基于加權(quán)隨機森林算法的虛擬試衣型號推薦技術(shù)研究

李濤 馮向陽

摘 要：隨著體感交互技術(shù)的發(fā)展，基于Kinect的虛擬試衣系統(tǒng)為顧客在線選購衣物提供了一種新的選擇方案。Kinect可以較為準確地測量出人體的骨骼模型，生成人體三維數(shù)據(jù)，以進一步為顧客推薦衣服型號，并利用可視化技術(shù)進行虛擬試裝。然而，人的體型不同，不同廠家的制衣型號也不規(guī)范，傳統(tǒng)的數(shù)據(jù)篩選與匹配手段為顧客選擇的衣服尺碼總是不盡人意。本項目基于Kinect獲取的人體三維數(shù)據(jù)，設計了一種加權(quán)隨機森林方法為顧客預測并推薦合適的衣服型號。結(jié)合其它機器學習模型，本文進行了對比實驗，結(jié)果表明隨機森林模型有效而準確，在3 000個測試樣本上得到了最高的準確率（100%）。該模型泛化能力強，且足夠健壯穩(wěn)定，可以廣泛地應用在虛擬試衣型號推薦情景中。

關鍵詞：虛擬試衣型號;Kinect;加權(quán)隨機森林

文章編號：2095-2163（2019）04-0116-09 中圖分類號：TP391.9 文獻標志碼：A

0 引 言

隨著計算機科學技術(shù)的發(fā)展與人們生活水平的逐漸提高，線上選購衣物成為當代人的重要消費方式之一。然而，缺乏試衣體驗的問題極大地降低了部分用戶網(wǎng)上購置服裝類商品的熱情，一旦選購的衣物尺寸不合適，用戶大多會選擇退換貨處理，導致了買賣雙方的時間和財務成本增高。為了解決這一問題，虛擬試衣技術(shù)成為一種有前景的解決方案。虛擬試衣技術(shù)具備傳統(tǒng)試衣手段無法相比的便捷性和人性化的優(yōu)勢，虛擬試衣系統(tǒng)大多具有品種較為齊全的服裝，節(jié)約了傳統(tǒng)試衣過程中缺貨的問題。用戶站在虛擬試衣系統(tǒng)前就能夠原地實現(xiàn)模擬試衣、換衣和選衣過程，且有效地吸引了顧客眼球，提高了商家受關注度[1]。

目前，虛擬試衣技術(shù)在國內(nèi)外正蓬勃發(fā)展，俄羅斯ARDoor公司在2011年推出了基于Kinect虛擬試衣間解決方案，消費者只需要簡單的操作手勢就能夠虛擬穿著試衣間內(nèi)的全部服裝[2]。NDP公司在2012年為日本優(yōu)衣庫定制了虛擬試衣系統(tǒng)，系統(tǒng)會對顧客選擇的衣服顏色、種類進行識別，并且利用增強現(xiàn)實技術(shù)將顧客的試衣效果通過大屏幕形式呈現(xiàn)給顧客[3]。在國內(nèi)，為了解決網(wǎng)購服裝到手之后試穿不合適的問題，淘寶網(wǎng)推出了內(nèi)置多種身材模特模型的網(wǎng)上試衣間服務，顧客通過選中在線服裝并搭配到與自己身型相似的模特身上，模擬出試穿效果，但這種方式顧客自身體驗感有所不足[4]。森動數(shù)碼科技有限公司研發(fā)出了具備自主知識產(chǎn)權(quán)的3D體感虛擬試衣系統(tǒng)，這對于國內(nèi)體感虛擬試衣系統(tǒng)的發(fā)展具有重要的影響[5]。

實現(xiàn)以上虛擬試衣系統(tǒng)一般需要通過手工輸入或者設備測量的方式獲取人體數(shù)據(jù)，并構(gòu)建人體三維模型，在顧客選擇衣服款型以后，系統(tǒng)結(jié)合人體三維數(shù)據(jù)和衣服款式為其選擇試衣型號，然后利用UI技術(shù)在顯示設備中展示出顧客的試衣效果。由于人體體型多樣，不同廠家的制衣型號也不規(guī)范，人們很難在多種規(guī)格尺寸服裝中找到量身定做的效果。據(jù)統(tǒng)計，50%的女性認為她們在網(wǎng)絡上找不到非常合體的服裝，50%的退貨原因是由于服裝型號不合適，85%的女性把服裝型號錯誤作為服裝購買評價中不喜歡該服裝的主要原因[6]。因此，在虛擬試衣系統(tǒng)中，試衣型號推薦的準確性極大地影響了顧客的試衣效果，決定了顧客對衣服的滿意程度。

