周 捷， 毛 倩

(西安工程大學 服裝與藝術設計學院， 陜西 西安 710048)

中國兒童肥胖人群的增加導致兒童體型特征產生較大的變化[1]，這就要求研究人員對兒童體型重新做出分析。一些學者主要就兒童體型發(fā)育規(guī)律和特點[2-3]、兒童參數化體型數據庫[4-6]、以及兒童體型的判別歸類[7-9]等進行了研究，但是，關于學齡男童體型分類判別方面的研究相對較少。相較于女童，男童更容易肥胖[10]，對其體型的分析與分類尤為重要，科學的體型分類可以改善男童服裝規(guī)格設計與適體性[11]，并優(yōu)化其體型判別。

人體體型擁有多維度特征[12-13]，其數據集分布形態(tài)多樣，需要選擇一個合理的算法對其進行分類。研究表明快速搜索和發(fā)現密度峰值(CFSFDP)算法是一種基于密度的聚類算法，適用于各種類型的數據集且魯棒性較好[14-15]。由于該算法中樣本點的密度可以基于樣本點之間的距離得到，且不同人體特征在距離計算過程中所占權重具有差異性，因此，本文引入灰關聯度計算8個人體特征的權重，進而得到樣本間的加權歐式距離，并基于此進行樣本的加權聚類分析。

極限學習機(ELM)是一種學習速度快，泛化性能良好的機器學習方法，被廣泛應用于多領域的分類識別[16]。本文為檢驗改進CFSFDP算法對體型判別的有效性，建立ELM男童體型判別模型，計算并對比CFSFDP聚類結果、加權CFSFDP聚類結果的判別正確率，以期通過提高分類算法的有效性來增加男童體型的判別準確率，為童裝號型的推薦提供參考。

1 實驗部分

1.1 數據采集

1.1.1 測量方法與對象

用接觸式手工測量方式，采集了西安地區(qū)520位兒童身體尺寸數據。測量對象為身高(135.98±10.12) cm，體重(29.83±6.47) kg，年齡7～10歲的男童。

1.1.2 測量部位和要求

測量對象穿著統一的貼身內衣，測量時呼吸自然，測量環(huán)境為溫度(22～25) ℃，相對濕度40%～60%的無風室內，以確保人體舒適。專業(yè)測量人員基于GB/T 16160—2017《服裝用人體測量的尺寸定義與方法》的測量方法，根據GB/T 1335.3—2009《服裝號型 兒童》和服裝企業(yè)歸號及制版的需求，采用單人單項測量方法，對被測試者的身高(F1)、胸圍(F2)、總肩寬(F3)、腰圍(F4)、臂長(F5)、臀圍(F6)、腰圍高(F7)和坐姿頸椎點高(F8)等8個人體特征進行了數據采集。

1.2 數據預處理

通過對測量數據進行缺失值替換、奇異值剔除、正態(tài)分布檢驗與相關性分析，得到有效樣本435個。按加權CFSFDP算法樣本計算量的要求，本文從7、8、9和10歲這4個年齡的有效樣本中分別隨機選取30個樣本，以確保樣本的合理分布與代表性，最終確定120個研究樣本。

1.3 體型分類與判別模型

體型分類科學與否直接影響極限學習機模型對體型的判別精確性。本文采用灰關聯度來量化男童人體特征的權重，提高CFSFDP算法對男童體型分類結果的科學性，為ELM體型判別模型提供優(yōu)良的樣本數據。

1.3.1 加權CFSFDP體型分類

CFSFDP算法根據數據點的局部密度ρ與距離δ找出類簇中心，并將剩余的數據點歸屬到密度比它們高的最近鄰所屬類簇，從而得到聚類結果。然而，數據點的局部密度與距離都以樣本間的距離為計算基礎[14]，因此，本文首先采用灰關聯度來計算男童人體特征的權重，其計算過程如下：

1)根據文獻[17]計算人體第i個特征Fi(i=1,2，…，8)與第n個特征Fn(n=1,2，…，8,n≠i)之間的灰關聯度rin；

最后，基于加權歐式距離dmq進行CFSFDP男童體型聚類分析。

1.3.2 ELM體型判別模型

ELM是由Huang等[18-19]提出的一種單隱層前饋神經網絡，該算法可隨機產生輸入層以及隱含層間的連接權值和隱含層神經元的閾值，在訓練過程中只需要設置隱含層的神經元的個數與激活函數，便可以獲得最優(yōu)解。與傳統的訓練方法相比，ELM極大提高了網絡的泛化能力與學習速度[20-21]。本文基于ELM原理建立一種男童體型判別模型，其結構如圖1所示。

圖1 ELM體型判別模型Fig.1 ELM model of body type recognition

基于加權CFSFDP算法對男童體型進行聚類，并應用ELM模型判別男童體型，分析加權CFSFDP算法對體型判別精確性的影響，從而驗證該算法對體型分類判別的有效性，具體流程如圖2所示。

