• <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 ?

    基于樹結(jié)構(gòu)分層隨機(jī)森林在非約束環(huán)境下的頭部姿態(tài)估計

    2015-07-05 16:46:53劉袁緣陳靚影俞侃覃杰陳超原
    電子與信息學(xué)報 2015年3期
    關(guān)鍵詞:樹結(jié)構(gòu)人臉頭部

    劉袁緣陳靚影俞 侃覃 杰陳超原

    ①(文華學(xué)院 武漢 430074)

    ②(華中師范大學(xué)國家數(shù)字化學(xué)習(xí)工程研究中心 武漢 430079)

    ③(武漢華中數(shù)控股份有限公司紅外事業(yè)部 430074)

    樹結(jié)構(gòu)分層隨機(jī)森林是在每一個分支層上有選擇性的級聯(lián)子森林。當(dāng)?shù)竭_(dá)下一分支層時,它需要做出判斷加載哪一顆子森林。因為在不同水平角度下豎直角度的估計投票仍滿足高斯模型分布,所以我們提出一個自適應(yīng)高斯混合模型來投票最終的頭部姿態(tài)。改進(jìn)公式C(P)得到:

    基于樹結(jié)構(gòu)分層隨機(jī)森林在非約束環(huán)境下的頭部姿態(tài)估計

    劉袁緣①②陳靚影*②俞 侃①覃 杰③陳超原①

    ①(文華學(xué)院 武漢 430074)

    ②(華中師范大學(xué)國家數(shù)字化學(xué)習(xí)工程研究中心 武漢 430079)

    ③(武漢華中數(shù)控股份有限公司紅外事業(yè)部 430074)

    頭部姿態(tài)估計是人類行為和注意力的關(guān)鍵,受到光照、噪聲、身份、遮擋等許多因素的影響。為了提高非約束環(huán)境下的估計準(zhǔn)確率和魯棒性,該論文提出了樹結(jié)構(gòu)分層隨機(jī)森林在非約束環(huán)境下的多類頭部姿態(tài)估計。首先,為了消除不同環(huán)境的噪聲影響,提取人臉區(qū)域的組合紋理特征,對人臉區(qū)域進(jìn)行積極人臉子區(qū)域的分類,分類結(jié)果作為樹結(jié)構(gòu)分層隨機(jī)森林的先驗知識輸入;其次,提出了一種樹結(jié)構(gòu)分層隨機(jī)森林算法,分層估計多自由度下的頭部姿態(tài);再次,為了增強(qiáng)算法的分類能力,使用自適應(yīng)高斯混合模型作為多層次子森林葉子節(jié)點的投票模型。在多個公共數(shù)據(jù)集上的多種非約束實驗環(huán)境下進(jìn)行頭部姿態(tài)估計,最終實驗結(jié)果表明所提算法在不同質(zhì)量的圖像上都有很好的估計準(zhǔn)確率和魯棒性。

    頭部姿態(tài)估計;非約束環(huán)境;樹結(jié)構(gòu)分層隨機(jī)森林;人臉積極子區(qū)域先驗分類;自適應(yīng)高斯混合模型

    1 引言

    頭部姿態(tài)是研究人類行為和注意力的關(guān)鍵[1]。因此,在許多智能系統(tǒng)中非約束環(huán)境下的頭部姿態(tài)估計是檢測人類身份和行為的重要環(huán)節(jié)。但是非約束環(huán)境中的投影幾何形變、背景光照變化、前景遮擋問題和低分辨率等因素的影響,使得頭部姿態(tài)的多自由度估計一直是一個富有挑戰(zhàn)性的領(lǐng)域[2]。已有的一些頭部姿態(tài)估計方法根據(jù)特征選擇的不同,大致可以分為基于局部特征的方法和基于全局處理的方法。前者依賴于局部點特征的提取,后者則是對整個人臉區(qū)域進(jìn)行處理?;诰植刻卣鞯姆椒ㄍǔO忍崛∪四樀奶卣鼽c,如眼睛點、眉毛點以及嘴角等,它主要適用于高精度的系統(tǒng)和人臉的高分辨率圖像[3]。對于非約束的環(huán)境下,有很強(qiáng)的局限性。而基于全局的方法的優(yōu)勢是只需要處理整個人臉的圖像區(qū)域而不需要提取局部的點特征,適用于低質(zhì)量低分辨率的圖像估計?;谌值姆椒ㄖ饕怯脵C(jī)器學(xué)習(xí)和模式識別的算法,如模板匹配算法、多分類器陣列算法[4]、SVM[5]、隨機(jī)森林[6]、Adoboost等。

    隨機(jī)森林[7]因為具有快速處理大數(shù)據(jù)的訓(xùn)練能力和高效的在線計算能力,成為近年來機(jī)器視覺中處理大數(shù)據(jù)量的熱門方法之一。最近,隨機(jī)森林已經(jīng)應(yīng)用于實時的2D頭部姿態(tài)的估計和分類[8]以及3D圖像的頭部姿態(tài)識別[9-11]。文獻(xiàn)[6]提出了條件隨機(jī)森林來檢測2D頭部姿態(tài)估計和人臉特征點。其在水平自由度的5個旋轉(zhuǎn)角度可達(dá)到識別率72.3%。文獻(xiàn)[4]使用組合回歸和分類隨機(jī)森林的算法,獲得了較好的估計效果。但是對環(huán)境的要求都有一定的限制性。為了在非約束環(huán)境下進(jìn)行多類頭部姿態(tài)的準(zhǔn)確估計,本文提出了樹結(jié)構(gòu)分層隨機(jī)森林算法,用于非約束環(huán)境下頭部姿態(tài)的多自由度的魯棒估計。

    樹結(jié)構(gòu)的分層概率模型是文獻(xiàn)[12]提出的,已經(jīng)證明了它的高效率和高準(zhǔn)確率,許多文獻(xiàn)也已經(jīng)用它進(jìn)行多目標(biāo)跟蹤和情感計算。樹結(jié)構(gòu)的分層概率模型每一層節(jié)點概率是其上一層節(jié)點概率和分支選擇概率的結(jié)果,即每一個子層都收到其父層的影響。每次計算樹的概率時,只需要用相關(guān)分支上的節(jié)點概率,而不需要計算整棵樹所有節(jié)點的概率。因此引入樹結(jié)構(gòu)分層隨機(jī)森林具有更高的效率和準(zhǔn)確率。

    本文的創(chuàng)新點如下:(1)積極人臉子區(qū)域的先驗分類可以消除不同環(huán)境下的噪聲影響;(2)一種樹結(jié)構(gòu)的多層隨機(jī)森林算法的提出,提高了非約束環(huán)境下多類頭部姿態(tài)估計的準(zhǔn)確率和效率;(3)自適應(yīng)高斯混合模型作為多層次子森林葉子節(jié)點的投票模型使得分類結(jié)果具有更強(qiáng)的魯棒性。

