面料性能对A字裙动态造型的影响
黄雪纯 刘成霞
摘要：
为探究面料性能对A字裙动态造型的影响，文章借助三维动捕仪获得受试者穿着A字裙以6 km/h匀速运动时，腰围、臀围及摆围标記点的坐标，通过GA-BP神经网络拟合曲线，提取曲线裙厚、裙宽、周长和面积作为外轮廓造型参数，并引入动态偏移值表征三围曲线的动静态造型变化。研究结果表明：纬密与腰围曲线裙宽、周长和面积显著正相关;悬垂系数与臀围曲线裙厚、周长和面积显著负相关;纬向抗弯刚度与摆围曲线裙宽、周长和面积显著正相关。经纬向抗弯刚度与右前腰区域在人体前后方向上的偏移值显著正相关;总折皱回复角与后腰区域在人体前后方向上的偏移值显著正相关;经纬密与左臀区域在人体前后方向上的偏移值正相关。
关键词：
面料悬垂性;A字裙;三维动作捕捉;GA-BP神经网络;曲线拟合
中图分类号：
TS941.2
文献标志码：
A
文章编号：
1001 7003（2022）03 0059 09
引用页码：
031109
DOI：
10.3969/j.issn.1001-7003.2022.03.009 （篇序）
A字裙是一种腰部贴身、摆围逐渐变宽，整体外观呈A字廓形的半截裙 [1] ，款式简约，风格多变，备受女性消费者青睐。近年来，学术界集中研究面料性能与服装静态造型的关系，如研究面料性能对A字裙 [1] 、斜裁裙 [2] 、超短裙 [3] 、喇叭裙 [4] 、抽褶裙 [5] 、节裙 [6] 等造型的影响。但是，受到人体运动的影响，服装还会处于不断变化的过程中，因此，服装动态造型更值得探究。此外，在数字信息时代的当今，虚拟现实技术在服装领域大行其道，其中服装虚拟展示领域最为火热。服装虚拟展示的过程是动态的，面料为柔性体，不同面料展现的服装造型不同，因此研究面料性能对服装实际动态穿着效果的影响势在必行。三维扫描和三维动作捕捉技术的兴起使动态着装造型的研究成为可能。叶晓露等 [8] 通过三维扫描技术，探究面料性能与短裤特征参数的关系，建立了短裤特征参数的预测模型;陈丽丽等 [9] 通过三维动捕仪获得连衣裙三围曲线，研究了面料性能和运动速度对A字裙外观形态的影响。
上述文献仅单独研究裙装的静态或动态造型，缺少动静态造型的对比研究;且大都选取特征曲线的轮廓指标（曲线周长、曲线面积、横向距离等）作为造型参数，缺少曲线不同区域造型的细化参数。因此，本文借助Quality三维动作捕捉系统，基于遗传算法的BP神经网络（简称GA-BP神经网络）获取腰围、臀围和摆围的拟合曲线，并引入动态偏移值这一细化参数， 通过Pearson相关性分析，探究面料性能与A字裙动态造型间的关系，为构建A字裙动态着装造型虚拟预测模型提供参考。研究结果对服装三维虚拟仿真相关技术，尤其是提升服装与动态人体模拟的真实性和精确性，具有一定的实用价值。
1 实 验
1.1 面料选取及性能测试
选取5种常见的A字裙面料，根据GB/T 18318—2001《纺织品织物弯曲长度的测定》，用YG（B）022D型自动硬挺度试验仪（温州际高检测仪器有限公司）测试其刚柔性;根据GB/T 23329—2009《纺织品织物悬垂性的测定》，用YG811型织物悬垂性测定仪（武汉国量仪器有限公司）测试其悬垂性;根据GB/T 3819—1997《纺织品织物折痕回复性的测定》， 用YG系列全自动激光织物折皱弹性仪（南通三思机电科技有限公司）测试其抗皱性。所有实验均在温度（20±1） ℃、 相对湿度65 % ±2 % 的条件下进行，面料规格和测试结果如表1所示。
