• <tr id="yyy80"></tr>
  • <sup id="yyy80"></sup>
  • <tfoot id="yyy80"><noscript id="yyy80"></noscript></tfoot>
  • 99热精品在线国产_美女午夜性视频免费_国产精品国产高清国产av_av欧美777_自拍偷自拍亚洲精品老妇_亚洲熟女精品中文字幕_www日本黄色视频网_国产精品野战在线观看 ?

    泛化改進(jìn)的局部切空間排列算法

    2014-06-07 05:53:26趙遼英李富杰厲小潤(rùn)
    計(jì)算機(jī)工程 2014年11期
    關(guān)鍵詞:流形訓(xùn)練樣本識(shí)別率

    趙遼英,李富杰,厲小潤(rùn)

    (1.杭州電子科技大學(xué)計(jì)算機(jī)應(yīng)用技術(shù)研究所,杭州310018;2.浙江大學(xué)電氣工程學(xué)院,杭州310027)

    泛化改進(jìn)的局部切空間排列算法

    趙遼英1,李富杰1,厲小潤(rùn)2

    (1.杭州電子科技大學(xué)計(jì)算機(jī)應(yīng)用技術(shù)研究所,杭州310018;2.浙江大學(xué)電氣工程學(xué)院,杭州310027)

    改進(jìn)的局部切空間排列(ILTSA)算法解決了當(dāng)樣本稀疏、分布不均勻或數(shù)據(jù)流密度曲率變化較大時(shí),局部切空間排列算法不能揭示流形結(jié)構(gòu)的問題,用于人臉識(shí)別能提取更好的低維特征,但不能有效處理不斷增加的數(shù)據(jù)集的問題。為此,提出一種可泛化的ILTSA(GILTSA)算法。結(jié)合類別信息定義樣本間的距離實(shí)現(xiàn)各樣本的近鄰集選擇,基于ILTSA算法求解訓(xùn)練樣本集的低維流形,對(duì)每個(gè)新樣本尋找其在訓(xùn)練樣本集中的最近鄰,然后根據(jù)ILTSA算法原理求得其近似低維流形。在ORL、Yale和埃塞克斯大學(xué)人臉庫(kù)上的實(shí)驗(yàn)結(jié)果表明,與主成分分析算法和線性局部切空間排列算法等相比,GILTSA算法具有更好的識(shí)別率。

    流形學(xué)習(xí);局部切空間排列;泛化;特征提取;人臉識(shí)別

    1 概述

    人臉識(shí)別技術(shù)是生物特征鑒別技術(shù)的一個(gè)主要方向,在安全保衛(wèi)、信息安全和司法檢驗(yàn)等領(lǐng)域具有十分重要的意義,多年來(lái)一直是一個(gè)研究熱點(diǎn)。由于人臉是易變的、非剛性的,很難用固定的模型進(jìn)行描述,因此特征提取是人臉識(shí)別技術(shù)中一個(gè)基本而又十分重要的環(huán)節(jié)。

    目前提出的特征提取方法總體上可以分為線性和非線性2類,其中經(jīng)典的線性特征提取算法包括主成分分析(Principal Component Analysis,PCA)[1]、獨(dú)立成分分析(Independent Component Analysis,ICA)[2]和線性描述分析(Linear Discriminant Analysis,LDA)[3]等。這些算法的特點(diǎn)是通過計(jì)算原始空間中存在的線性結(jié)構(gòu)來(lái)獲得原始數(shù)據(jù)的低維表示,容易實(shí)現(xiàn)并得到了廣泛的應(yīng)用,但是并不能揭示潛在的流形結(jié)構(gòu)。近年來(lái)的研究成果表明,人臉圖像很可能位于一個(gè)非線性流形上[4-7],許多有效的流形學(xué)習(xí)算法被發(fā)現(xiàn)并廣泛應(yīng)用。2000年Science雜志同一期發(fā)表的2篇文章分別提出了等距映射(Isometric Mapping,ISOMAP)[8]和局部線性嵌入(Locally Linear Embedding,LLE)[9-10]算法,其中, ISOMAP以測(cè)地線距離表示原始數(shù)據(jù)中的相似性關(guān)系,通過全局映射求得低維流形,LLE則采用局部鄰域的線性重構(gòu)系數(shù)描述其幾何結(jié)構(gòu),求得低維流形保持局部幾何結(jié)構(gòu),是一種局部算法。文獻(xiàn)[11]提出拉普拉斯特征映射(Laplacian Eigenmap,LE),采用一個(gè)無(wú)向有權(quán)圖描述數(shù)據(jù),利用圖拉普拉斯的性質(zhì)把數(shù)據(jù)從高維映射到低維空間。文獻(xiàn)[12-13]提出的局部切空間排列(Local Tangent Space Alignment,LTSA)通過局部空間PCA變換得到局部切空間坐標(biāo);然后經(jīng)過一系列變換將局部切空間坐標(biāo)轉(zhuǎn)換為全局切空間坐標(biāo),得到低維嵌入。LTSA是一種很好的流形學(xué)習(xí)算法,但當(dāng)數(shù)據(jù)是稀疏或者分布不均勻、整個(gè)數(shù)據(jù)流形結(jié)構(gòu)有很大的曲率時(shí), PCA可能會(huì)有一個(gè)壞的結(jié)果,LTSA也就不能真實(shí)地揭示數(shù)據(jù)的本質(zhì)結(jié)構(gòu)。文獻(xiàn)[14]針對(duì)LTSA的問題,提出了改進(jìn)的LTSA(ILTSA)算法,將樣本本身作為局部切空間的中心而不是其k個(gè)近鄰點(diǎn)的均值為中心,并且在局部切空間的目標(biāo)函數(shù)中通過一個(gè)權(quán)值來(lái)反映局部近鄰距離。

