基于PSO-LSSVM算法的臉型與男西裝領(lǐng)型適配性研究

周奕涵, 徐一諾, 李 濤,b,c,d, 夏 馨,b,c,d

(浙江理工大學(xué) a.服裝學(xué)院; b.絲綢文化傳承與產(chǎn)品設(shè)計(jì)數(shù)字化技術(shù)文化和旅游部重點(diǎn)實(shí)驗(yàn)室; c.浙江省服裝工程技術(shù)研究中心;d.服裝設(shè)計(jì)國(guó)家級(jí)虛擬仿真實(shí)驗(yàn)教學(xué)中心,杭州 310018)

服裝個(gè)性化已成為當(dāng)前用戶(hù)日益關(guān)注的重點(diǎn),依據(jù)用戶(hù)個(gè)人體貌特征給出服裝推薦建議的個(gè)性化服務(wù)已成為大眾訴求[1]。此外,網(wǎng)絡(luò)的普及使得服裝市場(chǎng)已從線(xiàn)下購(gòu)買(mǎi)形式逐漸發(fā)展為線(xiàn)上線(xiàn)下同時(shí)銷(xiāo)售的形式[2],而線(xiàn)上服裝無(wú)法試穿的問(wèn)題一定程度上制約著服裝電子商務(wù)的發(fā)展。對(duì)此,國(guó)內(nèi)外眾多學(xué)者進(jìn)行服裝推薦系統(tǒng)和軟件的研究與開(kāi)發(fā)。如以外觀(guān)弱特征為分類(lèi)依據(jù)的服裝推薦系統(tǒng)[3],基于感知的服裝推薦系統(tǒng)[4],以體型特征和風(fēng)格需求為依據(jù)的服裝推薦與虛擬展示系統(tǒng)[5]等。然而上述服裝推薦系統(tǒng)只提供了服裝整體款式的選擇,忽略了細(xì)節(jié)部位的個(gè)性化需求。Liu等[6]構(gòu)建的牛仔褲款式推薦與樣板生成系統(tǒng),除了廓形推薦,還可調(diào)節(jié)腰高和褲長(zhǎng)等4個(gè)細(xì)節(jié)部位;Zhu等[7]搭建的基于三維人臉掃描的西裝設(shè)計(jì)推薦系統(tǒng)中,可以進(jìn)行廓形、領(lǐng)型、面料等細(xì)節(jié)部位的挑選;任永亮等[8]建立的西裝推薦系統(tǒng)中,能夠在人體特征識(shí)別的基礎(chǔ)上實(shí)現(xiàn)西裝細(xì)節(jié)部位推薦。為了追求更佳的視覺(jué)效果,有學(xué)者還進(jìn)行了基于眼動(dòng)追蹤的臉型、頸圍與不同青果領(lǐng)形態(tài)適配度研究[9]。通過(guò)上述方式得到的推薦結(jié)果,能有效提高消費(fèi)者的體驗(yàn)感與滿(mǎn)意度。因此,根據(jù)用戶(hù)體貌特征的精準(zhǔn)個(gè)性化推薦將成為服裝推薦領(lǐng)域的新趨勢(shì)。

隨著復(fù)雜性科學(xué)研究深入,機(jī)器學(xué)習(xí)算法在紡織服裝領(lǐng)域內(nèi)的運(yùn)用愈加廣泛。如運(yùn)用Faster R-CNN模型進(jìn)行高跟鞋款式識(shí)別[10],利用SVM推薦女性服裝號(hào)型[11],通過(guò)深度神經(jīng)決策樹(shù)實(shí)現(xiàn)服裝款式推薦[12]?，F(xiàn)有研究表明,PSO-RBF神經(jīng)網(wǎng)絡(luò)算法可以通過(guò)優(yōu)化算法擬合兩個(gè)因素之間的復(fù)雜關(guān)系,實(shí)現(xiàn)輸入值由低維向高維空間的映射[13],以提高數(shù)據(jù)預(yù)測(cè)的準(zhǔn)確率[14-15];PSO-LSSVM算法在樣本量較少的情況下,仍有較高的擬合能力與預(yù)測(cè)精確度[16]。因此,本文將分別選用PSO-RBF算法與PSO-LSSVM算法進(jìn)行預(yù)測(cè)。