    2 基于樹結(jié)構(gòu)分層隨機(jī)森林對頭部姿態(tài)的估計

    為了更好地在非約束環(huán)境下對多自由度的頭部姿態(tài)進(jìn)行估計,本文提出了基于樹結(jié)構(gòu)分層隨機(jī)森林的多層估計算法。算法如圖1所示,分為3個階段。第1階段,為了消除非約束復(fù)雜背景的干擾,我們提取了人臉積極的子區(qū)域塊作為分層隨機(jī)森林的先驗輸入;第2個階段本文提出樹結(jié)構(gòu)分層隨機(jī)森林來估計水平頭部姿態(tài),級聯(lián)分布的兩個子層次為S-1和S-2;第3個階段在水平頭部姿態(tài)估計結(jié)果的條件下進(jìn)行豎直方向的頭部姿態(tài)估計,其中級聯(lián)分布的兩個子層為S-3和S-4。最終在S-4子層得到25對頭部姿態(tài)的估計結(jié)果。

    2.1 人臉子區(qū)域的先驗分類

    對于頭部姿態(tài)估計有兩個難點,一個是正確提取人臉區(qū)域,一個是非約束背景的影響。在非約束背景中提取人臉的前景目標(biāo)區(qū)域,首先要去除背景信息的干擾,包括頭發(fā)、遮擋、背景、光照等。因此,我們將人臉子區(qū)域分為兩個子區(qū)域:人臉積極子區(qū)域和干擾子區(qū)域。人臉積極子區(qū)域是去除噪聲的區(qū)域,對頭部姿態(tài)的估計有積極的影響,反之為干擾區(qū)域,如圖2所示,并將分類結(jié)果作為頭部姿態(tài)估計的先驗知識。

    為了去除干擾子區(qū)域塊對頭部姿態(tài)的影響,我們用Haar特征檢測到的人臉區(qū)域進(jìn)行人臉積極子區(qū)域塊的先驗分類。如圖3所示。首先,對人臉區(qū)域隨機(jī)提取200個子區(qū)域塊,并提取每個子區(qū)域塊的Gabor特征符。然后,我們用分類隨機(jī)森林[4]離線訓(xùn)練人臉積極子區(qū)域和干擾子區(qū)域類,并用1和0 分別進(jìn)行標(biāo)注。分類隨機(jī)森林的計算過程是每顆決策樹迭代的過程, 森林中的每一棵樹T都是由標(biāo)注好的隨機(jī)提取的數(shù)據(jù)集訓(xùn)練生成。當(dāng)測試數(shù)據(jù)P通過樹的根節(jié)點到達(dá)其葉子節(jié)點時,存儲在葉子結(jié)點的概率密度p(c=k|lt(P))將判斷測試數(shù)據(jù)P的類別信息。對于每個葉子結(jié)點的子區(qū)域塊的分類概率直接作為頭部姿態(tài)估計的先驗輸入,僅僅對分類結(jié)果為1的人臉積極子區(qū)域塊進(jìn)行頭部姿態(tài)的估計。

    2.2 樹結(jié)構(gòu)分層隨機(jī)森林的訓(xùn)練

    圖1 基于樹結(jié)構(gòu)分層隨機(jī)森林的頭部姿態(tài)估計算法流程圖

    圖2 人臉積極子區(qū)域和背景干擾子區(qū)域

    圖3 人臉積極子區(qū)域的先驗分類

    圖4 樹結(jié)構(gòu)分布的多層概率模型

    樹結(jié)構(gòu)是一種級聯(lián)式的多層概率分布模型,它的當(dāng)前葉子節(jié)點概率[p1,…,pi]是它上一層節(jié)點概率的[a1,a2,…,ak]在其相關(guān)分支bji上的結(jié)果[9]。圖4中,i 表示葉子節(jié)點的序號,k 是它上一層節(jié)點的序號,j表示該分支號??梢娫跇浣Y(jié)構(gòu)分布的概率模型中,每一個子層只與它的父層有關(guān)。因此,樹結(jié)構(gòu)分布的多層概率模型中,只需要計算子層中當(dāng)前子樹的概率模型和它父層的先驗概率模型,而不需要計算隨機(jī)森林中所有樹的概率模型。所以,樹結(jié)構(gòu)的分層概率模型可以提供更好的準(zhǔn)確率和效率。

    為了構(gòu)建樹結(jié)構(gòu)分層隨機(jī)森林來估計多自由度的頭部姿態(tài),我們需要:

    (4)定義存儲在葉子結(jié)點的自適應(yīng)投票模型。

    級連標(biāo)注 訓(xùn)練的過程是監(jiān)督的,森林中每一棵樹T的建立都是在不同的數(shù)據(jù)集中隨機(jī)訓(xùn)練而成T={Tt}。對每一張人臉圖像,我們隨機(jī)提取人臉子區(qū)域塊集的組合特征:。其中,表示Gabor特征,它的空間維度是35×31×31。為原始的灰度值,它的空間維度是31×31。ci表示頭部姿態(tài)類的標(biāo)注:

    (2)定義二進(jìn)制測試φ;

    (3)定義級聯(lián)式樹結(jié)構(gòu)隨機(jī)森林的測度

    二進(jìn)制測試 二進(jìn)制測試是在子集中不斷地逼近類標(biāo)注不確定性純度的過程,最終將訓(xùn)練集分裂成2個子集。隨機(jī)樹的生長就是一個由二進(jìn)制測試創(chuàng)建子節(jié)點的迭代過程。我們定義二進(jìn)制測試φ為

    其中,R1,R2是人臉子區(qū)域中的兩個隨機(jī)選取的矩形子塊,If(j)是上一部分定義好的特征通道,τ是閾值。開始測試,當(dāng)測試結(jié)果大于τ時,生成右子節(jié)點,反之生成左子節(jié)點。

    樹狀條件測度H(P|aj) 在這部分,測度H(P|aj)定義為連續(xù)子區(qū)域的熵。

    其中p(ci|aj,Pn)表示人臉子區(qū)域塊 Pn在分層隨機(jī)森林的第 j 層第aj子森林中屬于頭部姿態(tài)類ci的概率,|P|是頭部姿態(tài)類為ci的人臉子區(qū)域塊的數(shù)量。選擇最佳分裂申請,它可以使得信息增益(IG)估計函數(shù)最大wL, wR是數(shù)據(jù)集 PL(通過上述二進(jìn)制測試到達(dá)左子集的數(shù)量)PR(通過上述二進(jìn)制測試到達(dá)右子集的數(shù)量)的樣本數(shù)量和總數(shù)據(jù)集 P 的比率。

    葉子 如果信息增益(IG)低于預(yù)先設(shè)定的閾值或者樹的最大深度達(dá)到時,生產(chǎn)一個葉子節(jié)點。在每一個葉子結(jié)點中,包括了頭部姿態(tài)的分類概率和連續(xù)頭部姿態(tài)分布參數(shù),其滿足一個高斯概率分布模型。

    當(dāng)一個子區(qū)域塊到達(dá)子森林的葉子節(jié)點時,我們用類決策模型C(P)加載下一個子森林樹。

    其中,p(ci|aj,P)是森林中的第 j 層中子森林 aj的條件下的估計概率,它由下一節(jié)所述的自適應(yīng)高斯混合模型計算得到。最終的頭部姿態(tài)由自適應(yīng)混合高斯模型進(jìn)行投票分類。

