CN108280476A - 基于主成分分析和分层聚类的人体上肢带形态分类方法 - Google Patents

基于主成分分析和分层聚类的人体上肢带形态分类方法 Download PDF

Info

Publication number
CN108280476A
CN108280476A CN201810059025.7A CN201810059025A CN108280476A CN 108280476 A CN108280476 A CN 108280476A CN 201810059025 A CN201810059025 A CN 201810059025A CN 108280476 A CN108280476 A CN 108280476A
Authority
CN
China
Prior art keywords
upper limb
limb girdle
principal component
arm
variable
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Pending
Application number
CN201810059025.7A
Other languages
English (en)
Inventor
王竹君
王建萍
邢英梅
阚燕
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Donghua University
Anhui Polytechnic University
National Dong Hwa University
Original Assignee
Donghua University
Anhui Polytechnic University
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Donghua University, Anhui Polytechnic University filed Critical Donghua University
Priority to CN201810059025.7A priority Critical patent/CN108280476A/zh
Publication of CN108280476A publication Critical patent/CN108280476A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/231—Hierarchical techniques, i.e. dividing or merging pattern sets so as to obtain a dendrogram
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V40/00—Recognition of biometric, human-related or animal-related patterns in image or video data
    • G06V40/10—Human or animal bodies, e.g. vehicle occupants or pedestrians; Body parts, e.g. hands
    • G06V40/107—Static hand or arm

Abstract

本发明涉及一种基于主成分分析和分层聚类的上肢带形态分类方法，包括以下步骤：采集人体数据，构建人体数据库；初步选择与上肢带形态相关的人体部位数据，根据其余人体部位数据与这些人体部位数据的线性相关性，确定基础变量；利用主成分分析方法从基础变量中选出表征上肢带形态的变量；再采用分层聚类的方法进一步确定手臂前倾角、上臂围、肩臂长作为表征上肢带形态的变量；根据手臂前倾角、上臂围、肩臂长对上肢带形态进行分类。本发明能够直接有效地对上肢带形态进行分类。

