基于幾何模型與神經(jīng)網(wǎng)絡(luò)的人體參數(shù)擬合研究

唐玉輝 付曉峰

摘要：遠(yuǎn)程服裝私人定制體現(xiàn)人工智能性，客戶只需要上傳幾張圖像，定制系統(tǒng)便可根據(jù)圖像分析結(jié)果遠(yuǎn)程判定其尺碼參數(shù)，定制合身服裝。因此，利用二維圖像獲取人體尺寸用于服裝定制是當(dāng)前的研究熱點(diǎn)，但是普遍存在參數(shù)擬合精確度不足、部分尺寸參數(shù)擬合算法缺乏的問(wèn)題。就此，文章提出基于幾何模型的尺寸擬合算法，對(duì)于部分尺寸采用神經(jīng)網(wǎng)絡(luò)擬合的方法。與已有算法相比，所提算法在精確度和合格率（相對(duì)誤差在5%以內(nèi)的比率）方面更有優(yōu)勢(shì)，保證各尺寸平均相對(duì)誤差在5%以內(nèi)，平均絕對(duì)誤差不超過(guò)2 cm。所提算法靈活運(yùn)用幾何模型和神經(jīng)網(wǎng)絡(luò)兩種方法，提高了尺寸擬合的精確度。

關(guān)鍵詞：非接觸式測(cè)量；人體特征點(diǎn)檢測(cè)；人體參數(shù)擬合

中圖分類號(hào)：TP391.41

文獻(xiàn)標(biāo)志碼：A

0 引言

服裝私人定制由人工現(xiàn)場(chǎng)測(cè)量人體尺寸逐漸朝遠(yuǎn)程私人定制方向轉(zhuǎn)變，這是人工智能在服裝定制行業(yè)的應(yīng)用體現(xiàn)，具有廣闊的前景和市場(chǎng)。一些設(shè)計(jì)者采用三維人體掃描儀，獲取人體3D點(diǎn)云。謝昊洋^［1］構(gòu)建高精度的三維人體模型用于虛擬試衣?；谌S模型的人體測(cè)量難以用于目前的網(wǎng)絡(luò)購(gòu)物，因?yàn)槿S模型的獲取需要專業(yè)設(shè)備，無(wú)法推廣到個(gè)人，而二維圖像的獲取途徑則非常簡(jiǎn)單方便。

在二維圖像中測(cè)量人體尺寸時(shí)，現(xiàn)有的大多數(shù)方法是針對(duì)三圍，對(duì)于其他尺寸的參數(shù)擬合算法處于缺乏狀態(tài)，國(guó)外相關(guān)研究機(jī)構(gòu)和人士針對(duì)人體尺寸的擬合算法研究也較少。本文針對(duì)青年女性的重要尺寸（前胸寬、后背寬、肩寬、袖長(zhǎng)）的參數(shù)擬合提出精確算法，通過(guò)構(gòu)建幾何模型完成多個(gè)尺寸的參數(shù)擬合。對(duì)于弧線（如肩寬）采用圓弧擬合，一些不規(guī)則曲線（如前胸寬、后背寬、袖長(zhǎng)）采用直線段和曲線積分的方法與神經(jīng)網(wǎng)絡(luò)相結(jié)合完成擬合。

1 基于深度學(xué)習(xí)的人體輪廓提取

人體輪廓提取是自動(dòng)人體測(cè)量系統(tǒng)非常重要的第一步。采用深度卷積神經(jīng)網(wǎng)絡(luò)來(lái)完成人體輪廓的提取，能夠在復(fù)雜的背景中完成提取工作。DeepLabv3+是深度卷積神經(jīng)網(wǎng)絡(luò)中非常出色的圖像分割模型，本文采用它來(lái)完成人體輪廓提取。為實(shí)現(xiàn)通過(guò)圖像測(cè)量得到精確的人體尺寸，模特拍照時(shí)需要穿貼身的衣物。為保護(hù)隱私，所提取的輪廓圖是黑白二值圖，接下來(lái)的工作也將在黑白二值圖上進(jìn)行。