在前面提到的虛擬試衣技術(shù)應用中，絕大部分產(chǎn)品都是使用了傳統(tǒng)的數(shù)據(jù)篩選與匹配方法，來選擇顧客的試衣尺寸型號。文獻[7]中使用了人體身高、體重、性別3個因素，并利用BMI體型進行衣服尺碼匹配，這種方法簡單、易于理解;文獻[8]中通過攝像頭根據(jù)深度值，結(jié)合三角幾何的方法，大致地推測出顧客的身高和身材，進一步地推薦衣服尺碼;文獻[9]中使用層次分析法，利用身高、胸圍、肩寬等人體三維數(shù)據(jù)建立服裝尺碼遞階層次結(jié)構(gòu)模型和判斷矩陣，并利用排序算法為真實顧客的指標匹配出最合適的衣服型號。這些方法大多將人體的三維指標映射到高維網(wǎng)格中，通過數(shù)據(jù)篩選的方式，得到顧客的衣服型號。然而，由于服裝版型不同，服裝的型號本身可能并不規(guī)范，以及顧客身材的高、矮、胖、瘦也不均勻，因此，傳統(tǒng)的衣服型號推薦方法具有一定的巧合性，難以覆蓋到所有的顧客群體。隨著人工智能技術(shù)的發(fā)展，研究者們開始在試衣型號推薦問題中應用機器學習與深度學習技術(shù);文獻[10]中采用了模糊神經(jīng)網(wǎng)絡的方法構(gòu)建了服裝型號推薦專家系統(tǒng)，然而神經(jīng)網(wǎng)絡內(nèi)部像是一個黑盒子，無法評估模型的邏輯合理性;文獻[11]采用了SVM的算法，將身高、背長、臂長等屬性作為機器學習特征，訓練多個模型，利用投票表決的方式為用戶生成服裝型號表。

本文的目標是研究一整套基于Kinect體感測量技術(shù)和加權(quán)隨機森林預測算法的有效且穩(wěn)定的虛擬試衣型號實時推薦模型。以3ds Max系統(tǒng)中的人體尺寸數(shù)據(jù)為樣本，通過與其它幾種典型的機器學習模型開展對比實驗，驗證了基于加權(quán)隨機森林算法的最優(yōu)試衣型號預測模型性能，最后以真實用戶為例，利用Kinect體感測量技術(shù)實時獲取人體信息，并使用最優(yōu)預測模型推薦試衣型號，進一步地使用Unity3D工具展示出了用戶的虛擬試衣效果，驗證了該虛擬試衣型號推薦模型的有效性。

1 研究方法

本文構(gòu)建的虛擬試衣型號推薦模型如圖1所示。首先，獲取3ds Max系統(tǒng)樣本庫中的真實三維人體數(shù)據(jù)，并將其作為試衣型號數(shù)據(jù)集，通過在該數(shù)據(jù)集上訓練加權(quán)隨機森林算法得到最優(yōu)試衣型號預測模型。接下來，對Kinect設備獲取到的真實場景下的顧客三維人體測量數(shù)據(jù)進行預測，得到為該顧客推薦的衣服型號。最后，利用Unity3D工具為顧客展示虛擬試衣效果。如果顧客對該衣服滿意，則將該顧客的三維數(shù)據(jù)和所選型號加入到試衣型號數(shù)據(jù)庫中，作為新樣本數(shù)據(jù)，以供后續(xù)進一步地訓練并提高模型預測準確率。

1.1 三維人體數(shù)據(jù)測量

本文利用Kinect設備收集用戶的三維人體數(shù)據(jù)，用于為其進行試衣型號匹配。Kinect攝像頭將獲取用戶人體的深度圖和彩色圖，通過USB傳給PC，PC對其進行分析并提取出骨骼點和特征信息。這種方法可降低系統(tǒng)本身對于環(huán)境的依賴，而且 Kinect 攝像頭體積小、成本低、使用方便快捷，只需顧客站在攝像頭前就可以完成骨骼點信息的獲取。圖2為利用Kinect獲得的20個關節(jié)節(jié)點構(gòu)成的人體骨骼示意圖。本節(jié)以獲取人體胸圍數(shù)據(jù)為例，展示了基于Kinect數(shù)據(jù)的人體三維測量與計算過程。

