特開 2024-158135 身体形状分析装置および身体形状分析方法

(19)【発行国】日本国特許庁(JP)

(12)【公報種別】公開特許公報(A)

(11)【公開番号】P2024158135

(43)【公開日】2024-11-08

(54)【発明の名称】身体形状分析装置および身体形状分析方法

(51)【国際特許分類】

   G06T 7/60 20170101AFI20241031BHJP

   A43D 1/02 20060101ALI20241031BHJP

   G06T 7/00 20170101ALI20241031BHJP

   A61B 5/107 20060101ALI20241031BHJP

【ＦＩ】

G06T7/60 150S

A43D1/02

G06T7/00 350A

G06T7/00 660Z

A61B5/107 130

【審査請求】未請求

【請求項の数】7

【出願形態】ＯＬ

(21)【出願番号】P 2023073079

(22)【出願日】2023-04-27

(71)【出願人】

【識別番号】000000310

【氏名又は名称】株式会社アシックス

(74)【代理人】

【識別番号】100105924

【弁理士】

【氏名又は名称】森下 賢樹

(74)【代理人】

【識別番号】100109047

【弁理士】

【氏名又は名称】村田 雄祐

(72)【発明者】

【氏名】阪口 正律

(72)【発明者】

【氏名】高島 慎吾

(72)【発明者】

【氏名】波多野 元貴

【テーマコード（参考）】

4C038

4F050

5L096

【Ｆターム（参考）】

4C038VA02

4C038VA04

4C038VB14

4C038VC02

4F050NA88

5L096AA09

5L096FA66

5L096FA69

5L096GA59

5L096JA05

5L096MA07

(57)【要約】

【課題】足と靴の適合性向上を図る技術を提供する。
【解決手段】形状分析装置５０において、モデル記憶部２２は、足形における解剖学的特徴を示す三次元座標群を複数の足形に対する複数の三次元相同モデルとして記憶する。複数の三次元相同モデルは、所定基準点から三次元相同モデルの各点までの位置ベクトル同士のコサイン類似度に基づくクラスター分析によって上位階層が複数のクラスターに分けられた上で、上位階層のクラスターごとに主成分分析がなされた場合における第１主成分を除く第２主成分以下に次元削減した主成分分析に基づくクラスター分析によって下位階層がさらに細分化された複数のクラスターに分けられている。
【選択図】図２

【特許請求の範囲】

【請求項1】

身体の少なくとも一部の解剖学的特徴を示す三次元座標群を複数の身体形状に対する複数の三次元相同モデルとしてあらかじめ記憶するモデル記憶部と、
測定対象者の身体形状における前記三次元相同モデルに対応する解剖学的特徴を示す三次元座標群を測定データとして取得する測定データ取得部と、
前記測定データにおける解剖学的特徴を示す三次元座標群と、前記複数の三次元相同モデルにおける解剖学的特徴を示す三次元座標群との間で、座標同士の類似度を評価することにより、前記測定対象者の身体形状に類似する三次元相同モデルを前記複数の三次元相同モデルから決定する評価決定部と、
を備えることを特徴とする身体形状分析装置。

【請求項2】

前記評価決定部は、前記複数の三次元相同モデルにおいて所定の基準点から各点までの位置ベクトルを取得し、前記測定データにおいて前記所定の基準点から三次元相同モデルの各点までの位置ベクトルを取得し、対応する三次元相同モデルの点同士の距離または位置ベクトルの類似度に基づいて、前記測定対象者の身体形状に類似する三次元相同モデルを前記複数の三次元相同モデルから決定することを特徴とする請求項１に記載の身体形状分析装置。

【請求項3】

前記複数の三次元相同モデルは、所定基準点から前記三次元相同モデルの各点までの位置ベクトル同士のコサイン類似度に基づくクラスター分析によって複数のクラスターに分けられて前記モデル記憶部に記憶されることを特徴とする請求項１に記載の身体形状分析装置。

【請求項4】

足の解剖学的特徴を示す三次元座標群を複数の身体形状に対する複数の三次元相同モデルとしてあらかじめ記憶するとともに、前記複数の三次元相同モデルは、所定基準点から前記三次元相同モデルの各点までの位置ベクトル同士のコサイン類似度に基づくクラスター分析によって複数のクラスターに分けられているモデル記憶部と、
前記クラスターごとに前記三次元相同モデルの三次元座標群を出力する出力部と、
を備えることを特徴とする身体形状分析装置。

【請求項5】

前記複数の三次元相同モデルは、コサイン類似度に基づくクラスター分析によって上位階層が複数のクラスターに分けられた上で、上位階層のクラスターごとに主成分分析がなされた場合における第１主成分を除く第２主成分以下に次元削減した主成分分析に基づくクラスター分析によって下位階層がさらに細分化された複数のクラスターに分けられていることを特徴とする請求項３または４に記載の身体形状分析装置。

【請求項6】

前記モデル記憶部は、クラスター分析によって分類された複数のクラスターに対応するクラスターごとの前記三次元相同モデルの数に基づく、複数のクラスターに分類された複数の三次元相同モデルに対するそれぞれの需要を示す値をさらに記憶することを特徴とする請求項３または４に記載の身体形状分析装置。

【請求項7】

足の解剖学的特徴を示す三次元座標群を複数の身体形状に対する複数の三次元相同モデルを読み出す過程と、
測定対象者の身体形状における前記三次元相同モデルに対応する解剖学的特徴を示す三次元座標群を測定データとして取得する過程と、
前記測定データにおける解剖学的特徴を示す三次元座標群と、前記複数の三次元相同モデルにおける解剖学的特徴を示す三次元座標群との間で、座標同士の類似度を評価する過程と、
前記類似度の評価に基づき、前記測定対象者の身体形状に類似する三次元相同モデルを前記複数の三次元相同モデルから決定する過程と、
を備えることを特徴とする身体形状分析方法。

【発明の詳細な説明】

【技術分野】

【0001】

本発明は、身体形状分析装置および身体形状分析方法に関する。特に、足形の計測値に基づいて靴の適合性を分析する技術に関する。

【背景技術】

【0002】

靴のサイズ展開は、多様な足の形状やサイズに合わせて多くの種類を用意することが好ましい。ただし、サイズ展開の拡大には、製造コストの増大や在庫を多く抱えるリスクを伴うため、多くの靴メーカーにおいて需要の多いサイズを中心にサイズ展開がなされるのが現実である。

