基于照片分析青年职场女性正面体型划分

杨玲 陈郁

摘 要：为确定青年职场女性正面体型划分依据，采集了208位25～35岁年龄段青年职场女性身着紧身瑜伽服的正面照片，提取人体肩、腰、髋等部位横向投影宽度及肩高、腰高差等纵向投影高度，通过主成分分析及聚类分析，得到女性正面体型的分類结果，从中提取分类规则并验证。结果表明：基于肩髋宽度比、肩腰宽度比、腰髋宽度比及大腿根髋宽度比4个变量建立的女性正面体型的分类规则可以将正面体型分为X型、A型、H型以及O型4类。样本检验准确率达到 94.5%，说明了本文分类规则的有效性。该规则可为基于拍照的体型分类及基于体型的服装搭配与推荐系统的研发提供一定的参考。

关键词：正面体型；体型分类；二维图像；聚类分析；主成分分析

中图分类号：TS941.17              文献标识码：A                 文章编号：1674-2346（2023）02-0022-06

人体体型是体表外轮廓在视觉效果上的特征和类型。在服装上，准确的体型分类能提高服装尺码覆盖率，提升服装的美观性。随着线上购物的普及、服饰美学深入人心，服装修饰体型的作用越来越引起人们的关注，体型分类在服装线上零售的尺寸预测及推荐中也变得必不可少[1-2]，事实上，如何帮助线上消费者快速简单地判定体型逐渐成为研究热点。

人体体型是一个相对模糊的概念，不存在绝对化的划分[3]，当下体型划分的方法主要有两种，一类是主观分析法，通过总结专家经验、归纳出评判规则等方法实现体型自动化识别及分类。Choi等[4]认为侧向体型是决定服装适合程度的关键因素，通过专家小组将女性实验对象从视觉上分为4种横向体型，并构建侧体型分类的客观标准，为量化服装行业横向身体形状特征提供指导方针；Zhang等[5]采用模糊逻辑方法基于国家体型标准将女性体型细分为20种体型。第二类是客观分析法，对人体测量数据进行降维、聚类分析得到影响人体体型的主要因素，根据主要因素进行体型分类，这是现有研究中比较常用的方法。余佳佳等[6]以乳下围扁平率、身腰比、胸腰差、臀腰差作为特征变量将20～35岁女性分为14类体型，研究采用降维处理、特征提取及聚类等数理统计方法从三维层面对体型分类，但是存在分类过多的问题，不能为生活中的消费者购买适合的服装提供相应的建议；于琛[7]将体表角度分类指标结合体表曲线特征将女性体型划分为3类；Sun等[8]通过对年轻女性上半身进行横截面提取，使用主成分分析和K-means聚类分析，最终将体型分为3类。上述文献主要是基于三维人体扫描仪对人体表面形态进行体型划分，事实上，部分研究者提出利用二维图像对女性体型进行了定量分析和定性分析[9]，这一方法操作更简便。任宇婕[10]提到人体二维形态对三维人体体形分类影响很大；Naveed等[11]提出正面照片对于人体体型分类具有重要意义，并通过主成分分析以及K-means聚类分析将人体正、侧面体表轮廓分成4类；Chen等[12]提出二维图像可以帮助识别三维人体体表特征，并设计了一个基于CNN的回归网络，从正面、侧面二维图像中识别三维人体形状；Simmons等[13]根据外观形态用描述性语言把人体分为A、H、I、O、X及V形等6种体型，但是并没有总结出明确的分类指标。

本文从青年职场女性人体正面照片中提取16个形态分类的特征指标，使用PCA降维及K-means聚类分析将青年职场女性正面体型进行划分，归纳出女性正面体型的分类规则，基于正面体型的分类规则对服装与体型搭配推荐系统的研发具有参考价值。

1    图像采集

1.1    实验对象

实验实际测量人数为208，满足简单随机抽样样本量。选取年龄范围为25～35周岁、来自中国江浙沪地区的青年职场女性作为实验对象。实验过程中根据GB/T 16160-2017《服装用人体测量的尺寸定义与方法》要求，在拍摄过程中，实验对象穿着不严重影响人体形态变化的紧身瑜伽服；同时，被测者需要头戴泳帽，不得佩戴眼镜、首饰等配件以便人像分割，测量姿势根据服装人体工效学规定：水平地面自然站立，手指并拢双臂张开，双脚分开与肩同宽，头稍上抬。

