楊玲 陳郁

摘 要：為確定青年職場女性正面體型劃分依據(jù)，采集了208位25～35歲年齡段青年職場女性身著緊身瑜伽服的正面照片，提取人體肩、腰、髖等部位橫向投影寬度及肩高、腰高差等縱向投影高度，通過主成分分析及聚類分析，得到女性正面體型的分類結(jié)果，從中提取分類規(guī)則并驗(yàn)證。結(jié)果表明：基于肩髖寬度比、肩腰寬度比、腰髖寬度比及大腿根髖寬度比4個(gè)變量建立的女性正面體型的分類規(guī)則可以將正面體型分為X型、A型、H型以及O型4類。樣本檢驗(yàn)準(zhǔn)確率達(dá)到 94.5%，說明了本文分類規(guī)則的有效性。該規(guī)則可為基于拍照的體型分類及基于體型的服裝搭配與推薦系統(tǒng)的研發(fā)提供一定的參考。

關(guān)鍵詞：正面體型；體型分類；二維圖像；聚類分析；主成分分析

中圖分類號(hào)：TS941.17? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼：A? ? ? ? ? ? ? ? ?文章編號(hào)：1674-2346（2023）02-0022-06

人體體型是體表外輪廓在視覺效果上的特征和類型。在服裝上，準(zhǔn)確的體型分類能提高服裝尺碼覆蓋率，提升服裝的美觀性。隨著線上購物的普及、服飾美學(xué)深入人心，服裝修飾體型的作用越來越引起人們的關(guān)注，體型分類在服裝線上零售的尺寸預(yù)測及推薦中也變得必不可少[1-2]，事實(shí)上，如何幫助線上消費(fèi)者快速簡單地判定體型逐漸成為研究熱點(diǎn)。

人體體型是一個(gè)相對(duì)模糊的概念，不存在絕對(duì)化的劃分[3]，當(dāng)下體型劃分的方法主要有兩種，一類是主觀分析法，通過總結(jié)專家經(jīng)驗(yàn)、歸納出評(píng)判規(guī)則等方法實(shí)現(xiàn)體型自動(dòng)化識(shí)別及分類。Choi等[4]認(rèn)為側(cè)向體型是決定服裝適合程度的關(guān)鍵因素，通過專家小組將女性實(shí)驗(yàn)對(duì)象從視覺上分為4種橫向體型，并構(gòu)建側(cè)體型分類的客觀標(biāo)準(zhǔn)，為量化服裝行業(yè)橫向身體形狀特征提供指導(dǎo)方針；Zhang等[5]采用模糊邏輯方法基于國家體型標(biāo)準(zhǔn)將女性體型細(xì)分為20種體型。第二類是客觀分析法，對(duì)人體測量數(shù)據(jù)進(jìn)行降維、聚類分析得到影響人體體型的主要因素，根據(jù)主要因素進(jìn)行體型分類，這是現(xiàn)有研究中比較常用的方法。余佳佳等[6]以乳下圍扁平率、身腰比、胸腰差、臀腰差作為特征變量將20～35歲女性分為14類體型，研究采用降維處理、特征提取及聚類等數(shù)理統(tǒng)計(jì)方法從三維層面對(duì)體型分類，但是存在分類過多的問題，不能為生活中的消費(fèi)者購買適合的服裝提供相應(yīng)的建議；于琛[7]將體表角度分類指標(biāo)結(jié)合體表曲線特征將女性體型劃分為3類；Sun等[8]通過對(duì)年輕女性上半身進(jìn)行橫截面提取，使用主成分分析和K-means聚類分析，最終將體型分為3類。上述文獻(xiàn)主要是基于三維人體掃描儀對(duì)人體表面形態(tài)進(jìn)行體型劃分，事實(shí)上，部分研究者提出利用二維圖像對(duì)女性體型進(jìn)行了定量分析和定性分析[9]，這一方法操作更簡便。任宇婕[10]提到人體二維形態(tài)對(duì)三維人體體形分類影響很大；Naveed等[11]提出正面照片對(duì)于人體體型分類具有重要意義，并通過主成分分析以及K-means聚類分析將人體正、側(cè)面體表輪廓分成4類；Chen等[12]提出二維圖像可以幫助識(shí)別三維人體體表特征，并設(shè)計(jì)了一個(gè)基于CNN的回歸網(wǎng)絡(luò)，從正面、側(cè)面二維圖像中識(shí)別三維人體形狀；Simmons等[13]根據(jù)外觀形態(tài)用描述性語言把人體分為A、H、I、O、X及V形等6種體型，但是并沒有總結(jié)出明確的分類指標(biāo)。

本文從青年職場女性人體正面照片中提取16個(gè)形態(tài)分類的特征指標(biāo)，使用PCA降維及K-means聚類分析將青年職場女性正面體型進(jìn)行劃分，歸納出女性正面體型的分類規(guī)則，基于正面體型的分類規(guī)則對(duì)服裝與體型搭配推薦系統(tǒng)的研發(fā)具有參考價(jià)值。