【0003】

靴のサイズ表記は単位やサイズ目安が国や地域によっても異なるため、同じサイズの靴でも異なる国／地域で販売する場合はサイズ表記を国／地域ごとに調整する必要がある。したがって、国際的に販売される靴は、すべての国／地域のサイズ表記に厳密に合わせることは難しく、実際に試し履きをしなければどのサイズが足に合うかがわかりにくい場合もある。靴の販売店の店頭には、顧客の足に適合する靴を豊富な知識と経験をもとに選択できるシューフィッターと呼ばれる専門的な人材がいる場合があるが、オンライン販売の場合はシューフィッターを頼ることはできない。近年、足形を三次元計測して足に合う靴を選定する技術の開発が進められている。

【0004】

ここで、足形を三次元的に計測した三次元データをもとに足形に合う靴の種類を選定する技術が知られている（例えば、特許文献１参照）。特許文献１においては、足形の三次元データから、つま先部分、中央部分、かかと部分の別に二次元形状の特徴データを生成する。同様に、靴型についても部位別の特徴データを生成し、収集した多数の靴型の特徴データをクラスタリングし、各クラスターにコードを付して記憶する。足形の特徴データとこれにフィットする靴型の特徴データとの関係性をニューラルネットワークで学習し、足形の特徴データから靴型の特徴データを求めるルールとする。

【先行技術文献】

【特許文献】

【0005】

【特許文献1】特開２０００－９０２７２号公報

【発明の概要】

【発明が解決しようとする課題】

【0006】

一般的に、市販されている靴は、男女の体格差やデザインの嗜好の違いを考慮して男女別に作られることが多い。特に日本においては、ＪＩＳ規格に沿って男女別でサイズ展開されることが多いため、ユニセックスモデルとして設計されることは少ない。フィット性が特に重視されるスポーツシューズを除いては、足長に加えて足幅別でもサイズ展開がなされることは少ない。

【0007】

ここで、足長に合わせて靴を選ぶと足幅が狭すぎる、または、広すぎるといったミスマッチが生じることがある。また、足長や足幅以外の部分でフィット感が得られず、足に合う靴が見つけられない場合もある。しかしながら、基本的には、靴のフィット感に最も影響が大きい要素である足長ごとにサイズ展開がなされているため、足幅や他の部分のフィット感を重視して異なる足長サイズの靴まで購入検討対象を広げるのは煩雑であり、特にオンライン販売では複数のサイズを試すのは容易でないのが現状である。

【0008】

一方、靴メーカーにとっても、国／地域によって平均的な体格の違いによってサイズや形状の需要にも違いがあるため、国際的に販売する靴は需要に合うようなサイズ展開の仕方が特に難しい。

【0009】

本発明は、こうした状況に鑑みてなされたものであり、その目的は、足と靴の適合性向上を図る技術を提供することにある。

【課題を解決するための手段】

【0010】

上記課題を解決するために、本発明のある態様の身体形状分析装置は、身体の少なくとも一部の解剖学的特徴を示す三次元座標群を複数の身体形状に対する複数の三次元相同モデルとしてあらかじめ記憶するモデル記憶部と、測定対象者の身体形状における三次元相同モデルに対応する解剖学的特徴を示す三次元座標群を計測データとして取得する計測データ取得部と、計測データにおける解剖学的特徴を示す三次元座標群と、複数の三次元相同モデルにおける解剖学的特徴を示す三次元座標群との間で、座標同士の類似度を評価することにより、測定対象者の身体形状に類似する三次元相同モデルを複数の三次元相同モデルから決定する評価決定部と、を備える。

【0011】

本発明の別の態様もまた、身体形状分析装置である。この装置は、足の解剖学的特徴を示す三次元座標群を複数の身体形状に対する複数の三次元相同モデルとしてあらかじめ記憶するとともに、複数の三次元相同モデルは、所定基準点から三次元相同モデルの各点までの位置ベクトル同士のコサイン類似度に基づくクラスター分析によって複数のクラスターに分けられているモデル記憶部と、クラスターごとに三次元相同モデルの三次元座標群を出力する出力部と、を備える。

【0012】

本発明のさらに別の態様は、身体形状分析方法である。この方法は、足の解剖学的特徴を示す三次元座標群を複数の身体形状に対する複数の三次元相同モデルを読み出す過程と、測定対象者の身体形状における三次元相同モデルに対応する解剖学的特徴を示す三次元座標群を計測データとして取得する過程と、計測データにおける解剖学的特徴を示す三次元座標群と、複数の三次元相同モデルにおける解剖学的特徴を示す三次元座標群との間で、座標同士の類似度を評価する過程と、類似度の評価に基づき、測定対象者の身体形状に類似する三次元相同モデルを複数の三次元相同モデルから決定する過程と、を備える。

【発明の効果】

【0013】

本発明によれば、足と靴の適合性向上を図る技術を提供することができる。

【図面の簡単な説明】

【0014】

【図1】形状分析システムの基本的な構成を示す図である。

【図2】形状分析装置の各構成を示す機能ブロック図である。

【図3】三次元相同モデルの例を示す図である。

【図4】男女別の足長と足囲の分布と日本のＪＩＳ規格との関係を示す図である。

【図5】一般的なクラスター分析の手法と新たなクラスター分析の手法の違いを示す図である。

【図6】上位階層と下位階層で異なるクラスター分析を組み合わせた手法を示す図である。

【図7】点同士のユークリッド距離およびコサイン類似度を示す図である。

【図8】二つの足形モデルにおいて対応する点同士の関係を示す図である。

【図9】足形モデル同士の比較におけるユークリッド距離とコサイン類似度での比較を示す図である。

【図10】コサイン類似度またはユークリッド距離に基づくクラスター分析の分類結果の違いを示す図である。

【図11】コサイン類似度に基づいてクラスター分析した分類結果を示す図である。

【図12】上位３クラスターの足長と足囲の回帰直線、および、上位３クラスターの主成分分析結果を示す図である。

【図13】クラスターにおける主成分分析の結果を示す図である。

【図14】形状分析システムの基本的な構成を示す図である。

【図15】形状分析装置の各構成を示す機能ブロック図である。

【発明を実施するための形態】

【0015】

以下、本発明を好適な実施形態をもとに各図面を参照しながら説明する。実施形態、変形例では、同一または同等の構成要素には、同一の符号を付するものとし、適宜重複した説明は省略する。

【0016】

（第１実施形態）
本実施形態においては、多数の測定対象者における足の三次元形状を計測して足形データとして蓄積し、後述するクラスター分析の手法によって複数のクラスターに分ける。また、分類された複数のクラスターに基づいて靴型や中敷きを設計することで、従来の規格とは異なる基準で靴製品の形状バリエーションを設け、多くの人の足に合った靴を提供する。また、足形の分布に応じて形状バリエーションにおける個々の需要予測をする。

