基于小波系数的青年女性体型分类及原型纸样

姚 怡， 马 静， 吴 欢， 李秦曼， 邹奉元,2(. 浙江理工大学 服装学院， 浙江 杭州 3008； 2. 浙江省服装工程技术研究中心， 浙江 杭州 3008)

基于小波系数的青年女性体型分类及原型纸样

姚 怡1， 马 静1， 吴 欢1， 李秦曼1， 邹奉元1,2
(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)

为建立基于纵截面曲线形态指标细分青年女性躯干体型的方法，选择了257名在校青年女性，使用扫描仪获得三维人体数据，借助Imageware逆向工程软件，对人体点云数据进行精简处理，通过三次样条函数对提取的纵截面轮廓点云数据进行拟合，运用小波去噪进行处理；利用小波分析的低频系数作为提取信号的总体特征，用Davies-Bouldin指标确定最佳聚类数目，利用K-means聚类算法进行体型聚类，获得4类不同的体型，描述了各类体型在前后中心线、背部、胸部、臀部、肩部和侧缝的体型特征差异；最后构建4类体型对应的原型纸样，并分析纸样与人体体型间的关系，可为青年女性原型纸样的合体性设计提供参考。

纵截面曲线； 小波去噪； 小波分解； 原型纸样； 女青年体型分类

现行的国家号型标准按照胸腰差进行人体体型分类，能区分人体的横向围度体型特征差异。服装行业在服装结构设计方面也主要依赖于国标，只考虑人体尺寸数据，忽略人体体表曲线形态的差异，造成服装的合体性较差[1]。服装的前中线、后中线等都与人体的纵截面曲线形态紧密联系，通过分析纵截面曲线形态进行人体体型细分，可为服装结构设计提供较完整的体型控制部位信息，满足消费者对于服装的合体性需求。

目前，国内外学者从尺寸参数、体表角度、正侧面轮廓、不同年龄段等方面对人体体型展开研究。Simmons等[2]通过对体型特征胸围、腰围、臀围、上腹围、腹围的数值把人体体型分为沙漏型、椭圆型、三角型、倒三角型、矩形、菱型、匙型、正沙漏型、倒沙漏型9种，同时每个体型被赋予了一个数值范围；Chung等[3]采用二阶聚类分析方法，按照年龄、性别和服装号型，将中小学生的体型分为9种类型。Choi等[4]利用人体体侧角对人体侧面体型形态进行表征，并将人体侧面体型分为4类。关于不同人体体型的分析研究有很多，但关于体表曲线形态的研究，尤其是与服装结构紧密联系的纵截面曲线，虽已有学者对其进行量化研究[5]，但主要还是集中于局部特征的研究，并未进行人体截面轮廓曲线的整体形态研究。

本文主要研究青年女性纵截面特征曲线之间的形态差异，对躯干体型进行分类研究。利用三维人体测量技术及逆向工程软件处理原始点云数据；通过拟合去噪得到光顺的纵截面轮廓曲线，建立运用小波系数进行青年女性体型细分的方法， 构建与体型对应的原型纸样。

1 实验部分

1.1 人体数据采集

选取257名年龄为18～25岁的在校青年女大学生作为实验对象。采用美国[TC]2的三维人体测量仪，测量温度为(27±3)℃，相对湿度为(60±10)%，符合裸体测量的环境标准。

服装的主要结构特征线，如前中线、后中线、过胸高点曲线等，都与人体正矢状面、过胸高点矢状面等纵截面曲线形态紧密相关。本文通过人体特征点位置提取人体纵截面轮廓曲线点云数据，包括正矢状面、过胸高点矢状面、过背凸点矢状面、过臀凸点矢状面、冠状面的表面轮廓曲线点云数据。

在三维人体测量的基础上，利用Imageware逆向工程软件对人体点云数据进行精简处理，去除头部及四肢，保留人体躯干部分。根据 GB/T 16160—2008《服装用人体测量的部位与方法》，运用几何形状分析法[6]根据局部极值判断特征点所在位置进行纵截面曲线点云数据的自动抽取。

