基于多层感知器神经网络的人体尺寸预测研究

邢英梅，王竹君，[] 王建萍，阚 燕

基于多层感知器神经网络的人体尺寸预测研究

邢英梅1,3,4，王竹君，[1] 王建萍2*，阚 燕1

（1. 安徽工程大学 纺织服装学院，安徽 芜湖 241000；2. 东华大学 服装与艺术设计学院，上海 200051； 3.“纺织面料”安徽省高校重点实验室，安徽 芜湖 241000；4. 安徽省纺织工程技术研究中心，安徽 芜湖 241000）

准确、智能的人体尺寸预测技术，在互联网与服装业深度融合的当前，有助于服装企业提高服装制板的准确率和工作效率，提升企业的智能化水平。基于此，本文以成年男性为例，提出利用多层感知器神经网络构建人体尺寸预测模型，以期通过输入颈椎点高、胸围、腰围、臀围等易测的躯干部位尺寸，实现快速预测全臂长、上臂长、上臂围、大腿围等四肢部位尺寸。经过对网络的训练和仿真测试，以及对不同实验结果的分析，发现具有7个隐层神经元的神经网络性能相对最佳，可满足服装制板的基本需求，这表明用多层感知器神经网络预测人体尺寸是可行的，若进一步选择合适的数据集，网络模型的预测精度会进一步提高。

多层次感知器；神经网络；人体尺寸；预测模型

0 引言

全面了解目标人群的体型和人体相关部位尺寸，有助于提高服装与人体的匹配程度，是提供舒适而美观的服装产品的重要前提。因此，准确获取人体尺寸是服装制板的基础和关键。目前，随着人体测量技术发展，各种接触式和非接触式的人体测量技术在服装行业中得到了广泛的应用。传统的接触式人体测量在测量的精度、效率等存在不足，而非接触式的3D人体扫描技术尽管在精度和效率方面得到了大大改进，但亦存在着空间大、价格昂贵等影响其进一步推广应用的不利因素。同时，由于测量方法或设备的限制，不同人体部位尺寸的采集难度和精度是不一致的。比如，胸围、腰围、肩宽等部位的尺寸相对容易采集，而上裆弧长、腋围等与裤装的上裆结构、上装的袖窿结构关系密切的人体部位，其尺寸获取难度相对较大，精度也难以保证。此外，在互联网经济迅猛发展的当前，消费者与商家身处异地，如何远程、快速、便捷、准确地获取人体相关部位尺寸也是亟待解决的关键技术之一。

近年来，人工神经网络以其良好的非线性映射、自适应特性等，成为机器学习、人工智能领域中备受关注的一个研究方向。在服装领域，不少学者将神经网络技术应用于服装缝口性能预测、用料估算、合体性评估等方面，但在人体尺寸预测的研究相对较少。同时，现有学者的研究多是利用统计回归模型、模糊数学模型、灰色理论模型等进行人体尺寸预测[1-5]。基于此，本文提出一种基于多层感知机神经网络的人体尺寸预测方法，以实现不易获取的人体尺寸的快速获取，提高服装制板的效率和准确性。

1 研究的理论基础和总体框架

1.1 多层感知器神经网络的基本原理

多层感知器网络的基本结构如图1所示，包括1个输入层，1个或2个隐层，1个输出层。该网络具有前向型神经网络的典型特征，信息值可以从输入层神经元传送到隐层1的神经元，再传送到隐层2的神经元，最后到输出层的神经元。每一层的神经元都与其上一层的神经元相连，而同一层的神经元之间没有连接。由于隐层神经元是线性的，因此，在隐层神经元的选取及学习算法上要比其他神经网络简单。

图1 多层感知器神经网络的基本结构

1.2 研究的总体框架

从图2的可知，本文的研究框架遵循以下的步骤：（1）通过三维人体扫描技术采集200名成年男性的全身人体数据，并构建训练样本集和测试样本集；（2）对所采集人体数据进行奇异值分析、样本分布考察等预处理；（3）基于多层感知器神经网络构建人体细部尺寸预测模型；（4）利用训练样本集对多层感知机神经网络模型进行训练；（5）利用测试样本集对训练好的多层感知机神经网络模型进行人体细部尺寸的仿真预测。