【0017】

図１は、形状分析システム１００の基本的な構成を示す。形状分析システム１００は、三次元足形計測器１８および形状分析装置５０を備える。測定対象者１０は、三次元足形計測器１８によって測定対象者１０の足形をスキャンする。足形データ取得の実施機会としては、例えば靴の設計段階において性別や年齢を問わず多様なサイズまたは形状の足形データの取得を目的として多数の被検者を測定対象者１０とする場合や、靴販売店の店頭で靴の購入を検討する人を測定対象者１０とする場合がある。

【0018】

三次元足形計測器１８は、レーザー計測により測定対象者１０の足形に関する三次元データを取得する。ここでいう「足形」は、測定対象者１０の足の三次元形状を仮想的に再現した三次元モデルである。三次元足形計測器１８によってスキャンされた足形の三次元計測結果としての計測値は、三次元足形計測器１８から形状分析装置５０へ送信される。形状分析装置５０は、複数の三次元足形計測器１８からネットワーク経由で接続され、それぞれから測定データを収集し、分析するサーバーとして実現してもよい。なお、請求項にいう「身体形状分析装置」は、形状分析システム１００全体を指してもよいし、形状分析装置５０を指してもよい。また、本実施形態においては、請求項にいう「身体形状分析装置」に含まれる特徴的な機能の多くを形状分析装置５０が備える形で実現するため、実質的に形状分析装置５０が「身体形状分析装置」に相当する。

【0019】

形状分析装置５０は、複数の三次元足形計測器１８との間でインターネットやＬＡＮ（Local Area Network）等のネットワーク回線および無線通信等の通信手段を介して接続されるサーバーコンピューターである。形状分析装置５０は、単体のサーバーコンピューターで構成されてもよいし、複数台のサーバーコンピューターの組み合わせで構成されてもよい。

【0020】

図２は、形状分析装置５０の各構成を示す機能ブロック図である。形状分析装置５０は、様々なハードウェア構成やソフトウェア構成にて実現することが考えられる。図２では、形状分析装置５０に関して、様々なハードウェア構成およびソフトウェア構成の連携によって実現される機能ブロックを描いている。したがって、これらの機能ブロックがハードウェアのみ、ソフトウェアのみ、またはそれらの組合せによっていろいろな形で実現できることは、当業者には理解されるところである。形状分析装置５０は、例えばマイクロプロセッサー、メモリー、ディスプレイ、通信モジュール等のハードウェアの組み合わせで構成される。形状分析装置５０は、靴メーカーが構築および管理をするサーバーコンピューターであってよい。ただし、形状分析装置５０には、以下の機能を持つプログラムが稼働する。形状分析装置５０は、その機能として、通信部１９、測定データ取得部２０、モデル生成部２１、モデル記憶部２２、出力部２６、分析処理部３０、統計処理部３５を含む。形状分析装置５０の通信部１９と三次元足形計測器１８および外部端末１７は、ネットワークを介して接続される。

【0021】

モデル記憶部２２は、身体の少なくとも一部の解剖学的特徴を示す三次元座標群を複数の身体形状に対する複数の三次元モデルとしてあらかじめ記憶する。ここでいう身体形状は、主に足形を指すが、足形以外の身体形状、例えば人間の体全体の形状を示す体型データを指してもよいし、足形以外の部分的身体形状を指してもよい。モデル記憶部２２が記憶する足形の三次元モデルは、例えば三次元空間における平均的な足の解剖学的特徴を示す点の座標群が規定された三次元相同モデルである。足形の三次元相同モデルは、様々な大きさや形状を持つ複数の足形が、同一点数の同一位相幾何構造によって解剖学的に対応付けられる多面体で表現されるモデルである。平均的な足の解剖学的特徴を示す点は、多数の被検者から得た足のサンプルに基づいて事前に得られる。変形例における三次元モデルは、例えば球面座標系の三次元形状モデルや、三次元ＣＡＤで生成されたテンプレートの足形を解剖学的なランドマークに基づいて変形させたモデル等、同一の解剖学的な基準に則り作成された他の様々なモデルであってもよい。

【0022】

図３は、三次元相同モデルの例を示す。足形の三次元相同モデル１０４は、足の解剖学的特徴を示す点群で構成される。三次元相同モデル１０４は、測定対象者１０の足形状、特に指付近の形状を必ずしも忠実に再現するものではなく、他の足形または三次元相同モデルと比較しやすいように意図的にデフォルメした形状にて構築される。すなわち、三次元相同モデル１０４は、測定対象者１０の実際の足形状ないし足の輪郭と完全な相似性はなく、特に足指の輪郭に対して凸包処理が施されたような形状を有する。また、三次元相同モデル１０４の足輪郭に含まれる複数の特徴的な点を検出し、各点を基準とすることで足長、足囲、踏まず囲、踵囲、踵幅等の各部位の長さを計測することができる。各部位の長さの計測方法は既知であるため、記載を省略する。

【0023】

図２に戻り、測定データ取得部２０は、通信部１９を介して三次元足形計測器１８から、測定対象者１０の足形における三次元相同モデルに対応する解剖学的特徴を示す三次元座標群を測定データとして取得する。測定データ取得部２０は、三次元足形計測器１８以外の外部端末１７から通信部１９を介して測定データを取得してもよい。モデル生成部２１は、測定データ取得部２０が取得した測定データをもとに足形の三次元相同モデルを生成し、あらたな三次元相同モデルとしてモデル記憶部２２に格納する。この場合、三次元足形計測器１８または外部端末１７として様々な種類の足形測定機器を使用して測定データを取得したとしても、モデル生成部２１によって三次元相同モデルに変換する。これにより、測定データを活用容易なデータ形式に一般化できる。一方、変形例においては、測定データ取得部２０が取得する測定データが、三次元足形計測器１８または外部端末１７によってあらかじめ足形の三次元相同モデル形式にされていてもよい。その場合、測定データをもとにモデル生成部２１が足形の三次元相同モデルを生成する必要はなく、測定データがそのままあらたな三次元相同モデルとしてモデル記憶部２２に格納されてもよい。

【0024】

分析処理部３０は、クラスター分析処理部３１と主成分分析処理部３２とを有する。クラスター分析処理部３１は、モデル記憶部２２が記憶する複数の三次元相同モデルに対して、後述する上位階層および下位階層のクラスター分析を実行する。クラスター分析処理部３１は、上位階層と下位階層で異なるクラスター分析を組み合わせた手法を実施する。主成分分析処理部３２は、モデル記憶部２２が記憶する複数の足形の三次元相同モデルに対して、後述する主成分分析を実行する。クラスター分析処理部３１は、上位階層のクラスター分析を実行した後、主成分分析処理部３２による主成分分析の実行結果に基づいて、下位階層のクラスター分析を実行する。

