一种基于特征距离集的腰腹臀体型分类方法及其测量装置

摘要

本发明公开了一种基于特征距离集的腰腹臀体型分类方法及测量装置，测量装置由采集装置及专用测量背带裤组成，采集装置包括基座、摄像头支柱，摄像头及伸缩扶杆，基座的中心位置设有定位脚印，专用测量背带裤上印有栅形图案，专用测量背带裤的腰头处设有第一标记线，专用测量背带裤的裆部处设有第二标记线，背带上缝制有魔术贴。借助该测量装置，实现快速、准确、简单地提取反映人体三维立体形态的特征距离集，对腰腹体型实现分类，从而为不同体型的下装结构设计提供理论依据，使下装腰腹臀部密切结合人体体型特征，提高下装的合体性和舒适性。

说明书

技术领域

本发明涉及一种服装测量领域，尤其是涉及一种基于特征距离集的腰腹臀体型分 类方法及其测量装置。

背景技术

当代消费者对服装结构合体度以及舒适度要求的提高，高质量及个性化的服装消 费方式的出现促使了工业化量身定制的发展。服装行业也需要不断改进以适应消费者的不 断提升的需求。

服装的合体性是影响服装外观质量的一个重要因素，裤子作为人们日常着装的重 要部分，其合体性已被广泛地认为是影响其外形及销售量最重要的单体因素，甚至超过了 裤子的款式、色彩、价格及面料质地。有调查表明，消费者尤其是女性消费者认为尺寸合体 是选择裤子时最重要的因素之一。然而，人体体型存在差异，即使尺寸相同的人，穿着同一 件服装，其穿着舒适性往往也会截然不同。可见，服装的合体性与穿着者的体型特征密切相 关，并且会影响到着装的舒适性。

服装与人体唇齿相依，人体是服装的支撑和基础，服装结构设计的每一个部分必 须紧密联系对应人体的各个部位，以满足人们着装合体性、舒适性需求。腰腹臀部作为人体 下体特征的关键部位，其关系到下装设计的舒适性和美观性。因此，腰腹臀部作为下装与人 体最贴合的部位，其对下装合体性要就较高。下装的腰腹臀部既要满足人体动静态需求，也 要对人体腰腹臀部的着装效果起到修饰美化作用，还直接关系到下装整体风格的和谐展 示。

人体腰腹臀部的形态特征直接关系到下装的整体着装效果、舒适性和合体性，下 装腰腹臀部位只有符合人体形态特征才能体现其合体舒适性，其结构必须以人体腰腹部结 构特征为基础进行设计。人体腰围线、臀围线和下档线是腰腹臀部形态的特征线，臀围质心 是人体臀部形态的关键点，与下装均有着紧密联系，通过寻找人体腰腹臀部特征线及臀围 质心，提取特征线上各特征点到臀围质心的特征距离获得特征距离集，分析腰腹臀部三维 形态特征，处理好人体腰腹臀部形态与下装两者之间的关系，可以让下装穿着既舒适又美 观。

目前，国内外机构和学者为提高服装的合体性和舒适性对人体的体型分类开展了 大量的研究，分类方法主要有：(1)直接以人体具体部位如身高、腰围臀围和体表角度进行 分类；(2)以年龄对服装号型进行划分，如女性青年规格系列、成熟青年规格、妇女规格、少 女规格；(3)采用人体测量部位的派生变量如胸腰差、腰臀差等对体型进行划分。此类方法 存在一些问题：(1)仅使用单一的特征参数，提供能综合体现人体体型特征的参数偏少；(2) 仅提供长度、围度尺寸数据，缺乏三维立体形态的分类指标。

由于人体腰腹臀部形态较为复杂，下装的合体性和舒适性要求较高，因此提取腰 腹臀部特征距离集，建立三维立体形态分类指标，结合下装结构设计对人体腰腹臀部进行 分类研究，处理好人体腰腹臀部形态与下装两者之间的关系，能有效地改善下装合体性和 舒适性。

