基于多層感知器神經(jīng)網(wǎng)絡(luò)的人體尺寸預(yù)測(cè)研究

邢英梅，王竹君，[] 王建萍，闞 燕

基于多層感知器神經(jīng)網(wǎng)絡(luò)的人體尺寸預(yù)測(cè)研究

邢英梅1,3,4，王竹君，[1] 王建萍2*，闞 燕1

（1. 安徽工程大學(xué) 紡織服裝學(xué)院，安徽 蕪湖 241000；2. 東華大學(xué) 服裝與藝術(shù)設(shè)計(jì)學(xué)院，上海 200051； 3.“紡織面料”安徽省高校重點(diǎn)實(shí)驗(yàn)室，安徽 蕪湖 241000；4. 安徽省紡織工程技術(shù)研究中心，安徽 蕪湖 241000）

準(zhǔn)確、智能的人體尺寸預(yù)測(cè)技術(shù)，在互聯(lián)網(wǎng)與服裝業(yè)深度融合的當(dāng)前，有助于服裝企業(yè)提高服裝制板的準(zhǔn)確率和工作效率，提升企業(yè)的智能化水平?；诖?，本文以成年男性為例，提出利用多層感知器神經(jīng)網(wǎng)絡(luò)構(gòu)建人體尺寸預(yù)測(cè)模型，以期通過(guò)輸入頸椎點(diǎn)高、胸圍、腰圍、臀圍等易測(cè)的軀干部位尺寸，實(shí)現(xiàn)快速預(yù)測(cè)全臂長(zhǎng)、上臂長(zhǎng)、上臂圍、大腿圍等四肢部位尺寸。經(jīng)過(guò)對(duì)網(wǎng)絡(luò)的訓(xùn)練和仿真測(cè)試，以及對(duì)不同實(shí)驗(yàn)結(jié)果的分析，發(fā)現(xiàn)具有7個(gè)隱層神經(jīng)元的神經(jīng)網(wǎng)絡(luò)性能相對(duì)最佳，可滿足服裝制板的基本需求，這表明用多層感知器神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)人體尺寸是可行的，若進(jìn)一步選擇合適的數(shù)據(jù)集，網(wǎng)絡(luò)模型的預(yù)測(cè)精度會(huì)進(jìn)一步提高。

多層次感知器；神經(jīng)網(wǎng)絡(luò)；人體尺寸；預(yù)測(cè)模型

0 引言

全面了解目標(biāo)人群的體型和人體相關(guān)部位尺寸，有助于提高服裝與人體的匹配程度，是提供舒適而美觀的服裝產(chǎn)品的重要前提。因此，準(zhǔn)確獲取人體尺寸是服裝制板的基礎(chǔ)和關(guān)鍵。目前，隨著人體測(cè)量技術(shù)發(fā)展，各種接觸式和非接觸式的人體測(cè)量技術(shù)在服裝行業(yè)中得到了廣泛的應(yīng)用。傳統(tǒng)的接觸式人體測(cè)量在測(cè)量的精度、效率等存在不足，而非接觸式的3D人體掃描技術(shù)盡管在精度和效率方面得到了大大改進(jìn)，但亦存在著空間大、價(jià)格昂貴等影響其進(jìn)一步推廣應(yīng)用的不利因素。同時(shí)，由于測(cè)量方法或設(shè)備的限制，不同人體部位尺寸的采集難度和精度是不一致的。比如，胸圍、腰圍、肩寬等部位的尺寸相對(duì)容易采集，而上襠弧長(zhǎng)、腋圍等與褲裝的上襠結(jié)構(gòu)、上裝的袖窿結(jié)構(gòu)關(guān)系密切的人體部位，其尺寸獲取難度相對(duì)較大，精度也難以保證。此外，在互聯(lián)網(wǎng)經(jīng)濟(jì)迅猛發(fā)展的當(dāng)前，消費(fèi)者與商家身處異地，如何遠(yuǎn)程、快速、便捷、準(zhǔn)確地獲取人體相關(guān)部位尺寸也是亟待解決的關(guān)鍵技術(shù)之一。