    自適應(yīng)高斯混合模型 存儲在葉子的概率p(c=k|P)具有判斷測試子區(qū)域塊屬于頭部姿態(tài)類k的信息。隨機(jī)森林的葉子結(jié)點l存儲符合多項式高斯分布。

    樹結(jié)構(gòu)分層隨機(jī)森林是在每一個分支層上有選擇性的級聯(lián)子森林。當(dāng)?shù)竭_(dá)下一分支層時,它需要做出判斷加載哪一顆子森林。因為在不同水平角度下豎直角度的估計投票仍滿足高斯模型分布,所以我們提出一個自適應(yīng)高斯混合模型來投票最終的頭部姿態(tài)。改進(jìn)公式C(P)得到:

    i是樹結(jié)構(gòu)分層隨機(jī)森林的子分支,j是分支i的子節(jié)點,k是子區(qū)域塊達(dá)到的葉子結(jié)點中存儲的標(biāo)注姿態(tài)。

    2.3 基于樹結(jié)構(gòu)分層隨機(jī)森林的水平頭部姿態(tài)估計

    由于水平自由度旋轉(zhuǎn)包含更多的頭部姿態(tài)信息,如眼睛、鼻尖和嘴角的信息,因此我們將其作為樹結(jié)構(gòu)分層隨機(jī)森林估計頭部姿態(tài)的第1層和第2層,如圖5所示。如2.2節(jié)訓(xùn)練樹結(jié)構(gòu)分層隨機(jī)森林的子森林。首先,量化訓(xùn)練數(shù)據(jù)在水平子層S-1和S-2的相關(guān)頭部姿態(tài)子集“左”,“正面”,“右”和“正左”,“左中”,“正面”,“右中”,“正右”,并分別用標(biāo)注“-1, 0, 1”和“-2, -1, 0, 1, 2”代替真實的頭部姿態(tài)旋轉(zhuǎn)角度-90°~90°。然后將估計結(jié)果(水平旋轉(zhuǎn)角度)a 作為豎直估計的父層概率模型 p(ci| a)。

    2.4 基于樹結(jié)構(gòu)分層隨機(jī)森林的豎直頭部姿態(tài)估計

    圖5 水平方向的分層頭部姿態(tài)估計

    樹結(jié)構(gòu)分層隨機(jī)森林級聯(lián)第3層S-3和第4層S-4,在水平自由度的估計條件下進(jìn)行豎直自由度的頭部姿態(tài)估計。由于缺少更多的人臉信息,豎直自由度估計是頭部姿態(tài)估計領(lǐng)域的一個難點。文獻(xiàn)[8]用隨機(jī)森林同時訓(xùn)練和測試水平和豎直自由度的頭部姿態(tài)。本文則提出了一個樹結(jié)構(gòu)分層隨機(jī)森林方法來分層估計水平和豎直多自由度的頭部姿態(tài)。我們將水平自由度的估計結(jié)果作為豎直自由度的估計條件輸入,然后對每一個分支樹進(jìn)行3類豎直頭部姿態(tài)估計,最后對左子類和右子類再次進(jìn)行細(xì)化估計角度,最終估計出5類豎直頭部姿態(tài)。級聯(lián)細(xì)化算法的流程結(jié)構(gòu)如圖6所示。其中a 為水平方向的估計結(jié)果,級聯(lián)分支估計為豎直估計中3類角度的粗糙估計結(jié)果,最終細(xì)化估計為豎直估計中的最終細(xì)化估計結(jié)果。由于2.3節(jié)中水平估計的結(jié)果為5類水平旋轉(zhuǎn)角度,因此圖6由5棵相同的獨立子森林構(gòu)成。在這個階段,我們最終可以檢測25個離散的頭部運動角度,檢測結(jié)果表示為 {90°,90°}, {90°,45°},…,{0°,0°},…,{-45°,-90°},{-90°,-90°}。

    圖6 豎直方向的分層頭部姿態(tài)估計

    3 樹結(jié)構(gòu)分層隨機(jī)森林的多層概率模型

    隨機(jī)森林的目標(biāo)是通過葉子結(jié)點構(gòu)建人臉子區(qū)域塊P的類概率估計p(ci|P)[6], 樹結(jié)構(gòu)分層隨機(jī)森林模型的目標(biāo)則是構(gòu)建樹結(jié)構(gòu)分層的先驗條件概率估計p(ci|α,P),本文改進(jìn)隨機(jī)森林的概率模型為

    式中,α是上一層估計的概率結(jié)果。

    為了學(xué)習(xí)p(ci,α|P),訓(xùn)練集α被分裂為不相交的離散子集aj。因此,式(6)可改寫為

    先驗概率p(ci|aj,p)可以在每一個訓(xùn)練子集aj中用改層的子隨機(jī)森林T(aj)學(xué)習(xí)得到。同樣地,概率p(α|P)可以在所有的訓(xùn)練集a上用隨機(jī)森林學(xué)習(xí)得到。最終,得到不同分支上的多層概率模型為

    其中l(wèi)t,aj表示子區(qū)域塊P在樹 Tt∈T(aj)中到達(dá)的葉子結(jié)點。離散值kj由∑jkj=Tt和式(12)計算得到。

    4 實驗

    為了測試在非約束環(huán)境下的估計結(jié)果,我們在Pointing’04頭部姿態(tài)數(shù)據(jù)庫[13],LFW數(shù)據(jù)庫[14]以及實驗室實時采集的數(shù)據(jù)集上測試本文的方法。Pointing’04頭部姿態(tài)數(shù)據(jù)庫是包括15個人的兩種不同表情的頭部姿態(tài)數(shù)據(jù)庫,共有2790張圖片。LFW數(shù)據(jù)庫包含5749個不同個體的人臉圖片,這些圖片都是自然狀態(tài)下收集的,包括不同的姿態(tài)、光照、分辨率、質(zhì)量、表情、性別、種族等。我們實驗室的實時數(shù)據(jù)集收集了20個不同人的不同姿態(tài)、表情、遮擋的圖片,其中包括10個男性,10個女性,每個人包括25個頭部姿態(tài),總共500張圖片。本文數(shù)據(jù)集的標(biāo)注方法參考LFW數(shù)據(jù)庫[14]的標(biāo)注方法。實驗過程中,數(shù)據(jù)集被分為訓(xùn)練數(shù)據(jù)集和測試數(shù)據(jù)集。訓(xùn)練集采用Pointing’04數(shù)據(jù)庫中的2100張圖片,LFW中12000張圖片以及實驗室數(shù)據(jù)庫的300張圖片。測試集包括Pointing’04數(shù)據(jù)庫中剩余的690張圖片,LFW數(shù)據(jù)庫的1500張圖片和實驗室采集的實時數(shù)據(jù)庫的200張圖片。所有圖片都是在包括遮擋、低分辨率、性別、背景干擾、種族等非約束的環(huán)境中采集的,估計結(jié)果如圖7所示。第1行為加入噪聲遮擋的Pointing’04頭部姿態(tài)數(shù)據(jù)庫的估計結(jié)果,第2行為自然環(huán)境下實驗室數(shù)據(jù)集的估計結(jié)果,第3行為LFW數(shù)據(jù)庫的估計結(jié)果。估計結(jié)果實時地顯示在圖片中,實驗結(jié)果表明本文方法對于非約束環(huán)境下具有更好的魯棒性。

