基于二维照片的青年男性颈肩部形态分类与识别

张 健， 徐凯忆， 赵崧灵， 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)

了解消费者的体型特征并开发适合不同人群体型的样板是提高服装合体性的关键。现代男装在积极地追求时尚潮流，服装整体感觉向着与身体完全合身的角度转变，追求像女性服装一样突出人体线条和轮廓，且男装的搭配及穿戴感的重要性明显提高，而样板制作必须考虑到人体的形态，即体型[1]。研究如何更细致地对男性体型进行准确分类逐渐成为当下服装领域研究的热点。另外，从服装结构的角度来讲，衣领作为上装的重要构成部分[2]，对服装的款式风格影响很大，且衣领结构与人体颈肩部着装舒适性也有很大关联。合体的衣领结构离不开对人体颈肩部形态的准确分析，因此，在人体体型多样化的背景下，对人体颈肩部形态进行详细分类，是制作个性化衣领结构的前提。

目前，人体体型的分类方法已经较为完善，一种分类方法是通过测量人体的基本尺寸数据进行粗略划分，比如身高、体重、胸围、腰围、臀围等。Tsunawake等[3]首先采用因子分析法对成年运动员的体型测量值进行分析，提取出体脂、体重、腿长高比和腿长等4个特征变量，并根据这些变量对运动员的体型进行聚类分析，最终将运动员的体型分为3类。然而，这种分类方法忽略了身体的形态比例和特征，如胸腰臀围只能粗略地描绘原始的人体轮廓，无法准确表征人体形态[4]。可通过加入派生变量，如高度比、宽度比、厚度比和宽厚比等变量，更好地描述人体的整体比例以及人体各部位截面的形态差异。季开宸[5]研究表明具有相同宽厚比的人体部位也具有相同的形态特征，这一结果证实了用人体各部位的宽厚比来进行分类的有效性。除各部位比值外，也有学者引入人体角度作为分类依据。王婷等[6]为了自动识别青年女性的颈肩部形态，从15个颈肩部相关尺寸变量中选取肩斜角、背入角等特征指标对青年女体进行分类并进行后续研究。王珊珊等[7]为研究江浙地区青年男性在职人员的颈部形态，根据人体颈部前倾角、后倾角和二者的比值将人体颈部的曲度形态分为3类，并建立数学模型，据此来调整衣领结构。还有一些学者结合图形学、计算机学以及统计学等知识引入其他分类指标。金娟凤等[8]引入了截面的曲线形态指标，测量计算了青年男性肩部截面曲线的曲率以及肩厚与肩宽的比值作为分类依据，最终将青年男性肩部形态划分为4类。上述方法在对人体进行分类时未能考虑到性别的影响，在研究男性体型特征时需加入能够表征男性形态的特征参数，以确保能够更好地表示男性身体的轮廓形态以及身体比例。

本文研究将从男性颈肩部特征形态出发，基于三维人体点云数据测量颈肩部相关形态参数，探索青年男性颈肩部形态分类规则及基于照片的自动判别方法，为青年男性体型自动识别及服装个性化定制提供理论依据及技术支撑。

1 人体测量实验

1.1 测量对象及方法

根据GB/T 16160—2008《服装用人体测量的部位与方法》，本文以年龄在18～25周岁的180名在校男大学生为研究对象，身高范围在162～180 cm，体重范围在51～80 kg，使用[TC]2NX-16三维人体扫描仪对被试者进行三维测量。依据GB/T 23698—2009《三维扫描人体测量方法的一般要求》，室内环境相对湿度为(60±10)%，温度为(27±3) ℃。被试者需穿着白色短裤，除去身体所有额外配饰，依照指定姿势站立，目视前方，呼吸平稳[9]。

1.2 测量项目

通过分析比较男性与女性颈肩部形态特征，本文研究根据颈部(NL)、肩部(SL)和腋下(AL)3个截面层的15个特征点，如侧颈点(PSN)、左肩点(PLS)、下前颈点(PDFN)、背凸点(PB)等，共确定了22个与人体颈肩部形态有关的参数，主要包括身高、宽度值、厚度值以及横矢径比等，测量示意图和具体定义分别如图1和表1所示。

图1 颈肩部形态参数测量示意图Fig.1 Schematic diagram of measurement of morphological parameters of neck-shoulder

表1 颈肩部形态参数具体定义Tab.1 Specific definition of morphological parameters of neck-shoulder

