王 婷，顧冰菲,2,3

(1. 浙江理工大學(xué) 服裝學(xué)院，浙江 杭州 310018；2. 浙江省服裝工程技術(shù)研究中心，浙江 杭州 310018；3. 絲綢文化傳承與產(chǎn)品設(shè)計(jì)數(shù)字化技術(shù)文化和旅游部重點(diǎn)實(shí)驗(yàn)室，浙江 杭州 310018)

頸肩部是人體的重要部位之一，對服裝合體性有著重要的影響。從運(yùn)動(dòng)方面而言,作為連接頭和手臂的部位，頸肩部具有較大的活動(dòng)范圍；從著裝效果而言,是上衣的主要支撐部位,其設(shè)計(jì)決定了穿著的美觀性及舒適性。頸肩部形態(tài)研究不僅可作為服裝結(jié)構(gòu)設(shè)計(jì)與款式設(shè)計(jì)的參考[1]，還可幫助消費(fèi)者了解自身的肩頸形態(tài)與健康狀況，有很好的實(shí)用價(jià)值。然而與頸肩部形態(tài)密切相關(guān)的特征參數(shù)，如肩斜角、橫截面寬厚度等，很難通過傳統(tǒng)的手工測量方法精確獲得，即使是有經(jīng)驗(yàn)的量體師也需要重復(fù)測量以保證數(shù)據(jù)的準(zhǔn)確性，因此，探索如何僅基于人體正側(cè)面圖像識(shí)別消費(fèi)者的體型類別及特點(diǎn)是十分必要的[2]，不僅可縮短人體測量時(shí)間，還可推進(jìn)服裝企業(yè)和電商領(lǐng)域的個(gè)性化定制。

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，如李小輝等[3]通過SPSS分析得出衣身肩斜角與人體肩斜角及身體質(zhì)量指數(shù)(BMI)指數(shù)之間的回歸關(guān)系；蔣黎[4]建立了肩線偏移值與前后肩斜度及肩斜差的回歸模型，得到基于人體肩部形態(tài)的女襯衣肩線結(jié)構(gòu)設(shè)計(jì)的新方法；賀莉文[5]引入肩弓系數(shù)(肩端距/總肩寬)將肩部分為3類。以上研究僅針對人體肩部形態(tài)進(jìn)行了探討，并未考慮如何實(shí)現(xiàn)頸肩部形態(tài)的自動(dòng)識(shí)別。人體測量學(xué)是研究人體形態(tài)的必要方法，主要包括手工測量、三維人體掃描和二維圖像測量。手工測量不僅耗費(fèi)時(shí)間，且易產(chǎn)生誤差。近20年來，三維人體掃描儀得到了廣泛的研究和應(yīng)用，但將掃描的數(shù)據(jù)轉(zhuǎn)換成有用的信息仍然存在技術(shù)困難[6]，且成本高等實(shí)際問題阻礙了其在日常生活中的廣泛應(yīng)用。

隨著手機(jī)和計(jì)算機(jī)的發(fā)展，普通用戶獲取圖像變得更加方便，相關(guān)學(xué)者為滿足服裝領(lǐng)域?qū)θ梭w測量高精度、低成本的需求，對基于二維圖像的人體自動(dòng)測量技術(shù)[7-9]展開了研究。如Jiang等[10]運(yùn)用Freeman八鏈碼檢測法提取特征點(diǎn)并總結(jié)其規(guī)律，以此計(jì)算人體尺寸數(shù)據(jù)，此方法會(huì)識(shí)別過多不必要的特征點(diǎn)，且易受到局部影響導(dǎo)致錯(cuò)檢。馬黎[11]提出基于人體比例和局部輪廓的人體測量，在局部輪廓內(nèi)提取所需特征點(diǎn)[12]。Senanayake等[13]使用啟發(fā)式算法尋找人體輪廓上的關(guān)鍵位置以測量人體尺寸?？梢姡诙S圖像的人體測量研究是一大熱點(diǎn)和難點(diǎn)，但尺寸提取在精度上還有待提高[14]。本文提出一種基于人體正側(cè)面照片的頸肩部形態(tài)自動(dòng)識(shí)別方法。首先利用三維點(diǎn)云數(shù)據(jù)測量頸肩部相關(guān)參數(shù)，如肩斜角、背入角、肩矢額徑比及腋下矢額徑比等；然后對青年女性頸肩部進(jìn)行分類并建立分類規(guī)則；最后根據(jù)頸肩部形態(tài)規(guī)律在二維照片上提取體型分類所需參數(shù)，構(gòu)建基于青年女性正側(cè)面圖像的頸肩部形態(tài)自動(dòng)識(shí)別系統(tǒng)，對提取值與測量值進(jìn)行誤差分析，并進(jìn)行頸肩部自動(dòng)識(shí)別測試，為人體局部特征體型自動(dòng)識(shí)別提供參考。

