification of girl′s figure, a large number of girl samples are collected to establish a database with detailed measurement index information. The data were analyzed and the girl′s figure were divided into three types using cluster analysis method. On the basis, the Naive Bayesian (NB) algorithm was applied to the study of girl′s figure discrimination, and a discriminant model was established. The discrimination of girl′s figure was realized. At the same time, the similar body of the test sample in the database was found by utilizing minimal difference algorithm. And finally, the radar map was charted to fit the main measurement size of the both, using the main measurement size as the basic index for inquiry. The results show that the discriminant accuracy of girl′s figure discriminant model established by the NB algorithm reaches 93.8%. And the error of the main measurement size of the test sample and the similar body is small in the radar map. The test sample can be replaced by the similar body, and the method provides data support for the relevant application areas needing to acquire detailed measurement information about girls.

girl′s figure classification; figure discrimination; Naive Bayesian method; size fitting

10.13475/j.fzxb.20170104105

TS 941.17

A

2017-01-22

2017-07-19

景曉寧(1984—)，女，講師，博士。主要研究方向?yàn)閿?shù)字化服裝技術(shù)及人體測量技術(shù)。E-mail：499215884@qq.com。