其中各部位横矢径比是各部位截面宽度与厚度的比值，可反映人体部位形态的扁平状况[10]；前颈角和前倾角表示男性颈部前倾状态，这是由于男性颈部前倾状态比女性明显，且男性上身整体形状呈倒梯形；肩腋角及肩腋宽比等参数可更好地表示肩部至腋下部整体形态；肩横矢径比和肩弓角2个形态参数可更加直观地表示肩部的截面形态。

本文研究采用逆向工程软件Imageware对三维点云数据进行二次测量，以获取各项形态参数值。首先对获取到的点云数据进行去噪、补洞、光顺等处理，使得获取的点云数据更加准确[11]，截取出颈部、肩部、腋下部的平行点云截面，测量出所需的角度值以及各部位横截面的宽度值和厚度值。

2 颈肩部形态分析

2.1 聚类参数确定

本文研究首先对180名实验对象的形态参数值进行异常值筛选、排除和整理[12]，确定出有效样本174个，并对各测量变量进行正态性检验，以保证数据能够更好地适于统计分析。然后进行如表2所示总体描述统计，其中变量的变异系数指标用来衡量其自身离散程度的大小。变异系数为标准差与平均值之比值，数值越大，说明变量内部的差异和离散程度越大[13]。变异系数最大的变量为前倾角(23.34%)，其次是背入角(20.57%)。根据变异系数的数值以及各变量对人体形态的特征描述，选取变异系数前五的变量作为聚类分析的分类指标，分别为：前倾角(AFL)、背入角(ADE)、肩斜角(AST)、颈肩宽比(RWNS)、颈横矢径比(RN)。

表2 相关参数描述统计分析Tab.2 Descriptive statistical analysis of related parameters

2.2 聚类数目确定

本文研究采用K-Means聚类法，在聚类分析前可采用手肘法和轮廓系数法来确定聚类的最佳数目。

手肘法的核心指数是SSE(误差平方和)，其计算逻辑是：在K-Means聚类时，每个分类类别的内部聚集度会随着K值的增大而增大，同时总体样本数据的分类也会更加细致，最终SSE也会随之减小[14]。具体公式如下：

式中：Ci为第i个类；p为Ci中的样本i的数值；mi为Ci中所有样本的均值。

由于各类别的聚合程度随聚类数目的增大而增大，因此总体样本的SSE在聚类数目K未达到真实值时会下降较快，而当K值达到真实值并持续增加时，SSE的下降幅度会急剧变小并最终趋于平缓，而这个下降幅度的转折点就是真实聚类数目所在的位置。

轮廓系数，是评价聚类效果的另一种方式[15]，可用于基于相同原始数据评估不同算法或算法的不同操作模式对聚类结果的影响。轮廓系数的数值介于[-1,1]，越趋近于1代表聚类效果越好。具体公式如下：

式中：a(i)为样本i到同一类别内部其他样本的距离的平均值；b(i)为样本i与最近类别中所有样本的距离的平均值。

采用Python程序实现手肘法和轮廓系数法对样本数据的分析，结果如图2所示。可看到SSE的输出中在K=3时，整个折线处于“拐点”，同样在轮廓系数输出图中，当K=3时轮廓系数值最大、最趋近于1。结合2种方法，选取最佳聚类数目为3类。

图2 最佳聚类数目确定方法Fig.2 Method for determining optimal number of clusters. (a) Elbow method; (b) Silhouette coefficient

2.3 聚类分析

将聚类数目设置为3进行聚类分析，聚类结果见表3。结果显示174个青年男性颈肩部形态可分为3类，其中第1类体型样本数为54，占比31.03%；第2类体型包含样本数为63，占比36.21%；第3类体型样本数为57，占比32.76%。5个变量的聚类显著性均小于0.05，说明此聚类方法是可行的。

表3 聚类分析结果Tab.3 Cluster analysis results

根据聚类结果确定出各个类别的代表体型，将3类代表体型的颈肩部正面与侧面截面形态进行对比，分析其形态差异，如图3所示。结果显示：第1类体型的肩斜角明显大于另外2类，颈横失径比较小，命名为落肩圆颈体；第2类体型背入角与前倾角均较大，颈横矢径比小，命名为前倾圆颈体；第3类体型颈横矢径比较大，背入角与前倾角都较小，命名为宽颈直体。

图3 颈肩部3类不同形态对比Fig.3 Comparison of 3 different types of neck-shoulder.(a) Side morphology; (b) Front morphology

为了更方便地利用5个形态参数区分颈肩部形态，本文研究采用Fisher判别法建立颈肩部形态判别规则与判别公式，见下式和表4。其中，F1、F2、F3分别为各类体型的Fisher判别得分。

