中国北方青年女性三维人体体型分类识别

中国北方青年女性三维人体体型分类识别

在素描建模中，需要制定标准类型和大小号。然而，人体数据复杂且相关性强。因此，有必要对人体进行分类和识别，确定标准和非标准模式的分布比率，并对模型进行分类和识别。许多院校和学者对人体特征分类进行了研究。张芸等提出了非接触式人体测量系统在中国服装业的应用策略。林德静等通过测量基准点的平面与人体表面相交的交点集构成的曲线来确定相应的尺寸。陈慧蓉等使用非接触式三维人体测量系统测量了中西部地区的青年女性胸部尺寸,并对其进行了形态特征分析。李晓久等为增强围度预测的精度,建立预测模型,利用模糊聚类分析以及核Fisher判别分析对人体体型分类。郑艳等应用三维人体扫描仪采集和筛选在校女大学生体型数据,引入胸腰差、罗氏指数2个指标,利用聚类分析,将东北、华北和中西部3地区的女大学生体型细分为7类。邹奉元等对影响人体体型的各部位尺寸数据进行了聚类分析,得到了决定并区分女子体型的典型指标。可以看到,大部分研究是以人体特征分类为主,关于人体特征向量中个别特征值畸变度高(体型不均匀)的识别的研究还未见报道。由于营养过剩、运动不足或过度瘦身等原因,近年来中国人人体局部尺寸过度不协调,即不均匀体型的比例愈来愈高。与此相对,服装行业在成衣版型设计上主要依赖于国家标准,根据标准体型制定服装号码,这就造成了很多体型不均匀的消费者很难选到符合自己体型的服装,例如腰围偏大的消费者为腰身尺寸合适,常常选择大于自己号型的服装,并需要修改袖长、身长等以达到服装合体的目的。因为号型不符而放弃购买的消费者一旦增加,势必造成服装行业库存增加或者非生产性浪费。鉴于此,本文以中国北方青年女性为研究对象,将人体体型进行分类,并在此基础上,针对人体特征尺寸复杂和关联性强的特点,提出利用人体特征向量的马氏距离考察体型均匀问题,应用本文提出的方法可有效对人体体型进行细分识别。1实验部分1.1人体尺寸测量系统使用法国力克公司的三维人体扫描测量系统——Vitussmart测量人体全身尺寸。该测量系统是利用2个CCD摄像机和1个激光测量仪对人体进行拍摄和扫描。扫描得到的数据通过软件合成,实现了由人体点云数据构成的人体曲面的自动拟合,同时输出三维人体视图(见图1)和特征值数据。1.2测试对象及测量特征值为保证特征部位测量的准确性和人体曲面的精确拟合,对3种姿态(包括2种立姿和1种坐姿)的人体进行扫描,并在人体特征部位粘贴标识。输出的三维人体视图如图1所示(脸部由于保护被测量者隐私进行了修改),其中圈中部分是在人体特征部位粘贴的标识。本文的测量对象是中国北方青年(20~25岁)女性,系统测量的特征值包括头长、领围、肩宽、腰围、胸围、前胸宽、背宽、臀围、腿跟围度等22项。实验选取148名年龄在20~25岁之间、身高在155~165cm之间的被测者数据构建样本,样本指标选取9项与服装设计密切相关的肩宽、腰围、下腰围、前胸宽、背宽、胸围、下胸围、臀围、腿跟围度作为人体特征值,部分样本值Yi(j)列于表1中。2人体特征聚类分析以及k-mean聚类分析以及k-mean聚类分析人体不同部位的特征值之间既有相对独立性,也有相关性,因此本文在单项人体特征值的概率分布、人体体型的K-mean聚类分析以及人体特征向量的马氏距离等方面考察人体特征值,从而对人体特征进行细分识别。2.1样本特征值对比考虑到人体不同部位的特征值具有相对独立性,特别是人体上半身与下半身特征值存在较强的独立性,因此首先考察单项人体特征值的概率分布。根据GB/T1335.2—1997《服装号型:女子》,在全国及部分地区女子各体型所占的比例分布中,华中、华北地区A体的分布约占47.61%,本文所构建样本符合A体特征的比例为66.66%。由于本文构建的样本身高在155~165cm之间,因此本文将参照表2中列出的国家号型各系列控制部位数值(部分,身高为155~165cm),考察样本的特征值。图2(a)~(c)分别为胸围、腰围和臀围尺寸的概率分布。由图可看到,样本的三围尺寸都比较符合以国家标准的三维值为中心的正态分布,但图2显示,胸围和腰围的尺寸分布相对于臀围尺寸更为分散,因此在对北方青年女性进行人体测量和体型均匀识别时,应重点考察上半身尺寸。同时这也表明在设计北方女青年上衣时,应考虑制订更多的尺寸号型。