1.2 人体数据预处理

最小二乘法和样条曲线拟合法是曲线拟合中较为传统与常用的方法。最小二乘法虽然简单，计算量小，但当拟合阶数逐渐增大时，拟合曲线易出现震荡现象，因此该方法对非线性函数进行多项式拟合效果并不理想[7]。三次样条拟合曲线光滑度较好，且当节点加密时，其函数值在整体上能很好地逼近被插函数，因此，本文运用三次样条函数拟合相应的纵截面轮廓曲线点云数据。

由于三维人体扫描所测得点云数据存在噪声，人体纵截面轮廓曲线点云数据可能会出现噪点、杂点、孔洞等形态，造成拟合曲线表面不平整。为便于曲线的量化分析，需对纵截面轮廓曲线进行去噪处理。

运用小波去噪法[8]，实际获得的点云数据含有误差，这种由物理测量带来的误差可近似地认为均值为0，且方差未知的高斯噪音。方差的大小可通过信号小波分解后高频信息进行估计。在实际操作中，调用MatLab中的ddencmp函数估计噪音方差，并获得阈值大小；然后采用wdencmp函数进行去噪，得到光顺的人体纵截面曲线，如图1所示。图中拟合曲线 1～7分别为: 正矢状面前中心线、正矢状面后中心线、过胸高点矢状面拟合曲线、过背凸点矢状面拟合曲线、过臀凸点矢状面拟合曲线、肩部冠状面拟合曲线、侧缝冠状面拟合曲线。

图1 人体躯干纵截面曲线Fig.1 Body longitudinal section curve.(a)Sagittal plane; (b)Coronal plane

2 数据处理与分析

2.1 小波系数提取

纵截面曲线通过去噪后得到一个点列，记为c=(c[1]，c[2]，…,c[n])T。

采用Daubechies 4阶正交小波[9]对点列作4层小波分解，提取小波系数的低频部分信息作为该曲线的整体特征。以7条纵截面曲线的小波系数作为分类的依据，如表1所示。数学上得到257个70×1的向量。其中，1～10表示过胸高点矢状面拟合曲线的小波系数，11～20表示过背凸点矢状面拟合曲线的小波系数，21～30表示过臀凸点矢状面拟合曲线的小波系数，31～40表示正矢状面前中心线的小波系数，41～50表示正矢状面后中心线的小波系数，51～60表示肩部冠状面拟合曲线的小波系数，61～70表示侧缝冠状面拟合曲线的小波系数。

表1 小波系数Tab.1 Coefficient of wavelet

经小波去噪后的曲线变化趋势与人体轮廓曲线的变化趋势总体相似。不同人体的曲线形态不同，这些曲线对应的低频信息能反映个体间存在的差异性。根据人体纵截面轮廓曲线的低频小波系数差异，采用聚类的方法依据b1,b2,…,b257进行体型分类。

2.2 纵截面体型分类

聚类分析中的K-means聚类[10]算法处理数据快、适合大样本处理，但须预先给定聚类数目作为先验值，而人体体型的分类数目未知，故本文利用Davies-Bouldin指标[11]作为判别函数来确定最佳K值，计算公式为

式中：K为聚类数目；Wi表示类Ci中的所有样本到其聚类中心的平均距离，Wj表示类Ci中的所有样本到类Cj中心的平均距离，Cij表示类Ci和Cj的类间距离。可看出，D越小表示类与类之间的相似度越低，从而对应越佳的聚类结果。

测试样本数: 257

K值测试范围：1，2，3，4，5，6，7，8，9，10

D值: 1.075 0，0.992 4，0.980 5，1.172 0，1.220 3，1.348 8，1.420 2，1.380 4，1.444 6

最佳K值: 4

D指标值越小表示聚类效果越好，当聚类数目为4时，D指标值为0.980 5，此时D指标最小获得最优的聚类数目。将257个研究样本分为4类，每类中人体分别有124个、29个、93个、11个。将各类体型的人体数据从人体数据库中进行筛选，选取各类的典型人体纵截面轮廓曲线，对比分析4类人体纵截面轮廓曲线的差异，其体型分类特征如表2所示；截面轮廓曲线如图2所示。在国标基础上，根据人体纵截面曲线形态进行人体体型的细分，人体体型细分后的样本分布如表3所示。

