周奕涵, 徐一諾, 李 濤,b,c,d, 夏 馨,b,c,d

(浙江理工大學(xué) a.服裝學(xué)院; b.絲綢文化傳承與產(chǎn)品設(shè)計數(shù)字化技術(shù)文化和旅游部重點實驗室; c.浙江省服裝工程技術(shù)研究中心;d.服裝設(shè)計國家級虛擬仿真實驗教學(xué)中心,杭州 310018)

服裝個性化已成為當(dāng)前用戶日益關(guān)注的重點,依據(jù)用戶個人體貌特征給出服裝推薦建議的個性化服務(wù)已成為大眾訴求[1]。此外,網(wǎng)絡(luò)的普及使得服裝市場已從線下購買形式逐漸發(fā)展為線上線下同時銷售的形式[2],而線上服裝無法試穿的問題一定程度上制約著服裝電子商務(wù)的發(fā)展。對此,國內(nèi)外眾多學(xué)者進(jìn)行服裝推薦系統(tǒng)和軟件的研究與開發(fā)。如以外觀弱特征為分類依據(jù)的服裝推薦系統(tǒng)[3],基于感知的服裝推薦系統(tǒng)[4],以體型特征和風(fēng)格需求為依據(jù)的服裝推薦與虛擬展示系統(tǒng)[5]等。然而上述服裝推薦系統(tǒng)只提供了服裝整體款式的選擇,忽略了細(xì)節(jié)部位的個性化需求。Liu等[6]構(gòu)建的牛仔褲款式推薦與樣板生成系統(tǒng),除了廓形推薦,還可調(diào)節(jié)腰高和褲長等4個細(xì)節(jié)部位;Zhu等[7]搭建的基于三維人臉掃描的西裝設(shè)計推薦系統(tǒng)中,可以進(jìn)行廓形、領(lǐng)型、面料等細(xì)節(jié)部位的挑選;任永亮等[8]建立的西裝推薦系統(tǒng)中,能夠在人體特征識別的基礎(chǔ)上實現(xiàn)西裝細(xì)節(jié)部位推薦。為了追求更佳的視覺效果,有學(xué)者還進(jìn)行了基于眼動追蹤的臉型、頸圍與不同青果領(lǐng)形態(tài)適配度研究[9]。通過上述方式得到的推薦結(jié)果,能有效提高消費(fèi)者的體驗感與滿意度。因此,根據(jù)用戶體貌特征的精準(zhǔn)個性化推薦將成為服裝推薦領(lǐng)域的新趨勢。

隨著復(fù)雜性科學(xué)研究深入,機(jī)器學(xué)習(xí)算法在紡織服裝領(lǐng)域內(nèi)的運(yùn)用愈加廣泛。如運(yùn)用Faster R-CNN模型進(jìn)行高跟鞋款式識別[10],利用SVM推薦女性服裝號型[11],通過深度神經(jīng)決策樹實現(xiàn)服裝款式推薦[12]?，F(xiàn)有研究表明,PSO-RBF神經(jīng)網(wǎng)絡(luò)算法可以通過優(yōu)化算法擬合兩個因素之間的復(fù)雜關(guān)系,實現(xiàn)輸入值由低維向高維空間的映射[13],以提高數(shù)據(jù)預(yù)測的準(zhǔn)確率[14-15];PSO-LSSVM算法在樣本量較少的情況下,仍有較高的擬合能力與預(yù)測精確度[16]。因此,本文將分別選用PSO-RBF算法與PSO-LSSVM算法進(jìn)行預(yù)測。

人體著裝時,衣領(lǐng)接近頭部易成為視覺焦點,根據(jù)臉型挑選合適領(lǐng)型的服裝能起到美化缺陷、突出優(yōu)點的視覺作用。因此,本文從男性臉型分類和常見男西裝領(lǐng)型出發(fā),旨在研究臉型與領(lǐng)型之間復(fù)雜的適配性視覺關(guān)系。首先分別對男性臉型與男西裝領(lǐng)型進(jìn)行特征提取與分類,隨后通過主觀問卷調(diào)研獲得不同從業(yè)者對于不同臉型與領(lǐng)型組合搭配的視覺評價分?jǐn)?shù),對獲得數(shù)據(jù)進(jìn)行分類描述、統(tǒng)計分析、相關(guān)性分析等;分析不同臉型搭配不同男西裝領(lǐng)型的適配性,通過PSO-LSSVM算法建立臉型與領(lǐng)型組合搭配的視覺適配度評價預(yù)測模型;并與PSO-RBF神經(jīng)網(wǎng)絡(luò)算法比較,得出最優(yōu)的臉型與領(lǐng)型適配度預(yù)測模型,從而實現(xiàn)不同男子臉型搭配一定男西裝領(lǐng)型時的視覺效果預(yù)測,以此作為西服領(lǐng)型推薦參考依據(jù)。

