CN112651142B - 服装号型系统建立方法、装置及服装号型系统 - Google Patents

服装号型系统建立方法、装置及服装号型系统 Download PDF

Info

Publication number
CN112651142B
CN112651142B CN202110059905.6A CN202110059905A CN112651142B CN 112651142 B CN112651142 B CN 112651142B CN 202110059905 A CN202110059905 A CN 202110059905A CN 112651142 B CN112651142 B CN 112651142B
Authority
CN
China
Prior art keywords
human body
size
data
size data
body size
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.)
Active
Application number
CN202110059905.6A
Other languages
English (en)
Other versions
CN112651142A (zh
Inventor
黄海峤
胡娟
王英男
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.)
Beijing Institute Fashion Technology
Original Assignee
Beijing Institute Fashion Technology
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 Beijing Institute Fashion Technology filed Critical Beijing Institute Fashion Technology
Priority to CN202110059905.6A priority Critical patent/CN112651142B/zh
Publication of CN112651142A publication Critical patent/CN112651142A/zh
Application granted granted Critical
Publication of CN112651142B publication Critical patent/CN112651142B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Pure & Applied Mathematics (AREA)
  • Mathematical Optimization (AREA)
  • Mathematical Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Computer Hardware Design (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Computation (AREA)
  • Algebra (AREA)
  • Geometry (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本公开涉及服装号型分类领域，尤其涉及一种服装号型系统建立方法、装置及服装号型系统。通过获取真实的样本人体尺寸数据，并根据该真实的样本人体尺寸数据生成大量仿真人体数据，可以使生成的仿真人体数据更具代表性和随机性；通过根据体质指数标准建立仿真人体尺寸数据的体型区间，并根据该体型区间构建树状号型系统模型，使身高和体重为该树状号型系统模型的第一层变量，腰围和胸围为该树状号型系统模型的第二层变量，其余部位尺寸数据为该树状号型系统模型的第三层变量，从而可以方便使用户根据自身的人体数据获取对应的服装号型。

