CN110809783B

CN110809783B - 用于测量毛发运动特性的装置和方法

Info

Publication number: CN110809783B
Application number: CN201880041823.5A
Authority: CN
Inventors: C·D·本特利; L·G·格里菲斯; E·G·马赫斯; J·M·罗伯茨; G·J·克利弗; A·M·斯塔西克; J·S·考恩; G·F·劳顿
Original assignee: Unilever IP Holdings BV
Current assignee: Unilever IP Holdings BV
Priority date: 2017-06-23
Filing date: 2018-06-20
Publication date: 2023-07-11
Anticipated expiration: 2038-06-20
Also published as: JP2020524753A; US20210142486A1; JP7164553B2; EP3642794B1; EP3642794A1; CN110809783A; BR112019027162A2; WO2018234410A1; US11475575B2

Abstract

一种用于测量发束的运动特性的装置和方法，该装置包括：发束可安装在其上的运动装具，该运动装具可操作施加强制振荡到发束上；照相机，用于在施加强制振荡期间和之后在毛发样品的运动过程中捕获发束的图像；以及可通信地连接到照相机的计算机，该计算机包括用于处理捕获的图像并从捕获的图像提取发束的定量测量的处理器，其特征在于对捕获的图像应用过滤器以在对图像进行后续分析之前去除任何检测到的杂散毛发。

Description

用于测量毛发运动特性的装置和方法

技术领域

本发明涉及一种用于测量毛发的运动特性的装置和方法，特别是涉及与毛发的运动和弹跳有关的测量，尤其是在对毛发施加强制振荡期间和之后。

背景技术

长期以来，毛发运动的方式一直是消费者以及毛发产品制造商的兴趣点。通常，希望的是毛发的自然运动或弹跳(bounce)。越来越多地，诸如洗发水、护发素、毛发处理和定型产品的毛发产品在销售时声称它们实现毛发运动和/或弹跳的改善。

但是，与其他毛发参数(例如，厚度或光泽)不同，对运动或弹跳的确定迄今为止通常依赖于对运动的定性分析，其是基于消费者的感知而不是技术数据。

随着毛发运动属性对消费者变得越来越重要，需要提供一种改进的机制以可靠和可再现的方式评估这些毛发运动特性。

Galliano等，International Journal of Cosmetic Science,Vol 37,No1,February 2015，第56-62页描述了一种毛发运动的仪器评估方法以为毛发产品的性能提出新的标准。该方法包括带有快速照相机的视频采集系统。毛发样本运动的体外评估允许更好地理解在将各种毛发护理和造型技术应用于毛发运动机构时出现的现象。

类似地，Galliano等，IFSCC 2014，2014，第1-2页和第1-16页描述了作为对毛发视觉感知的新见解的毛发运动的评估。五个数码相机的体外方法允许采集“移动毛发3D”视频。它允许模拟两种类型的毛发运动：连续运动和阻尼模式。对于不同的频率，观察到各种形式的运动，从简单的摆锤运动到更复杂的3维旋转运动。通过分析这些不同参数的变化，可以评估毛发产品的影响并可以开发出更合适的配方。

US2015/072332A1描述了一种用于为受试者生成强制选择评估测试的装置和方法，该测试包括一系列项目块，每个项目块包括需要受试者对其作出反应的多个项目。该方案基于Thurstonian项目响应。

发明内容

因此，本发明目的在于通过根据第一方面提供用于测量发束的运动特性的装置来解决上述问题，该装置包括：发束可安装在其上的运动装具，该运动装具可操作以对发束施加强制振荡；用于在施加强制振荡期间和之后在毛发样品的运动过程中捕获发束的图像的照相机；以及可通信地连接到照相机的计算机，该计算机包括用于处理捕获的图像并从捕获的图像提取发束的定量测量的处理器，

其特征在于，对所捕获的图像应用过滤器以在进行图像的后续分析之前去除检测到的任何杂散毛发。

通常，发束可以作为毛发的主体移动。但是，杂散的毛发或小发束可能从毛发主体上脱离。确定离开发束主体的这种杂散毛发或小发束(另外也称为“飞散”)的存在。本发明配置成应用过滤器以通过忽略这种脱离的杂散毛发或小发束而从进一步的分析中排除它们，从而在相关发束的进一步分析中排除飞散。换句话说，过滤器应用于捕获的图像以在进行图像的后续分析之前排除检测到的任何杂散毛发。过滤器对图像进行操作以定位发束的轮廓，其中该轮廓至少部分地排除位置离开发束主体的杂散纤维(“飞散”)。以这种方式忽略飞散可以改善发脊(hair spine)位置。

过滤器可以采取最小长度比的形式。最小长度比可以是半径的长度与发束长度的比率的最小值。通过排除超过这样的最小长度比的毛发，有可能排除与发束主体分离较大的毛发(即飞散)。在图像中检测到的任何位于此最小长度比之外的毛发都可以被认为是杂散的，并且在随后的分析(其可能包括确定上述任何一种或多种定量测量)中被忽略。

过滤器的第二选项可以是图像中的强度阈值。杂散纤维在图像中通常可能具有较低的强度，因此，通过应用强度阈值(在该阈值以下的图像的部分被忽略)，有可能实现杂散纤维过滤。

过滤器可以包括强度阈值组件和最小长度比组件。

现在将阐述本发明的任选特征。这些可以单独或应用与以任何组合应用于本发明的任何方面。

在一些实施方案中，两个或更多个发束可安装到移动装具上，其中相同的强制振荡同时施加到该两个或更多个发束上。

通过这种方式，装置提供每个单独的发束的定量测量以及两个或更多个发束之间的比较测量(定量和定性)。在进行测量之前，可以用不同的毛发产品处理两个或更多个发束中的每一个发束。因此，该装置能够定量比较由于使用的毛发产品引起的对发束的弹跳和运动的影响。例如，应用于发束的毛发产品可以包括以下一种或多种：洗发剂、护发素、毛发处理和毛发定型产品。

