鞋靴产品色彩情感设计的进化策略研究

林珍1 ，曹中华2*

(1.台州第一技师学院，浙江 温岭 317500;2.广州履朴信息科技有限公司，广东 广州 510000)

摘 要：鞋靴产品的色彩设计不仅影响视觉吸引力，更是传递情感语义、塑造品牌形象的重要手段。针对当前鞋靴色彩设计多依赖经验、缺乏系统方法的问题，本研究从进化策略视角出发，提出一种融合感性工学与K-means聚类算法的色彩情感设计方法。首先，通过感性意象词汇筛选与意象图像构建，建立用户情感意向数据集;其次，采用两次K-means聚类提取特征色彩，并结合“主色+辅色”原则进行配色设计。以“时尚板鞋”为案例，验证该方法在情感意象传达与配色科学性方面的有效性。结果表明，所提方法能够准确匹配用户情感需求，提升色彩设计的数据驱动能力与可操作性，为鞋靴产品的情感化设计与色彩规划提供理论支持与实践参考。

关键词：鞋靴产品;色彩情感设计;进化策略;感性工学;聚类算法

前 言

在人与产品交互过程中，色彩作为重要的视觉语义符号，其传达的信息包含两个层面：功能层面的色彩设计传达产品功能性语义;情感层面的色彩设计传达产品情感性语义。功能层面的色彩设计与产品实体界面密切相关，可作为明确产品功能识别语言的有效途径。例如，美工刀推钮、中性笔按钮等关键操作部件通常采用显著色彩区分，以提升功能语义的视觉识别度，并在用户使用产品核心功能时发挥引导作用 [1]。该层面的色彩设计通常具有一定规则性，可控性较强。相比之下，情感层面的色彩设计更具抽象性与文化依赖性，却是用户与产品产生情感共鸣的关键。尤其对于鞋靴产品，色彩不仅是功能区分的手段，更是风格表达、情感传递与品牌认同的核心媒介。

美国流行色彩研究中心的一项调查表明，消费者在挑选商品时，仅需7秒即可形成对产品的最初印象，而色彩因素在此过程中占比达67%[2]。随着消费升级，鞋类产品需在实用功能基础上，通过色彩情感设计激发用户认同与购买欲望，这既有助于提升产品竞争力，也能推动鞋服制造业高质量发展。

当前，鞋靴产品色彩情感设计正从经验主导迈向数据驱动与智能生成转型。通过引入感性工学、聚类算法等方法，可实现从用户情感意向挖掘到色彩方案生成的闭环设计流程，显著提高设计的科学性与适应性。本研究立足于鞋靴产品的设计实际，结合进化策略视角，系统探讨色彩情感设计的内涵、方法与实现路径，以期为鞋靴产品色彩创新提供理论支持与实践参考。

1 鞋靴产品色彩情感设计进化策略

1.1 鞋靴产品色彩情感设计内涵概述

鞋靴产品色彩情感设计是指通过色彩这一视觉元素，结合人类视觉感知、心理反应与文化语境，使用户在接触产品时产生特定情感共鸣与体验提升。其核心在于将色彩作为情感传递的媒介，通过系统化的设计方法，使用户对鞋靴产品形成积极情感认知与品牌认同。

鞋靴设计中，色彩情感内涵尤为丰富。不同品类对色彩的情感诉求存在显著差异。例如，运动鞋常通过高饱和度和对比色传递活力与动感;休闲鞋则多采用中性色与自然色调，传递轻松与舒适;正装鞋则倾向于经典黑、棕等沉稳色调，体现专业与稳重。因此，鞋靴色彩情感设计需紧密结合产品定位与用户情感需求，实现从“色”到“情”的有效转化。

鞋靴产品色彩情感设计的研究基础在于构建“色彩-情感-用户”之间的映射关系。通过采集与分析鞋靴色彩数据与用户情感反馈，建立科学的色彩情感评价与生成模型，从而指导设计实践，提升产品市场竞争力与用户体验。