2 人體參數(shù)擬合算法

2.1 肩寬、前胸寬和后背寬

2.1.1 肩寬

計(jì)算肩寬應(yīng)先找到左右肩膀的肩袖接縫處，再計(jì)算兩點(diǎn)之間的曲線距離。腋窩點(diǎn)（尋找方法見2.1.2節(jié)）向上往外傾斜角β約為5°（tanβ=0.1）的邊界點(diǎn)，即為肩袖接縫處。擬合方法：肩寬是有弧度的，所以可用圓弧擬合，左右肩袖接縫點(diǎn)直線距離為shoulder_L，α取π/12最佳，如下式所示。

2.1.2 前胸寬和后背寬

前胸寬和后背寬分別是從左腋窩點(diǎn)經(jīng)前胸和后背到達(dá)右腋窩點(diǎn)的距離，存在一定的弧度。要先準(zhǔn)確找到腋窩點(diǎn)，如圖1所示。具體方法如下：（1）尋找順序從臀圍線往上，從人體中線往左側(cè)。（2）每行判斷邊界點(diǎn)數(shù)量。（3）邊界點(diǎn)數(shù)量由3個(gè)轉(zhuǎn)化為1個(gè)時(shí)，即是腋窩點(diǎn)處。（4）將左右腋窩點(diǎn)連接，即為左右腋窩點(diǎn)直線距離armpit_L。

由于體型差異，前胸與后背曲線弧度差異較大，采用神經(jīng)網(wǎng)絡(luò)模型擬合能適應(yīng)更復(fù)雜的情況。此模型需將影響前胸寬和后背寬的因素，作為神經(jīng)網(wǎng)絡(luò)模型的輸入。而在側(cè)面圖中直接獲取的是腋窩高度處的厚度，因?yàn)楹穸炔⒉荒苡行Х从城靶睾秃蟊车奶卣鳎孕枰獙⑶靶睾秃蟊硠澐珠_^［2］。于是，在側(cè)面圖中，沿著大腿根中線豎直往上，將腋窩點(diǎn)處胸部直線段劃分為前胸AP和后背BP。將AP和BP的長(zhǎng)度以及armpit_L作為神經(jīng)網(wǎng)絡(luò)模型的輸入，輸出為前胸寬和后背寬。

2.2 袖長(zhǎng)

袖長(zhǎng)的測(cè)量是從肩袖接縫處到手腕，肩袖接縫處的定位前文已描述，此處只需再尋找手腕，并對(duì)袖長(zhǎng)進(jìn)行參數(shù)擬合。

尋找手腕（右手）：（1）確定范圍，如圖2所示右界限為白色像素點(diǎn)最多的一列，左界限為最右側(cè)白色像素點(diǎn)與肩袖接縫處點(diǎn)A橫坐標(biāo)的1/2。（2）尋找手臂最細(xì)處（胳膊輪廓上下兩側(cè)距離最近的兩個(gè)白色像素點(diǎn)）。（3）最靠近右側(cè)且不大于手臂最細(xì)處3個(gè)像素點(diǎn)的位置為手腕處。

尋找到手腕位置后，需要計(jì)算袖長(zhǎng)，最簡(jiǎn)單的方法是直接計(jì)算A，C兩點(diǎn)之間的直線距離，但從圖2可見，顯然不合理，因?yàn)槭止y(cè)量時(shí)，皮尺不能穿過(guò)手臂（灰色的直線穿過(guò)了白色像素點(diǎn)）?？紤]到手工測(cè)量時(shí)的情況，采用凸多邊形的方法計(jì)算袖長(zhǎng)，結(jié)果有所提升。為進(jìn)一步進(jìn)行改進(jìn)，筆者觀察發(fā)現(xiàn)直接計(jì)算直線距離相比手工測(cè)量值幾乎都是偏小。而計(jì)算兩點(diǎn)之間輪廓的曲線積分距離，相比手工測(cè)量值幾乎都是偏大。于是，提出以下方法，較凸多邊形法有進(jìn)一步提升。

