• <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
    国产精品免费一区二区三区在线| 欧美日本亚洲视频在线播放| 天堂影院成人在线观看| 国产男人的电影天堂91| 真人做人爱边吃奶动态| 国产成人影院久久av| 成人毛片a级毛片在线播放| 夜夜夜夜夜久久久久| 哪里可以看免费的av片| av.在线天堂| 成人二区视频| 女生性感内裤真人,穿戴方法视频| av在线蜜桃| 久久久久精品国产欧美久久久| av卡一久久| av免费在线看不卡| 亚洲最大成人中文| 老司机福利观看| 亚洲七黄色美女视频| 国产男靠女视频免费网站| 91精品国产九色| 亚洲精品日韩av片在线观看| 成人特级av手机在线观看| 久久人妻av系列| 久久久久久国产a免费观看| 久久久久久久久久成人| 久久午夜福利片| 免费不卡的大黄色大毛片视频在线观看 | 国产精品不卡视频一区二区| 欧美色欧美亚洲另类二区| 激情 狠狠 欧美| 99国产极品粉嫩在线观看| 又黄又爽又刺激的免费视频.| 好男人在线观看高清免费视频| 免费高清视频大片| 色哟哟哟哟哟哟| 老女人水多毛片| 久久午夜福利片| 国国产精品蜜臀av免费| 国产av在哪里看| 日本熟妇午夜| 欧美中文日本在线观看视频| 一个人免费在线观看电影| 寂寞人妻少妇视频99o| 观看免费一级毛片| 欧美xxxx性猛交bbbb| 成人国产麻豆网| 精品熟女少妇av免费看| 亚洲成人久久性| 国产精品不卡视频一区二区| 国内久久婷婷六月综合欲色啪| 成人性生交大片免费视频hd| 深爱激情五月婷婷| 国产三级中文精品| 亚洲欧美成人精品一区二区| 中出人妻视频一区二区| 舔av片在线| 亚洲成人精品中文字幕电影| 伦精品一区二区三区| 亚洲久久久久久中文字幕| 亚洲欧美日韩高清专用| 免费看美女性在线毛片视频| 九色成人免费人妻av| 国产成人91sexporn| 国产 一区精品| 91久久精品电影网| 老熟妇乱子伦视频在线观看| 国产精品电影一区二区三区| 国产黄色视频一区二区在线观看 | 精品国产三级普通话版| 色5月婷婷丁香| 中文资源天堂在线| 日产精品乱码卡一卡2卡三| 中文在线观看免费www的网站| 身体一侧抽搐| 天堂影院成人在线观看| 亚洲图色成人| 91精品国产九色| 在线看三级毛片| 精品无人区乱码1区二区| 乱系列少妇在线播放| 精品欧美国产一区二区三| 免费人成视频x8x8入口观看| 丰满乱子伦码专区| 久久精品影院6| 一进一出好大好爽视频| 日韩制服骚丝袜av| 亚洲精品成人久久久久久| 久久久午夜欧美精品| 天天躁夜夜躁狠狠久久av| 亚洲成人久久性| 日韩一本色道免费dvd| 免费在线观看影片大全网站| 国产熟女欧美一区二区| av天堂中文字幕网| 亚洲,欧美,日韩| 中文资源天堂在线| 特级一级黄色大片| 欧美日本视频| 可以在线观看毛片的网站| 亚洲三级黄色毛片| 啦啦啦观看免费观看视频高清| 直男gayav资源| 精品日产1卡2卡| 蜜桃久久精品国产亚洲av| 国产v大片淫在线免费观看| 精品一区二区三区视频在线| av卡一久久| av在线播放精品| 最近视频中文字幕2019在线8| 丰满的人妻完整版| 村上凉子中文字幕在线| 99久久久亚洲精品蜜臀av| 黄色日韩在线| 久久久欧美国产精品| 成熟少妇高潮喷水视频| 99riav亚洲国产免费| 一个人观看的视频www高清免费观看| 国产高清激情床上av| 最好的美女福利视频网| 国产成人精品久久久久久| 波野结衣二区三区在线| 天天一区二区日本电影三级| 熟妇人妻久久中文字幕3abv| 18+在线观看网站| 