1 參數(shù)測量

1.1 測量對象與方法

考慮到體型分類的精確度和可行性，本文研究以202名18～25歲的在校女大學(xué)生作為實(shí)驗(yàn)對象，身高為151～175 cm，體重為38～66 kg。采用美國[TC]2三維人體掃描儀獲取實(shí)驗(yàn)對象的三維點(diǎn)云數(shù)據(jù)。為減少測量著裝及站立姿勢對所測數(shù)據(jù)的影響，被測試者需身穿合體淺色服裝，頭戴淺色帽子，不能佩戴眼鏡、手表、耳環(huán)等飾品，測量時(shí)目視前方，保持正常呼吸。

1.2 測量項(xiàng)目

根據(jù)頸肩部形態(tài)對服裝結(jié)構(gòu)設(shè)計(jì)的影響，本文研究從角度、高度和截面形態(tài)出發(fā)，共測量和計(jì)算了15個(gè)與人體頸肩部形態(tài)密切相關(guān)的參數(shù)，如表1所示。首先采用image ware逆向工程軟件對三維人體掃描儀獲得的點(diǎn)云數(shù)據(jù)進(jìn)行去噪、補(bǔ)洞、光順等處理，然后通過截取頸、側(cè)頸、肩及腋下圍度層截面曲線，測量出相應(yīng)角度值和各橫截面的寬度、厚度及所在高度，具體測量方法如圖1所示。

表1 頸肩部形態(tài)參數(shù)測量和計(jì)算Tab.1 Measurement and calculation of neck-shoulder shape parameters

圖1 頸肩部形態(tài)參數(shù)測量方法Fig.1 Measurement method of neck-shoulder shape parameters

2 形態(tài)分類

2.1 數(shù)據(jù)預(yù)處理

準(zhǔn)確地測量數(shù)據(jù)是進(jìn)行人體形態(tài)分析的基礎(chǔ)，在數(shù)據(jù)采集環(huán)節(jié)必然會(huì)存在一定的人為誤差與系統(tǒng)誤差。為提高樣本數(shù)據(jù)的準(zhǔn)確性和科學(xué)性，在進(jìn)行數(shù)據(jù)分析前需對其進(jìn)行預(yù)處理，從原始數(shù)據(jù)中提取有效數(shù)據(jù)，以排除錯(cuò)誤數(shù)據(jù)和奇異值對研究結(jié)果的影響。運(yùn)用SPSS軟件對獲得的數(shù)據(jù)進(jìn)行整理、篩選、檢測，剔除數(shù)據(jù)中的奇異值、極值和缺失值，最后對保留的188個(gè)有效樣本進(jìn)行正態(tài)檢驗(yàn)，以背入角和肩矢額徑比為例，得到正態(tài)P-P概率圖，如圖2所示?？煽吹奖橙虢呛图缡割~徑比數(shù)據(jù)的分布規(guī)律，其數(shù)據(jù)的累計(jì)概率基本集中在一條直線上，認(rèn)為他們都符合正態(tài)分布。同理，對頸肩部其他主要測量部位進(jìn)行正態(tài)分析，得到其他主要變量的正態(tài)P-P圖也基本集中在一條直線上，說明各主要變量均服從正態(tài)分布，因此，可對樣本數(shù)據(jù)進(jìn)行下一步的分析處理。

圖2 正態(tài)P-P圖Fig.2 Normal P-P diagram.(a)Back angle; (b)Shoulder depth/width ratio

2.2 描述性統(tǒng)計(jì)分析

對有效樣本(188個(gè)青年女性)頸肩部數(shù)據(jù)進(jìn)行描述統(tǒng)計(jì)分析，掌握有效樣本中青年女性的總體體型，并對頸肩腋細(xì)化部位的相關(guān)變量進(jìn)行描述，為后續(xù)的數(shù)據(jù)分析做準(zhǔn)備，結(jié)果如表2所示。

表2 相關(guān)變量描述統(tǒng)計(jì)分析表Tab.2 Descriptive statistics analysis of related variables