定量测量可以包括以下一项或多项：x振幅；y振幅；发束的顶部和底部之间的相对相位；衰减时间；自然频率；发束的2D面积；在运动之前和运动之后发束的2D面积的变化。还对发束的2D面积，以及它在运动的稳态过程中如何变化进行定量测量。例如，可以在稳态运动期间测量发束的最小、最大和平均体量。

X振幅的测量是对发束沿水平X轴移动多远的量度。

Y振幅的测量是对发束沿垂直Y轴移动多远的量度。

相对相位是对给定发束的顶部和底部之间的运动差异的量度。

衰减时间是指在强制振荡停止后，发束恢复静止所需的时间。

自然频率是在通过强制振荡的激励停止后，发束运动(沿x和/或y方向)的速度的量度。

通过照相机观察的发束的2D面积(即图像平面中的总体量)。

在运动之前和之后发束的2D面积的变化也可以称为发束体量的变化。换句话说，可以测量在运动之前和之后通过照相机观察到的发束的体量积差异。

在一些实施方案中，计算机包括用于接收基于使用发束进行的消费者研究的消费者建模数据的输入。

接收的这种消费者建模数据通常可以采取通过将Thurstonian模型或其他潜变量模型应用于消费者对两个或更多个发束之间对于特定的毛发属性的相对差异的感知来计算的消费者感知值“d撇号”(d')的形式。Thurstonian模型是潜变量模型，其将消费者印象(来自消费者研究)，例如消费者关于哪种毛发样本具有最佳“弹跳”的印象，映射到离散的有序反应类别上。已知Thurstonian模型为感觉辨别任务提供了一种机制。

从消费者组获得的原始数据可以涉及毛发的一种或多种不同属性，其实例包括：

●弹跳

●轻量运动

●流体运动

●受控运动

这些属性是关于毛发运动通常使用的术语，并且是消费者在描述毛发运动特性时使用的常见术语。在进行消费者研究时，没有向消费者提供这些属性的正式定义。应当理解，通过考虑较大的消费者群体，减小了个体对给定属性的理解和评价的差异。

如下所述，根据基于与该相同属性有关的消费者数据创建的模型，对于给定属性生成预测属性值。例如，“弹跳”属性的预测性能基于在创建过程中具有与“弹跳”相关的消费者建模数据的“弹跳”模型。在一些实施方案中，在接收到对发束的定量测量时，处理器应用交叉验证模型，该模型将在模型生成中使用的发束的定量测量与消费者建模数据(其来自用于交叉验证模型生成的相同发束的消费者研究)相结合。

交叉验证模型提供了一组发束的定量测量与同一组发束的消费者感知值之间的相关性。应当理解，许多建模方法可以适合于对这种相关性进行建模。交叉验证模型的一个实例是偏最小二乘(PLS)模型，其将从捕获的图像得出的定量测量与从消费者建模数据提取的消费者感知值(d')相关联。

特定的交叉验证模型可以包括多个属性模型。关于单个特定运动属性，每个属性模型本身可以是交叉验证模型。例如，特定的交叉验证模型可以包括用于弹跳、轻量运动、流体运动和受控运动中每一个的属性模型。

在一些实施方案中，处理器还配置为将预测模型应用于新的发束(即，未在交叉验证模型生成中使用的发束)。预测模型可以基于交叉验证模型。预测模型可用于分析新数据的实验室测量(即新发束的定量测量)，并根据预测模型预测消费者的反应，而预测模型是基于交叉验证模型。

以此方式，该装置使用交叉验证模型形式的基于实验室的数据来预测消费者反应，从而能够实现消费者研究的益处而无需建立并进行昂贵且耗时的消费者研究。换句话说，用于产生交叉验证模型的较早消费者研究用作校准工具，从而可以预测消费者对于以后在移动装具上进行的发束测量的反应。

根据本发明的第二方面，提供了一种测量发束的运动特性的方法，该方法包括以下步骤：

提供发束可安装在其上的运动装具，该运动装具可操作以对发束施加强制振荡；

提供用于在施加强制振荡期间和之后在毛发样品的运动过程中捕获发束的图像的照相机；

提供可通信地连接到照相机的计算机，该计算机包括处理器；

在处理器处处理捕获的图像；和

从捕获的图像提取发束的定量测量，

其特征在于对所捕获的图像应用过滤器以在进行图像的后续分析之前去除检测到的任何杂散毛发。

上面关于第一方面的装置描述的任选特征可以全部应用于第二方面的方法。特别地：

该方法可以进一步包括以下步骤：在计算机的输入处接收基于使用发束进行的消费者研究的消费者建模数据。接收的消费者建模数据通常是消费者感知值，d撇号(d’)，其通过将Thurstonian模型应用于两个或更多个发束之间的相对差异的消费者感知来计算。

在接收到消费者建模数据时，处理器可以生成交叉验证模型，其将来自捕获图像的发束的定量测量与消费者建模数据相结合。任选地，交叉验证模型是偏最小二乘模型，其将来自捕获图像的定量测量与从消费者建模数据提取的消费者感知值(d’)相关联。

该方法可以进一步包括将基于交叉验证模型的预测模型应用于从新的发束组获取的定量测量的步骤，该预测模型基于交叉验证模型来预测消费者对新的发束组的反应。

根据本发明的第三方面，提供了一种计算机程序产品，该计算机程序产品包括在该程序由计算机执行并且与第一和第二方面的运动装具和照相机结合提供时，使得计算机执行第二方面的方法的其余步骤的指令。