Description

基于主成分分析和分层聚类的人体上肢带形态分类方法
技术领域
本发明涉及服装结构设计技术领域，特别是涉及一种基于主成分分析和分层聚类的人体上肢带形态分类方法。
背景技术
衣袖是包覆上肢带(即人体上肢及其相关部位)的服装结构，是服装的重要组成部分，其结构的合理与否对服装整体效果具有举足轻重的作用。而上肢带形态是影响衣袖结构的重要因素，满足上肢带形态和运动需求是进行衣袖结构设计的首要前提。因此，对上肢带形态进行正确的评价有助于完善衣袖样板结构设计，同时，也有利于开发包覆上肢带的功能性护具。
在目前的服装及相关功能性护具的结构设计研究中，主要是通过全臂长、上臂围、手臂倾角等少数指标对上肢形态进行研究，未涉及与上肢密切相关的肩部、腋部等人体部位对上肢形态的影响，尚不能直接有效、全面地表达上肢带形态。
发明内容
本发明所要解决的技术问题是提供一种基于主成分分析和分层聚类的人体上肢带形态分类方法，能够直接有效地对上肢带形态进行分类。
本发明解决其技术问题所采用的技术方案是：提供一种基于主成分分析和分层聚类的人体上肢带形态分类方法，包括以下步骤：
(1)采集静态人体净体数据，并构建人体数据库；
(2)初选N个与上肢带相关的人体测量部位，对对称部位进行配对样本检验，将初选变量定为N/2个，根据其余人体部位测量数据与初选变量之间的线性相关关系确定基础变量；
(3)利用主成分分析在基础变量中对表征上肢带形态的变量进行筛选；
(4)采用分层聚类的方法确定表征上肢带形态的参数；
(5)基于表征上肢带形态的参数对上肢带形态进行分类。
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(2)中与上肢带相关的人体测量部位共有16个，分别为：左右肩臂长、左右全臂长、左右上臂长、左右上臂围、左右腕围、左右腋围、左右腋宽和左右手臂前倾角。
所述步骤(2)中采用Pearson相关分析法得到其余人体部位测量数据与初选变量之间的线性相关关系。
所述步骤(3)中在主成分分析时，根据四次最大正交旋转法，对初等因子载荷矩阵进行具有Kaiser标准化的正交矩阵，得到若干主成分；从各个主成分中选择绝对值大的相关系数，并结合专业知识选出表征上肢带形态的变量。
所述步骤(4)具体为：选择“质心聚类法”作为聚类方法，“Pearson相关性”作为测度变量间相似性的方法，对选出的表征上肢带形态的变量进行分层聚类分析；由相关矩阵、树状图及专业知识将变量分为四类；计算四类中各个变量的相关指数，根据相关指数的大小，结合测定的难易程度及专业知识，从各类中选择一到两个变量作为表征上肢带形态的变量；根据聚类进程表的原理，确定手臂前倾角、上臂围、肩臂长为表征上肢带形态的参数。
所述手臂前倾角为从人体侧面的角度表征上肢带整体的弯曲度，所述手臂前倾角角度越大，上肢带弯曲度越大，手臂前倾角越小，上肢带越顺直；所述上臂围和肩臂长表示上肢带的纤细度，上臂围一定时，肩臂长越大，上肢带越纤细；肩臂长一定时，上臂围越大，上肢带越粗壮。
有益效果
由于采用了上述的技术方案，本发明与现有技术相比，具有以下的优点和积极效果：本发明采用统计学中的主成分分析和分层聚类分析相结合的方法，对表征上肢带形态的参数进行简化，同时又全面有效地表征上肢带形态，从而有效直接地对上肢带形态进行分类。本发明只需对人体进行三维扫描，测量人体三个参数的数据，即可全面合理地判断上肢带形态。因此，本发明可以用于对大量人体进行数据采集，直接应用于人体上肢带形态分类，即可了解某地区人体的上肢带形态，对改进服装衣袖样板结构及开发包覆上肢带的功能性护具有指导作用。
附图说明
图1是本发明的流程图；
图2是与上肢带相关的人体测量测定点示意图，其中，图2A为正面测定点示意图，图2B为侧面测定点示意图，图2C为背面测定点示意图；