1.2 鞋靴产品色彩情感设计进化策略

1.2.1 目标用户情感意向挖掘

目标用户情感意向挖掘是指收集、分析和识别目标用户在鞋靴产品使用过程中的情感反馈、行为数据及隐含意象，是鞋靴色彩情感设计的起点，其目的在于精准捕捉用户对鞋靴色彩的情感偏好与潜在需求。该过程的进化主要体现在方法手段的不断升级与融合，具体可分为三个阶段：经典方法阶段、生理信息测量方法阶段和大数据集成方法阶段。

经典方法阶段通过两类方式开展研究：一是采用图解思维、自由联想、反身访谈、正反义筛选等定性方法收集目标用户情感反馈和意见;二是运用语义差分法、KJ法、主成分分析法、因子分析法[3]、聚类分析、秩位法等量化方法，将口语报告中的情感数据进行系统化整理和分析，揭示目标用户情感需求的主要因素和模式，为产品改进提供依据。经典方法虽能获取情感信息，但易受用户主观性因素与回忆偏差影响，难以全面反映真实情感倾向。

生理信息测量方法阶段引入生理信号采集技术，如眼动、脑波、心率等生理指标，通过客观数据捕捉用户面对不同鞋靴色彩时的潜意识反应。例如，Wu等 [4] 通过眼动跟踪技术确定特定颜色对用户产品偏好的影响;Hua等[5] 基于眼动跟踪技术从动画图像中提取动态色彩，构建产品色彩样本库。生理信息测量方法相对客观，能提供直接准确的情感信息，但设备成本高、使用复杂等问题限制了其在鞋靴设计中的实际应用。

随着大数据与人工智能技术发展，目标用户情感意向挖掘进入大数据集成方法阶段。通过社交媒体、电商平台、设计社区等渠道获取海量用户行为数据与视觉反馈，利用自然语言处理、图像识别与机器学习技术，自动提取用户对鞋靴色彩的情感倾向与风格偏好。例如，通过分析用户在社交平台对某款鞋的配色讨论，可快速识别受欢迎的色彩组合与情感关键词。大数据方法不仅成本低、效率高，且能实现动态、实时的情感意向更新，为鞋靴色彩设计提供精准的情感信息。

1.2.2 鞋靴产品色彩情感设计生成

鞋靴产品色彩情感设计生成是指基于用户情感意向，以设计目标为驱动，利用人工智能技术与色彩生成方法，建立鞋靴设计特征属性与用户情感意象认知空间的内在关系，协助设计师快速产生能够满足目标用户情感认知偏好的鞋靴设计方案。其进化发展主要分为三个阶段：线性优化方法;机器学习方法和深度学习方法。

线性优化方法早期广泛应用于鞋靴色彩情感设计中，通常以简单数学模型分析数据间的关联性，建立产品色彩与用户情感意象的关联模型，指导色彩情感设计过程。线性模型形式简单、易于建模，如灰色关联分析、粗糙集理论 [6]、邓氏关联模型、线性回归、联合分析、数量化理论Ⅰ、模糊综合评价等方法。此类方法建模简单、解释性强，适用于情感关系较为明确的设计场景，但难以处理鞋靴色彩中常见的高维、非线性情感映射问题。

机器学习方法是通过数据和统计技术使计算机系统自动学习并改进性能的方法，其对大量情感数据和设计数据进行归纳总结并不断修正优化，显著提升了鞋靴色彩情感设计的智能化水平，实现对鞋靴色彩与用户情感之间高维、复杂、模糊的双向推理。常用学习方法包括人工神经网络、贝叶斯网络、支持向量机、随机森林算法、XGBoost 等。系统能够从大量历史设计数据中学习色彩与情感之间的复杂关系，并生成新颖且符合情感目标的配色方案。例如，可利用神经网络对成功鞋款配色进行训练，预测新设计产品的情感响应，从而辅助设计师进行决策。