    4.1 訓(xùn)練

    圖7 本文方法在非約束環(huán)境下的估計結(jié)果

    圖8 樹的數(shù)量、最大深度、分裂次數(shù)對估計結(jié)果的誤差分析

    為了訓(xùn)練,需要對隨機(jī)森林的一些預(yù)設(shè)參數(shù)進(jìn)行分析。圖8描述了樹的數(shù)量、最大深度和分裂次數(shù)對估計結(jié)果的誤差分析曲線。估計誤差隨著樹數(shù)量的增加,樹的最大深度增加以及分裂次數(shù)的增加而減少,當(dāng)參數(shù)值增加到一定程度,對誤差估計率的影響很小。因此,本文選擇樹的最大深度為15,每一個節(jié)點的隨機(jī)分裂次數(shù)是2000,分裂閾值為25,人臉大小歸一化為125125×,人臉子區(qū)域塊大小為3030×。訓(xùn)練時,首先以分層結(jié)構(gòu)的方式從所有的數(shù)據(jù)集中選擇子集,每186張圖片組成一個子集訓(xùn)練成一棵樹。樹結(jié)構(gòu)分層森林包括4層,第1層水平自由度有15顆隨機(jī)樹,第2層水平自由度有10顆隨機(jī)樹,第3層豎直自由度有15課隨機(jī)樹,最后一層豎直自由度有25顆隨機(jī)樹。且每一層的訓(xùn)練都是上一層條件分支的結(jié)果。

    4.2 測試

    測試數(shù)據(jù)集包括Pointing’04頭部姿態(tài)數(shù)據(jù)庫中沒有用于訓(xùn)練的840張圖片,1500張LFW數(shù)據(jù)庫圖片,以及200實驗室數(shù)據(jù)集。測試參數(shù)選擇包括隨機(jī)森林的參數(shù)(與訓(xùn)練保持一致)、子森林的樹分支數(shù),自適應(yīng)高斯混合模型參數(shù)。由于圖像Gabor特征包含了方向信息,對于光照和旋轉(zhuǎn)具有很好的魯棒性。我們從測試圖片中稠密提取200個人臉積極子區(qū)域,并提取子區(qū)域的Gabor特征進(jìn)行測試。

    由于樹結(jié)構(gòu)分層隨機(jī)森林實際上是將隨機(jī)森林以樹狀結(jié)構(gòu)條件模型進(jìn)行重新分布,因此它具有更高的搜索決策效率和準(zhǔn)確率。為了比較本文方法與隨機(jī)森林的估計能力,圖9描述了隨機(jī)森林進(jìn)行頭部姿態(tài)估計的所有的估計概率投票分布,圖10~圖12描述了本文方法對頭部姿態(tài)的估計概率分布。如圖所示,隨機(jī)森林的概率分布在不同的姿態(tài)類上有高度的重合,而本文方法在最終的概率分布上基本沒有重合。可見,本文方法提高了時間和空間資源的利用率,同時消除了水平自由度旋轉(zhuǎn)和豎直自由度旋轉(zhuǎn)的干擾,具有更強(qiáng)的區(qū)分力和分類能力。

    4.3 估計準(zhǔn)確率比較和分析

    為了更好地比較樹結(jié)構(gòu)分層隨機(jī)森林和隨機(jī)森林算法,兩個算法的測試過程選擇相同的測試圖片,相同的特征參數(shù)。實驗結(jié)果如表1所示,其中列D描述樹結(jié)構(gòu)分層隨機(jī)森林算法的估計準(zhǔn)確率,列R描述隨機(jī)算法的估計準(zhǔn)確率。每個方格均為離散的不重復(fù)的45°×45°區(qū)域。樹結(jié)構(gòu)分層隨機(jī)森林算法的平均準(zhǔn)確率可以達(dá)到71.83%,而隨機(jī)森林只能達(dá)到62.23%。

    4.4 樹結(jié)構(gòu)分層隨機(jī)森林的級聯(lián)層數(shù)分析

    圖9 隨機(jī)森林不同姿態(tài)類上的估計概率投票分布

    圖10 樹結(jié)構(gòu)分層隨機(jī)森林在水平方向上的估計概率投票分布

    圖11 樹結(jié)構(gòu)分層隨機(jī)森林的豎直自由度下的估計概率投票分布

    圖12 樹結(jié)構(gòu)分層隨機(jī)森林的最終概率投票分布

    表1 隨機(jī)森林(R)和本文算法(D)的估計準(zhǔn)確率(%)

    圖13 樹結(jié)構(gòu)分層隨機(jī)森林的估計準(zhǔn)確率與級聯(lián)子樹層的關(guān)系

    圖13顯示估計準(zhǔn)確率與級聯(lián)層數(shù)的關(guān)系,S-0表示為1層樹分布的25類頭部姿態(tài)估計準(zhǔn)確率為62.23%, S-2為2層樹分布的估計準(zhǔn)確率上升為67.72%, S-3為增加3層樹分布后得到的25類頭部姿態(tài)估計準(zhǔn)確率上升為70.11%, S-4為增加4層數(shù)分布的25類估計準(zhǔn)確率提高到71.38%。

    4.5 估計準(zhǔn)確率

    表2給出了一些不同分類算法的比較實驗結(jié)果。結(jié)果顯示本文分層算法對兩個自由度下的25類頭部姿態(tài)估計有最佳的估計效果。

    表2 不同算法的準(zhǔn)確率比較

    4.6 實時性比較

    所有的實驗都是基于硬件PC Intel(R)Core (TM) i5-2400 CPU@ 3.10 GHz, 32 bit的系統(tǒng),軟件為Microsoft Visual Studio2010++平臺。隨機(jī)選擇數(shù)據(jù)庫中的200張圖片,計算它們的平均運行時間。表3描述了本文算法和最新算法的平均運行時間μ的比較。本文算法的運行時間最短。

    表3 本文算法與隨機(jī)森林算法的運行時間比較(s)

    5 結(jié)束語

    本文提出了一種能提高魯棒性和準(zhǔn)確性的頭部姿態(tài)估計方法,對于非約束環(huán)境下的兩個自由度旋轉(zhuǎn)的多類頭部姿態(tài)估計有較好的效果。首先,為了消除不同環(huán)境的噪聲影響,我們提取人臉區(qū)域的組合紋理特征,對人臉區(qū)域進(jìn)行積極人臉子區(qū)域的分類,分類結(jié)果作為樹結(jié)構(gòu)分層隨機(jī)森林的先驗知識輸入;第二,提出了一種樹結(jié)構(gòu)分層隨機(jī)森林算法,分層估計多自由度下的頭部姿態(tài);第三,為了增強(qiáng)算法的分類能力,本文使用自適應(yīng)高斯混合模型作為多層次子森林葉子節(jié)點的投票模型。最后3個不同數(shù)據(jù)集上的測試實驗表明本文方法比現(xiàn)有的先進(jìn)算法具有更好的估計準(zhǔn)確率和實時性。下一步我們將針對大場景下的多人頭部姿態(tài)估計,建立估計模型,對于頭發(fā)和眼睛的遮擋建立更加魯棒的特征模型。

    [1] Zhang M, Li K, and Liu Y. Head pose estimation from low-resolution image with Hough forest[C]. 2010 IEEE Chinese Conference on Pattern Recognition (CCPR), Chongqing, China, 2010: 1-5.

