• <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
    黄色丝袜av网址大全| netflix在线观看网站| 观看免费一级毛片| 淫妇啪啪啪对白视频| a级一级毛片免费在线观看| 免费人成在线观看视频色| 免费人成在线观看视频色| 国产熟女xx| 757午夜福利合集在线观看| 欧美精品啪啪一区二区三区| 白带黄色成豆腐渣| 成人特级黄色片久久久久久久| 中文字幕av成人在线电影| 91av网一区二区| 香蕉av资源在线| 亚洲国产欧美人成| 香蕉丝袜av| 亚洲精华国产精华精| 女警被强在线播放| www.熟女人妻精品国产| 国产精品 欧美亚洲| 精品人妻一区二区三区麻豆 | 亚洲欧美日韩高清专用| 在线观看日韩欧美| 亚洲精品456在线播放app | 变态另类丝袜制服| 黄色视频,在线免费观看| 久久久久久久精品吃奶| 欧美性猛交╳xxx乱大交人| 淫秽高清视频在线观看| 啪啪无遮挡十八禁网站| 国产精品嫩草影院av在线观看 | 国产爱豆传媒在线观看| 少妇人妻一区二区三区视频| 宅男免费午夜| 淫秽高清视频在线观看| 亚洲精品影视一区二区三区av| 日本一二三区视频观看| 午夜激情福利司机影院| 99久国产av精品| 国产高清三级在线| 国产亚洲精品综合一区在线观看| 老熟妇乱子伦视频在线观看| 国产免费一级a男人的天堂| 亚洲自拍偷在线| 91麻豆精品激情在线观看国产| 欧美一区二区国产精品久久精品| 香蕉丝袜av| 国产高清有码在线观看视频| 一个人观看的视频www高清免费观看| 久久久久久久精品吃奶| 精品一区二区三区视频在线 | 亚洲精品一区av在线观看| 五月伊人婷婷丁香| 久久中文看片网| 中文字幕熟女人妻在线| 亚洲精华国产精华精| x7x7x7水蜜桃| 亚洲不卡免费看| 中文字幕久久专区| 日韩国内少妇激情av| 久久香蕉精品热| 伊人久久大香线蕉亚洲五| 国产一区在线观看成人免费| 中文字幕人妻丝袜一区二区| 观看美女的网站| 老鸭窝网址在线观看| 在线观看午夜福利视频| 青草久久国产| 97超级碰碰碰精品色视频在线观看| 亚洲国产中文字幕在线视频| 欧美最黄视频在线播放免费| 欧美日韩国产亚洲二区| 变态另类成人亚洲欧美熟女| 一进一出抽搐gif免费好疼| 美女大奶头视频| 亚洲熟妇熟女久久| 久久6这里有精品| 51国产日韩欧美| 亚洲国产精品久久男人天堂| 少妇的逼水好多| 波野结衣二区三区在线 | 成年免费大片在线观看| 一个人看视频在线观看www免费 | 国产精品精品国产色婷婷| 色播亚洲综合网| 亚洲欧美精品综合久久99| 欧美激情久久久久久爽电影| 色吧在线观看| 日韩有码中文字幕| 国内久久婷婷六月综合欲色啪| 熟女少妇亚洲综合色aaa.| 黑人欧美特级aaaaaa片| 国产亚洲精品av在线| 一级黄色大片毛片| 久久人人精品亚洲av| 久久亚洲精品不卡| 变态另类丝袜制服| 日本 欧美在线| 免费在线观看成人毛片| 欧美国产日韩亚洲一区| 国产探花在线观看一区二区| 激情在线观看视频在线高清| 免费看a级黄色片| 香蕉丝袜av| 亚洲精品456在线播放app | 国产伦精品一区二区三区四那| 久久精品人妻少妇| 亚洲欧美日韩卡通动漫| 久久国产精品人妻蜜桃| 亚洲 国产 在线| 久久香蕉国产精品| 99久久综合精品五月天人人| 全区人妻精品视频| 19禁男女啪啪无遮挡网站| 非洲黑人性xxxx精品又粗又长| 波多野结衣巨乳人妻| 色在线成人网| 国产私拍福利视频在线观看| 国内揄拍国产精品人妻在线| 欧美一级a爱片免费观看看| 