Description

服装号型系统建立方法、装置及服装号型系统
技术领域
本公开涉及服装号型分类领域，尤其涉及一种服装号型系统建立方法、装置及服装号型系统。
背景技术
人体尺寸数据是连接服装与真实人体的重要桥梁，有效的服装号型以人体尺寸数据为依据，决定了服装能否符合人体的需求，能否符合市场生产需要。我国现行的GB1335-2008《服装号型标准》是基于上世纪70-80年代的采样数据编撰的，但随着时代变迁，国人的体型已经发生较大变化，因此目前我国使用的国标服装号型已经不能有效反应当代人体尺寸。而建立新的有效的服装号型则需要获得大批量的人体数据样本，但采集上百万、千万的真实人体数据工程浩大，成本相当高。
发明内容
为了解决上述技术问题中的至少一个，本公开提供了一种服装号型系统建立方法、装置及服装号型系统。
一方面，本公开实施例提供了一种服装号型系统建立方法，该方法包括：
根据样本人体尺寸数据生成仿真人体尺寸数据，所述人体尺寸数据包括人体各部位的尺寸数据，所述人体各部位的尺寸数据至少包括身高、体重、胸围和腰围；
根据体质指数标准建立所述仿真人体尺寸数据的体型区间；
根据所述体型区间构建树状号型系统模型，身高和体重为所述树状号型系统模型的第一层变量，腰围和胸围为所述树状号型系统模型的第二层变量，其余部位尺寸数据为所述树状号型系统模型的第三层变量。
可选地，所述根据样本人体尺寸数据生成仿真人体尺寸数据，包括：
生成标准正态随机数矩阵Ym×n和人体尺寸相关系数矩阵ρn×n，所述人体尺寸相关系数矩阵中的元素为人体各部位尺寸之间的相关系数；
将所述人体尺寸相关系数矩阵进行Cholesky分解，使得ρn×n＝RT·R；
对所述人体尺寸相关系数矩阵进行第一次线性变换，令Am×n＝Ym×n·ρn×n；其中，Am×n为具有所述人体尺寸相关系数矩阵的标准正态分布的矩阵；
对所述人体尺寸相关系数矩阵进行第二次线性变换，得到人体尺寸仿真数据的矩阵Xm×n；其中，Xm×n的列元素Xi表示人体各部位尺寸变量，且满足Xi＝σi×Xi'+μi，σi表示人体各部位尺寸变量Xi的标准差，Xi'为矩阵Am×n中的列元素，μi表示人体各部位尺寸变量Xi的均值。
可选地，所述人体各部位的尺寸数据还包括臀围、肩宽、领围、臂长和/或腕围。
可选地，在生成仿真人体尺寸数据之后，所述方法包括：
检验所述仿真人体尺寸数据与所述样本人体尺寸数据是否存在差异。
可选地，采用正态分布检验，均值检验，方差检验和相关系数检验中的一种或多种检验方式对所述仿真人体尺寸数据进行检验。
可选地，对所述仿真人体尺寸数据进行检验包括：
在所述仿真人体尺寸数据中查询K个真实人体尺寸数据，K为大于0的整数；
当所述仿真人体尺寸数据对所述K个真实人体尺寸数据的覆盖率达到预设值时，确定所述仿真人体尺寸数据与真实人体尺寸数据无明显差异。
可选地，所述仿真人体尺寸数据的体型区间包括：表示偏瘦体型的Y型，表示正常标准体型的A型，表示轻度肥胖和中度肥胖体型的B型和表示重度肥胖的C型。
可选地，在构建所述树状号型系统模型之后，所述方法包括：
通过比较真实人体尺寸数据和所述树状号型系统模型生成的号型之间的距离，检测所述树状号型系统模型的覆盖率。
另一方面，本公开实施例提供了一种服装号型系统建立装置，所述装置包括：
仿真模块，所述仿真模块被配置为根据根据样本人体尺寸数据生成仿真人体尺寸数据，所述人体尺寸数据包括人体各部位的尺寸数据，所述人体各部位的尺寸数据至少包括身高、体重、胸围和腰围；
体型区间建立模块，所述体型区间建立模块被配置为根据体质指数标准建立所述仿真人体尺寸数据的体型区间；
模型构建模块，所述模型构建模块被配置为根据所述体型区间构建树状号型系统模型，身高和体重为所述树状号型系统模型的第一层变量，腰围和胸围为所述树状号型系统模型的第二层变量，其余部位尺寸数据为所述树状号型系统模型的第三层变量。
又一方面，本公开实施例提供了一种服装号型系统，所述服装号型系统为任一上述实施例所建立的服装号型系统。
本公开实施例提供的技术方案可以包括如下有益效果：
通过获取真实的样本人体尺寸数据，并根据该真实的样本人体尺寸数据生成大量仿真人体数据，可以使生成的仿真人体数据更具代表性和随机性；通过根据体质指数标准建立仿真人体尺寸数据的体型区间，并根据该体型区间构建树状号型系统模型，使身高和体重为该树状号型系统模型的第一层变量，腰围和胸围为该树状号型系统模型的第二层变量，其余部位尺寸数据为该树状号型系统模型的第三层变量，从而可以方便使用户根据自身的人体数据获取对应的服装号型。
附图说明
附图示出了本公开的示例性实施方式，并与其说明一起用于解释本公开的原理，其中包括了这些附图以提供对本公开的进一步理解，并且附图包括在本说明书中并构成本说明书的一部分。
图1是本公开实施例提供的服装号型系统建立方法的流程图；
图2是本公开实施例提供的服装号型系统建立方法中仿真人体尺寸数据生成算法的示意图；
图3是本公开实施例建立的仿真人体尺寸数据的体型区间示意图；
