基于几何模型与神经网络的人体参数拟合研究

唐玉辉 付晓峰

摘要：远程服装私人定制体现人工智能性，客户只需要上传几张图像，定制系统便可根据图像分析结果远程判定其尺码参数，定制合身服装。因此，利用二维图像获取人体尺寸用于服装定制是当前的研究热点，但是普遍存在參数拟合精确度不足、部分尺寸参数拟合算法缺乏的问题。就此，文章提出基于几何模型的尺寸拟合算法，对于部分尺寸采用神经网络拟合的方法。与已有算法相比，所提算法在精确度和合格率（相对误差在5%以内的比率）方面更有优势，保证各尺寸平均相对误差在5%以内，平均绝对误差不超过2 cm。所提算法灵活运用几何模型和神经网络两种方法，提高了尺寸拟合的精确度。

关键词：非接触式测量；
人体特征点检测；
人体参数拟合

中图分类号：TP391.41

文献标志码：A

0 引言

服装私人定制由人工现场测量人体尺寸逐渐朝远程私人定制方向转变，这是人工智能在服装定制行业的应用体现，具有广阔的前景和市场。一些设计者采用三维人体扫描仪，获取人体3D点云。谢昊洋^［1］构建高精度的三维人体模型用于虚拟试衣。基于三维模型的人体测量难以用于目前的网络购物，因为三维模型的获取需要专业设备，无法推广到个人，而二维图像的获取途径则非常简单方便。

在二维图像中测量人体尺寸时，现有的大多数方法是针对三围，对于其他尺寸的参数拟合算法处于缺乏状态，国外相关研究机构和人士针对人体尺寸的拟合算法研究也较少。本文针对青年女性的重要尺寸（前胸宽、后背宽、肩宽、袖长）的参数拟合提出精确算法，通过构建几何模型完成多个尺寸的参数拟合。对于弧线（如肩宽）采用圆弧拟合，一些不规则曲线（如前胸宽、后背宽、袖长）采用直线段和曲线积分的方法与神经网络相结合完成拟合。

1 基于深度学习的人体轮廓提取

人体轮廓提取是自动人体测量系统非常重要的第一步。采用深度卷积神经网络来完成人体轮廓的提取，能够在复杂的背景中完成提取工作。DeepLabv3+是深度卷积神经网络中非常出色的图像分割模型，本文采用它来完成人体轮廓提取。为实现通过图像测量得到精确的人体尺寸，模特拍照时需要穿贴身的衣物。为保护隐私，所提取的轮廓图是黑白二值图，接下来的工作也将在黑白二值图上进行。

2 人体参数拟合算法

2.1 肩宽、前胸宽和后背宽

2.1.1 肩宽

计算肩宽应先找到左右肩膀的肩袖接缝处，再计算两点之间的曲线距离。腋窝点（寻找方法见2.1.2节）向上往外倾斜角β约为5°（tanβ=0.1）的边界点，即为肩袖接缝处。拟合方法：肩宽是有弧度的，所以可用圆弧拟合，左右肩袖接缝点直线距离为shoulder_L，α取π/12最佳，如下式所示。

2.1.2 前胸宽和后背宽

前胸宽和后背宽分别是从左腋窝点经前胸和后背到达右腋窝点的距离，存在一定的弧度。要先准确找到腋窝点，如图1所示。具体方法如下：（1）寻找顺序从臀围线往上，从人体中线往左侧。（2）每行判断边界点数量。（3）边界点数量由3个转化为1个时，即是腋窝点处。（4）将左右腋窝点连接，即为左右腋窝点直线距离armpit_L。

由于体型差异，前胸与后背曲线弧度差异较大，采用神经网络模型拟合能适应更复杂的情况。此模型需将影响前胸宽和后背宽的因素，作为神经网络模型的输入。而在侧面图中直接获取的是腋窝高度处的厚度，因为厚度并不能有效反映前胸和后背的特征，所以需要将前胸和后背划分开^［2］。于是，在侧面图中，沿着大腿根中线竖直往上，将腋窝点处胸部直线段划分为前胸AP和后背BP。将AP和BP的长度以及armpit_L作为神经网络模型的输入，输出为前胸宽和后背宽。

2.2 袖长

袖长的测量是从肩袖接缝处到手腕，肩袖接缝处的定位前文已描述，此处只需再寻找手腕，并对袖长进行参数拟合。

寻找手腕（右手）：（1）确定范围，如图2所示右界限为白色像素点最多的一列，左界限为最右侧白色像素点与肩袖接缝处点A横坐标的1/2。（2）寻找手臂最细处（胳膊轮廓上下两侧距离最近的两个白色像素点）。（3）最靠近右侧且不大于手臂最细处3个像素点的位置为手腕处。