1.2 准 备
1.2.1 受试者的选取
GB/T 1335.2—2008《服装号型女子》中女性体型的分类结果表明，中间体型最具代表性，因此挑选一名身材最接近中间体型的女性（身高160 cm、体重50 kg、腰围66 cm、臀围 90 cm） 作为受试者。
1.2.2 A字裙的缝制
选用最基础的A字裙样板，前后各设两条省道，前总省量为3 cm，后总省量为4 cm。利用该样板，对表1中的面料进行裁剪和缝制。为减少缝制过程中裁剪方式和缝纫手法不同产生的误差，所有裁制过程由同一名缝制人员完成，A字裙的款式图和实物照片如图1所示。
1.3 数据的获取
1.3.1 仪 器
借助瑞典QualisysOqus500+三维运动采集与分析系统，
通过主被动Marker球发出的红外线，精准捕捉人体与服装形态变化数据。
1.3.2 过 程
选取腰围、臀围及摆围这三处最能体现造型变化的特征曲线作为研究对象。根据文献[10]，人在慢走或跑步时步态呈周期性变化，周期组成包括前腾空期、支撑期和后腾空期，且膝关节角在支撑期达到最大值，在前后腾空期达到最小值。为获取受试者跑步时同一运动姿势下的实验数据，选择右膝后腾空期膝关节角最小时A字裙的造型数据进行分析。本文研究为服装虚拟展示（如虚拟服装走秀）提供参考，通过调研了解，模特走秀速度为 6 km/h左 右，因此选择在该运动状态下进行实验。为使受试者运动状态稳定，所有动态实验均在跑步机上完成，实验过程如下：
1） 静态曲线标记点坐标获取。在A字裙腰围粘贴12个被动标记点（被动Marker球），臀围和摆围各粘贴16个被动标记点，其中前、后中线及两侧缝线上各有1点，其余标记点均匀分布，如图2所示（腰围依次标记为 W 1～W 12 ，臀围依次标记为 H 1～H 16 ，摆围依次标记为 Q 1～Q 16 ）。受试者穿着A字裙静止站立，获得静态三维曲线标记点坐标。
2） 动态曲线标记点、定位点和腿部标记点坐标获取。根据文献[11]，前中心点在运动过程中较为稳定且具有参考价值，在此处增加被动标记点作为定位点。分别在右腿髋关节点RGT，膝关节点RLK及踝关节点RLA与RMA处增加标记点来计算膝关节角 [12] 。受试者穿着A字裙在跑步机上以 6 km/h的 速度匀速跑，三维动捕仪同时获取动态三围曲线标记点、定位点和腿部标记点的坐标。
1.3.3 特征曲线拟合
三维动捕仪获得的数据以三维坐标 （x，y，z） 的形式储存，为在同一平面上比较造型差异，统一 z 轴得到散点坐标 （x，y） ，通过GA-BP神经网络进行拟合。为优化拟合效果，将原坐标 （x，y） 转化为极坐标下的 （TH，R） 并进行归一化处理得到 （th，r） ，将归一化后的极角 th 和极径 r 分别作为输入值和输出值对GA-BP网络进行训练。为防止训练结果的过拟合，训练前将数据集按70 % 、15 % 、15 % 的比例随机划分为训练集、测试集及验证集。训练过程中，输入变量 th 经过神经网络的前向传播，计算得到网络输出变量 r′ ，通过标签数据 r 与 r′ 误差的反向传播，对神经网络各连接层的权值和阈值进行循环修正，最终达到網络输出与数据标签均方误差MSE符合设定目标10 -4 的要求。训练好的GA-BP模型代表 TH 与 R 数据良好的对应关系，将极坐标系下[-pi，pi]内间隔0.001°的极角数据点，重新作为网络的输入变量，得到网络对应的极径输出，即仿真计算出精度为0.001°的外轮廓曲线数据点，最后将极坐标系转换回直角坐标系。实现了离散数据点的非线性拟合，将离散的直角坐标系数据点拟合为连续的直角坐标系曲线。GA-BP网络结构如图3所示，其中网络输入层到隐藏层的激活函数采用非线性映射函数 “tansig” ，隐藏层到输出层的激活函数采用线性映射函数“purelin”。
