基于人体数字图像的青年女体围度拟合

顾冰菲， 李欣华a， 钟泽君a， 苏军强， 刘国联

(1.浙江理工大学 a. 服装学院；b. 浙江省服装工程技术研究中心；c. 丝绸文化传承与产品设计数字化技术文化部重点实验室，杭州 310018；2.江南大学 纺织服装学院，江苏 无锡 214122；3.苏州大学 纺织与服装工程学院，江苏 苏州 215006)

随着信息技术在服装行业的发展，智能化定制技术已成为促进服装定制发展的主要技术之一[1-3]。人体自动测量在实现智能化定制技术中起着至关重要的作用[4-6]。尽管三维人体扫描系统已经被广泛研究和应用，但是高昂的价格和其他实际问题阻碍了其在日常服装生产中的广泛应用，特别对于小型企业来说[7]。所以，有必要探索更经济、更简单的人体测量方法，使其有可能应用于小型企业，甚至家庭使用。

为了满足这种需求，有研究者开发了一种简单使用现成的相机拍摄数码图像来提取人体尺寸的方法，可以被称为二维人体测量系统。例如，Pierre等[8]使用二维图像和标志选取点检测算法来评估基于图像的人体测量系统的性能，发现它可以产生与传统手工测量相媲美的测量结果。陈国旗[9]提取了人体的正面和侧面照片的轮廓，并确定了轮廓上的特征点。然而，在二维系统中，基于特征点只有人体各部位的高度、宽度和深度可以被直接测量。因此，根据各部位的人体横截面曲线的模拟，可以对人体尺寸进行估计。

用于模拟横截面曲线的典型方法包括超椭圆曲线和EE参数样条曲线[10-14]。Hatakeyama等[15]首先提出了相对于中心轴具有对称形状的超椭圆法来估计人体截面。Yao等[16]选择了EE样条函数，以更好地逼近不同的人体截面。EE样条是一种新的样条函数，它结合了贝塞尔和B样条等其他样条的优点。Jiang等[17]利用超椭圆曲线和EE参数样条曲线拟合，解决了与乳房周长预测相关的问题。Hu[18]提出了一种用于人台模拟的人体横截面几何拟合，结合了简单的形状，如圆形、椭圆形、超椭圆弧线，以及穿着参数。显然，这些曲线拟合和建模技术对人体测量的有效性依赖于横截面数据的质量或人体参数，这不可避免地需要三维扫描技术来获取人体表面的精确数据云[19]。

本研究将着重于使用二维成像系统来生成服装定制应用所需的人体基本尺寸数据。该系统获取受试者的正面和侧面图像，从两个二维图像中提取出正侧面轮廓，测量从轮廓中找到的标志点处的人体宽度和深度。基于各部位的宽度和厚度值进行颈部、胸部、下胸部、腰部、腹部和臀部六个特征部位的围度预测，并将预测结果与手工测量结果进行了比较。最后从服装生产要求的角度对各个特征部位的回归公式进行了误差分析。本研究的目的是通过一种避免使用三维扫描和曲线逼近的新方法，为人体测量提供一种简单、经济的解决方案，这种方法对于小型企业和家庭使用来说是一个有吸引力的选择。综上，本研究将讨论用于获取正面和侧面图像的二维系统装置、基于轮廓提取的宽度和深度测量、特征部位的分类和围度预测模型建立。

1 二维图像获取

二维测量系统应具有以下功能：1)用已知目标校准正面和侧面图像；2)提取两幅图像的正侧面轮廓；3)从人体轮廓中找出特征点获得基本尺寸；4)基于宽度和深度建立回归模型估计人体围度。

系统整体装置如图1所示。由两块150 cm×200 cm的黑色背景板呈90°摆放形成拍摄背景，拍摄对象站在拍摄背景的中心。两个单反相机(佳能600 D)安装在三脚架上，放置于距离拍摄对象约2.5 m的位置。相机的焦距需要调整以使相机能够完整地拍到被摄对象。这两个相机通过USB接口由一台电脑控制，可同时拍摄正面和侧面的数字图像，以避免因身体呼吸和摇摆而产生的误差。

图1 实验装置Fig.1 Experimental facility

由于两个相机的焦距和拍摄距离可能略有不同，因此需要与已知目标进行校准，以确保它们的空间分辨率(即dpi)是相同的。用两个相同宽度(5 cm)和长度(1 m)的白纸条横向粘贴在两个黑色板块的中心(图2)。在获取正面和侧面图像后，计算每个白色纸条的像素来获取空间分辨率。如果两个空间分辨率的差值大于1%，则需要通过调整其中一个摄像机的焦距或改变其距离来重复校准。

图2 校准示意Fig.2 Calibration diagram

本研究的实验对象是295名年龄在18～24岁，身高在150～170 cm的年轻女性。从一大批年轻女性中随机抽取受试者，排除了身体明显异常的女性。所选实验对象的人体尺寸是根据国际人体测量标准ISO/TR 7250-2(2010)中的步骤，手工测量获取。表1为这些实验对象7个部位的基本尺寸信息。

表1 被测对象基本尺寸信息Tab.1 Basic size information of female subjects

在拍摄的过程中(约2 s)，被摄对象光脚站在背景的中心，穿着从实验室里提供的浅色衣服，两个手臂稍微离开身体摆放。被摄对象需戴帽子遮住头发，以便准确测量人体高度，不佩戴眼镜、手表、项链或戒指等饰品。

在轮廓提取之前，可能需要对正面和侧面图像进行简单的图像处理，例如裁剪图像，使图像中只出现人体和黑色背景，或者调整亮度和对比度，使人体更加容易识别。图3显示了测量对象的正面和侧面图像。