    上述這些流形學(xué)習(xí)算法都存在2個(gè)問題,一個(gè)是在k近鄰選擇過程中沒有考慮類別信息,降維后識(shí)別率不高,另一個(gè)最主要的問題是它們都不具有泛化能力,對(duì)新樣本不能進(jìn)行有效的降維處理。解決第一個(gè)問題的辦法主要是在k近鄰選擇中將類別信息結(jié)合到距離度量中,如文獻(xiàn)[15]提出了增強(qiáng)監(jiān)督的LLE(Enhanced Supervised LLE,ESLLE)算法,根據(jù)2個(gè)樣本是否同類定義了不同的距離度量方式。眾多學(xué)者對(duì)第2個(gè)問題進(jìn)行了研究,提出了3類方法,第 1類是線性化方法,如鄰域保護(hù)嵌入(Neighborhood Preserving Embedding,NPE)[16]、局部保局投影(Locality Preserving Projections,LPP)[17]和線性局部切空間排列(Linear Local Tangent Space Alignment,LLTSA)[18]分別是LLE、LE和LTSA對(duì)應(yīng)的線性化方法;第2類是最近鄰近似方法,如文獻(xiàn)[19]研究了LTSA算法的泛化問題,提出了可泛化的LTSA(GLTSA)方法;第3類是圖嵌入方法。圖嵌入為多種降維算法提供了一個(gè)統(tǒng)一框架,每種降維算法可以看作核化的圖嵌入,對(duì)應(yīng)泛化算法的關(guān)鍵是核函數(shù)的確定。文獻(xiàn)[20]對(duì)ISOMAP、LE、 LLE和LTSA等基于圖嵌入框架的核函數(shù)及泛化進(jìn)行了深入研究,其中LTSA的核函數(shù)還需要繼續(xù)驗(yàn)證。本文主要基于最近鄰近似方法,提出了一種可泛化的ILTSA(GILTSA)算法,首先對(duì)訓(xùn)練樣本集用有監(jiān)督的k近鄰選擇方法確定ILTSA算法中各樣本的k近鄰集,然后基于ILTSA算法求解樣本集的低維流形,對(duì)每個(gè)新樣本尋找其在訓(xùn)練樣本集中的最近鄰,然后根據(jù)ILTSA算法原理求得其近似低維流形。

    2 GILTSA算法描述

    GLITSA算法主要分3個(gè)步驟完成,先用有監(jiān)督的方法尋找各樣本的k近鄰,然后基于ILSTA求得訓(xùn)練樣本集的低維流形,最后在訓(xùn)練樣本集中找到新樣本的最近鄰,用最近鄰近似投影方法得當(dāng)新樣本的低維流形。

    2.1 有監(jiān)督的近鄰選擇

    k近鄰選擇首先需要計(jì)算樣本間的距離。為了充分利用樣本數(shù)據(jù)的類別信息,在對(duì)樣本點(diǎn)xi進(jìn)行k近鄰選擇時(shí),利用類別信息修改歐式距離矩陣D,以確定更好的近鄰點(diǎn)。

    對(duì)于一對(duì)數(shù)據(jù)(xi,Li)和(xj,Lj),{xi,yj}∈RD, Li和 Lj分別是 xi和 xj的類別信息,定義如下距離[12]:

    其中,Δ是樣本點(diǎn)xi和xj之間未包含類別信息的歐式距離;參數(shù)β控制距離Δ的增長(zhǎng)速度,通常取β等于所有樣本數(shù)據(jù)中任意兩點(diǎn)間歐式距離的均值。

    給定訓(xùn)練樣本集X=[x1,x2,…,xN],對(duì)每個(gè)樣本,將其與其他樣本間的距離從小到大排序,確定k近鄰。

    2.2 基于ILTSA的訓(xùn)練樣本集低維嵌入

    設(shè)訓(xùn)練樣本xi的k個(gè)近鄰點(diǎn)集合為Xi=[xi1, xi2,…,xik],為了保持每個(gè)樣本點(diǎn)xi在低維空間中的局部結(jié)構(gòu),ILTSA算法[11]通過對(duì)映射距離加權(quán)和以xi作為其近鄰點(diǎn)的局部中心來(lái)減弱樣本點(diǎn)分布不均的影響。構(gòu)造局部嵌入目標(biāo)函數(shù):

    Qi={Qi1,Qi2,…,Qid}是矩陣(iWi)(iWi)T的d個(gè)最大特征值所對(duì)應(yīng)的特征向量,xij在局部切空間的投影為ij=(xij-xi)。設(shè)Y={y1,y2,…, yN}是樣本X=[x1,x2,…,xN]在全局坐標(biāo)系統(tǒng)下的投影結(jié)果,yij是xij在全局坐標(biāo)系統(tǒng)下對(duì)應(yīng)的點(diǎn),yi是xi在全局坐標(biāo)系統(tǒng)下對(duì)應(yīng)的點(diǎn)。假設(shè)在~θij和yij有唯一的仿射變換,則有:

    其中,j=1,2,…,k;i=1,2,…,N;εij表示誤差。

    為了保持在低維特征空間中局部幾何結(jié)構(gòu),需要使得重構(gòu)誤差函數(shù)ε(y)最小:

    再次轉(zhuǎn)化,則式(7)等于:

    通過下式構(gòu)建排列矩陣B:

    B的初始化值為0,Bi={i1,i2,…,ik}表示xi的k個(gè)近鄰在排列矩陣中的索引。

    計(jì)算矩陣B的Fd+1個(gè)最小特征值所對(duì)應(yīng)的特征向量,選擇其中第2小到第Fd+1個(gè)特征值對(duì)應(yīng)的特征向量得到樣本數(shù)據(jù)的低維表示為 Y=[u2, u3,…,uFd]′。

    2.3 新樣本點(diǎn)的最近鄰近似投影

    對(duì)于一個(gè)新的點(diǎn)xn(n>N),找到其在訓(xùn)練樣本集中的最近鄰點(diǎn)xi,設(shè)Xi=[xit,xit+1,…,xik]和Yi=[yit,yit+1,…,yik]分別是xi的k個(gè)近鄰點(diǎn)和它在低維坐標(biāo)空間中相對(duì)應(yīng)的點(diǎn)。根據(jù)ILTSA算法原理可以得到:

    通過最近鄰點(diǎn)xi低維投影點(diǎn)近似得到xn(n>N)對(duì)應(yīng)的低維空間投影點(diǎn):