1.4 特征曲线的形态参数提取
采用最小外接矩形法即MER法在Matlab中编程，其原理为将曲线边界按一定增量在一定范围内旋转，每旋转一次，便用一个水平放置的外接矩形来拟合其边界 [8] 。当外接矩形的面积为最小值时，该外接矩形尺寸就能用来表示该物体的长度和宽度，由此获得特征曲线的裙厚、裙宽、周长及面积（其中裙厚和裙宽分别为最小外接矩形的宽和长）作为A字裙外轮廓造型参数，如图4所示。实验过程中将定位点和特征曲线作为整体一起平移，发现将定位点平移至（100，0）点时，特征曲线前后中心线上标记点连线的中点恰好处于（0，0）点附近，可视为特征曲线近乎均匀地分布在坐标轴的四个象限内，方便观察比较曲线形态。将动静态曲线的定位点在（100，0）处重叠，得到特征曲线标记点在 x 轴、 y 轴上的动态偏移值Δ x 和Δ y ，将 x 轴的正负方向设为人体的前后方向，将 y 轴的正负方向设为人体的左右方向，Δ x 和Δ y 的计算方法如下：
设1 #面料动静态腰围曲线重叠后， W 1 点静态坐标为 （x 1，y 1） ，动态坐标为 （x 2，y 2） ，则 W 1 点在 x 轴、 y 轴的动态偏移值分别为Δ x=x 2-x 1 和Δ y=y 2-y 1 。当Δ x 和Δ y 的值为正时，表示 W 1 点处曲线在运动时会向人体左前方移动;当Δ x 和Δ y 的值为负时，表示 W 1 点处曲线在运动时会向人体右后方移动。图5为动态偏移值示意。
2 结果与分析
2.1 外轮廓参数分析
2.1.1 显著性检验
为探究面料性能对A字裙三围曲线参数的影响是否显著，本文利用SPSS软件对三围参数进行单因素方差分析，结果如表2所示。由表2可知，面料对腰围、臀围和摆围的外轮廓参数均有显著性影响（ P 值均小于0.05），且组内面料两两之间曲线参数差异显著。进一步证明，面料性能不同的A字裙，其动态造型也会不同。
2.1.2 腰围曲线形态及外观轮廓参数分析
图6为5种面料腰围曲线的重叠图，矩形框区域为前腰部位，椭圆形框为后腰部位，前腰和左右腰侧区域曲线存在差异。实验中受试者跑步为向前运动，前腰区域面料受人体腰部向前作用力变形（人向前冲，面料向后压），面料性能不同，变形程度也不同，前腰区域曲线形成差异。跑步中左右脚受力不同，身体左右摆动，导致左右腰侧曲线形成差异。2 #面料在右腰区域与其余面料差异较大，一方面是因为2 #面料为涤纶，在运动中易黏人体;另一方面，受试者为不影响捕捉标记点坐标，跑步时会无意识进行身体姿势调整，向左倾斜从而导致差异。
采用Pearson相关性分析法，本文考察A字裙三围曲线参数与面料性能之间的关系，如表3所示。相关性分析是指对两个或多个具备相关性的变量元素进行分析，从而衡量两个变量相关密切程度。由表3可知，裙厚与面料性能无显著相关;纬密和裙宽在0.05水平（双侧）上显著负相关（ R = -0.888 *） ，说明面料纬密越大，腰围曲线裙宽越小。表4为 三维曲线外轮廓参数测试结果。其中2 #和3 #面料裙宽较小， 结合图5可解释为左右腰侧面料受运动状态影响变形，其经纬密较大，纱线间排列紧密不易产生滑移，且抗弯刚度较大，面料硬挺，因此变形较小;4 #和5 #则与之相反。经纬密分别与周长和面积在0.05水平（双侧）上显著负相关（ R 经周长 =-0.908 *、 R 纬周长 =-0.939 *、 R 经面积 =-0.893 *和 R 纬面积 =-0.939 *），原因与裙宽相同，不再赘述。