1 實驗樣本準(zhǔn)備

1.1 男性臉型特征提取與分類

1.1.1 下頜線特征提取與分類

本文以下頜輪廓特征點為依據(jù)[17],通過方程擬合和均方誤差計算、比較,將下頜線分為尖形、平形、圓形3類,如圖1所示。

1.1.2 面部軸向比例特征提取與分類

在測量形態(tài)面長、顳面寬、面寬與下頜寬的基礎(chǔ)上,本文以顳面指數(shù)F(顳面寬與面寬之比)、顴下頜寬指數(shù)G(下頜寬與面寬之比)、形態(tài)面指數(shù)Z(形態(tài)面長與面寬之比)這3項數(shù)據(jù)作為分類依據(jù)[18],建立圓形、方形、長形、瓜子4種常見臉型。面部測量示意如圖2所示,分類準(zhǔn)則如表1所示。

表1 面部軸向特征分類準(zhǔn)則

圖2 面部測量示意

1.1.3 男性臉型分類結(jié)果

為控制影響因素,本文將頸部尺寸作為不變量,取中間體頸部尺寸(頸根圍37.5 cm)[19],對下頜線和軸向面部結(jié)果2個因素進(jìn)行交叉組合,共得12種臉型,如表2所示。

1.2 男西裝領(lǐng)型特征提取與分類

1.2.1 男西裝領(lǐng)型特征提取

西裝領(lǐng)也稱為翻駁領(lǐng),其變化主要是由翻領(lǐng)、串口線、駁頭、駁口線、駁點和刻口造型等要素共同影響決定的[20-21]。根據(jù)縱橫向視覺影響效果與流行的固定西裝造型搭配,選定本次領(lǐng)型分類的主要特征因素為駁頭寬度、門襟開合量、扣子數(shù)量。其中將駁頭寬度分為寬駁頭(8.5 cm)、正常駁頭(7.0 cm)、窄駁頭(5.5 cm)3種[9];將門襟開合量和扣子數(shù)量分為單排一?？?、單排兩?？?、單排三粒扣和雙排兩?？邸㈦p排四?？?、雙排六?？?種,均采用平駁領(lǐng)造型。此外再加入正常駁頭的單排一?？矍喙I(lǐng)和正常駁頭的雙排六粒扣戧駁領(lǐng)2類西裝領(lǐng)型。

1.2.2 男西裝領(lǐng)型分類結(jié)果

通過對駁頭寬度、門襟開合量、扣子數(shù)量3個款式特征的提取與交叉組合,共得到18種領(lǐng)型。再加上正常駁頭的單排一?？矍喙I(lǐng)和正常駁頭的雙排六?？蹜犟g領(lǐng)2類西裝領(lǐng)型,一共20種領(lǐng)型,分類結(jié)果如表3所示。

表3 男西裝領(lǐng)型分類

1.3 制作實驗樣本

將上述男性臉型分類結(jié)果與男西裝領(lǐng)型分類結(jié)果交叉組合后,利用CLO 3D、Photoshop與富怡CAD軟件生成240個分類結(jié)果。本文以臉型為變量將結(jié)果分為12大組,以“下頜線×軸向比例”的格式對組別進(jìn)行命名,如尖形下頜線的圓形臉,可命名為“尖×圓”;隨后以駁頭寬度為變量分為“窄”“正?！薄皩挕?類,再按照門襟開合量分為“單”“雙”2類,每張實驗圖從左到右,西裝的扣子數(shù)量依次增加。圖片將以“-”連接各個變量分組名稱來命名,數(shù)字表示扣子數(shù)量。

主觀問卷實驗共為12大組,每組6張圖,每張圖3個男子虛擬試穿模型(在“正常”小組中,每張圖有4個男子虛擬試穿模型,為正常駁頭內(nèi)加入的2種領(lǐng)型),共72張圖。部分實驗樣本如圖3所示。