国产又黄又爽又无遮挡在线| 亚洲精品456在线播放app| 国产精品久久视频播放| 免费高清视频大片| 少妇被粗大猛烈的视频| 亚洲精品亚洲一区二区| 亚洲欧美精品自产自拍| 亚洲性久久影院| 欧美极品一区二区三区四区| 国产精品久久电影中文字幕| 欧洲精品卡2卡3卡4卡5卡区| 欧美色视频一区免费| 亚洲av免费在线观看| 我的女老师完整版在线观看| 欧美bdsm另类| 成人毛片a级毛片在线播放| 网址你懂的国产日韩在线| 国产在线男女| 99热精品在线国产| 蜜桃亚洲精品一区二区三区| 久久午夜亚洲精品久久| 精品久久久久久久久av| 成人毛片a级毛片在线播放| 伊人久久精品亚洲午夜| 国产欧美日韩精品一区二区| 国产视频内射| 亚洲欧美清纯卡通| 亚洲av熟女| 国产高清视频在线观看网站| 男人舔女人下体高潮全视频| 日韩一本色道免费dvd| 欧美三级亚洲精品| 少妇熟女aⅴ在线视频| 久久人妻av系列| 六月丁香七月| 综合色av麻豆| 亚洲精品亚洲一区二区| 九九在线视频观看精品| 美女高潮的动态| 男人的好看免费观看在线视频| 国产黄色小视频在线观看| 欧美性猛交╳xxx乱大交人| 婷婷六月久久综合丁香| 悠悠久久av| 色综合色国产| 国产伦精品一区二区三区四那| 欧美丝袜亚洲另类| 欧美性猛交╳xxx乱大交人| 丰满的人妻完整版| 亚洲精品亚洲一区二区| 成人永久免费在线观看视频| 日本黄色片子视频| 欧美激情在线99| 日韩 亚洲 欧美在线| 久久久久国产精品人妻aⅴ院| 99在线视频只有这里精品首页| 国产 一区精品| 亚洲人成网站在线播放欧美日韩| 国产精品亚洲美女久久久| 成人二区视频| 桃色一区二区三区在线观看| 国产精品嫩草影院av在线观看| 99国产精品一区二区蜜桃av| 亚洲一级一片aⅴ在线观看| 99久久中文字幕三级久久日本| 亚洲专区国产一区二区| 成人一区二区视频在线观看| 亚洲av不卡在线观看| 亚洲国产色片| 一区二区三区免费毛片| 亚洲最大成人av| 国产精品人妻久久久影院| 亚洲成人中文字幕在线播放| 一级a爱片免费观看的视频| 美女大奶头视频| 99久久久亚洲精品蜜臀av| 一区二区三区高清视频在线| 日本五十路高清| 男人舔奶头视频| 国产精品久久久久久亚洲av鲁大| 欧美三级亚洲精品| 女同久久另类99精品国产91| 国内精品一区二区在线观看| 国语自产精品视频在线第100页| 欧美+日韩+精品| a级一级毛片免费在线观看| 国内精品久久久久精免费| 亚洲av不卡在线观看| 晚上一个人看的免费电影| 亚洲人与动物交配视频| 欧美3d第一页| 精品日产1卡2卡| 午夜激情福利司机影院| 老司机影院成人| 别揉我奶头~嗯~啊~动态视频| 97超级碰碰碰精品色视频在线观看| 一卡2卡三卡四卡精品乱码亚洲| 久久亚洲国产成人精品v| 成人一区二区视频在线观看| 真人做人爱边吃奶动态| 亚洲欧美成人精品一区二区| 国产亚洲精品av在线| 亚洲精品一卡2卡三卡4卡5卡| 亚洲电影在线观看av| 欧美一区二区精品小视频在线| 日韩欧美精品v在线| 少妇人妻一区二区三区视频| 亚洲欧美成人综合另类久久久 | 少妇猛男粗大的猛烈进出视频 | 亚洲成av人片在线播放无| 在线播放无遮挡| 特级一级黄色大片| 成人高潮视频无遮挡免费网站| 日本黄大片高清| 国产 一区精品| 精品久久国产蜜桃| 国产高清有码在线观看视频| 午夜精品在线福利| 免费看日本二区| 少妇的逼水好多| 成人亚洲欧美一区二区av| 色在线成人网| 久久这里只有精品中国| 丰满的人妻完整版| 日韩强制内射视频| 日韩高清综合在线| 成年免费大片在线观看| 