2.1.3 臀围曲线形态及外观轮廓参数分析
图7为5种面料臀围曲线的重叠图，矩形虚线框区域为耻骨联合处，椭圆形框区域为臀大肌最凸处。臀围左右侧曲线较集中，这与臀部结构有关，臀部为下体最丰满处且呈扁平状，A字裙与左右臀侧区域的间隙量较小，因此不同面料的曲线差异较小。5种面料在椭圆形框处内凹，这与人体臀截面极为相似。为解释其原因，实验选取右膝膝关节最小角时的动态数据进行分析，腿部做屈曲运动，带动面料向前紧贴臀部，而用于测量的标记点本身具有一定的重量，运动时 H 9 标记点就极易向臀围最凹处内陷。矩形框内曲线呈波浪形变化，且变化趋势一致，女性腹部有着重要的生殖器官，堆积较多脂肪，在运动过程中堆积的脂肪随人体一起运动，呈现趋势相同的波浪形状。
表3结果显示：臀围裙宽与面料性能无显著相关，5种面料的裙宽差异不大，处于352.9～364.14 mm;悬垂系数与裙厚在0.01水平（双侧）上显著负相关（ R =-0.991 ** ），说明悬垂系数越小，裙厚越大。表4中3 #和4 #面料裙厚较大，可解释为A字裙随人体运动而摆动，前腹区域面料为适应腹部脂肪运动有向前伸展的趋势，后侧区域面料受腿部屈曲姿势影响向前与臀部紧贴，悬垂性越好，服装的流动性及飘逸感越好，向前伸展和向臀部紧贴越多导致裙厚越大;而5 #面料悬垂性差，面料较厚，且抗弯刚度及总折皱回复角均为最大值，其抵抗弯曲变形的能力最强，曲线形态不易受运动状态影响，因此其裙厚最小。这也可以解释图7中5 #面料和其余面料在前后方向上位置的差异;悬垂系数与周长和面积在0.05水平（双侧）上显著负相关，相关系数分别为-0.925 *和-0.973 *，原因与裙厚相同。
2.1.4 擺围曲线形态及外观轮廓参数分析
图8为5种面料摆围曲线的重叠图，与腰围和臀围曲线不同，图8中的曲线显得“杂乱无章”。摆围与人体间有较大的衣下空间，运动过程中裙摆波动自由度较大，因此易形成无序的波浪形状。而右前摆曲线较为集中，且椭圆形虚线框内5种面料曲线凸起的方向和程度接近。分析认为，实验选取受试者同一运动姿势时的曲线参数进行研究，一样的右膝屈曲运动给予右侧裙摆相同的作用力，因此形成相似的曲线形态。此外，摆围曲线在椭圆形实线框和虚线框区域间有不同程度的内凹趋势。由于双腿间有较大的空隙，运动时两侧面料受腿部支撑有不同程度的凸起，中间的面料因没有支撑向内凹陷，面料性能不同导致内凹程度不同。
表3结果显示：摆围曲线中，裙厚与面料性能无显著相关;纬向抗弯刚度分别与裙宽在0.01水平（双侧）上显著正相关，与周长和面积在0.05水平（双侧）上显著正相关（ R 裙宽 =0.992 ** ， R 周长 =0.927 *， R 面积 =0.952 *），说明纬向抗弯刚度越小，裙宽、周长和面积也就越小。结合图8分析，受试者运动时，摆围曲线有向内收缩趋势，且易形成波浪状褶皱，褶皱的折痕方向为垂直方向，而纬向抗弯刚度可以产生横向的力去抵抗面料变形，保持曲线形态。2 #和4 #面料质地轻薄，纬向抗弯曲刚度比较小，在运动过程中极易向内收缩变形，且2 #面料为涤纶在运动过程中因为两腿间的摩擦容易产生静电，使面料吸附人体，导致裙宽、周长和面积最小。5 #面料经纬向抗弯刚度和总褶皱回复角均为最大值，抵抗弯曲变形能力强，因此不易收缩变形。
