基于 LVQ 神经网络的青年女性胸部识别模型构建

沙莎 李诗怡 迟诚 万亚如 江学为

摘 要：为提高青年女性胸部形态分类的准确率，填补文胸号型分类体系存在的缺陷，结合青年女性胸部体型特征构建了一种基于LVQ神经网络的青年女性胸部识别模型。研究运用非接触式激光三维技术共采集216个青年女大学生胸部数据，将因子分析提取的9个胸部特征指标采用K-means 聚类法，通过手肘图、轮廓系数图确定K值，最终将胸型分为4类。在此基础上构建LVQ神经网络胸型识别模型，以9项胸部特征指标为输入，4种胸型为输出，进行LVQ神经网络的训练。研究结果表明：模型经训练及测试后，识别精度达到95%，Kappa系数为0.932。与BP、PNN神经网络模型相比，在运算效率、模型精度和稳定性方面， LVQ神经网络模型的表现要明显优于其他两种神经网络。

关键词：三维人体测量；胸部特征；胸部形态分类；胸型识别；LVQ神经网络

中图分类号：TS 941.17   文献标志码：A  文章编号：2097-2911-（2024）01-0069-11

Establishment of Recognition Model for Young Females' Breast Shapes Based on LVQ Neural Network

SHAShaa，LI Shiyib，CHIChengb，c，WAN Yarub，JIANG Xueweib，c*

（a.Institute of Design Innovation and Fiber Science；b.School of Fashion Design， Wuhan Textile University；c.Wuhan Textile and Apparel Digital Engineering Technology Research Center， Wuhan 430073， China）

Abstract： In order to improve the accuracy of young women's chest morphology classification and fill the de- fects of the bra number classification system， this paper constructs a young women's chest recognition model based on LVQ neural network by combining the young women's chest body shape features. The study uses non- contact laser 3D technology to collect a total of 216 young female college students' chest data， and the nine chest feature indicators extracted by factor analysis are clustered by K-means clustering method， and the K value is determined by elbow diagram and contour coefficient diagram， and the chest type is finally classified into four categories. On this basis， the LVQ neural network chest type recognition model was constructed， and the LVQ neural network was trained with the 9 chest feature indicators as input and 4 chest types as output. The re- sults show that the model is trained and tested with a recognition accuracy of 95% and a Kappa coefficient of 0.932. Compared with the BP and PNN neural network models， the LVQ neural network model significantly out- performs the other two neural networks in terms of computational efficiency， model accuracy and stability.

Key words：3-D anthropometry; chest features; chest morphology classification; chest shape recognition; LVQ neural network

0 引言

文胸对女性胸部健康的影响非常重要，需要准确的数据来支撑文胸制作工艺的设计。北服-爱慕人体工程学研究所的报告中显示有75.8%的人计测文胸号型与真实的文胸号型存在差异[1]。目前的文胸号型标准反映了我国女性胸部围度方面大小的变化规律，不能充分考虑不同的体型和年龄特点，缺少对胸型的划分[2]。这导致许多消费者在购买内衣时，通常需要反复试穿来确定最适合的文胸号型。为了提高文胸的舒适性和合体性，国内外学者进行了大量的研究，分別从不同方面进行了胸部分类。ZHENG等[3]以乳房体积、乳房内外侧形态等8项指标来描述乳房形态的分类；PEI 等[4]以乳房侧面轮廓的形式进行可视化聚类；刘羽等[5]从乳房细部和人体侧面两个方面将乳房立体形态分为9类。

在人体局部体型的划分中主要有：主成分因子分析法[6]、聚类分析法[7]等。神经网络等技术由于其在数据挖掘、学习能力等方面的优势，已逐渐成为目前国内外学者在局部体型识别方面的主要研究方向。王静静等[8]为了提高胸部体型分类的准确率，在胸部体型细分基础上构建了基于长短记忆神经网络的胸部体型识别模型。辛意云[9]通过聚类计算和伪F统计量将胸型分类结果作为输出层，构建了基于 LVQ 神经网络的胸部识别模型，所获得的模型识别准确度已达到了98%。LVQ神经网络是一种用于模式分类的有监督的神经网络，该神经网络采用了竞争学习与监督学习相结合的方法，在发现了获胜神经元之后，对神经元间的权向量进行不断地修正，以确定模型类型。目前，LVQ神经网络因其独特的优势已被广泛地应用于各个领域中。王艳等[10]提出一种基于LVQ神经网络的人脸检测算法。李木子[11]提出了一种应用LVQ神经网络实现手势识别的方法。王彰[12]在研究指纹识别技术的过程中同时运用了BP神经网络与LVQ神经网络，并经过比较发现LVQ神经网络模型的各项识别率都优于BP神经网络模型。