【0025】

クラスター分析処理部３１によるクラスター分析および主成分分析処理部３２による主成分分析が実行されることで取得される分類結果としての各クラスターの情報は、出力部２６によって外部へ出力される。分析処理部３０は、クラスター分析による分類結果に基づいて、モデル記憶部２２に記憶される三次元相同モデルを複数のクラスターに分けて記憶させる。

【0026】

出力部２６は、形状分析装置５０または外部端末１７における表示画面に分類結果を表示させてもよいし、通信部１９を介して外部端末１７に対して分類結果を送信してもよい。出力部２６は、クラスターごとに三次元相同モデルの三次元座標群を出力する。出力部２６によって出力された分類結果の情報は、靴型または中敷きの設計に利用されてもよい。

【0027】

統計処理部３５は、クラスターごとの足形モデルの分布に基づいて各足形モデルに対応する靴型の需要予測を実行する。需要予測の結果は、出力部２６によって外部端末１７へ出力される。統計処理部３５は、需要予測の結果に応じて、モデル記憶部２２に記憶されるクラスター別の足形モデルに対応する靴型、履物または中敷きのデータベースを管理する。

【0028】

図４は、男女別の足長と足囲の分布と日本のＪＩＳ規格との関係を示す。日本における靴のサイズは、標準規格である日本産業規格（ＪＩＳ）により、足長と足囲／足幅で分類され、規格化されている。この規格では、体格差を考慮し、男性、女性、子どもで別々に規定されている。

【0029】

図４（ａ）は女性用のＪＩＳ規格と多数の成人女性をサンプルにとった分布を示す。図４（ｂ）は男性用のＪＩＳ規格と多数の成人男性をサンプルにとった分布を示す。女性用のＪＩＳ規格では足長が１９．５ｃｍ～２７．０ｃｍの範囲で規定されているのに対し、男性用のＪＩＳ規格では足長が２０．０ｃｍ～３０．０ｃｍの範囲で規定されている。足囲／足幅は、足長ごとに女性用はシューズウィズＡ～Ｆ、男性用はシューズウィズＡ～Ｇの規格に分けられている。ただし、女性用のシューズウィズＡが足囲１８３ｍｍ、足幅７６ｍｍで、男性用の足長２０．０ｃｍのシューズウィズＡが足囲１８９ｍｍ、足幅７９ｍｍと定められているように、別々の範囲が規定されている。

【0030】

図４（ａ）、図４（ｂ）における右上がりの複数の斜線は、それぞれＪＩＳ規格上の足長サイズごとに定められた足長［ｍｍ］と足囲［ｍｍ］の関係を示す。複数の斜線は、図４（ａ）では下から女性用のシューズウィズＡ～Ｆをそれぞれ示し、図４（ｂ）では下から男性用のシューズウィズＡ～Ｇをそれぞれ示す。シューズウィズ間の足囲差は約６ｍｍである。

【0031】

図４（ａ）が示す女性サンプルの分布は、おおむねＪＩＳ規格が対象としている足長および足囲の範囲に収まっているが、範囲外にあるサンプルも存在する。図４（ｂ）が示す男性サンプルの分布は、おおむねＪＩＳ規格が対象としている足長および足囲の範囲に収まっているが、女性と同様に範囲外にあるサンプルも存在する。

【0032】

図４（ａ）、図４（ｂ）のそれぞれにおける太線の斜線は、男女それぞれのサンプル平均を示す。足長サイズごとに平均線の上下に足囲の分散が±３～４ウィズほど存在する。すなわち、図に示すような足長と足囲の関係が定められて目安として提供されていても、実際には足囲の分散またはバラツキは大きい。しかも、従来の靴の規格は足長と足囲の関係性しか定められていないが、足の大きさや形状はさらに他のパラメーターによっても決まるため、足長と足囲だけが適合したとしても対象の靴が対象者の足に合うとは限らない。そうした状況を解決すべく、以下に説明する手法によって、三次元的に計測した足形モデル群をクラスター分析で分類し、その分類に基づいてサイズ展開のバリエーションを設計することとした。

【0033】

図５は、一般的なクラスター分析の手法と新たなクラスター分析の手法の違いを示す。足形データ群Ｘをクラスタリングするにあたり、一般的なクラスター分析の手法を用いるとすると、ユークリッド距離に基づくクラスター分析を実行することが考えられる。しかし、この手法の場合、足長サイズの影響を多分に受ける形でクラスターが分類されてしまう。また、足長サイズだけでなく足形形状の差異でも分類したい場合には、足長サイズで区切って足長サイズごとにクラスター分析を実行することが考えられる。しかし、この手法の場合でも足長サイズの影響を多分に受けてしまい、足長サイズごとに複数の足囲のみで分類する従来のグレーディング手法と差が出にくくなることが予想される。また、分類されるクラスター数がサイズごとに異なってしまうおそれがある。

【0034】

そこで、本実施形態におけるクラスター分析処理部３１は、図のようにすべての足長サイズを横断してクラスター分析を実行する。足形データ群Ｘは、足長サイズを横断する似たような形状（すなわち、相似形のような形状）で分かれた大きなクラスターＷに、細部の特徴で分かれた小さなクラスターＨが掛け合わされるような形で構成されることとなる。このようなクラスターの階層状態を図示したものが次の図である。

【0035】

図６は、上位階層と下位階層で異なるクラスター分析を組み合わせた手法を示す。まず、足形データ群Ｘを、コサイン類似度に基づくクラスター分析によって分けたクラスター１～ｎが、上位階層である第１階層１１０を構成する。クラスター１～ｎを、それぞれ主成分分析した場合における第１主成分を除く第２主成分以下に次元削減した主成分分析に基づくクラスター分析によって細かく分けられたクラスター（１－１、１－２、・・・１－ｍ、２－１、２－２、・・・２－ｍ、・・・、ｎ－１、ｎ－２、・・・ｎ－ｍ）が下位階層である第２階層１１２を構成する。上位階層と下位階層のそれぞれのクラスター分析の手法については後述する。