2.2 动态偏移值
实验发现5种面料的三围曲线在不同区域造型差异较大，而裙厚、裙宽、周长和面积仅表征曲线外轮廓造型，因此引入动态偏移值，表征不同区域曲线的动静态形态变化，进一步分析面料性能对A字裙动态造型的影响。按人体截面特征将 腰围、臀围和摆围曲线分别划分为4个区域，其中 W 12 、W 1 和
W 2 为前腰区域， W 3～W 5 为右腰区域， W 6～W 8 为后腰区域， W 9～ W 11 为左腰区域; H 1～H 3、H 15 和 H 16 为前腹区域， H 4～H 6 为右臀， H 7～H 11 为后臀区域， H 12 ～H 14 为左臀区域; Q 1～Q 3 、Q 15 和 Q 16 为前摆区域， Q 4～Q 6 为右摆区域， Q 7～Q 11 为后摆区域， Q 12 ～Q 14 为 左摆区域，计算区域内标记点的平均值进行分析。
2.2.1 显著性分析
采用单因素方差分析，探究面料性能是否对曲线不同区域的动态偏移值产生显著性影响，结果如表5所示。在人体前后方向上的偏移值（以下简称Δ x ）的显著性结果均小于005，即面料性能对Δ x 均有显著性影响;后腰区域、右臀区域、后臀区域和左臀区域在人体左右方向上的偏移值（以下简称Δ y ）显著性结果均大于0.05，即面料性能对该区域Δ y 的影响不显著。采用Pearson相关性分析法，考察动态偏移值与面料性能之间的关系，如表6所示。
2.2.2 腰围曲线动态偏移值分析
图9为腰围曲线动态偏移值，动态偏移值随面料性能的变化而有所不同。5种面料的Δ x 均为负值且变化规律一致，前腰至右腰区域Δ x 逐渐减小到最小值，右腰区域至左腰区域Δ x 逐渐增大，且右后腰区域Δ x 小于左前侧区域。4种面料的Δ y 变化规律一致（5 #面料Δ y 均小于2.5 mm不进行分析），前腰至后腰区域Δ y 逐渐增大到最大值，后腰至左腰区域Δ y 逐渐减小，且右后腰区域Δ y 大于左前腰区域。综上，右膝屈曲运动时，5 #面料腰围曲线整体向后移，左右腰侧曲线变化不大;其余面料前腰曲线均向右后方移动;右腰、后腰和左腰曲线均向左后方移动。表6为面料性能与动态偏移值相关性 分析。
表6结果显示：前腰区域，经向抗弯刚度与Δ x 在0.01水 平（双侧）上显著正相关，纬向抗弯刚度与Δ x 在0.05水平
（双侧）上显著正相关（ R 前经 =0.966 ** 、 R 前纬 =0.923 *）;右腰区域，经向抗弯刚度与Δ x 在0.05水平（双侧）上显著正相关（ R 右经抗 =0.927 *）;后腰区域，总折皱回复角与Δ x 在0.05水平（双侧）上显著正相关（ R 后折 =0.890 *）。结合图9分析，腰围曲线受运动影响易向后偏移变形，而经纬向抗弯刚度和总褶皱回复角均与面料保形性有关，因此该值越大，面料越不易变形，偏移程度越小。
2.2.3 臀围各区域动态偏移值分析