計(jì)算袖長(zhǎng)方法：（1）計(jì)算左右兩側(cè)各自肩袖接縫處與手腕處的直線距離和輪廓曲線距離。（2）將左右兩側(cè)直線距離取較大值得到L1，將左右兩側(cè)曲線距離取較小值得到L2（將左右兩側(cè)直線距離取較小值得到L3，將左右兩側(cè)曲線距離取較大值得到L4）。（3）將L1和L2求平均（或者L3和L4求平均）得到袖長(zhǎng)值。實(shí)驗(yàn)部分將分析這兩種不同方法的精確度。

3 實(shí)驗(yàn)

3.1 實(shí)驗(yàn)細(xì)節(jié)

本文實(shí)驗(yàn)在自制的青年女性樣本數(shù)據(jù)集上進(jìn)行。通過(guò)兩臺(tái)固定相機(jī)拍攝獲得背面圖和側(cè)面圖，并測(cè)量身高和實(shí)驗(yàn)所需要的相關(guān)尺寸。為保證測(cè)量的準(zhǔn)確性，拍攝與測(cè)量時(shí)，模特保持相同姿勢(shì)，且由兩人多次測(cè)量，對(duì)于不同的圍度分別進(jìn)行實(shí)驗(yàn)對(duì)照。本文實(shí)驗(yàn)的評(píng)價(jià)標(biāo)準(zhǔn)是：合格率、平均相對(duì)誤差、誤差超過(guò)15 mm的個(gè)數(shù)及比例、平均絕對(duì)誤差。合格指相對(duì)誤差＜5%的數(shù)據(jù)，不合格指相對(duì)誤差≥5%的數(shù)據(jù)，合格率指合格數(shù)據(jù)與總體數(shù)據(jù)在數(shù)量方面的比值。

3.2 肩寬、前胸寬和后背寬實(shí)驗(yàn)結(jié)果

鄒昆等^［3］直接采用直線作為肩寬，未考慮擬合情況，所以所得結(jié)果較差。在準(zhǔn)確定位肩頸點(diǎn)的情況下，采用直線測(cè)量必然會(huì)導(dǎo)致數(shù)據(jù)偏小。本文用圓弧擬合肩寬，更加貼合實(shí)際測(cè)量時(shí)的曲線，所得結(jié)果相比線性回歸擬合和直接采用直線測(cè)量所得結(jié)果更加精確^［1］，如表1所示，平均絕對(duì)誤差更小，且平均絕對(duì)誤差超過(guò)15 mm的個(gè)數(shù)減少了18個(gè)。

前胸寬和后背寬平均絕對(duì)誤差都較小，但平均相對(duì)誤差較大，如表2所示。由于前胸寬比胸圍等圍度尺寸更小，控制平均相對(duì)誤差變得更加艱難。近幾年文獻(xiàn)中，對(duì)于前胸寬和后背寬的計(jì)算方法鮮有提及，沒(méi)有將獲得的胸寬胸厚擬合成前胸寬和后背寬。譚菲^［4］在2010年提出采用線性回歸獲得前胸寬和后背寬。本文采用神經(jīng)網(wǎng)絡(luò)擬合相比線性回歸擬合方法獲得一定提升^［4］，保證平均相對(duì)誤差在5%以內(nèi)，且平均絕對(duì)誤差也取得提升。線性回歸擬合在前胸寬上較“直線”方法有進(jìn)步^［4］，而在后背寬卻得到更差的擬合效果。