【0036】

図７は、点同士のユークリッド距離およびコサイン類似度を示す。第１点１２０、第２点１２１、第３点１２２、第４点１２３の４つの点がベクトル空間に存在する例で説明する。２点間の近さを測るための一般的な手法は、ユークリッド距離と呼ばれる距離を見て判断する手法である。ユークリッド距離は、２点間の直線距離であり、値が小さいほど２点が似ていることを示す。一方、本実施形態では、コサイン類似度と呼ばれる類似度を見て判断する手法を主に採用する。コサイン類似度は、２点の原点からの位置ベクトルがなす角θのコサイン値（ｃｏｓθ）であり、角θが小さいほどコサイン値が１に近くなり、コサイン値が１に近いほど２点が似ていることを示す。一般に、コサイン類似度は、文章同士の類似度を測るような場面で用いられ、形状同士の類似度を測るような場面で用いられることは少ない。

【0037】

第１点１２０から第２点１２１までのユークリッド距離（距離１２４）は、第１点１２０から第３点１２２までのユークリッド距離（距離１２５）より短いため、ユークリッド距離を基準にすると第３点１２２より第２点１２１の方が第１点１２０に近いことになる。

【0038】

一方、第１点１２０と第２点１２１の原点からの位置ベクトルがなす角θ_１より第１点１２０と第３点１２２の原点からの位置ベクトルがなす角θ_２の方が小さくコサイン値が１に近いため、コサイン類似度を基準にすると第２点１２１より第３点１２２の方が第１点１２０に近いことになる。

【0039】

また、第１点１２０と第４点１２３は、原点からの位置ベクトルがほぼ同じであって角θがほぼゼロであり、コサイン類似度がほぼ１となる。このため、第４点１２３は、ユークリッド距離を基準にすると第２点１２１より遠いが、コサイン類似度を基準にすると第１点１２０に限りになく近いこととなる。

【0040】

図８は、二つの足形モデルにおいて対応する点同士の関係を示す。足形モデルは点群で構成され、各点は足形における解剖学的特徴を示す。各足形モデルに同じ解剖学的特徴を示す点が含まれるため、点同士の位置関係の類似度に基づいて全体の足形モデル同士の類似度を判定する。相対的に小さい足形モデル１３０と、相対的に大きい足形モデル１３１との比較において、それぞれの足形モデルに含まれる多数の点群のうち、対応する点同士の原点からの位置ベクトルがなす角に基づいてコサイン類似度を算出する。図８（ａ）の側面視においては、点１３２と点１３３、点１３４と点１３５、点１３６と点１３７がそれぞれ対応し、図８（ｂ）の上面視においては、点１３８と点１３９、点１４０と点１４１、点１４２と点１４３がそれぞれ対応する。図８（ａ）においては、点１３２と点１３３の位置ベクトルがなす角、点１３４と点１３５の位置ベクトルがなす角、点１３６と点１３７の位置ベクトルがなす角がそれぞれほぼゼロである。図８（ｂ）においては、点１３８と点１３９の位置ベクトルがなす角、点１４０と点１４１の位置ベクトルがなす角、点１４２と点１４３の位置ベクトルがなす角がそれぞれほぼゼロである。したがって、足形モデル１３０と足形モデル１３１は、大きさは異なるがほぼ相似形ということができる。

【0041】

図９は、足形モデル同士の比較におけるユークリッド距離とコサイン類似度での比較を示す。足長サイズが近い足形モデル同士ほどユークリッド距離の値が小さくなって「似ている」との判断がなされやすく、逆にユークリッド距離が大きい足形モデル同士ほど「似ていない」との判断がなされやすい。相似形に近い足形モデル同士ほどコサイン類似度が１に近くなって「似ている」との判断がなされやすく、逆にコサイン類似度が０に近いほど「似ていない」との判断がなされやすい。

【0042】

図９（ａ）の例では二つの足形モデルがほぼ重なっている。ユークリッド距離が比較的小さく、コサイン類似度はほぼ１である。したがって、ユークリッド距離とコサイン類似度のいずれを基準にしても「似ている」との判断がなされやすい。

【0043】

一方、図９（ｂ）の例では、二つの足形モデルは明確に大きさが異なる。ユークリッド距離は比較的大きく、ユークリッド距離を基準にすると「似ていない」との判断がなされやすい。一方、コサイン類似度はほぼ１であるため、図９（ａ）の例とほぼ同じであり、コサイン類似度を基準にすると「似ている」との判断がなされやすい。すなわち、二つの足形モデルを対比する場合にユークリッド距離を基準にすると大きな差があってもコサイン類似度を基準にするとほとんど差が出ない場合があり、コサイン類似度はサイズの影響を受けないことを示す。図９（ｂ）の例では、二つの足形モデルはサイズが異なるがほぼ相似形といってよいほど類似することを示す。

【0044】

図１０は、コサイン類似度またはユークリッド距離に基づくクラスター分析の分類結果の違いを示す。足形データ群を実際にクラスター分析した分類結果として、右にユークリッド距離に基づく階層クラスターを示し、左にコサイン類似度に基づく階層クラスターを示す。

【0045】

ユークリッド距離に基づくクラスター分析では、最下層の細分化されたクラスターにおいて左に行くほど足長サイズが小さくなり、右へ行くほど足長サイズが大きくなるなど、足長が左から右へ漸増するグラデーションになっている。このことからも、ユークリッド距離に基づくクラスター分析では足長サイズによる影響が支配的であることがわかる。また、性別に関しても、左に行くほど女性が多く、右へ行くほど男性が多くなるなど、性別が左から右へ男性が漸増するグラデーションになっている。これは、女性は男性より足長が小さい傾向にあるためであり、ユークリッド距離に基づくクラスター分析では結果的に性別の影響も受けていることがわかる。

【0046】

一方、コサイン類似度に基づくクラスター分析では、最下層の細分化されたクラスターにおいて左から右にかけて様々な足長がランダムに混ざっており、足長サイズによる影響をほとんど受けていないことがわかる。同様に、性別もランダムに混ざっており、性別による影響もほとんど受けていないことがわかる。

【0047】

図１１は、コサイン類似度に基づいてクラスター分析した分類結果を示す。クラスター分析の対象とされた足形データのサンプルは、成人男女約５０００人である。各足形データに含まれる各点同士のコサイン類似度に基づき、ウォード法による階層型クラスタリングの手法を採用している。

【0048】

上位３クラスター（第１クラスター１５０、第２クラスター１５１、第３クラスター１５２）を上位階層とし、第１クラスター１５０、第２クラスター１５１、第３クラスター１５２のそれぞれにおいて、足長サイズを正規化して求められる各点の座標に基づく足形を平均足とする。

