基于二维图像的青年女性颈肩部形态自动识别

王 婷，顾冰菲,2,3

(1. 浙江理工大学 服装学院，浙江 杭州 310018；2. 浙江省服装工程技术研究中心，浙江 杭州 310018；3. 丝绸文化传承与产品设计数字化技术文化和旅游部重点实验室，浙江 杭州 310018)

颈肩部是人体的重要部位之一，对服装合体性有着重要的影响。从运动方面而言,作为连接头和手臂的部位，颈肩部具有较大的活动范围；从着装效果而言,是上衣的主要支撑部位,其设计决定了穿着的美观性及舒适性。颈肩部形态研究不仅可作为服装结构设计与款式设计的参考[1]，还可帮助消费者了解自身的肩颈形态与健康状况，有很好的实用价值。然而与颈肩部形态密切相关的特征参数，如肩斜角、横截面宽厚度等，很难通过传统的手工测量方法精确获得，即使是有经验的量体师也需要重复测量以保证数据的准确性，因此，探索如何仅基于人体正侧面图像识别消费者的体型类别及特点是十分必要的[2]，不仅可缩短人体测量时间，还可推进服装企业和电商领域的个性化定制。

近年来，颈肩部的研究主要集中在肩宽、肩弓、肩斜度、横截面等方面，如李小辉等[3]通过SPSS分析得出衣身肩斜角与人体肩斜角及身体质量指数(BMI)指数之间的回归关系；蒋黎[4]建立了肩线偏移值与前后肩斜度及肩斜差的回归模型，得到基于人体肩部形态的女衬衣肩线结构设计的新方法；贺莉文[5]引入肩弓系数(肩端距/总肩宽)将肩部分为3类。以上研究仅针对人体肩部形态进行了探讨，并未考虑如何实现颈肩部形态的自动识别。人体测量学是研究人体形态的必要方法，主要包括手工测量、三维人体扫描和二维图像测量。手工测量不仅耗费时间，且易产生误差。近20年来，三维人体扫描仪得到了广泛的研究和应用，但将扫描的数据转换成有用的信息仍然存在技术困难[6]，且成本高等实际问题阻碍了其在日常生活中的广泛应用。

随着手机和计算机的发展，普通用户获取图像变得更加方便，相关学者为满足服装领域对人体测量高精度、低成本的需求，对基于二维图像的人体自动测量技术[7-9]展开了研究。如Jiang等[10]运用Freeman八链码检测法提取特征点并总结其规律，以此计算人体尺寸数据，此方法会识别过多不必要的特征点，且易受到局部影响导致错检。马黎[11]提出基于人体比例和局部轮廓的人体测量，在局部轮廓内提取所需特征点[12]。Senanayake等[13]使用启发式算法寻找人体轮廓上的关键位置以测量人体尺寸。可见，基于二维图像的人体测量研究是一大热点和难点，但尺寸提取在精度上还有待提高[14]。本文提出一种基于人体正侧面照片的颈肩部形态自动识别方法。首先利用三维点云数据测量颈肩部相关参数，如肩斜角、背入角、肩矢额径比及腋下矢额径比等；然后对青年女性颈肩部进行分类并建立分类规则；最后根据颈肩部形态规律在二维照片上提取体型分类所需参数，构建基于青年女性正侧面图像的颈肩部形态自动识别系统，对提取值与测量值进行误差分析，并进行颈肩部自动识别测试，为人体局部特征体型自动识别提供参考。

1 参数测量

1.1 测量对象与方法

考虑到体型分类的精确度和可行性，本文研究以202名18～25岁的在校女大学生作为实验对象，身高为151～175 cm，体重为38～66 kg。采用美国[TC]2三维人体扫描仪获取实验对象的三维点云数据。为减少测量着装及站立姿势对所测数据的影响，被测试者需身穿合体浅色服装，头戴浅色帽子，不能佩戴眼镜、手表、耳环等饰品，测量时目视前方，保持正常呼吸。

1.2 测量项目

根据颈肩部形态对服装结构设计的影响，本文研究从角度、高度和截面形态出发，共测量和计算了15个与人体颈肩部形态密切相关的参数，如表1所示。首先采用image ware逆向工程软件对三维人体扫描仪获得的点云数据进行去噪、补洞、光顺等处理，然后通过截取颈、侧颈、肩及腋下围度层截面曲线，测量出相应角度值和各横截面的宽度、厚度及所在高度，具体测量方法如图1所示。

表1 颈肩部形态参数测量和计算Tab.1 Measurement and calculation of neck-shoulder shape parameters

图1 颈肩部形态参数测量方法Fig.1 Measurement method of neck-shoulder shape parameters

2 形态分类

2.1 数据预处理

准确地测量数据是进行人体形态分析的基础，在数据采集环节必然会存在一定的人为误差与系统误差。为提高样本数据的准确性和科学性，在进行数据分析前需对其进行预处理，从原始数据中提取有效数据，以排除错误数据和奇异值对研究结果的影响。运用SPSS软件对获得的数据进行整理、筛选、检测，剔除数据中的奇异值、极值和缺失值，最后对保留的188个有效样本进行正态检验，以背入角和肩矢额径比为例，得到正态P-P概率图，如图2所示。可看到背入角和肩矢额径比数据的分布规律，其数据的累计概率基本集中在一条直线上，认为他们都符合正态分布。同理，对颈肩部其他主要测量部位进行正态分析，得到其他主要变量的正态P-P图也基本集中在一条直线上，说明各主要变量均服从正态分布，因此，可对样本数据进行下一步的分析处理。