1.1.1 顧客坐標映射

利用Kinect攝像頭捕獲場景中用戶的圖片影像及其骨骼三維坐標點，通過將這些三維坐標點與數(shù)據(jù)庫中的20個骨骼關節(jié)節(jié)點的位置坐標進行特征匹配，得到顧客的人體輪廓信息，將其存儲到數(shù)據(jù)結(jié)構(gòu)中，并填充到最終屏幕窗口背景中。圖3為顧客坐標的映射樣例。

1.1.2 人體胸厚、胸寬、肩寬計算

根據(jù)人體生理學原理，人體的胸圍尺寸與胸寬、胸厚和肩寬三者存在著正相關關系[12]。胸厚是人體側(cè)面厚度的最大值，通過計算并遍歷肩部和脊柱2個關節(jié)點之間的側(cè)面人體像素寬度，得到的最大

值為人體的胸厚，如圖4（a）中M和N兩點之間的長度。同時，結(jié)合M與N兩點所在的水平面，從人體正面視角測量W1和W2之間的寬度，可以得到人體的胸寬，如圖4（b）中所示。肩寬可以直接由Kinect測量出的二十個關節(jié)節(jié)點的左肩位置L和右肩位置R計算得到，見圖4（c）。

1.1.3 人體胸圍尺寸擬合

結(jié)合文獻[13]中的研究成果，使用matlab Regress擬合線性回歸分析創(chuàng)建胸圍、胸厚、胸寬及肩寬的線性回歸方程擬合公式（1），該公式擬合結(jié)果的相關系數(shù)γ2=0.982 16。

1.2 試衣型號預測

本文利用機器學習算法從3ds Max人體尺寸數(shù)據(jù)集中學習獲得試衣型號預測模型，如圖5所示。首先，需要利用ETL（extract，transform and load）工具對3ds Max人體尺寸數(shù)據(jù)集進行數(shù)據(jù)預處理，包括特征提取（extract）、轉(zhuǎn)換（transform）、載入（load），通過特征分析，將最有價值的特征儲存到數(shù)據(jù)倉庫中。接下來，利用數(shù)據(jù)倉庫中的有效數(shù)據(jù)集（已處理好的特征集合），訓練機器學習模型，并進行分析優(yōu)化，獲得最優(yōu)預測模型。最后，基于Kinect實時測量的用戶體型數(shù)據(jù)，利用得到的最優(yōu)機器學習模型實時預測用戶試衣型號。

1.2.1 數(shù)據(jù)集與特征描述符

用于訓練試衣型號預測模型的3ds Max人體尺寸數(shù)據(jù)集是一個包含了10，000個人體三維數(shù)據(jù)樣本的Excel表格，每一條樣本包含7個屬性數(shù)據(jù)和一個目標變量（即該衣服型號，值域為[37，46]，均為離散數(shù)值）。見表1，這7個屬性包括身高、腰圍、肩寬、臀圍、胸圍、腿長和臂長，將被用作模型訓練時所參考候選的機器學習特征描述符，該數(shù)據(jù)集將被劃分為訓練集和測試集2部分，訓練集占比70%，用來學習試衣型號預測模型，測試集占比30%，用于對學習算法的最終評估。

1.2.2 數(shù)據(jù)預處理

數(shù)據(jù)預處理用于優(yōu)化訓練試衣型號預測模型的輸入信息，即構(gòu)建對目標變量（即試衣型號）具有有效預測區(qū)分能力的輸入特征空間。針對本研究中的數(shù)據(jù)集，該部分進行了“數(shù)值歸一化，方差評估，特征重要性評價”3步處理。

1.2.2.1 數(shù)值歸一化

數(shù)值歸一化可以對特征值去量綱化，使得不同維度上的數(shù)值具有一定的可比性，提高模型準確性。在3ds Max人體尺寸數(shù)據(jù)集中，身高范圍一般在150～200 cm之間，而人體的肩寬范圍在40～60 cm之間，兩者所在的區(qū)間范圍不一樣，可能導致模型不收斂或者收斂速度比較慢。歸一化將訓練集中每列特征（假設是第i列）的數(shù)值縮放到0和1之間，如公式（2）所示。