1? ? 圖像采集

1.1? ? 實(shí)驗(yàn)對(duì)象

實(shí)驗(yàn)實(shí)際測量人數(shù)為208，滿足簡單隨機(jī)抽樣樣本量。選取年齡范圍為25～35周歲、來自中國江浙滬地區(qū)的青年職場女性作為實(shí)驗(yàn)對(duì)象。實(shí)驗(yàn)過程中根據(jù)GB/T 16160-2017《服裝用人體測量的尺寸定義與方法》要求，在拍攝過程中，實(shí)驗(yàn)對(duì)象穿著不嚴(yán)重影響人體形態(tài)變化的緊身瑜伽服；同時(shí)，被測者需要頭戴泳帽，不得佩戴眼鏡、首飾等配件以便人像分割，測量姿勢根據(jù)服裝人體工效學(xué)規(guī)定：水平地面自然站立，手指并攏雙臂張開，雙腳分開與肩同寬，頭稍上抬。

1.2? ? 實(shí)驗(yàn)環(huán)境及設(shè)備

選擇相對(duì)空曠明亮的場所，使得三腳架中心點(diǎn)與白色背景墻的距離為 220cm，再調(diào)整三腳架手機(jī)夾高度為 110cm，在平衡穩(wěn)定的情況下用華為系列手機(jī)拍攝。

2? ? 圖像預(yù)處理

拍攝過程不是一次性完成，拍攝環(huán)境、光照強(qiáng)度、背景顏色不同，在提取人體外輪廓時(shí)對(duì)照片進(jìn)行尺寸歸一化處理，確保源圖像大小保持一致，以便相關(guān)數(shù)據(jù)的獲??；同時(shí)對(duì)源圖像進(jìn)行灰度歸一化，以確保源圖像拍攝背景色不影響數(shù)據(jù)獲取。

將預(yù)處理后圖像通過百度智能云中的人體識(shí)別模塊進(jìn)行人像分割處理，然后用 OpenCV 中的Canny函數(shù)進(jìn)行圖像的邊緣檢測找到照片中的女性人體輪廓。（圖1）

3? ? 人體正面圖像相關(guān)參數(shù)

通過二維正面照片進(jìn)行正面體型分類，圍繞照片中的高度、寬度找到16個(gè)影響正面體型形態(tài)的指標(biāo)[4]，測量項(xiàng)目如表1。人體正面照片中測量位置如圖2所示。

4? ? 青年職場女性體型影響因素分析

4.1? ? 數(shù)據(jù)預(yù)處理

對(duì)原始測量數(shù)據(jù)用SPSS進(jìn)行描述統(tǒng)計(jì)分析，通過箱型圖、莖葉圖對(duì)數(shù)據(jù)集中的奇異值進(jìn)行篩選，并去除異常樣本以確保數(shù)據(jù)有效性，剔除異常數(shù)據(jù)后最終剩余200個(gè)無缺失值的有效數(shù)據(jù)，樣本有效率達(dá)96%。對(duì)樣本數(shù)據(jù)進(jìn)行正態(tài)檢驗(yàn)，經(jīng)驗(yàn)證得出樣本數(shù)據(jù)符合正態(tài)分布可以進(jìn)行因子分析及聚類分析。

4.2? ? 主成分因子分析

對(duì)江浙滬地區(qū)青年職業(yè)女性照片中獲取的16項(xiàng)體型特征指標(biāo)進(jìn)行KMO 值的適當(dāng)性度量和巴特利特球形度檢驗(yàn)，結(jié)果顯示原始KMO 取樣適切性量數(shù)為0.892（表2），說明該樣本數(shù)據(jù)具有較強(qiáng)的相關(guān)性，適合進(jìn)行因子分析。

為探究人體正面形態(tài)對(duì)正面體型分類的主要影響因子，運(yùn)用SPSS先進(jìn)行標(biāo)準(zhǔn)化處理再進(jìn)行主成分因子分析，結(jié)果見表3。從表中可以看出前5個(gè)主成分累計(jì)貢獻(xiàn)率達(dá)91.441%，特征值大于1，所以影響正面體型的主成分因子為5個(gè)。

根據(jù)表4可以對(duì)主成分因子類型進(jìn)行定義，第一個(gè)主成分在WS、WC、WW、WA及WTR上有很大的負(fù)荷，所以定義為上半身寬度因子。第二個(gè)主成分因子在DCW、DWA及DSW上有很大的負(fù)荷，可定義為橫向差值因子。第三個(gè)主成分因子主要對(duì)RSA和RTA的負(fù)荷較大，可以定義為橫向比值因子。第四個(gè)主成分因子對(duì)HR、HWA和 HSW負(fù)荷較大，可以定義為高度因子。第五個(gè)主成分因子在WTM上的負(fù)荷較大，可定義為腿部寬度因子。因此影響人體正面體型的因素主要有上半身寬度因子、橫向差值因子、橫向比值因子、高度因子及腿部寬度因子。