传统的人体测量方法为手工测量方法，利用角度计、人体测高仪、皮尺等获取的人 体尺寸数据受到测量者经验或者操作手法的影响，存在较大误差，且费时费力；自动人体测 量弥补了手工测量的不足，能方便快速准确获得人体数据，如美国的TC²三维人体测量仪、 法国Lactra公司VitusSmart3D激光扫描系统等，但这些设备环境依赖性高、价格昂贵，同 时消费者去定点进行三维人体扫描常常伴有成本过高、交流沟通不变等问题，不利于推广 使用；此外，这些设备并不是针对人体腰腹臀部体型分析研制的，每次测量，需要手工筛选 数据，使用不方便。

因此，对于研制一种能自动测量人体腰腹臀部体型的装置就具有十分重要的现实 意义，它能为不同腰腹臀部体型的下装结构设计提供理论依据，使下装腰腹臀部结构密切 结合人体体型特征，提高下装的合体性，满足消费者对穿着的需求，为三维服装CAD软件开 发应用、服装虚拟试衣、网上销售等奠定基础，它顺应服装行业个性化定制的发展要求，有 利于提升企业品质和市场竞争力。

发明内容

本发明的目的在于提供一种基于特征距离集的腰腹臀体型分类方法与测量装置， 针对现有技术的不足与缺陷，实现快速、准确、简单地提取反映人体三维立体形态的特征距 离集，从而为不同体型的下装结构设计提供理论依据，使下装腰腹臀部密切结合人体体型 特征，提高下装的合体性和舒适性。

为了解决上述技术问题，采用如下技术方案：

一种腰腹臀体型测量装置，包括采集装置及专用测量背带裤，专用测量背带裤包 括有背带，其特征在于：采集装置包括基座、摄像头支柱，摄像头及伸缩扶杆，基座上设有摄 像头支柱及伸缩扶杆，摄像头支柱上安装有摄像头，基座上设有伸缩扶杆，基座的中心位置 设有定位脚印，伸缩扶杆与定位脚印相互配合；专用测量背带裤上印有栅形图案，专用测量 背带裤的腰头处设有第一标记线，专用测量背带裤的裆部处设有第二标记线，背带上缝制 有魔术贴，第一标记线、第二标记线与魔术贴相互配合。

进一步，基座上设有第一固定孔与第二固定孔，第一固定孔内安装有摄像头支柱， 第二固定孔内设有伸缩扶杆。第一固定孔与第二固定孔分别用于安装摄像支柱与伸缩扶 杆，限定其安装位置，简化安装过程。

进一步，摄像头支柱包括第一摄像头支柱、第二摄像头支柱及第三摄像头支柱，摄 像头包括第一摄像头、第二摄像头及第三摄像头，第一摄像头支柱上安装第一摄像头，第二 摄像头支柱上安装第二摄像头，第三摄像头支柱上安装第三摄像头。第一摄像头、第二摄像 头、第三摄像头相互配合从各个角度采集腰腹臀部的图像，采集的腰腹臀部图像完整清晰。

进一步，伸缩扶杆包括扶杆及套筒，套筒安装于第二固定孔内，扶杆与套筒活动连 接。实现伸缩扶杆可伸缩，结构简单，制造方便。

采用测量装置进行一种基于特征距离集的腰腹臀体型分类方法，其特征在于包括 如下步骤：

(1)被测者穿着专用测量背带裤，调节背带长度，使得第一标记线处于人体腰围线 位置，然后被测者站立于基座的定位脚印位置，调节伸缩扶杆，被测者的双手扶住伸缩扶 杆；

(2)借助摄像头检测专用测量背带裤上的第一标记线与第二标记线，从而确定采 集装置采集数据的高度范围，随后开始扫描；

(3)在腰腹臀部测量高度范围内，借助摄像头采集被测者腰腹臀部图像，再对被被 测者腰腹臀部图像进行解码及相位运算，通过匹配技术及三角形测距方法，自动提取第一 标记线、臀围线、第二标记线的高度及坐标；

(4)根据臀围线、第一标记线及第二标记线的高度，提取特征线集并标注，然后获 取各特征线截面坐标，按照质心计算公式，获得各特征线质心坐标；

(5)根据特征线集及各特征线质心提取特征距离集，利用流形学习方法进行降维， 采用K-means快速聚类方法进行人体腰腹臀部体型分类。

优选后，步骤(3)的中自动提取臀围线的步骤为：取被测者腰腹臀部图像，首先选 用3*3种植滤波算法对腰腹臀部图像去噪，再利用领域连通法得到腰腹臀部的点云数据，并 对点云数据进行光滑处理；光滑处理后，将点云数据以三维坐标形式进行储存，然后利用冒 泡排序算法遍历所有点，寻找人体腰腹臀部前中线与后中线的边界点，确定后中线最突点 为臀突点，臀突点所在围度线即为臀围线，臀突点所在高度为臀围线高度。