為消除度量單位對各變量間變異程度比較產(chǎn)生的影響，采用變異系數(shù)(標(biāo)準(zhǔn)差/平均值)進(jìn)行比較。變異系數(shù)可反映各變量的離散程度，變異系數(shù)越大說明數(shù)據(jù)間的差異越大，數(shù)據(jù)越分散。由表2可知，各測量項(xiàng)目中背入角的變異系數(shù)約為20.468%，說明背入角離散程度最大，其次是肩斜角(變異系數(shù)為12.351%)，各特征點(diǎn)的高度參數(shù)的離散程度較小，說明高度指標(biāo)對頸肩腋形態(tài)的影響較小，因此，本文研究暫不考慮各部位高度方面的指標(biāo)。結(jié)合已有頸肩部形態(tài)相關(guān)研究[15-17]，最終選取肩斜角、背入角、肩矢額徑比和腋下矢額徑比作為聚類變量進(jìn)行頸肩部形態(tài)分類。

2.3 聚類分析

首先對4個(gè)特征參數(shù)(肩斜角、背入角、肩矢額徑比、腋下矢額徑比)進(jìn)行標(biāo)準(zhǔn)化處理，使數(shù)據(jù)具有可比性，然后對其進(jìn)行K-means聚類，將聚類數(shù)依次定為3～5，聚類結(jié)果顯示顯著性水平均小于0.05，說明這 3種聚類結(jié)果都可接受，但當(dāng)聚類數(shù)為4時(shí)誤差均方較小，類間均方和F值都較大，此時(shí)變量間的差異較大，聚類結(jié)果更精確，因此，本文研究將樣本數(shù)據(jù)分為 4類，其中：a類體型包含48個(gè)樣本，b類體型包含 45個(gè)樣本，c類體型包含50個(gè)樣本，d類體型包含45個(gè)樣本，最終聚類中心見表3。4種體型分別占樣本點(diǎn)數(shù)的25.53%、23.94%、25.59%、23.94%。

表3 最終聚類中心Tab.3 Final clustering center

為更直觀地了解各類體型的差異，根據(jù)表3中的數(shù)據(jù)，從三維掃描得到的樣本人體中選取各體型內(nèi)最典型的人體，并提取其特征截面(頸、肩、腋)進(jìn)行比較，找出這4類體型的主要區(qū)別，結(jié)果如圖3所示。由圖3可明顯看出，4類體型的特征截面在厚度、位置、肩截面與腋下截面是否相交等方面存在明顯差異。a類：肩和腋下矢額徑比都較大，且二者相差較大，表現(xiàn)為肩和腋下橫截面較圓，肩部較寬，記為圓寬肩體。b類：肩和腋下矢額徑比都較小，且二者相差較小，表現(xiàn)為肩和腋下橫截面較扁，肩部較窄，記為扁窄肩體。c類：肩斜角較大，表現(xiàn)為肩部下落；肩和腋下矢額徑比都較大，表現(xiàn)為肩和腋下橫截面較圓，記為圓落肩體。d類：背入角較大，表現(xiàn)為頸部前傾；肩和腋下矢額徑比都較小，表現(xiàn)為肩和腋下橫截面較扁，記為駝背扁肩體。

圖3 4類體型橫截面形態(tài)Fig.3 Four types of cross-section.(a)Type-a (round wide shoulder); (b)Type-b (flat narrow shoulder); (c)Type-c (round drop shoulder); (d)Type-d (hunchback flat shoulder)

根據(jù)上述聚類結(jié)果，總結(jié)歸納出不同體型類別中肩斜角、背入角、肩矢額徑比、腋下矢額徑比這4個(gè)變量的范圍作為頸肩部的分類規(guī)則，結(jié)果如表4所示。首先根據(jù)肩斜角可將c類與a、b、d 3類區(qū)分開；然后根據(jù)背入角將d類與a、b 這2類區(qū)分開；最后根據(jù)肩矢額徑比將a類和b類區(qū)分開。

表4 4類頸肩部體型分類規(guī)則Tab.4 Classification rules of four types of neck-shoulder shape

為驗(yàn)證本文分類規(guī)則的有效性，根據(jù)以上4個(gè)變量的范圍對188個(gè)原始樣本進(jìn)行體型判別，結(jié)果見表5。 可知，180個(gè)樣本分類正確，8個(gè)樣本分類錯(cuò)誤，準(zhǔn)確率達(dá)到95.74%，該分類規(guī)則有效性較高。