本发明的其他任选特征在下面阐述。

附图说明

现在将参考附图通过示例的方式描述本发明的实施方案，其中：

图1示出了根据本发明的装置的示意图；

图2更详细地描绘了装置的移动装具和照相机；

图3描绘了运动中的发束的捕获的屏幕截图图像，该捕获的图像进行分析以获得发束的定量测量；

图4示出了使用测量装具获得定量测量的方法的概述；

图5描绘了用于执行测量和分析过程以从由本发明的装置捕获的图像获得定量测量的用户输入的实例；

图6描绘了在针对给定发束捕获的图像上进行的分析的实例；

图7描绘了在来自捕获图像的数据上进行的进一步分析过程；

图8描绘了将使用运动装具获取的图像与从消费者研究获得的相同产品集的数据和不相关产品集的输出预测测量进行匹配的校准过程；

图9描绘了运动装具中三个发束的实例；

图10A和10B示出了在图9的三个发束上进行的图像分析的两个例子；

图11A和11B示出了在图9的三个发束上进行的图像分析的另外两个例子，包括飞散毛发的过滤；

图12A、12B和12C分别示出了图9的第一、第二和第三发束的水平位置数据；

图13示出了图9的三个发束随半径变化的稳态相位角；

图14示出了图9的三个发束中每一个随半径变化的运动衰减常数；

图15A、15B和15C分别示出了图9的三个发束的体量-时间分布(2D体量曲线)；

图16示出了单个发束的随时间变化的弧长和宽度的实例；和

图17显示了从消费者研究组获得的与5个发束的四种不同的毛发类型属性有关的数据的实例，每个发束通过不同的产品处理。

具体实施方式

本发明的装置配置为测量一个或多个发束的运动特性，如下面参考图1、2和3更详细地描述的。这些特征(也称为“运动参数”)可以包括以下的定量测量：x振幅；y振幅；发束的顶部和底部之间的相对相位；衰减时间；频率；发束的2D面积；以及在运动之前和之后2D面积的变化。

本发明的装置还配置成应用过滤器以通过忽略位置远离发束主体的杂散纤维而从进一步分析排除它们。测量的运动特性又可以用于推导毛发运动的属性，如：一个或多个发束10、10a、10b的弹跳、轻量运动、流体运动和受控运动。还可以定义毛发运动的多种其他属性。例如，

●运动过程中的柔韧性；

●运动过程中形状/样式/对齐的保持；

●运动过程中的较小“压重”；

●轻量运动；和

●生动的运动。

这样的属性可能适用于许多不同的国家(例如，英国、美国、中国、日本、印度尼西亚、印度、泰国和巴西)。当然，属性在所有国家同样有用。

其他一些属性可能特别适用于特定国家的消费者。例如，

●厚重(泰国)；

●Sa-Luay(泰国)；

●优美/自然流动(泰国)；

●充满活力的运动(印度尼西亚)；以及

●沙拉沙拉的感觉(日本)。

装置1包括发束可安装在其上的运动装具2。通常，它包括条棒(在图2中不可见)，其包括多个发束保持器，每个发束保持器用于接合相应发束的顶部。运动装具包括用于沿水平轴向条棒施加振荡力(强制振荡)的马达，从而使其经历沿表示为“x”的方向的振荡运动。

应当理解，振荡频率可以采用适当范围的值。例如，合适的范围可以是0.8至1.3Hz。可能存在下限频率，在该频率以下不诱导发束的振荡运动，而是整个发束随着强制振荡而刚性地运动。可能存在上限频率，高于该频率则诱导发束的不希望的运动(例如，扭曲运动)。条棒的优选振荡频率可以是1.0Hz。同样，振荡频率可以是不同的合适的值。应当理解，多种因素对于确定强制振荡频率是重要的，对于强制振荡频率可能没有严格的限制。通过将所有发束连接至单个条棒，条棒的任何移动导致相同的动动力施加到每个安装的发束10a，10b上。

在对交叉验证模型生成中使用的发束进行定量测量时所使用的强制振荡频率可以与用于用作相应预测模型的输入的发束的定量测量的强制振荡频率相同。

在图2所示的实施方案中，条棒位于灯箱21前方。照相机3，特别是具有视频能力的摄像机，被安装在距灯箱21固定距离处用于捕获毛发样品的图像(通过视频帧)，不仅在初始激发过程中和在条棒正在振荡(以及其中安装的发束因此经历稳态运动)的时间，而且在条棒完成振荡后的一段时间内(其中安装的发束经历运动衰减)。通过这种方式，照相机能够捕获强制振荡过程中毛发运动的图像；以及强迫振荡停止施加后运动衰减的图像。

图像可以从使用摄像机录制的视频中获取。图像从视频中提取。每个图像可以对应于视频的帧。来自特定视频的图像的重新分析也是可能的，而不是必须从视频中重新提取图像。换句话说，图像可以只从视频提取一次，和然后存储。存储的图像可以之后用于分析而不是必须重复从视频提取图像的步骤。

在通过照相机3开始记录与通过运动装具2开始强制振荡运动之间可以施加延迟。例如，该延迟可以具有1秒或更大的大小。其中条棒振荡的运动运行时间可持续7秒或更长的时间；且强制振荡停止(通过停止条棒的运动)与照相机停止捕获图像的时间之间的延迟可具有6秒或更大的值。应理解，这些时间段仅是示例。