    [2] Cai Q, Sankaranarayanan A, Zhang Q, et al.. Real time head pose tracking from multiple cameras with a generic model[C]. 2010 IEEE Computer Society Conference on Computer Vision and Pattern Recognition Workshops (CVPRW), San Francisco, CA, 2010: 25-32.

    [3] Martinovi A, Mathias M, Weissenberg J, et al.. A Threelayered Approach to Facade Parsing[M]. Computer Vision-ECCV 2012, Springer Berlin Heidelberg, Florence, Italy, 2012: 416-429.

    [4] Guo G, Fu Y, Dyer C R, et al.. Head pose estimation: Classification or regression?[C]. 19th IEEE International Conference on Pattern Recognition, Tampa, FL, USA, 2008: 1-4.

    [5] Murphy-Chutorian E and Trivedi M M. Head pose estimation in computer vision: a survey[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2009, 31(4): 607-626.

    [6] Dantone M, Gall J, Fanelli G, et al.. Real-time facial feature detection using conditional regression forests[C]. 25th IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Providence, Rhode Island, 2012: 2578-2585.

    [7] Breiman L. Random forests[J]. Machine Learning, 2001, 45(1): 5-32.

    [8] Huang C, Ding X, and Fang C. Head pose estimation based on random forests for multiclass classification[C]. 20th IEEE International Conference on Pattern Recognition (ICPR), Istanbul, Turkey, 2010: 934-937.

    [9] Fanelli G, Gall J, and Van Gool L. Real time head pose estimation with random regression forests[C]. 24th IEEE Conference on Computer Vision and Pattern Recognition (CVPR), Colorado Springs, 2011: 617-624.

    [10] Fanelli G, Weise T, Gall J, et al.. Real Time Head PoseEstimation from Consumer Depth Cameras[M]. England, Pattern Recognition, Springer Berlin Heidelberg, 2011: 101-110.

    [11] Li Y, Wang S, and Ding X. Person-independent head pose estimation based on random forest regression[C]. 17th IEEE International Conference on Image Processing (ICIP), Hong Kong, China, 2010: 1521-1524.

    [12] Minka T. The dirichlet-tree distribution[OL]. http://www. stat. cmu. edu/minka/papers/dirichlet/minka-dirtree. pdf, 1999.

    [13] Gourier N, Hall D, and Crowley J L. Estimating face orientation from robust detection of salient facial structures[C]. FG Net Workshop on Visual Observation of Deictic Gestures, Cambridge, UK: FGnet (IST–2000–26434), 2004: 1-9.

    [14] Huang G B, Mattar M, Berg T, et al.. Labeled faces in the wild: a database forstudying face recognition in unconstrained environments[C]. Workshop on Faces in ‘Real-Life’ Images: Detection, Alignment, and Recognition, Marseille, France, 2008: 1-14.

    [15] Yang H and Patras I. Privileged information-based conditional regression forest for facial feature detection[C]. 10th IEEE International Conference and Workshops on Automatic Face and Gesture Recognition (FG), Shanghai, China, 2013: 1-6.

    [16] Ba S O and Odobez J M. Multiperson visual focus of attention from head pose and meeting contextual cues[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2011, 33(1): 101-116.

    劉袁緣: 女,1984年生,碩士,講師,研究方向為計算機(jī)視覺與模式識別、圖像處理.

    陳靚影: 女,1973年生,博士,教授,研究方向為計算機(jī)視覺與模式識別、圖像處理.

    俞 侃: 男,1978年生,博士,副教授,研究方向為光學(xué)圖像處理.

    Head Pose Estimation Based on Tree-structure Cascaded Random Forests in Unconstrained Environment

    Liu Yuan-yuan①②Chen Jing-ying②Yu Kan①Q(mào)in Jie③Chen Chao-yuan①①(Wenhua College, Wuhan 430074, China)
    ②(National Engineering Research Center for E-Learning, Central China Normal University, Wuhan 430079, China)
    ③(Wuhan Huazhong Numerical Control Co., Ltd, Wuhan 430074, China)

    Head pose estimation is an important evaluating indicator of human attention, which depends on many factors, such as illumination, noise, identification, occlusion and so on. In order to enhance estimation efficiency and accuracy, this paper presents tree-structure cascaded random forests to estimate head pose in different quality images. First, in order to eliminate the influence of different environment noise, combined texture features in random forests for positive facial patch classification are extracted, which will be the privileged inputs to estimate head pose. Second, a coarse-to-fine approach is proposed to estimate head pose both in the yaw and pitch, which is called tree-structure cascaded random forests. Third, an adaptive Gaussian mixture model is used to enhance discriminate vote energy in the tree distribution. This framework is evaluated in unconstrained environmental datasets. The experiments show that the proposed approach has a remarkable and robust performance in different quality images.

    Head pose estimation; Unconstrained environment; Tree-structure cascaded random forests; Positive facial patch privileged classification; Adaptive Gaussian mixture model

    TP391.4

    A

    1009-5896(2015)03-0543-09

    10.11999/JEIT140433

    2014-04-13收到,2014-07-25改回

    國家自然科學(xué)青年基金(61205062),湖北省自然科學(xué)基金(2012FFB 02701)和華中科技大學(xué)文華學(xué)院青年基金(J0200540102)資助課題

