专利名称：一种女体体型分类和识别方法
技术领域：
本发明属于一种服装设计、制造领域，具体涉及一种女体体型分类和识别方法。
背景技术：
随着时代的发展，人们物质生活的丰富，符合个人特性的服装越来越受到人们的青睐，于是服装MC(批量定制)应运而生，并逐渐成为服装行业发展的新方向。然而，由于现今在服装业通用的人体分类方法和服装标识存在着分类较粗、对人体三维立体形态反映较弱等特点，无法满足个性化服装制作的需求，往往需要依赖样板师个人经验来判断人体体型以修正样板，这不仅耗时、耗力，而且缺乏稳定性，难以达到服装MC产业化快速反应的要求。因而，建立一套女体体型细分和自动识别的体系是十分有必要的。目前，我国已有部分的服装研究人员意识到人体体型细分的科研价值，纷纷展开了相关方面的研究。具有代表性的有方方(东华大学)将男体胸、肚、腹、背、臀5个局部的矢状面特征形态进行了分类，每个局部各自分为三类，并以对应的5个矢状面形态因子作为体型特征参数分别完成判别。该体型分类方法在一定程度上实现了对人体体型的细分，然而由于用于判别的特征参数均为两人体测量点水平距离，只能反映一维界面上的人体形态。总体来说，现有的一些人体体型分类方法多采用单一的特征参数(围度、长度、或其差值)，必然导致无法从多角度来反映人体的三维立体特征，同时现有的人体体型分类方法多停留在分类本身，没有与现有的服装号型标识结合起来，其结果难以直接运用到现阶段的服装生产和销售领域中。
发明内容
本发明所要解决的技术问题是提供一种适合实际应用、与现有服装号型标识相结合、从多角度来反映人体的三维立体特征的女体体型分类方法。
本发明所要解决的另一技术问题是提供一种基于上述女体体型分类的，准确度高，实用性强，简单易用的女体体型识别方法。
本发明解决上述技术问题所采用的技术方案是该女体体型分类方法，其分类步骤为①、通过[TC2]三维测量设备测量以下女性胸部数据胸前距，下胸围前距，胸围高，下胸围高，胸前距，颈前距，前颈高，胸围高，侧颈至胸点距离，胸点至腰节，乳间距，前胸围，胸厚，胸围横长和胸围，②、利用上述的数据根据下面的公式得到描述胸部的特征参数K1，K2，K3，K4，K5，K6K1＝下胸围倾斜角度＝(胸前距-下胸围前距)/(胸围高-下胸围高)
K2＝前颈至胸角度＝(胸前距-颈前距)/(前颈高-胸围高)K3＝侧颈至胸点距离/胸点至腰节K4＝乳间距/前胸围K5＝胸矢横径比＝胸厚/胸围横长K6＝胸围③、通过[TC2]三维测量设备测量以下女性上半身侧面数据后颈点至腰节，前颈点至腰节，后颈到肩胛水平距离，后颈到肩胛垂直距离，腰后距，背宽后距，背宽线高，后腰高，下胸围倾斜角度，前颈至胸角度；④、利用上述的步骤③的数据根据下面的公式得到描述女性上半身侧面的特征参数S1，S2，S3，P1，P2S1＝曲背指数＝后颈点至腰节/前颈点至腰节S2＝肩胛凸起至后颈角度＝后颈到肩胛水平距离/后颈到肩胛垂直距离S3＝肩胛凸起至后腰角度＝(腰后距-背宽后距)/(背宽线高-后腰高)P1＝下胸围倾斜角度P2＝前颈至胸角度⑤、通过[TC2]三维测量设备测量以下女性臀部的数据臀凸，腰长，臀厚，臀横长，臀围；⑥、利用上述的步骤⑤的数据根据下面的公式得到描述女性臀部的特征参数X1，X2，X3X1＝后臀起翘角＝臀凸/腰长X2＝臀矢横径比＝臀厚/臀横长X3＝臀围⑦、通过[TC2]三维测量设备测量以下女性腹部的数据腰前距，腹前距，前腰围高，腹围高，腰围，腹圈，腰长；⑧、利用上述的步骤⑦的数据根据下面的公式得到描述女性臀部的特征参数Y1，Y2，Y3，Y4Y1＝腹凸角＝(腰前距-腹前距)/(前腰围高-腹围高)Y2＝腰围Y3＝腹围Y4＝腰长⑨、综合上述反映女性体形的四个部位的参数，通过因子分析，得到能客观反映人体体型特征的4个局部体型因子胸部形态因子、侧面形态因子、臀部形态因子、腹部形态因子，并对每个局部体型分为2-3类，得到下表
然后再结合胸腰差对女性形体进行划分，因此将女性体型类别分为3×3×3×2＝54种，分别用En来表示，其中n＝1～54，其各自含义如下表