本文基于 LVQ 神经网络建立胸部识别模型，进一步深入研究青年女性的胸部形态，并且解决如何正确区分胸部形态、提高胸型识别精度等问题，以填补目前文胸号型分类体系存在的缺陷，并为文胸的个性化设计提供一定的参考价值。

1 研究对象与方法

1.1 样本容量

对青年女大学生进行人体数据采集，参照国家服装号型标准中规定的成年人体各部位尺寸最大允许误差、标准差和样本量，得出近似公式计算最低限度的样本量N为：

N =[（μ? s/σ）]2

式中：N 为测量样本的最小值；μ是α置信水平的概率；s为测量项目的标准差；σ为测量项目的允许误差。

在所有的指標中，腰围的标准差与最大允许误差之比是最大的，腰围要求的精确度是最高的，因此，用腰围的比值来计算最小的样本量。即在理论上，将样本量设为173就可以达到要求，但由于在测量过程中会出现一些无效的样本，故将样本量适当地提高，最后得到216个样本。

1.2 仪器与条件

本次测量采用武汉纺织大学的非接触式激光三维人体扫描仪，如图1、图2所示。要求测量室内不透光；被测者均为赤身或穿着一般的内衣；头上戴一顶白色游泳帽；不准佩带首饰；被测者自然的站立，双脚踩在扫描台的脚印上，双臂向下，手肘微微向上抬起，肘点朝外，两只手与大腿的距离大约8-10 cm 。测量时，保持自然的呼吸，直视前方，并尽可能地避免摇晃[13]。

1.3 测量项目

依据王方圆等[14]提取胸围、胸厚等9项参数作为特征指标，将青年女性胸部形态细分为5类，马静[15]给出了与胸部尺寸关系最大的3项指标，再结合影响胸部形态的主要因素和文胸号型制定规则，将测量项目划分为：胸部整体形态（高度、围度、宽度、厚度、长度、角度、深度）和乳房细部尺寸的详细测量。共选出17个测量项目，见表1。

2 实验

2.1 数据处理与分析

为了保证胸部数据是真实、准确的，应对其进行预处理，判断是否有异常值或缺失值。如图3所示采用 SPSS软件中的箱盒图，在胸围的测量结果中有4个奇异值和1个极值，应该剔除样本102、42、18、87、74。其余部位也是如此。最后发现216个样本的某些测量项目存在异常值，经预处理后，剔除16个样本，将其余200个样本再进行重新编号。

2.1.1 正态性检验

如图4所示以胸围为例，利用P-P概率图对样本分布进行正态性检验，以确定其分布是否与随机抽样的正态分布相一致。由图可知，胸围数据的散点分布近似于一条直线，表明排除异常值后所得到的数据均为正态分布。结果表明：样本分布服从随机抽样数据规律，也就是数据有效。2.1.2 描述性统计分析

利用 SPSS的描述性分析功能对数据的整体特性进行分析，结果见表2。

结果显示：（1）青年女性被测的胸围在75.6-96.5 cm 之间，下胸围在62.7-86.2 cm 之间，胸差在2.6-20.8 cm 之间，胸部尺寸覆盖范围较广，选样合理；（2）胸围的均值为84.047 cm，下胸围的均值为74.679 cm，胸差的均值为9.368 cm，本文青年女性被测的平均胸部尺寸偏小；（3）胸差的变异系数最大，下乳杯弧长次之，说明两个部位的离散程度较大，其余部位的离散程度均较小[16]。

2.1.3 国标文胸号型对比分析

根据国标文胸号型分类标准，对本文青年女性样本进行胸部分类，号型范围划分结果如图5所示。从图中可以看出，“型”主要分布在 AA、 A、B 和 C，占93.9%；“号”以65、70、75和80为主，占91.9%。D、E和F罩杯的数量在总数中所占的比重非常小，其中D型8个，E型4个，F型没有。60、85、90号的情况也一样。结果表明，由于国家标准号型中样本的年龄分布很广，不适合用来分析未婚未育的青年女性的胸部形态。在青年女性群体中，以国家标准号型（下胸围和胸差[17]）为基础的胸型分类不能很好地涵盖所有，这也进一步证实了目前的文胸号型标准不能反映青年女性的胸部形态，需要对青年女性的胸部进行更加详细的划分。