1.2    实验环境及设备

选择相对空旷明亮的场所，使得三脚架中心点与白色背景墙的距离为 220cm，再调整三脚架手机夹高度为 110cm，在平衡稳定的情况下用华为系列手机拍摄。

2    图像预处理

拍摄过程不是一次性完成，拍摄环境、光照强度、背景颜色不同，在提取人体外轮廓时对照片进行尺寸归一化处理，确保源图像大小保持一致，以便相关数据的获取；同时对源图像进行灰度归一化，以确保源图像拍摄背景色不影响数据获取。

将预处理后图像通过百度智能云中的人体识别模块进行人像分割处理，然后用 OpenCV 中的Canny函数进行图像的边缘检测找到照片中的女性人体轮廓。（图1）

3    人体正面图像相关参数

通过二维正面照片进行正面体型分类，围绕照片中的高度、宽度找到16个影响正面体型形态的指标[4]，测量项目如表1。人体正面照片中测量位置如图2所示。

4    青年职场女性体型影响因素分析

4.1    数据预处理

对原始测量数据用SPSS进行描述统计分析，通过箱型图、茎叶图对数据集中的奇异值进行筛选，并去除异常样本以确保数据有效性，剔除异常数据后最终剩余200个无缺失值的有效数据，样本有效率达96%。对样本数据进行正态检验，经验证得出样本数据符合正态分布可以进行因子分析及聚类分析。

4.2    主成分因子分析

对江浙沪地区青年职业女性照片中获取的16项体型特征指标进行KMO 值的适当性度量和巴特利特球形度检验，结果显示原始KMO 取样适切性量数为0.892（表2），说明该样本数据具有较强的相关性，适合进行因子分析。

为探究人体正面形态对正面体型分类的主要影响因子，运用SPSS先进行标准化处理再进行主成分因子分析，结果见表3。从表中可以看出前5个主成分累计贡献率达91.441%，特征值大于1，所以影响正面体型的主成分因子为5个。

根据表4可以对主成分因子类型进行定义，第一个主成分在WS、WC、WW、WA及WTR上有很大的负荷，所以定义为上半身宽度因子。第二个主成分因子在DCW、DWA及DSW上有很大的负荷，可定义为横向差值因子。第三个主成分因子主要对RSA和RTA的负荷较大，可以定义为横向比值因子。第四个主成分因子对HR、HWA和 HSW负荷较大，可以定义为高度因子。第五个主成分因子在WTM上的负荷较大，可定义为腿部宽度因子。因此影响人体正面体型的因素主要有上半身宽度因子、横向差值因子、横向比值因子、高度因子及腿部宽度因子。

4.3    体型聚类分析

根据表4从中选择对每个因素贡献最大的变量，即5个主成分因子WW、DWA、RSA、 HR 及RTA为体型分类的主要特征指标，首先对主成分数据进行标准化，后用K-means聚类方法对正面人体形态进行分析，分别聚类为3类、4类、5类。当聚类数为4时，各个类别间的均方较大，误差均方较小，F值较大，聚类结果更为准确。因此，将青年女性的正面体型分为4类，以肩腰宽度比、大腿根髋宽度比、腰髋宽度比为x轴、y轴及z轴将聚类结果进行可视化，得到图3。从图3可以看出4种体型在肩部、腰部、大腿及髋部两两宽度比具有明显的差异。

聚类结果中：1 类体型包含67个样本，2 类体型包含 25个样本，3 类体型包含 52个样本，4 类体型包含 56个样本，最终聚类分布情况见表5。4种体型分别占样本点数的33.5%、12.5%、26.0%、28.0%。

为了更直观地了解各类体型的差异，根据聚类中心找到距离聚类中心最近的体型图片，找到最符合X、H、O、A 等4类正面代表性体型的标准身材，进行外轮廓提取，最终得到4类正面体型如图4所示。从图4可以看出，将4类正面体型进行比对发现：占比最多的O型体型的肩部、腰部、髋部及大腿根部比其他体型更宽；H型体型肩部、髋部基本等宽，且腰部形态曲线不明显；A型窄肩宽髋十分明显，同时腰部正面形态偏修长；X型作为理想身材正面形态更符合常规审美肩宽、髋宽相同，腰部曲线十分明显。

根据上述聚类结果，总结归纳出以下4种体型中肩髋宽度比、肩腰宽度比、腰髋宽度比及大腿根髋宽度比这4个变量的范围作为正面体型的分类规则。结果如表6所示，首先根据肩髋宽度比将A型与其他3种类型分开；然后根据肩腰宽度比将H型与X、O这2种体型分开；最后根据大腿根髋宽度比、腰髋宽度比2个变量将O型和X型分开。