结合国家标准GB1335-91的定义，以身高的数值为号，以胸围或腰围的数值为型，加上上述的体型类别En来表示女体体形，完成了女体体型的分类。
本发明解决上述技术问题所采用的技术方案还是一种基于上述女体体型分类方法的女体体型识别方法，采用基于BP神经网络的识别模式，其识别步骤为①将各局部体型特征参数作为训练网络的输入，邀请了10位服装专业人士对各项目进行打分判别，将得到的评判结果作为训练网络的输出，输出的离散的数值量的含义为胸部设定“扁平”＝1，“匀称”＝2，“丰满”＝3；上半身侧面“曲背”＝1，“适中”＝2，“挺胸”＝3；臀部设定“扁平”＝1，“匀称”＝2，“丰满”＝3；腹部设定“适中”＝1，“腹凸”＝2；②、根据输入输出数据的最大值和最小值对输入输出数据分别进行正规化，将标准化数据压缩到[-1，1]之间，标准化公式xi′=2*xi-mix{xi}max{xi}-min{xi}-1(i=1,2,...,262);]]>③、每个部位均有若干个样本，以70％作为训练样本，30％作为测试样本，神经元网络结构采用一个隐含层，隐含层的节点数以及学习率等各个参数如下表所示，网络结构中的三个数字依次分别代表输入层、隐含层和输出层的节点数目；
④、将以上四个子神经网络串连起来，采用若干个样本，仍然将其分为两组，70％作为训练样本，30％作为测试样本，在实验中我们仍采用一个隐含层，确定该神经网络的参数为1r＝0.05，epochs＝100000，goal＝1e-2，r＝20，模型结构为16:10:10；输入参数为下胸围倾斜角度、前颈至胸角度、侧颈至胸点距离/胸点至腰节、乳间距/前胸围、胸矢横径比、胸围、曲背指数、肩胛凸起至后颈角度、肩胛凸起至后腰角度、后臀起翘角、臀矢横径比、臀围、腹凸角、腰围、腹围、腰长，输出参数神经元网络的输出也是综合前面四个子网络的输出，这样得到一个10维的向量，每三维代表对一个部位的评分，对于某个部位的分类根据与这个部位相关的三个输出节点中最大值的节点进行判别，最后综合四个部位的输出作为最终结果，从而建立能综合反映人体体型识别的神经网络系统；⑤、最后，验证测试样本与神经网络输出值做比较。
本发明同现有技术相比具有以下优点及效果1)用于各局部体型分类和识别的特征参数均为多个，来源于不同截面形态，能充分反映各局部的三维体型特征。2)特征参数基本为比值和角度值，重在考察人体体型外观形态的相似性，与反映体型长度、围度大小的号型互为补充，易于结合形成新的号型标注——“号/型+局部体型因子”，为服装生产者和消费者接受。3)通过BP神经网络的内在学习功能，模拟了专家进行体型识别的过程，使评判的结果更客观、更合理、更稳定。同时结合三维测量设备，可实现对个体体型的快速识别，经实践证明，准确率在85％以上。
利用该女体分类和识别方法，服装企业既能全面的了解目标消费群的体型特征，又可快速获得需要定制服务的个性消费者体型信息，以便于合理安排服装生产号型，降低生产成本。而对消费者来说，体型的细分也使消费者在购买服装时有了明确的选择标准，可大大减少试衣的时间，更为网上购物提供了便利。
具体实施例方式
下面结合实施例对本发明做进一步的详细说明，以下实施例是对本发明的解释而本发明并不局限于以下实施例。
实施例本实施例分为女体体型分类方法和识别方法两个部分，以下部分描述了本发明的女体体型分类方法通过因子分析，得到能客观反映人体体型特征的4个局部体型因子(胸部形态因子、侧面形态因子、臀部形态因子、腹部形态因子)，并对每个局部体型分为2-3类。
依据全面反映人体三维形态特征的原则，根据服装制作的实际需求，为每个体型因子设定多个特征参数。该4组共16个特征参数大多为角度值或比例值，并可通过[TC2]三维测量设备直接或间接得到。具体设置如下描述胸部部位的特征参数为K＝{K1，K2，K3，K4，K5，K6}＝{下胸围倾斜角度，前颈至胸角度，侧颈至胸点距离/胸点至腰节，乳间距/前胸围，胸矢横径比，胸围}。
