基于照片分析青年職場女性正面體型劃分

楊玲 陳郁

摘 要：為確定青年職場女性正面體型劃分依據，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果，從中提取分類規則并驗證。結果表明：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個變量建立的女性正面體型的分類規則可以將正面體型分為X型、A型、H型以及O型4類。樣本檢驗準確率達到 94.5%，說明了本文分類規則的有效性。該規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的研發提供一定的參考。

關鍵詞：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：TS941.17? ? ? ? ? ? ? 文獻標識碼：A? ? ? ? ? ? ? ? ?文章編號：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、服飾美學深入人心，服裝修飾體型的作用越來越引起人們的關注，體型分類在服裝線上零售的尺寸預測及推薦中也變得必不可少[1-2]，事實上，如何幫助線上消費者快速簡單地判定體型逐漸成為研究熱點。

人體體型是一個相對模糊的概念，不存在絕對化的劃分[3]，當下體型劃分的方法主要有兩種，一類是主觀分析法，通過總結專家經驗、歸納出評判規則等方法實現體型自動化識別及分類。Choi等[4]認為側向體型是決定服裝適合程度的關鍵因素，通過專家小組將女性實驗對象從視覺上分為4種橫向體型，并構建側體型分類的客觀標準，為量化服裝行業橫向身體形狀特征提供指導方針；Zhang等[5]采用模糊邏輯方法基于國家體型標準將女性體型細分為20種體型。第二類是客觀分析法，對人體測量數據進行降維、聚類分析得到影響人體體型的主要因素，根據主要因素進行體型分類，這是現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理統計方法從三維層面對體型分類，但是存在分類過多的問題，不能為生活中的消費者購買適合的服裝提供相應的建議；于琛[7]將體表角度分類指標結合體表曲線特征將女性體型劃分為3類；Sun等[8]通過對年輕女性上半身進行橫截面提取，使用主成分分析和K-means聚類分析，最終將體型分為3類。上述文獻主要是基于三維人體掃描儀對人體表面形態進行體型劃分，事實上，部分研究者提出利用二維圖像對女性體型進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]提到人體二維形態對三維人體體形分類影響很大；Naveed等[11]提出正面照片對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、側面體表輪廓分成4類；Chen等[12]提出二維圖像可以幫助識別三維人體體表特征，并設計了一個基于CNN的回歸網絡，從正面、側面二維圖像中識別三維人體形狀；Simmons等[13]根據外觀形態用描述性語言把人體分為A、H、I、O、X及V形等6種體型，但是并沒有總結出明確的分類指標。

本文從青年職場女性人體正面照片中提取16個形態分類的特征指標，使用PCA降維及K-means聚類分析將青年職場女性正面體型進行劃分，歸納出女性正面體型的分類規則，基于正面體型的分類規則對服裝與體型搭配推薦系統的研發具有參考價值。

1? ? 圖像采集

1.1? ? 實驗對象

實驗實際測量人數為208，滿足簡單隨機抽樣樣本量。選取年齡范圍為25～35周歲、來自中國江浙滬地區的青年職場女性作為實驗對象。實驗過程中根據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，實驗對象穿著不嚴重影響人體形態變化的緊身瑜伽服；同時，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，測量姿勢根據服裝人體工效學規定：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? ? 實驗環境及設備

選擇相對空曠明亮的場所，使得三腳架中心點與白色背景墻的距離為 220cm，再調整三腳架手機夾高度為 110cm，在平衡穩定的情況下用華為系列手機拍攝。

2? ? 圖像預處理

拍攝過程不是一次性完成，拍攝環境、光照強度、背景顏色不同，在提取人體外輪廓時對照片進行尺寸歸一化處理，確保源圖像大小保持一致，以便相關數據的獲??；同時對源圖像進行灰度歸一化，以確保源圖像拍攝背景色不影響數據獲取。

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

3? ? 人體正面圖像相關參數

通過二維正面照片進行正面體型分類，圍繞照片中的高度、寬度找到16個影響正面體型形態的指標[4]，測量項目如表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? ? 數據預處理