2.2 胸部形态分类

2.2.1 相关性分析

本节通过对测量部位的数据进行相关性分析，得到了各尺寸间的相关系数如图6所示。从图中可以得出以下几点结论：（1）人体高度尺寸与胸部的尺寸相关程度较小；（2）胸围与乳房细部特征尺寸之间有较大的相关性；下胸围与胸围、胸差、胸宽、胸厚、乳根围、乳深的相关程度较高；胸差与下胸围、胸宽、胸点间距的关系紧密，与其他测量数据均无太大联系；（3）背宽与胸厚、胸凸角与外乳杯弧长、胸厚与下乳杯弧长、外乳杯弧长与乳横宽，这些两两之间均有较大的相关性。

分析结果表明：部分部位与胸部形态的相关性不大，删除身高等几个与胸部形态相关较小的测量项目，最终得到11个测量项目（胸围、胸宽、下胸围、胸凸角、胸厚、胸点间距、下乳杯弧长、外乳杯弧长、乳根围、前颈点至胸点距、乳横宽）作为后续研究的基础变量。

2.2.2 胸部特征指标提取

对11个胸部测量项目进行因子分析，得到总方差解释表，见表3。特征值大于1的共计3个，当提取3个因子后，其累计贡献率达到了65.08%，即表示3个因子可以解释原有变量中65.08%的胸部信息，结果较理想。因此，用这3个因子代替11个原始测量项目。

表4是旋转经5次迭代后收敛的成分矩阵。可以得到因子的类别，共划分为3类。第1类因子中，胸宽、下胸围、乳根围、胸厚、下乳杯弧长的载荷系数较大，该类参数反映的是围度方向的指标，定义为乳房围度因子；第2类因子中，胸围、胸点间距、前颈点至胸点距、乳横宽的载荷系数较大，该类参数反映的是乳房位置方向的指标，定义为乳房定位因子；第3类因子中，外乳杯弧长的载荷系数较大、胸凸角的负的载荷系数较大，该类参数反映的是乳房丰满程度方向的指标，定义为乳房立体形态因子。

选择每一因子中载荷系数较大、有代表性、容易测得的变量作为该类的代表性指标。第1因子可以提取胸厚、乳根围、胸宽、下胸围作为指标；第2因子中，可以提取乳横宽、胸点间距、胸围作为指标；第3因子中，可以提取胸凸角、外乳杯弧长作为指标。因此，影响青年女性胸部形态的主要特征指标有胸点间距、胸围、乳横宽、胸凸角、外乳杯弧长、胸宽、下胸围、胸厚、乳根围9个指标，这些指标可以反映青年女性胸部形态的围度、宽度、厚度、角度及胸部立体形态。

2.2.3 胸部类型划分

将9个胸部特征部位作为聚类变量，进行K- means 聚类分析，综合手肘图、轮廓系数图来确定最佳聚类数目。如图7手肘图、图8轮廓系数图所示，结果显示分类数量在4类时最佳。此时随着分类数的增加，当K=4时，SSE值变化幅度很小，轮廓系数SC值最大、最接近于1，代表聚类效果最好。

根据聚类分析结果最终将200个样本分为4类，各类样本占比分别为27%、35%、18%和20%，样本的最终聚类中心见表5。

为了更清晰地展示聚类结果，对接近4类胸型聚类中心的样本进行相应的截面形状描述，表6为分类获得的4类胸型对应的截面形态。因此，青年女性胸部形态可以分为4类，分别为正方形、椭圆形、五边形和矩形，将它们分别命名为 S型，O型，P型，R型。

3 基于LVQ的胸部识别模型构建

LVQ神经网络的学习主要由LVQ1和LVQ2两部分组成。本文选择了LVQ1算法，如图9所示。LVQ1网络是一种由有监督和无监督学习构成的混合神经网络。LVQ1网络的学习将会使用 Kohonen规则的一种变化形式来进行训练，该算法具有良好的线性分类能力。

P是包含R个特征量的输入向量，IW1为竞争层权矩阵，n 1为竞争层净输入，a1为竞争层输出，IW2为线性层权值矩阵，n2为线性层净输入，a2为线性层输出；竞争层传递函数compet（）为竞争函数，线性层传递函数为线性函数 a = n（a是神经元的输出，n是神经元的净输入）[17]。

3.1 训练测试结果分析

神经网络的每一个输入神经元对应着一个特征值。将提取的胸部特征指标作为识别胸型的特征值，包括胸宽、下胸围、胸厚、乳根围、胸点间距、胸围、乳横宽、胸凸角、外乳杯弧长9个胸部特征指标，即为输入层的9个神经元。青年女性的胸型分为4类，即为输出层的4个神经元。构造的神经网络模型结构如图10所示。