其中下胸围倾斜角度和前颈至胸角度反映了乳房部位的挺度，计算公式为下胸围倾斜角度＝(胸前距-下胸围前距)/(胸围高-下胸围高)；前颈至胸角度＝(胸前距-颈前距)/(前颈高-胸围高)；侧颈至胸点距离/胸点至腰节反映了乳房的高度位置，乳间距/前胸围反映两乳房的朝向，胸矢横径比＝胸厚/胸围横长，反映了胸部的丰满度。
描述人体上半身侧面的特征参数为S＝{S1，S2，S3，P1，P2}＝{曲背指数，肩胛凸起至后颈角度，肩胛凸起至后腰角度，下胸围倾斜角度，前颈至胸角度}。
其中曲背指数S1＝后颈点至腰节/前颈点至腰节来表示，S1越大，表示侧面体型特征是脊柱前曲，背部有隆起的趋势，相应的胸部较扁平；反之，S1越小，表示侧面体型特征是脊柱较挺直、挺胸，相应地背部较扁平。
肩胛凸起至后颈角度、肩胛凸起至后腰角度反映背部的凸起程度，公式分别为肩胛凸起至后颈角度＝后颈到肩胛水平距离/后颈到肩胛垂直距离；肩胛凸起至后腰角度＝(腰后距-背宽后距)/(背宽线高-后腰高)；下胸围倾斜角度和前颈至胸角度，反映挺胸的程度。
描述臀部的特征参数为X＝{X1，X2，X3}＝{后臀起翘角，臀矢横径比，臀围}。
其中后臀起翘角＝臀凸/腰长，是裤子后档斜线设计时的参数，它能很好地反映臀部起翘形状；臀矢横径比＝臀厚/臀横长代表臀部的深度信息，对于相同的臀围，如果臀矢横径比大，表明臀部较挺，骨盆较窄；如果臀矢横径比小，表明臀部较扁，骨盆较宽。
描述腹部形态的参数为Y＝{Y1，Y2，Y3，Y4}＝{腹凸角，腰围，腹围，腰长。
其中腹凸角＝(腰前距-腹前距)/(前腰围高-腹围高)。
综上所述，女性体型特征参数选择的最终结果是下胸围倾斜角度、前颈至胸角度、侧颈至胸点距离/胸点至腰节、乳间距/前胸围、胸矢横径比、胸围、曲背指数、肩胛凸起至后颈角度、肩胛凸起至后腰角度、后臀起翘角、臀矢横径比、臀围、腹凸角、腰围、腹围、腰长，这样就从不同的方位对人体体型加以描述，充分反映人体体型的多维性特征。两个个体只要她们这些体型特征指标的值相似，那么就可认为两者体型相似。
根据所选取的体型因子及其特征参数，以及对各人体局部体型特征的分类，从理论上将女体体型细分为54类，并结合现行的服装号型体系，提出-种新的服装号型标注“号/型+局部体型因子”，具体定义为a、号/型的概念沿用GB1335-81的定义，即身高的数值为号，以胸围(或腰围)的数值为型；b、局部体型因子针对胸部、上半身侧面、臀部、腹部等四个部位对女体体型进行分类，然后再结合胸腰差对女性形体进行划分，因此体型分类数理论上共有3×3×3×2＝54种，分别用En来表示，其中n＝1～54，其各自含义如下表
以下部分描述了本发明的女体体型识别方法由于人体体型是由人体长度、围度、角度等综合因素构成，因而对人体体型的识别过程实际是对这些因素的一个模糊综合评判的过程，依赖人力是难以完成实时、客观、有效的识别。
本发明所采用基于BP神经网络的识别模式，具体步骤如下通过训练为每个局部体型构建子神经网络。
1)将各局部体型特征参数作为训练网络的输入，邀请了10位服装专业人士对各项目进行打分判别，将得到的评判结果(如扁平)作为训练网络的输出；由于神经网络只能接受数值信息，而不能接受语言信息，因而将语言变量转化为离散的数值量，如设定“扁平”＝1，“匀称”＝2，“丰满”＝3，或设定“适中”＝12)为了校正不同神经元输入对学习过程的影响以及防止相应函数的饱和，根据输入输出数据的最大值和最小值对输入输出数据分别进行正规化，将标准化数据压缩到[-1，1]之间。
标准化公式
xi′=2*xi-mix{xi}max{xi}-min{xi}-1(i=1,2,...,262)]]>对于胸部、侧面、臀部等部位体型识别的训练中按照专家给出的评价得到三类，分别为“扁平”、“适中”、“丰满”，各个输入参数按正规化方法将它们映射到[-1，1]之间。该神经元网络的输出层采用三个节点，对于三个类别其目标输出分别是[+1，-1，-1]，[-1，+1，-1]，[-1，-1，+1]，对于腹部部位，按照专家给出的评价结果分为两类，分别为“适中”、“腹凸”。各个输入参数按正规化方法将它们映射到[-1，1]之间。该神经元网络的输出层采用一个节点，对于两个类别其目标输出分别是{+1，-1}。将输出结果中，最大值输出所对应的类别作为分类的类别。