    3 實(shí)驗(yàn)結(jié)果與分析

    為了評(píng)估GILTSA算法的優(yōu)劣,采用ORL人臉數(shù)據(jù)庫(kù)(http://cvc.yale.endu/projects/yalefaces/yalefaces.html)、Yale人臉數(shù)據(jù)庫(kù)(http://cobweb.ecn.purdue.edu/~aleix/aleix_face_DB.html)和埃塞克斯大學(xué)人臉數(shù)據(jù)庫(kù)(http://cswww.essex.ac.uk/mv/allfaces/),將PCA這種非流形學(xué)習(xí)算法、LLTSA、GLTSA這2種流形學(xué)習(xí)算法、Baseline方法和GILTSA算法進(jìn)行人臉識(shí)別實(shí)驗(yàn)比較,分類算法采用k近鄰分類法(KNearest Neighborhoods,KNN),實(shí)驗(yàn)中k取值為8。由于計(jì)算機(jī)內(nèi)存的限制,這些人臉數(shù)據(jù)庫(kù)中的人臉圖片無(wú)法直接用于實(shí)驗(yàn)。因此,在實(shí)驗(yàn)時(shí)這些圖片被轉(zhuǎn)化為32×32像素的256級(jí)灰度圖片,每一幅圖片在圖像空間中將會(huì)表示成一個(gè)1 024維的向量。Baseline方法對(duì)原始數(shù)據(jù)不做降維處理,直接用于分類。GILTSA、LLTSA和GLTSA的第一步k近鄰選擇都采用監(jiān)督的方法。這3個(gè)方法都有3個(gè)參數(shù)需要確定,分別為近鄰數(shù)k、局部流形維度d和全局流形維度Fd。由于LLTSA、GLTSA、GILTSA算法對(duì)不同的數(shù)據(jù)庫(kù)對(duì)應(yīng)的最佳參數(shù)不同,因此先通過多次實(shí)驗(yàn)確定不同方法對(duì)應(yīng)不同數(shù)據(jù)庫(kù)的相對(duì)最佳參數(shù)。對(duì)每個(gè)人臉數(shù)據(jù)庫(kù),分別做2個(gè)實(shí)驗(yàn):(1)對(duì)于GILTSA、LLTSA、GLTSA算法固定所選擇的近鄰數(shù)k和局部降維維度d,測(cè)試最終降維維度Fd與識(shí)別率Rate的關(guān)系,由于人臉圖像是固定選取的,因此當(dāng)識(shí)別率達(dá)到最大值時(shí)的最終的流形降維維度Fd并不一定會(huì)在隨機(jī)選取的情況下平均識(shí)別率最大,但是可以確定隨機(jī)選取人臉圖像時(shí)使識(shí)別率達(dá)到最大的最終的流形降維維度Fd區(qū)間。本著應(yīng)用的需要,分別實(shí)驗(yàn)在Fd的最佳區(qū)間內(nèi)選取使得各個(gè)算法在隨機(jī)選取圖片的條件下平均識(shí)別率達(dá)到最大時(shí)的參數(shù)來(lái)獲得最佳參數(shù)。(2)相對(duì)最佳參數(shù)下多次實(shí)驗(yàn)的平均識(shí)別率、最小和最大識(shí)別率的比較。另外實(shí)驗(yàn)中的數(shù)據(jù)均無(wú)單位。

    3.1 ORL人臉數(shù)據(jù)庫(kù)實(shí)驗(yàn)結(jié)果與分析

    ORL人臉數(shù)據(jù)庫(kù)共由40個(gè)不同的人臉部圖像組成,每個(gè)人包含10幅圖像,每幅圖像的大小為112×92像素,每幅人臉的光照條件、人臉表情、面部細(xì)節(jié)各不相同,但是背景相同。圖1給出了ORL數(shù)據(jù)庫(kù)中某人的10副圖像。

    圖1 ORL數(shù)據(jù)庫(kù)樣本示例

    分別對(duì)每個(gè)人選取3個(gè)、5個(gè)訓(xùn)練樣本,余下的作為測(cè)試樣本,設(shè)置近鄰數(shù)參數(shù)k=10,局部流形維度d=3的情況下識(shí)別率Rate和全局子空間維度Fd的關(guān)系如圖2所示。從圖2(a)中可以看到,當(dāng)每個(gè)人選取3個(gè)訓(xùn)練樣本時(shí),對(duì)于PCA算法,當(dāng)全局子空間維度逐步增大時(shí)識(shí)別率不斷增大,在Fd=15左右趨于平緩,雖然仍然有浮動(dòng),但是變化不大,平均識(shí)別率在0.7左右。對(duì)于GILTSA、LLTSA、GLTSA算法,可以看到在Fd=35~60之間,平均識(shí)別率達(dá)到最高值為0.75左右,但是在Fd>60時(shí),識(shí)別率不斷下降,因此對(duì)于GILTSA、LLTSA、GLTSA更高的降維維度并不會(huì)增大識(shí)別率。這一點(diǎn)從圖2(b)中也可以看到。

    在選取合適的參數(shù)使LLTSA、GILTSA、GLTSA、PCA算法達(dá)到最大識(shí)別率的條件下,對(duì)于不同人臉隨機(jī)選取3個(gè)、5個(gè)訓(xùn)練樣本做79次人臉識(shí)別,其中,最佳識(shí)別率,平均識(shí)別率和最小識(shí)別率如表1所示,括號(hào)中為全局子空間維度。從表1可以看到,相對(duì)于PCA、LLTSA、GLTSA、GILTSA算法,GILTSA算法在選取3個(gè)訓(xùn)練樣本和5個(gè)訓(xùn)練樣本時(shí)最小識(shí)別率、平均識(shí)別率和最大識(shí)別率都要高一些。

    圖2 識(shí)別率與子空間維度的關(guān)系(ORL)

    表1 ORL人臉庫(kù)5種算法的識(shí)別率比較

    3.2 Yale人臉數(shù)據(jù)庫(kù)實(shí)驗(yàn)結(jié)果與分析

    由耶魯大學(xué)計(jì)算機(jī)視覺與控制中心創(chuàng)建,包含15位志愿者的165幅灰度圖片,每個(gè)人11幅圖片。每個(gè)人的11圖片中包含戴眼鏡、不戴眼鏡、左邊亮、右邊亮、正常表情、悲傷、驚訝、疲勞和眨眼等變化。圖3展示了其中一個(gè)人的所有圖片。

    圖3 Yale數(shù)據(jù)庫(kù)樣本示例

    同樣做2個(gè)實(shí)驗(yàn)。分別對(duì)每個(gè)人選取3個(gè)、5個(gè)訓(xùn)練樣本,余下的作為測(cè)試樣本,設(shè)置近鄰數(shù)參數(shù)k=11,局部流形維度d=4的情況下識(shí)別率Rate和全局流形維度Fd的關(guān)系如圖4所示。從圖4(a)中可以看到,當(dāng)每個(gè)人選取3個(gè)訓(xùn)練樣本時(shí),對(duì)于PCA算法,當(dāng)最終降維維度逐步增大時(shí),識(shí)別率不斷增大,在Fd=10左右趨于平緩,雖然仍然有浮動(dòng),但是變化不大,平均識(shí)別率在0.5左右。對(duì)于GILTSA、LLTSA、GLTSA算法,可以看到在Fd=6~25之間平均識(shí)別率達(dá)到最高值為0.65左右,但是在Fd>25時(shí),GILTSA和GLTSA算法識(shí)別率不斷下降,LLTSA算法變化不大。從圖4(b)中可以看到,GILTSA、LLTSA、GLTSA算法在Fd=23~35是識(shí)別率達(dá)到最大為0.90左右。

    在選取使LLTSA、GILTSA、GLTSA、PCA算法達(dá)到最大識(shí)別率參數(shù)的條件下,分別79次對(duì)于不同人臉隨機(jī)選取3個(gè)訓(xùn)練樣本、8個(gè)測(cè)試樣本和5個(gè)訓(xùn)練樣本、6個(gè)測(cè)試樣本,其中,最佳識(shí)別率,平均識(shí)別率和最小識(shí)別率如表2所示。從表2中可以看到,在隨機(jī)選取3個(gè)訓(xùn)練樣本、8個(gè)測(cè)試樣本時(shí),GILTSA算法與其他算法相比較,平均識(shí)別率、最大識(shí)別率、最小識(shí)別率相對(duì)都要大。在隨機(jī)選取5個(gè)訓(xùn)練樣本、6個(gè)測(cè)試樣本時(shí)GILTSA算法,最大識(shí)別率要小于GLTSA和LLTSA算法,但是大于PCA算法,最小識(shí)別率要大于其他算法。因此,可以說明GILTSA算法相對(duì)于其他算法穩(wěn)定性更好。