圖3 部分實驗樣本

2 臉型與男西裝領(lǐng)型適配度主觀評價實驗

2.1 主觀評價實驗內(nèi)容

為初步獲得男子臉型與男西裝領(lǐng)型適配度之間的視覺關(guān)系,并獲取用于建立PSO-LSSVM預(yù)測模型的樣本數(shù)據(jù),本文設(shè)立主觀問卷實驗。

使被試者分別觀察上述72張實驗圖片中穿著不同領(lǐng)型男西裝的虛擬模特,并對其臉型與領(lǐng)型之間的視覺效果進(jìn)行滿意度評價。實驗中,被試者每觀看24張實驗圖片休息1次,休息時間為2 min。該主觀評價采用李克特量表[22]進(jìn)行,最低分為1分,代表“非常不合適”,最高分為5分,代表“非常合適”。本次問卷共回收116份,有效問卷100份。其中男性占比32%,女性占比68%;年齡為18～25周歲,服裝專業(yè)與非服裝專業(yè)人數(shù)約為1︰1。

2.2 主觀評價結(jié)果分析

采用SPSS軟件對問卷分別進(jìn)行統(tǒng)計分析。由信度分析結(jié)果可知,本次視覺評價實驗的Alpha為0.981,信度值高;對所有樣本采用S-W檢驗,其顯著性P值為0.061,數(shù)據(jù)滿足正態(tài)分布。

以臉型為分類依據(jù),對樣本進(jìn)行均值描述性分析,可知各臉型與領(lǐng)型適配度評分詳情。其中,各臉型適配度高的前2種西裝領(lǐng)型和適配度低的后2種西裝領(lǐng)型結(jié)果如表4所示。

表4 基于臉型的西裝領(lǐng)型適配度排序

由表4排序結(jié)果表明,圓形臉適合正常及偏窄駁頭的單排扣男西裝領(lǐng)型;方形臉適合正常及偏寬駁頭的雙排扣男西裝領(lǐng)型;長形臉適合正常駁頭的男西裝領(lǐng)型;瓜子臉對于各西裝領(lǐng)型的適配度均較高;任何臉型搭配單排一?？?即駁點位置很低的男西裝,其視覺適配度都較低。

3 PSO-LSSVM預(yù)測模型構(gòu)建

3.1 LSSVM算法

LSSVM是對標(biāo)準(zhǔn)SVM的改進(jìn)算法之一。LSSVM模型將SVM模型中不等式約束改成了等式約束,將誤差平方和損失函數(shù)作為訓(xùn)練集的經(jīng)驗損失,把二次規(guī)劃問題轉(zhuǎn)化為求解線性方程組[23],簡化了求解過程。優(yōu)化問題公式如下:

(1)

式中:ω為權(quán)值系數(shù)向量,γ為懲罰系數(shù),ei為回歸誤差。

構(gòu)造拉格朗日函數(shù)進(jìn)行求解,最終決策函數(shù)表示如下:

(2)

式中:αi為拉格朗日乘子,K(x,xi)為核函數(shù)。

根據(jù)數(shù)據(jù)特征,核函數(shù)選用RBF徑向基函數(shù),公式如下:

(3)

3.2 PSO算法

PSO算法是一種基于群體智能的全局隨機(jī)搜索算法[24],具有相當(dāng)快的逼近最優(yōu)解的速度,可有效優(yōu)化系統(tǒng)參數(shù)。在每次迭代中,粒子通過個體極值和全局極值更新速度和位置,公式如下:

(4)

(5)

式中:i為粒子個數(shù),t為迭代次數(shù),ωt為慣性因子,c1、c2為學(xué)習(xí)因子,r1、r2為[0,1]的任意值,pbest為個體最優(yōu)解,gbest為群體最優(yōu)解,vi為第i個粒子的飛行速度,xi為第i個粒子的空間位置。

3.3 基于PSO-LSSVM算法的適配度預(yù)測模型

LSSVM建模過程中,對預(yù)測結(jié)果影響較大的參數(shù)為懲罰系數(shù)γ和核函數(shù)參數(shù)σ[25]。為使LSSVM模型的性能達(dá)到最優(yōu),本文選用PSO算法優(yōu)化懲罰參數(shù)與核函數(shù)參數(shù)。具體的PSO-LSSVM算法模型框架和訓(xùn)練步驟如圖4所示。