图3 人体正、侧面照片Fig.3 Frontal and side images of human body

2 基本尺寸提取

通过分析人体正面和侧面轮廓的特征，可以确定特征点，以计算特征尺寸，如高度、宽度和深度。为了寻找一个特征点，首先用高度范围来确定极限，然后用形状特征来确定实际的位置。

以臀部特征点为例，根据手工测量数据对基本人体比例的统计分析，臀部高度在人体身高的45%～58%。臀部被定义为在这个范围内最宽的水平线，通常是指横向经过臀部最丰满的位置，在人体侧面轮廓上比较明显。设线段Lt和线段Lb表示臀部高度范围，线段L表示Lt和线段Lb之间的一条扫描线，计算线段L上点A和点B之间的距离。当距离为最大值时，这条线可以标记为臀线。如图4所示，直线L上点A与点B之间的距离为臀深。在正面轮廓相同的高度取直线L1，点A1和点B1之间的距离是臀宽(图5)。用相似的方法可以识别其他的特征部位，在正侧面轮廓上测量宽度和深度值。通过二维测量系统在正面和侧面轮廓上提取出的宽度、深度和高度信息，可自动提取出六个特征部位的基础尺寸，包括颈部、胸部、下胸部、腰部、腹部和臀部。这些部位是与女性上半身服装尺寸最相关的特征位置。

图4 臀部深度测量示意Fig.4 Measurement diagram of hip depth

图5 臀宽测量示意Fig.5 Measurement diagram of hip width

3 围度拟合

人体围度在轮廓图中是不能直接测量的，因为围度跟横截面的形状也有关系。为了在宽度和深度的基础上实现更精确的围度预测，人体形状被划分为几个群体。由于特征部位的宽度和深度是显示截面形状信息的主要参数，能够反映出人体体型特征的差异性，与各部位围度值有着较高的相关性，因此可以使用深度/宽度比(Rdw=深度/宽度)将人体各部位进行分类。

每个特征部位中分类的实际数量取决于实际求得的Rdw值，如胸部就按照胸部深度与胸宽的比值进行分类。表2列出了6个特征部位的分类结果，10人以下的类别可忽略不计。结果显示臀部分类只有两类，而颈部被分为了四类。除了臀部以外，所有特征部位第二类人数最多。

表2 各部位分档结果Tab.2 Class classification of each part

使用SPSS软件可建立以围度为因变量，厚度、宽度为自变量回归模型，如下式所示。

Girth=A0+A1×Depth+A2×Width

(1)

式中：Girth为围度值，A0为常数项，A1和A2为回归系数，Depth为深度值，Width为宽度值。

利用线性回归分析可获得回归系数R2、常数项A0及系数An，建立围度预测回归模型。为了验证各部位围度值与宽度、深度三个尺寸之间是否存在较为明显的线性关系，首先利用散点图分析了它们之间的分布情况，看是否呈线性分布趋势。以臀部两类人体围度、宽度、深度值为例，可以看出这三个数据大致上呈现出线性关系，如图6和图7所示。

图6 臀部第一档散点图Fig.6 Scatter diagram of the first class in hip

图7 臀部第二档散点图Fig.7 Scatter diagram of the second class in hip

其他部位的散点图也呈现出明显的线性关系。因此，基于6个特征部位的宽度和深度值分别建立各个类别的回归模型，对各部位的围度值进行预测，从而使该人体尺寸提取系统能够间接地获得人体三维尺寸。各部位回归方程的常数项A0、系数An及回归系数R2如表3所示。由表3可知，除下胸部第三类以外，其余各类别的回归系数均大于0.83，因此该回归模型是可行的。

表3 各部位回归模型Tab.3 Regression models of each part

以腰部第一类数据为例，表4和表5分别显示了回归模型方差分析和残差正态性检验结果。结果显示回归模型的F统计量的观察值为1 182.186，概率P值为0.000，说明在显著性水平为0.05的情形下，腰围与腰宽、腰深三者之间有线性关系。根据残差正态性检验发现，无论是KS检验还是SW检验，Sig.值均大于0.05，说明残差值服从正态分布。

表4 腰部第一类回归模型方差分析Tab.4 ANOVA of the regression model of the first class in waist

注：因变量为腰围；预测变量(常量)为腰宽、腰深。

表5 腰部第一类残差正态性检验Tab.5 Normality test of the residual of the first class in waist

注：“*”这是真实显著水平的下限；“a.Lillefors”显著水平修正。

除此之外，本研究还另外挑选了50名青年女性进行了手工测量，通过对比分析模型预测值和手工测量值来检验回归模型的精确度。图8显示了围度预测值与相应的手工测量的误差，可以发现90%以上的数据误差均在±2 cm。表6为各部位围度预测值与手工测量值的均值、标准差和相关系数，均值和标准差差异不大，高相关系数也表明预测值与手工测量值具有较高的一致性。

图8 各部位围度值预测误差Fig.8 Prediction errors of girths at each part

表6 围度预测误差分析Tab.6 Error analysis of girth prediction

4 结 论

本研究集中于使用二维人体图像来提取MTM应用所需的人体基本数据，并提出了一种简单而经济的人体测量方法，可以避免复杂的三维扫描和曲线拟合。根据被试者的正面和侧面图像，提取出正侧面轮廓，得到特征部位的宽度和深度，并计算出这些特征部位的深度/宽度比，将人体划分为若干个小群体。在每个类别中，使用宽度和深度建立了围度预测模型。根据各部位回归模型的回归系数、显著性水平及残差正态检验，可以看出回归模型是可行的。另外选取了50名实验对象作对比发现，围度预测值和手工测量值没有显著差异，各个部位超过90%的数据误差均在±2 cm。