表5 判別準(zhǔn)確性分析Tab.5 Analysis of discriminant accuracy

3 形態(tài)自動(dòng)識(shí)別

3.1 圖像采集

本文研究使用智能手機(jī)采集實(shí)驗(yàn)對象的人體圖像。首先將手機(jī)安裝在三腳架上，放置于距離被測對象約2.5 m，距離地面約1.1 m的位置；然后對手機(jī)進(jìn)行校準(zhǔn)，以確保拍攝的人體圖像位置合理。用2個(gè)相同長度和寬度的白色紙條分別水平、豎直粘貼在黑色背景上，如圖4所示。打開相機(jī)網(wǎng)格線并旋轉(zhuǎn)手機(jī)使網(wǎng)格線平行于白色紙條。

圖4 校準(zhǔn)示意圖Fig.4 Calibration diagram

被測對象需光腳站在黑色背景內(nèi)標(biāo)記的位置上，頭部自然抬平且保持直立靜止。拍攝正面照片時(shí)要求手臂略微彎曲抬起，以便準(zhǔn)確識(shí)別腋下點(diǎn)；拍攝側(cè)面照片要求手臂貼于腰側(cè)，不遮擋前腹或后腰，拍攝姿勢如圖5所示。

圖5 拍攝姿勢示意圖Fig.5 Schematic diagram of photo pose.(a)Front; (b)Side

3.2 二維圖像處理

首先對人體正、側(cè)面照片進(jìn)行預(yù)處理，如裁剪圖像，使圖像中只出現(xiàn)人體和黑色背景；調(diào)整對比度和清晰度，使人體更易識(shí)別。然后采用MatLab軟件選取最佳閾值分割法對人體正、側(cè)面圖像進(jìn)行處理，繼而進(jìn)行二值圖像轉(zhuǎn)換，如圖6(a)所示。為使目標(biāo)的輪廓更加平滑，消除目標(biāo)內(nèi)的孔洞，分別采用開運(yùn)算和填充來解決，如圖6(b)所示。最后提取二值圖像的邊緣輪廓，得到所需人體輪廓如圖6(c)所示。

圖6 正側(cè)面圖像處理過程Fig.6 Front and side image processing.(a)Segmentation; (b)Filling holes and opening; (c) Extracted silhouette

3.3 形態(tài)參數(shù)提取

通過分析人體正、側(cè)面的輪廓特征可確定特征點(diǎn)，并計(jì)算特征尺寸，如厚度、寬度和角度。為尋找一個(gè)特征點(diǎn)，首先需確定該點(diǎn)的高度范圍，然后結(jié)合形狀特征來尋找實(shí)際位置[18]。根據(jù)建立的頸肩部體型分類規(guī)則，需要獲得4個(gè)主要分類變量(肩斜角、背入角、肩矢額徑比和腋下矢額徑比)的數(shù)值，相關(guān)特征點(diǎn)為頸點(diǎn)、側(cè)頸點(diǎn)、肩點(diǎn)和腋下點(diǎn)。利用計(jì)算機(jī)圖形學(xué)知識(shí)，結(jié)合人體頸肩部形態(tài)規(guī)律在處理后的人體輪廓上尋找上述特征點(diǎn)，以得到人體體表角度和特征截面矢額徑比。

以人體頸部為例，頸部的側(cè)面特征比較明顯。首先根據(jù)測量數(shù)據(jù)得到頸部高度在人體身高的83.6%～87.2%之間，直線Hu和Hd表示頸部高度范圍，從Hu到Hd以1像素行距進(jìn)行逐行尋找，當(dāng)MN與上一掃描線M′N′相差最大時(shí)，其所在行H即為頸圍行，然后在正面輪廓以相同的高度比尋找頸點(diǎn)，如圖7所示。

圖7 頸點(diǎn)確定示意圖Fig.7 Schematic diagram of neck point determination

根據(jù)上述原則，本文研究共提取了頸、側(cè)頸、肩及腋下4個(gè)部位特征點(diǎn)的坐標(biāo)值，通過這些坐標(biāo)值計(jì)算出肩斜角、背入角、肩矢額徑比和腋下矢額徑比。