表2 体型分类特征表Tab.2 Features of classification

分析4类细分体型的体型特征，将4类人体特征运用于服装结构设计，提高服装的合体性。实验样本中，160/84A号型有23名，样本量最多，其中第Ⅰ类有6名、第Ⅱ类有5名、第Ⅲ类有7名、第Ⅳ类有5名，因此，以160/84A的4类细分体型对应的尺寸如表4所示，采用文献[12]中的原型(东华和文化服装原型也都可以)来构建细分体型的原型纸样。

图2 第Ⅰ～Ⅳ类截面曲线Fig.2 Longitudinal section cure from class Ⅰ to class Ⅳ.(a)Class I sagittal plane; (b) Class Ⅰ coronal plane;(c)Class Ⅱ sagittal plane; (d)Class Ⅱ coronal plane; (e)Class Ⅲ sagittal plane; (f)Class Ⅲ coronal plane;(g)Class Ⅳ sagittal plane; (h)Class Ⅳ coronal plane

表3 细分体型在国标体型中的样本分布Tab.3 Sample distribution of body shape classification in national standard

注：占比1表示样本在所属国标类型所占比例；占比2表示样本在总样本所占比例。

第Ⅰ类人体体型较为椭圆，胸部胖扁，腰围较大，导致纸样前腰省量减小；背长较长，导致纸样后中线略长。第Ⅱ类人体体型较为圆润，胸部瘦挺，纸样的前腰省量增加；人体小肩宽略长，导致纸样肩线略长。第Ⅲ类人体体型较为匀称，胸围略大，纸样的前腰省量增加；人体胸宽略窄，导致纸样胸宽量略小；人体胸高长度略短，导致纸样BP点靠近袖窿深线。第Ⅳ类人体体型较为扁平，胸部瘦扁，前腰省量减小；人体除胸围外，其余尺寸与第Ⅲ类人体相同，因此纸样变化相同。

表4 不同体型尺寸表Tab.3 Size table of different body shape

在实际设计纸样时，可利用人体纵截面曲线特征，进一步完善纸样。如根据人体后中心线，第Ⅲ类人体腰部位置凹陷，如有后中分割线，纸样腰部背省量最大；第II类人体臀部位置后翘，后中分割线臀部需放量并超过后中线等等。

3 结 论

1)采用3次样条函数拟合人体纵截面轮廓曲线，并进行小波去噪，得到光顺的体表纵截面曲线。利用小波分解提取人体纵截面轮廓曲线的小波系数，曲线对应的低频信息能反映个体体型之间存在的差异性。

2)利用Davies-Bouldin指标确定最佳分类数目，运用K-means聚类算法，在国标体型中进行体型的纵向细分，获得了特征明显的4类体型。

3)以160/84A号型为例，根据细分为4类体型对应的人体背长、胸围、腰围、小肩宽、胸高等尺寸，调整原型纸样的衣长、腰省大小、肩省大小等，构建了相同号型人体细分体型、获得相应原型的方法。

FZXB

[1] 钱晓农, 尹兵. 基于三维人体测量的人体体型细分识别的研究[J]. 纺织学报, 2011, 32(2):107-111.

QIAN Xiaonong，YIN Bing. Research on subdividing of human body recognition based on 3-D body measure-ment[J]. Journal of Textile Research, 2011, 32(2):107-111.

[2] SIMMONS K, ISTOOK C L.Female figure identification technique (FFIT) for apparel: part II: development of shape sorting software[J]. Journal of Textile & Apparel Technology & Management, 2004, 4(1):1-14.

[3] CHUNG M J, LIN H F, WANG M J J. The development of sizing systems for Taiwanese elementary- and high-school students[J]. International Journal of Industrial Ergonomics, 2007, 37(8):707-716.

[4] CHOI Y L, YUN J N. Classification of upper lateral body shapes for the apparel industry[J]. Human Factors & Ergonomics in Manufacturing, 2010, 20(5):378-390.