1.2.2.2 方差評估

特征方差值較低說明這個特征向量不發(fā)散，樣本在這個特征上基本上沒有差異，因此，該特征對機器學習模型預測數(shù)值判斷區(qū)分能力相對較弱，可以考慮將其刪除，以提高模型的泛化能力。方差計算公式如（3）所示。

其中，j代表第j個樣本，μ是該列特征的樣本均值。值得注意的是，刪除方差最低的特征需要在數(shù)據(jù)歸一化之后操作，減小不同特征使用的不同量綱帶來的影響。

1.2.2.3 特征重要性評價

特征重要性評價有助于分析出影響目標變量（如試衣型號值）預測的關鍵人體屬性，并選擇出有價值的特征，優(yōu)化模型學習空間。本研究使用斯皮爾曼方法計算了用于模型訓練的特征與目標變量試衣型號之間的相關性指數(shù)[14]，用來判斷特征對目標變量的重要性。斯皮爾曼相關性系數(shù)可以檢測非線性變量之間的關系，不論2個變量的總體分布、樣本容量的大小如何，都可以使用斯皮爾曼相關性系數(shù)分析，其值域為[-1，1]，絕對值越大，相關性越高。因此，如果某人體屬性特征與試衣型號的斯皮爾曼相關性系數(shù)值較低，則可以嘗試將其剔除，以提升模型預測精度和泛化能力。求解斯皮爾曼相關性系數(shù)公式如（4）所示。

1.2.3 多分類預測技術(shù)

本文需要獲取的虛擬試衣型號為有限范圍的離散型數(shù)值，可以將每一個型號作為一個類別，因此適合采用多分類技術(shù)進行預測。

1.2.3.1 加權(quán)隨機森林算法

隨機森林算法（Random Forest，RF[15]）是基于bagging理論的一種集成學習方法代表，其采用多棵決策樹模型的投票表決預測結(jié)果。隨機森林內(nèi)部的決策樹模型由訓練集中的自助采樣樣本子集和隨機選擇的m個特征子集通過決策樹算法構(gòu)建，并且在自助采樣過程中，每個樣本未能被抽取到的概率為p=（1-1N）N。可以證明，當N→ 時，p≈0.368，因此每棵決策樹采樣完成后，有接近37%的樣本不被抽取，這些樣本被稱為out-of-bag（OOB）數(shù)據(jù)。

1.2.3.2 對比實驗算法

本文考慮利用“one-vs-rest”策略，將多分類問題轉(zhuǎn)換成多個二分類問題[16]，利用其它典型的機器學習算法進行求解，并與加權(quán)隨機森林模型作對比實驗，包括邏輯回歸分類器（Logistic regression， LR[17]）、支持向量機（support-vector machines， SVM[18]）算法以及原始隨機森林算法（RF）。這3種方法具有不同的模型特性，其中，LR算法可解釋性強、預測效率高;SVM可以利用核函數(shù)將非線性數(shù)據(jù)轉(zhuǎn)換為線性數(shù)據(jù)進行處理，表達能力強;RF泛化能力較好。本研究通過對原始數(shù)據(jù)集進行數(shù)據(jù)預處理，獲得最優(yōu)特征子集，然后對以上幾種多分類預測模型訓練與調(diào)優(yōu)，獲取最優(yōu)試衣型號預測模型。

1.2.4 分類評價指標

由于本文進行多分類預測，不能簡單地使用二分類中的模型性能評價指標，如準確率（Accuracy）、精準率（Precision）、召回率（Recall）指標和F1-Score值，因此，對于1.2.3節(jié)中不同的多分類模型產(chǎn)生的預測結(jié)果，本文采用每一個統(tǒng)計指標值的宏平均值（Macro-average value），即宏準確率（Macro- Accuracy）、宏精確率（Macro-Precision）、宏召回率（Macro-Recall）、宏F-score值（Macro-F-Score）[19]。簡而言之，這些值均越大且越接近于1，說明模型的性能越好，預測準確率越高。以下是幾種模型指標求解的計算模型。