    圖4 識(shí)別率與降維維度的關(guān)系(Yale)

    表2 Yale人臉庫(kù)5種算法識(shí)別率的比較

    3.3 埃塞克斯大學(xué)人臉數(shù)據(jù)庫(kù)實(shí)驗(yàn)結(jié)果與分析

    由埃塞克斯大學(xué)的 Libor Spacek博士主持設(shè)計(jì),整個(gè)人臉庫(kù)包含 faces94、faces95、faces96、grimace等5個(gè)部分。選取其中的grimace人臉庫(kù), grimace人臉庫(kù)包含18人,分為男性、女性2個(gè)部分,每人20幅圖片。每幅圖片的大小為118×200像素。圖像的亮度變化較小。圖像中人臉的傾斜度、角度和姿勢(shì)變化比較微小。主要是嘴部和表情的變化。實(shí)驗(yàn)中選取其中18人,每人選取20幅圖像。圖5展示了其中一個(gè)人的所有圖片。

    圖5 grimace數(shù)據(jù)庫(kù)部分樣本示例

    圖6顯示了分別對(duì)每個(gè)人選取3個(gè)、5個(gè)訓(xùn)練樣本,余下的作為測(cè)試樣本設(shè)置近鄰數(shù)參數(shù)k=12、局部流形維度d=3的情況下識(shí)別率Rate和全局子空間維度Fd關(guān)系。從圖6(a)中可以看到,當(dāng)每個(gè)人選取3個(gè)訓(xùn)練樣本時(shí),對(duì)于PCA算法,當(dāng)全局子空間維度逐步增大時(shí)識(shí)別率不斷增大,在Fd=10左右趨于平緩,雖然仍然有浮動(dòng),但是變化不大,平均識(shí)別率在0.6左右。對(duì)于GILTSA、LLTSA、GLTSA算法,可以看到在Fd=15~25之間平均識(shí)別率達(dá)到最高值為0.85左右,但是在Fd>30時(shí),識(shí)別率不斷下降,因此對(duì)于GILTSA、LLTSA、GLTSA更高的降維維度并不會(huì)增大識(shí)別率。這一點(diǎn)從圖6(b)中也可以看到。

    選取使LLTSA、GILTSA、GLTSA、PCA算法達(dá)到最大識(shí)別率的參數(shù)的條件下,分別79次對(duì)于不同人臉隨機(jī)選取3個(gè)訓(xùn)練樣本、17個(gè)測(cè)試樣本和5個(gè)訓(xùn)練樣本、15個(gè)測(cè)試樣本,其中,最佳識(shí)別率,平均識(shí)別率和最小識(shí)別率如表3所示。從表3中可以看到,隨機(jī)選取3個(gè)訓(xùn)練樣本、17個(gè)測(cè)試樣本和5個(gè)訓(xùn)練樣本、15個(gè)測(cè)試樣本時(shí),GILTSA算法相對(duì)于其他算法,最佳識(shí)別率、平均識(shí)別率和最小識(shí)別率相對(duì)要更高一些。

    圖6 識(shí)別率與降維維度的關(guān)系(grimace)

    表3 grimace人臉庫(kù)5種算法識(shí)別率的比較

    4 結(jié)束語(yǔ)

    本文主要研究ILTSA算法的泛化問題,提出了一種基于最近鄰近似投影的可泛化ILTSA算法,并用于人臉識(shí)別。GILTSA算法與ILTSA算法相比。該算法改進(jìn)的地方主要有以下2點(diǎn):(1)結(jié)合類別信息定義樣本間的距離實(shí)現(xiàn)各樣本的近鄰集選擇; (2)對(duì)每個(gè)新樣本尋找其在訓(xùn)練樣本集中的最近鄰,然后根據(jù)ILTSA算法原理求得其近似低維流形。在ORL、Yale和埃塞克斯大學(xué)人臉庫(kù)上的實(shí)驗(yàn)結(jié)果表明,GILTSA方法與其他方法相比,具有更好的識(shí)別率。

    在實(shí)驗(yàn)的過程中發(fā)現(xiàn):(1)GILTSA、GLTSA和LLTSA算法在求局部切空間的坐標(biāo)時(shí)對(duì)于近鄰點(diǎn)的排列要求很高,不同的排列方式所得到的最終識(shí)別率變化較大。(2)在Yale人臉數(shù)據(jù)庫(kù)和ORL人臉數(shù)據(jù)庫(kù)和埃塞克斯大學(xué)人臉數(shù)據(jù)庫(kù)的實(shí)驗(yàn)結(jié)果對(duì)比中可以看出Yale人臉數(shù)據(jù)庫(kù)的結(jié)果相對(duì)于ORL人臉數(shù)據(jù)庫(kù)和埃塞克斯大學(xué)人臉數(shù)據(jù)庫(kù)的實(shí)驗(yàn)結(jié)果要差一些。根據(jù)Yale人臉數(shù)據(jù)庫(kù)中人臉圖像存在亮度變化,因此推斷GILTSA算法對(duì)于亮度的變化比較敏感,但是其真實(shí)性還需要其他存在亮度變化的人臉數(shù)據(jù)庫(kù)驗(yàn)證。(3)在實(shí)驗(yàn)中,根據(jù)經(jīng)驗(yàn)固定了近鄰數(shù)參數(shù)和局部流形維度,但是兩者之間大幅度變化對(duì)于結(jié)果的影響還沒有驗(yàn)證。所以在接下來(lái)的工作中計(jì)劃:(1)驗(yàn)證光照是否對(duì)于ILTSA算法結(jié)果影響過大;(2)近鄰數(shù)參數(shù)和局部流形維度的最佳選擇。

    [1] Jolliffe I.Principal Component Analysis[M].[S.l.]: John Wiley&Sons,Ltd.,2005.

    [2] Comon P.Independent Component Analysis,a New Concept[J].Signal Processing,1994,36(3):287-314.

    [3] Duda R O,Hart P E,Stork D G.Pattern Classification[M].[S.l.]:John Wiley&Sons,Ltd.,2012.

    [4] Seung H S,Lee D D.The Manifold Ways of Perception[J].Science,2000,290(5500):2268-2269.

    [5] Shashua A,Levin A,Avidan S.Manifold Pursuit:A New Approach to Appearance Based Recognition[C]// Proceedings of the 16th International Conference on Pattern Recognition.[S.l.]:IEEE Press,2002:590-594.

