一种基于径向基神经网络的人体尺寸估算方法技术

本发明专利技术涉及一种基于径向基神经网络的人体尺寸估算方法，包括以下步骤：采集静态人体净体数据；对采集的人体净体数据进行预处理，并构建人体数据库；构建人体尺寸估算的径向基神经网络模型，所述径向基神经网络模型的输入层为容易测量的关键部位尺寸，输出层为不易测量的细部尺寸；将人体数据库中的数据分为训练样本集和测试样本集，用训练样本集对所述的径向基神经网络进行训练，训练完成后，从测试样本集中随机选取若干样本进行仿真测试，估算出人体不易测量的细部尺寸。本发明专利技术能够快速有效地推算服装制板所需的人体尺寸。

A Human Body Size Estimation Method Based on Radial Basis Function Neural Network

The present invention relates to a method for estimating human body size based on radial basis function (RBF) neural network, which includes the following steps: collecting static human body size data; preprocessing the collected human body size data and constructing human body database; constructing a RBF neural network model for estimating human body size. The input layer of the RBF neural network model is the key part size that can be easily measured. The output layer is the detail size which is difficult to measure. The data in the human body database is divided into training sample set and test sample set. The training sample set is used to train the RBF neural network. After training, several samples are randomly selected from the test sample set for simulation test, and the detail size which is not easy to measure is estimated. The invention can quickly and effectively calculate the human body size required for clothing board making.

【技术实现步骤摘要】
一种基于径向基神经网络的人体尺寸估算方法
本专利技术涉及人体尺寸数据采集
，特别是涉及一种基于径向基神经网络的人体尺寸估算方法。
技术介绍
人体数据的准确采集是设计、开发理想服装产品的基础，是影响服装合体性及消费者满意度的关键因素之一，也是服装业重点关注和研究的领域之一。在互联网经济迅猛发展的当前，传统的手工测量和非接触式三维人体测量技术，要么效率、精度方面存在不足，要么受制于高昂的价格，均难以满足“远程、快速、便捷、准确”的新需求。同时，一些服装结构所需的细部尺寸存在不易获取、精度难以保证的不足，如人体上裆弧长、腋围等。服装业中的传统方法是采集身高、胸围、腰围等关键部位尺寸，通过建立线性回归模型推算其他细部尺寸。但人体部位之间的关系，非线性的特点要强于线性特点，传统的线性回归模型无法准确反映这一特点。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，已有学者将感知机和BP神经网络模型应用于人体尺寸推算，但这些模型均存在收敛速度慢，容易陷入局部极值等不足。
技术实现思路
本专利技术所要解决的技术问题是提供一种基于径向基神经网络的人体尺寸估算方法，能够快速有效地推算服装制板所需的人体尺寸。本专利技术解决其技术问题所采用的技术方案是：提供一种基于径向基神经网络的人体尺寸估算方法，包括以下步骤：(1)采集静态人体净体数据；(2)对采集的人体净体数据进行预处理，并构建人体数据库；(3)构建人体尺寸估算的径向基神经网络模型，所述径向基神经网络模型的输入层为容易测量的关键部位尺寸，输出层为不易测量的细部尺寸；(4)将人体数据库中的数据分为训练样本集和测试样本集，用训练样本集对所述的径向基神经网络进行训练，训练完成后，从测试样本集中随机选取若干样本进行仿真测试，估算出人体不易测量的细部尺寸。所述步骤(1)中采用三维人体扫描的方式采集静态人体净体数据。所述步骤(3)中构建人体尺寸估算的径向基神经网络模型包括三层，分别为：输入层、隐藏层和输出层，其中，隐藏层中第k个输入向量的第j个神经元的输入值为其中，wij为输入层与隐藏层间各神经元的连接权值，xi(k)为输入层的输出；隐藏层输出的激励函数为ci是隐藏层的第i个聚类中心；σ为控制接受域大小的参数，||·||代表欧氏距离；隐藏层的输出为输出层的输入为wio指的是隐藏层与输出层的连接权值；输出层的输出为yoo(k)＝f(yio(k))，其中，f(·)为Sigmoid函数；隐藏层与输出层的连接权值wio的更新方式为其中，α为动量因子，η为学习速率，E为径向基神经网络模型输出值与实际值之间的偏差。所述聚类中心采用K-means算法计算得到，具体如下：(a)从隐藏层的输入中随机选取h个样本作为初始聚类中心；(b)根据欧氏距离将每个隐层输入向量分配到h个类别中；(c)在每个类别中，计算向量的均值，并将均值点作为每一类新的聚类中心；(d)如果每一类的聚类中心发生了变化，则重复步骤(b)-(c)，直至聚类中心不再改变为止。所述控制接受域大小的参数其中，d1为第k个聚类中心与其相邻最近的聚类中心的欧氏距离；d2为第k个聚类中心与其第二邻近的聚类中心的欧氏距离。所述步骤(3)中输入层的关键部位尺寸包括腰围、腹围、臀围和身高；输出层的不易测量的细部尺寸包括腰围高、腹围高、臀围高、裆高、膝高、上裆围长、大腿围和膝围。有益效果由于采用了上述的技术方案，本专利技术与现有技术相比，具有以下的优点和积极效果：本专利技术采用径向基神经网络的方法，通过对输入层神经元数、输出层神经元数、隐层神经元数等网络参数的设计，再对神经网络模型进行训练和仿真测试，可智能、准确、便捷地对人体尺寸进行估算。因此，本专利技术可以较准确地估算服装结构设计所需的人体细部尺寸，提高服装制板效率和服装的适体性，促进数字化、网络化、智能化服装量身定制的发展。附图说明图1是本专利技术的流程图；图2为与人体尺寸估算相关的正面测量部位示意图；图3为与人体尺寸估算相关的侧面测量部位示意图；图4是所构建的人体尺寸估算的径向基神经网络模型结构图；图5是所构建的径向基神经网络模型与BP神经网络模型、线性回归模型的性能比较图；图6是所构建的径向基神经网络应用流程图。具体实施方式下面结合具体实施例，进一步阐述本专利技术。应理解，这些实施例仅用于说明本专利技术而不用于限制本专利技术的范围。此外应理解，在阅读了本专利技术讲授的内容之后，本领域技术人员可以对本专利技术作各种改动或修改，这些等价形式同样落于本申请所附权利要求书所限定的范围。本专利技术的实施方式涉及一种一种基于径向基神经网络的人体尺寸估算方法，如图1所示，包括以下步骤：采集人体数据，并对数据进行预处理，构建人体数据库；再构建一个具有3层结构的径向基神经网络模型对人体尺寸进行估算，其输入层为易测的人体关键部位尺寸，输出层为不易测量的人体细部尺寸。本实施方式利用径向基神经网络的方法，通过对输入层神经元数、输出层神经元数、隐层神经元数等网络参数的设计，再对神经网络模型进行训练和仿真测试，从而智能、准确而便捷地对服装结构设计所需的、不易测量的人体细部尺寸进行估算。下面以对面向无松量运动紧身裤结构设计的成年男性人体尺寸估算的实施例对本专利技术进行详细的说明。(1)人体数据采集采用VITUS三维人体扫描仪对200名年龄在20-48岁之间的成年男性人体数据采集，对每个人体提取与运动紧身裤结构设计相关的12个人体测量项目，即：身高、腰围高、腹围高、臀围高、裆高、膝围高、腰围、腹围、臀围、大腿围、上裆围长和膝围(见图2和图3)。(2)人体数据的预处理及人体尺寸数据库的构建对所采集的人体数据进行探索分析，识别奇异值和考察样本分布。对识别出的奇异值，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。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。经检验，步骤(1)所测12个部位数据均符合正态分布。预处理后，构建面向运动紧身裤结构设计的成年男性人体尺寸数据库。用于构建径向基神经网络模型的人体数据基本信息如表1所示。表1构建径向基神经网络模型的人体数据基本信息(3)基于径向基神经网络的人体尺寸估算原始的、包括200个样本的数据集，被随机分为训练样本集和测试样本集。训练样本集包括了180个样本数据，测试样本集则由剩余的20个样本构成。本实施例所构建的人体尺寸估算的径向基神经网络模型结构图如图4所示。1)构建输入层将输入向量集X＝[x(1),x(2),...,x(p)]T导入径向基神经网络的输入层中，再将输入层的输入直接输出给隐藏层。2)计算隐藏层的输入在隐藏层中，根据式(1)计算第k个输入向量的第j个神经元的输入值。其中，wij为输入层与隐藏层间各神经元的连接权值，h为隐藏层神经元的数量。对于径向基神经网络，输入层与隐藏层间各神经元的连接权值wij为1。3)计算隐藏层的聚类中心{c1,c2,...,ch}和参数σ对于径向基神经网络，其隐藏层输出的激励函数为如式(2)所示的高斯函数：其中，ci是隐藏层的第i个聚类中心；σ为控制接受域大小的参数，本文档来自技高网...