公式（6）～（9）中，真正例（True Positive，TP）指將一個正例判別為了正例，偽反例（False Negative，F(xiàn)N）則將一個正例判別為負例;相應的，偽正例（False Positive，F(xiàn)P）將一個負例認定為正例，真反例（True Negative，TN）指將一個負例認定為負例。i代表第i個訓練樣本，i=1，2，...，N，N=7 000，代表樣本總數(shù)。

為了避免在模型預測過程中出現(xiàn)隨機誤差，使用交叉檢驗[20]來綜合判斷1.2.3節(jié)中各個多分類模型的預測能力，可以在一定程度上減小過擬合。交叉檢驗將原始數(shù)據(jù)集分為k組，其中k-1組用作訓練集，剩余1組用作驗證集，且每一個樣本均用在驗證集中一次。實驗過程中，首先在訓練集上訓練對分類器，再利用驗證集來測試訓練好的模型。每一輪選擇不同的分組數(shù)據(jù)作為驗證集，經(jīng)過多輪訓練，取在所有驗證集上的性能指標平均值作為評價分類器的綜合性能指標，可以選出可靠穩(wěn)定的模型。在本文中，分組數(shù)k設置為10。

1.3 虛擬試裝

在用戶選定準備試穿的虛擬衣服后，基于1.2節(jié)得到的最優(yōu)預測模型獲得試衣型號，利用Unity3D工具在二維的顧客影像中實現(xiàn)三維的3ds Max服裝的遮擋覆蓋，實現(xiàn)人衣虛實融合的效果。實現(xiàn)三維衣服模型遮擋二維人體影像的總體思想是，改變?nèi)S模型的坐標值，使之對應到相應的二維影像上[2]，實現(xiàn)在試衣過程中，實時驗證根據(jù)試衣型號預測模型所挑選的衣服在真實人物身上的合體性展示效果。

2 實驗結(jié)果分析

本文的實驗環(huán)境為 Windows 7操作系統(tǒng)，使用Kinect 攝像機和Unity 3D 工具建立虛擬人物試衣仿真環(huán)境，訓練并比較不同的機器學習算法獲取虛擬試衣型號的最優(yōu)預測模型。硬件環(huán)境：Intel（R） Core（TM）、CPU i7-4720H、3.60 GHz、四核、12G DDR3 RAM、顯卡為Nvidia GEFORE GTX 950M（2G）。

2.1 Kinect人體數(shù)據(jù)測量效果

為驗證Kinect對人體三維數(shù)據(jù)測量的可靠性，本文使用傳統(tǒng)手工測量方式和Kinect測量方式對87名學生志愿者進行了胸圍數(shù)據(jù)測量實驗，使用相對平均偏差s作為評價指標。相對平均偏差s如公式（10）所示。

表2是10名實驗者的Kinect擬合胸圍與手工測量胸圍效果對比實驗結(jié)果。對實驗結(jié)果進行統(tǒng)計，由Kinect得到的胸厚、胸寬和肩寬與手工測量值的相對平均偏差s分別為025%、0.31%、0.18%，擬合胸圍的總體平均相對誤差為1.27%。對于預測試衣型號而言，這3個偏差值相對衣服型號范圍而言較小，可以忽略，因此，Kinect人體三維數(shù)據(jù)測量結(jié)果可靠有效。

2.2 模型訓練與預測結(jié)果

2.2.1 特征分析與選擇

結(jié)合1.2章節(jié)的理論指導，首先進行方差分析，發(fā)現(xiàn)樣本數(shù)據(jù)集中，幾乎所有的特征向量方差值均高于0.05，只有身高特征方差值最低，其余幾項均在0.08左右，如圖6所示。在將特征值歸一化以后，由于人體的三維指標相差量不大，因此特征方差值均比較小。

圖7中繪制了基于斯皮爾曼相關性系數(shù)下的相對特征評分（將評分值進行歸一化后的結(jié)果）。從圖7可以看出，身高、肩寬和臂長3個屬性與試衣型號的相關性較弱，結(jié)合2.2.1節(jié)中身高的方差值較小，因此，在訓練預測模型時，可以通過遞歸消除法依次嘗試刪除身高、肩寬和臂長3個特征來調(diào)優(yōu)訓練模型。遞歸消除法根據(jù)特征評分，每次從特征集合中移除最不重要的特征進行模型訓練，并重復這個步驟，直到選出最優(yōu)模型為止。