    [6] Wong E K,Chen M.A New Robust Algorithm for Video Text Extraction[J].Pattern Recognition,2003,36 (6):1397-1406.

    [7] 朱明旱.基于流形學(xué)習(xí)的人臉表情識(shí)別研究[D].長(zhǎng)沙:中南大學(xué),2009.

    [8] Tenenbaum J B,de Silva V,Langford J C.A Global Geometric Framework for Nonlinear Dimensionality Reduction[J].Science,2000,290(5500):2319-2323.

    [9] Roweis S T,SaulL K.Nonlinear Dimensionality Reduction by Locally Linear Embedding[J].Science, 2000,290(5500):2323-2326.

    [10] 譚 璐.高維數(shù)據(jù)的降維理論及應(yīng)用[D].長(zhǎng)沙:國(guó)防科學(xué)技術(shù)大學(xué),2005.

    [11] Belkin M,Niyogi P.Laplacian Eigenmaps for Dimensionality Reduction and Data Representation[J].Neural Computation,2003,15(6):1373-1396.

    [12] Zhang Zhenyue,Zhang Hongyuan.Principal Manifolds and Nonlinear Dimension Reduction via Local Tangent Space Alignment[J].SIAM Journal on Scientific Computing, 2002,26(1):313-338.

    [13] 王建忠.高維數(shù)據(jù)幾何結(jié)構(gòu)及降維[M].北京:高等教育出版社,2012.

    [14] Zhang Peng,Qiao Hong,Zhang Bo.An Improved Local Tangent Space Alignment Method for Manifold Learning[J].Pattern Recognition Letters,2011,32(2):181-189.

    [15] Zhang Shiqing.Enhanced Supervised Locally Linear Embedding[J].Pattern Recognition Letters,2009,30(13): 1208-1218.

    [16] He Xiaofei.Neighborhood Preserving Embedding[C]// Proceedings of the 10th IEEE International Conference on ComputerVision.[S.l.]:IEEE Press,2005: 1208-1213.

    [17] He Xiaofei,Niyogi P.Locality Preserving Projections[EB/OL].(2004-12-23).http://people.cs.uchicago.edu/~xiaofei/LPP.html.

    [18] Zhang Tianhao,Yang Jie,Zhao Deli,et al.Linear Local TangentSpace Alignmentand Application to Face Recognition[J].Neurocomputing,2007,70(7):1547-1553.

    [19] Li Hongyu,Li Teng,Chen Wenbin,et al.Supervised Learning on LocalTangentSpace[M].Berlin, Germany:Springer,2005.

    [20] Yang Yi,Nie Feiping,Xiang Shiming,et al.Local and Global Regressive Mapping for Manifold Learning with Out-of-sample Extrapolation[C]//Proceedings of the 24th AAAI Conference on Artificial Intelligence and the 22nd Innovative Applications of Artificial Intelligence Conference.[S.l.]:American Association for Artificial Intelligence Press,2010:649-654.

    編輯 任吉慧

    Local Tangent Space Alignment Algorithm of Generalized Improvement

    ZHAO Liaoying1,LI Fujie1,LI Xiaorun2
    (1.Institute of Computer Application Technology,Hangzhou Dianzi University,Hangzhou 310018,China;
    2.College of Electrical Engineering,Zhejiang University,Hangzhou 310027,China)

    The Improved Local Tangent Space Alignment(ILTSA)can obtain better low dimension feature for face recognition because it can efficiently recover the problem that the Local Tangent Space Alignment(LISA)fails to reveal the manifold structure in the case when data are sparse or non-uniformly distribute or when the data manifold has large curvatures.To solve the problem that the ILTSA cannot efficiently handle ever-increasing data set,this paper presents a Generalization method for the ILTSA(GILTSA).The nearest neighborhood set is obtained based on the distance defined according to the classes of the samples,then the low manifold of the training set is implemented using the ILTSA.Through finding the nearest sample in the training set,and the low manifold of a new sample is approximately calculated by the projection of its nearest sample.Experimental results on the ORL,the Yale and the University of Essex face image database indicate that the proposed GILTSA method increases the overall accuracy compared with Principal Component Analysis(PCA)and Linear Local Tangent Space Alignment(LLTSA)algorithm etc.

    manifold learning;Local Tangent Space Alignment(LTSA);generalization;feature extraction;face recognition

    1000-3428(2014)11-0160-07

    A

    TP18

    10.3969/j.issn.1000-3428.2014.11.032

    國(guó)家自然科學(xué)基金資助項(xiàng)目(61171152);浙江省自然科學(xué)基金資助項(xiàng)目(LY13F020044)。

    趙遼英(1970-),女,教授、博士,主研方向:模式識(shí)別,遙感圖像分析;李富杰,碩士研究生;厲小潤(rùn),研究員、博士。

    2013-11-11

    2013-12-13E-mail:690789991@qq.com

    中文引用格式:趙遼英,李富杰,厲小潤(rùn).泛化改進(jìn)的局部切空間排列算法[J].計(jì)算機(jī)工程,2014,40(11):160-166.

    英文引用格式:Zhao Liaoying,Li Fujie,Li Xiaorun.Local Tangent Space Alignment Algorithm of Generalized Improvement[J].Computer Engineering,2014,40(11):160-166.