人體著裝時(shí),衣領(lǐng)接近頭部易成為視覺(jué)焦點(diǎn),根據(jù)臉型挑選合適領(lǐng)型的服裝能起到美化缺陷、突出優(yōu)點(diǎn)的視覺(jué)作用。因此,本文從男性臉型分類(lèi)和常見(jiàn)男西裝領(lǐng)型出發(fā),旨在研究臉型與領(lǐng)型之間復(fù)雜的適配性視覺(jué)關(guān)系。首先分別對(duì)男性臉型與男西裝領(lǐng)型進(jìn)行特征提取與分類(lèi),隨后通過(guò)主觀(guān)問(wèn)卷調(diào)研獲得不同從業(yè)者對(duì)于不同臉型與領(lǐng)型組合搭配的視覺(jué)評(píng)價(jià)分?jǐn)?shù),對(duì)獲得數(shù)據(jù)進(jìn)行分類(lèi)描述、統(tǒng)計(jì)分析、相關(guān)性分析等;分析不同臉型搭配不同男西裝領(lǐng)型的適配性,通過(guò)PSO-LSSVM算法建立臉型與領(lǐng)型組合搭配的視覺(jué)適配度評(píng)價(jià)預(yù)測(cè)模型;并與PSO-RBF神經(jīng)網(wǎng)絡(luò)算法比較,得出最優(yōu)的臉型與領(lǐng)型適配度預(yù)測(cè)模型,從而實(shí)現(xiàn)不同男子臉型搭配一定男西裝領(lǐng)型時(shí)的視覺(jué)效果預(yù)測(cè),以此作為西服領(lǐng)型推薦參考依據(jù)。

1 實(shí)驗(yàn)樣本準(zhǔn)備

1.1 男性臉型特征提取與分類(lèi)

1.1.1 下頜線(xiàn)特征提取與分類(lèi)

本文以下頜輪廓特征點(diǎn)為依據(jù)[17],通過(guò)方程擬合和均方誤差計(jì)算、比較,將下頜線(xiàn)分為尖形、平形、圓形3類(lèi),如圖1所示。

1.1.2 面部軸向比例特征提取與分類(lèi)

在測(cè)量形態(tài)面長(zhǎng)、顳面寬、面寬與下頜寬的基礎(chǔ)上,本文以顳面指數(shù)F(顳面寬與面寬之比)、顴下頜寬指數(shù)G(下頜寬與面寬之比)、形態(tài)面指數(shù)Z(形態(tài)面長(zhǎng)與面寬之比)這3項(xiàng)數(shù)據(jù)作為分類(lèi)依據(jù)[18],建立圓形、方形、長(zhǎng)形、瓜子4種常見(jiàn)臉型。面部測(cè)量示意如圖2所示,分類(lèi)準(zhǔn)則如表1所示。

表1 面部軸向特征分類(lèi)準(zhǔn)則

圖2 面部測(cè)量示意

1.1.3 男性臉型分類(lèi)結(jié)果

為控制影響因素,本文將頸部尺寸作為不變量,取中間體頸部尺寸(頸根圍37.5 cm)[19],對(duì)下頜線(xiàn)和軸向面部結(jié)果2個(gè)因素進(jìn)行交叉組合,共得12種臉型,如表2所示。

1.2 男西裝領(lǐng)型特征提取與分類(lèi)

1.2.1 男西裝領(lǐng)型特征提取

西裝領(lǐng)也稱(chēng)為翻駁領(lǐng),其變化主要是由翻領(lǐng)、串口線(xiàn)、駁頭、駁口線(xiàn)、駁點(diǎn)和刻口造型等要素共同影響決定的[20-21]。根據(jù)縱橫向視覺(jué)影響效果與流行的固定西裝造型搭配,選定本次領(lǐng)型分類(lèi)的主要特征因素為駁頭寬度、門(mén)襟開(kāi)合量、扣子數(shù)量。其中將駁頭寬度分為寬?cǎi)g頭(8.5 cm)、正常駁頭(7.0 cm)、窄駁頭(5.5 cm)3種[9];將門(mén)襟開(kāi)合量和扣子數(shù)量分為單排一?？?、單排兩粒扣、單排三?？酆碗p排兩?？邸㈦p排四?？?、雙排六?？?種,均采用平駁領(lǐng)造型。此外再加入正常駁頭的單排一?？矍喙I(lǐng)和正常駁頭的雙排六粒扣戧駁領(lǐng)2類(lèi)西裝領(lǐng)型。