近年來(lái)，人工神經(jīng)網(wǎng)絡(luò)以其良好的非線性映射、自適應(yīng)特性等，成為機(jī)器學(xué)習(xí)、人工智能領(lǐng)域中備受關(guān)注的一個(gè)研究方向。在服裝領(lǐng)域，不少學(xué)者將神經(jīng)網(wǎng)絡(luò)技術(shù)應(yīng)用于服裝縫口性能預(yù)測(cè)、用料估算、合體性評(píng)估等方面，但在人體尺寸預(yù)測(cè)的研究相對(duì)較少。同時(shí)，現(xiàn)有學(xué)者的研究多是利用統(tǒng)計(jì)回歸模型、模糊數(shù)學(xué)模型、灰色理論模型等進(jìn)行人體尺寸預(yù)測(cè)[1-5]。基于此，本文提出一種基于多層感知機(jī)神經(jīng)網(wǎng)絡(luò)的人體尺寸預(yù)測(cè)方法，以實(shí)現(xiàn)不易獲取的人體尺寸的快速獲取，提高服裝制板的效率和準(zhǔn)確性。

1 研究的理論基礎(chǔ)和總體框架

1.1 多層感知器神經(jīng)網(wǎng)絡(luò)的基本原理

多層感知器網(wǎng)絡(luò)的基本結(jié)構(gòu)如圖1所示，包括1個(gè)輸入層，1個(gè)或2個(gè)隱層，1個(gè)輸出層。該網(wǎng)絡(luò)具有前向型神經(jīng)網(wǎng)絡(luò)的典型特征，信息值可以從輸入層神經(jīng)元傳送到隱層1的神經(jīng)元，再傳送到隱層2的神經(jīng)元，最后到輸出層的神經(jīng)元。每一層的神經(jīng)元都與其上一層的神經(jīng)元相連，而同一層的神經(jīng)元之間沒(méi)有連接。由于隱層神經(jīng)元是線性的，因此，在隱層神經(jīng)元的選取及學(xué)習(xí)算法上要比其他神經(jīng)網(wǎng)絡(luò)簡(jiǎn)單。

圖1 多層感知器神經(jīng)網(wǎng)絡(luò)的基本結(jié)構(gòu)

1.2 研究的總體框架

從圖2的可知，本文的研究框架遵循以下的步驟：（1）通過(guò)三維人體掃描技術(shù)采集200名成年男性的全身人體數(shù)據(jù)，并構(gòu)建訓(xùn)練樣本集和測(cè)試樣本集；（2）對(duì)所采集人體數(shù)據(jù)進(jìn)行奇異值分析、樣本分布考察等預(yù)處理；（3）基于多層感知器神經(jīng)網(wǎng)絡(luò)構(gòu)建人體細(xì)部尺寸預(yù)測(cè)模型；（4）利用訓(xùn)練樣本集對(duì)多層感知機(jī)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練；（5）利用測(cè)試樣本集對(duì)訓(xùn)練好的多層感知機(jī)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行人體細(xì)部尺寸的仿真預(yù)測(cè)。

圖2 研究流程圖

2 人體數(shù)據(jù)的采集和預(yù)處理

2.1 人體數(shù)據(jù)的采集

為保證所采集數(shù)據(jù)的精度，本文利用非接觸式三維人體掃描技術(shù)采集了200名成年男性的全身點(diǎn)云，并從中提取了身高、頸椎點(diǎn)高、背長(zhǎng)、胸圍、頸圍、全肩寬、上臂圍、全臂長(zhǎng)、大腿圍、膝圍等58個(gè)測(cè)量部位的人體尺寸。

2.2 人體數(shù)據(jù)的預(yù)處理

2.2.1 奇異值分析

奇異值，又叫做離群值，異常值，指的是偏離數(shù)據(jù)總體發(fā)展趨勢(shì)的數(shù)據(jù)點(diǎn)，它的存在會(huì)對(duì)數(shù)據(jù)分析結(jié)果產(chǎn)生較大的影響。在人體數(shù)據(jù)采集過(guò)程中，由于設(shè)備、環(huán)境、人員等主客觀方面的原因，難免產(chǎn)生奇異值。為避免奇異值對(duì)后續(xù)研究的影響，本文利用SPSS統(tǒng)計(jì)分析軟件進(jìn)行探索分析，根據(jù)箱形圖來(lái)檢驗(yàn)識(shí)別奇異值。對(duì)于識(shí)別出的奇異值，首次采用重新測(cè)量的方式以避免人為誤差的影響，若仍為奇異值，則分析、判斷該樣本是否為特殊體型，再?zèng)Q定是否予以剔除。