装置1还包括计算机4，其可通信地连接至照相机3，该计算机包括用于处理由照相机3捕获的图像和/或视频，并且用于从捕获的图像提取出发束的定量测量的处理器。

计算机4、照相机3和运动装具2可以经由诸如无线网络的接口5来连接。以这种方式，计算机上运行的程序也可以用于控制运动装置和照相机，特别是开始和停止时间。

处理器运行的用于处理图像和提取测量值的测量和分析软件可以在任何合适的平台上编写，例如Exelis IDL版本8.3或更高版本，一个重要的特征是包含如IDL函数IDLffVideoRead的功能，其将获得的视频文件转换为图像。用于图像分析功能的专用软件(例如Exelis IDL版本8.4中的IMF_ImageAnalysis库)的存在也可能是有利的。

合适的照相机包括但不限于尼康D90、尼康D5000和尼康D3200照相机。据发现如D3200的照相机特别有利，因为它们使得用户能够在手动视频模式中设置快门速度。测试了1/500s和1/1000s的快门速度，两者均表现良好，其中1/1000s的快门速度特别好。如D90和D5000的照相机(其在拍摄视频时不允许可变的快门速度)可能导致运动模糊，从而使发束轮廓更加模糊且随后获得的测量也不太准确。应理解的是，这些照相机仅仅是示例，并且许多其他照相机可能能够具有本文详述的技术性能。

D3200的最大视频帧速率为每秒25帧逐行扫描(25p)，图像尺寸为1920x1080。仅在较低空间分辨率隔行视频模式如50i下的较高帧速率应当避免，因为它们由交错在一起的两个单独的曝光组成，且曝光之间的运动可能产生双重图像。

和单个发束的测量和分析一样，也可以通过软件对多个发束10a，10b进行测量和分析，这些发束同时安装在运动装具上。在多个发束的情况下，发束的数量可以构成软件的输入，并且软件尝试在图像中找到输入到软件中的发束数量。如果在照相机的视场内无法识别指定的发束数量，则该装置可能配置错误。

该装置还包括位于照相机视场内的校准盘(未示出)。校准盘具有已知的尺寸，从而提供用于将捕获的图像的像素校准为真实空间测量值的机制。

图3中示出了发束的捕获图像的示例，该捕获的图像被分析以获得发束的定量测量。最初，对于图像中的每个发束，软件提取发束轮廓11和发束的脊12。然后软件沿着发束的长度在多个等同间隔的半径13a，13b…13n处分析运动参数。在所示实例中，相邻半径之间的间距为10mm。

用于分析特定发束的运动的公式在下面对于稳态(强制振荡)(公式(1))和衰减时间(公式(2)))(在强制振荡后)列出。

稳态:

衰减态:

其中：

x是脊与特定半径的交叉点的水平位置，以mm计；

A是以mm计的振幅；

t是以秒计的时间；

T2是强制运动停止时的时间，以秒计；

λ是以秒计的波长；

是相位角，以度计；

τ是运动衰减时间常数，以秒计；

B是以mm计的偏移量。

在x方向上运动的建模数学形式是正弦的(如上所述)。上述正弦运动的均方根(RMS)值为RMS＝A/sqrt(2)。RMS等于x值的标准偏差，这意味着振幅A＝sqrt(2)*标准偏差(x_位置值)。

对于y方向上的运动，y方向运动的振幅计算为A_y＝sqrt(2)*标准偏差(y_位置值)。

下面参考图4至9更详细地描述由在计算机的处理器上运行的软件执行的测量和分析步骤。

图4示出了使用测量装具获得定量测量的方法示例的概述。

在初始仪器设置步骤s4a中，如以上关于图1和图2所描述的提供了装置。更详细地，执行以下子步骤中的一个或多个。

测量期间使用的参数由软件加载或定义。这些参数可包括：运动速度、运动幅度、运动开始时间、运动结束时间、运动衰减时间、视频帧速率、视频宽度和高度、视频快门速度和镜头光圈、发束数量、在稳态区开始前忽略的强制振荡周期数、发束测量径向间隔(mm)、最大半径(mm)和/或校准盘尺寸(mm)。

仪器设置包括设置照相机焦距，以使其聚焦在待分析的一个或多个发束中的每个上。

捕获背景的短视频并转换为单个图像，通常标记为“背景”，且捕获校准盘的短视频和转换为单个图像，通常标记为“校准”。

在随后的步骤s4b中，开始研究。这包括输入发束详细信息，例如发束数量。还可以注明每个发束的类型和施加于每个发束的处理。一个或多个发束的视频捕获在开始时间T0开始；记录T0。

条棒的强制振荡运动开始，记录相对于T0的振荡运动开始的时间TS。

条棒的强制振荡运动停止，并记录相对于T0的停止时间TE。

在自TE的给定时间段(其选择用于捕获发束的运动衰减)后，停止视频记录。

在随后的步骤s4c和s4d中，对捕获的图像进行背景分析、裁剪和校准。这包括：将背景的视频文件转换为单个背景图像，将校准盘的视频文件转换为单个校准盘图像，以及从发束运动的视频文件提取一系列图像用于进行分析。