图4是本公开实施例建立的树状号型系统模型的示意图；
图5-7是本公开实施例建立的树状号型系统的程序界面示意图；
图8是本公开实施例建立的号型系统覆盖率的计算算法示意图；
图9是本公开实施例提供的服装号型系统建立装置的示意图。
具体实施方式
下面结合附图和实施方式对本公开作进一步的详细说明。可以理解的是，此处所描述的具体实施方式仅用于解释相关内容，而非对本公开的限定。另外还需要说明的是，为了便于描述，附图中仅示出了与本公开相关的部分。
需要说明的是，在不冲突的情况下，本公开中的实施方式及实施方式中的特征可以相互组合。下面将参考附图并结合实施方式来详细说明本公开。需要说明的是，文中的步骤编号，仅为了方便具体实施例的解释，不作为限定步骤执行先后顺序的作用。本公开一些实施例提供的方法可以由相关的处理器执行，且下文均以处理器作为执行主体为例进行说明。其中，执行主体可以根据具体案例进行调整，如服务器、电子设备、计算机等。
需要注意的是，虽然本公开实施例提供的服装号型系统主要适用于获取成年男性的服装号型，但可以理解的，部分未成年男性的体型与成年男性的体型相差无几，因此本公开实施例提供的服装号型系统同样适用于获取这部分未成年男性的服装号型。
本公开第一实施例提供了一种服装号型系统建立方法，该服装号型系统主要适用于获取成年男性的服装号型。如图1所示，该方法包括：
步骤S100，根据样本人体尺寸数据生成仿真人体尺寸数据，人体尺寸数据包括人体各部位的尺寸数据，人体各部位的尺寸数据至少包括身高、体重、胸围和腰围；
步骤S200，根据体质指数标准建立仿真人体尺寸数据的体型区间；
步骤S300，根据仿真人体尺寸数据的体型区间构建树状号型系统模型，身高和体重为该树状号型系统模型的第一层变量，腰围和胸围为该树状号型系统模型的第二层变量，其余部位尺寸数据为该树状号型系统模型的第三层变量。
在本实施例中，为了使样本人体尺寸数据更具代表性和随机性，可以抽样测量不同地域的成年男性的人体尺寸数据组成样本人体尺寸数据库。其中，抽样测量的人体尺寸数据至少包括身高、体重、胸围和腰围这四种基础人体数据，且还可以包括臀围、肩宽、领围、臂长和腕围中的至少一个人体部位数据。为了使样本人体尺寸数据更具代表性和随机性，样本人体尺寸数据库中的人体尺寸数据可以为不少于1000个成年男性的人体数据。利用该真实的样本人体尺寸数据进行参数估计，可以得到能够描述真实的成年男性人体尺寸的统计数据，包括各部位尺寸的均值和方差，以及各部位之间的相关系数。
一般而言，在样本数量足够多的情况下，可以统计得到真实的人体各部位尺寸变量成正态分布，即X～N(μ,σ2)。其中，X表示人体部位的尺寸变量，μ和σ2分别表示人体部位尺寸的均值和方差。因此，在根据样本人体尺寸数据生成仿真人体尺寸数据之前，可以先计算样本人体尺寸数据库中的成年男性人体尺寸的均值、方差和相关系数矩阵作为生成仿真数据的必要统计量。
在一种可能的实现方式中，可以采用极大似然估计法计算样本人体尺寸数据的均值和方差。例如，样本人体尺寸数据中单个部位尺寸变量的均值μ和方差σ2的最大似然估计量和/>可以分别为：
上式中，xi为单个部位的尺寸值，为单个部位的尺寸均值，n为样本的数目。
另外，样本人体数据库各部位尺寸之间的相关系数、总体真实人体数据各部位尺寸之间的相关系数分别可以采用下式计算：
其中，r表示样本人体尺寸变量相关系数，表示尺寸变量x1的数值，/>表示尺寸变量x2的数值，/>表示尺寸变量x1的均值，/>表示尺寸变量x2的均值。ρ表总体人体尺寸变量相关系数，EX1表示尺寸变量X1的数学期望，EX2表示尺寸变量X2的数学期望，DX1表尺寸变量X1的方差，DX2表尺寸变量X2的方差。其中，尺寸变量x1和尺寸变量X1分别表示样本尺寸变量和总体尺寸变量。
在计算得到上述仿真数据的统计量之后，如图2所示，根据样本人体尺寸数据生成仿真人体尺寸数据，即步骤S100可以包括：
S101，生成标准正态随机数矩阵和人体尺寸相关系数矩阵。
在一种可能的实现方式中，可以利用计算机获取随机数矩阵，并生成m×n独立的标准正态分布随机变量矩阵Ym×n＝(Y1,Y2,Λ,Yn),每个变量Yi(i＝1,2,Λ,n)均为m个随机数构成的列向量。人体尺寸相关系数矩阵ρn×n是由人体各部位尺寸之间的相关系数组成，ρn×n可以表示为：
其中，ρij指的是ρn×n矩阵里面的元素，ρij(i,j＝1,2,Λ,n)为任意两个部位尺寸变量Xi与Xj之间的相关系数，其中ρij＝ρji。
S102，将人体尺寸相关系数矩阵ρn×n进行Cholesky分解。
由于人体尺寸相关系数矩阵ρn×n是对称正定的，因此可以用Cholesky分解求出矩阵ρn×n，使得ρn×n＝RT·R成立。
S103，生成有相关关系的标准正态随机数矩阵。
对人体尺寸相关系数矩阵ρn×n进行第一次线性变换，令Am×n＝Ym×n·ρn×n。其中，Am×n即为具有人体尺寸相关系数矩阵ρn×n的标准正态分布的矩阵。此次线性变换使得步骤S101中的标准正态分布矩阵各列向量之间的相关系数和ρn×n一致。