优选后，步骤(4)中自动提取特征线集的步骤为：第一标记线与臀围线之间等距离 选取5条线，臀围线与第二标记线之间等距离选取2条线，加上第一标记线、第二标记线及臀 围线一共10条特征线，将10条标记线由上至下依次标记为l₁,l₂,…,l₁₀。

优选后，步骤(4)中计算各特征线质心的步骤为:取一任意特征线，将特征线的高 度记作Z_h，Z_h值下的特征线截面点坐标记作[(x₁，y₁，z_k),(x₂，y₃，z_k),…,(x_k，y_k，z_k)]，根据下 述质心计算公式计算特征线质心T坐标(x_t，y_t，z_t)：

$\left(\begin{array}{c}{x}_t=\frac{\underset{i=1}{\overset{k}{\Sigma }}{x}_i}{k}\\ y_t=\frac{\underset{i=1}{\overset{k}{\Sigma }}{y}_i}{k}\\ z_t=z_h\end{array}\right).$

优选后，步骤(5)中提取特征距离集的步骤为：a、建立特征线集L，L＝[l₁,l₂,…, l₁₀]；b、建立特征点集A：以各特征线质心为中心点，以15°为间隔在每条特征线上选取特征 点，每条特征线共取24个特征点，10条特征线一共有240个特征点a_ij，其中i＝1,2,…,10；j ＝1,2,…,24；则特征点集$A=\left(\begin{array}{cccc}{a}_{11}& a_{12}& \mathrm{...}& a_{124}\\ a_{21}& a_{22}& \mathrm{...}& a_{224}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ a_{101}& a_{101}& \mathrm{...}& a_{1024}\end{array}\right);$c、建立特征距离集R：以臀围线质心 为参考点，分别计算各个特征点a_ij到臀围线质心的欧氏距离r_ij，构建特征距离集R，则 $R=\left(\begin{array}{cccc}{r}_{11}& r_{12}& \mathrm{...}& r_{124}\\ r_{21}& r_{22}& \mathrm{...}& r_{224}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ r_{101}& r_{102}& \mathrm{...}& r_{1024}\end{array}\right).$

优选后，步骤(5)人体腰腹臀部体型分类的步骤为：a、建立特征向量：将获取的特征距离 集R进行转化并整理，得到240×1特征向量M，则$\begin{array}{c}M={\left(\begin{array}{cccccccccc}{r}_{11}& \mathrm{...}& r_{124}& r_{21}& \mathrm{...}& r_{224}& \mathrm{...}& r_{101}& \mathrm{...}& r_{1024}\end{array}\right)}^T\\ ={\left(\begin{array}{cccccccccc}{m}_{11}& \mathrm{...}& m_{241}& m_{251}& \mathrm{...}& m_{481}& \mathrm{...}& m_{2161}& \mathrm{...}& m_{2401}\end{array}\right)}^T\end{array},$根据实验样本量n，得到240×n特征向量N，$N={\left(\begin{array}{cccccccccc}{m}_{11}& \mathrm{...}& m_{241}& m_{251}& \mathrm{...}& m_{481}& \mathrm{...}& m_{2161}& \mathrm{...}& m_{2401}\\ m_{12}& \mathrm{...}& m_{242}& m_{252}& \mathrm{...}& m_{482}& \mathrm{...}& m_{2162}& \mathrm{...}& m_{2402}\\ .& .& .& .& .& .& .& .& .& .\\ .& .& .& .& .& .& .& .& .& .\\ .& .& .& .& .& .& .& .& .& .\\ m_{1n}& \mathrm{...}& m_{24n}& m_{25n}& \mathrm{...}& m_{48n}& \mathrm{...}& m_{216n}& \mathrm{...}& m_{240n}\end{array}\right)}^T;$b、归一化：对每个实验样本获得的240×1特征向量进行数据归一化，得归一化后矩阵Z，Z＝ [z₁₁…z₂₄₁z₂₅₁…z₄₈₁…z₂₁₆₁…z₂₄₀₁]^T，构建样本n的归一化后矩阵P， $P={\left(\begin{array}{cccccccccc}{z}_{11}& \mathrm{...}& z_{241}& z_{251}& \mathrm{...}& z_{481}& \mathrm{...}& z_{2161}& \mathrm{...}& z_{2401}\\ z_{12}& \mathrm{...}& z_{242}& z_{252}& \mathrm{...}& z_{482}& \mathrm{...}& z_{2162}& \mathrm{...}& z_{2402}\\ .& .& .& .& .& .& .& .& .& .\\ .& .& .& .& .& .& .& .& .& .\\ .& .& .& .& .& .& .& .& .& .\\ z_{1n}& \mathrm{...}& z_{24n}& z_{25n}& \mathrm{...}& z_{48n}& \mathrm{...}& z_{216n}& \mathrm{...}& z_{240n}\end{array}\right)}^T;$c、数据降维：利用流形学习方法 在数据降维处理方面的优势，采用PCA、Isomap、LLE、Laplacian分别对240×n的矩阵P进行 降维处理，得到低维k×n矩阵Q，$Q={\left(\begin{array}{cccc}{q}_{11}& q_{21}& \mathrm{...}& q_{k1}\\ q_{12}& q_{22}& \mathrm{...}& q_{k2}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ q_{1n}& q_{2n}& \mathrm{...}& q_{kn}\end{array}\right)}^T,$从而将矩阵P从240维降到k维，其 中k≤12；d、体型分类：采用聚类方法中的K-means快速聚类方法，对降维后的矩阵Q进行分 类分析，从而将容量为n的人体腰腹臀部体型进行细分，通过分析每种体型样本的覆盖率， 确定体型分为3类，并参照聚类中心，选出与聚类中心最接近的人体作为相应类别的中间 体。