通过确定裁剪坐标(其对应于灯箱区域)来识别背景图像中的灯箱区域s4c。

为了从校准盘图像校准像素大小s4d，在校准盘图像中识别校准盘。校准盘的已知大小用于计算现实世界中的像素大小。

在随后的步骤中，测量所需发束强制运动和衰减的图像序列。裁剪/校准的图像可以被保存。

在随后的步骤s4f中，保存获得的运动数据。

然后对运动数据进行分析s4g，包括以下分析步骤：

●使用发束顶部运动数据与TS和TE一起确定运动开始时间T1；

●使用发束顶部运动数据与TS和TE一起确定运动结束时间T2；

●将正弦波拟合于发束顶部数据，返回A0、λ0、

和B0；

●使用运动开始时间、拟合和Nc确定稳态区的开始，其中Nc是在开始稳态区之前被忽略的强制振荡开始时的振荡周期数。

●确定稳态区的结束和衰减区的开始，与T2相对应；

●将正弦波拟合于T1和T2之间的每个半径发束数据，并返回Ai、λi、

和Bi；拟合的每个点对应于脊和相应半径的交叉点；

●将衰减正弦波拟合于T2和TE之间的每个半径发束数据，并返回运动分析参数Ai、λi、

τi和Bi；拟合的每个点对应于脊和相应半径的交叉点；

在后续步骤中，保存运动分析参数s4h。

如果需要，可以使用结果图像文件建立结果视频。

该软件可以为用户提供以下不同选项：

●捕获发束运动并对于孤立视频测量该运动，或者

●捕获多个发束视频，然后分析之后的视频。

图5描绘了用于测量和分析过程的用户输入界面的实例，该测量和分析过程被执行以从通过本发明的装置捕获的图像获得定量测量。在此示例中，测量和分析过程包括以下步骤：

1.在用户输入界面对话框中定义参数(图5中显示的示例)：

1.1.输入用于分割灯箱区域和发束的因子，(在图5的示例中，用于分割的阈值＝0.75)；

1.2.输入以像素计的发束顶部从裁剪图像的顶部的偏离(偏离像素)(在图5的示例中，偏离的值为0(像素))；

1.3.输入校准盘直径值(在图5的示例中，校准盘直径值的值＝200.0(单位＝'mm'))

1.4.输入视频/图像序列中预期的发束数量，

1.5.输入裁剪图像顶部上方运动原点的距离,(在图5的示例中，该距离的值，中心偏离＝10.0(mm))；

1.6.输入沿每个发束用于测量的距离间隔,(在图5的示例中，距离间隔值(半径分隔)＝10.0(mm))；

1.7.输入视频帧速率，以每秒帧数计，(在图5的示例中，帧速率值＝25.0)；

1.8.输入最小长度比MinRatio，其用于忽略虚假的飞散毛发，从而改善发束脊坐标；

1.9.输入运动开始后跳过的周期数，Nc，其用于定义稳态的开始(在图5的示例中，跳过周期数的值＝1.0)；

1.10.输入运动开始和结束时间(在图5的示例中，开始和结束时间的值都设置为零)；

1.11.选中“在分析中使用视频文件(Use video files in analysis)”框以使用视频，取消选中则为图像序列文件；

2.显示和输出选项：

2.1.选中“在分析过程中显示图像(Show images during analysis)”框以在处理过程中显示结果图像，取消选中则不显示；

2.2.选中“保存结果图像(Save result images)”框以保存结果图像；

2.3.选中“保存结果视频(Save result video)”框以将结果图像保存为视频格式。

2.4.选中“测量后删除影片帧文件(Delete movie frame files aftermeasurement)”框以删除从视频创建的图像序列。图像序列可以在测量和分析完成后删除；

2.5.选中“删除结果图像文件(Delete result image files)”以在结果视频建立后去除结果图像；

2.6.选中“重新分析运动测量(Re-Analysis the motion measures)”框以重新分析测量数据。如果要改变影响这种分析的参数(帧速率、跳过的循环数、运动开始和结束时间)，则这样可能是有利的。

2.7.选中“使用PLS属性模型(Use PLS Attribute Models)”框以从运动测量计算视觉属性；

2.8.选中“使用文件夹中的所有PLS属性模型(Use All PLS Attribute Modelsin the folder)”框，取消选中则选择所需的属性模型文件；

2.9.设置用于PLS模型中的对于水平X参数的半径，以mm计；

2.10.设置用于PLS模型中的对于垂直Y参数的半径，以mm计；

3.为用户保存上面定义的参数，这些参数在下次运行该程序时成为初始设置。设置也可以写入文本日志文件中。可以附加用于任何后续重新测量以进行重新分析的设置。每个条目具有当前日期和时间。此文件位于包含影片的文件夹中或图像文件夹中(如果重新分析或测量图像序列文件)；

4.“显示状态”消息对话框呈现指令或状态信息。

5.定义背景视频或图像文件；

6.定义校准盘视频或图像文件；

7.定义发束视频或图像序列。可以选择超过一个视频文件以利于批处理；

8.将视频转换为图像；

9.使用背景图像和过程查找裁剪坐标(顶部、底部、左侧和右侧)(裁剪坐标对应于灯箱区域)；

10.测量校准盘；

11.测量图像序列；

12.定义图像时间＝图像数/帧速率；

13.保存结果；

14.分析发束运动；

15.对于每个半径和每个发束计算脊与半径交叉的Y位置振幅；

16.如果选择PLS视觉属性模型，则计算属性值；

17.计算并保存毛发和填充体量统计数据，包括分析软件生成的任何图形；

18.储存稳态和运动衰减参数；

19.储存宽度统计信息：

20.显示结果；

21.从结果建立结果视频；

当然，应理解，上述方法以及图5所示的用户界面仅作为示例提供。

图6描述了详细分析步骤的示例，其可以在针对给定的发束组捕获的图像上执行。

通过运动分析软件执行以下步骤，其循环通过捕获的每个图像，从而在每个图像上执行该步骤(除非另有说明)：

●加载图像s6a；

●在加载的图像中查找发束s6b；

●标记图像中存在的发束s6c，为每个发束设置相应的图像区域；

●对图像中的每个发束执行以下详细分析s6d：

○测量发束坐标的顶部s6e；

○如果是第一图像和第一发束，则建立标记半径图像s6f；

○将半径图像平移到发束的水平位置；

○去除发束外的弧线部分；

○测量弧线(例如，以mm计)s6h，包括：

■计算弧段数：

■如果只有一个弧段，则测量弧线的重心X&Y坐标；

■如果多于一个弧段，则计算所有弧段的总长度；保留最大的弧段，并去除所有其他弧段长度FragLen的弧段，其中FragLen/TotalLen<MinRatio。计算其余弧段的重心坐标。保存为Xpos和Ypos；