S104，生成有ρn×n相关关系的正态分布人体尺寸随机数矩阵。
Am×n矩阵中的列元素即为人体尺寸向量，记作为X'i，表示第i个部位的尺寸向量，令Xi＝σi×X′i+μi(i＝1,2,…,n)，其中，μi表示人体各部位尺寸变量Xi的均值，σi表示人体各部位尺寸变量Xi的标准差，即人体各部位变量方差的算术平方根。此为进行第二次线性变化，最终将得到标准差为σi和平均值为μi的相关正态分布的人体尺寸随机变量Xi，各Xi之间仍然具有相关系数矩阵为ρn×n的相关性，Xm×n＝(X1,X2,Λ,Xn)即为本实施例需要的人体尺寸仿真数据的矩阵。
利用该人体尺寸仿真数据的矩阵的生成方法，即S101-S104，最终可以计算生成大量(例如，100万个，200万个或更多个)18至55岁之间的成年男性人体，每个人体包含m个身体部位尺寸。其中，m个身体部位尺寸包括身高、体重、腰围和胸围，且还可以包括臀围、肩宽、领围、臂长和/或腕围等部位尺寸。
在一种可能的实现方式中，在获取到仿真人体尺寸数据之后，可以检验仿真人体尺寸数据与样本人体尺寸数据是否存在显著差异。例如，可以采用正态分布检验，均值检验，方差检验和相关系数检验中的一种或多种检验方式来检验仿真人体尺寸数据与样本人体尺寸数据是否存在显著差异。当仿真人体尺寸数据与样本人体尺寸数据不存在显著差异时，可以确定仿真人体尺寸数据符合真实人体尺寸分布，而如果仿真人体尺寸数据与样本人体尺寸数据存在显著差异，则说明仿真人体尺寸数据不符合真实人体尺寸分布，此时需要重新计算或获取仿真人体尺寸数据。
举例来说，当采用正态分布检验方式时，可以检验已生成的仿真人体尺寸数据中各部位尺寸变量是否成正态分布。根据正态分布检验的原理，对仿真人体尺寸数据中单个部位尺寸变量分布的卡方检验步骤可以包括以下步骤。
(1)提出原假设H0，即假设仿真人体尺寸数据中单个部位尺寸变量成正态分布。
(2)计算仿真人体尺寸数据中单个部位尺寸变量的检验统计量χ2。
其中，Oi表示仿真人体尺寸数据服从正态分布的实际观察频数，Ei表示仿真人体尺寸数据服从正态分布的期望频数或理论频数。
(3)计算概率值，并做出决策。
设定显著性水平为α，如果仿真人体尺寸数据服从正态分布的相伴概率小于或等于显著性水平α，则应拒绝原假设H0，认为仿真人体尺寸数据与期望的正态分布存在显著差异；否则接受原假设H0，认为仿真人体尺寸数据成正态分布。
当采用方差检验方式时，可以检验仿真人体尺寸数据的各部位尺寸变量的方差是否与样本人体尺寸数据的方差估计量存在显著差异。对仿真人体尺寸数据的各部位尺寸变量的方差检验可以包括以下步骤。
(1)提出原假设H1，假设仿真人体尺寸数据中单个部位尺寸的方差σ2和样本人体尺寸数据中单个部位尺寸的方差之间不存在显著差异，即/>
(2)计算检验统计量χ2。
样本人体尺寸数据中单个部位尺寸的方差估计量为已知常数，而仿真人体尺寸数据中单个部位尺寸的方差σ2未知，因此可以将/>代入上式中。由于仿真数据人体尺寸数据方差S2是仿真人体数据来自的总体人体数据方差的无偏估计，此时可以用仿真人体尺寸数据样本方差S2代替总体方差σ2进行计算。
(3)计算概率值和拒绝域，并做出决策。
给定此次检验的显著性水平α，当或/>时，χ2落入拒绝域，原假设H1不成立，因此拒绝原假设H1；否则接受原假设H1，即仿真人体尺寸数据中单个部位尺寸的方差σ2和样本人体尺寸数据中单个部位尺寸的方差/>无显著区别。
当采用均值检验方式时，可以检验仿真人体尺寸数据各部位尺寸的均值与样本人体尺寸数据各部位尺寸的均值是否存在显著差异。对仿真人体尺寸数据各部位尺寸的均值的检验可以包括以下步骤。
(1)提出原假设H2，假设仿真人体尺寸数据的单个部位尺寸的均值μ与样本人体尺寸数据中相应部位尺寸的均值估计量μ0之间不存在显著差异，即μ＝μ0。
(2)计算检验统计量t。
其中，为仿真人体尺寸数据的单个部位尺寸均值，n为样本数目。对于每个部位尺寸变量总体的方差σ2未知，但由于样本方差S2是总体方差的无偏估计，此时可以用仿真人体尺寸数据样本的方差S2代替总体方差σ2进行计算。
(3)计算概率值和拒绝域，并做出决策。
给定显著性水平α，将μ＝μ0带入上式中，当时，
t落入拒绝域，即仿真数据总体均值μ和样本人体尺寸的均值μ0之间存在显著差异，此时原假设H2不成立，因此拒绝原假设H2；否则接受原假设H2。
当采用相关系数检验方式时，可以检验仿真人体尺寸数据各部位的相关性与样本人体尺寸数据各部位之间的相关性是否存在显著性差异。对仿真人体尺寸数据进行相关系数检验可以包括以下步骤。
(1)提出原假设H3，假设仿真人体尺寸数据各部位尺寸相关系数r与样本人体尺寸数据各部位尺寸的相关系数ρ不存在显著差异，即r＝ρ。
(2)对仿真人体尺寸数据的相关系数r以及样本人体尺寸数据的相关系数ρ进行fisher z变换：
(3)计算检验统计量z：
(4)计算概率值，并做出决策。