由于采用上述技术方案，具有以下有益效果：

本发明为一种基于特征距离集的腰腹臀体型分类方法与测量装置，针对现有技术 的不足与缺陷，实现快速、准确、简单地提取反映人体三维立体形态的特征距离集，从而为 不同体型的下装结构设计提供理论依据，使下装腰腹臀部密切结合人体体型特征，提高下 装的合体性和舒适性。其具体有益效果表现为以下几点：

1、本发明具有自动采集人体腰腹臀部点云数据、获取臀围线、获取臀围线质心、获 取人体腰腹臀部特征曲线的功能。人体臀围线是腰腹臀部形态的特征线，臀围质心是人体 臀部形态的关键点，与下装均有着紧密联系，通过寻找人体腰腹臀部特征线及臀围质心，提 取特征线上各特征点到臀围质心的特征距离获得特征距离集，分析腰腹臀部三维形态特 征，处理好人体腰腹臀部形态与下装两者之间的关系，可以让下装穿着既舒适又美观。研制 一种能自动测量人体腰腹臀部体型的装置具有十分重要的现实意义，它能为不同腰腹臀部 体型的下装结构设计提供理论依据，使下装腰腹臀部结构密切结合人体体型特征，提高下 装的合体性，满足消费者对穿着的需求。

2、被测量者身着专用测量背带裤，腰腹臀部数据采集装置三端摄像头支柱中每一 对呈一定夹角的摄像头同步采集测量者腰腹臀部的点，构建高精准的点云数据，点云数据 构成被测者腰腹臀部的三维模型以供分析臀围线质心及各特征曲线。该方案实现了自动采 样人体腰腹臀部的点云数据，能简单快速获取表征人体三维立体形态的特征距离集，与传 统的利用单一参数进行体型分类方式相区别，同时也避免了人工手工测量费时费力等弊 端。此外，该简易装置拆装方便，使用操作简单，成本低。

3、本发明可以为三维服装CAD软件开发应用、服装虚拟试衣、网上销售等奠定基 础，顺应服装行业个性化定制的发展要求，有利于提升企业品质和市场竞争力；此外，该发 明可广泛用于人体体型分类，三维服装CAD软件的开发应用，服装定制中的虚拟试衣以及人 体工效学等领域。

4、摄像头支柱用于固定摄像头，其结构简单，设计巧妙，摄像头可以上下左右自由 转动，能够多角度全方位采集人体腰腹臀部数据，实现快速、准确寻找特征线，获取特征距 离。