近年来，深度学习方法在鞋靴色彩情感设计领域得到广泛应用。深度学习模型能够更好地处理复杂的非线性关系和大规模数据，提高色彩情感设计的准确性和效率。常用的生成式算法包括生成式对抗网络 [7]、深度信念网络、隐马尔可夫模型和自回归模型、变分自编码器、去噪扩散概率模型、Flow 模型等。通过深度学习技术，能够生成高度逼真且情感一致的鞋靴配色方案，甚至可结合风格迁移技术，将某一情感意象(如“复古”“科技”)迁移至具体鞋款设计中。深度学习方法实现对用户情感表达的智能识别和分析，为鞋靴色彩设计提供精细指导与优化。

2 鞋靴产品色彩情感设计应用实践

2.1 基于感性工学和聚类算法的鞋靴产品色彩情感设计流程

将主观感知与客观分析相结合，提出一种基于感性工学和K-means算法的鞋靴产品色彩情感设计模型，如图1所示。首先，基于感性工学的相关理论，筛选与感性意象符合度最高的相关图像，构建感性意象图像数据集。其次，运用两次K-means聚类从感性意象图像数据集中提取感性意象特征色彩 [8]。最后，选择合适的色彩进行配色，形成最终鞋靴产品色彩方案。

图 1 基于感性工学和 K-means 算法的鞋靴产品色彩情感设计模型

2.1.1 感性意象图像数据集

依据感性工学理论，感性意象图像数据集的构建分为以下六个步骤：

第一步：选取感性意象词汇集合。依据具体鞋靴设计要求，参考鞋靴结构功能与外观造型，采集合适的形容词汇表达可能的感性意象，即用形容词汇体现对鞋靴的感觉，反映对鞋靴语意的解读。列出采集的符合程度较高的形容词汇集合，从中筛选最合适且属性不矛盾的 1〜3 个形容词汇作为正向意象词汇。并在正向词汇中添加其意象相反的形容词汇作为反向意象词汇，形成感性意象词汇集合。

第二步：搜集感性意象图像并进行预处理。依据正向意象词汇广泛搜集各种图像，将收集图像进行初步分类，去除相似度高的图片，每个正向意象词汇保留具有代表性的 30 张图像。统一规定图像的尺寸为 800×600 像素，对尺寸不符的图像进行调整。为获得准确分析结果，使用中值滤波对图像进行预处理，尽可能去除噪声点及孤立数据点的影响。

第三步：建立调查问卷。问卷内容包括受试者基本信息(年龄、性别、职业等)、图像、感性意象语汇集合及偏好程度。每个意象语汇用 5 个等级来区分其偏好的程度。

第四步：广泛选择受试者。受试者包括专家用户、一般用户和新手用户，并且受试者的年龄、性别及职业分布合理。

第五步：建立意象看板。鉴于个体对感性意象词汇的理解存在偏差，评价时可能会产生个体误差。为减小该误差，通过大量调查和统计建立意象看板，统一受试者的认知标准。

第六步：调查并构建感性意象图像数据集。填写调查问卷前，受试者通过意象看板来确定各类意象，然后填写调查问卷。通过数据分析，每对感性意象词汇筛选出最符合感性意象的 10 张图像，建立感性意象图像数据集。

2.1.2 基于聚类算法的色彩提取

采用 K-means 算法对感性意象图像进行色彩提取，将感性意象图像的像素处理为色彩空间中的坐标点集，并对该点集的坐标(即色彩分量)进行聚类计算，得出其主要色彩。色彩提取过程中，输入感性意象图像和聚类数目两种数据，依据产品的色彩数目确定聚类数目为 4。感性意象图像的色彩提取包含单张感性意象图像的色彩提取与多张感性意象图像的色彩提取两部分。

(1)单张感性意象图像的色彩提取。用 K-means 算法依次计算感性意象图像中像素的色值与各聚类中心的距离，并将其归入最近的聚类中心所代表类别。最终聚类结果为一个提取色向量和一个权重向量，提取色向量为各提取色的色值，权重向量为各色类中像素数的占比。