依照前面所述的对网络模型的确定方法，每个部位均有262个样本，仍以70％作为训练样本，共有183个样本；30％作为测试样本，共有79个样本。神经元网络结构采用一个隐含层，隐含层的节点数以及学习率等各个参数如下表所示，网络结构中的三个数字分别代表输入层、隐含层和输出层的节点数目。
经过验证，四个部位的训练样本及测试样本的准确率均在85％以上，其中对胸部、臀部和腹部的识别均达到90％以上，具有较好的预测效果。
构造综合识别神经网络将以上四个子神经网络串连起来，建立能综合反映人体体型识别的神经网络系统。采用262个样本，仍然将其分为两组，70％作为训练样本，共有183个样本；30％作为测试样本，共有79个样本。在实验中我们仍采用一个隐含层。
(1)输入参数下胸围倾斜角度、前颈至胸角度、侧颈至胸点距离/胸点至腰节、乳间距/前胸围、胸矢横径比、胸围、曲背指数、肩胛凸起至后颈角度、肩胛凸起至后腰角度、后臀起翘角、臀矢横径比、臀围、腹凸角、腰围、腹围、腰长。
(2)输出参数神经元网络的输出也是综合前面四个子网络的输出，这样得到一个10维的向量，每三维代表对一个部位的评分，例如，某人胸部形态为匀称，侧面形态为适中，臀部形态为丰满，腹部形态为适中，则其目标输出向量为[-1，1，-1，-1，1，-1，-1，-1，1，-1]。，对于某个部位的分类根据与这个部位相关的三个输出节点中最大值的节点进行判别，最后综合四个部位的输出作为最终结果。
(3)验证测试样本与神经网络输出值做比较。以误差指标达到最优为目的，确定该神经网络的参数为1r＝0.05，epochs＝100000，goal＝1e-2，r＝20，模型结构为16:10:10。
应用实例个体甲通过三维人体扫描后，计算机将快速生成识别所需要的16个人体体型特征参数值，再将这些数值直接导入至事先制作好的神经网络模型中，便可获得相对应的评价结果(即输出向量)，例如输出向量为[-1，1，-1，-1，1，-1，-1，1，1，-1]时，根据最大隶属原则，得到该个体的局部体型因子R2C2T3F1即E29，代表该消费者属于胸部造型匀称、侧面造型适中、臀部造型丰满、腹部适中的体型。如该个体原号型为170/92B，则得到其新的服装号型标注为“170/92E29”。
权利要求
1.一种女体体型分类方法，其特征是分类步骤为①、通过[TC2]三维测量设备测量以下女性胸部数据胸前距，下胸围前距，胸围高，下胸围高，胸前距，颈前距，前颈高，胸围高，侧颈至胸点距离，胸点至腰节，乳间距，前胸围，胸厚，胸围横长和胸围，②、利用上述的数据根据下面的公式得到描述胸部的特征参数K1，K2，K3，K4，K5，K6K1＝下胸围倾斜角度＝(胸前距-下胸围前距)/(胸围高-下胸围高)K2＝前颈至胸角度＝(胸前距-颈前距)/(前颈高-胸围高)K3＝侧颈至胸点距离/胸点至腰节K4＝乳间距/前胸围K5＝胸矢横径比＝胸厚/胸围横长K6＝胸围③、通过[TC2]三维测量设备测量以下女性上半身侧面数据后颈点至腰节，前颈点至腰节，后颈到肩胛水平距离，后颈到肩胛垂直距离，腰后距，背宽后距，背宽线高，后腰高，下胸围倾斜角度，前颈至胸角度；④、利用上述的步骤③的数据根据下面的公式得到描述女性上半身侧面的特征参数S1，S2，S3，P1，P2S1＝曲背指数＝后颈点至腰节/前颈点至腰节S2＝肩胛凸起至后颈角度＝后颈到肩胛水平距离/后颈到肩胛垂直距离S3＝肩胛凸起至后腰角度＝(腰后距-背宽后距)/(背宽线高-后腰高)P1＝下胸围倾斜角度P2＝前颈至胸角度⑤、通过[TC2]三维测量设备测量以下女性臀部的数据臀凸，腰长，臀厚，臀横长，臀围；⑥、利用上述的步骤⑤的数据根