附图说明

下面结合附图对本发明作进一步说明：

图1为本发明一种基于特征距离集的腰腹臀体型分类测量装置的示意图；

图2为本发明中摄像头示意图；

图3为本发明中摄像头的扫描原理图；

图4为本发明中专用测量背带裤的结构示意图；

图5为本发明中一种基于特征距离集的腰腹臀体型分类方法的流程图；

图6为本发明中自动提取臀围线算法的流程图；

图7为本发明中人体臀围线质心示意图；

图8为本发明中人体腰腹臀特征线示意图；

图9为图8中C向的示意图；

图10为本发明中人体腰腹臀特征点提取示意图；

图11为本发明中人体腰腹臀特征点示意图；

图12为图11中G向的示意图；

图13为本发明中人体腰腹臀体型类别图；

图14为图13中H向的示意图。

其中图13与图14中D表示第一类体型，E表示第二类体型，F表示第三类体型。

具体实施方式

如图1至图4所示，一种腰腹臀体型测量装置，包括采集装置及专用测量背带裤13， 采集装置包括基座1、摄像头支柱，摄像头及伸缩扶杆2，基座1呈三角形，基座1的三个角设 计成圆弧状，基座1上设有第一固定孔(图中未标出)与第二固定孔(图中未标出)，第一固定 孔设有三个，每个第一固定孔之间间隔120°；摄像头支柱包括第一摄像头支柱6、第二摄像 头支柱8及第三摄像头支柱10，第一摄像头支柱6、第二摄像头支柱8及第三摄像头支柱10分 别安装在三个第一固定孔内，第一固定孔限定摄像头支柱的安装位置。

摄像头存在两个平面上的转动自由度，即图2中A向与B向转动自由度，达到3D扫描 的全面无死角要求，摄像头用于扫描专用测量背带裤13，采集被测者12腰腹臀部图像，得到 腰腹臀部图像的点云数据。摄像头包括第一摄像头7、第二摄像头9及第三摄像头11，第一摄 像头7安装于第一摄像头支柱6上，第二摄像头9安装于第二摄像头支柱8上，第三摄像头11 安装于第三摄像头支柱10上，第一摄像头7、第二摄像头9、第三摄像头11相互配合从各个角 度采集腰腹臀部的图像，采集的腰腹臀部图像完整清晰。第一摄像头7、第二摄像头9及第三 摄像头11的扫描原理如图3所示，图3中同一摄像头支柱上的摄像头成一定夹角θ1与θ2，这 两个摄像头同步采样得到相应图像，对图像进行解码及相位运算，通过匹配技术及三角形 测距原理，从而计算出两个摄像头公共视区内像素点的三维坐标。

第二固定孔内安装有伸缩扶杆2，伸缩扶杆2包括扶杆3及套筒4，套筒4安装于第二 固定孔内，扶杆3与套筒4活动连接。第二固定孔用于安装伸缩扶杆2，限定其安装位置。伸缩 扶杆2可伸缩，以匹配不同身材的被测者12。同时，基座1的中心位置设有定位脚印5，伸缩扶 杆2与定位脚印5相互配合，被测者12站在定位脚印5处，双手扶住伸缩扶杆2以保持平衡。

专用测量背带裤13采用特殊弹性面料制成，包括背带14，背带14上缝制有魔术贴 15，借助魔术贴15可以用来调节背带14长度，使其匹配不同身材的被测者12。专用测量背带 裤13上印有栅形图案17，专用测量背带裤13的腰头处设有第一标记线16，专用测量背带裤 13的裆部处设有第二标记线18，背带14上缝制有魔术贴15，第一标记线16、第二标记线18与 魔术贴15相互配合。

测量过程中，被测者12穿着专用测量背带裤13，调整背带裤，使其与被测者12的腰 腹臀部相互对应。然后被测者12站立定位脚印5处，双手扶住伸缩扶杆2，开启第一摄像头7、 第二摄像头9及第三摄像头11，开始扫描作业，得到被测者12腰腹臀部图像。