神经网络的性能与隐藏层神经元的数目密切相关，在确定了网络的收敛精度后，经过反复的调整，网络中竞争层的神经元数定为300个。学习速率的经验取值范围为0.01-0.8，通过多次调整，选择0.1的学习速率来尽量減少训练时间，同时保持较高的识别精度。

本文将各种类别样本量的80%作为训练样本，即160例样本；剩余的20%作为测试样本，即40例样本。以9项胸部特征指标为输入，以4种胸型为输出，进行 LVQ 神经网络的训练。在完成网络训练后，将40个测试样本输入到网络中，即可获得相应的输出结果。通过对网络模拟的结果进行分析，得出总体识别率和Kappa系数，并以此来评估模型的预测效果。

训练样本结果显示仅R型中有3个样本被错分为S、O、P型，该类的识别率为90.625%，其余类别的识别率均为100%，总体识别率为98.125%， Kappa系数为0.973。由此可见，识别模型训练效果好且精度高。由表7可知，O型中有1个样本被错分为R型，该类的识别率为92.9%，第R类中有1个样本被错分为 S型，该类的识别率为87.5%，其余类别的识别率均为100%，总体识别率为95%，Kappa系数为0.965。由此可见，识别模型的测试精度高并且具有高度的一致性。

3.2 识别模型精度对比分析

为进一步验证LVQ神经网络胸型识别模型的有效性，本节将LVQ神经网络与BP神经网络和PNN概率神经网络进行比较[18]，以精度、稳定性和运算效率为指标，在此基础上，精度用各类胸型识

别的准确率来表示，稳定性用总体识别准确率来表示，运算效率用模型训练时间来表示。为了确保比较的有效性和公平性，三种模型训练测试数据以及操作环境是一致的。

图11直观地展示了LVQ、BP和PNN神经网络的各类胸型识别准确率的对比情况，表8给出了三种神经网络在实验中的总体识别准确率以及运算时间。在运算效率方面，PNN模型耗时最长，LVQ模型表现最好。在模型精度和稳定性方面，三种模型均表现出良好的识别效果和稳定性。其中LVQ神经网络模型的总体识别准确率高达95%，表现要明显好于BP与PNN神经网络。

综上结果表明：在三种神经网络胸型识别模型中，LVQ神经网络在各个方面均要优于其他两种神经网络。因此，在胸型识别预测中用 LVQ 神经网络更合适。

4结论

本文运用三维人体扫描仪采集了216名女大学生的胸部数据，选取了与青年女性胸部形态相关的测量项目。在对所有数据的进行预处理后，依次进行相关性分析，因子分析，从而提取胸部特征指标，并且用于聚类分析从而将胸型分为4类。基于前章的数据分析及胸型分类结果，构建了LVQ神经网络胸型识别模型。研究结论：

（1）通过分析得到了青年女性胸部数据在国标号型中的分布情况：“型”主要分布在AA、A、B 和C；“号”主要分布在65、70、75和80。其中绝大部分胸部号型为80AA 。由此印证了现行的文胸号型标准无法体现青年女性胸部形态，因此需要对青年女性胸部形态进行更为细致的划分。

（2）将因子分析提取的9个胸部特征指标作为胸部形态分类的标准，采用K-means聚类法，通过手肘图、轮廓系数图确定K值，最终将胸型分为4类，区分了各类胸型的差异。

（3）对构建的 LVQ 神经网络胸型识别模型进行训练及测试，模型总体识别率为95%，Kappa 系数为0.932。与 BP、PNN 神经网络模型相比，在运算效率、模型精度和稳定性方面，LVQ神经网络模型的表现要明显好于 BP 与 PNN，表明LVQ神经网络模型在胸型识别方面的准确性。

参考文献：

[1]段笑娟.乳房形态与文胸罩杯结构的适用性研究[D].北京：北京服装学院， 2007.

DUAN Xiaojuan. A Study on the relationships of breast shapes and cup constructions of bras[D]. Beijing：Beijing Institute of Fashion Technology， 2007.

[2]朴江玉.辽宁地区女性胸部体型特征及文胸号型设计[D].苏州：苏州大学， 2006.

PU Jiangyu. The figure of breast and the desigh of the type and size of brassiera [D]. Suzhou： Sooch-ow University， 2006.

[3]ZHENG R，YU W， FAN J . Development of a new chinese bra sizing system based on breast anthro-pometric measurements[J]. International Journal of Industrial Ergonomics， 2007， 37（8）.