3.3 袖長(zhǎng)計(jì)算方法的對(duì)比

分別計(jì)算左袖長(zhǎng)和右袖長(zhǎng)，記為left_n，right_n。n代表不同的方法，當(dāng)n為1時(shí)，表示肩袖接縫處到手腕的直線距離；n為2時(shí)，表示肩袖接縫處到手腕輪廓線上的凸多邊形的距離；n為3時(shí)，表示肩袖接縫處到手腕輪廓上曲線積分距離。如表3所示，給出了各種組合方法的誤差，以此來(lái)確定最佳的組合。其中：

M1=（max （left_1， right_1）+min（left_3， right_3））/2

M2=（min（left_1，right_1）+max（left_3，right_3））/2

M3=（min（left_2，right_2）+max（left_3，right_3））/2

M4=（max（left_2， right_2）+min（left_3，right_3））/2

由表3可知，M2是最優(yōu)的一種組合。鄒昆等^［3］僅僅采用直線測(cè)量，本文方法與之相比，在合格率上提升大約10%，在平均絕對(duì)誤差上減小了約5 mm。

4 結(jié)語(yǔ)

本文對(duì)基于二維圖像的人體尺寸測(cè)量中參數(shù)擬合提出了一些創(chuàng)新性算法，所得結(jié)果獲得顯著提升。對(duì)于大部分尺寸采用幾何模型擬合，均獲得較好的實(shí)驗(yàn)結(jié)果；對(duì)于部分尺寸（如前胸寬和后背寬），采取神經(jīng)網(wǎng)絡(luò)模型擬合，獲得較好的結(jié)果；對(duì)于袖長(zhǎng)采用不同幾何方法的結(jié)合，得到一個(gè)最精確的計(jì)算袖長(zhǎng)方法。本文為保護(hù)隱私，將彩圖處理成二值圖存在細(xì)節(jié)損失，如果直接利用彩圖進(jìn)行測(cè)量將獲得更多細(xì)節(jié)，達(dá)到更高精度。用深度學(xué)習(xí)算法直接對(duì)彩圖進(jìn)行測(cè)量將會(huì)是一個(gè)新的方向。

參考文獻(xiàn)

［1］謝昊洋.高精度三維人體重建及其在虛擬試衣中的應(yīng)用［D］.上海：東華大學(xué)，2020.

［2］賈俊瑛.基于圖像的人體尺寸測(cè)量方法研究［D］.上海：上海師范大學(xué)，2020.

［3］鄒昆，馬黎，李蓉，等.基于圖像的非接觸式人體參數(shù)測(cè)量方法［J］.計(jì)算機(jī)工程與設(shè)計(jì)，2017（2）：511-516.

［4］譚菲.基于數(shù)字圖像的青年女性體型及非接觸式二維測(cè)量系統(tǒng)研究［D］.蘇州：蘇州大學(xué)，2010.

（編輯 沈 強(qiáng)）

Research on fitting of human body parameters based on geometric model and neural networkTang Yuhui， Fu Xiaofeng^*

（College of Computer Science， Hangzhou Dianzi University， Hangzhou 310018， China）

Abstract： Remote clothing customization reflects the artificial intelligence. Customers only need to upload a few images， and the customized system can remotely determine the size parameters according to the image analysis results， and customize the fitting outfit. Therefore， it is is images to obtain human dimensions for garment customization. However， there are some problems such as insufficient accuracy of parameter fitting and lack of fitting of some dimension parameters. To solve the problems， this paper proposes a size fitting calculation method based on geometric model， and uses neural network fitting method to obtain more accurate parameter fitting for some sizes. Compared with the existing algorithms， the proposed algorithm has more superiorities in accuracy and pass rate （the ratio of relative error within 5%）. Besides， it ensures that the average relative error of each size is within 5%， and the average absolute error is less than 2cm. The proposed algorithm flexibly uses two methods of geometric model fitting and neural network fitting， so that the accuracy is improved.

Key words： non-contact measurement; human body feature point detection; human body parameter fitting