4.3? ? 體型聚類分析

根據(jù)表4從中選擇對(duì)每個(gè)因素貢獻(xiàn)最大的變量，即5個(gè)主成分因子WW、DWA、RSA、 HR 及RTA為體型分類的主要特征指標(biāo)，首先對(duì)主成分?jǐn)?shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化，后用K-means聚類方法對(duì)正面人體形態(tài)進(jìn)行分析，分別聚類為3類、4類、5類。當(dāng)聚類數(shù)為4時(shí)，各個(gè)類別間的均方較大，誤差均方較小，F(xiàn)值較大，聚類結(jié)果更為準(zhǔn)確。因此，將青年女性的正面體型分為4類，以肩腰寬度比、大腿根髖寬度比、腰髖寬度比為x軸、y軸及z軸將聚類結(jié)果進(jìn)行可視化，得到圖3。從圖3可以看出4種體型在肩部、腰部、大腿及髖部兩兩寬度比具有明顯的差異。

聚類結(jié)果中：1 類體型包含67個(gè)樣本，2 類體型包含 25個(gè)樣本，3 類體型包含 52個(gè)樣本，4 類體型包含 56個(gè)樣本，最終聚類分布情況見表5。4種體型分別占樣本點(diǎn)數(shù)的33.5%、12.5%、26.0%、28.0%。

為了更直觀地了解各類體型的差異，根據(jù)聚類中心找到距離聚類中心最近的體型圖片，找到最符合X、H、O、A 等4類正面代表性體型的標(biāo)準(zhǔn)身材，進(jìn)行外輪廓提取，最終得到4類正面體型如圖4所示。從圖4可以看出，將4類正面體型進(jìn)行比對(duì)發(fā)現(xiàn)：占比最多的O型體型的肩部、腰部、髖部及大腿根部比其他體型更寬；H型體型肩部、髖部基本等寬，且腰部形態(tài)曲線不明顯；A型窄肩寬髖十分明顯，同時(shí)腰部正面形態(tài)偏修長；X型作為理想身材正面形態(tài)更符合常規(guī)審美肩寬、髖寬相同，腰部曲線十分明顯。

根據(jù)上述聚類結(jié)果，總結(jié)歸納出以下4種體型中肩髖寬度比、肩腰寬度比、腰髖寬度比及大腿根髖寬度比這4個(gè)變量的范圍作為正面體型的分類規(guī)則。結(jié)果如表6所示，首先根據(jù)肩髖寬度比將A型與其他3種類型分開；然后根據(jù)肩腰寬度比將H型與X、O這2種體型分開；最后根據(jù)大腿根髖寬度比、腰髖寬度比2個(gè)變量將O型和X型分開。

為驗(yàn)證本文分類規(guī)則的有效性，邀請專家對(duì)200個(gè)樣本進(jìn)行視覺判別，與該規(guī)則體型分類結(jié)果進(jìn)行比對(duì)，比對(duì)結(jié)果見表7?？芍?，189個(gè)樣本分類正確，11個(gè)樣本分類錯(cuò)誤，準(zhǔn)確率達(dá)到 94.50%，該分類規(guī)則有效性較高，并容易實(shí)施，簡單易行，操作方便。

5? ? 結(jié)論

本文選取了208位25～35歲的青年職場女性，采用拍照方式獲取正面照片，并從照片中提取16個(gè)影響正面體型的測量參數(shù)為分析目標(biāo)。應(yīng)用SPSS軟件對(duì)樣本數(shù)據(jù)進(jìn)行主成分因子分析，得到影響青年職場女性正面形態(tài)特征的主成分因子，然后通過K-means聚類的方法對(duì)樣本數(shù)據(jù)進(jìn)行聚類得到4種正面體型的形態(tài)。對(duì)4類正面體型形態(tài)進(jìn)行分析得到以下結(jié)論。

（1）影響青年職場女性正面形態(tài)特征的因子主要有上半身寬度因子、橫向差值因子、橫向比值因子、高度因子及腿部寬度因子。（2）利用二維圖像中肩髖寬度比、肩腰寬度比、腰髖寬度比及大腿根髖寬度比這4個(gè)變量將青年職場女性的正面體型分為X型、H型、O型及A型4類，基于以上4個(gè)變量歸納出各個(gè)類型的分類規(guī)則并進(jìn)行判別分析驗(yàn)證，準(zhǔn)確率達(dá)到94.50%，證明了該分類規(guī)則的有效性。（3）新的分類規(guī)則基于女性正面形態(tài)分類法可為基于拍照的體型分類及服裝推薦系統(tǒng)提供規(guī)則支撐。

參考文獻(xiàn)

[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，鄒奉元，張渭源.女體體型識(shí)別專家系統(tǒng)的設(shè)計(jì)與實(shí)現(xiàn)[J].紡織學(xué)報(bào)，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.中國東部地區(qū)青年女性人體體型分類[J].紡織學(xué)報(bào)，2020，41（05）：134-139.

[7]于琛.基于人體表面曲線特征的青年女性上體體型分類與識(shí)別模型[D].北京：北京服裝學(xué)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，杜勁松.女性體型分類研究概述[J].國際紡織導(dǎo)報(bào)，2016，44（12）：57-61.

[10]任宇婕.青年女性上半身形態(tài)特征細(xì)分與判別 [D].武漢：武漢紡織大學(xué)，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