聚类中心的更新为迭代过程，迭代终止判据为本次计算所得聚类中心与上次聚类中心之间的最大距离小于某一固定阈值，判断公式如式1所示：

式1：

式1中，为本次各聚类中心与上次聚类中心的最大距离，即各类中心分别计算与上次的距离取最大值;R0、G0和B0为本次聚类中心的RGB值;R1、G1和B1为上次聚类中心的RGB值;为三维色彩空间对角线长度，即可能的最大距离值;E为判断阈值，其选取依据为人眼可识别的最小差异，通常取经验值0.05。

(2)多张感性意象图像的色彩提取。同样使用 K-means 聚类算法，首先以一次聚类所得单张感性意象图像结果为数据源，利用每张感性意象图像的提取色构建一张新感性意象图像(即融合图像)，然后对融合图像执行 K-means 聚类分析，最终获得感性意象图像数据集的特征色彩。

融合图像的构建采用主色优先模式，在提取多张感性意象图像色彩时，优先考虑最终提取色彩在单张感性意象图像中的主色度，即该色彩类别下像素数在源感性意象图像中的占比。因此，每张感性意象图像中提取的色彩以不同的权重，依据其在源感性意象图中所占比例构成融合图像。

每张感性意象图像经聚类提取得到 4 种色彩代表每张感性意象图像的色彩意象，10 张感性意象图像共得到 40 种色彩。所有提取色能够较全面地反映感性意象图像数据集的整体色彩意象，对融合图像进行 K-means 聚类提取时，输入聚类数目为 8，最终得到 8 种产品感性意象特征色彩。

2.1.3 基于特征色彩的产品配色方法

感性意象图像的特征色彩一方面有助于理性认识产品感性意象，另一方面可使提取成果服务于设计师，通过科学流程辅助设计师进行客观色彩方案生成[9]。色彩方案生成包括色彩选择和色彩搭配两方面。通过对感性意象图像的聚类提取，得到感性意象特征色彩及各色所占比例，为设计师提供科学依据。

设计师可根据提取出的特征色彩及其权重比例，结合“先主色，后辅色”的选色原则[10]，优先选择权重较高的色彩作为主色，再根据设计需求和美学原则选取辅助色彩，形成和谐统一的配色方案。该方法既保留数据驱动的客观性，又融入设计师经验与创造力，使最终方案兼具科学合理性与艺术感染力。

图2 感性意象图像示例 (图片来源：大作网)

2.2 鞋靴产品色彩情感设计的案例分析

采用本研究模型，对时尚板鞋的配色方案进行设计。选择“温暖的”和“清冷的”为感性意象词汇样本，初期收集60张正向感性意象图像，最后筛选出30张(统一风格为插画)，如图2所示。同时选择4张温暖和4张清冷的感性意象图像建立意象看板，如图3所示(右侧4张为温暖，左侧4张为清冷)。

图3 意象看板 (图片来源：大作网)

受试者共50人，包括鞋类设计专业学生20人、专业设计师2人、品牌策划人员3人及普通消费者25人(20～40岁，覆盖不同职业，符合“时尚板鞋”目标用户特征)。采用Adobe Photoshop制作调查问卷图片。受试者先观看意象看板校准认知，再填写问卷，最终分析选取得分最高的10张图像构建感性意象图像数据集，如图4所示。

图4 “温暖”感性意象图像数据集(图片来源：大作网)

将感性意象图像数据集作为输入进行第一次聚类分析，设置聚类数目为4，单张图像聚类结果如图5所示。10张图像依次进行聚类分析，依据提取出的40种色彩构建融合图像如图6。将融合图像作为输入进行第二次聚类分析，设置聚类数目为8，融合图像聚类结果如图7所示，最终得到能够反映感性意象的8种感性意象特征色彩。