2.2人体特征样本k-mean聚类中心各类样本到对应聚类中心距离的总和DC作为聚类判别函数,根据下式计算得到:式中:Zk为第k个聚类中心;d(Yi,Zk)为样本到对应聚类中心的距离,d(Yi,Zk)=‖Yi-Zk‖。聚类准则为:选择的聚类的中心Zk使DC最小。K-mean聚类算法计算过程如下。1)初始化K个聚类中心Z1(1),Z1(2),…,Z1(k)。2)将所有的样本值Yj赋值到指定的聚类3)重新设置的聚类中心Zi(k+1),使样本值与Zi(k+1)的平均距离总和小于样本值与原聚类中心Zi(k)。这个新的聚类中心为4)判断样本到对应聚类中心距离的总和DC是否收敛到预设值,如果达到预设值则算法结束,否则重复步骤2)~3)。表3示出人体特征样本K-mean聚类中心。可看到:第1类中心的值明显小于表2中的标准人体尺寸,因此第1类人体体型视为偏瘦体型;第2类中心的值稍高于标准人体尺寸,但考虑到穿内衣测量会引起±1cm左右的误差,因此第2类人体体型视为正常体型;同理可见,第3类人体体型视为偏胖体型。表4示出利用K-mean聚类算法对人体体型分类的结果。属于偏瘦体型在样本中所占比例为29.05%;正常体型为54.05%;偏胖体型为16.9%。分类结果可作为服装批量生产中号型分配的参考。2.3马氏距离的计算虽然利用聚类分析可实现对人体体型的分类,但无法识别体型的不匀称,如存在畸变特征值即特征向量中个别特征值与标准特征值相差较大的情况。由于马氏距离是考察样本向量中特征值之间相关性的距离,存在畸变值样本向量的马氏距离会比较大,因此,考察人体特征值的马氏距离可有效地识别体型的不匀称。马氏距离(MahalanobisDistance)表示数据的协方差距离,它是一种计算多维向量样本集同质性或异质性的有效方法。对于存在严重畸变特征值的特征向量,其与标准特征向量的马氏距离远大于二者的欧氏距离,即能够放大辨识存在畸变特征值的特征向量,因此考察人体特征向量的马氏距离可有效地对人体非标准尺寸也就是人体体型均匀性进行辨识。由于每个特征值Yij的取值范围大小不一,因此首先对数据进行归一化处理,这样就与测量尺度无关。数据标准化通过下式实现:式中μi和σi分别是特征向量Yi的平均值和标准均差值。然后计算各向量间的相关系数,设第s个特征向量和第t个特征向量的相关系数为rst,可根据下式计算得到:由此得到相关协方差矩阵:其中k是特征值的个数。矩阵R对角线上的数值为1,假设R的逆(R-1)存在定义为A,则:那么马氏距离可通过下式计算得出:这些D2构成马氏空间,D2具有如下特性:当特征向量维数很大时,D2分布近似于F分布(分子自由度为k,分母自由度为∞)或是chi-square分布(自由度为k)。根据马氏距离算法,计算148个样本的马氏距离,首先根据式(8)计算正常体型聚类中心值的马氏距离D02,然后计算得到整个样本的马氏距离Di2,即MD值。表5示出部分MD值较大的人体特征值。表中偏瘦体型的下腰围为66.4cm,臀围为78.0cm,都远小于偏瘦体聚类中心值(下胸围为73.4cm,臀围为90.5cm,参照表3第2类中心),属于个别尺寸不标准;正常体型的肩宽到胸围都小于正常体聚类中心值,但臀围和腿跟围度都大于正常体聚类中心值,同时肩宽远小于正常体聚类中心值,既属于尺寸分布不同步也属于个别尺寸不标准;偏胖体型前胸宽和背宽十分接近偏胖体聚类中心值,但其他尺寸都大于标准尺寸,属于尺寸分布不同步。样本马氏距离的概率分布如图3所示。可发现,此样本中偏胖体型和正常体型中MD值大的比较多,即不匀称的体型较多。将MD值>10.5的视为不均匀体型,那么偏瘦体型中体型匀称的比率为81.4%(35/43);正常体型中体型匀称的比率为77.9%(63/80);偏胖体型中体型匀称的比率近44%(11/25)。3基于马氏距离的体型识别本文使用K-mean聚类算法对人体体型进行分类,实验结果显示其分类中心与国家标准接近,如果在大样本量的情况下,可作为服装批量生产中服装号型分配的参考。同时,通过本文对单一尺寸概率分布结果的考察可发现,由于单一尺寸概率分布比较分散,利用K-mean聚类算法只能单纯对体型分类而不能识别体型匀称问题即体型细分识别问题。由于马氏距离是一种有效的计算多维向量样本集的同质性或异质性的方法,因此,本文提出利