    猜你喜歡
    流形訓(xùn)練樣本識(shí)別率
    緊流形上的Schr?dinger算子的譜間隙估計(jì)
    基于類圖像處理與向量化的大數(shù)據(jù)腳本攻擊智能檢測(cè)
    人工智能
    迷向表示分為6個(gè)不可約直和的旗流形上不變愛因斯坦度量
    基于真耳分析的助聽器配戴者言語(yǔ)可懂度指數(shù)與言語(yǔ)識(shí)別率的關(guān)系
    Nearly Kaehler流形S3×S3上的切觸拉格朗日子流形
    提升高速公路MTC二次抓拍車牌識(shí)別率方案研究
    寬帶光譜成像系統(tǒng)最優(yōu)訓(xùn)練樣本選擇方法研究
    融合原始樣本和虛擬樣本的人臉識(shí)別算法
    基于稀疏重構(gòu)的機(jī)載雷達(dá)訓(xùn)練樣本挑選方法
    av视频在线观看入口| 免费大片18禁| 久99久视频精品免费| 又爽又黄a免费视频| 久久久久国产网址| avwww免费| 噜噜噜噜噜久久久久久91| 亚洲精品国产av成人精品 | 亚洲18禁久久av| videossex国产| 麻豆av噜噜一区二区三区| 欧美潮喷喷水| 我的老师免费观看完整版| avwww免费| 女生性感内裤真人,穿戴方法视频| 99国产精品一区二区蜜桃av| 久久精品夜色国产| 在线播放国产精品三级| 久久亚洲国产成人精品v| 国产精品1区2区在线观看.| 国产av在哪里看| 高清日韩中文字幕在线| 精品免费久久久久久久清纯| 亚洲国产精品成人久久小说 | 日韩三级伦理在线观看| 亚洲最大成人av| 欧美成人一区二区免费高清观看| 日韩 亚洲 欧美在线| 99热这里只有精品一区| 人妻丰满熟妇av一区二区三区| 两性午夜刺激爽爽歪歪视频在线观看| 黄色配什么色好看| 亚洲色图av天堂| 国产精品久久久久久久电影| 长腿黑丝高跟| 麻豆成人午夜福利视频| 少妇的逼水好多| 亚洲国产高清在线一区二区三| www.色视频.com| 一个人观看的视频www高清免费观看| 少妇熟女欧美另类| 国产午夜精品论理片| av中文乱码字幕在线| 日韩强制内射视频| 欧美丝袜亚洲另类| 两性午夜刺激爽爽歪歪视频在线观看| 看非洲黑人一级黄片| 亚洲七黄色美女视频| 干丝袜人妻中文字幕| av在线亚洲专区| 亚洲精品一区av在线观看| 舔av片在线| 久久精品国产亚洲网站| 国产精品不卡视频一区二区| 色在线成人网| 一个人观看的视频www高清免费观看| 中文字幕免费在线视频6| 久久久久国产网址| 欧美bdsm另类| 亚洲欧美清纯卡通| 看片在线看免费视频| 老熟妇仑乱视频hdxx| АⅤ资源中文在线天堂| 少妇熟女欧美另类| 99久久九九国产精品国产免费| 日韩中字成人| 插阴视频在线观看视频| 99久久精品一区二区三区| 国产女主播在线喷水免费视频网站 | 亚洲av.av天堂| 97热精品久久久久久| 国产乱人偷精品视频| 日本成人三级电影网站| 美女黄网站色视频| 一进一出抽搐动态| 亚洲最大成人中文| 99热网站在线观看| 亚洲成人久久爱视频| 成人综合一区亚洲| 日产精品乱码卡一卡2卡三| 欧美性猛交黑人性爽| 少妇熟女欧美另类| 亚洲av五月六月丁香网| 国产精品人妻久久久影院| 日韩亚洲欧美综合| 日韩一区二区视频免费看| 国产爱豆传媒在线观看| 麻豆国产97在线/欧美| 亚洲成人久久爱视频| 国产精品人妻久久久久久| 午夜影院日韩av| 国产精品女同一区二区软件| 亚洲人成网站在线播| 国语自产精品视频在线第100页| 丰满的人妻完整版| 亚洲av免费高清在线观看| 久久久a久久爽久久v久久| 国产精品亚洲一级av第二区| 亚洲熟妇熟女久久| 精品无人区乱码1区二区| 在线播放无遮挡| 精品人妻视频免费看| 日本爱情动作片www.在线观看 | 久久中文看片网| 最近在线观看免费完整版| 99精品在免费线老司机午夜| 亚洲真实伦在线观看| 综合色丁香网| 日韩欧美国产在线观看| 亚洲激情五月婷婷啪啪| 久久6这里有精品| 久久精品国产亚洲av天美| 成人亚洲欧美一区二区av| 久久99热这里只有精品18| 亚洲最大成人手机在线| 日韩成人伦理影院| 久久精品国产清高在天天线| 国产精品美女特级片免费视频播放器| 免费看光身美女| 亚洲美女视频黄频| 可以在线观看的亚洲视频| 亚洲无线观看免费| 91麻豆精品激情在线观看国产| 免费观看的影片在线观看| 日日摸夜夜添夜夜添小说| 欧美又色又爽又黄视频| 六月丁香七月| 麻豆一二三区av精品| 日韩av不卡免费在线播放| 一级毛片久久久久久久久女| 国产又黄又爽又无遮挡在线| 成人毛片a级毛片在线播放| 国产一区二区激情短视频| 韩国av在线不卡| 可以在线观看毛片的网站| av.在线天堂| 菩萨蛮人人尽说江南好唐韦庄 | 亚洲av五月六月丁香网| 午夜a级毛片| 国产成人a∨麻豆精品| 麻豆av噜噜一区二区三区| 在线播放无遮挡| 亚洲精品亚洲一区二区| 亚洲一级一片aⅴ在线观看| 我要搜黄色片| 淫妇啪啪啪对白视频| 欧美+亚洲+日韩+国产| 搡老妇女老女人老熟妇| 大又大粗又爽又黄少妇毛片口| 久久久午夜欧美精品| 精品免费久久久久久久清纯| 亚洲三级黄色毛片| 少妇丰满av| 久久九九热精品免费| 18+在线观看网站| 看非洲黑人一级黄片| 日本一二三区视频观看| 在线播放无遮挡| 成人国产麻豆网| 久久九九热精品免费| 91在线观看av| 久久精品国产清高在天天线| 亚洲一区高清亚洲精品| 国产极品精品免费视频能看的| 丰满乱子伦码专区| 久久久久久久久久久丰满| 亚洲一区二区三区色噜噜| 国产精品精品国产色婷婷| 亚洲av不卡在线观看| 亚洲第一区二区三区不卡| 亚洲精品国产成人久久av| 成人亚洲精品av一区二区| 你懂的网址亚洲精品在线观看 | 亚洲国产欧洲综合997久久,| 美女 人体艺术 gogo| 少妇熟女aⅴ在线视频| 日韩三级伦理在线观看| 人人妻人人澡欧美一区二区| 亚洲国产精品成人综合色| 亚洲av成人精品一区久久| 日产精品乱码卡一卡2卡三| 六月丁香七月| 国产成人一区二区在线| 国产亚洲91精品色在线| 校园春色视频在线观看| 