免费av观看视频| 欧美日韩精品网址| 久久婷婷人人爽人人干人人爱| 叶爱在线成人免费视频播放| 99在线人妻在线中文字幕| 亚洲专区国产一区二区| ponron亚洲| 国产91精品成人一区二区三区| 免费大片18禁| 午夜精品在线福利| 日本在线视频免费播放| 99国产精品一区二区三区| 伊人久久大香线蕉亚洲五| 天堂动漫精品| 久久久久国内视频| 亚洲人成网站在线播| 亚洲无线观看免费| 18禁裸乳无遮挡免费网站照片| 国产精品嫩草影院av在线观看 | 亚洲国产高清在线一区二区三| avwww免费| 日本免费a在线| 亚洲国产色片| 淫妇啪啪啪对白视频| 又紧又爽又黄一区二区| 一级a爱片免费观看的视频| 国产一区二区激情短视频| 性色avwww在线观看| 欧美中文综合在线视频| 99国产精品一区二区三区| 人人妻人人澡欧美一区二区| 日韩欧美一区二区三区在线观看| 91在线精品国自产拍蜜月 | 2021天堂中文幕一二区在线观| 亚洲精品色激情综合| 日韩欧美精品免费久久 | www.熟女人妻精品国产| 亚洲在线观看片| 亚洲无线观看免费| 精品一区二区三区人妻视频| 黄色女人牲交| 91在线精品国自产拍蜜月 | 无遮挡黄片免费观看| 午夜福利免费观看在线| 精品一区二区三区视频在线 | 欧美黑人欧美精品刺激| 最近最新免费中文字幕在线| 99久国产av精品| 欧美乱色亚洲激情| 亚洲真实伦在线观看| 成年女人永久免费观看视频| 午夜精品在线福利| 一本精品99久久精品77| 久久久久国产精品人妻aⅴ院| 此物有八面人人有两片| 亚洲内射少妇av| 国产精品美女特级片免费视频播放器| a级一级毛片免费在线观看| 欧美最新免费一区二区三区 | 人妻夜夜爽99麻豆av| 一进一出好大好爽视频| 中亚洲国语对白在线视频| 亚洲av电影不卡..在线观看| 亚洲一区二区三区不卡视频| 国产精品久久久久久亚洲av鲁大| 国产一区二区激情短视频| 国产成人av教育| 啦啦啦观看免费观看视频高清| 久久香蕉精品热| 高清日韩中文字幕在线| 午夜老司机福利剧场| 欧美大码av| 亚洲最大成人中文| 亚洲成人精品中文字幕电影| 淫秽高清视频在线观看| 美女 人体艺术 gogo| 久久久久久久久中文| 又粗又爽又猛毛片免费看| 成人特级av手机在线观看| 亚洲人成电影免费在线| 亚洲在线观看片| 国产99白浆流出| 99热只有精品国产| 男女视频在线观看网站免费| 色综合欧美亚洲国产小说| 国产成+人综合+亚洲专区| 在线视频色国产色| 淫秽高清视频在线观看| 99在线视频只有这里精品首页| 最新美女视频免费是黄的| 午夜两性在线视频| 国产蜜桃级精品一区二区三区| 免费人成视频x8x8入口观看| 精品午夜福利视频在线观看一区| 国产伦在线观看视频一区| 美女免费视频网站| 男女之事视频高清在线观看| 国产精品亚洲av一区麻豆| 亚洲无线观看免费| 亚洲乱码一区二区免费版| 90打野战视频偷拍视频| 少妇人妻精品综合一区二区 | 69av精品久久久久久| 少妇的丰满在线观看| 人妻丰满熟妇av一区二区三区| 日本成人三级电影网站| eeuss影院久久| 日本免费a在线| 欧美丝袜亚洲另类 | 国产高清有码在线观看视频| av片东京热男人的天堂| 中文资源天堂在线| 色在线成人网| 国产高清有码在线观看视频| 91麻豆av在线| 岛国在线观看网站| 精品国产三级普通话版| 天天躁日日操中文字幕| 99热这里只有精品一区| 一个人看的www免费观看视频| 国产蜜桃级精品一区二区三区| 免费看十八禁软件| 男女那种视频在线观看| 午夜福利在线观看免费完整高清在 | x7x7x7水蜜桃| 亚洲国产日韩欧美精品在线观看 | 桃色一区二区三区在线观看| 久久精品亚洲精品国产色婷小说| 国产午夜精品久久久久久一区二区三区 | 特大巨黑吊av在线直播| 亚洲国产精品合色在线| 男女做爰动态图高潮gif福利片| 亚洲aⅴ乱码一区二区在线播放| 成人18禁在线播放| 婷婷精品国产亚洲av| 久久久久久久久大av| 午夜精品在线福利| 午夜免费男女啪啪视频观看 | 搡老妇女老女人老熟妇| 亚洲avbb在线观看| av天堂中文字幕网| 88av欧美| 18禁黄网站禁片午夜丰满| 亚洲国产欧美网| 色在线成人网| 欧美黑人巨大hd| 老师上课跳d突然被开到最大视频 久久午夜综合久久蜜桃 | 色综合婷婷激情| 在线视频色国产色| 18美女黄网站色大片免费观看| 日本在线视频免费播放| 麻豆成人av在线观看| 他把我摸到了高潮在线观看| 亚洲成av人片免费观看| 波多野结衣巨乳人妻| 一级a爱片免费观看的视频| 欧美成人一区二区免费高清观看| 国产综合懂色| 好男人电影高清在线观看| 欧美日韩乱码在线| 成人18禁在线播放| 免费在线观看影片大全网站| or卡值多少钱| 成人亚洲精品av一区二区| 欧美最新免费一区二区三区 | 一区福利在线观看| 成年人黄色毛片网站| 91在线观看av| 日韩 欧美 亚洲 中文字幕| 性色avwww在线观看| 国产精品野战在线观看| 少妇人妻一区二区三区视频| 天天躁日日操中文字幕| 国产成人av激情在线播放| 人人妻,人人澡人人爽秒播| 男女之事视频高清在线观看| 99久久成人亚洲精品观看| 身体一侧抽搐| av在线天堂中文字幕| 欧美日韩亚洲国产一区二区在线观看| 全区人妻精品视频| 国产精品日韩av在线免费观看| 欧美丝袜亚洲另类 | 成年女人毛片免费观看观看9| 国产老妇女一区| 亚洲性夜色夜夜综合| 国产高清videossex| 91久久精品电影网| 精品免费久久久久久久清纯| 国产又黄又爽又无遮挡在线| 在线观看av片永久免费下载| 免费大片18禁| 尤物成人国产欧美一区二区三区| 三级国产精品欧美在线观看| 欧美日韩乱码在线| 老师上课跳d突然被开到最大视频 久久午夜综合久久蜜桃 | svipshipincom国产片| 每晚都被弄得嗷嗷叫到高潮| 香蕉丝袜av| 最新美女视频免费是黄的| 男人舔奶头视频| 18禁美女被吸乳视频| 日韩大尺度精品在线看网址| 日韩精品青青久久久久久| 亚洲av一区综合| svipshipincom国产片| 久久久久久人人人人人| 免费看美女性在线毛片视频| 高清在线国产一区| 好男人电影高清在线观看| 国产精品久久久久久人妻精品电影| 最新美女视频免费是黄的| 女人高潮潮喷娇喘18禁视频| 午夜福利在线观看吧| 中文字幕高清在线视频| 一区福利在线观看| 99精品久久久久人妻精品| www日本在线高清视频| 国产成年人精品一区二区| 免费看日本二区| 身体一侧抽搐| 亚洲七黄色美女视频| 国产成人a区在线观看| 精华霜和精华液先用哪个| 国产97色在线日韩免费| 男女午夜视频在线观看| 性欧美人与动物交配| 亚洲精品在线观看二区| xxxwww97欧美| 97人妻精品一区二区三区麻豆| 首页视频小说图片口味搜索| 人人妻人人澡欧美一区二区| 国产成人欧美在线观看| 国产一区二区在线观看日韩 | 日本五十路高清| bbb黄色大片| 老熟妇仑乱视频hdxx| 亚洲成av人片免费观看| 国产极品精品免费视频能看的| 日本一二三区视频观看| 悠悠久久av| 国产真实乱freesex| 国产一区二区三区视频了| 成年人黄色毛片网站| 国产一级毛片七仙女欲春2| 一本久久中文字幕| 免费在线观看影片大全网站| 无人区码免费观看不卡| 亚洲乱码一区二区免费版| 两人在一起打扑克的视频| 国产三级在线视频| 成人鲁丝片一二三区免费| 精品久久久久久,| 国产亚洲欧美98| 村上凉子中文字幕在线| 成年女人毛片免费观看观看9| 91av网一区二区| 99久久综合精品五月天人人| 草草在线视频免费看| www.