對原始測量數據用SPSS進行描述統計分析，通過箱型圖、莖葉圖對數據集中的奇異值進行篩選，并去除異常樣本以確保數據有效性，剔除異常數據后最終剩余200個無缺失值的有效數據，樣本有效率達96%。對樣本數據進行正態檢驗，經驗證得出樣本數據符合正態分布可以進行因子分析及聚類分析。

4.2? ? 主成分因子分析

對江浙滬地區青年職業女性照片中獲取的16項體型特征指標進行KMO 值的適當性度量和巴特利特球形度檢驗，結果顯示原始KMO 取樣適切性量數為0.892（表2），說明該樣本數據具有較強的相關性，適合進行因子分析。

為探究人體正面形態對正面體型分類的主要影響因子，運用SPSS先進行標準化處理再進行主成分因子分析，結果見表3。從表中可以看出前5個主成分累計貢獻率達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。

根據表4可以對主成分因子類型進行定義，第一個主成分在WS、WC、WW、WA及WTR上有很大的負荷，所以定義為上半身寬度因子。第二個主成分因子在DCW、DWA及DSW上有很大的負荷，可定義為橫向差值因子。第三個主成分因子主要對RSA和RTA的負荷較大，可以定義為橫向比值因子。第四個主成分因子對HR、HWA和 HSW負荷較大，可以定義為高度因子。第五個主成分因子在WTM上的負荷較大，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

根據表4從中選擇對每個因素貢獻最大的變量，即5個主成分因子WW、DWA、RSA、 HR 及RTA為體型分類的主要特征指標，首先對主成分數據進行標準化，后用K-means聚類方法對正面人體形態進行分析，分別聚類為3類、4類、5類。當聚類數為4時，各個類別間的均方較大，誤差均方較小，F值較大，聚類結果更為準確。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軸將聚類結果進行可視化，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。

聚類結果中：1 類體型包含67個樣本，2 類體型包含 25個樣本，3 類體型包含 52個樣本，4 類體型包含 56個樣本，最終聚類分布情況見表5。4種體型分別占樣本點數的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準身材，進行外輪廓提取，最終得到4類正面體型如圖4所示。從圖4可以看出，將4類正面體型進行比對發現：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，且腰部形態曲線不明顯；A型窄肩寬髖十分明顯，同時腰部正面形態偏修長；X型作為理想身材正面形態更符合常規審美肩寬、髖寬相同，腰部曲線十分明顯。

根據上述聚類結果，總結歸納出以下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個變量的范圍作為正面體型的分類規則。結果如表6所示，首先根據肩髖寬度比將A型與其他3種類型分開；然后根據肩腰寬度比將H型與X、O這2種體型分開；最后根據大腿根髖寬度比、腰髖寬度比2個變量將O型和X型分開。

為驗證本文分類規則的有效性，邀請專家對200個樣本進行視覺判別，與該規則體型分類結果進行比對，比對結果見表7?？芍?，189個樣本分類正確，11個樣本分類錯誤，準確率達到 94.50%，該分類規則有效性較高，并容易實施，簡單易行，操作方便。

5? ? 結論

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個影響正面體型的測量參數為分析目標。應用SPSS軟件對樣本數據進行主成分因子分析，得到影響青年職場女性正面形態特征的主成分因子，然后通過K-means聚類的方法對樣本數據進行聚類得到4種正面體型的形態。對4類正面體型形態進行分析得到以下結論。

（1）影響青年職場女性正面形態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個變量歸納出各個類型的分類規則并進行判別分析驗證，準確率達到94.50%，證明了該分類規則的有效性。（3）新的分類規則基于女性正面形態分類法可為基于拍照的體型分類及服裝推薦系統提供規則支撐。

參考文獻

[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.女體體型識別專家系統的設計與實現[J].紡織學報，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.中國東部地區青年女性人體體型分類[J].紡織學報，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別模型[D].北京：北京服裝學院，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].國際紡織導報，2016，44（12）：57-61.

[10]任宇婕.青年女性上半身形態特征細分與判別 [D].武漢：武漢紡織大學，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