图3是与上肢带相关的人体测量部位示意图，其中，图3A为正面测量部位示意图，图3B为侧面测量部位示意图，图3C为背面测量部位示意图；
图4是10个变量的分层聚类的树状图和冰柱图，其中，图4A为树状图，图4B为冰柱图；
图5是5个变量的分层聚类的树状图和冰柱图，其中，图5A为树状图，图5B为冰柱图；
图6是上臂围与肩臂长的比值g/l的直方图；
图7是基于g/l的上肢带形态分类图；
图8是基于g/l和手臂前倾角的上肢带形态分类图。
具体实施方式
下面结合具体实施例，进一步阐述本发明。应理解，这些实施例仅用于说明本发明而不用于限制本发明的范围。此外应理解，在阅读了本发明讲授的内容之后，本领域技术人员可以对本发明作各种改动或修改，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。
本发明的实施方式涉及一种基于主成分分析和分层聚类的上肢带形态分类方法，如图1所示，包括以下步骤：采集人体数据，构建人体数据库；初步选择与上肢带形态相关的人体部位数据，根据其余人体部位数据与这些人体部位数据的线性相关性，确定基础变量；利用主成分分析方法从基础变量中选出表征上肢带形态的变量；再采用分层聚类的方法进一步确定手臂前倾角、上臂围、肩臂长作为表征上肢带形态的变量；根据手臂前倾角、上臂围、肩臂长对上肢带形态进行分类。
本发明利用统计学中的主成分分析和分层聚类分析相结合的方法，对表征上肢带形态参数进行筛选，可全面、有效地对上肢带形态进行分类。
下面以对244名女性上肢带形态分类的实施例对本发明进行详细的说明。
(1)人体数据采集
将人体测量项目定义为体型整体形态(高度、围度、宽度、体表长度、角度)和上肢带细部测量项目85个。采用德国Techmath三维人体扫描仪对244名年龄在18-35岁之间的女性进行人体数据采集，对每个人体提取85个测量项目的数据，建立人体体型数据库；
(2)研究基础变量的选取
首先，选择与上肢带形态相关的16个测量项目：左右肩臂长、左右全臂长、左右上臂长、左右上臂围、左右腕围、左右腋围、左右腋宽、左右手臂前倾角，对每个人体对称部位的测量值进行配对样本T检验，经检验，双尾检验概率p值均显著大于0.05，可以认为这些部位对称两侧数据无显著差异，这些部位都用均值代入分析。于是，初选的分类变量就可简化为8个，即：肩臂长、全臂长、上臂长、上臂围、腕围、腋围、腋宽、手臂倾斜角。
使用Pearson相关分析法研究其余测量项目与上述8个初选变量之间的线性相关性。
正态分布的等间隔测度的变量x和y间的相关系数采用Pearson积秩相关公式计算，即：
式(1)中，分别是变量x、y的均值，xi、yi分别是变量x、y的第i个观测值，rxy是变量x、y的相关系数，n表示变量x、y的个数。
经过Pearson相关分析，可以删除与8个初选变量中任何一个都不相关的测量项目，然后再删除与手臂形态明显不相关的角度测量项目，最终得到研究上肢带形态分类的基础变量56个。
(3)表征上肢带形态分类变量的选取
1)KMO(Kaisex-Meyer-Olkin)和Bartlett球形度检验
244个实验者，每个实验者有56个变量，构成244×56阶的人体数据矩阵：
在进行主成分分析前，需对56个变量进行KMO和Bartlett球形度检验，以确认其是否适合进行主成分分析及分析效果是否好。若发现不合适，则需要返回上一步骤重新选择基础变量。
2)主成分分析
根据方差最大矩阵旋转法，使用主成分分析法提取特征值大于1的4个因子。从各个因子中选择主成分载荷系数高的，结合专业知识，选取10个表征上肢带的变量：肩臂长、全臂长、上臂长、腋围、腋宽、上臂围、腕围、手臂前倾角、全肩宽、小肩宽。