○确定左边缘X&Y坐标以及右边缘X&Y坐标，

○确定重心X&Y坐标；

○测量发束面积和填充面积，其包括单独纤维束之间的间隙。

●如果要求，建立结果图像s6i。

●如果要求，显示结果图像；

●如果要求，保存结果图像。

图7描绘了在处理器上进行的对来自捕获图像的数据的进一步分析过程的示例，以跟踪在静止阶段、稳态(强迫振荡)阶段和衰减阶段中随时间变化的测量参数。在此示例中，处理器上的软件使得处理器执行以下步骤：

●确定运动开始、稳态开始和运动结束时间s7a；

●对于所有半径拟合稳态区s7b；

●对于所有半径拟合运动衰减s7c；

●计算垂直振幅s7d；

●计算统计输出s7e，其可包括：宽度测量的平均值、最小值、最大值和标准差，静止阶段、稳态阶段和衰减阶段的最后四分之一内的弧长(ArcLength)和宽度(弧线的FeretMax)；和

●储存数据文件和/或其他文件s7f。

分析结果可包括：

●结果图像，如图10A、图10B、图11A和图11B所示；

●发束的定量测量；

●图形，例如图12A、图12B、图12C、图13、图14、图15A、图15B和图15C中所示的那些。

●对于每个发束的视频中每个时间点在每个半径处的以下一个或多个参数：

○弧长，其是不包括空隙的毛发宽度；

○重心X坐标(水平)，以mm计；

○重心Y坐标(垂直)，以mm计；

○以毫米计的发束宽度，其包括空隙；

○X左坐标，以mm计；

○Y左坐标，以mm计；

○X右坐标，以mm计；

○Y右坐标，以mm计；

○X位置坐标(以mm计)，毛发脊坐标；和

○Y位置坐标(以mm计)，毛发脊坐标。

还可以计算宽度和弧长统计量，从而为每个发束给出静止阶段、稳态阶段和衰减阶段的最后四分之一的宽度参数的平均值、最小值、最大值和标准偏差值。

可以对于所有发束、对于每个视频和每个发束计算毛发面积和填充面积的“毛发体量”量度，从而给出例如：

1.第一时间点的发束体量(面积)，以mm²计；

2.最后时间点的发束体量；

3.稳态阶段内发束体量的最小值；

4.稳态阶段内发束体量的最大值；

5.稳态阶段内发束体量的平均值；

6.稳态阶段内发束体量的幅度。该幅度是标准偏差乘以2的平方根；

7.如上，但使用填充体量(其包括发束中的任何间隙)；

在图15A、图15B和图15C的每一个中图形示出了毛发体量数据的示例。图16中绘制了弧长和宽度数据的示例。

现在参照图8描述结合消费者数据的进一步的实施方案。在该实施方案中，执行校准类型的过程以将使用运动装具获取的图像与从消费者研究获取的同一产品组的数据进行匹配，从而产生用于不相关产品组(有时称为“验证产品”)的输出预测量度。

在该实施方案中，计算机4包括用于经由接口5或其他方式接收基于使用发束进行的消费者研究的原始消费者数据和/或经处理的消费者建模数据的输入。

在初始步骤s8a中，产生校准发束组，其中不同的发束用不同的毛发产品处理。

在随后的步骤s8b中，发束安装在装置1的运动装具2中，并使用照相机3获得图像。计算机4的处理器根据之前描述的任何一种或多种方法对使用该装置获得的这一“实验室数据”进行测量和分析。

单独地，在步骤8c中进行消费者研究，其中消费者就相同的(经处理)发束的毛发运动的各个方面提供了他们的观点。消费者结果可以通过一次查看两个发束来获得。通过成对分析，消费者可以更容易就一个给定的发束相对于另一个发束而言运动属性较高还是较低提供有用的反应。

然后使用可以在或不在计算机4上执行的算法对消费者数据进行建模s8d。该建模步骤对于每个产品和每个目标运动属性建立总体消费者感知值“d撇号”(“d’”)-这是消费者建模数据。应当理解，存在多种用于生成消费者建模数据的合适模型。例如，算法可以将Thurstonian模型应用于两个或更多个发束之间的相对差异的消费者感知以得出消费者建模数据(其包括消费者感知值d')。

在进一步的建模步骤s8e中，在接收消费者建模数据时，处理器生成交叉验证模型，其将来自捕获图像的发束的定量测量与消费者建模数据相结合。应当理解，对于交叉验证模型有多种合适的模型，其通常对应于消费者建模数据和定量测量之间的相关性。交叉验证模型的一个实例是偏最小二乘(PLS)模型，其将来自捕获的图像的定量测量与从消费者建模数据提取的消费者感知值(d')相关联。

然后可以从交叉验证模型建立预测模型s8f。这种预测模型使用实验室数据与消费者数据之间的已知相关性(如通过交叉验证模型评估的)来预测对于来自发束的新产品集s8h的新“实验室数据”s8g的消费者反应。因此，预测模型s8f的输出可预测消费者测量s8i，其包括新产品的预测消费者感知值。