圖3所示為頸椎點(diǎn)高的箱形圖，從中可見(jiàn)，第1、21、22、64、85、96號(hào)樣本為奇異值，經(jīng)過(guò)重新測(cè)量、檢驗(yàn)，排除人為的測(cè)量誤差后，發(fā)現(xiàn)這幾個(gè)樣本為特體，為保證研究樣本的多樣性，對(duì)這些奇異值均予以保留。對(duì)于所采集人體數(shù)據(jù)的其他部位，采用相同的方法逐一進(jìn)行奇異值分析。

圖3 頸椎點(diǎn)高的箱形圖

2.2.2 樣本分布考察

許多數(shù)據(jù)分析的方法要求樣本數(shù)據(jù)需要符合正態(tài)分布或者近似正態(tài)分布，因此，需要對(duì)所采集的每個(gè)部位數(shù)據(jù)進(jìn)行樣本分布考察，檢驗(yàn)其是否符合正態(tài)分布。本文采用直方圖和Q-Q概率圖分別對(duì)樣本分布進(jìn)行考察。圖4所示為頸椎點(diǎn)高樣本分布的直方圖和Q-Q概率圖，從中不難看出頸椎點(diǎn)高基本符合正態(tài)分布，無(wú)明顯偏鋒。通過(guò)對(duì)其余各部位樣本分布的考察，均基本符合正態(tài)分布曲線，可供后續(xù)分析研究。

（a）直方圖　　　　　　　　　　　　　　　　　　　　　?。╞）Q-Q概率圖

3 人體細(xì)部尺寸的多層感知器神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型設(shè)計(jì)和仿真測(cè)試

3.1 神經(jīng)網(wǎng)絡(luò)的層數(shù)

感知器神經(jīng)網(wǎng)絡(luò)分為單層感知器神經(jīng)網(wǎng)絡(luò)和多層感知器神經(jīng)網(wǎng)絡(luò)。多層感知器神經(jīng)網(wǎng)絡(luò)是在單層感知器神經(jīng)網(wǎng)絡(luò)的基礎(chǔ)上推廣而來(lái)，其可以有1個(gè)或2個(gè)的隱層，通常1個(gè)隱層即可滿足大多數(shù)實(shí)際應(yīng)用的場(chǎng)景。因此，本文所構(gòu)建的的多層感知器神經(jīng)網(wǎng)絡(luò)的層數(shù)為3層，即：1個(gè)輸入層，1個(gè)隱層和1個(gè)輸出層。

3.2 輸入層和輸出層神經(jīng)元

根據(jù)本文研究的需要，從之前采集的58個(gè)人體測(cè)量部位中，選擇頸椎點(diǎn)高、胸圍、腰圍、臀圍、頸圍、胸寬、背寬、背長(zhǎng)等9個(gè)容易獲取的人體軀干部位尺寸作為輸入層神經(jīng)元，同時(shí)，選擇全臂長(zhǎng)、上臂長(zhǎng)、上臂圍、腋圍、上襠弧長(zhǎng)、大腿圍、膝圍、腰高、股下長(zhǎng)等9個(gè)四肢部位尺寸為輸出神經(jīng)元。

3.3 訓(xùn)練樣本集和測(cè)試樣本集的構(gòu)建

將采集的200個(gè)成年男性樣本按9:1的比例隨機(jī)分成兩個(gè)部分，90%的樣本即180個(gè)的樣本作為訓(xùn)練樣本集，對(duì)神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。而后，再將剩余的10%的樣本，即20個(gè)樣本，作為測(cè)試樣本集，對(duì)訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)進(jìn)行測(cè)試，以檢驗(yàn)神經(jīng)網(wǎng)絡(luò)的預(yù)測(cè)性能。

3.4 隱層神經(jīng)元數(shù)的確定

隱層神經(jīng)元數(shù)量的多少會(huì)影響多層次感知器神經(jīng)網(wǎng)絡(luò)的性能。隱層神經(jīng)元數(shù)量越少，網(wǎng)絡(luò)的收斂速度越快，但網(wǎng)絡(luò)的預(yù)測(cè)精度可能不佳，而反之，隱層神經(jīng)元數(shù)量越多，網(wǎng)絡(luò)的預(yù)測(cè)精度就會(huì)越高，但也容易導(dǎo)致網(wǎng)絡(luò)過(guò)擬合、收斂速度過(guò)慢或不收斂等。因此，選擇合適的隱層神經(jīng)元數(shù)量就顯得十分必要。但是，目前在確定隱層神經(jīng)元的數(shù)量上并無(wú)統(tǒng)一的方法，本文根據(jù)以下式（4）估算神經(jīng)元：