其中，如图2和图3所示，肩臂长为由第七颈椎点过肩端点、肘点量至腕点的长度；全臂长为由肩端点过肘点量至腕点的长度；上臂长为肩端点至肘点的长度；腋围为过肩端点、前后腋窝点在腋窝位置围量一周的长度；腋宽为从人体侧面观测，前、后腋窝点之间的距离；上臂围为上臂最丰满处水平围量一周的长度；腕围为过腕点水平围量一周的长度；手臂前倾角为手臂自然垂放于人体两侧时，肘点和腕点连线与铅垂线之间的夹角；全肩宽为从左肩端点过第七颈椎点量至右肩端点的长度；小肩宽为同侧的侧颈点和肩端点的距离。
3)分层聚类分析
选择“质心聚类法”作为聚类方法，“Pearson相关性”作为测度变量间相似性的方法，对上一步选出的10个表征上肢带形态的变量进行分层聚类分析；由相关矩阵、树状图(如图4A所示)、冰柱图(如图4B所示)及专业知识将变量分为四类。四类分别为：腋围、手臂前倾角、腋宽；上臂围、腕围；全肩宽、小肩宽；肩臂长、全臂长、上臂长。
根据公式
式(2)中r为指标xj与同类中其他指标的相关系数；mj为指标xj所在类的指标个数，计算每一类中相关系数的大小。根据相关指数的大小，结合测定的难易程度及专业知识，从各类中选择一到两个变量作为表征上肢带形态的变量进行深入研究，即手臂前倾角、腋围、上臂围、全肩宽、肩臂长。
对提取出的5个变量再次进行分层聚类。根据聚类进程表的原理，相关系数大的先聚为一类。如图5的树状图和冰柱图所示，本实施例的分层聚类中，肩臂长位于最后一位，同时根据树状图和冰柱图的原理，如果将变量分为两类，则肩臂长为一类，其余变量为一类。故肩臂长是表征上肢带垂直方向形态的重要参数。从冰柱图可以进一步得出：表示上肢带侧面形态的腋围和手臂前倾角可归为一类，表示上肢带水平方向形态的全肩宽和上臂围可归为一类。因此，从表征上肢带垂直方向、水平方向、侧面形态的三类变量中，根据分层聚类结果及专业知识，确定肩臂长、上臂围、手臂前倾角为表征上肢带形态的变量。
(4)基于手臂前倾角度的上肢带形态分类
手臂前倾角α从人体侧面的角度表征上肢带整体的弯曲度，手臂前倾角α角度越大，上肢带弯曲度越大，手臂前倾角越小，上肢带越顺直。上臂围g一定时，肩臂长l越长，上肢带越纤细；肩臂长l一定时，上臂围g越大，上肢带越健壮，由此，用g/l表示上肢带的纤细度。因此，用手臂前倾角α和g/l作为特征指标对上肢带弯曲度和纤细度进行定性描述。
由样本中上臂围与肩臂长的比值g/l的频数分析(如图6)可知，g/l的均值为0.34，最大值为0.44，最小值为0.28。首先，以g/l为分类变量，将上肢带分为A、B、C三类(如图7)，并得到A、B、C三类上肢带形态中g/l的中值为0.31，0.35，0.38。其中，A类上肢带较纤细，B类上肢带较健壮，C类上肢带健壮。上臂围与肩臂长的比值g/l越大，上肢带越健壮。
在此基础上，进一步以手臂前倾角α为分类变量将每一类群体的上肢带再分别细分为三类，以评价上肢带的弯曲程度。如，以手臂前倾角α为分类变量将A类群体进一步细分为A1，A2，A3三类(如表1所示)，分别表示上肢带弯曲度较小，适中，较大。同理将B、C群体分别分为B1、B2、B3(如表2所示)和C1、C2、C3(如表3所示)。其中，B1、B2、B3的中值分别为6.26°、6.48°、6.66°,C1、C2、C3的中值分别为6.31°、6.53°、6.71°。图8从侧面显示人体上肢带的弯曲程度。在上臂围与肩臂长的比值g/l相同的前提下，手臂前倾角α越大，上肢带弯曲度越大，α越小，上肢带越顺直。其中，女性上肢带形态中AA2所占比例最大，约为20.9％，即上肢带形态整体较纤细，弯曲度适中。AA1、BB2次之，分别为19.26％、16.39％。
表1A类上肢带形态及比例
表2B类上肢带形态及比例
表3C类上肢带形态及比例
由此可见，本发明只需对女性人体进行三维扫描，测量三个部位的人体数据，即可从上肢带的纤细度和弯曲度两个方面合理判断人体上肢带的立体形态。本发明可以很好的用到实体商店或网上购买相关护具的参考标准。同时，也可以对大量人体进行数据采集，直接应用本发明所述方法的上肢带形态进行分类，即可了解所测地区或当代女性上肢带形态，对改进服装衣袖样板结构有指导作用。