由软件算法执行的用于计算视觉属性(即预测的消费者反应)的步骤在下面更详细地说明：

首先，偏最小二乘(PLS)模型必须用于计算预测视觉属性评分的量度。通常使用的量度是：

1.在用户界面中定义的半径(PlsRadius)处稳态阶段中的X位置振幅；

2.以度为单位的相对相位角(＝PhaseAngle[PlsRadius]-PhaseAngle[0])；

3.衰减时间常数(在PlsRadius处)；

4.每分钟振荡(＝60/衰减波长)；

5.Y位置振幅(在PlsRadiusY处)。

该量度在视频文件中对于每个发束计算。

一个预测模型可以包括多个属性模型，每个属性模型对应一个毛发属性。

在PLS模型的示例中，特定的属性模型可包括包含“发束运动量度”的描述以指定该模型使用限定的运动参数，因为PLS模型可以对于其他方法量度建立。特定的PLS属性模型可以包括数据结构PLS，其中：

1.PLS.Name：给出属性名称，如流体运动；

2.PLS.Measures：给出量度的名称(截距、X振幅(mm)、相对相位[°]、衰减时间(s)、振荡/分钟、Y振幅(mm))；

3.PLS.Offsets:是截距值；

4.PLS.Wts:是量度权重。

在PLS模型示例中，可以通过以下关系描述所得的视觉属性值：

其中：

A＝预测的视觉属性值；

C＝偏移或截距；

W_i＝量度加权因子，PLS.Wts[i]；

M_i＝量度向量，按上面PLS.Measures中定义的顺序。

预测的视觉属性值对应于用于构建消费者建模数据的视觉属性的预测值，其又用于生成消费者验证模型，该消费者验证模型随之用于生成预测模型。例如，如果消费者建模数据是基于消费者比较，且因此消费者建模数据包含d'值，则A对应于用于该特定视觉属性的预测的d'值。对于第二示例，如果消费者建模数据是基于对特定属性按照0-10的尺度对发束进行评分的消费者，则A值处于0-10的相似视觉属性尺度上。

现在参考图9-16描述典型结果的示例。

图9显示了安装在装置1的运动装具2中的三个发束的原始图像。在该图像中，三个发束经历强制振荡。左侧31和右侧33发束颜色为深棕色，且中间发束32被漂白。然而，可以看出，灯箱21有助于漂白发束的成像。该图像从视频中提取。

图10A是结果图像，其对应于已经进行初始处理步骤后的图9的原始图像。其他(处理的)结果图像显示在图10B、11A和11B中。这些图像在使用从背景图像确定的坐标在由软件加载时进行裁剪。

图10A、10B、11A、11B的结果图像显示了发束毛发轮廓111、填充毛发轮廓114、发束脊112和测量半径113a，113b(径向间距10mm)。

在图10B中可以看到左侧发束31已经分开，而在图10A中左侧发束31形成了单一主体。因此，图10A中的发束31的填充发束区域轮廓114与图10B的发束31的发束轮廓114b不同，因为图10B中所示的填充的发束区域轮廓114b向上延伸到分叉处，而图10A中所示的发束轮廓114不向上延伸到分叉处。

图11A和11B示出了先前附图中的三个发束，其每个证明了改进的发束之间的分割方法。

图11A示出了结果图像，其中杂散纤维通过过滤器至少部分地忽略。换句话说，在图11A中，可以看出分析算法排除了杂散纤维的一些部分，这导致了发束区域轮廓214和发束毛发轮廓211更紧密地遵循是由杂散纤维而不是由发束主体部分限定的发束的外部轮廓。如果没有过滤器，则发束脊边缘位置可能沿飞散的方向错误地移动(即，图11A中太向右侧)。

在图11B中，通过测量和分析算法忽略杂散纤维，从而导致发束脊的更准确放置，且因此使用脊发束计算的任何测量具有更精确的输出。

图11B还结合了改进的发束分割方法以处理接触发束(在这种情况下，正接触左侧发束31的主体的中间发束32的飞散)。

发束分割由包括以下一般步骤的例行程序进行：

●计算图像中灯箱区域的平均强度，称为“WhiteGrey”。对应于发束的像素被识别为发束像素

○发束像素是图像像素值<(WhiteGrey*ThreshFactor)的那些。例如，ThreshFactor的值为0.75，但是这可以根据特定场景变化；

●从发束移除小对象(例如，尺寸小于100像素的那些对象)；

●去除伪影，其包括

○测量“发束”中的对象并将每个对象复制到图像样本中，只要对象重心y值CgY>MinValue且CgY<MaxValue且对象顶部>TopY。计算样本中的对象数，其称为NumSwitches。

○如果NumSwitches<ExpectedNumSwitches，则擦除对象直到对象数NumSwitches＝ExpectedNumSwitches；

○如果NumSwitches>ExpectedNumSwitches，则保留NumSwitches个最大的对象。

发束分割过程还可以包括处理接触图像边缘的发束的例行程序。

图12A、图12B和图12C示出了如先前图10A、10B、11A和11B中所示的三个发束31、32和33的发束运动数据。发束根据弧半径进行颜色编码。

更详细地，图12A：示出了第一发束31的水平位置数据，对于所有半径0至240mm，按照半径加阴影(最初颜色编码的)。该图形示出了具有稳态区域1201(其中发束经历强制振荡)以及衰减区域1202(其显示在去除强制振荡时发束的运动)的运动期。