    *通信作者:陳靚影 chenjy@mail.ccnu.edu.cn

    猜你喜歡
    樹結(jié)構(gòu)人臉頭部
    有特點的人臉
    頭部按摩治療老伴失憶
    火箭的頭部為什么是圓鈍形?
    軍事文摘(2020年22期)2021-01-04 02:16:38
    三國漫——人臉解鎖
    動漫星空(2018年9期)2018-10-26 01:17:14
    四維余代數(shù)的分類
    自適應(yīng)統(tǒng)計迭代重建算法在頭部低劑量CT掃描中的應(yīng)用
    大數(shù)據(jù)背景下基于B—樹結(jié)構(gòu)的SQL Server數(shù)據(jù)優(yōu)化策略研究
    基于μσ-DWC特征和樹結(jié)構(gòu)M-SVM的多維時間序列分類
    馬面部與人臉相似度驚人
    長得象人臉的十種動物
    奇聞怪事(2014年5期)2014-05-13 21:43:01
    日韩有码中文字幕| 久久久精品国产亚洲av高清涩受| a级毛片在线看网站| 国产精品 国内视频| 久久精品91无色码中文字幕| 中国美女看黄片| 视频在线观看一区二区三区| 久久久久九九精品影院| 日韩大码丰满熟妇| 国产欧美日韩综合在线一区二区| 两人在一起打扑克的视频| 国产区一区二久久| 欧美一级毛片孕妇| 亚洲在线自拍视频| 丰满饥渴人妻一区二区三| 欧美在线黄色| 免费女性裸体啪啪无遮挡网站| 国产国语露脸激情在线看| 成人18禁在线播放| 激情在线观看视频在线高清| 国产又爽黄色视频| 精品福利永久在线观看| 国产激情久久老熟女| 国产伦一二天堂av在线观看| 精品人妻1区二区| 99在线人妻在线中文字幕| 在线观看午夜福利视频| 91麻豆av在线| 欧美激情久久久久久爽电影 | 国产av一区二区精品久久| 淫秽高清视频在线观看| 精品久久久久久电影网| 韩国av一区二区三区四区| 成人av一区二区三区在线看| 啦啦啦 在线观看视频| 嫁个100分男人电影在线观看| 国产亚洲欧美精品永久| 两性午夜刺激爽爽歪歪视频在线观看 | 亚洲精品在线观看二区| 中文字幕人妻丝袜一区二区| 又大又爽又粗| 日韩欧美在线二视频| 老司机亚洲免费影院| 久久人人精品亚洲av| av有码第一页| 国产精品秋霞免费鲁丝片| 精品国内亚洲2022精品成人| 国产精品综合久久久久久久免费 | 淫秽高清视频在线观看| 国产亚洲欧美98| 一级毛片精品| 999久久久精品免费观看国产| 午夜福利一区二区在线看| 亚洲一码二码三码区别大吗| 色综合欧美亚洲国产小说| 99国产精品一区二区三区| 成人三级黄色视频| 日韩欧美免费精品| 免费久久久久久久精品成人欧美视频| 在线观看66精品国产| 男女下面进入的视频免费午夜 | 亚洲精品一区av在线观看| 90打野战视频偷拍视频| 久久久国产成人精品二区 | a级毛片在线看网站| 午夜成年电影在线免费观看| 午夜两性在线视频| 欧美激情极品国产一区二区三区| 国产区一区二久久| 99国产精品一区二区三区| 波多野结衣av一区二区av| 嫩草影院精品99| 国产精品秋霞免费鲁丝片| 国产成人精品久久二区二区免费| 亚洲伊人色综图| 国产亚洲欧美在线一区二区| 色婷婷av一区二区三区视频| 午夜日韩欧美国产| 天天躁狠狠躁夜夜躁狠狠躁| 中文字幕另类日韩欧美亚洲嫩草| 成熟少妇高潮喷水视频| 一二三四在线观看免费中文在| 国产精品香港三级国产av潘金莲| 久久久久国内视频| 精品国产乱子伦一区二区三区| 久久精品91蜜桃| 欧美激情 高清一区二区三区| 亚洲一区二区三区欧美精品| 日韩大尺度精品在线看网址 | 亚洲av美国av| 三级毛片av免费| 免费一级毛片在线播放高清视频 | 成年人免费黄色播放视频| 波多野结衣一区麻豆| 亚洲在线自拍视频| 动漫黄色视频在线观看| av有码第一页| 欧美精品亚洲一区二区| avwww免费| 中国美女看黄片| 9色porny在线观看| 婷婷精品国产亚洲av在线| 嫩草影院精品99| 狂野欧美激情性xxxx| 在线十欧美十亚洲十日本专区| 一区二区日韩欧美中文字幕| 午夜免费激情av| 亚洲情色 制服丝袜| 久久精品亚洲熟妇少妇任你| 国产一区在线观看成人免费| 亚洲五月婷婷丁香| 午夜日韩欧美国产| 日韩成人在线观看一区二区三区| av超薄肉色丝袜交足视频| 伦理电影免费视频| 午夜视频精品福利| 中文字幕人妻丝袜制服| www国产在线视频色| 亚洲专区字幕在线| 超碰97精品在线观看| 欧美成人午夜精品| ponron亚洲| 新久久久久国产一级毛片| 美女高潮喷水抽搐中文字幕| 亚洲欧美一区二区三区黑人| 久久香蕉激情| www.精华液| 在线观看舔阴道视频| 激情视频va一区二区三区| 欧美在线黄色| 99国产综合亚洲精品| 午夜精品在线福利| 国内久久婷婷六月综合欲色啪| 亚洲自偷自拍图片 自拍| 每晚都被弄得嗷嗷叫到高潮| av在线天堂中文字幕 | 亚洲成人久久性| 十八禁网站免费在线| 操出白浆在线播放| 国产亚洲精品综合一区在线观看 | 午夜久久久在线观看| 国产成+人综合+亚洲专区| 一进一出抽搐gif免费好疼 | 一级毛片精品| 午夜精品国产一区二区电影| 国产欧美日韩精品亚洲av| a在线观看视频网站| 久久久久精品国产欧美久久久| 国产成+人综合+亚洲专区| 美女大奶头视频| 国产精品av久久久久免费| 久久久精品国产亚洲av高清涩受| 精品卡一卡二卡四卡免费| 久久久久久久久中文| 大型黄色视频在线免费观看| 日本欧美视频一区| 国产一卡二卡三卡精品| 性色av乱码一区二区三区2| 99久久国产精品久久久| av天堂久久9| 9热在线视频观看99| av中文乱码字幕在线| 国产午夜精品久久久久久| 99riav亚洲国产免费| 成熟少妇高潮喷水视频| 欧美乱码精品一区二区三区| 午夜精品国产一区二区电影| 亚洲男人天堂网一区| 亚洲五月婷婷丁香| 午夜福利影视在线免费观看| 深夜精品福利| 老司机午夜十八禁免费视频| 日本黄色视频三级网站网址| 国产伦人伦偷精品视频| 人人澡人人妻人| 久久欧美精品欧美久久欧美| 亚洲国产欧美一区二区综合| 成人精品一区二区免费| 日韩欧美一区二区三区在线观看| 日本一区二区免费在线视频| 国产乱人伦免费视频| 