【技术保护点】
1.一种基于径向基神经网络的人体尺寸估算方法，其特征在于，包括以下步骤：(1)采集静态人体净体数据；(2)对采集的人体净体数据进行预处理，并构建人体数据库；(3)构建人体尺寸估算的径向基神经网络模型，所述径向基神经网络模型的输入层为容易测量的关键部位尺寸，输出层为不易测量的细部尺寸；(4)将人体数据库中的数据分为训练样本集和测试样本集，用训练样本集对所述的径向基神经网络进行训练，训练完成后，从测试样本集中随机选取若干样本进行仿真测试，估算出人体不易测量的细部尺寸。

【技术特征摘要】
1.一种基于径向基神经网络的人体尺寸估算方法，其特征在于，包括以下步骤：(1)采集静态人体净体数据；(2)对采集的人体净体数据进行预处理，并构建人体数据库；(3)构建人体尺寸估算的径向基神经网络模型，所述径向基神经网络模型的输入层为容易测量的关键部位尺寸，输出层为不易测量的细部尺寸；(4)将人体数据库中的数据分为训练样本集和测试样本集，用训练样本集对所述的径向基神经网络进行训练，训练完成后，从测试样本集中随机选取若干样本进行仿真测试，估算出人体不易测量的细部尺寸。2.根据权利要求1所述的基于径向基神经网络的人体尺寸估算方法，其特征在于，所述步骤(1)中采用三维人体扫描的方式采集静态人体净体数据。3.根据权利要求1所述的基于径向基神经网络的人体尺寸估算方法，其特征在于，所述步骤(3)中构建人体尺寸估算的径向基神经网络模型包括三层，分别为：输入层、隐藏层和输出层，其中，隐藏层中第k个输入向量的第j个神经元的输入值为其中，wij为输入层与隐藏层间各神经元的连接权值，xi(k)为输入层的输出；隐藏层输出的激励函数为ci是隐藏层的第i个聚类中心；σ为控制接受域大小的参数，||·||代表欧氏距离；隐藏层的输出为输出层的输入为wio指的是隐藏层与输出层的...

【专利技术属性】
技术研发人员：王竹君，王建萍，邢英梅，
申请(专利权)人：东华大学，
类型：发明
国别省市：上海,31