3.5 數(shù)據(jù)的標(biāo)準(zhǔn)化

數(shù)據(jù)標(biāo)準(zhǔn)化是將數(shù)據(jù)按比例縮放，使之落入一個(gè)小的特定區(qū)間，目的是去除數(shù)據(jù)的單位限制，將其轉(zhuǎn)化為無(wú)量綱的純數(shù)值，以便進(jìn)行對(duì)不同單位或量級(jí)的指標(biāo)進(jìn)行比較和加權(quán)。為消除或降低不同單位或量級(jí)對(duì)后續(xù)分析的影響，本文采用歸一化的方法對(duì)數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理，計(jì)算公式如式（5）：

其中，i為標(biāo)準(zhǔn)化的數(shù)據(jù)，i為原始數(shù)據(jù)。

4 多層感知器神經(jīng)網(wǎng)絡(luò)預(yù)測(cè)模型的性能分析

4.1 綜合預(yù)測(cè)性能分析

表1 不同隱層神經(jīng)元數(shù)的神經(jīng)網(wǎng)絡(luò)模型預(yù)測(cè)性能比較

從表1不難看出，當(dāng)隱層神經(jīng)元數(shù)為11時(shí)，各部位平均絕對(duì)偏差最小，為0.0078，但其平均偏差率為0.14%，是所測(cè)模型中第三小的，反映出各部位的偏差不是非常均衡；當(dāng)隱層神經(jīng)元數(shù)為5時(shí)，各部位平均偏差率最小，為0.06%，而其平均絕對(duì)偏差為-0.06，反映出盡管其各部位的偏差相對(duì)比較均衡，但絕對(duì)偏差顯得略大。綜合來(lái)看，隱層神經(jīng)元數(shù)為7的模型，其平均絕對(duì)偏差和平均偏差分別為0.131和0.10%，均是所測(cè)模型中第二小的，綜合預(yù)測(cè)性能相對(duì)較好。

4.2 分部位預(yù)測(cè)性能分析

根據(jù)隱層神經(jīng)元數(shù)為7的模型的預(yù)測(cè)結(jié)果，各部位預(yù)測(cè)值與原始測(cè)量值之間的偏差情況如表2所示，從中不難發(fā)現(xiàn)，每個(gè)部位的預(yù)測(cè)精度并不一致。從平均絕對(duì)偏差的角度，腋窩的絕對(duì)偏差最大，達(dá)到了0.1028cm，而全臂長(zhǎng)和總襠圍的絕對(duì)偏差最小，為0.0069cm。從平均偏差率的角度，全臂長(zhǎng)偏差最小，僅為-0.02%，上臂圍的偏差最大，為0.46%。綜合兩個(gè)方面，全臂長(zhǎng)的預(yù)測(cè)精度最高，上臂圍的預(yù)測(cè)精度相對(duì)最低。從服裝制板的角度，這9個(gè)部位的預(yù)測(cè)精度完全滿足需求。

表2 不同部位的預(yù)測(cè)性能比較

5 結(jié)語(yǔ)

本文以成年男性人體數(shù)據(jù)為例，提出了一種基于多層次感知器的人體尺寸預(yù)測(cè)方法。通過(guò)對(duì)網(wǎng)絡(luò)層數(shù)、輸入層神經(jīng)元數(shù)、輸出層神經(jīng)元數(shù)、隱層神經(jīng)元數(shù)等網(wǎng)絡(luò)參數(shù)的設(shè)計(jì)，并以9:1的比例劃分訓(xùn)練樣本集和測(cè)試樣本集，對(duì)神經(jīng)網(wǎng)絡(luò)模型進(jìn)行了訓(xùn)練和仿真測(cè)試。從平均絕對(duì)偏差和平均絕對(duì)偏差率的角度對(duì)不同模型的預(yù)測(cè)精度進(jìn)行了比較，盡管隱層神經(jīng)元數(shù)為7的模型，兩項(xiàng)指標(biāo)均非最低的，但是均為第二低的，綜合性能相對(duì)最優(yōu)。繼續(xù)比較各個(gè)部位的預(yù)測(cè)精度，發(fā)現(xiàn)全臂長(zhǎng)的偏差最小，預(yù)測(cè)精度最高，上臂圍的偏差最大，預(yù)測(cè)精度相對(duì)最低，但從服裝制板的實(shí)際，所有部位的預(yù)測(cè)精度均符合要求。從分析結(jié)果可以看出，本文所構(gòu)建的基于多層感知器神經(jīng)網(wǎng)絡(luò)的人體細(xì)部尺寸預(yù)測(cè)模型，具有較高的預(yù)測(cè)精度，可滿足服裝制板的基本需求。同時(shí)，可通過(guò)采用更多樣本的訓(xùn)練和仿真，找尋更優(yōu)的參數(shù)，改善不同人體部位尺寸的預(yù)測(cè)精度。