如图5至图14所示，采用测量装置进行一种基于特征距离集的腰腹臀体型分类方 法，包括如下步骤：

(1)初始化腰腹臀部数据采集装置：摄像头初始化，还原为初始位置，每个摄像头 均水平放置，朝向中心；伸缩扶杆2恢复为初始位置；

(2)被测者12穿着专用测量背带裤13，调节背带14长度，使得第一标记线16处于人 体腰围线位置，然后被测者12站立于基座1的定位脚印5位置，调节伸缩扶杆2，被测者12的 双手扶住伸缩扶杆2，被测者12保持直立姿势，目视前方，等待扫描。

(3)借助摄像头检测专用测量背带裤13上的第一标记线16与第二标记线18，从而 确定采集装置采集数据的高度范围，即第一标记线16与第二标记线18之间的距离长度，随 后开始扫描；

(4)从专用测量背带裤13的第一标记线16处开始扫描，摄像头先进行水平采样，在 同一高度上采样120个点，其中每个采样组需采样40个点，每个采样组的水平方向扫描范围 为120°，每隔3°采样一个点；每个采样组上的摄像头同步获取相应图像；水平采样完成后， 摄像头3再进行竖直采样，在竖直方向以1mm步进间隔转动，即向下1mm确定第二个高度，按 照上述水平采样规律获得第二个高度上的图像；循环往复以上过程，获取人体腰腹臀部各 个高度上的图像；

(5)扫描至专用测量背带裤13的第二标记线18处后，扫描结束，存储并分析被测者 12腰腹臀部图像；

(6)取被测者12腰腹臀部图像，首先选用3*3种植滤波算法对腰腹臀部图像去噪， 再利用领域连通法得到腰腹臀部的点云数据，并对点云数据进行光滑处理；光滑处理后，将 点云数据以三维坐标形式进行储存，然后利用冒泡排序算法遍历所有点，寻找人体腰腹臀 部前中线与后中线的边界点，确定后中线最突点为臀突点，臀突点所在围度线即为臀围线， 臀突点所在高度为臀围线高度。

(7)根据臀围线、第一标记线16及第二标记线18的高度，提取特征线集并标注：第 一标记线16与臀围线之间等距离选取5条线，臀围线与第二标记线18之间等距离选取2条 线，加上第一标记线16、第二标记线18及臀围线一共10条特征线，将10条标记线由上至下依 次标记为l₁,l₂,…,l₁₀，并提取相应特征线的点云数据。如图8与图9所示。

(8)然后获取各特征线截面坐标，按照质心计算公式，获得各特征线质心坐标：取 一任意特征线，如臀围线，将臀围线的高度记作Z_h，Z_h值下的臀围线截面点坐标记作[(x₁， y₁，z_k),(x₂，y₃，z_k),…,(x_k，y_k，z_k)]，根据下述质心计算公式计算臀围线质心T坐标(x_t，y_t， z_t)：$\left(\begin{array}{c}{x}_t=\frac{\underset{i=1}{\overset{k}{\Sigma }}{x}_i}{k}\\ y_t=\frac{\underset{i=1}{\overset{k}{\Sigma }}{y}_i}{k}\\ z_t=z_h\end{array}\right);$根据上述质心的计算方法，得到其他特征线的质心坐标。

(9)根据特征线集及各特征线质心提取特征距离集：a、建立特征线集L，即10条特 征线，记作L＝[l₁,l₂,…,l₁₀]；b、建立特征点集A：如图10至图12所示，以各特征线质心为中 心点，以15°为间隔在每条特征线上选取特征点，故每条特征线共取24个特征点，10条特征 线一共有240个特征点a_ij，其中i＝1,2,…,10；j＝1,2,…,24；则特征点集 $A=\left(\begin{array}{cccc}{a}_{11}& a_{12}& \mathrm{...}& a_{124}\\ a_{21}& a_{22}& \mathrm{...}& a_{224}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ a_{101}& a_{101}& \mathrm{...}& a_{1024}\end{array}\right);$c、建立特征距离集R：以臀围线质心为参考点，分别计算各个 特征点a_ij到臀围线质心的欧氏距离r_ij，构建特征距离集R，则$R=\left(\begin{array}{cccc}{r}_{11}& r_{12}& \mathrm{...}& r_{124}\\ r_{21}& r_{22}& \mathrm{...}& r_{224}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ r_{101}& r_{102}& \mathrm{...}& r_{1024}\end{array}\right);$该距离集R反映了腰腹臀部的三维立体形态；其中欧氏距离rⁱ_j＝特征点-臀围线质心，即 (i＝1,2,…,10；j＝1,2,…,24)；最后存储数据，构建 人体特征距离数据库。