寻找到手腕位置后，需要计算袖长，最简单的方法是直接计算A，C两点之间的直线距离，但从图2可见，显然不合理，因为手工测量时，皮尺不能穿过手臂（灰色的直线穿过了白色像素点）。考虑到手工测量时的情况，采用凸多边形的方法计算袖长，结果有所提升。为进一步进行改进，笔者观察发现直接计算直线距离相比手工测量值几乎都是偏小。而计算两点之间轮廓的曲线积分距离，相比手工测量值几乎都是偏大。于是，提出以下方法，较凸多边形法有进一步提升。

计算袖长方法：（1）计算左右两侧各自肩袖接缝处与手腕处的直线距离和轮廓曲线距离。（2）将左右两侧直线距离取较大值得到L1，将左右两侧曲线距离取较小值得到L2（将左右两侧直线距离取较小值得到L3，将左右两侧曲线距离取较大值得到L4）。（3）将L1和L2求平均（或者L3和L4求平均）得到袖长值。实验部分将分析这两种不同方法的精确度。

3 实验

3.1 实验细节

本文实验在自制的青年女性样本数据集上进行。通过两台固定相机拍摄获得背面图和侧面图，并测量身高和实验所需要的相关尺寸。为保证测量的准确性，拍摄与测量时，模特保持相同姿势，且由两人多次测量，对于不同的围度分别进行实验对照。本文实验的评价标准是：合格率、平均相对误差、误差超过15 mm的个数及比例、平均绝对误差。合格指相对误差＜5%的数据，不合格指相对误差≥5%的数据，合格率指合格数据与总体数据在数量方面的比值。

3.2 肩寬、前胸宽和后背宽实验结果

邹昆等^［3］直接采用直线作为肩宽，未考虑拟合情况，所以所得结果较差。在准确定位肩颈点的情况下，采用直线测量必然会导致数据偏小。本文用圆弧拟合肩宽，更加贴合实际测量时的曲线，所得结果相比线性回归拟合和直接采用直线测量所得结果更加精确^［1］，如表1所示，平均绝对误差更小，且平均绝对误差超过15 mm的个数减少了18个。

前胸宽和后背宽平均绝对误差都较小，但平均相对误差较大，如表2所示。由于前胸宽比胸围等围度尺寸更小，控制平均相对误差变得更加艰难。近几年文献中，对于前胸宽和后背宽的计算方法鲜有提及，没有将获得的胸宽胸厚拟合成前胸宽和后背宽。谭菲^［4］在2010年提出采用线性回归获得前胸宽和后背宽。本文采用神经网络拟合相比线性回归拟合方法获得一定提升^［4］，保证平均相对误差在5%以内，且平均绝对误差也取得提升。线性回归拟合在前胸宽上较“直线”方法有进步^［4］，而在后背宽却得到更差的拟合效果。

3.3 袖长计算方法的对比

分别计算左袖长和右袖长，记为left_n，right_n。n代表不同的方法，当n为1时，表示肩袖接缝处到手腕的直线距离；
n为2时，表示肩袖接缝处到手腕轮廓线上的凸多边形的距离；
n为3时，表示肩袖接缝处到手腕轮廓上曲线积分距离。如表3所示，给出了各种组合方法的误差，以此来确定最佳的组合。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是最优的一种组合。邹昆等^［3］仅仅采用直线测量，本文方法与之相比，在合格率上提升大约10%，在平均绝对误差上减小了约5 mm。

4 结语

本文对基于二维图像的人体尺寸测量中参数拟合提出了一些创新性算法，所得结果获得显著提升。对于大部分尺寸采用几何模型拟合，均获得较好的实验结果；
对于部分尺寸（如前胸宽和后背宽），采取神经网络模型拟合，获得较好的结果；
对于袖长采用不同几何方法的结合，得到一个最精确的计算袖长方法。本文为保护隐私，将彩图处理成二值图存在细节损失，如果直接利用彩图进行测量将获得更多细节，达到更高精度。用深度学习算法直接对彩图进行测量将会是一个新的方向。

参考文献

［1］谢昊洋.高精度三维人体重建及其在虚拟试衣中的应用［D］.上海：东华大学，2020.

［2］贾俊瑛.基于图像的人体尺寸测量方法研究［D］.上海：上海师范大学，2020.

［3］邹昆，马黎，李蓉，等.基于图像的非接触式人体参数测量方法［J］.计算机工程与设计，2017（2）：511-516.

［4］谭菲.基于数字图像的青年女性体型及非接触式二维测量系统研究［D］.苏州：苏州大学，2010.

（编辑 沈 强）

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