图2 研究流程图

2 人体数据的采集和预处理

2.1 人体数据的采集

为保证所采集数据的精度，本文利用非接触式三维人体扫描技术采集了200名成年男性的全身点云，并从中提取了身高、颈椎点高、背长、胸围、颈围、全肩宽、上臂围、全臂长、大腿围、膝围等58个测量部位的人体尺寸。

2.2 人体数据的预处理

2.2.1 奇异值分析

奇异值，又叫做离群值，异常值，指的是偏离数据总体发展趋势的数据点，它的存在会对数据分析结果产生较大的影响。在人体数据采集过程中，由于设备、环境、人员等主客观方面的原因，难免产生奇异值。为避免奇异值对后续研究的影响，本文利用SPSS统计分析软件进行探索分析，根据箱形图来检验识别奇异值。对于识别出的奇异值，首次采用重新测量的方式以避免人为误差的影响，若仍为奇异值，则分析、判断该样本是否为特殊体型，再决定是否予以剔除。

图3所示为颈椎点高的箱形图，从中可见，第1、21、22、64、85、96号样本为奇异值，经过重新测量、检验，排除人为的测量误差后，发现这几个样本为特体，为保证研究样本的多样性，对这些奇异值均予以保留。对于所采集人体数据的其他部位，采用相同的方法逐一进行奇异值分析。

图3 颈椎点高的箱形图

2.2.2 样本分布考察

许多数据分析的方法要求样本数据需要符合正态分布或者近似正态分布，因此，需要对所采集的每个部位数据进行样本分布考察，检验其是否符合正态分布。本文采用直方图和Q-Q概率图分别对样本分布进行考察。图4所示为颈椎点高样本分布的直方图和Q-Q概率图，从中不难看出颈椎点高基本符合正态分布，无明显偏锋。通过对其余各部位样本分布的考察，均基本符合正态分布曲线，可供后续分析研究。

（a）直方图　　　　　　　　　　　　　　　　　　　　　　（b）Q-Q概率图

3 人体细部尺寸的多层感知器神经网络预测模型设计和仿真测试

3.1 神经网络的层数

感知器神经网络分为单层感知器神经网络和多层感知器神经网络。多层感知器神经网络是在单层感知器神经网络的基础上推广而来，其可以有1个或2个的隐层，通常1个隐层即可满足大多数实际应用的场景。因此，本文所构建的的多层感知器神经网络的层数为3层，即：1个输入层，1个隐层和1个输出层。

3.2 输入层和输出层神经元

根据本文研究的需要，从之前采集的58个人体测量部位中，选择颈椎点高、胸围、腰围、臀围、颈围、胸宽、背宽、背长等9个容易获取的人体躯干部位尺寸作为输入层神经元，同时，选择全臂长、上臂长、上臂围、腋围、上裆弧长、大腿围、膝围、腰高、股下长等9个四肢部位尺寸为输出神经元。

3.3 训练样本集和测试样本集的构建

将采集的200个成年男性样本按9:1的比例随机分成两个部分，90%的样本即180个的样本作为训练样本集，对神经网络进行训练。而后，再将剩余的10%的样本，即20个样本，作为测试样本集，对训练好的神经网络进行测试，以检验神经网络的预测性能。

3.4 隐层神经元数的确定

隐层神经元数量的多少会影响多层次感知器神经网络的性能。隐层神经元数量越少，网络的收敛速度越快，但网络的预测精度可能不佳，而反之，隐层神经元数量越多，网络的预测精度就会越高，但也容易导致网络过拟合、收敛速度过慢或不收敛等。因此，选择合适的隐层神经元数量就显得十分必要。但是，目前在确定隐层神经元的数量上并无统一的方法，本文根据以下式（4）估算神经元：