图12B示出了第二发束32的相应水平位置数据，再次对于半径0至240mm。图12C示出了半径0至240mm的第三发束33的相应水平位置数据。

参照图13可以更好地理解这些图中显示的稳态相位滞后，其显示了相对于强制振荡的稳态相位角。

运动衰减时间常数如图14所示。发束运动幅度取决于强制振荡频率与发束的自然频率的接近程度。因此，运动衰减频率是发束自然频率的良好量度。

图15A、图15B和图15C分别示出了先前附图中的三个发束31、32、33的体量-时间分布(2D面积分布)。可以清楚地看到稳态区域1501a和衰减状态区域1502a之间的差异，以及毛发体量和填充体量之间的差异。填充体量(即捕获图像中的填充2D面积)包括给定发束内单独纤维束之间的间隙。

应注意，对于第一发束31(图15A)，最终体积大于初始体积；而对于第二和第三发束32、33(分别图15B和15C)，最终体积小于初始体积(对于毛发体量值及填充体量值两者)。

图16显示对于半径为170mm的单个发束，弧长和发束宽度随时间变化的示例。其中弧长是总毛发宽度(不包括空隙)，且宽度是包括空隙的总宽度。

图17显示从消费者研究组获得的数据的示例，其与5个发束的四种不同毛发类型属性相关，每个发束通过不同的产品(标记OT56、DJ88、HQ32、KL97和SV45(Syoss))处理。消费者感知的四种属性是：弹跳、流体运动、受控运动和轻量运动。图17中的图形显示了通过使用消费者数据模型获得的结果，该消费者数据模型分析来自其中要求消费者在查看和比较发束对的不同组合时给出偏好的研究的属性。

尽管已经结合上述示例性实施方案描述了本发明，但是当给出本公开时，许多等同的修改和变化对于本领域技术人员是显而易见的。因此，以上阐述的本发明的示例性实施方案被认为是说明性的而不是限制性的。在不脱离本发明的精神和范围的情况下，可以对所描述的实施方案进行各种改变。

以上提及的所有参考文献均通过引用并入本文。

Claims

1.一种用于测量发束(10)的运动特性的装置(1)，该装置(1)包括：

所述发束(10)可安装在其上的运动装具(2)，该运动装具可操作以对所述发束施加强制振荡；

照相机(3)，其用于在施加所述强制振荡期间和之后在毛发样品的运动过程中捕获所述发束(10)的图像；和

可通信地连接到所述照相机(3)的计算机(4)，该计算机(4)包括用于处理捕获的图像并从所述捕获的图像提取所述发束的定量测量的处理器，

其特征在于对所述捕获的图像应用过滤器以在进行所述图像的后续分析之前去除检测到的任何杂散毛发；并且其中所述计算机(4)包括用于接收基于使用所述发束(10)进行的消费者研究的消费者建模数据的输入。

2.根据权利要求1所述的装置(1)，其中两个或更多个发束(10)可安装到所述运动装具(2)上，并且其中相同的强制振荡同时施加到所述两个或更多个发束(10)。

3.根据权利要求1或权利要求2所述的装置，其中所述定量测量包括以下一项或多项：x振幅；y振幅；所述发束的顶部和底部之间的相位；衰减时间；自然频率；所述发束的2D面积；及在运动之前、期间和之后2D面积的变化。

4.根据权利要求1或2所述的装置(1)，其中接收的所述消费者建模数据是通过将Thurstonian模型应用于消费者对两个或更多个发束之间的相对差异的感知而计算的消费者感知值(d’)。

5.根据权利要求1或2所述的装置(1)，其中在接收消费者建模数据时，所述处理器应用交叉验证模型，所述交叉验证模型将来自所述捕获的图像的所述发束的定量测量与所述消费者建模数据相结合。

6.根据权利要求5所述的装置(1)，其中所述交叉验证模型是偏最小二乘模型，其将来自所述捕获的图像的所述定量测量与从所述消费者建模数据提取的消费者感知值(d’)相关联。

7.根据权利要求5所述的装置(1)，其中所述处理器还配置为将基于所述交叉验证模型的预测模型应用于新的发束组，以获取所述新的发束组的定量测量并基于所述交叉验证模型预测消费者反应。

8.一种测量发束(10)的运动特性的方法，该方法包括以下步骤：

提供所述发束(10)可安装在其上的运动装具(2)，该运动装具(2)可操作以对所述发束(10)施加强制振荡；

提供用于在施加所述强制振荡期间和之后在毛发样品的运动过程中捕获所述发束(10)的图像的照相机(3)；

提供可通信地连接到所述照相机(3)的计算机(4)，该计算机包括处理器；

在处理器处处理捕获的图像；和

从所述捕获的图像提取所述发束的定量测量，

其特征在于对所述捕获的图像应用过滤器以在进行所述图像的后续分析之前去除检测到的任何杂散毛发；并且

所述方法还包括以下步骤：

在所述计算机的输入处接收基于使用所述发束进行的消费者研究的消费者建模数据。

9.根据权利要求8所述的方法，其中在接收消费者建模数据时，所述处理器应用交叉验证模型，所述交叉验证模型将来自所述捕获的图像的所述发束的定量测量与所述消费者建模数据相结合。

10.根据权利要求9所述的方法，其中所述交叉验证模型是偏最小二乘模型，其将来自所述捕获的图像的所述定量测量与从所述消费者建模数据提取的所述消费者感知值(d’)相关联。

11.根据权利要求9或10所述的方法，还包括以下步骤：

将基于所述交叉验证模型的预测模型应用于从新的发束组获得的定量测量，该预测模型基于所述交叉验证模型预测消费者对所述新的发束组的反应。

12.一种计算机可读存储介质，其包括在程序由计算机(4)执行并与权利要求8的所述运动装具(2)和所述照相机(3)结合提供时，使得所述计算机(4)执行权利要求8至11中任一项所述的方法的其余步骤的指令。