不卡一级毛片| 久久韩国三级中文字幕| 18+在线观看网站| 九九久久精品国产亚洲av麻豆| 国产淫片久久久久久久久| 国产伦一二天堂av在线观看| АⅤ资源中文在线天堂| 亚洲国产精品国产精品| 日韩欧美精品v在线| 亚洲精品久久国产高清桃花| 国产成人freesex在线 | 又黄又爽又免费观看的视频| 欧美一区二区国产精品久久精品| 久久久a久久爽久久v久久| 蜜臀久久99精品久久宅男| 国产精品久久视频播放| 国产探花极品一区二区| 男女边吃奶边做爰视频| 精品午夜福利视频在线观看一区| 久久久久性生活片| 国产探花极品一区二区| 亚洲精品国产成人久久av| 直男gayav资源| 久久欧美精品欧美久久欧美| 久久午夜亚洲精品久久| 国产黄片美女视频| 我要搜黄色片| 国产激情偷乱视频一区二区| 99久久中文字幕三级久久日本| 亚洲成a人片在线一区二区| 精品不卡国产一区二区三区| 成人午夜高清在线视频| 成人欧美大片| 久久这里只有精品中国| 99久国产av精品| 久久精品91蜜桃| 美女xxoo啪啪120秒动态图| 精品人妻一区二区三区麻豆 | 精品人妻熟女av久视频| 看十八女毛片水多多多| 一个人免费在线观看电影| 亚洲人成网站高清观看| 九九久久精品国产亚洲av麻豆| 中文字幕精品亚洲无线码一区| 人人妻人人澡人人爽人人夜夜 | 欧美最黄视频在线播放免费| 精品国产三级普通话版| 成人二区视频| 国内少妇人妻偷人精品xxx网站| 69av精品久久久久久| 国产激情偷乱视频一区二区| 日日撸夜夜添| 99热这里只有精品一区| 日本五十路高清| 禁无遮挡网站| 亚洲专区国产一区二区| 两个人视频免费观看高清| 可以在线观看毛片的网站| 男女做爰动态图高潮gif福利片| 久久人人爽人人片av| 欧美日韩综合久久久久久| 久久久精品欧美日韩精品| 又黄又爽又刺激的免费视频.| 村上凉子中文字幕在线| 亚洲av免费高清在线观看| 国内精品一区二区在线观看| 免费观看人在逋| 成人欧美大片| 亚洲av成人av| 别揉我奶头 嗯啊视频| av在线观看视频网站免费| 午夜精品在线福利| 全区人妻精品视频| 美女内射精品一级片tv| 免费看光身美女| 色综合站精品国产| 青春草视频在线免费观看| 久久精品国产亚洲av香蕉五月| 日韩 亚洲 欧美在线| 熟女电影av网| 嫩草影院入口| 婷婷亚洲欧美| 成人午夜高清在线视频| 久久精品国产亚洲av涩爱 | 国产麻豆成人av免费视频| 小说图片视频综合网站| 国产精品久久久久久av不卡| 亚洲欧美日韩东京热| 国产精品三级大全| 乱码一卡2卡4卡精品| 美女免费视频网站| 干丝袜人妻中文字幕| 精品人妻偷拍中文字幕| 亚洲国产精品成人久久小说 | 菩萨蛮人人尽说江南好唐韦庄 | 91久久精品国产一区二区成人| 国产在线男女| 亚洲精品粉嫩美女一区| 联通29元200g的流量卡| 国产高清视频在线观看网站| 在线播放国产精品三级| 欧美日韩精品成人综合77777| 国产麻豆成人av免费视频| 亚洲第一区二区三区不卡| av卡一久久| 日日摸夜夜添夜夜添av毛片| 综合色av麻豆| 少妇的逼水好多| 长腿黑丝高跟| av在线老鸭窝| 色吧在线观看| 亚洲不卡免费看| 搡老岳熟女国产| 99热全是精品| 波多野结衣高清无吗| 99在线视频只有这里精品首页| 成人亚洲欧美一区二区av| 亚洲av熟女| 成人永久免费在线观看视频| av在线天堂中文字幕| 成人一区二区视频在线观看| 久久精品影院6| 国产aⅴ精品一区二区三区波| 五月伊人婷婷丁香| 91精品国产九色| 亚洲精品一区av在线观看| 国产成人aa在线观看| 日本-黄色视频高清免费观看| 亚洲高清免费不卡视频| 亚洲专区国产一区二区| 午夜福利在线观看吧| 少妇高潮的动态图| 两个人视频免费观看高清| 91狼人影院| 欧美性猛交黑人性爽| 99热精品在线国产| 女生性感内裤真人,穿戴方法视频| 国产高清三级在线| 国产精品人妻久久久影院| 一本精品99久久精品77| 免费电影在线观看免费观看| 男女那种视频在线观看| 丰满人妻一区二区三区视频av| 久久精品国产鲁丝片午夜精品| 国产一区二区在线观看日韩| 亚洲av电影不卡..在线观看| 久久亚洲精品不卡| 亚洲图色成人| 国产精品一及| 国产色爽女视频免费观看| 亚洲综合色惰| 十八禁国产超污无遮挡网站| 99热只有精品国产| 成人美女网站在线观看视频| 哪里可以看免费的av片| 亚洲丝袜综合中文字幕| 精品不卡国产一区二区三区| 高清毛片免费观看视频网站| av.在线天堂| 亚洲va在线va天堂va国产| 亚洲精品一卡2卡三卡4卡5卡| 91久久精品国产一区二区成人| 人妻制服诱惑在线中文字幕| 丝袜美腿在线中文| 免费av不卡在线播放| 卡戴珊不雅视频在线播放| 国产成人freesex在线 | 免费在线观看影片大全网站| 别揉我奶头~嗯~啊~动态视频| 精品熟女少妇av免费看| 午夜精品在线福利| 老熟妇仑乱视频hdxx| 亚洲国产色片| 97碰自拍视频| 日本黄色片子视频| 国产 一区精品| 午夜激情欧美在线| 亚洲精品一区av在线观看| 麻豆乱淫一区二区| 人人妻人人澡欧美一区二区| 91精品国产九色| 亚洲精品成人久久久久久| 干丝袜人妻中文字幕| 国产午夜精品久久久久久一区二区三区 | 大又大粗又爽又黄少妇毛片口| 精品午夜福利在线看| 亚洲人成网站高清观看| 国产黄a三级三级三级人| av专区在线播放| 国产精品三级大全| 亚洲成av人片在线播放无| 国产精品爽爽va在线观看网站| 日韩欧美在线乱码| 亚洲av一区综合| 内射极品少妇av片p| 一个人免费在线观看电影| 不卡视频在线观看欧美| 亚洲aⅴ乱码一区二区在线播放| 日韩精品中文字幕看吧| 成人无遮挡网站| 女同久久另类99精品国产91| 免费观看的影片在线观看| 精品一区二区三区视频在线观看免费| 国产人妻一区二区三区在| 久久精品人妻少妇| 国产亚洲欧美98| 亚洲国产精品sss在线观看| 久久久国产成人精品二区| av在线观看视频网站免费| 啦啦啦啦在线视频资源| 日韩精品有码人妻一区| 老女人水多毛片| 亚州av有码| 国内精品久久久久精免费| 国产男人的电影天堂91| 