图5 单张图像K-means 聚类结果示例

依据提取出的8种感性意象特征色彩进行产品配色。基于“先主色，后辅色”的选色原则，选择(1、2)2种所占比例较大的感性意象特征色彩作为主色，同时选择(3、4)2种在色彩属性和情感表达上相协调的辅色丰富配色方案，最终所选的感性意象特征色彩及其色值见表1。

图6 由40 种色彩构建的融合图像

图7 8 种感性意象特征色彩

将感性意象特征色彩应用于时尚板鞋设计，如图8所示，色块1作为鞋面主色，色块2作为鞋底主色，1(米色)与2(深咖色)明度差为60，色相环距离为10°，属邻近色搭配，增强温暖感;辅色3、4(浅灰蓝、暖橙色)用于品牌标识、鞋舌标签、结构装饰等点缀，与主色形成明度对比，提升视觉焦点，符合“温暖且时尚”的情感定位，最终形成该系列时尚板鞋配色设计。采用语义差分法(5分制，1分完全不符合温暖，5分完全符合温暖)，通过线上问卷了解该系列配色方案的人群满意度。数据显示“温暖情感契合度”平均分为4.7，其中普通消费者评分4.6，专业人士评分4.8，说明配色方案在目标用户群体中具有一致性认同，符合目标用户的感性意象，将主观感知与客观分析相结合的产品色彩设计在鞋靴领域具有一定的实践意义。

3 结语

鞋靴色彩是基于用户对鞋产品的感知评价所形成的具体印象。鞋靴产品色彩情感设计研究整合鞋靴色彩要素、用户情感需求和人工智能技术，将其应用于产品规划、设计、制造及营销过程，实现语言与视觉的交流目标，最终达到鞋靴产品色彩与用户的最佳情感共鸣。基于感性工学相关理论，通过语义差分法实现感性意象词汇量化，将感性词汇变量转化为优选综合变量，选出与感性意象符合度最高的相关图像作为感性意象图像数据集。

运用两次 K-means 聚类从感性意象图像数据集中提取特征色彩，第一次聚类从单张图像中提取，第二次聚类以样本图像第一次聚类提取的若干特征色彩集合为输入提取特征色彩。对色彩设计而言，利用研究方法提取的色彩仅为初步意象，后续需经过局部调整和优化(包括智能算法自动优化与设计师手工调整)方能获得满意方案。

参考文献：

[1]林晨晔. 基于用户体验的产品色彩定向设计方法[J]. 包装工程, 2019, 40(22): 46-49.

[2]林晨晔. 基于感性工学的定量化色彩趋势研究[J]. 包装工程, 2015, 36(18): 70-73.

[3]Man D, Wei D, Chih-chieh Y. Product color design based on multi emotion[J]. Journal of Mechanical Science and Technology, 2013, 27(7): 2079-2084.

[4] Bo W, Yi-shui Z, Ke-ping Y. The effect of eye movements and cultural factors on product color selection[J]. Human-Centric Computing and Information Sciences, 2020, 10(1): 1-14.

[5] Yin-hong H, Jian-lin N, Hong-lei L. An eye-tracking technology and MLP-based color matching design method[J]. Scientific Reports, 2023, 13: 1294.

[6] Shieh M D, Yeh Y E, Huang C L. Eliciting design knowledge from affective responses using rough sets and Kansei engineering system[J]. Journal of Ambient Intelligence and Humanized Computing, 2016, 7(1): 107-120.

[7] Hua-feng Q, Shao-bo L, Jian-jun H. Product innovation design based on deep learning and Kansei engineering[J]. Applied Sciences, 2018, 8(12): 2397.

[8]陈郁, 雷聪聪. 基于K-Means聚类算法的秀场服装用色风格[J]. 服装学报, 2024, 6(3).: 268-273.

[9]苏畅, 付黎明, 魏君. 基于感性工学和主成分分析的车身色彩设计[J]. 吉林大学学报(工学版), 2016, 46(5): 1415-1419.

[10]杨梅, 李晓桐. 城市色彩聚类提取方法介入青岛文创产品开发研究[J]. 包装工程, 2020, 41(24): 262-268