熟女人妻精品国产| 99精品欧美一区二区三区四区| 两个人看的免费小视频| 亚洲av成人av| 麻豆一二三区av精品| 90打野战视频偷拍视频| 国产免费男女视频| 久久亚洲真实| 亚洲国产高清在线一区二区三| 国产亚洲精品久久久com| 一区二区三区激情视频| 亚洲人成电影免费在线| 亚洲精品一区av在线观看| 色视频www国产| 国产野战对白在线观看| 欧美极品一区二区三区四区| 男女做爰动态图高潮gif福利片| 丰满人妻熟妇乱又伦精品不卡| 国产伦精品一区二区三区视频9 | 国产精品香港三级国产av潘金莲| 日本免费一区二区三区高清不卡| 在线看三级毛片| 日韩成人在线观看一区二区三区| 少妇的丰满在线观看| 此物有八面人人有两片| 国产欧美日韩精品一区二区| 国产黄片美女视频| 欧美性猛交╳xxx乱大交人| 国产又黄又爽又无遮挡在线| 美女大奶头视频| 午夜激情福利司机影院| 又紧又爽又黄一区二区| 免费高清视频大片| svipshipincom国产片| 男女午夜视频在线观看| 真人一进一出gif抽搐免费| 一个人看的www免费观看视频| 欧美性猛交╳xxx乱大交人| 国产成人av激情在线播放| avwww免费| 欧美黄色淫秽网站| 亚洲 国产 在线| 中国美女看黄片| 亚洲一区二区三区不卡视频| 国产成人福利小说| 亚洲第一电影网av| 亚洲精品日韩av片在线观看 | 窝窝影院91人妻| 午夜a级毛片| 99久国产av精品| 精品电影一区二区在线| 99riav亚洲国产免费| 成人高潮视频无遮挡免费网站| or卡值多少钱| 波多野结衣巨乳人妻| 久久久成人免费电影| 99久国产av精品| 久久欧美精品欧美久久欧美| 欧美成人一区二区免费高清观看| 又黄又粗又硬又大视频| 国产一区二区亚洲精品在线观看| 亚洲第一电影网av| www日本黄色视频网| 热99re8久久精品国产| 不卡一级毛片| 精品久久久久久久末码| 757午夜福利合集在线观看| 国产一区二区三区在线臀色熟女| 人妻丰满熟妇av一区二区三区| 久久婷婷人人爽人人干人人爱| 欧美3d第一页| 国产精品影院久久| 真人一进一出gif抽搐免费| 九九在线视频观看精品| 99久久无色码亚洲精品果冻| 内射极品少妇av片p| 国产精品精品国产色婷婷| a级一级毛片免费在线观看| 国产精品影院久久| 90打野战视频偷拍视频| 看免费av毛片| 香蕉av资源在线| 亚洲avbb在线观看| 97人妻精品一区二区三区麻豆| 老司机午夜十八禁免费视频| 午夜福利高清视频| 亚洲av免费高清在线观看| 女同久久另类99精品国产91| 欧美在线一区亚洲| 欧美绝顶高潮抽搐喷水| 亚洲av电影在线进入| 亚洲在线观看片| 国产私拍福利视频在线观看| 老司机福利观看| 91av网一区二区| 欧美丝袜亚洲另类 | 日韩欧美在线二视频| 少妇人妻一区二区三区视频| av片东京热男人的天堂| 此物有八面人人有两片| 欧美日韩福利视频一区二区| 三级国产精品欧美在线观看| 午夜福利视频1000在线观看| 三级男女做爰猛烈吃奶摸视频| 亚洲国产精品成人综合色| 无限看片的www在线观看| av在线天堂中文字幕| 国产亚洲精品综合一区在线观看| 