据下面的公式得到描述女性臀部的特征参数X1，X2，X3X1＝后臀起翘角＝臀凸/腰长X2＝臀矢横径比＝臀厚/臀横长X3＝臀围⑦、通过[TC2]三维测量设备测量以下女性腹部的数据腰前距，腹前距，前腰围高，腹围高，腰围，腹围，腰长；⑧、利用上述的步骤⑦的数据根据下面的公式得到描述女性臀部的特征参数Y1，Y2，Y3，Y4Y1＝腹凸角＝(腰前距-腹前距)/(前腰围高-腹围高)Y2＝腰围Y3＝腹围Y4＝腰长⑨、综合上述反映女性体形的四个部位的参数，通过因子分析，得到能客观反映人体体型特征的4个局部体型因子胸部形态因子、侧面形态因子、臀部形态因子、腹部形态因子，并对每个局部体型分为2-3类，得到下表
然后再结合胸腰差对女性形体进行划分，因此将女性体型类别分为3×3×3×2＝54种，分别用En来表示，其中n＝1～54，其各自含义如下表
结合国家标准GB1335-91的定义，以身高的数值为号，以胸围或腰围的数值为型，加上上述的体型类别En来表示女体体形，完成了女体体型的分类。
2.根据权利要求1所述的女体体型分类方法的女体体型识别方法，其特征是采用基于BP神经网络的识别模式，其识别步骤为①将各局部体型特征参数作为训练网络的输入，邀请了10位服装专业人士对各项目进行打分判别，将得到的评判结果作为训练网络的输出，输出的离散的数值量的含义为胸部设定“扁平”＝1，“匀称”＝2，“丰满”＝3；上半身侧面“曲背”＝1，“适中”＝2，“挺胸”＝3；臀部设定“扁平”＝1，“匀称”＝2，“丰满”＝3；腹部设定“适中”＝1，“腹凸”＝2；②、根据输入输出数据的最大值和最小值对输入输出数据分别进行正规化，将标准化数据压缩到[-1，1]之间，标准化公式xi′=2*xi-min{xi}max{xi}-min{xi}-1,(i=1,2,...,262);]]>③、每个部位均有若干个样本，以70％作为训练样本，30％作为测试样本，神经元网络结构采用一个隐含层，隐含层的节点数以及学习率等各个参数如下表所示，网络结构中的三个数字依次分别代表输入层、隐含层和输出层的节点数目；
④、将以上四个子神经网络串连起来，采用若干个样本，仍然将其分为两组，70％作为训练样本，30％作为测试样本，在实验中我们仍采用一个隐含层，确定该神经网络的参数为lr＝0.05，epochs＝100000，goal＝le-2，r＝20，模型结构为16:10:10；输入参数为下胸围倾斜角度、前颈至胸角度、侧颈至胸点距离/胸点至腰节、乳间距/前胸围、胸矢横径比、胸围、曲背指数、肩胛凸起至后颈角度、肩胛凸起至后腰角度、后臀起翘角、臀矢横径比、臀围、腹凸角、腰围、腹围、腰长，输出参数神经元网络的输出也是综合前面四个子网络的输出，这样得到一个10维的向量，每三维代表对一个部位的评分，对于某个部位的分类根据与这个部位相关的三个输出节点中最大值的节点进行判别，最后综合四个部位的输出作为最终结果，从而建立能综合反映人体体型识别的神经网络系统；⑤、最后，验证测试样本与神经网络输出值做比较。
全文摘要
本发明涉及一种女体体型分类和识别方法，它是通过因子分析，得到能客观反映人体体型特征的4个局部体型因子胸部形态因子、侧面形态因子、臀部形态因子、腹部形态因子，根据所选取的体型因子及其特征参数，以及对各人体局部体型特征的分类，从理论上将女体体型细分为54类，并结合现行的服装号型体系，提出一种新的服装号型标注号/型+局部体型因子，并对该分类进行识别。利用本发明，服装企业既能全面的了解目标消费群的体型特征，又可快速获得需要定制服务的个性消费者体型信息，便于合理安排服装生产，降低生产成本。对消费者来说，体型的细分也使消费者在购买服装时有了明确的选择标准，大大减少试衣的时间，更为网上购物提供了便利。
文档编号A41H1/00GK101013481SQ200710067099
公开日2007年8月8日 申请日期2007年2月9日 优先权日2007年2月9日
发明者邹奉元, 陈敏之, 丁笑君 申请人:浙江理工大学