给定显著性水平α，当|z|≥zα/2时，z落入拒绝域，此时仿真人体尺寸数据各部位尺寸相关系数r与样本人体尺寸数据各部位尺寸的相关系数ρ存在显著差异，原假设H3不成立，因此拒绝原假设H3；否则接受原假设H3。
在一种可能的实现方式中，在生成仿真人体尺寸数据之后，可以另取K个真实的人体尺寸数据样本，并通过计算机循环计算的方法在已生成的仿真人体尺寸数据库中查找该K个人体尺寸数据，以验证生成的仿真人体尺寸数据是否有效覆盖真实的人体各部位的尺寸数据。其中，K为大于0的整数。举例来说，在置信度为95％时，若此仿真数据对于K个真实人体数据的覆盖率能够达到90％(预设值的具体数值可根据实际情况进行调整)，则说明该仿真人体数据可以有效的代表真实的人体数据。
在一种可能的实现方式中，可以根据中国的BMI(Body Mass Index，体质指数)标准，将已获得的仿真人体尺寸数据分为以下四种类型：(1)表示偏瘦体型的Y型，BMI值为14.8～18.5；(2)表示正常标准体型的A型，BMI值为18.5～24；(3)表示轻度肥胖和中度肥胖体型的B型，BMI值为24～30；(4)表示重度肥胖的C型，BMI值大于30。为了满足服装号型需求，可以进一步计算出每一个身高和体重所对应的人体BMI值，并对人体体型进一步细化分类。图3是本实施例提供的一种体型区间的分布示意图。在图3中，横向表示身高，纵向表示体重，每个身高-体重组合对应一种体型，从而可以根据该体型区间获取用户的体型。另外，在图3中，颜色由浅到深，分别表示Y、A、B、C四种体型。
在一种可能的实现方式中，在建立仿真人体尺寸数据的体型区间之后，可以基于条件分布理论，根据仿真人体尺寸数据的体型区间构建树状号型系统模型。如图4所示，身高和体重为该树状号型系统模型的第一层变量，即可以通过身高和体重以及体型区间分布计算身高体重的核心号型；腰围和胸围为该树状号型系统模型的第二层变量，即在第一层身高体重下面细分的区间条件下，计算胸围和腰围的核心号型；其余部位尺寸数据为该树状号型系统模型的第三层变量，即在第二层胸围和腰围的细分型号下，计算其余部位的均值作为第三层变量的核心号型，从而完成整个号型系统的建立。在该号型系统建立完成之后，可以将该号型系统制作成单独的应用程序或者也可以将其嵌入至其他应用程序中，从而当用户输入基本体型数据之后，可以直接匹配出用户的净体号型。
在一种可能的实现方式中，可以对用户的胸围和腰围进行分类，并在用户查询号型时为用户展示体型特征图和/或文字描述以供用户选择。
图5-7示出了本实施例建立的号型系统的程序界面，用户可以先输入身高和体重，再选择胸部形状和腹部形状，从而可以自动匹配出用户的号型。用户还可以输入对身体其他部位的要求，备注特殊体型，如脖子粗、手臂较短等，系统会根据用户的备注和描述对用户号型进行调整，在满足用户特殊体型要求的同时保证了号型的合体性。
在一种可能的实现方式中，在建立服装号型系统之后，可以检测该系统的覆盖率。举例来说，单个人体实际身体测量尺寸P(xi)和指定号型C(Xj)(即本实施例提供的号型生成系统生成的号型)之间的距离被定义为：D＝D(d1,d2,d3,...,dn)。因为本实施例提供的号型生成系统生成的号型是包含n个部位尺寸的向量，因此可以利用相同的部位进行距离计算。其中n表示身体部位的个数，d表示单个部位实际尺寸与该部位指定号型之间的差值，即：
d1＝|P(xi)-C(Xj)|
……
通过比较距离函数和覆盖半径，可以判断通过该号型系统生成的号型的合体度是否良好。其中，覆盖半径R(r1,r2,r3,...,rn)为号型系统生成的号型和真实的人体尺寸之间允许的最大距离误差，其具体数值可以根据实际情况进行设置。当D(d1,d2,...di...dn)≤R(r1,r2,...ri...rn)，即D的每个变量满足di≤ri时，可以确定距离函数的值小于覆盖半径，此时该号型的合体度较好，被检验的人体样本尺寸能够被该指定号型覆盖。相反，如果距离函数值大于覆盖半径，则认为号型的合体度较差，被测人体样本不能够被指定的号型覆盖。每次检验时，记录被号型系统覆盖的累计男性人体数量。m为男性样本总数，被覆盖的男性样本总数u，且u的初始值为0，由覆盖率公式:CR＝u/m，可得号型数据库的覆盖率。号型系统的覆盖率计算方法可以参考附图8。
在本实施例中，通过获取真实的样本人体尺寸数据，并根据该真实的样本人体尺寸数据生成大量仿真人体数据，可以使生成的仿真人体数据更具代表性和随机性；通过根据体质指数标准建立仿真人体尺寸数据的体型区间，并根据该体型区间构建树状号型系统模型，使身高和体重为该树状号型系统模型的第一层变量，腰围和胸围为该树状号型系统模型的第二层变量，其余部位尺寸数据为该树状号型系统模型的第三层变量，从而可以方便使用户根据自身的人体数据获取对应的服装号型。