[4]PEI J ， PARK H ， ASHDOWN P S . Female breast shape categorization based on analysis of CAE- SAR 3D body scan data[J]. Textile Research Jour- nal，2019，89（4）.

[5]刘羽， 王建萍.基于乳房角度的乳房形态分类[J].丝绸， 2017， 54（8）：31-37.

LIU Yu，WANG Jianping. Research on breast shape classification based on breast angle[J].Jour- nal of Silk，2017，54（8）：31-37.

[6]高琳， 徐军.西北地区青年女性胸部体型特征与分类[J].天津纺织科技， 2021（3）：16-19.

GAO Lin， XU Jun. Chest somatotype characteris- tics and classification of young women in North- west China[J]. Tianjin Textile Science & Technolo- gy， 2021（3）：16-19.

[7]沙莎， 曹瑞琦， 田潤雨， 等.基于神经网络的湖北省女大学生体型分类研究[J].服饰导刊， 2022， 11（5）：15-20+2.

SHA Sha， CAO Ruiqi， TIAN Runyu， et al. Study on body type classification of female college stu- dents in hubei province based on neural network [J]. Fashion Guide， 2022， 11（5）：15-20+2.

[8]王静静， 陈敏之.基于LSTM神经网络的青年女性胸部识别模型构建[J].现代纺织技术， 2020， 28（6）：55-61.

WANG Jingjing， CHEN Minzhi. Establishment of recognition model for young females' breast shapes based on lstm neural network[J]. Advanced Textile Technology， 2020， 28（6）：55-61.

[9]辛意云.青年女性胸型分类及文胸号型推荐[D].杭州：浙江理工大学， 2016.

XIN Yifyun. Classification of young female breast shape and bra size recommendation[D]. Hang-zhou：Zhejiang Sci-Tech Univeristy， 2016.

[10]王艳， 祁萌.一种基于 LVQ 神经网络模型的人脸检测方法[J].液晶与显示， 2021， 36（7）：1027-1034.

WANG Yan， QI Meng. Face detection algorithm based on LVQ neural network model[J]. Chinese Journal of Liquid Crystals and Displays， 2021，36（7）：1027-1034.

[11]李木子.基于神经网络的手势识别技术研究[D].石家庄：河北地质大学， 2021.

LI Muzi. Research on gesture recognition tech- nology based on neural network[D]. Hebei GEOUniversity， 2021.

[12]王彰.基于LVQ与神经网络的指纹分类对比研究[D].西安：西安石油大学， 2020.

WANG Zhang. Comparative study of fingerprint classification based on lvq and neural net- work[D]. Xi'an： Xi'an Shiyou University， 2020.

[13]王丽， 李月， 库茨米切夫·维克多，等.基于胸部形态的青年男性体型分类研究[J].服饰导刊， 2019，8（4）：43-47.

WANG Li， LI Yue， Kuzmichev Victor， et al. Re- search on young male body classification based on breast shape[J]. Fashion Guide， 2019，8（4）：43-47.

[14]王方圆，罗洋，王建萍.上海地区青年女性胸部形态的分类[J].纺织科技进展， 2012（4）：73-76.

WANG Fangyuan， LUO Yang， WANG Jianping. Research on subdividing of female breast shape in Shanghai area[J]. Progress in Textile Science & Technology， 2012（4）：73-76.

[15]馬静.基于胸部特征参数的个性化文胸样板研究[D].杭州：浙江理工大学， 2018.

MA Jing. Study on the individual bra pattern of young women based on chest characteristic pa- rameters[D]. Hangzhou： Zhejiang Sci-Tech Uni- versity， 2018.

[16]KIM K M， NAM J Y. Classification of lower body types of female adults aged 18 to 69 based on 3d body scan data - focusing on the front type， lateral-front type， and lateral-back type[J]. Fashion & Textile Research Journal，2016， 18（1）.

[17]陈慧蓉， 张欣， 陶娜.基于三维人体测量的青年女性胸部形态特征分析[J].西安工程大学学报， 2008（2）：146-152.

CHEN Huirong， ZHANG Xin， TAO Na. Re- search on the breast shapes of young females based on 3D body measurement[J]. Journal of Xi'an Polytechnic University， 2008（2）：146-152.

[18]王雅红.基于LVQ神经网络数字图像边缘检测算法的研究[D].太原：太原理工大学， 2005.

WANG Yahong. A study on algorithm of edge de- tection of digital image based on lvq neural net- works[D]. Taiyuan：Taiyuan University of Tech- nology， 2005.

（责任编辑：周莉）