以肩斜角為例，根據(jù)人體正面輪廓提取的側(cè)頸點(diǎn)坐標(biāo)E(x1,y1)、肩點(diǎn)坐標(biāo)F(x2,y2)，計(jì)算出EF的斜率k=(y2-y1)/(x2-x1)，進(jìn)而計(jì)算出EF與x軸的夾角，即肩斜角∠AST=arctank×180/π，如圖8 所示。。

圖8 肩斜角計(jì)算示意圖Fig.8 Schematic diagram of shoulder angle calculation

3.4 形態(tài)識(shí)別與誤差分析

在原始樣本中隨機(jī)選取40名青年女性作為測試樣本，自動(dòng)提取肩斜角、背入角、肩矢額徑比及腋下矢額徑比4個(gè)特征形態(tài)參數(shù)值，根據(jù)建立的體型分類規(guī)則對測試樣本的頸肩部進(jìn)行自動(dòng)識(shí)別，準(zhǔn)確率達(dá)到90%，識(shí)別結(jié)果如圖9所示。

圖9 本文分類規(guī)則對頸肩部識(shí)別結(jié)果Fig.9 Neck-shoulder recognition results by classitication rules of this method

識(shí)別結(jié)果的準(zhǔn)確性較大程度依賴于4個(gè)特征形態(tài)參數(shù)的提取值，因此，分析了4個(gè)特征形態(tài)參數(shù)的自動(dòng)提取值與三維測量值，以驗(yàn)證數(shù)據(jù)提取的準(zhǔn)確性，誤差分析結(jié)果見表6。

表6 特征形態(tài)參數(shù)提取誤差分析Tab.6 Error analysis of feature shape parameter extraction

由表6可知，提取值與測量值的均值和標(biāo)準(zhǔn)差差異較小，且相關(guān)系數(shù)較高，說明二者存在較高的一致性，但腋下矢額徑比的相關(guān)系數(shù)只有0.776，這是由于腋下點(diǎn)的位置較難確定，腋下截面的寬厚數(shù)據(jù)容易產(chǎn)生誤差。

為進(jìn)一步驗(yàn)證二維照片尺寸提取的效果，將三維測量值與自動(dòng)提取值做配對T檢驗(yàn)，結(jié)果如表7所示。

表7 特征形態(tài)參數(shù)配對樣本T檢驗(yàn)結(jié)果Tab.7 T test results of paired samples of characteristic shape parameters

由表7可知，T檢驗(yàn)的顯著性均大于0.05，表明測量值與提取值之間均無顯著差異；且均值的標(biāo)準(zhǔn)誤均小于0.5，表明誤差較小，說明基于圖像進(jìn)行頸肩部自動(dòng)識(shí)別是可行的。

4 結(jié) 論

本文研究通過對18～25歲的在校女大學(xué)生進(jìn)行頸肩部測量分析，利用肩斜角、背入角、肩矢額徑比和腋下矢額徑比4個(gè)變量將青年女性頸肩部分為圓寬肩體、扁窄肩體、圓落肩體、駝背扁肩體4類，結(jié)合以上4個(gè)變量歸納出各類體型的分類規(guī)則并進(jìn)行判別分析，準(zhǔn)確率達(dá)到95.74%，證明了該分類規(guī)則的有效性。根據(jù)以上體型分類規(guī)則，提出一種基于正側(cè)面照片的頸肩部自動(dòng)識(shí)別方法，即通過二維圖像輪廓提取及特征點(diǎn)確定，得到肩斜角、背入角、肩矢額徑比及腋下矢額徑比4個(gè)特征形態(tài)參數(shù)值進(jìn)行頸肩部自動(dòng)識(shí)別。最后選取40名青年女性作為測試樣本進(jìn)行驗(yàn)證，準(zhǔn)確率達(dá)到90%，證明了該頸肩部形態(tài)自動(dòng)識(shí)別方法的可行性和精確度。

如何有效提高二維人體尺寸提取精度及實(shí)用性是一個(gè)需要長期探索的過程，本文研究仍存在許多不足和待完善的地方，具體有以下幾點(diǎn)：1)本文研究只實(shí)現(xiàn)了青年女性頸肩部形態(tài)的自動(dòng)識(shí)別，可深入探索如何實(shí)現(xiàn)頸肩部三維模型構(gòu)建；2)在拍攝人體圖像時(shí)，對著裝和拍攝背景有一定的要求，在今后的研究中，為提高該技術(shù)的實(shí)用性，如何實(shí)現(xiàn)復(fù)雜背景下著裝人體圖像的尺寸提取是以后研究的重要方向之一。