99久久精品一区二区三区| 日韩强制内射视频| 亚洲欧美日韩东京热| 少妇猛男粗大的猛烈进出视频 | 日韩三级伦理在线观看| 国产精品野战在线观看| 一级毛片久久久久久久久女| 成年版毛片免费区| 男人的好看免费观看在线视频| 精品熟女少妇av免费看| 日韩 亚洲 欧美在线| av中文乱码字幕在线| 成年女人毛片免费观看观看9| 黄片wwwwww| 欧美高清性xxxxhd video| 亚洲综合色惰| 一级毛片aaaaaa免费看小| a级毛片a级免费在线| 天堂av国产一区二区熟女人妻| 舔av片在线| 不卡视频在线观看欧美| 成人无遮挡网站| 不卡一级毛片| 久久人人爽人人片av| 成人三级黄色视频| 国产精品永久免费网站| 国产高清视频在线观看网站| 欧美高清成人免费视频www| 日本免费a在线| 亚洲国产精品合色在线| 99riav亚洲国产免费| 寂寞人妻少妇视频99o| 最近2019中文字幕mv第一页| 成人三级黄色视频| 天堂影院成人在线观看| 女生性感内裤真人,穿戴方法视频| 亚洲成av人片在线播放无| 精品免费久久久久久久清纯| 国产老妇女一区| 国内精品宾馆在线| 亚洲精品亚洲一区二区| 亚洲av不卡在线观看| 久久久久久伊人网av| 大又大粗又爽又黄少妇毛片口| 欧美性猛交黑人性爽| 欧美绝顶高潮抽搐喷水| 一级毛片我不卡| 三级国产精品欧美在线观看| 三级毛片av免费| 亚洲成人精品中文字幕电影| 亚洲久久久久久中文字幕| 免费不卡的大黄色大毛片视频在线观看 | 精品一区二区免费观看| 99精品在免费线老司机午夜| 少妇裸体淫交视频免费看高清| 网址你懂的国产日韩在线| 男插女下体视频免费在线播放| 成人av一区二区三区在线看| 最新在线观看一区二区三区| 精品一区二区免费观看| 国产伦精品一区二区三区四那| 偷拍熟女少妇极品色| 国产白丝娇喘喷水9色精品| 中国美女看黄片| 国产高清视频在线播放一区| 国产一区二区在线av高清观看| 国内精品久久久久精免费| 国产一区二区三区在线臀色熟女| 色综合色国产| 亚洲最大成人手机在线| 此物有八面人人有两片| 亚洲av不卡在线观看| 精品乱码久久久久久99久播| 亚洲人成网站在线观看播放| 69人妻影院| 插逼视频在线观看| 少妇熟女欧美另类| 婷婷六月久久综合丁香| 国产伦精品一区二区三区四那| 少妇裸体淫交视频免费看高清| .国产精品久久| 在线免费十八禁| 日本与韩国留学比较| 久久99热6这里只有精品| 人人妻,人人澡人人爽秒播| 日本黄色片子视频| 亚洲av.av天堂| 十八禁国产超污无遮挡网站| 国产一区亚洲一区在线观看| 99热精品在线国产| 国产高清有码在线观看视频| 国产午夜福利久久久久久| 日本撒尿小便嘘嘘汇集6| 午夜a级毛片| 亚洲在线观看片| 国产精品日韩av在线免费观看| 亚洲最大成人中文| 日韩亚洲欧美综合| 97人妻精品一区二区三区麻豆| 国产综合懂色| 变态另类丝袜制服| 不卡视频在线观看欧美| 欧美成人一区二区免费高清观看| 久久久久久九九精品二区国产| 国产v大片淫在线免费观看| 久久久久久久久久黄片| 国产伦在线观看视频一区| 欧美xxxx黑人xx丫x性爽| 大型黄色视频在线免费观看| 亚洲美女搞黄在线观看 | 伊人久久精品亚洲午夜| 亚洲最大成人手机在线| 亚洲欧美日韩无卡精品| 亚洲在线自拍视频| 男女之事视频高清在线观看| 寂寞人妻少妇视频99o| 久久久国产成人精品二区| 国产精品免费一区二区三区在线| 亚洲无线观看免费| 国产精华一区二区三区| 村上凉子中文字幕在线| 亚洲av成人精品一区久久| 我要搜黄色片| 国产极品精品免费视频能看的| 欧美3d第一页| 国产成年人精品一区二区| 国产午夜精品论理片| 性色avwww在线观看| 蜜臀久久99精品久久宅男| 亚洲国产精品国产精品| 久久久精品欧美日韩精品| 日本成人三级电影网站| 国产精品一二三区在线看| av免费在线看不卡| av在线亚洲专区| 国产精华一区二区三区| 久久国产乱子免费精品| 国产色婷婷99| 91在线精品国自产拍蜜月| 悠悠久久av| 亚洲人成网站在线播| 国产精品久久电影中文字幕| 亚洲美女视频黄频| 中文字幕人妻熟人妻熟丝袜美| 国产一区亚洲一区在线观看| 99久久精品一区二区三区| 欧美日韩乱码在线| 不卡一级毛片| 成人亚洲精品av一区二区| 国产精品三级大全| 欧美最新免费一区二区三区| 日本撒尿小便嘘嘘汇集6| 国产精品免费一区二区三区在线| 亚洲,欧美,日韩| 精品欧美国产一区二区三| 亚洲精品日韩av片在线观看| 亚洲在线自拍视频| 岛国在线免费视频观看| 在线观看av片永久免费下载| 欧洲精品卡2卡3卡4卡5卡区| 中文字幕熟女人妻在线| 中文亚洲av片在线观看爽| 成人二区视频| 变态另类丝袜制服| 人人妻人人澡人人爽人人夜夜 | 日韩欧美 国产精品| 色av中文字幕| 国产一区二区亚洲精品在线观看| 久久久久国产精品人妻aⅴ院| 熟女人妻精品中文字幕| 丰满的人妻完整版| 欧美日韩国产亚洲二区| 欧美色视频一区免费| 在线观看一区二区三区| 在线国产一区二区在线| 高清毛片免费观看视频网站| 日本色播在线视频| 日日摸夜夜添夜夜添小说| 中国美女看黄片| 色在线成人网| 亚洲丝袜综合中文字幕| videossex国产| 亚洲自拍偷在线| 黄色欧美视频在线观看| 69av精品久久久久久| 亚洲av中文av极速乱| 国产色爽女视频免费观看| 成人午夜高清在线视频| 亚洲av中文av极速乱| 日本一本二区三区精品| 日本a在线网址| 久久精品人妻少妇| av在线老鸭窝| 欧美在线一区亚洲| 午夜福利在线在线| 亚洲欧美日韩高清在线视频| 欧美zozozo另类| 久久久午夜欧美精品| 国产成人a区在线观看| 欧美在线一区亚洲| 亚洲精品一区av在线观看| 日韩大尺度精品在线看网址| 免费搜索国产男女视频| 国产三级在线视频| 青春草视频在线免费观看| 国产精品久久视频播放| 精品人妻视频免费看| 真人做人爱边吃奶动态| 免费观看的影片在线观看| 最新中文字幕久久久久| 中国美白少妇内射xxxbb| 亚洲国产精品成人久久小说 | 久久九九热精品免费| 国产高清激情床上av| 欧美+日韩+精品|