图10为臀围曲线的动态偏移值。5种面料Δ x 的大小和变化规律不同，其中1 #、2 #、3 #和5 #面料变化规律相同，即前腹至右臀区域Δ x 逐渐增大到最大值，右臀到左臀区域Δ x 逐渐较小达到最小值。其中1 #、5 #面料Δx均为负值，3 #和2 #面料除左臀区域外均为正值;4 #面料各区域Δ x 分布均匀且均为负值。5种面料的Δ y 均为正值且变化规律不同，1 #、3 #和5 #面料变化规律相同，即前腹至后臀区域Δ y 逐渐增大到最大值，后臀至左臀区域逐渐减小;2 #和4 #面料变化规律相同，即前腹至右臀区域Δ y 逐渐增大，右臀至后臀区域Δ y 逐渐减小，后臀至左臀区域逐渐增大。综上，右膝屈曲运动时，1 #和3 #面料前腹、后臀及左臀侧曲线向左前方移动，右臀侧曲线向左后方移动;2 #、4 #和5 #面料臀围曲线整體向左后方移动。
表6结果显示：左臀区域，经密与Δ x 在0.01水平（双侧）上显著正相关，纬密与Δ x 在0.05水平（双侧）上显著正相关（ R 左经 =0.966 ** 、 R 左纬 =0.923 *）。结合图10分析，左臀侧曲线受人体运动影响，易向后移动变形，经纬密度越大，纱线间排列越紧密，越不易产生滑移，变形越小，因此偏移程度越小。
2.2.4 摆围各区域动态偏移值分析
图11为摆围曲线的动态偏移值。5种面料Δ x 和Δ y 均为正值，且无明显变化规律。运动过程中右膝屈曲时，摆围曲线整体向左前方移动。相关性分析结果显示，面料性能与臀围曲线动态偏移值在0.05水平上均无显著相关。
3 结 论
为研究面料性能对A字裙动态造型的影响，本文将三维动作捕捉技术和GA-BP神经网络运用到服装造型的曲线拟合中，提取裙厚、裙宽、周长和面积作为外轮廓造型参数，并引入动态偏移值，进一步分析三围曲线不同区域动静态造型变化，通过Pearson相关性分析对数据进行处理。经过研究得出以下结论：
1） 对于外轮廓造型参数，腰围曲线中裙宽、周长与面积随着面料纬密的增大而减小;臀围曲线中裙厚、裙宽及面积随着悬垂系数的减小而增大;摆围曲线中裙厚、裙宽及面积随纬向抗弯刚度的增大而增大。
2） 对于动态偏移值，腰围曲线中，前腰和右腰侧区域，人体前后方向上的偏移值随经纬向抗弯刚度增大而增大;后腰区域，人体前后方向上的偏移值随总褶皱回复角的增大而增大。臀围曲线中，左臀区域的人体前后方向上的偏移值随经纬密的增大而增大。
研究结果表明，面料性能对A字裙三围曲线外轮廓造型参数和人体前后方向上的偏移值均有显著性影响。本文提出的动态偏移值较好地表征A字裙动静态造型变化，为增强服装造型仿真效果提供参考。
参考文献：
[1] 吴巧英， 张莎莎. A字裙造型与面料性能的关系[J]. 纺织学报， 2013， 34（6）：
88-91.
WU Qiaoying， ZHANG Shasha. Relationship between shape of A-line skirt and property of fabric[J]. Journal of Textile Research， 2013， 34（6）：
88-91.
[2] 李静. 斜裁A型裙外观形态与面料力学性能关系研究[D]. 苏州：
苏州大学， 2014.
LI Jing. Research on Relationships between the Appearance and Fabric Mechanical Properties of Bias Cut A-Shape Skirt[D]. Suzhou：
Soochow University， 2014.
[3] 刘春伶. 基于图像技术的织物力学性能与服装造型关系研究：
以轻薄型毛织物力学性能与超短裙造型关系为例[D]. 杭州：
浙江理工大学， 2015.