2.2.2 模型預測結(jié)果分析

基于試衣型號訓練樣本集，利用遞歸消除法選擇特征，對1.2.3節(jié)中的4種不同的分類算法進行網(wǎng)格調(diào)優(yōu)[21]產(chǎn)生各自的最優(yōu)分類模型，并打印出各自的分類結(jié)果混淆矩陣進行對比。如圖8所示，可以明顯地看出WRF模型的預測準確率高達100%，成功預測出所有的試衣型號，RF與LR相對次之，SVM模型的預測結(jié)果最差，原因可能是SVM模型相對太復雜，模型在學習過程中，容易出現(xiàn)過擬合，而RF和WRF是典型的集成學習模型，其內(nèi)部的樹模型具有良好的劃分樣本特征空間的能力，對于本文中數(shù)據(jù)質(zhì)量比較好的3ds Max人體尺寸數(shù)據(jù)集，體現(xiàn)出了較好的泛化能力。而WRF比RF的預測效果好一些，可以說明加權(quán)的隨機森林算法WRF在該數(shù)據(jù)集上表現(xiàn)優(yōu)于投票表決的原始隨機森林算法RF。

根據(jù)圖9中WRF模型的單棵決策樹的分類過程可以看出，決策樹模型自動學習了不同尺寸型號（由“class”所標記值）的衣服所使用的篩選條件，WRF模型由多棵如此類似的子模型組成，這類似于使用多種面向不同型號和不同人類體型的傳統(tǒng)試衣型號推薦方案來共同決策，為用戶選擇出合適尺寸的衣服，且預測性能好的方案具有較高的話語權(quán)，這也是本文選擇使用WRF算法訓練試衣型號推薦模型的主要依據(jù)。

該圖顯示了在測試集上不同多分類模型預測得到的試衣型號值與真實值的混淆矩陣，橫坐標為真實值，縱坐標為預測值，所有的試衣型號為37到46之間的離散值。對于每一個子圖，除對角線外，每一個元素代表真實值與預測值不匹配的樣本數(shù)量，在對角線上的值越大，說明分類越正確，模型性能越好。以RF混淆矩陣為例，45所標記的行與44所標記的列處元素值為2，說明真實值為45的試衣型號被錯誤的預測為44的樣本數(shù)量為2個。

表3結(jié)合4種不同的評價指標描述了經(jīng)過調(diào)優(yōu)后的4種多分類模型在測試集上的試衣型號預測性能表現(xiàn)。從表3看出，WRF模型學習效果最好，RF的性能基本接近于WRF，原因是基于投票表決的RF模型相對的更加注重泛化能力，一般預測結(jié)果偏差相對較大，方差較小，而基于加權(quán)的WRF模型更加注重模型的準確度，在對于沒有異常點的數(shù)據(jù)集（如3ds Max人體尺寸數(shù)據(jù)集）上，預測結(jié)果偏差較小。SVM模型效果最差，且其參數(shù)調(diào)優(yōu)過程比較復雜。因此，本研究最終采用WRF模型作為試衣型號預測模型。

其中，“entropy”為信息熵，是決策樹的決策條件;“samples”表示該節(jié)點需要決策的樣本數(shù)量;“value”表示當前節(jié)點下每個試衣型號的樣本數(shù)量;“class”表示哪一類樣本數(shù)量最多。

2.3 虛擬試裝效果

圖10（a）和圖10（b）中展示了基于試衣預測模型為不同身材的真實用戶挑選試衣型號，并利用Unity3D工具展示的試衣效果。可以看出，本文采用的加權(quán)隨機森林模型為用戶推薦的試衣型號可以很好地匹配其身材，效果良好。

3 結(jié)束語

本文設計了一整套基于Kinect人體尺寸測量計數(shù)和加權(quán)隨機森林算法的虛擬試衣型號推薦模型。通過實驗驗證了Kinect的數(shù)據(jù)測量有效性，并在3ds Max人體尺寸數(shù)據(jù)集上，利用特征選擇、網(wǎng)格調(diào)優(yōu)等手段訓練得到了準確率高達100%的最優(yōu)多分類預測模型—加權(quán)隨機森林模型。通過對比實驗，證明了基于集成學習的加權(quán)隨機森林模型在多分類問題上具有強大的學習能力與穩(wěn)定的預測性能。最后，本文使用Unity3D工具展示了該模型為真實用戶挑選衣服型號并進行虛擬試裝的效果，可以很好地匹配顧客的體態(tài)，具有較強的實用性，這對已有虛擬試衣系統(tǒng)中試衣型號推薦技術(shù)的優(yōu)化具有重要的參考價值。