女生性感内裤真人,穿戴方法视频| 亚洲在线观看片| 欧美黑人欧美精品刺激| xxx96com| 美女高潮喷水抽搐中文字幕| av黄色大香蕉| 国产精品久久久人人做人人爽| 亚洲国产精品久久男人天堂| 国内揄拍国产精品人妻在线| 狂野欧美激情性xxxx| 亚洲国产精品sss在线观看| 成年免费大片在线观看| 亚洲精品一区av在线观看| 亚洲欧美激情综合另类| 午夜福利高清视频| 1024手机看黄色片| 国产一级毛片七仙女欲春2| 嫩草影院入口| 老司机在亚洲福利影院| 久久亚洲真实| 精品福利观看| 制服丝袜大香蕉在线| 久久精品国产综合久久久| 亚洲av成人av| 免费人成在线观看视频色| 哪里可以看免费的av片| 脱女人内裤的视频| 深夜精品福利| 久久久精品大字幕| 长腿黑丝高跟| 啦啦啦观看免费观看视频高清| 亚洲熟妇中文字幕五十中出| 怎么达到女性高潮| 亚洲精品粉嫩美女一区| 精品久久久久久久久久免费视频| 男女床上黄色一级片免费看| 夜夜躁狠狠躁天天躁| 天堂动漫精品| 丁香六月欧美| 亚洲狠狠婷婷综合久久图片| 国产熟女xx| 免费观看人在逋| 757午夜福利合集在线观看| 啪啪无遮挡十八禁网站| 亚洲专区国产一区二区| 国产成人影院久久av| 亚洲中文字幕日韩| 亚洲av免费高清在线观看| 国产免费一级a男人的天堂| 国产亚洲精品久久久com| 麻豆久久精品国产亚洲av| 午夜精品久久久久久毛片777| 午夜福利高清视频| 中文字幕精品亚洲无线码一区| 亚洲 国产 在线| 亚洲成a人片在线一区二区| 国产真实伦视频高清在线观看 | 男女床上黄色一级片免费看| 看免费av毛片| or卡值多少钱| 日韩国内少妇激情av| 女人十人毛片免费观看3o分钟| 欧美不卡视频在线免费观看| 亚洲天堂国产精品一区在线| 国产精品,欧美在线| 人妻久久中文字幕网| 99久久精品热视频| xxx96com| 有码 亚洲区| 中文字幕av在线有码专区| 久久久精品欧美日韩精品| 熟妇人妻久久中文字幕3abv| 一夜夜www| 黄色成人免费大全| 亚洲最大成人手机在线| 每晚都被弄得嗷嗷叫到高潮| 国产中年淑女户外野战色| 村上凉子中文字幕在线| 午夜福利成人在线免费观看| 久久这里只有精品中国| 国产高清三级在线| 亚洲精品国产精品久久久不卡| 18+在线观看网站| 国产黄色小视频在线观看| 99久久九九国产精品国产免费| a在线观看视频网站| 身体一侧抽搐| 免费在线观看亚洲国产| 搡老岳熟女国产| svipshipincom国产片| 深夜精品福利| 真人做人爱边吃奶动态| 乱人视频在线观看| 亚洲国产精品合色在线| 99riav亚洲国产免费| 国产高清视频在线播放一区| 成人鲁丝片一二三区免费| 亚洲片人在线观看| 九色国产91popny在线| 国产三级黄色录像| 久久精品亚洲精品国产色婷小说| 色播亚洲综合网| 亚洲电影在线观看av| 亚洲人与动物交配视频| 欧美在线黄色| 午夜福利成人在线免费观看| 国产精品久久久久久精品电影| 免费观看精品视频网站| 欧美日韩中文字幕国产精品一区二区三区| 99久久99久久久精品蜜桃| 两个人视频免费观看高清| 又黄又爽又免费观看的视频| 性色avwww在线观看| 国产爱豆传媒在线观看| 成人鲁丝片一二三区免费| 国产伦精品一区二区三区视频9 | 久久久久久九九精品二区国产| 免费在线观看亚洲国产| 少妇丰满av| 亚洲在线观看片| 99国产综合亚洲精品| 国产毛片a区久久久久| 午夜免费激情av| 久久欧美精品欧美久久欧美| 欧美极品一区二区三区四区| 99热只有精品国产| netflix在线观看网站|