亚洲欧美精品综合久久99| 国产精品电影一区二区三区| 亚洲国产日韩欧美精品在线观看| 国产午夜精品论理片| 日韩成人伦理影院| 亚洲色图av天堂| 日本熟妇午夜| 日韩精品中文字幕看吧| 日本黄大片高清| 国产午夜福利久久久久久| 黄色日韩在线| 国产免费男女视频| 国产精品人妻久久久久久| 亚洲图色成人| 别揉我奶头 嗯啊视频| 午夜激情欧美在线| 性色avwww在线观看| 一个人免费在线观看电影| 国产精品一区二区三区四区久久| 午夜福利18| 久久欧美精品欧美久久欧美| 成年版毛片免费区| 小蜜桃在线观看免费完整版高清| 色av中文字幕| 国产日本99.免费观看| 美女 人体艺术 gogo| aaaaa片日本免费| 色视频www国产| 最新在线观看一区二区三区| 中出人妻视频一区二区| 亚洲精品乱码久久久v下载方式| 久久精品国产鲁丝片午夜精品| 丝袜喷水一区| 老司机福利观看| 国产aⅴ精品一区二区三区波| 欧美日韩国产亚洲二区| 婷婷精品国产亚洲av| 欧美区成人在线视频| 国产乱人视频| 久久久久久伊人网av| а√天堂www在线а√下载| 日本欧美国产在线视频| 晚上一个人看的免费电影| 真实男女啪啪啪动态图| 亚洲无线观看免费| 欧美区成人在线视频| 波多野结衣高清无吗| 国产高清激情床上av| 69人妻影院| 成人av在线播放网站| 亚洲人成网站在线播| 真实男女啪啪啪动态图| 国产精品99久久久久久久久| 黄色配什么色好看| 97碰自拍视频| 深夜a级毛片| 菩萨蛮人人尽说江南好唐韦庄 | 欧美成人a在线观看| 久久午夜亚洲精品久久| 精品99又大又爽又粗少妇毛片| 免费av观看视频| 亚洲精品亚洲一区二区| 色综合亚洲欧美另类图片| 有码 亚洲区| 97在线视频观看| 亚洲va在线va天堂va国产| 色视频www国产| 精品一区二区三区av网在线观看| 亚洲av五月六月丁香网| 少妇高潮的动态图| 伊人久久精品亚洲午夜| .国产精品久久| 中文字幕av在线有码专区| 99国产极品粉嫩在线观看| 午夜爱爱视频在线播放| 真人做人爱边吃奶动态| 日韩大尺度精品在线看网址| 成人精品一区二区免费| 成人亚洲欧美一区二区av| 草草在线视频免费看| 日韩av在线大香蕉| 成人二区视频| 99久久精品一区二区三区| 黄色一级大片看看| 国产高清视频在线播放一区| 久久久久久久久久黄片| 18禁在线播放成人免费| 亚洲最大成人手机在线| 色尼玛亚洲综合影院| 内射极品少妇av片p| 久久久久久九九精品二区国产| 久久精品国产清高在天天线| 综合色丁香网| 秋霞在线观看毛片| 国产又黄又爽又无遮挡在线| 日日摸夜夜添夜夜添小说| 国内精品一区二区在线观看| 插逼视频在线观看| 欧美日韩精品成人综合77777| a级毛片免费高清观看在线播放| 免费搜索国产男女视频| 亚洲一区高清亚洲精品| 欧美成人精品欧美一级黄| av黄色大香蕉| 亚洲无线观看免费| 国产男靠女视频免费网站| 亚洲精品粉嫩美女一区| 国产成人aa在线观看| 人妻丰满熟妇av一区二区三区| 亚洲经典国产精华液单| 人人妻人人澡欧美一区二区| 一级毛片电影观看 | 欧美3d第一页| 老女人水多毛片| 人人妻人人澡人人爽人人夜夜 | 人妻丰满熟妇av一区二区三区| 婷婷精品国产亚洲av| 亚洲真实伦在线观看| 精品乱码久久久久久99久播| 日韩欧美免费精品| 一进一出抽搐动态| 18+在线观看网站| av中文乱码字幕在线| 我要搜黄色片| 能在线免费观看的黄片| 成人亚洲精品av一区二区| 久久鲁丝午夜福利片| 亚洲欧美成人综合另类久久久 | 国产精品一区二区免费欧美| 日本成人三级电影网站| av中文乱码字幕在线| 