【0049】

各クラスターの平均足の足形モデルを重ね合わせることで、部分的な形状のバラツキによってクラスターごとの特徴と、そうした特徴の出やすい部位がわかる。例えば、足甲の高さ方向において、第１クラスター１５０の足甲が最も低く、第２クラスター１５１の足甲が中間で、第３クラスター１５２の足甲が最も高い、といった足甲高さの違いに特徴の一つが表れる場合がある。例えば、第１趾の角度において、第１クラスター１５０の角度が最も内足側に張り出し、第２クラスター１５１の角度が中間で、第３クラスター１５２の角度が少し第２趾側に傾いている、といった第１趾角度の違いにも特徴の一つが表れる場合がある。例えば、足首周りの傾きにおいて、第１クラスター１５０の傾きが最も内足側に大きく、第２クラスター１５１の傾きが中間で、第３クラスター１５２の傾きが最も小さい、といった足首周りの傾きにも特徴の一つが表れる場合がある。

【0050】

図１２は、上位３クラスターの足長と足囲の回帰直線、および、上位３クラスターの主成分分析結果を示す。まず、第１クラスター１５０、第２クラスター１５１、第３クラスター１５２のそれぞれにおける足長と足囲の関係を示す回帰直線を、図４と同様のＪＩＳ規格のグラフに重ねたものを図１２に示す。これによると、各回帰直線は互いに概ね平行となるが、これらの傾きは、ＪＩＳ規格における足長と足囲の関係を示す回帰直線の傾きとは大きく異なることがわかる。したがって、各クラスターの回帰直線に沿って靴型のバリエーションを設計することで、従来のＪＩＳ規格に沿った男女別のグレーディングとは異なるバリエーション、すなわち男女の区別がなく、足長サイズとは異なる足形の形状上の特徴で分けられたバリエーションを設計することが可能となる。

【0051】

主成分分析処理部３２は、クラスターごとの足形データに主成分分析を実行し、クラスターごとの重心である平均足に、分散である第１主成分ＰＣ１を足したデータを算出し、そのデータにおける足長と足囲の関係を図１２のグラフにプロットする。各クラスターはコサイン類似度に基づいて一次的にクラスタリングされており、足長サイズの影響を無視できる形で分類されているものの、データ自体には足長の情報が含まれている。そのため、主成分分析処理部３２が主成分分析を実行すると、第１主成分ＰＣ１には足長の影響が多分に含まれた主成分が抽出されることとなる。ただし、上位階層の大きな分類としてコサイン類似度に基づいて平均足の形状が異なる各クラスターに分けられているため、クラスター別の下位階層のクラスタリングとしては主成分に基づいて分類しやすくなる。この点、グラフにおいて白抜きの丸点でプロットされているように、クラスターごとの平均足＋第１主成分ＰＣ１における足長と足囲の関係を示すプロットは、概ねクラスターごとの回帰直線に沿っているため、クラスター分析の結果と主成分分析の結果は矛盾しない。

【0052】

図１３は、クラスターにおける主成分分析の結果を示す。主成分分析処理部３２がクラスターに対して主成分分析を実行すると、そのクラスターが持つデータの分散にどのようなパラメーターが大きく影響しているかがわかる。図１３において、上段は縦軸に第１主成分ＰＣ１を設定し、中段は縦軸に第２主成分ＰＣ２を設定し、下段は縦軸に第３主成分ＰＣ３を設定する。左側は横軸に足長を設定し、右側は横軸に足囲を設定する。各グラフの左側で囲まれたプロット群が女性を示し、右側で囲まれたプロット群が男性を示す。

【0053】

上段の左右２つのグラフに示される通り、第１主成分ＰＣ１は足長との相関が強いだけでなく、足囲との相関も強いことがわかる。一方、中段と下段のグラフに示される通り、第２主成分ＰＣ２以下は回帰直線がほぼ水平となり、足長や足囲の影響をほぼ受けていないことがわかる。本実施形態では、こうした主成分分析の結果における特性を活用し、足長や足囲の影響を受ける第１主成分ＰＣ１を除くとともに、足長や足囲の影響を受けない第２主成分ＰＣ２以下だけを用いてサブクラスタリングに活用することとした。こうした特性の活用は、従来におけるサイズによるグレーディングとは異なる、細部の形状の違いに着目してクラスタリングされたバリエーションの構築を実現する上で好都合であると考えられる。

【0054】

図６でも示した通り、上位階層である第１階層１１０では、クラスター分析処理部３１がコサイン類似度に基づいて実行するクラスター分析によって複数のクラスターに分けられる。下位階層である第２階層１１２では、第１階層１１０で分けられたクラスターごとにそれぞれ第２主成分以下に次元削減した主成分分析に基づくクラスター分析をクラスター分析処理部３１が実行することによってさらに細かい多数のクラスターに分けられる。その場合の主成分分析は、主成分分析処理部３２による主成分分析結果における第１主成分を除く第２主成分以下に次元削減された主成分分析である。第２階層１１２におけるクラスター分析では、第２主成分ＰＣ２以下、累積寄与率９９％までの主成分に基づき、ユークリッド距離を基準としたウォード法による階層型クラスタリングが用いられる。

【0055】

細部の特徴で多数のクラスターに分けられた足形モデル群は、靴型および履物のバリエーションの設計に用いることができるだけでなく、中敷きの設計においても活用することができる。例えば、足長や足囲のサイズに依存しない細部の形状に関するバリエーションを中敷きの設計のバリエーションで吸収することで、靴型および履物の設計で吸収すべきバリエーションの数を減らしてもよい。すなわち、靴型および履物のバリエーションと中敷きのバリエーションを掛け合わせることで、全体のバリエーションを設計し、足形モデル群の全体をカバーするようにしてもよい。

【0056】

また、足形モデル群に含まれる多数の足形モデルを、ＪＩＳ規格に沿って設計されたサイズ展開の靴型のうちいずれに適合するかに基づいて各足形モデルをＪＩＳ規格に沿ったサイズ展開に割り当ててもよい。

【0057】

各クラスターに含まれる足形データの人数が異なることから、母集団である足形データ群全体に対するクラスターごとの人数の割合が異なる。一方、第１実施形態におけるクラスター分析に用いた足形データ群以外にも、様々な目的で収集され、蓄積されている足形データ群をデータベースとして保有する場合、それらのデータに基づいて母集団に対する足長サイズごとの分布を算出することができる。そこで、統計処理部３５は、クラスターごとの人数の割合と、足長サイズごとの分布を掛け合わせることで、クラスターおよび足長の組合せごとの割合を数値化することができる。足長サイズとして２２ｃｍ～３１ｃｍの範囲で１ｃｍ刻みで分けたときのクラスターおよび足長の組合せごとの割合が数値化される。