图2 正态P-P图Fig.2 Normal P-P diagram.(a)Back angle; (b)Shoulder depth/width ratio

2.2 描述性统计分析

对有效样本(188个青年女性)颈肩部数据进行描述统计分析，掌握有效样本中青年女性的总体体型，并对颈肩腋细化部位的相关变量进行描述，为后续的数据分析做准备，结果如表2所示。

表2 相关变量描述统计分析表Tab.2 Descriptive statistics analysis of related variables

为消除度量单位对各变量间变异程度比较产生的影响，采用变异系数(标准差/平均值)进行比较。变异系数可反映各变量的离散程度，变异系数越大说明数据间的差异越大，数据越分散。由表2可知，各测量项目中背入角的变异系数约为20.468%，说明背入角离散程度最大，其次是肩斜角(变异系数为12.351%)，各特征点的高度参数的离散程度较小，说明高度指标对颈肩腋形态的影响较小，因此，本文研究暂不考虑各部位高度方面的指标。结合已有颈肩部形态相关研究[15-17]，最终选取肩斜角、背入角、肩矢额径比和腋下矢额径比作为聚类变量进行颈肩部形态分类。

2.3 聚类分析

首先对4个特征参数(肩斜角、背入角、肩矢额径比、腋下矢额径比)进行标准化处理，使数据具有可比性，然后对其进行K-means聚类，将聚类数依次定为3～5，聚类结果显示显著性水平均小于0.05，说明这 3种聚类结果都可接受，但当聚类数为4时误差均方较小，类间均方和F值都较大，此时变量间的差异较大，聚类结果更精确，因此，本文研究将样本数据分为 4类，其中：a类体型包含48个样本，b类体型包含 45个样本，c类体型包含50个样本，d类体型包含45个样本，最终聚类中心见表3。4种体型分别占样本点数的25.53%、23.94%、25.59%、23.94%。

表3 最终聚类中心Tab.3 Final clustering center

为更直观地了解各类体型的差异，根据表3中的数据，从三维扫描得到的样本人体中选取各体型内最典型的人体，并提取其特征截面(颈、肩、腋)进行比较，找出这4类体型的主要区别，结果如图3所示。由图3可明显看出，4类体型的特征截面在厚度、位置、肩截面与腋下截面是否相交等方面存在明显差异。a类：肩和腋下矢额径比都较大，且二者相差较大，表现为肩和腋下横截面较圆，肩部较宽，记为圆宽肩体。b类：肩和腋下矢额径比都较小，且二者相差较小，表现为肩和腋下横截面较扁，肩部较窄，记为扁窄肩体。c类：肩斜角较大，表现为肩部下落；肩和腋下矢额径比都较大，表现为肩和腋下横截面较圆，记为圆落肩体。d类：背入角较大，表现为颈部前倾；肩和腋下矢额径比都较小，表现为肩和腋下横截面较扁，记为驼背扁肩体。

图3 4类体型横截面形态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)

根据上述聚类结果，总结归纳出不同体型类别中肩斜角、背入角、肩矢额径比、腋下矢额径比这4个变量的范围作为颈肩部的分类规则，结果如表4所示。首先根据肩斜角可将c类与a、b、d 3类区分开；然后根据背入角将d类与a、b 这2类区分开；最后根据肩矢额径比将a类和b类区分开。

表4 4类颈肩部体型分类规则Tab.4 Classification rules of four types of neck-shoulder shape

为验证本文分类规则的有效性，根据以上4个变量的范围对188个原始样本进行体型判别，结果见表5。 可知，180个样本分类正确，8个样本分类错误，准确率达到95.74%，该分类规则有效性较高。

表5 判别准确性分析Tab.5 Analysis of discriminant accuracy

3 形态自动识别

3.1 图像采集

本文研究使用智能手机采集实验对象的人体图像。首先将手机安装在三脚架上，放置于距离被测对象约2.5 m，距离地面约1.1 m的位置；然后对手机进行校准，以确保拍摄的人体图像位置合理。用2个相同长度和宽度的白色纸条分别水平、竖直粘贴在黑色背景上，如图4所示。打开相机网格线并旋转手机使网格线平行于白色纸条。

图4 校准示意图Fig.4 Calibration diagram

被测对象需光脚站在黑色背景内标记的位置上，头部自然抬平且保持直立静止。拍摄正面照片时要求手臂略微弯曲抬起，以便准确识别腋下点；拍摄侧面照片要求手臂贴于腰侧，不遮挡前腹或后腰，拍摄姿势如图5所示。