为验证本文分类规则的有效性，邀请专家对200个样本进行视觉判别，与该规则体型分类结果进行比对，比对结果见表7。可知，189个样本分类正确，11个样本分类错误，准确率达到 94.50%，该分类规则有效性较高，并容易实施，简单易行，操作方便。

5    结论

本文选取了208位25～35岁的青年职场女性，采用拍照方式获取正面照片，并从照片中提取16个影响正面体型的测量参数为分析目标。应用SPSS软件对样本数据进行主成分因子分析，得到影响青年职场女性正面形态特征的主成分因子，然后通过K-means聚类的方法对样本数据进行聚类得到4种正面体型的形态。对4类正面体型形态进行分析得到以下结论。

（1）影响青年职场女性正面形态特征的因子主要有上半身宽度因子、横向差值因子、横向比值因子、高度因子及腿部宽度因子。（2）利用二维图像中肩髋宽度比、肩腰宽度比、腰髋宽度比及大腿根髋宽度比这4个变量将青年职场女性的正面体型分为X型、H型、O型及A型4类，基于以上4个变量归纳出各个类型的分类规则并进行判别分析验证，准确率达到94.50%，证明了该分类规则的有效性。（3）新的分类规则基于女性正面形态分类法可为基于拍照的体型分类及服装推荐系统提供规则支撑。

参考文献

[1]Januszkiewicz M，Parker C J，Hayes S G，et al.Online Virtual Fit is not yet Fit for Purpose： An Analysis of Fashion e-Commerce Interfaces[C]//3DBODY.TECH 2017-8th International Conference and Exhibition on 3D Body Scanning and Processing Technologies.2017.DOI：10.15221/17.210.

[2]Parker C J，Hayes S G，Brownbridge K，et al.Assessing the female figure identification technique's reliability as a body shape classification system[J].[2023-06-08].DOI：10.1080/00140139.2021.1902572.

[3]陳敏之，邹奉元，张渭源.女体体型识别专家系统的设计与实现[J].纺织学报，2009，30（11）：141-144.

[4] Choi Y L， Yun J N.Classification of upper lateral body shapes for the apparel industry[J].Human Factors & Ergonomics in Manufacturing & Service Industries，2010，20（05）：378-390.

[5]Zhang J，Zeng X，Dong M，et al.Garment knowledge base development based on fuzzy technology for recommendation system[J]. 2020.DOI：10.35530/IT.071.05.1724.

[6]余佳佳，李健.中國东部地区青年女性人体体型分类[J].纺织学报，2020，41（05）：134-139.

[7]于琛.基于人体表面曲线特征的青年女性上体体型分类与识别模型[D].北京：北京服装学院，2020.

[8] Sun J， Cai Q，Li T，et al.Body shape classification and block optimization based on space vector length[J].International Journal of Clothing Science and Technology， 2019， 31（01）： 115-129.

[9]丁中娟，杜劲松.女性体型分类研究概述[J].国际纺织导报，2016，44（12）：57-61.

[10]任宇婕.青年女性上半身形态特征细分与判别 [D].武汉：武汉纺织大学，2021.

[11] Naveed T，Zhong Y，Hussain A，et al.Female Body Shape Classifications and Their Significant Impact on Fabric Utilization [J]. Fibers and Polymers， 2018， 19（12）.

[12] Chen J， Zhong Y， Yu Z.Human Body Shape Reconstruction from Binary Image Using Convolutional Neural Network[J].Journal of Physics Conference Series， 2020， 1624：052002.DOI：10.1088/1742-6596/1624/5/052002.

[13] Simmons K， Istook C L，Devarajan P .Female Figure Identification Technique （FFIT） for apparel part I：Describing female shapes[J].Journal of Textile and Apparel， Technology and Management，2004， 4（01）：1-15.

Abstract： In order to determine the basis for the division of young working womens frontal body shape，the frontal photos of 208 young working women aged 25 ～ 35 wearing tight yoga clothes were collected，and the transverse projection width，shoulder height，waist height difference and other longitudinal projection heights of human shoulder，waist and hip were extracted.The classification results of women's frontal body shape were obtained through principal component analysis and cluster analysis，from which the classification rules were extracted and verified.The results show that the classification rules of female frontal body type established on the basis of four variables of waist width，shoulder waist width ratio，waist hip width ratio and thigh root hip width ratio can divide the frontal body shape into four types：X type，A type，H type and O type.The accuracy of sample test is 94.5%， which indicates the validity of the classification rules.The rules can provide some reference for body type classification based on photos and the research and development of clothing matching and recommendation system based on body type.

Key words： frontal body shape;body type classification;two dimensional images;cluster analysis;principal component analysis