圖4 PSO-LSSVM模型流程示意

輸入層共10個參數(shù),分別為下頜線類型、顳面指數(shù)(F)、下頜寬指數(shù)(G)、形態(tài)面長指數(shù)(Z)、駁頭寬度、駁口線長度、駁口距離、門襟開合量、紐扣數(shù)量、刻口造型。輸出層共1個參數(shù),為適配度視覺評分。

輸入前先對數(shù)據(jù)歸一化處理,消除數(shù)據(jù)之間的差異性。其中對于下頜線類型、門襟開合量與刻口造型3個參數(shù)處理情況如下:數(shù)值0.00表示尖形下頜、單排扣門襟、青果領(lǐng);數(shù)值0.50表示平形下頜、平駁領(lǐng);數(shù)值1.00表示圓形下頜、雙排扣門襟、戧駁領(lǐng)。前10組樣本數(shù)據(jù)如表5所示。

表5 前10組樣本數(shù)據(jù)

建立PSO-LSSVM預(yù)測模型時,為使數(shù)據(jù)集有一定的隨機(jī)性,本文將240組樣本進(jìn)行隨機(jī)打亂處理,取其中前215組為訓(xùn)練集,后25組為測試集。PSO算法參數(shù)設(shè)置如下[26]:學(xué)習(xí)因子c1=1.5、c2=1.7,種群進(jìn)化代數(shù)N=300,種群規(guī)模M=30,慣性權(quán)重ω=0.5。圖5為參數(shù)調(diào)優(yōu)過程中的適應(yīng)度變化曲線,可得訓(xùn)練過程中適應(yīng)度曲線經(jīng)多次迭代逐漸達(dá)到收斂,當(dāng)學(xué)習(xí)了17次時達(dá)到最佳,此時適應(yīng)度值為0.006 024。

圖5 適應(yīng)度曲線

3.4 預(yù)測結(jié)果與分析

為評估模型在預(yù)測適配度評分時的有效性和精確性,本文采用均方根誤差(RMSE)和平均絕對誤差(MAE)來衡量預(yù)測值和實際值之間的偏差,計算公式如下:

(6)

式中:m為樣本數(shù)量,f(xi)為樣本的預(yù)測值,yi為樣本的實際值。

為驗證模型有效性,本文選用PSO-RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行比較,其中PSO算法參數(shù)設(shè)置如下[27]:學(xué)習(xí)因子c1=c2=1.449 5,種群進(jìn)化代數(shù)N=200,種群規(guī)模M=20,初始慣性權(quán)重ω=0.9,最終慣性權(quán)重ω=0.3。PSO-RBF神經(jīng)網(wǎng)絡(luò)算法與PSO-LSSVM算法預(yù)測結(jié)果曲線如圖6所示,對比可知,PSO-LSSVM算法的預(yù)測值要比PSO-RBF神經(jīng)網(wǎng)絡(luò)算法更接近實際值,具有更好的預(yù)測效果。誤差指標(biāo)如表6所示,可見PSO-LSSVM模型的平均絕對誤差和均方根誤差均比PSO-RBF神經(jīng)網(wǎng)絡(luò)低,預(yù)測精度比神經(jīng)網(wǎng)絡(luò)高,表明預(yù)測效果更為理想。

表6 兩種預(yù)測模型誤差結(jié)果

圖6 預(yù)測輸出曲線對比

4 結(jié) 論

本文以下頜線特征與面部軸向比例為依據(jù)將男性臉型分為12類,為男性臉型分類提供了一種基于非接觸式測量的思路,也為基于機(jī)器學(xué)習(xí)的臉型識別研究提供了參考依據(jù)。從主觀問卷收集臉型搭配西裝領(lǐng)的著裝效果評價,可知不同臉型適配的西裝領(lǐng)型有所不同,可為消費(fèi)者選購西服提供新的思路。

在主觀問卷適配度評分的調(diào)查結(jié)果基礎(chǔ)上,建立了男性臉型與男西裝領(lǐng)型適配性的PSO-LSSVM預(yù)測模型,并與PSO-RBF神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對比。結(jié)果表明:PSO-LSSVM算法均方根誤差為0.077 6,平均絕對誤差為0.057 3;相對于PSO-RBF神經(jīng)網(wǎng)絡(luò)算法,均方根誤差降低0.041 1,平均絕對誤差降低0.037 6。說明PSO-LSSVM模型預(yù)測精度更高,效果更為理想。該算法模型為男西服款式推薦提供了一種依據(jù)用戶臉型實現(xiàn)的新思路。

《絲綢》官網(wǎng)下載

中國知網(wǎng)下載