(10)按照步骤(1)-(9)进行下一轮数据采集，直至对N组样本的数据采集完毕；

(11)利用流形学习方法进行降维，采用K-means快速聚类方法进行人体腰腹臀部 体型分类：a、建立特征向量：将获取的特征距离集R进行转化并整理，得到240×1特征向量 M，则$\begin{array}{c}M={\left(\begin{array}{cccccccccc}{r}_{11}& \mathrm{...}& r_{124}& r_{21}& \mathrm{...}& r_{224}& \mathrm{...}& r_{101}& \mathrm{...}& r_{1024}\end{array}\right)}^T\\ ={\left(\begin{array}{cccccccccc}{m}_{11}& \mathrm{...}& m_{241}& m_{251}& \mathrm{...}& m_{481}& \mathrm{...}& m_{2161}& \mathrm{...}& m_{2401}\end{array}\right)}^T\end{array},$根据实验样本量n，得到240×n 特征向量N，$N={\left(\begin{array}{cccccccccc}{m}_{11}& \mathrm{...}& m_{241}& m_{251}& \mathrm{...}& m_{481}& \mathrm{...}& m_{2161}& \mathrm{...}& m_{2401}\\ m_{12}& \mathrm{...}& m_{242}& m_{252}& \mathrm{...}& m_{482}& \mathrm{...}& m_{2162}& \mathrm{...}& m_{2402}\\ .& .& .& .& .& .& .& .& .& .\\ .& .& .& .& .& .& .& .& .& .\\ .& .& .& .& .& .& .& .& .& .\\ m_{1n}& \mathrm{...}& m_{24n}& m_{25n}& \mathrm{...}& m_{48n}& \mathrm{...}& m_{216n}& \mathrm{...}& m_{240n}\end{array}\right)}^T;$b、归一化：对每 个实验样本获得的240×1特征向量进行数据归一化，得归一化后矩阵Z，Z＝[z₁₁…z₂₄₁z₂₅₁…z₄₈₁…z₂₁₆₁…z₂₄₀₁]^T，构建样本n的归一化后矩阵P， $P={\left(\begin{array}{cccccccccc}{z}_{11}& \mathrm{...}& z_{241}& z_{251}& \mathrm{...}& z_{481}& \mathrm{...}& z_{2161}& \mathrm{...}& z_{2401}\\ z_{12}& \mathrm{...}& z_{242}& z_{252}& \mathrm{...}& z_{482}& \mathrm{...}& z_{2162}& \mathrm{...}& z_{2402}\\ .& .& .& .& .& .& .& .& .& .\\ .& .& .& .& .& .& .& .& .& .\\ .& .& .& .& .& .& .& .& .& .\\ z_{1n}& \mathrm{...}& z_{24n}& z_{25n}& \mathrm{...}& z_{48n}& \mathrm{...}& z_{216n}& \mathrm{...}& z_{240n}\end{array}\right)}^T;$c、数据降维：利用流形学习方法 在数据降维处理方面的优势，采用PCA、Isomap、LLE、Laplacian分别对240×n的矩阵P进行 降维处理，得到低维k×n矩阵Q，$Q={\left(\begin{array}{cccc}{q}_{11}& q_{21}& \mathrm{...}& q_{k1}\\ q_{12}& q_{22}& \mathrm{...}& q_{k2}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ q_{1n}& q_{2n}& \mathrm{...}& q_{kn}\end{array}\right)}^T,$从而将矩阵P从240维降到k维，其 中k≤12；d、体型分类：采用聚类方法中的K-means快速聚类方法，对降维后的矩阵Q进行分 类分析，从而将容量为n的人体腰腹臀部体型进行细分，通过分析每种体型样本的覆盖率， 如图11-12确定体型分为3类(第一类、第二类及第三类)，如图13与图14所示，并参照聚类中 心，选出与聚类中心最接近的人体作为相应类别的中间体。

以上仅为本发明的具体实施例，但本发明的技术特征并不局限于此。任何以本发 明为基础，为解决基本相同的技术问题，实现基本相同的技术效果，所作出地简单变化、等 同替换或者修饰等，皆涵盖于本发明的保护范围之中。