【0058】

統計処理部３５は、クラスターおよび足長の組合せごとの割合に基づいて履物製品や中敷き製品のサイズおよび形状に関する組合せパターンのバリエーションを設計した場合、クラスターおよび足長の組合せごとの割合に応じて初期在庫としての需要予測をすることができる。その場合、需要がきわめて少ないと予測されるクラスターおよび足長の組合せパターンについては最初から靴製品のバリエーションから除外することも可能となる。統計処理部３５は、初期在庫としての需要予測だけでなく、実際の売れ行きによって在庫が減少した場合における生産計画にも需要予測を反映させることもできる。統計処理部３５は、クラスターおよび足長の組合せごとの割合に関する情報を出力部２６を通じて外部へ出力してもよい。

【0059】

（第２実施形態）
本実施形態においては、測定対象者における足の三次元形状を計測して足形データを取得し、形状分析装置５０に蓄積された足形の三次元相同モデルの中から類似する足形を抽出し、靴購入の参考情報にできる点で第１実施形態と相違する。以下、第１実施形態との相違点を中心に説明し、共通点の説明を省略する。

【0060】

図１４は、形状分析システム１００の基本的な構成を示す。形状分析システム１００は、主に形状データ取得装置と形状分析装置５０を含む。形状データ取得装置は、例えば三次元足形計測器１８やカメラ機能を備える携帯電話等の情報端末１６である。測定対象者１０は、三次元足形計測器１８によって測定対象者１０の足形をスキャンする。あるいは、測定対象者１０が専用の計測マット１２に足を載せて情報端末１６のカメラ機能による足の撮影および足形計測アプリでの計測によって、自身の足形をスキャンする。足形データ取得の実施機会としては、例えば靴販売店の店頭または自宅等で靴の購入を検討する人を測定対象者１０とする場合である。

【0061】

情報端末１６は、ＬｉＤＡＲ（Light Detection And Ranging）等の技術を利用した三次元スキャナー機能やフォトグラメトリ等の画像合成処理により測定対象者１０の足形を生成してもよい。形状分析システム１００は、計測マット１２、三次元足形計測器１８、情報端末１６のうち少なくともいずれかをさらに含んでもよい。情報端末１６は、測定対象者１０自身がユーザーとして操作してもよいし、測定対象者１０以外の者、例えば靴販売店の店員が三次元足形計測器１８または情報端末１６による足形のスキャンを実施してもよい。したがって、情報端末１６は、三次元足形計測器１８が設置された靴販売店が保有する端末であってもよいし、測定対象者１０自身が保有する端末であってもよい。

【0062】

三次元足形計測器１８または情報端末１６によってスキャンされた足形の三次元計測結果としての計測値は、三次元足形計測器１８または情報端末１６から形状分析装置５０へ送信される。形状分析装置５０は、複数の三次元足形計測器１８または情報端末１６からネットワーク経由で接続され、それぞれから測定データを収集し、分析するサーバーとして実現してもよい。なお、請求項にいう「身体形状分析装置」は、形状分析システム１００全体を指してもよいし、形状分析装置５０を指してもよい。また、本実施形態においては、請求項にいう「身体形状分析装置」に含まれる特徴的な機能の多くを形状分析装置５０が備える形で実現するため、実質的に形状分析装置５０が「身体形状分析装置」に相当する。ただし、「身体形状分析装置」の特徴的な機能は情報端末１６と形状分析装置５０に分散させてもよいし、情報端末１６にその多くを持たせる形で実現してもよい。

【0063】

形状分析装置５０は、複数の三次元足形計測器１８や複数の情報端末１６との間でインターネットやＬＡＮ等のネットワーク回線および無線通信等の通信手段を介して接続されるサーバーコンピューターである。情報端末１６は、スマートフォンやタブレット端末等の携帯型情報端末であってもよいし、パーソナルコンピューターであってもよい。

【0064】

図１５は、形状分析装置５０の各構成を示す機能ブロック図である。形状分析装置５０は、様々なハードウェア構成やソフトウェア構成にて実現することが考えられる。図１５では、形状分析装置５０および情報端末１６に関して、それぞれ様々なハードウェア構成およびソフトウェア構成の連携によって実現される機能ブロックを描いている。したがって、これらの機能ブロックがハードウェアのみ、ソフトウェアのみ、またはそれらの組合せによっていろいろな形で実現できることは、当業者には理解されるところである。情報端末１６は、例えばカメラモジュール、測距センサ、マイクロプロセッサー、タッチパネル、メモリー、通信モジュール等のハードウェアの組み合わせで構成される。情報端末１６は、測定対象者１０または靴販売店が用意したスマートフォンやタブレット端末等の汎用的な情報端末であってよい。情報端末１６には、ウェブブラウザを介して形状分析装置５０が提供するウェブサイトにアクセスするか、情報端末１６で稼働するアプリケーションソフトウェアによって形状分析装置５０から提供される情報が画面表示される。本実施形態における形状分析装置５０は、その機能として、第１実施形態における形状分析装置５０に加えて評価決定部２４をさらに含む。形状分析装置５０の通信部１９と三次元足形計測器１８および情報端末１６は、ネットワークを介して接続される。

【0065】

モデル記憶部２２に記憶される複数の足形の三次元相同モデルは、第１実施形態のクラスター分析によって複数のクラスターに分類されていてもよい。あるいは、第１実施形態のクラスター分析による分類結果に基づいて設計された、靴型、履物または中敷きのバリエーションのそれぞれに対応する三次元相同モデルであってもよい。あるいは、従来のＪＩＳ規格に沿った足長と足囲の組合せに対応する三次元相同モデルであってもよい。

【0066】

測定データ取得部２０は、通信部１９を介して三次元足形計測器１８または情報端末１６から、測定対象者１０の足形における三次元相同モデルに対応する解剖学的特徴を示す三次元座標群を測定データとして取得する。モデル生成部２１は、測定データ取得部２０が取得した測定データをもとに足形の三次元相同モデルを生成し、測定対象者１０の足形の三次元相同モデルとして評価決定部２４へ出力する。

【0067】

評価決定部２４は、測定対象者１０の測定データにおける解剖学的特徴を示す三次元座標群と、モデル記憶部２２に記憶される複数の三次元相同モデルにおける解剖学的特徴を示す三次元座標群との間で、座標同士の類似度を評価する。評価決定部２４は、対応する三次元相同モデル間における座標同士の類似度により、測定対象者１０の足形に類似する三次元相同モデルを複数の三次元相同モデルから決定する。