另外，在本实施例中，根据样本人体尺寸数据可以生成大量的仿真人体尺寸数据，该仿真人体尺寸数据包括特殊体型的人体尺寸数据，如过高、过矮、过胖和过瘦等体型，可以使该号型系统具有广泛的适用范围。由于生成了大量的仿真人体尺寸数据，并根据体质指数标准建立了仿真人体尺寸数据的体型区间，在根据该体型区间构建树状号型系统模型时，可以使生成的号型系统具有高颗粒度和高覆盖率。
本公开第二实施例提供了一种服装号型系统建立装置，如图9所示，该装置包括：
仿真模块，所述仿真模块被配置为根据根据样本人体尺寸数据生成仿真人体尺寸数据，所述人体尺寸数据包括人体各部位的尺寸数据，所述人体各部位的尺寸数据至少包括身高、体重、胸围和腰围；
体型区间建立模块，所述体型区间建立模块被配置为根据体质指数标准建立所述仿真人体尺寸数据的体型区间；
模型构建模块，所述模型构建模块被配置为根据所述体型区间构建树状号型系统模型，身高和体重为所述树状号型系统模型的第一层变量，腰围和胸围为所述树状号型系统模型的第二层变量，其余部位尺寸数据为所述树状号型系统模型的第三层变量。
在本实施例中，通过获取真实的样本人体尺寸数据，并根据该真实的样本人体尺寸数据生成大量仿真人体数据，可以使生成的仿真人体数据更具代表性和随机性；通过根据体质指数标准建立仿真人体尺寸数据的体型区间，并根据该体型区间构建树状号型系统模型，使身高和体重为该树状号型系统模型的第一层变量，腰围和胸围为该树状号型系统模型的第二层变量，其余部位尺寸数据为该树状号型系统模型的第三层变量，从而可以方便使用户根据自身的人体数据获取对应的服装号型。
另外，在本实施例中，根据样本人体尺寸数据可以生成大量的仿真人体尺寸数据，该仿真人体尺寸数据包括特殊体型的人体尺寸数据，如过高、过矮、过胖和过瘦等体型，可以使该号型系统具有广泛的适用范围。由于生成了大量的仿真人体尺寸数据，并根据体质指数标准建立了仿真人体尺寸数据的体型区间，在根据该体型区间构建树状号型系统模型时，可以使生成的号型系统具有高颗粒度和高覆盖率。
需要说明的是，上述实施例提供的服装号型系统建立装置与服装号型系统建立方法实施例属于同一构思，其具体实现过程详见方法实施例，这里不再赘述。
本公开第三实施例提供了一种服装号型系统，该服装号型系统为上述任一实施例所构建的服装号型系统。
本公开的第四实施例提供了一种服装号型系统建立装置，该装置包括处理器和存储器。
处理器用于支持服装号型系统建立装置执行上述任一实施例所述的服装号型系统建立方法中的一个或多个步骤。处理器可以是中央处理单元(Central ProcessingUnit，简称CPU)，还可以是其他通用处理器、数字信号处理器(DSP)、专用集成电路(ASIC)、现场可编程门阵列(FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。其中，通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
所述存储器中存储有适于所述处理器执行的计算机程序指令，所述计算机程序指令被所述处理器运行时执行上述任一实施例所述的服装号型系统建立方法中的一个或多个步骤。
存储器可以是只读存储器(Read-Only Memory，ROM)或可存储静态信息和指令的其他类型的静态存储设备，随机存取存储器(Random Access Memory，RAM)或者可存储信息和指令的其他类型的动态存储设备，也可以是电可擦可编程只读存储器(ElectricallyErasable Programmable Read-Only Memory，EEPROM)、只读光盘(Compact Disc Read-Only Memory，CD-ROM)或其他光盘存储、光碟存储(包括压缩光碟、激光碟、光碟、数字通用光碟、蓝光光碟等)、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质，但不限于此。存储器可以是独立存在，通过通信总线与处理器相连接。存储器也可以和处理器集成在一起。
在本说明书的描述中，参考术语“一个实施例/方式”、“一些实施例/方式”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例/方式或示例描述的具体特征、结构、材料或者特点包含于本申请的至少一个实施例/方式或示例中。在本说明书中，对上述术语的示意性表述不必须针对的是相同的实施例/方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例/方式或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例/方式或示例以及不同实施例/方式或示例的特征进行结合和组合。
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
本领域的技术人员应当理解，上述实施方式仅仅是为了清楚地说明本公开，而并非是对本公开的范围进行限定。对于所属领域的技术人员而言，在上述公开的基础上还可以做出其它变化或变型，并且这些变化或变型仍处于本公开的范围内。