图5 拍摄姿势示意图Fig.5 Schematic diagram of photo pose.(a)Front; (b)Side

3.2 二维图像处理

首先对人体正、侧面照片进行预处理，如裁剪图像，使图像中只出现人体和黑色背景；调整对比度和清晰度，使人体更易识别。然后采用MatLab软件选取最佳阈值分割法对人体正、侧面图像进行处理，继而进行二值图像转换，如图6(a)所示。为使目标的轮廓更加平滑，消除目标内的孔洞，分别采用开运算和填充来解决，如图6(b)所示。最后提取二值图像的边缘轮廓，得到所需人体轮廓如图6(c)所示。

图6 正侧面图像处理过程Fig.6 Front and side image processing.(a)Segmentation; (b)Filling holes and opening; (c) Extracted silhouette

3.3 形态参数提取

通过分析人体正、侧面的轮廓特征可确定特征点，并计算特征尺寸，如厚度、宽度和角度。为寻找一个特征点，首先需确定该点的高度范围，然后结合形状特征来寻找实际位置[18]。根据建立的颈肩部体型分类规则，需要获得4个主要分类变量(肩斜角、背入角、肩矢额径比和腋下矢额径比)的数值，相关特征点为颈点、侧颈点、肩点和腋下点。利用计算机图形学知识，结合人体颈肩部形态规律在处理后的人体轮廓上寻找上述特征点，以得到人体体表角度和特征截面矢额径比。

以人体颈部为例，颈部的侧面特征比较明显。首先根据测量数据得到颈部高度在人体身高的83.6%～87.2%之间，直线Hu和Hd表示颈部高度范围，从Hu到Hd以1像素行距进行逐行寻找，当MN与上一扫描线M′N′相差最大时，其所在行H即为颈围行，然后在正面轮廓以相同的高度比寻找颈点，如图7所示。

图7 颈点确定示意图Fig.7 Schematic diagram of neck point determination

根据上述原则，本文研究共提取了颈、侧颈、肩及腋下4个部位特征点的坐标值，通过这些坐标值计算出肩斜角、背入角、肩矢额径比和腋下矢额径比。

以肩斜角为例，根据人体正面轮廓提取的侧颈点坐标E(x1,y1)、肩点坐标F(x2,y2)，计算出EF的斜率k=(y2-y1)/(x2-x1)，进而计算出EF与x轴的夹角，即肩斜角∠AST=arctank×180/π，如图8 所示。。

图8 肩斜角计算示意图Fig.8 Schematic diagram of shoulder angle calculation

3.4 形态识别与误差分析

在原始样本中随机选取40名青年女性作为测试样本，自动提取肩斜角、背入角、肩矢额径比及腋下矢额径比4个特征形态参数值，根据建立的体型分类规则对测试样本的颈肩部进行自动识别，准确率达到90%，识别结果如图9所示。

图9 本文分类规则对颈肩部识别结果Fig.9 Neck-shoulder recognition results by classitication rules of this method

识别结果的准确性较大程度依赖于4个特征形态参数的提取值，因此，分析了4个特征形态参数的自动提取值与三维测量值，以验证数据提取的准确性，误差分析结果见表6。

表6 特征形态参数提取误差分析Tab.6 Error analysis of feature shape parameter extraction

由表6可知，提取值与测量值的均值和标准差差异较小，且相关系数较高，说明二者存在较高的一致性，但腋下矢额径比的相关系数只有0.776，这是由于腋下点的位置较难确定，腋下截面的宽厚数据容易产生误差。

为进一步验证二维照片尺寸提取的效果，将三维测量值与自动提取值做配对T检验，结果如表7所示。

表7 特征形态参数配对样本T检验结果Tab.7 T test results of paired samples of characteristic shape parameters

由表7可知，T检验的显著性均大于0.05，表明测量值与提取值之间均无显著差异；且均值的标准误均小于0.5，表明误差较小，说明基于图像进行颈肩部自动识别是可行的。

4 结 论

本文研究通过对18～25岁的在校女大学生进行颈肩部测量分析，利用肩斜角、背入角、肩矢额径比和腋下矢额径比4个变量将青年女性颈肩部分为圆宽肩体、扁窄肩体、圆落肩体、驼背扁肩体4类，结合以上4个变量归纳出各类体型的分类规则并进行判别分析，准确率达到95.74%，证明了该分类规则的有效性。根据以上体型分类规则，提出一种基于正侧面照片的颈肩部自动识别方法，即通过二维图像轮廓提取及特征点确定，得到肩斜角、背入角、肩矢额径比及腋下矢额径比4个特征形态参数值进行颈肩部自动识别。最后选取40名青年女性作为测试样本进行验证，准确率达到90%，证明了该颈肩部形态自动识别方法的可行性和精确度。

如何有效提高二维人体尺寸提取精度及实用性是一个需要长期探索的过程，本文研究仍存在许多不足和待完善的地方，具体有以下几点：1)本文研究只实现了青年女性颈肩部形态的自动识别，可深入探索如何实现颈肩部三维模型构建；2)在拍摄人体图像时，对着装和拍摄背景有一定的要求，在今后的研究中，为提高该技术的实用性，如何实现复杂背景下着装人体图像的尺寸提取是以后研究的重要方向之一。