F1=3.865AST+2.528ADE+2.630AFL+66.476RN+108.103RWNS-165.693
F2=3.566AST+2.449ADE+3.148AFL+66.485RN+111.684RWNS-176.684
F3=3.043AST+2.241ADE+2.325AFL+65.442RN+106.113RWNS-136.843

表4 判别规则Tab.4 Discriminant rule

3 颈肩部形态自动识别

3.1 人体轮廓提取

本文研究使用高像素相机(索尼A6000，分辨率4 000像素×6 000像素，距离1.8 m)对人体照片进行采集，需保持人体照片清晰度。拍照姿势参考三维扫描姿势，被试者需双手双脚自然分开，目视前方，如图4(a)所示。

在获得人体正侧面照片后，对照片进行裁剪、调整图片亮度及对比度等处理，使得照片中仅出现人体和黑色背景。然后对照片进行最佳阈值分割以获得二值图像，并进行开运算和填充操作，使得人体轮廓尽量光滑平缓，如图4(b)所示。最后求取二值图像矩阵的目标边界得到人体轮廓图，如图4(c)所示。

图4 图像采集和轮廓提取Fig.4 Image acquisition and contour extraction. (a) Photo pose; (b) Image binary processing; (c) Image contour extraction

3.2 形态参数提取

根据判别规则，形态识别所需人体参数包括前倾角、颈横矢径比、肩斜角等，其中涉及的人体特征点为肩端点、侧颈点、前后颈点、背凸点等。各特征点的提取以图形学原理为参考，首先根据各特征部位高度与人体身高的比例确定出大致高度范围，然后以各特征点的定义和形态特征标记出特征点[16]。以肩端点为例，根据前期点云数据测量得到肩端点所在高度为人体身高的77.1%～80.8%，肩端点的定义为肩胛骨肩峰上缘最向外突出的点。因此可找出肩端点高度范围内曲率最大的点确定出肩端点所在位置。其余各特征点坐标值的提取方法以此类推，各特征点的坐标点标注如图5所示。其中x值为横向像素，y值是纵向像素，各提取参数的具体计算方法见表5。

图5 颈肩部坐标点标注Fig.5 Coordinate point marking of neck-shoulder

表5 参数计算公式Tab.5 Parameter calculation formula

3.3 形态识别误差分析

以30位青年男性的正侧照片进行颈肩部形态识别和误差分析，结合照片提取值和判别规则进行判别，识别结果如图6所示。结果显示有2个样本识别错误，准确率达93.33%，相比于已有文献[6]所构建的青年女体颈肩部形态识别系统90%的准确率，本文研究的识别准确率显然更加优异。这也证明了本文研究所构建的颈肩部形态识别系统的可行性。

图6 颈肩部形态自动识别结果Fig.6 Automatic recognition result of neck and shoulder shape

识别结果的准确率直接受到照片提取的形态参数值的影响，因此将30个样本的点云测量值与照片提取值进行误差分析，见表6。结果显示，3个角度参数的误差范围均在[-2°,2°]之间，2个比值参数的误差范围在[-0.14,0.08]之间，配对样本T检验的显著性均大于0.05，说明照片提取值与三维测量值之间没有显著差异，保持了较高的一致性，进一步验证了基于二维照片进行颈肩部形态识别方法的可行性及准确性。

表6 误差分析表Tab.6 Error analysis table

4 结 论

本文研究通过三维人体扫描仪获取了180名在校男大学生颈肩部的三维点云数据，测量得到了表征青年男性颈肩部形态的22个参数，根据变异系数选取了前倾角、背入角、肩斜角、颈肩宽比、颈横矢径比5个特征参数进行聚类分析，将青年男性颈肩部形态分为落肩圆颈体、前倾圆颈体、宽颈直体3类。基于人体二维照片提取了体型分类所需要的5个特征参数，构建了基于二维图像的青年男性颈肩部自动识别系统。最终选取30个样本数据，将对应的三维点云测量值与程序提取值进行判别验证。结果表明，构建的形态自动识别系统的判别准确率达到93.33%，3个角度参数的误差范围均在[-2°,2°]之间，2个比值参数的误差范围在[-0.14,0.08]之间，证明了本文研究方法的可行性和准确度，可为服装行业的个性化和智能化快速制板提供体型参考。

本文研究仍然存在以下不足之处：1)仅针对于青年男性颈肩部进行体型分类以及形态识别系统的构建，后期研究将对不同年龄段及不同人体部位进行深入研究。2)所拍摄的人体图像对拍摄背景以及人体着装有一定要求，后期将探究如何实现复杂背景及着装提取人体轮廓及尺寸。

FZXB