1.2.2 男西裝領(lǐng)型分類(lèi)結(jié)果

通過(guò)對(duì)駁頭寬度、門(mén)襟開(kāi)合量、扣子數(shù)量3個(gè)款式特征的提取與交叉組合,共得到18種領(lǐng)型。再加上正常駁頭的單排一?？矍喙I(lǐng)和正常駁頭的雙排六?？蹜犟g領(lǐng)2類(lèi)西裝領(lǐng)型,一共20種領(lǐng)型,分類(lèi)結(jié)果如表3所示。

表3 男西裝領(lǐng)型分類(lèi)

1.3 制作實(shí)驗(yàn)樣本

將上述男性臉型分類(lèi)結(jié)果與男西裝領(lǐng)型分類(lèi)結(jié)果交叉組合后,利用CLO 3D、Photoshop與富怡CAD軟件生成240個(gè)分類(lèi)結(jié)果。本文以臉型為變量將結(jié)果分為12大組,以“下頜線(xiàn)×軸向比例”的格式對(duì)組別進(jìn)行命名,如尖形下頜線(xiàn)的圓形臉,可命名為“尖×圓”;隨后以駁頭寬度為變量分為“窄”“正常”“寬”3類(lèi),再按照門(mén)襟開(kāi)合量分為“單”“雙”2類(lèi),每張實(shí)驗(yàn)圖從左到右,西裝的扣子數(shù)量依次增加。圖片將以“-”連接各個(gè)變量分組名稱(chēng)來(lái)命名,數(shù)字表示扣子數(shù)量。

主觀(guān)問(wèn)卷實(shí)驗(yàn)共為12大組,每組6張圖,每張圖3個(gè)男子虛擬試穿模型(在“正?！毙〗M中,每張圖有4個(gè)男子虛擬試穿模型,為正常駁頭內(nèi)加入的2種領(lǐng)型),共72張圖。部分實(shí)驗(yàn)樣本如圖3所示。

圖3 部分實(shí)驗(yàn)樣本

2 臉型與男西裝領(lǐng)型適配度主觀(guān)評(píng)價(jià)實(shí)驗(yàn)

2.1 主觀(guān)評(píng)價(jià)實(shí)驗(yàn)內(nèi)容

為初步獲得男子臉型與男西裝領(lǐng)型適配度之間的視覺(jué)關(guān)系,并獲取用于建立PSO-LSSVM預(yù)測(cè)模型的樣本數(shù)據(jù),本文設(shè)立主觀(guān)問(wèn)卷實(shí)驗(yàn)。

使被試者分別觀(guān)察上述72張實(shí)驗(yàn)圖片中穿著不同領(lǐng)型男西裝的虛擬模特,并對(duì)其臉型與領(lǐng)型之間的視覺(jué)效果進(jìn)行滿(mǎn)意度評(píng)價(jià)。實(shí)驗(yàn)中,被試者每觀(guān)看24張實(shí)驗(yàn)圖片休息1次,休息時(shí)間為2 min。該主觀(guān)評(píng)價(jià)采用李克特量表[22]進(jìn)行,最低分為1分,代表“非常不合適”,最高分為5分,代表“非常合適”。本次問(wèn)卷共回收116份,有效問(wèn)卷100份。其中男性占比32%,女性占比68%;年齡為18～25周歲,服裝專(zhuān)業(yè)與非服裝專(zhuān)業(yè)人數(shù)約為1︰1。

2.2 主觀(guān)評(píng)價(jià)結(jié)果分析

采用SPSS軟件對(duì)問(wèn)卷分別進(jìn)行統(tǒng)計(jì)分析。由信度分析結(jié)果可知,本次視覺(jué)評(píng)價(jià)實(shí)驗(yàn)的Alpha為0.981,信度值高;對(duì)所有樣本采用S-W檢驗(yàn),其顯著性P值為0.061,數(shù)據(jù)滿(mǎn)足正態(tài)分布。

以臉型為分類(lèi)依據(jù),對(duì)樣本進(jìn)行均值描述性分析,可知各臉型與領(lǐng)型適配度評(píng)分詳情。其中,各臉型適配度高的前2種西裝領(lǐng)型和適配度低的后2種西裝領(lǐng)型結(jié)果如表4所示。