【0068】

より具体的には、評価決定部２４は、複数の三次元相同モデルにおいて所定の基準点から各点までの位置ベクトルを取得し、測定データにおいて所定の基準点から三次元相同モデルの各点までの位置ベクトルを取得する。評価決定部２４は、対応する三次元相同モデルの点同士の距離または位置ベクトルの類似度に基づいて、測定対象者１０の足形に類似する三次元相同モデルを複数の三次元相同モデルから選択する。点同士の距離は、例えばユークリッド距離であり、位置ベクトルの類似度は、例えばコサイン類似度である。評価決定部２４は、ユークリッド距離を基準として類似する三次元相同モデルの選択結果と、コサイン類似度を基準として類似する三次元相同モデルの選択結果と、を合算し、その中から測定対象者１０の足形に最も類似する三次元相同モデルを決定する。モデル記憶部２２に６０００足分ほどの足形三次元相同モデルが仮に記憶されていたとする。その場合、評価決定部２４がすべての三次元相同モデルとの間で類似度を算出して最も類似する三次元相同モデルを決定するとしても、１０秒程度の計算で決定することがきるため、ごく短時間で足形を抽出することが可能である。

【0069】

評価決定部２４は、決定した三次元相同モデルを、測定対象者１０の足長に合わせて様々なサイズにスケーリングし、それぞれと測定対象者１０の足形の三次元相同モデルとの類似度を算出する。それぞれの類似度に基づいて、評価決定部２４は最も類似度が高い三次元相同モデルのスケールを決定する。評価決定部２４は、決定された足形の三次元相同モデルとそのスケールに対応する靴または中敷きの種類をモデル記憶部２２のデータベースから抽出し、測定対象者１０へ提示する情報を生成する。

【0070】

出力部２６は、評価決定部２４によって決定された、測定対象者１０の足に類似する足形モデルの情報およびその足形に対応する靴または中敷きの種類を示す推薦情報を、通信部１９を介して情報端末１６へ送信する。

【0071】

変形例においては、評価決定部２４はモデル記憶部２２に記憶される複数の著名人の足形三次元相同モデルのうちいずれの類似度が最も高いかを評価し、評価結果を情報端末１６に出力させてもよい。

【0072】

以上、本発明について実施の形態をもとに説明した。この実施の形態は例示であり、それらの各構成要素や各処理プロセスの組合せにいろいろな変形例が可能なこと、またそうした変形例も本発明の範囲にあることは当業者に理解されるところである。また、上述した実施形態を一般化すると以下の態様が得られる。

【0073】

〔態様１〕
身体の少なくとも一部の解剖学的特徴を示す三次元座標群を複数の身体形状に対する複数の三次元相同モデルとしてあらかじめ記憶するモデル記憶部と、
測定対象者の身体形状における前記三次元相同モデルに対応する解剖学的特徴を示す三次元座標群を測定データとして取得する測定データ取得部と、
前記測定データにおける解剖学的特徴を示す三次元座標群と、前記複数の三次元相同モデルにおける解剖学的特徴を示す三次元座標群との間で、座標同士の類似度を評価することにより、前記測定対象者の身体形状に類似する三次元相同モデルを前記複数の三次元相同モデルから決定する評価決定部と、
を備えることを特徴とする身体形状分析装置。
〔態様２〕
前記評価決定部は、前記複数の三次元相同モデルにおいて所定の基準点から各点までの位置ベクトルを取得し、前記測定データにおいて前記所定の基準点から三次元相同モデルの各点までの位置ベクトルを取得し、対応する三次元相同モデルの点同士の距離または位置ベクトルの類似度に基づいて、前記測定対象者の身体形状に類似する三次元相同モデルを前記複数の三次元相同モデルから決定することを特徴とする態様１に記載の身体形状分析装置。
〔態様３〕
前記複数の三次元相同モデルは、所定基準点から前記三次元相同モデルの各点までの位置ベクトル同士のコサイン類似度に基づくクラスター分析によって複数のクラスターに分けられて前記モデル記憶部に記憶されることを特徴とする態様１または２に記載の身体形状分析装置。
〔態様４〕
足の解剖学的特徴を示す三次元座標群を複数の身体形状に対する複数の三次元相同モデルとしてあらかじめ記憶するとともに、前記複数の三次元相同モデルは、所定基準点から前記三次元相同モデルの各点までの位置ベクトル同士のコサイン類似度に基づくクラスター分析によって複数のクラスターに分けられているモデル記憶部と、
前記クラスターごとに前記三次元相同モデルの三次元座標群を出力する出力部と、
を備えることを特徴とする身体形状分析装置。
〔態様５〕
前記複数の三次元相同モデルは、コサイン類似度に基づくクラスター分析によって上位階層が複数のクラスターに分けられた上で、上位階層のクラスターごとに主成分分析がなされた場合における第１主成分を除く第２主成分以下に次元削減した主成分分析に基づくクラスター分析によって下位階層がさらに細分化された複数のクラスターに分けられていることを特徴とする態様１から４のいずれかに記載の身体形状分析装置。
〔態様６〕
前記モデル記憶部は、クラスター分析によって分類された複数のクラスターに対応するクラスターごとの前記三次元相同モデルの数に基づく、複数のクラスターに分類された複数の三次元相同モデルに対するそれぞれの需要を示す値をさらに記憶することを特徴とする態様１から５のいずれかに記載の身体形状分析装置。
〔態様７〕
足の解剖学的特徴を示す三次元座標群を複数の身体形状に対する複数の三次元相同モデルを読み出す過程と、
測定対象者の身体形状における前記三次元相同モデルに対応する解剖学的特徴を示す三次元座標群を測定データとして取得する過程と、
前記測定データにおける解剖学的特徴を示す三次元座標群と、前記複数の三次元相同モデルにおける解剖学的特徴を示す三次元座標群との間で、座標同士の類似度を評価する過程と、
前記類似度の評価に基づき、前記測定対象者の身体形状に類似する三次元相同モデルを前記複数の三次元相同モデルから決定する過程と、
を備えることを特徴とする身体形状分析方法。

【符号の説明】

【0074】

１０ 測定対象者、 ２０ 測定データ取得部、 ２１ モデル生成部、 ２２ モデル記憶部、 ２４ 評価決定部、 ２６ 出力部、 ３０ 分析処理部、 ３１ クラスター分析処理部、 ３２ 主成分分析処理部、 ３５ 統計処理部、 ５０ 形状分析装置、 １０４ 三次元相同モデル。

【図1】

【図2】

【図3】

【図4】

【図5】

【図6】

【図7】

【図8】

【図9】

【図10】

【図11】

【図12】

【図13】

【図14】

【図15】