3.5 数据的标准化

数据标准化是将数据按比例缩放，使之落入一个小的特定区间，目的是去除数据的单位限制，将其转化为无量纲的纯数值，以便进行对不同单位或量级的指标进行比较和加权。为消除或降低不同单位或量级对后续分析的影响，本文采用归一化的方法对数据进行标准化处理，计算公式如式（5）：

其中，i为标准化的数据，i为原始数据。

4 多层感知器神经网络预测模型的性能分析

4.1 综合预测性能分析

表1 不同隐层神经元数的神经网络模型预测性能比较

从表1不难看出，当隐层神经元数为11时，各部位平均绝对偏差最小，为0.0078，但其平均偏差率为0.14%，是所测模型中第三小的，反映出各部位的偏差不是非常均衡；当隐层神经元数为5时，各部位平均偏差率最小，为0.06%，而其平均绝对偏差为-0.06，反映出尽管其各部位的偏差相对比较均衡，但绝对偏差显得略大。综合来看，隐层神经元数为7的模型，其平均绝对偏差和平均偏差分别为0.131和0.10%，均是所测模型中第二小的，综合预测性能相对较好。

4.2 分部位预测性能分析

根据隐层神经元数为7的模型的预测结果，各部位预测值与原始测量值之间的偏差情况如表2所示，从中不难发现，每个部位的预测精度并不一致。从平均绝对偏差的角度，腋窝的绝对偏差最大，达到了0.1028cm，而全臂长和总裆围的绝对偏差最小，为0.0069cm。从平均偏差率的角度，全臂长偏差最小，仅为-0.02%，上臂围的偏差最大，为0.46%。综合两个方面，全臂长的预测精度最高，上臂围的预测精度相对最低。从服装制板的角度，这9个部位的预测精度完全满足需求。

表2 不同部位的预测性能比较

5 结语

本文以成年男性人体数据为例，提出了一种基于多层次感知器的人体尺寸预测方法。通过对网络层数、输入层神经元数、输出层神经元数、隐层神经元数等网络参数的设计，并以9:1的比例划分训练样本集和测试样本集，对神经网络模型进行了训练和仿真测试。从平均绝对偏差和平均绝对偏差率的角度对不同模型的预测精度进行了比较，尽管隐层神经元数为7的模型，两项指标均非最低的，但是均为第二低的，综合性能相对最优。继续比较各个部位的预测精度，发现全臂长的偏差最小，预测精度最高，上臂围的偏差最大，预测精度相对最低，但从服装制板的实际，所有部位的预测精度均符合要求。从分析结果可以看出，本文所构建的基于多层感知器神经网络的人体细部尺寸预测模型，具有较高的预测精度，可满足服装制板的基本需求。同时，可通过采用更多样本的训练和仿真，找寻更优的参数，改善不同人体部位尺寸的预测精度。

[1] 丛杉．基于灰色系统理论的人体尺寸预测方法研究[J]．上海纺织科技， 2006，(06)：81-83．

[2] 黄珍珍，王晓云，张鸿志．通过小样本人体尺寸做人体参数测量的预测[J]．天津工业大学学报，2010，29(02)：34-38．

[3] 夏明，王文玲，张文斌．人体特征断面形状拟合及围度尺寸预测[J]．纺织学报，2014，35(08)： 76-80．

[4] 许家岩．人体体表形态下的颈围尺寸预测[J]．辽宁丝绸，2016，(04)：52-53．

[5] 丁中娟．基于平面投影轮廓获取人体尺寸的研究[D]．上海：东华大学，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，博士生导师，研究方向：先进服装制造工程.

安徽省高校人文社会科学重点研究项目（SK2017A0119，SK2016A0116）；“纺织面料”安徽省高校重点实验室、安徽省纺织工程技术研究中心联合开放基金项目（2018AKLTF15）；教育部人文社会科学研究规划基金项目（18YJA760017）；安徽省高等教育提升计划人文社会科学研究一般项目（TSSK2016B20）；安徽工程大学校级本科教学质量提升计划项目（2015jyxm24，2015yxkc03、2016jpkc02）；国家级大学生创新创业训练项目（201610363035）；安徽省大学生创新创业训练项目（201610363180、201510363186、201510363192）.