LIU Chunling. Research on the Relationship between Fabric Mechanical Property and Clothing Shape Based on Image Technology：
Take the Light-Weight Wool Fabrics and Mini Skirts for Example[D]. Hangzhou：
Zhejiang Sci-Tech University， 2015.
[4] 徐利平， 崔毅华， 薛元. 织物性能与服装结构对喇叭裙外观形态的影响[J]. 纺织学报， 2019， 29（1）：
91-93.
XU Liping， CUI Yihua， XUE Yuan. Influences of fabric property and garment construction on bell skirt appearance[J]. Journal of Textile Research， 2019， 29（1）：
91-93.
[5] 张飙雪， 刘成霞. 裤子弹性及运动速度对人体膝关节角的影响[J]. 丝绸， 2020， 57（12）：
1-8.
ZHANG Biaoxue， LIU Chengxia. Effect of pants elastic & motion speed on human angle of knee joint[J]. Journal of Silk， 2020， 57（12）：
1-8.
[6] 王停停， 陳敏之， 江爽， 等. 抽褶造型与面料性能的关系及评价模型建立[J]. 现代纺织技术， 2015， 5（2）：
43-46.
WANG Tingting， CHEN Minzhi， JIANG Shuang， et al. Relationship between pleating effect and fabric performance and establishment of the evaluation model[J]. Advance Textile Technology， 2015， 5（2）：
43-46.
[7] 刘成霞， 胡琼， 孙丽敏， 等. 节裙造型与织物性能的相关性[J]. 纺织学报， 2010， 31（6）：
114-119.
LIU Chengxia， HU Qiong， SUN Limin， et al. Correlation between sculpt of tired skirts and fabric performances[J]. Journal of Textile Research， 2010， 31（6）：
114-119.
[8] 叶晓露， 庞程方， 幸意云， 等. 基于三维扫描的短裤形态与结构设计关系研究[J]. 丝绸， 2015， 52（1）：
35-41.
YE Xiaolu， PANG Chengfang， XING Yiyun， et al. Study on the relationship between form of shorts and structural design based on 3D scanning[J]. Journal of Silk， 2015， 52（1）：
35-41.
[9] 陈丽丽， 刘成霞. 面料及运动速度对连衣裙三围形态的影响[J]. 纺织学报， 2020， 41（4）：
135-141.
CHEN Lili， LIU Chengxia. Effect of fabrics and moving speed on bustline， waistline and hipline shapes of one-piece dresses[J]. Journal of Textile Research， 2020， 41（4）：
135-141.
[10] LIU Z， HE Q， ZOU F Y， et al. Apparel ease distribution analysis using three-dimensional motion capture[J]. Textile Research Journal， 2019， 89（19）：
4323-4350.
[11] 叶晓露， 庞程方， 金娟凤， 等. 短裤特征截面曲线的径向基函数神经网络模型构建[J]. 纺织学报， 2015， 36（5）：
83-88.
YE Xiaolu， PANG Chengfang， JIN Juanfeng， et al. Construction of radial basis function neural network models for typical cross section curve of shorts[J]. Journal of Textile Research， 2015， 36（5）：
83-88.
[12]HUIJU P， GIOVANNI N， DONNA B， et al. Impact of wearing body armor on lower body mobility[J]. Clothing and Textiles Research Journal， 2011， 29（3）：
232-247.
Influence of fabric performance on the dynamic shape of A-line skirt
HUANG Xuechun， LIU Chengxia
（a.Zhejiang Province Engineering Laboratory of Clothing Digital Technology; b.School of Fashion Design & Engineering， Zhejiang Sci-Tech University， Hangzhou 310018， China）
Abstract：
Fashion styling refers to the external form of fashion， which exists based on three-dimensional space as the comprehensive manifestation of fashion styling silhouette in all directions. During the epidemic， with the rapid development of the field of fashion e-commerce， the emerging technology of dynamic virtual display of clothing has become a new marketing tool for merchants to attract customers， for which the study of fashion styling provides a theoretical basis. However， traditional research has focused on exploring the impact of fabric performance， pattern structure and other factors on the static shape of fashion， which cannot provide a reference for the dynamic shape of clothing. In addition， the previous studies are undiversified， and no comparative analysis of dynamic and static styling of fashion is made. Besides， the outer contour curve parameters of fashion styling are mostly selected to quantify the styling， lacking the refined parameters to describe the dynamic and static styling changes in different areas of the curve. Therefore， this paper selects the most representative A-line skirt item in women’s skirts as the research object to explore the influence of fabric performance on the dynamic shape of A-line skirts.