Claims (9)

1.一种服装号型系统建立方法，其特征在于，所述方法包括：
根据样本人体尺寸数据生成仿真人体尺寸数据，所述人体尺寸数据包括人体各部位的尺寸数据，所述人体各部位的尺寸数据至少包括身高、体重、胸围和腰围；
根据体质指数标准建立所述仿真人体尺寸数据的体型区间；
根据所述体型区间构建树状号型系统模型，身高和体重为所述树状号型系统模型的第一层变量，腰围和胸围为所述树状号型系统模型的第二层变量，其余部位尺寸数据为所述树状号型系统模型的第三层变量；
所述根据样本人体尺寸数据生成仿真人体尺寸数据，包括：
生成标准正态随机数矩阵Y m×n和人体尺寸相关系数矩阵ρ n×n，所述人体尺寸相关系数矩阵中的元素为人体各部位尺寸之间的相关系数；
将所述人体尺寸相关系数矩阵进行 Cholesky分解，使得；其中，R表示覆盖半径；
对所述人体尺寸相关系数矩阵进行第一次线性变换，令；其中，A m×n为具有所述人体尺寸相关系数矩阵的标准正态分布的矩阵；
对所述人体尺寸相关系数矩阵进行第二次线性变换，得到人体尺寸仿真数据的矩阵X m×n；其中，X m×n的列元素X i表示人体各部位尺寸变量，且满足，/>表示人体各部位尺寸变量X i的标准差，/>为矩阵A m×n中的列元素，/>表示人体各部位尺寸变量X i的均值。
2.根据权利要求1所述的方法，其特征在于，所述人体各部位的尺寸数据还包括臀围、肩宽、领围、臂长和/或腕围。
3.根据权利要求1或2所述的方法，其特征在于，在生成仿真人体尺寸数据之后，所述方法包括：
检验所述仿真人体尺寸数据与所述样本人体尺寸数据是否存在差异。
4.根据权利要求3所述的方法，其特征在于，采用正态分布检验，均值检验，方差检验和相关系数检验中的一种或多种检验方式对所述仿真人体尺寸数据进行检验。
5.根据权利要求3所述的方法，其特征在于，对所述仿真人体尺寸数据进行检验包括：
在所述仿真人体尺寸数据中查询K个真实人体尺寸数据，K为大于0的整数；
当所述仿真人体尺寸数据对所述K个真实人体尺寸数据的覆盖率达到预设值时，确定所述仿真人体尺寸数据与真实人体尺寸数据无明显差异。
6.根据权利要求1或2所述的方法，其特征在于，所述仿真人体尺寸数据的体型区间包括：表示偏瘦体型的Y型，表示正常标准体型的A型，表示轻度肥胖和中度肥胖体型的B型和表示重度肥胖的C型。
7.根据权利要求1或2所述的方法，其特征在于，在构建所述树状号型系统模型之后，所述方法包括：
通过比较真实人体尺寸数据和所述树状号型系统模型生成的号型之间的距离，检测所述树状号型系统模型的覆盖率。
8.一种服装号型系统建立装置，其特征在于，所述装置包括：
仿真模块，所述仿真模块被配置为根据样本人体尺寸数据生成仿真人体尺寸数据，所述人体尺寸数据包括人体各部位的尺寸数据，所述人体各部位的尺寸数据至少包括身高、体重、胸围和腰围；
体型区间建立模块，所述体型区间建立模块被配置为根据体质指数标准建立所述仿真人体尺寸数据的体型区间；
模型构建模块，所述模型构建模块被配置为根据所述体型区间构建树状号型系统模型，身高和体重为所述树状号型系统模型的第一层变量，腰围和胸围为所述树状号型系统模型的第二层变量，其余部位尺寸数据为所述树状号型系统模型的第三层变量；
所述仿真模块还被配置为根据样本人体尺寸数据生成仿真人体尺寸数据，包括：
生成标准正态随机数矩阵Y m×n和人体尺寸相关系数矩阵ρ n×n，所述人体尺寸相关系数矩阵中的元素为人体各部位尺寸之间的相关系数；
将所述人体尺寸相关系数矩阵进行 Cholesky分解，使得；其中，R表示覆盖半径；
对所述人体尺寸相关系数矩阵进行第一次线性变换，令；其中，A m×n为具有所述人体尺寸相关系数矩阵的标准正态分布的矩阵；
对所述人体尺寸相关系数矩阵进行第二次线性变换，得到人体尺寸仿真数据的矩阵X m×n；其中，X m×n的列元素X i表示人体各部位尺寸变量，且满足，/>表示人体各部位尺寸变量X i的标准差，/>为矩阵A m×n中的列元素，/>表示人体各部位尺寸变量X i的均值。
9.一种服装号型系统，其特征在于，所述服装号型系统包括：
处理器；以及，
存储程序的存储器；
其中，所述程序包括计算机程序指令，所述计算机程序指令用于使所述处理器执行权利要求1-7中任一项所述的服装号型系统建立方法。
CN202110059905.6A 2021-01-18 2021-01-18 服装号型系统建立方法、装置及服装号型系统 Active CN112651142B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110059905.6A CN112651142B (zh) 2021-01-18 2021-01-18 服装号型系统建立方法、装置及服装号型系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110059905.6A CN112651142B (zh) 2021-01-18 2021-01-18 服装号型系统建立方法、装置及服装号型系统