免费高清视频大片| 欧洲精品卡2卡3卡4卡5卡区| 韩国精品一区二区三区| 桃红色精品国产亚洲av| 色综合婷婷激情| 久久精品aⅴ一区二区三区四区| 午夜精品在线福利| 成年版毛片免费区| 午夜福利免费观看在线| 国产成人啪精品午夜网站| 国产一区二区三区视频了| 成人免费观看视频高清| 中文字幕最新亚洲高清| 亚洲欧美日韩无卡精品| 午夜精品久久久久久毛片777| 好看av亚洲va欧美ⅴa在| 黄色女人牲交| 欧美中文日本在线观看视频| 三上悠亚av全集在线观看| 亚洲av第一区精品v没综合| 人人澡人人妻人| 亚洲国产精品999在线| 超色免费av| 精品久久久精品久久久| 亚洲熟妇熟女久久| 夫妻午夜视频| 波多野结衣av一区二区av| 午夜免费激情av| 亚洲一区二区三区不卡视频| 精品国产美女av久久久久小说| 国产欧美日韩综合在线一区二区| 黄网站色视频无遮挡免费观看| 精品久久久久久久毛片微露脸| 国产精品永久免费网站| 国产亚洲精品第一综合不卡| 一区在线观看完整版| 国产精品久久久久成人av| 88av欧美| 男女高潮啪啪啪动态图| 巨乳人妻的诱惑在线观看| 国产欧美日韩一区二区精品| 九色亚洲精品在线播放| 性色av乱码一区二区三区2| 50天的宝宝边吃奶边哭怎么回事| 久久精品aⅴ一区二区三区四区| 18禁黄网站禁片午夜丰满| 9热在线视频观看99| 琪琪午夜伦伦电影理论片6080| √禁漫天堂资源中文www| 亚洲专区中文字幕在线| 欧美精品一区二区免费开放| 色老头精品视频在线观看| 在线天堂中文资源库| 亚洲国产中文字幕在线视频| 亚洲精品一区av在线观看| 亚洲五月婷婷丁香| 水蜜桃什么品种好| 极品教师在线免费播放| 黄片播放在线免费| 在线视频色国产色| 99香蕉大伊视频| 欧美日韩av久久| 露出奶头的视频| 国产av一区在线观看免费| 亚洲精品一区av在线观看| 91国产中文字幕| 免费在线观看视频国产中文字幕亚洲| 露出奶头的视频| 久久热在线av| 美女大奶头视频| 国产欧美日韩综合在线一区二区| 在线观看www视频免费| 欧美成人性av电影在线观看| 国产亚洲精品一区二区www| 丰满的人妻完整版| 成人三级做爰电影| 波多野结衣av一区二区av| 亚洲一卡2卡3卡4卡5卡精品中文| 中文亚洲av片在线观看爽| 香蕉丝袜av| 人人妻人人添人人爽欧美一区卜| 1024香蕉在线观看| 性少妇av在线| 一本综合久久免费| 久久人人97超碰香蕉20202| av在线播放免费不卡| 国产一区二区在线av高清观看| 欧美日韩一级在线毛片| 热re99久久国产66热| 欧美日本亚洲视频在线播放| 狠狠狠狠99中文字幕| 亚洲男人的天堂狠狠| 女同久久另类99精品国产91| 男女床上黄色一级片免费看| 在线观看免费午夜福利视频| 91九色精品人成在线观看| 国产精品久久久av美女十八| 久久天躁狠狠躁夜夜2o2o| 久久人人爽av亚洲精品天堂| 91字幕亚洲| 这个男人来自地球电影免费观看| 国产乱人伦免费视频| 国产精品av久久久久免费| 看免费av毛片| 91精品三级在线观看| svipshipincom国产片| 天天躁狠狠躁夜夜躁狠狠躁| 亚洲免费av在线视频| 少妇粗大呻吟视频| 欧美日韩视频精品一区| 亚洲 欧美 日韩 在线 免费| 久久久久九九精品影院| 亚洲欧美日韩另类电影网站| 电影成人av| 久久精品亚洲精品国产色婷小说| 天天添夜夜摸| 国产成人精品久久二区二区免费| 女性生殖器流出的白浆| 黄片播放在线免费| 亚洲av美国av| 黑人欧美特级aaaaaa片| 80岁老熟妇乱子伦牲交| 老司机福利观看| 免费看a级黄色片| 久久久国产成人免费| 亚洲人成网站在线播放欧美日韩| 在线观看午夜福利视频| 亚洲欧美日韩另类电影网站| 视频在线观看一区二区三区| 侵犯人妻中文字幕一二三四区| 亚洲av第一区精品v没综合| 国产成人精品久久二区二区免费| 欧美日韩中文字幕国产精品一区二区三区 | 18美女黄网站色大片免费观看| 免费在线观看视频国产中文字幕亚洲| 黄色视频,在线免费观看| 国产激情欧美一区二区| 久久香蕉国产精品| 真人做人爱边吃奶动态| 色综合站精品国产| 看黄色毛片网站| 国产一区二区在线av高清观看| 亚洲情色 制服丝袜| 黄色女人牲交| 亚洲精品国产色婷婷电影| 男人舔女人下体高潮全视频| 精品久久久久久成人av| 国产不卡一卡二| 中文字幕色久视频| 天天躁狠狠躁夜夜躁狠狠躁| 亚洲第一欧美日韩一区二区三区| 巨乳人妻的诱惑在线观看| 在线av久久热| 精品久久久久久,| 久久这里只有精品19| 12—13女人毛片做爰片一| 又大又爽又粗| 一区二区三区激情视频| 久久久久九九精品影院| 热re99久久精品国产66热6| 99riav亚洲国产免费| 一级a爱视频在线免费观看| 亚洲国产精品一区二区三区在线| 免费在线观看视频国产中文字幕亚洲| 51午夜福利影视在线观看| 亚洲欧美一区二区三区久久| 成在线人永久免费视频| 女人爽到高潮嗷嗷叫在线视频| 91成年电影在线观看| 久久 成人 亚洲| 午夜福利,免费看| 级片在线观看| 欧美黄色片欧美黄色片| 天堂影院成人在线观看| 宅男免费午夜| 黄片播放在线免费| 欧美日本中文国产一区发布| 国产成人免费无遮挡视频| 免费高清视频大片| 国产成人免费无遮挡视频| 19禁男女啪啪无遮挡网站| 欧美最黄视频在线播放免费 | 伦理电影免费视频| 免费在线观看完整版高清| 久久国产精品人妻蜜桃| 亚洲av美国av| 可以在线观看毛片的网站| 日韩三级视频一区二区三区| 国产精品野战在线观看 | 欧美乱色亚洲激情| 久久人妻熟女aⅴ| 老司机深夜福利视频在线观看| 香蕉丝袜av| 欧美乱色亚洲激情| 国产成人精品久久二区二区91| 免费在线观看视频国产中文字幕亚洲| 99国产精品一区二区蜜桃av| 午夜激情av网站| a级毛片在线看网站| 九色亚洲精品在线播放| 超色免费av| 日本黄色视频三级网站网址| 亚洲一卡2卡3卡4卡5卡精品中文| 亚洲 国产 在线| 午夜精品在线福利| 麻豆久久精品国产亚洲av | 国产野战对白在线观看| 精品欧美一区二区三区在线| av在线播放免费不卡| 亚洲欧美激情综合另类| 天堂俺去俺来也www色官网| 欧美日韩亚洲综合一区二区三区_| √禁漫天堂资源中文www| 精品国内亚洲2022精品成人| 