表4 基于臉型的西裝領(lǐng)型適配度排序

由表4排序結(jié)果表明,圓形臉適合正常及偏窄駁頭的單排扣男西裝領(lǐng)型;方形臉適合正常及偏寬?cǎi)g頭的雙排扣男西裝領(lǐng)型;長(zhǎng)形臉適合正常駁頭的男西裝領(lǐng)型;瓜子臉對(duì)于各西裝領(lǐng)型的適配度均較高;任何臉型搭配單排一粒扣,即駁點(diǎn)位置很低的男西裝,其視覺(jué)適配度都較低。

3 PSO-LSSVM預(yù)測(cè)模型構(gòu)建

3.1 LSSVM算法

LSSVM是對(duì)標(biāo)準(zhǔn)SVM的改進(jìn)算法之一。LSSVM模型將SVM模型中不等式約束改成了等式約束,將誤差平方和損失函數(shù)作為訓(xùn)練集的經(jīng)驗(yàn)損失,把二次規(guī)劃問(wèn)題轉(zhuǎn)化為求解線(xiàn)性方程組[23],簡(jiǎn)化了求解過(guò)程。優(yōu)化問(wèn)題公式如下:

(1)

式中:ω為權(quán)值系數(shù)向量,γ為懲罰系數(shù),ei為回歸誤差。

構(gòu)造拉格朗日函數(shù)進(jìn)行求解,最終決策函數(shù)表示如下:

(2)

式中:αi為拉格朗日乘子,K(x,xi)為核函數(shù)。

根據(jù)數(shù)據(jù)特征,核函數(shù)選用RBF徑向基函數(shù),公式如下:

(3)

3.2 PSO算法

PSO算法是一種基于群體智能的全局隨機(jī)搜索算法[24],具有相當(dāng)快的逼近最優(yōu)解的速度,可有效優(yōu)化系統(tǒng)參數(shù)。在每次迭代中,粒子通過(guò)個(gè)體極值和全局極值更新速度和位置,公式如下:

(4)

(5)

式中:i為粒子個(gè)數(shù),t為迭代次數(shù),ωt為慣性因子,c1、c2為學(xué)習(xí)因子,r1、r2為[0,1]的任意值,pbest為個(gè)體最優(yōu)解,gbest為群體最優(yōu)解,vi為第i個(gè)粒子的飛行速度,xi為第i個(gè)粒子的空間位置。

3.3 基于PSO-LSSVM算法的適配度預(yù)測(cè)模型

LSSVM建模過(guò)程中,對(duì)預(yù)測(cè)結(jié)果影響較大的參數(shù)為懲罰系數(shù)γ和核函數(shù)參數(shù)σ[25]。為使LSSVM模型的性能達(dá)到最優(yōu),本文選用PSO算法優(yōu)化懲罰參數(shù)與核函數(shù)參數(shù)。具體的PSO-LSSVM算法模型框架和訓(xùn)練步驟如圖4所示。

圖4 PSO-LSSVM模型流程示意

輸入層共10個(gè)參數(shù),分別為下頜線(xiàn)類(lèi)型、顳面指數(shù)(F)、下頜寬指數(shù)(G)、形態(tài)面長(zhǎng)指數(shù)(Z)、駁頭寬度、駁口線(xiàn)長(zhǎng)度、駁口距離、門(mén)襟開(kāi)合量、紐扣數(shù)量、刻口造型。輸出層共1個(gè)參數(shù),為適配度視覺(jué)評(píng)分。

輸入前先對(duì)數(shù)據(jù)歸一化處理,消除數(shù)據(jù)之間的差異性。其中對(duì)于下頜線(xiàn)類(lèi)型、門(mén)襟開(kāi)合量與刻口造型3個(gè)參數(shù)處理情況如下:數(shù)值0.00表示尖形下頜、單排扣門(mén)襟、青果領(lǐng);數(shù)值0.50表示平形下頜、平駁領(lǐng);數(shù)值1.00表示圓形下頜、雙排扣門(mén)襟、戧駁領(lǐng)。前10組樣本數(shù)據(jù)如表5所示。

表5 前10組樣本數(shù)據(jù)