[1] 叢杉．基于灰色系統(tǒng)理論的人體尺寸預(yù)測(cè)方法研究[J]．上海紡織科技， 2006，(06)：81-83．

[2] 黃珍珍，王曉云，張鴻志．通過(guò)小樣本人體尺寸做人體參數(shù)測(cè)量的預(yù)測(cè)[J]．天津工業(yè)大學(xué)學(xué)報(bào)，2010，29(02)：34-38．

[3] 夏明，王文玲，張文斌．人體特征斷面形狀擬合及圍度尺寸預(yù)測(cè)[J]．紡織學(xué)報(bào)，2014，35(08)： 76-80．

[4] 許家?guī)r．人體體表形態(tài)下的頸圍尺寸預(yù)測(cè)[J]．遼寧絲綢，2016，(04)：52-53．

[5] 丁中娟．基于平面投影輪廓獲取人體尺寸的研究[D]．上海：東華大學(xué)，2017．

Research on Prediction Of Human Body Dimensions based on Multilayer Perceptron Neural Networks

XING Ying-mei1,3,4, WANG Zhu-jun1,2, WANG Jian-ping2, KAN Yan1

(1. Department of Textile and Apparel, Anhui Polytechnic University, Wuhu Anhui 241000, China; 2. College of Fashion and Design, Donghua University, Shanghai 200051, China; 3. Anhui Province College Key Laboratory of Textile Fabrics, Wuhu Anhui 241000, China;4. Anhui Engineering and Technology Research Center of Textile, Wuhu Anhui 241000, China)

Currently, apparel industry has been integrated with internet deeply. Predicting human body dimensions rapidly and intelligently would be beneficial to improve the accuracy and efficiency of pattern making for apparel enterprises and promote the intelligent level of enterprises. Therefore, the body dimensions of adult male were taken for instance in this paper. A prediction model for human body dimensions was put forward based on multilayer perceptron neural networks, in order to predict the dimensions of up and down limbs such as the full arm length, upper arm circumference and thigh circumference by the easily measured torso dimensions such as cervical spine height, chest circumference, waist circumference, hip circumference, etc. From the training and simulation testing results, it could be found that the neural networks with seven hidden layer neurons had the relative optimum performance, Meanwhile, it was indicated that it was feasible to utilize multilayer perceptron neural networks to predict human body dimensions, and the predicting accuracy of the networks model would be further improved if the appropriate data set was constructed.

multilayer perceptron; neural networks; human body dimensions; prediction model

TP183

A

2095－414X(2019)04－0037－06

王建萍（1962-），女，教授，博士生導(dǎo)師，研究方向：先進(jìn)服裝制造工程.

安徽省高校人文社會(huì)科學(xué)重點(diǎn)研究項(xiàng)目（SK2017A0119，SK2016A0116）；“紡織面料”安徽省高校重點(diǎn)實(shí)驗(yàn)室、安徽省紡織工程技術(shù)研究中心聯(lián)合開(kāi)放基金項(xiàng)目（2018AKLTF15）；教育部人文社會(huì)科學(xué)研究規(guī)劃基金項(xiàng)目（18YJA760017）；安徽省高等教育提升計(jì)劃人文社會(huì)科學(xué)研究一般項(xiàng)目（TSSK2016B20）；安徽工程大學(xué)校級(jí)本科教學(xué)質(zhì)量提升計(jì)劃項(xiàng)目（2015jyxm24，2015yxkc03、2016jpkc02）；國(guó)家級(jí)大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練項(xiàng)目（201610363035）；安徽省大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練項(xiàng)目（201610363180、201510363186、201510363192）.