Claims (7)

1.一种基于主成分分析和分层聚类的人体上肢带形态分类方法，其特征在于，包括以下步骤：
(1)采集静态人体净体数据，并构建人体数据库；
(2)初选N个与上肢带相关的人体测量部位，对对称部位进行配对样本检验，将初选变量定为N/2个，根据其余人体部位测量数据与初选变量之间的线性相关关系确定基础变量；
(3)利用主成分分析在基础变量中对表征上肢带形态的变量进行筛选；
(4)采用分层聚类的方法确定表征上肢带形态的参数；
(5)基于表征上肢带形态的参数对上肢带形态进行分类。
2.根据权利要求1所述的基于主成分分析和分层聚类的人体上肢带形态分类方法，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所述的基于主成分分析和分层聚类的人体上肢带形态分类方法，其特征在于，所述步骤(2)中与上肢带相关的人体测量部位共有16个，分别为：左右肩臂长、左右全臂长、左右上臂长、左右上臂围、左右腕围、左右腋围、左右腋宽和左右手臂前倾角。
4.根据权利要求1所述的基于主成分分析和分层聚类的人体上肢带形态分类方法，其特征在于，所述步骤(2)中采用Pearson相关分析法得到其余人体部位测量数据与初选变量之间的线性相关关系。
5.根据权利要求1所述的基于主成分分析和分层聚类的人体上肢带形态分类方法，其特征在于，所述步骤(3)中在主成分分析时，根据四次最大正交旋转法，对初等因子载荷矩阵进行具有Kaiser标准化的正交矩阵，得到若干主成分；从各个主成分中选择绝对值大的相关系数，并结合专业知识选出表征上肢带形态的变量。
6.根据权利要求1所述的基于主成分分析和分层聚类的人体上肢带形态分类方法，其特征在于，所述步骤(4)具体为：选择“质心聚类法”作为聚类方法，“Pearson相关性”作为测度变量间相似性的方法，对选出的表征上肢带形态的变量进行分层聚类分析；由相关矩阵、树状图及专业知识将变量分为四类；计算四类中各个变量的相关指数，根据相关指数的大小，结合测定的难易程度及专业知识，从各类中选择一到两个变量作为表征上肢带形态的变量；根据聚类进程表的原理，确定手臂前倾角、上臂围、肩臂长为表征上肢带形态的参数。
7.根据权利要求6所述的基于主成分分析和分层聚类的人体上肢带形态分类方法，其特征在于，所述手臂前倾角为从人体侧面的角度表征上肢带整体的弯曲度，所述手臂前倾角角度越大，上肢带弯曲度越大，手臂前倾角越小，上肢带越顺直；所述上臂围和肩臂长表示上肢带的纤细度，上臂围一定时，肩臂长越大，上肢带越纤细；肩臂长一定时，上臂围越大，上肢带越粗壮。
CN201810059025.7A 2018-01-22 2018-01-22 基于主成分分析和分层聚类的人体上肢带形态分类方法 Pending CN108280476A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810059025.7A CN108280476A (zh) 2018-01-22 2018-01-22 基于主成分分析和分层聚类的人体上肢带形态分类方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810059025.7A CN108280476A (zh) 2018-01-22 2018-01-22 基于主成分分析和分层聚类的人体上肢带形态分类方法

Publications (1)

Publication Number Publication Date
CN108280476A true CN108280476A (zh) 2018-07-13

Family

ID=62804508

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810059025.7A Pending CN108280476A (zh) 2018-01-22 2018-01-22 基于主成分分析和分层聚类的人体上肢带形态分类方法

Country Status (1)

Country Link
CN (1) CN108280476A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110147847A (zh) * 2019-05-24 2019-08-20 徐州医科大学 基于星座图聚类的膝关节形态分类方法
WO2020160674A1 (en) * 2019-02-06 2020-08-13 Ecole De Technologie Superieure Method and device for determining an ear canal size
CN116068324A (zh) * 2023-03-16 2023-05-05 国网辽宁省电力有限公司电力科学研究院 一种电缆线路测试方法、系统、设备及介质