Publications (2)

Publication Number Publication Date
CN112651142A CN112651142A (zh) 2021-04-13
CN112651142B true CN112651142B (zh) 2024-03-26

Family

ID=75368202

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110059905.6A Active CN112651142B (zh) 2021-01-18 2021-01-18 服装号型系统建立方法、装置及服装号型系统

Country Status (1)

Country Link
CN (1) CN112651142B (zh)

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105105398A (zh) * 2015-08-11 2015-12-02 白雪彬 一种基于基础尺码获取成衣尺寸数据的方法
CN109741149A (zh) * 2019-01-09 2019-05-10 杭州觅潮科技有限公司 一种服装号型生成方法及系统
CN111134386A (zh) * 2020-02-18 2020-05-12 利郎(中国)有限公司 一种男上装号型设计方法及其男上装

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105105398A (zh) * 2015-08-11 2015-12-02 白雪彬 一种基于基础尺码获取成衣尺寸数据的方法
CN109741149A (zh) * 2019-01-09 2019-05-10 杭州觅潮科技有限公司 一种服装号型生成方法及系统
CN111134386A (zh) * 2020-02-18 2020-05-12 利郎(中国)有限公司 一种男上装号型设计方法及其男上装

Also Published As

Publication number Publication date
CN112651142A (zh) 2021-04-13

Similar Documents

Publication Publication Date Title
Sinharay et al. Posterior predictive model checking in hierarchical models
Gelman et al. Model checking and model
Wu et al. Evaluating model fit for growth curve models: Integration of fit indices from SEM and MLM frameworks.
Tiefelsdorf et al. A note on the extremities of local Moran's Iis and their impact on global Moran's I
WO2021208079A1 (zh) 获取动力电池寿命数据的方法、装置、计算机设备及介质
Verguts et al. A Rasch model for detecting learning while solving an intelligence test
Dette et al. Relevant change points in high dimensional time series
US5835891A (en) Device modeling using non-parametric statistical determination of boundary data vectors
Munsell et al. Evaluating shape correspondence for statistical shape analysis: A benchmark study
Preston et al. Detecting faulty within-item category functioning with the nominal response model
CN117556267B (zh) 缺失样本数据填充方法、装置、存储介质和电子设备
Scott Quantifying certainty in design decisions: examining AHP
CN112651142B (zh) 服装号型系统建立方法、装置及服装号型系统
Kılıç et al. To what extent are item discrimination values realistic? A new index for two-dimensional structures
Castrup Estimating and combining uncertainties
Hong et al. Introducing bootstrap test technique to identify spatial heterogeneity in geographically and temporally weighted regression models
CN111261298B (zh) 一种医疗数据质量预判方法、装置、可读介质及电子设备
Tan et al. Model diagnostics for marginal regression analysis of correlated binary data
Semenov et al. The metrologically reasonable clustering of measurement results
Sonnenfeld et al. Direct measurement of the magnification produced by galaxy clusters as gravitational lenses
CN114972273A (zh) 流水化产品数据集增强方法、系统、设备及存储介质
CN110083849A (zh) 半导体制造设备的软测量方法、计算机和计算机可读介质
CN114490412A (zh) 基于自减逆向云发生器的三维cad软件性能度量方法及装置
Hox et al. Multigroup and multilevel approaches to measurement equivalence
CN108008337A (zh) 电能表计量误差一致性的计算方法及装置

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
GR01 Patent grant
GR01 Patent grant