In order to study the change of A-skirt attire form caused by human movement， this paper starts with the real-life attire movement experiment and selects the outer contour curve of A-skirt waistline， hipline and hem circumference for research. The Mark balls controlled by 3D motion capture system are pasted to the positioning points of the human body， the marking points of the legs， the waistline， hipline and hem circumference marking points respectively. With the aid of a three-dimensional motion capture instrument， the three-dimensional coordinates of all the marked points were obtained when the subject wore an A-line skirt made of five different fabrics in a static state and in a state of 6 km/h uniform motion. In order to obtain experimental data of the subject in the same locomotor stance， the angle of the subject’s knee joint in the locomotor state was obtained by calculating the spatial coordinates of the leg marker points， and the styling data of the subject’s right knee with the smallest knee joint angle was selected for analysis. On this basis， the GA-BP neural network was used for curve fitting， and the skirt thickness， skirt width， circumference and area of the fitted curve （where skirt thickness and skirt width are the width and length of the minimum enclosing rectangle respectively） were extracted as the A-line skirt outer contour styling parameters by the method ofminimum enclosing rectangle （MER）， and dynamic offset values were introduced as refined parameters to characterize the dynamic and static styling changes of the curve. Finally， a correlation analysis on the fabric performance and the dynamic styling parameters of the A-line skirt was carried out to investigate the relationship between the two. Compared with previous studies， a GA-BP neural network for fitting the A-skirt outer contour curve was established in this study to improve the curve fitting accuracy， and the dynamic offset value was introduced as the refined styling parameter to analyze and compare the dynamic and static styling changes of the A-skirt. The research results show that the latitudinal density of the fabric performance is significantly positively correlated with the waist curve skirt width， circumference and area; the draping coefficient is significantly negatively correlated with the hip curve skirt thickness， circumference and area; the weft anti-bending stiffness is significantly positively correlated with the hem curve skirt width， perimeter and area. In the right front waist area， the warp and weft anti-bending stiffness is significantly positively correlated with the offset value in the front and back direction of the human body; in the back waist area， the total crease recovery angle is significantly positively correlated with the offset value in the front and back direction of the human body; in the left hip area， the warp and weft density is significantly positively correlated with the offset value in the front and back direction of the human body.
The relationship between fabric performance and the dynamic shape of the A-line skirt can provide a reference for improving the authenticity and accuracy of the dynamic virtual display offashion and boasts certain practical value.
Key words：
fabric drapability; A-line skirt; 3-D motion capture; GA-BP neural network; curve fitting
3514501186531
猜你喜欢曲线拟合BP神经网络基于微分方程的广告费模型探究价值工程(2020年3期)2020-02-02基于最小二乘法的太阳影子定位技术研究电脑知识与技术(2019年16期)2019-08-12曲线拟合的方法价值工程(2017年31期)2018-01-17MATLAB在非线性曲线拟合中的应用数学学习与研究(2017年1期)2017-03-27基于BP神经网络的管道缺陷识别电子技术与软件工程(2017年2期)2017-03-15工业大数据挖掘分析及应用前景研究电子技术与软件工程(2016年22期)2016-12-26一种改进的BP神经网络车牌识别算法的研究电脑知识与技术(2016年9期)2016-05-18我国软土地基沉降预测方法研究现状居业(2016年4期)2016-05-14基于LM算法的BP神经网络的电力负荷短期预测经济数学(2015年2期)2015-08-21