[5] 倪世明, 金娟凤, 庞程方,等. 基于纵向轮廓曲线的青年女性体型细分研究[J]. 纺织学报, 2014, 35(8):87-93.

NI Shiming，JIN Juanfeng，PANG Chengfang，et al. Research of young female somatotype based onlongitudinal profile curves[J]. Journal of Textile Research, 2014, 35(8):87-93.

[6] 葛宝臻, 郭华婷, 彭博,等. 基于人体特征提取的模特体型尺寸自动测量方法[J].纺织学报,2012, 33(4):129-135.

GE Baozhen，GUO Huating，PENG Bo, et al. Automatic model style measurement based on automatic body feature extraction from 3-D scanning data[J]. Journal of Textile Research, 2012, 33(4):129-135.

[7] 盛仲飚，同晓荣.BP神经网络在曲线拟合中的应用[J].科学技术与工程，2011，11(28): 6998-7000．

SHENG Zhongbiao，TONG Xiaorong. The application of BP meural networks in curve fitting[J]. Science Technology and Engineering，2011，11 (28): 6998-7000．

[8] DONOHO D L. De-noising by soft-thresholding[J]. IEEE Transactions on Information Theory,1995, 41(3):613-627.

[9] MOHAMED M, DERICHE M. An approach for ECG feature extraction using daubechies 4 (DB4) wave-let[J]. International Journal of Computer Applications, 2014, 96(12):36-41.

[10] 方方, 王子英. K-means聚类分析在人体体型分类中的应用[J]. 东华大学学报(自然科学版), 2014, 40(5):593-598.

FANG Fang, WANG Ziying. Application of K-means clustering analysis in the body shape classifica-tion[J]. Journal of Donghua University(Natural Science), 2014, 40(5):593-598.

[11] WANG G, WANG Z, CHEN W, et al. Classification of surface EMG signals using optimal wavelet packet method based on Davies-Bouldin criterion[J]. Medical & Biological Engineering & Computing, 2006, 44(10):865-87.

[12] 朱秀丽, 吴巧英. 女装结构设计与产品开发[M]. 北京：中国纺织出版社, 2011:71-73.

ZHU Xiuli, WU Qiaoying. Pattern Making and Product Development of Women′s Wear [M]. Beijing: China Textile & Apparel Press, 2011:71-73.

Youngfemalebodyshapeclassificationandprototypepatternsbasedonwaveletcoefficient

YAO Yi1， MA Jing1， WU Huan1， LI Qinman1， ZOU Fengyuan1,2
(1.FashionCollege,ZhejiangSci-TechUniversity,Hangzhou,Zhejiang310018,China; 2.ProvincialResearchCenterofClothingEngineeringTechnology,Hangzhou,Zhejiang310018,China)

In order to establish a method of subdividing young female′s torso shapes based on the morphology of the longitudinal section curve, 257 young college female students were selected. 3-D human body was acquired by a scanner. Point cloud data of human body was simplified using reverse engineering software of Imageware. Point cloud data of longitudinal section profile curve was fitted by the cubic spline function, and subjected to wavelet denoising. Low frequency coefficient for wavelet analysis was used to extract overall characteristic of signals. As for shape clustering the K-means cluster analysis was used, and the Davies-Bouldin was used to determine the optimal class number. Human body shapes could be classified into four types. The difference on all kinds of shapes on front/back center line, back, chest and hip were described. Finally, the prototype patterns of four types of body shapes were built, and the relationships between patterns and body shapes were analyzed, which provides the reference basis for the fitness design of young female′s patterns.

longitudinal section curve; wavelet denoising; wavelet decomposition; prototype pattern; young female body shape classification

10.13475/j.fzxb.20170305405

TS 941.17

A

2017-03-27

2017-07-27

国家自然科学基金项目(11671009)；2017年浙江省大学生科技创新活动计划项目(2017R406082)

姚怡(1993—)，女，硕士生。主要研究方向为人体工程与服装数字化技术。邹奉元，通信作者，E-mail：zfy166@zstu.edu.cn。