建立PSO-LSSVM預(yù)測(cè)模型時(shí),為使數(shù)據(jù)集有一定的隨機(jī)性,本文將240組樣本進(jìn)行隨機(jī)打亂處理,取其中前215組為訓(xùn)練集,后25組為測(cè)試集。PSO算法參數(shù)設(shè)置如下[26]:學(xué)習(xí)因子c1=1.5、c2=1.7,種群進(jìn)化代數(shù)N=300,種群規(guī)模M=30,慣性權(quán)重ω=0.5。圖5為參數(shù)調(diào)優(yōu)過(guò)程中的適應(yīng)度變化曲線(xiàn),可得訓(xùn)練過(guò)程中適應(yīng)度曲線(xiàn)經(jīng)多次迭代逐漸達(dá)到收斂,當(dāng)學(xué)習(xí)了17次時(shí)達(dá)到最佳,此時(shí)適應(yīng)度值為0.006 024。

圖5 適應(yīng)度曲線(xiàn)

3.4 預(yù)測(cè)結(jié)果與分析

為評(píng)估模型在預(yù)測(cè)適配度評(píng)分時(shí)的有效性和精確性,本文采用均方根誤差(RMSE)和平均絕對(duì)誤差(MAE)來(lái)衡量預(yù)測(cè)值和實(shí)際值之間的偏差,計(jì)算公式如下:

(6)

式中:m為樣本數(shù)量,f(xi)為樣本的預(yù)測(cè)值,yi為樣本的實(shí)際值。

為驗(yàn)證模型有效性,本文選用PSO-RBF神經(jīng)網(wǎng)絡(luò)進(jìn)行比較,其中PSO算法參數(shù)設(shè)置如下[27]:學(xué)習(xí)因子c1=c2=1.449 5,種群進(jìn)化代數(shù)N=200,種群規(guī)模M=20,初始慣性權(quán)重ω=0.9,最終慣性權(quán)重ω=0.3。PSO-RBF神經(jīng)網(wǎng)絡(luò)算法與PSO-LSSVM算法預(yù)測(cè)結(jié)果曲線(xiàn)如圖6所示,對(duì)比可知,PSO-LSSVM算法的預(yù)測(cè)值要比PSO-RBF神經(jīng)網(wǎng)絡(luò)算法更接近實(shí)際值,具有更好的預(yù)測(cè)效果。誤差指標(biāo)如表6所示,可見(jiàn)PSO-LSSVM模型的平均絕對(duì)誤差和均方根誤差均比PSO-RBF神經(jīng)網(wǎng)絡(luò)低,預(yù)測(cè)精度比神經(jīng)網(wǎng)絡(luò)高,表明預(yù)測(cè)效果更為理想。

表6 兩種預(yù)測(cè)模型誤差結(jié)果

圖6 預(yù)測(cè)輸出曲線(xiàn)對(duì)比

4 結(jié) 論

本文以下頜線(xiàn)特征與面部軸向比例為依據(jù)將男性臉型分為12類(lèi),為男性臉型分類(lèi)提供了一種基于非接觸式測(cè)量的思路,也為基于機(jī)器學(xué)習(xí)的臉型識(shí)別研究提供了參考依據(jù)。從主觀(guān)問(wèn)卷收集臉型搭配西裝領(lǐng)的著裝效果評(píng)價(jià),可知不同臉型適配的西裝領(lǐng)型有所不同,可為消費(fèi)者選購(gòu)西服提供新的思路。

在主觀(guān)問(wèn)卷適配度評(píng)分的調(diào)查結(jié)果基礎(chǔ)上,建立了男性臉型與男西裝領(lǐng)型適配性的PSO-LSSVM預(yù)測(cè)模型,并與PSO-RBF神經(jīng)網(wǎng)絡(luò)模型進(jìn)行對(duì)比。結(jié)果表明:PSO-LSSVM算法均方根誤差為0.077 6,平均絕對(duì)誤差為0.057 3;相對(duì)于PSO-RBF神經(jīng)網(wǎng)絡(luò)算法,均方根誤差降低0.041 1,平均絕對(duì)誤差降低0.037 6。說(shuō)明PSO-LSSVM模型預(yù)測(cè)精度更高,效果更為理想。該算法模型為男西服款式推薦提供了一種依據(jù)用戶(hù)臉型實(shí)現(xiàn)的新思路。

《絲綢》官網(wǎng)下載

中國(guó)知網(wǎng)下載