圖2 研究流程圖Fig.2 Research process

2 結果與分析

2.1 特征權重分析

運用灰關聯度對樣本特征進行權重計算，得到8個人體特征權重，結果見表1。

表1 8個人體特征權重Tab.1 Eight feature weights for body type

由表1可知，關于男童人體特征，上身尺寸胸圍、總肩寬所占權重較大，下身尺寸臀圍的權重偏小，說明男童的體型主要取決于上身尺寸。

2.2 體型聚類分析

120個樣本點關于(ρ,δ)的決策圖如圖3所示。選取局部密度ρ與距離δ都相對較大的點作為類簇中心，共4個。4類類簇中心的人體特征信息見表2。

圖3 加權CFSFDP算法聚類決策圖Fig.3 Decision diagram of weighted CFSFDP cluster

表2 4類類簇中心的特征Tab.2 Features of four class cluster centers cm

將剩余的每個樣本點歸屬到局部密度ρ比它高的最近鄰所屬類簇中，并將樣本數據映射到X-Y二維空間中，得到4類男童體型的樣本數據集分布形狀，如圖4所示。由于類簇2、3、4的特征值呈現一定的遞增規(guī)律，為研究其具體變化形式，計算3類類簇中心的特征差值，結果見表3。

在X-Y二維空間中，可以直觀地觀察樣本類簇形狀以及數據分布集散程度。加權CFSFDP算法得到的4類類簇分布邊界分明，無相互交叉現象，表明該算法可以有效區(qū)分不同類簇的男童特征；類簇1的樣本分布較為集中，類簇2的樣本分布相對離散，類簇3的樣本分布相對集中，類簇4的樣本分布較為離散。

王國維在《論教育之宗旨》中說：“完全之人物不可不備真善美之德，欲達此理想，于是教育之事起，教育之事亦分三部，智育、德育、美育是也?！盵5]341基于此，筆者認為當下哈薩克小說的創(chuàng)作，尤其是人文教育理念的凸顯值得我們去思考并踐行。

圖4 樣本數據二維分布圖Fig.4 Two-dimensional distribution of sample data

表3 類簇中心的特征差值Tab.3 Difference of features about cluster centers cm

在表3中，關于類簇2與3、類簇3與4之間的特征差值，F1、F3、F6的數值相等，F2、F7、F8的數值相差較小，F4，F5的數值相差較大。因此，類簇2、3、4的特征F1、F2、F3、F6、F7、F8近似呈公差為[5.0,3.5,1.0,4.0,5.0,2.5]的等差數列變化，F4與F5的規(guī)律性則較差，無明顯變化規(guī)則。

計算4類男童類簇樣本的特征均值，其結果見表4。

表4 4類類簇的特征均值Tab.4 Mean of features of four class clusters cm

比較表2與表4，計算類簇中心特征值與類簇特征均值的差值絕對值范圍，類簇1到4分別為[0,1]、[0,4]、[1,3]和[0,5] cm。差值范圍越大，表明類簇的樣本分布越離散。類簇1的差值范圍1 cm最小，說明該類簇的樣本分布較為集中，聚類效果較好，且類簇中心代表性較強；類簇3的差值范圍2 cm相對較小，表明該類簇的樣本分布相對集中，其類簇中心可以代表該類簇體型；類簇2與4的差值范圍4 cm和5 cm相對較大，說明其樣本分布較為離散，這2類類簇的聚類效果偏差。上述分析與圖4的樣本數據集分布特征相一致，說明加權CFSFDP算法對男童體型的分類結果有較好的描述性與解釋性。

統計4類類簇樣本的男童年齡分布，結果如圖5所示。

圖5 聚類樣本的年齡分布Fig.5 Age distribution of cluster samples

基于圖4、5所示結果可知，男童體型共聚類得到4類類簇，每一類簇代表1種體型。由圖4可知，類簇1也就是體型1的樣本數最大，占總樣本的37.50%，其中7歲男童的占比最高，8歲男童的占比其次，這一體型的身高、胸圍等8個人體特征都較小，可定義為幼小型。對于類簇2也就是體型2，其樣本數最小，僅為8.33%，兒童年齡范圍為7～9歲，說明該體型的兒童屬于特殊體型，缺少普遍性。由于其與體型1只有身高這一特征相差較大，其余7種特征都較為接近，故將其定義為瘦長型。在類簇3也就是體型3中，9歲的男童占比最大為48.65%，8歲與10歲的男童占比其次，其胸圍與腰圍等橫向圍度尺寸比體型2大較多，可定義其為中等型。就類簇4也就是體型4而言，10歲男童占比最大為78.57%；根據表3可知，體型2、3、4的類簇中心特征值，近似呈公差為[5.0,3.5,1.0,-,-,4.0,5.0,2.5]的等差數列變化，其中“-”表示不符合等差數列，因此可定義其為高大型。