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101916315A (zh) * 2010-08-17 2010-12-15 东华大学 不同年龄工业人台的建立方法
US20130315475A1 (en) * 2010-12-01 2013-11-28 Cornell University Body shape analysis method and system
CN103535963A (zh) * 2012-07-09 2014-01-29 三六一度(中国)有限公司 运动服装动态基础样板及基础样板构建方法
CN104794722A (zh) * 2015-04-30 2015-07-22 浙江大学 利用单个Kinect计算着装人体三维净体模型的方法
CN106709746A (zh) * 2015-11-17 2017-05-24 北京三件客科技有限公司 3d扫描、模型测量一体化的互联网服装定制系统
CN106934425A (zh) * 2017-03-23 2017-07-07 南京汇川图像视觉技术有限公司 一种基于深度学习的工业产品清点方法
CN106923833A (zh) * 2017-03-24 2017-07-07 东华大学 一种基于因子分析和系统聚类的乳房形态分类方法
CN106960220A (zh) * 2017-03-13 2017-07-18 东华大学 一种通用型人体特征曲线自动分类方法
CN107154071A (zh) * 2016-03-02 2017-09-12 南京航空航天大学 基于实例根据人体测量尺寸数据生成个性化人体模型的方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101916315A (zh) * 2010-08-17 2010-12-15 东华大学 不同年龄工业人台的建立方法
US20130315475A1 (en) * 2010-12-01 2013-11-28 Cornell University Body shape analysis method and system
CN103535963A (zh) * 2012-07-09 2014-01-29 三六一度(中国)有限公司 运动服装动态基础样板及基础样板构建方法
CN104794722A (zh) * 2015-04-30 2015-07-22 浙江大学 利用单个Kinect计算着装人体三维净体模型的方法
CN106709746A (zh) * 2015-11-17 2017-05-24 北京三件客科技有限公司 3d扫描、模型测量一体化的互联网服装定制系统
CN107154071A (zh) * 2016-03-02 2017-09-12 南京航空航天大学 基于实例根据人体测量尺寸数据生成个性化人体模型的方法
CN106960220A (zh) * 2017-03-13 2017-07-18 东华大学 一种通用型人体特征曲线自动分类方法
CN106934425A (zh) * 2017-03-23 2017-07-07 南京汇川图像视觉技术有限公司 一种基于深度学习的工业产品清点方法
CN106923833A (zh) * 2017-03-24 2017-07-07 东华大学 一种基于因子分析和系统聚类的乳房形态分类方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
王竹君 等: "基于三维人体测量技术的合体式男装袖窿结构研究", 《河南工程学院学报（自然科学版）》 *
荣泰生 等: "《SPSS与研究方法》", 31 May 2012, 东北财经大学出版社 *
陈谦 等: "基于臂部形态的西服袖结构", 《纺织学报》 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2020160674A1 (en) * 2019-02-06 2020-08-13 Ecole De Technologie Superieure Method and device for determining an ear canal size
CN110147847A (zh) * 2019-05-24 2019-08-20 徐州医科大学 基于星座图聚类的膝关节形态分类方法
CN116068324A (zh) * 2023-03-16 2023-05-05 国网辽宁省电力有限公司电力科学研究院 一种电缆线路测试方法、系统、设备及介质

Similar Documents

Publication Publication Date Title
Strauss et al. The truss: body form reconstructions in morphometrics
CN108280476A (zh) 基于主成分分析和分层聚类的人体上肢带形态分类方法
Ashton et al. The combination of locomotor features of the primate shoulder girdle by canonical analysis
CN109977991A (zh) 基于高清卫星遥感的林业资源采集方法
CN108416276A (zh) 基于人的侧面步态视频的异常步态检测方法
Yu et al. Body shape classification of Korean middle-aged women using 3D anthropometry
CN114532986B (zh) 一种基于三维空间动作捕捉的人体平衡测量方法和系统
CN108741342A (zh) 一种基于因子分析和概率神经网络的人体体型聚类方法
CN105488303B (zh) 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
Chen Analysis of upper physical characteristics based on angle measurements
Lee et al. Classification of body shape characteristics of women's torsos using angles
CN112508890B (zh) 一种基于二级评测模型的奶牛体脂率检测方法
CN107818567B (zh) 一种基于皮层顶点云的大脑局部形态特征描述方法
CN112800575A (zh) 边界假人建模方法、边界假人模型、座椅舒适性校核方法
CN105138835B (zh) 基于生理信息熵的人体体成分预测方法
ÇİLEROğLU Body shapes of Turkish women: In terms of the ready-to-wear industry
CN102125322A (zh) 基于回归方程基础上的优化的手工测量方法
Xu et al. Spatiotemporal distribution of cage and raft aquaculture in China's offshore waters using object-oriented random forest classifier
CN109741149B (zh) 一种服装号型生成方法及系统
CN112598079A (zh) 一种头足类种群和种类的鉴别方法
CN106923833A (zh) 一种基于因子分析和系统聚类的乳房形态分类方法
CN106718830B (zh) 一种测量衣及基于测量衣的测量方法
CN109685883A (zh) 服装样板生成方法、装置、设备及计算机可读存储介质
Giorgi et al. Morphological Analysis of 3D Faces for Weight Gain Assessment.
Hu et al. An image-based shape analysis approach and its application to young women’s waist-hip-leg position

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20180713

RJ01 Rejection of invention patent application after publication