參考文獻

[1]韓娜， 陳東偉， 鐘卓成， 等. 基于 Kinect 的虛擬試衣系統(tǒng)設計與實現(xiàn)[J]. 信息技術(shù)， 2015（7）：59-61.

[2]趙海媚， 林振生， 彥虹羽， 等. 基于 Kinect 的 3D 實時虛擬試衣系統(tǒng)的研究[J]. 電子技術(shù)與軟件工程， 2015 （20）：69-71.

[3]胡焰. 基于Kinect的虛擬試衣系統(tǒng)的設計與實現(xiàn)[D]. 武漢：華中科技大學， 2013.

[4]萬艷敏， 付瑩. 增強現(xiàn)實技術(shù)在服裝領域的應用[J].毛紡科技， 2018， 46（5）：57-61.

[5]安妮. 線上店鋪虛擬試衣技術(shù)的實現(xiàn)方式對比分析[J].絲綢，2014，51（2）：40-46.

[6]CONNELL L J， ULRICH P， KNOX A， et al. Body scan analysis for fit models based on body shape and posture analysis[R]. Nottingham Trent ：National Textile Center Annual Report[NTC Project：S01-AC27]， 2004.

[7]趙剛， 雷金華. 服裝尺碼推薦方法與系統(tǒng)：中國，CN103793826A[P]. 2014-05-14.

[8]李智超. 基于 Kinect 的虛擬試衣系統(tǒng)的設計與實現(xiàn)[D]. 南京：東南大學， 2016.

[9]潘璐. 基于層次分析法的服裝推薦專家系統(tǒng)[D]. 上海：東華大學， 2016.

[10]東苗. 面向個性化服裝定制的體型分析與智能修訂[D]. 上海：東華大學， 2010.

[11]汝吉東，王穎.基于SVM女性服裝型號推薦方法研究[J]. 絲綢， 2015， 52（6）：27-31.

[12]胡潮江， 賀義軍， 王宏付. 不同人體厚度狀態(tài)下貼體上裝的衣身結(jié)構(gòu)[J]. 紡織學報， 2015， 36（1）：141-146.

[13]王瑩瑩， 種衍文， 潘少明， 等. 基于 Kinect 深度數(shù)據(jù)的人體胸圍測量方法[J]. 計算機工程與設計， 2015， 36（8）：2138-2142.

[14]de WINTER J C F， GOSLING S D， POTTER J. Comparing the Pearson and Spearman correlation coefficients across distributions and sample sizes：A tutorial using simulations and empirical data[J]. Psychological methods， 2016， 21（3）：273.

[15]BIAU G， SCORNET E. A random forest guided tour[J]. Test， 2016， 25（2）：197-227.

[16]TSOUMAKAS G， KATAKIS I. Multi-label classification：An overview[J]. International Journal of Data Warehousing and Mining （IJDWM）， 2007， 3（3）：1-13.

[17]HOSMER D W， LEMESHOW S. Applied logistic regression[M]. 2nd Ed. NewYork：Wiley-Interscience Publication，2000.

[18]CHANG C C， LIN C J. LIBSVM：a library for support vector machines[J]. ACM transactions on intelligent systems and technology （TIST）， 2011， 2（3）：27.

[19]WU Xizhu， ZHOU Zhihua. A unified view of multi-label performance measures[C]//Proceedings of the 34th International Conference on Machine Learning. [s.l.]：JMLR. org， 2017，70：3780-3788.

[20]WONG T T. Performance evaluation of classification algorithms by k-fold and leave-one-out cross validation[J]. Pattern Recognition， 2015， 48（9）：2839-2846.

[21]SYARIF I， PRUGEL-BENNETT A， WILLS G. SVM parameter optimization using grid search and genetic algorithm to improve classification performance[J]. Telkomnika， 2016， 14（4）：1502-1509.