基于以上分析，4類體型可對應為幼小型，瘦長型，中等型以及高大型，后3種體型的特征值近似呈等差遞增趨勢；7～8歲男童的體型主要為幼小型，9歲男童的體型主要為中等型，10歲男童的體型主要為高大型，體型的橫向、縱向尺寸都隨著年齡的增長而增加，其中縱向尺寸的增長速度偏快，各人體特征近似呈等差增加，男童無明顯增肥趨勢；幼小型與中等型的男童樣本分布相對集中，瘦長型與高大型則較為離散，說明7～9歲男童的體型較為均勻，而10歲男童的體型則開始存在差異性，服裝公司在設計制作男童服裝時應考慮到這一變化，建議增加尺碼的選擇性并優(yōu)化服裝的結構設計，從而適應男童體型的多樣性，提高童裝適體性與舒適性。

2.3 體型判別與驗證

為驗證加權CFSFDP算法在男童體型判別中的優(yōu)劣性，建立并訓練ELM男童體型判別模型，調整神經元個數與激活函數，使模型達到相對優(yōu)化狀態(tài)，其中訓練集樣本為90個，測試集樣本為30個。運行ELM模型判別測試集的體型類別，并與樣本真實類別進行對比，結果如圖6所示。

圖6 體型判別準確率Fig.6 Accuracy of type recognition. (a) Clustering by CFSFDP; (b) Weighted clustering by CFSFDP

由圖6可知，對于CFSFDP聚類結果，測試樣本為30個，ELM判別正確21個樣本，即準確率為70%；對于加權CFSFDP聚類結果，測試樣本為30個，ELM判別正確27個樣本，即準確率為90%，其中幼小型、中等型和高大型的判別準確率分別為100%、100%和60%，側面驗證了高大型的體型差異較大。對比2種聚類算法的判別準確率可知，加權CFSFDP算法可以有效提高體型判別準確率。

計算模型的判別準確率A，并輸出模型神經元個數對2種體型判別模型的影響趨勢圖，如圖7所示。

式中：A表示ELM男童體型判別模型的判別正確率；P表示類型判別正確的樣本數；N表示測試集總樣本數。

圖7 隱含層神經元個數對ELM性能的影響Fig.7 Influence of number of hidden layer neurons on ELM performance

由圖7可知，對比2種算法的隱含層神經元個數對ELM判別模型性能的影響趨勢折線，CFSFDP算法的折線波動性更大，加權CFSFDP算法的折線相對穩(wěn)定，說明對于男童體型判別，基于加權CFSFDP算法的ELM體型判別模型有更高的判別準確率與更好的魯棒性。

3 討 論

男童的體型分類與判別對兒童服裝生產與號型推薦意義重大，較為科學準確的體型分類可提高極限學習機的體型判別精確性?；诖?，本文提出一種加權CFSFDP算法，對男童體型進行分類。研究發(fā)現該算法可有效解釋分類結果，并提高男童體型的極限學習機判別準確率。

本文將男童體型分為幼小型、瘦長型、中等型與高大型4種，這4種體型的特征值與年齡呈正相關，因此7～10歲男童的服裝可考慮添加年齡為服裝號型選擇指標。除此之外，雖然本文發(fā)現男童上身特征在體型分類中占較大權重，但相關研究[11]表明隨著年齡的增長，兒童下肢的生長速度要高于上體，故男童服裝的長度參數要考慮到這一變化，隨著號型的增大，下裝的長度增加量要偏高于上裝。與同年齡段的女童相比，男童的體型變化主要在縱向長度尺寸上，而女童體型則開始橫向維度尺寸的變化[9]，因此童裝結構制版與兒童號型中應該對7歲以后的男童、女童進行區(qū)分，以適應其不同的發(fā)育特點，提高服裝的合體性。本文發(fā)現男童體型從10歲開始呈現多樣性，其人體特征出現不均衡發(fā)展，在日后的研究中，需要對該年齡段男童進行體型細分，為童裝企業(yè)的結構制版及服裝號型設置提供參考。由于樣本容量與地域性的限制，本文研究對象中并未出現過度肥胖體型男童，但為了提高研究結果的普適性，在以后的男童體型研究中，需要擴大樣本年齡及地域范圍。

雖然加權CFSFDP算法可以提高ELM模型關于體型判別的魯棒性與準確率，但其準確率仍偏低。一方面可能是因為訓練樣本偏少，另一方面判別錯誤的體型主要是高大型，該體型的特征離散性較大，若進一步細分該體型并擴大樣本數，可以改善男童體型判別結果。

4 結 論

本文采用灰關聯度來量化男童人體特征權重，實現基于加權CFSFDP算法的男童體型分類與判別，得到如下主要結論：

1)相比于快速搜索和發(fā)現密度峰值(CFSFDP)算法，加權CFSFDP算法對于ELM體型判別模型有更好的魯棒性，并有效提高男童體型判別的準確率。

2)7～10歲西安地區(qū)男童的體型可以分為幼小型、瘦長型、中等型、高大型4類；其中7～9歲男童的人體特征值與年齡呈正比增長關系且近似為等差序列，10歲的男童體型開始出現多樣化。