在线观看一区二区三区| 久久久国产成人精品二区 | 黄片大片在线免费观看| 女性被躁到高潮视频| 国产一区二区激情短视频| 国产人伦9x9x在线观看| 巨乳人妻的诱惑在线观看| 成人亚洲精品一区在线观看| 少妇的丰满在线观看| 亚洲精品在线美女| 日韩av在线大香蕉| www日本在线高清视频| 欧美激情极品国产一区二区三区| 午夜久久久在线观看| 99re在线观看精品视频| 99精品久久久久人妻精品| 亚洲三区欧美一区| 一区二区三区激情视频| 午夜福利,免费看| 欧美中文综合在线视频| 丁香欧美五月| 日本撒尿小便嘘嘘汇集6| 老司机靠b影院| 两性夫妻黄色片| 国产精品亚洲一级av第二区| 欧美在线一区亚洲| 香蕉久久夜色| 日韩视频一区二区在线观看| 高清av免费在线| 天天躁狠狠躁夜夜躁狠狠躁| 久99久视频精品免费| 国产无遮挡羞羞视频在线观看| 免费看十八禁软件| 高潮久久久久久久久久久不卡| 国产精品国产av在线观看| 成人亚洲精品av一区二区 | 亚洲免费av在线视频| 好男人电影高清在线观看| 一区在线观看完整版| 变态另类成人亚洲欧美熟女 | 国产精品日韩av在线免费观看 | 级片在线观看| 国产成人系列免费观看| 亚洲欧美激情综合另类| 欧美亚洲日本最大视频资源| 久久久久九九精品影院| 侵犯人妻中文字幕一二三四区| 欧美在线一区亚洲| 亚洲人成电影观看| 亚洲人成电影观看| 色综合婷婷激情| 亚洲片人在线观看| 69精品国产乱码久久久| 一级a爱视频在线免费观看| 满18在线观看网站| 亚洲午夜理论影院| 免费高清在线观看日韩| 国产成人免费无遮挡视频| 日本精品一区二区三区蜜桃| 国产精品久久电影中文字幕| 亚洲第一av免费看| 女警被强在线播放| 悠悠久久av| 国产熟女午夜一区二区三区| 亚洲中文字幕日韩| 淫秽高清视频在线观看| 精品第一国产精品| 国产主播在线观看一区二区| 桃色一区二区三区在线观看| 大型黄色视频在线免费观看| 香蕉国产在线看| 少妇 在线观看| 精品国产乱码久久久久久男人| 亚洲中文日韩欧美视频| 十八禁网站免费在线| 久久国产精品人妻蜜桃| 国产免费av片在线观看野外av| 自拍欧美九色日韩亚洲蝌蚪91| 日本五十路高清| 很黄的视频免费| 伊人久久大香线蕉亚洲五| 久久香蕉激情| 久久久久久免费高清国产稀缺| 视频在线观看一区二区三区| 欧美精品亚洲一区二区| 亚洲黑人精品在线| 不卡av一区二区三区| 51午夜福利影视在线观看| 欧美激情久久久久久爽电影 | 18禁裸乳无遮挡免费网站照片 | 午夜免费鲁丝| 欧美激情高清一区二区三区| 一二三四在线观看免费中文在| 久9热在线精品视频| 新久久久久国产一级毛片| www.精华液| 天堂√8在线中文| 久久精品亚洲精品国产色婷小说| 丝袜人妻中文字幕| 久久人人97超碰香蕉20202| 色综合欧美亚洲国产小说| 黄片小视频在线播放| 久久国产亚洲av麻豆专区| 亚洲av第一区精品v没综合| 午夜两性在线视频| x7x7x7水蜜桃| 国产精品国产av在线观看| 国产成人免费无遮挡视频| 亚洲七黄色美女视频| 在线观看www视频免费| 日本撒尿小便嘘嘘汇集6| 久热这里只有精品99| 可以在线观看毛片的网站| 久久精品国产亚洲av高清一级| 精品国产亚洲在线| 亚洲免费av在线视频| 久久天堂一区二区三区四区| 99国产精品99久久久久| 老鸭窝网址在线观看| 悠悠久久av| 中出人妻视频一区二区| 十八禁网站免费在线| 好看av亚洲va欧美ⅴa在| 国产黄色免费在线视频| 嫩草影视91久久| 熟女少妇亚洲综合色aaa.| 国产欧美日韩精品亚洲av| 国产精品久久久久成人av| 嫁个100分男人电影在线观看| 嫩草影视91久久| 夫妻午夜视频| 成人免费观看视频高清| 亚洲精品一卡2卡三卡4卡5卡| 一级作爱视频免费观看| 久久国产精品男人的天堂亚洲| 夜夜躁狠狠躁天天躁| 日韩欧美免费精品| 999久久久精品免费观看国产| 国产精品亚洲av一区麻豆| 精品乱码久久久久久99久播| 国产成+人综合+亚洲专区| 在线观看免费日韩欧美大片| 日本五十路高清| av天堂久久9| 久久中文字幕人妻熟女| 天堂俺去俺来也www色官网| 十分钟在线观看高清视频www| 国产一卡二卡三卡精品| 亚洲一区二区三区不卡视频| 国产色视频综合| 亚洲欧美日韩无卡精品| 日韩大尺度精品在线看网址 | 99久久综合精品五月天人人| 中文字幕人妻丝袜一区二区| 在线十欧美十亚洲十日本专区| 制服诱惑二区| 亚洲国产看品久久| 日日爽夜夜爽网站| 69av精品久久久久久| 日韩免费av在线播放| 夫妻午夜视频| 嫩草影院精品99| 亚洲熟女毛片儿| 两人在一起打扑克的视频| 免费在线观看完整版高清| 亚洲自偷自拍图片 自拍| 亚洲色图 男人天堂 中文字幕| 天天影视国产精品| 丁香六月欧美| 18美女黄网站色大片免费观看| 精品人妻1区二区| 两个人看的免费小视频| 亚洲人成77777在线视频| 久热爱精品视频在线9| x7x7x7水蜜桃| 99热只有精品国产| 亚洲va日本ⅴa欧美va伊人久久| 99在线视频只有这里精品首页| 精品人妻1区二区| 久久人人爽av亚洲精品天堂| 黄频高清免费视频| 欧美日韩亚洲高清精品| 老司机福利观看| 久久精品人人爽人人爽视色| 亚洲av五月六月丁香网| 精品一区二区三区四区五区乱码| 精品国产美女av久久久久小说| 亚洲一区二区三区不卡视频| 18美女黄网站色大片免费观看| 91字幕亚洲| 久久午夜综合久久蜜桃| 18禁美女被吸乳视频| 黄色 视频免费看| 国产精品 欧美亚洲| 免费高清在线观看日韩| 在线观看www视频免费| 精品日产1卡2卡| 91成年电影在线观看| 激情视频va一区二区三区| 成人三级做爰电影| 国产精品日韩av在线免费观看 | 黄色女人牲交| 美国免费a级毛片| 亚洲一卡2卡3卡4卡5卡精品中文| 男女做爰动态图高潮gif福利片 | 水蜜桃什么品种好| 桃色一区二区三区在线观看| 老汉色av国产亚洲站长工具| 曰老女人黄片| aaaaa片日本免费| 人人妻人人爽人人添夜夜欢视频| 久久精品亚洲熟妇少妇任你| 黄色片一级片一级黄色片| 久久天堂一区二区三区四区| 99国产精品一区二区三区| bbb黄色大片| 1024香蕉在线观看| 欧美精品啪啪一区二区三区| 日本wwww免费看| 天堂动漫精品|