欧美性猛交╳xxx乱大交人| 国产真实乱freesex| 精品久久久噜噜| 人妻夜夜爽99麻豆av| 深夜精品福利| 成人av在线播放网站| av在线亚洲专区| 3wmmmm亚洲av在线观看| 性插视频无遮挡在线免费观看| 国产黄片美女视频| 亚洲精品日韩在线中文字幕 | 亚洲精品日韩av片在线观看| 床上黄色一级片| 简卡轻食公司| 麻豆一二三区av精品| 亚洲精品亚洲一区二区| 免费大片18禁| 亚洲精品456在线播放app| 国产精品乱码一区二三区的特点| 日韩精品有码人妻一区| 国产亚洲精品久久久com| av专区在线播放| 日韩欧美精品v在线| 乱人视频在线观看| 欧洲精品卡2卡3卡4卡5卡区| 亚洲中文字幕日韩| 国产成年人精品一区二区| 好男人在线观看高清免费视频| 可以在线观看毛片的网站| 亚洲美女黄片视频| 午夜福利在线观看吧| 日本一本二区三区精品| 日韩人妻高清精品专区| 综合色av麻豆| 老司机午夜福利在线观看视频| 看十八女毛片水多多多| 亚洲熟妇熟女久久| 亚洲精品456在线播放app| 一个人看的www免费观看视频| 99久久精品热视频| 国产亚洲av嫩草精品影院| 免费人成在线观看视频色| 搡老岳熟女国产| 欧美成人a在线观看| 亚洲三级黄色毛片| 国产三级在线视频| 国产黄色小视频在线观看| 亚洲第一电影网av| 日韩一本色道免费dvd| 一级毛片久久久久久久久女| 午夜福利成人在线免费观看| 熟女电影av网| 我要看日韩黄色一级片| 亚洲美女搞黄在线观看 | 国国产精品蜜臀av免费| 久久草成人影院| 在线观看av片永久免费下载| 18禁在线无遮挡免费观看视频 | 国产男靠女视频免费网站| 亚洲av熟女| 国产成人a区在线观看| 欧美日韩在线观看h| videossex国产| 中文字幕av在线有码专区| 男女下面进入的视频免费午夜| 男人和女人高潮做爰伦理| 欧美日韩国产亚洲二区| 国产伦精品一区二区三区视频9| 亚洲四区av| 国产精品亚洲美女久久久| 99热网站在线观看| 久久精品夜色国产| 黄色日韩在线| 色综合站精品国产| 色尼玛亚洲综合影院| 1000部很黄的大片| av在线播放精品| 最近最新中文字幕大全电影3| 久久人人精品亚洲av| 嫩草影院入口| 麻豆一二三区av精品| 日本 av在线| av女优亚洲男人天堂| 国内精品一区二区在线观看| 国产成人福利小说| 欧美高清性xxxxhd video| 中文字幕av成人在线电影| 一区二区三区免费毛片| 看片在线看免费视频| 色噜噜av男人的天堂激情| 热99re8久久精品国产| 婷婷精品国产亚洲av| 日韩强制内射视频| 在线播放国产精品三级| 99国产极品粉嫩在线观看| 春色校园在线视频观看| 特级一级黄色大片| АⅤ资源中文在线天堂| 欧洲精品卡2卡3卡4卡5卡区| 国产精品综合久久久久久久免费| 国产毛片a区久久久久| 天天躁夜夜躁狠狠久久av| 亚洲高清免费不卡视频| 国产成人一区二区在线| 免费高清视频大片| 国产久久久一区二区三区| 2021天堂中文幕一二区在线观| 久久午夜亚洲精品久久| .国产精品久久| 免费大片18禁| 成人欧美大片| av免费在线看不卡| 成年女人毛片免费观看观看9| 国产爱豆传媒在线观看| 一级毛片我不卡| 一个人看视频在线观看www免费| 精品久久国产蜜桃| 一本精品99久久精品77| 国产不卡一卡二| 最新在线观看一区二区三区| 国产高潮美女av| 最近手机中文字幕大全| 人人妻人人澡人人爽人人夜夜 | 国内揄拍国产精品人妻在线| 麻豆乱淫一区二区| 12—13女人毛片做爰片一| videossex国产| 黄色配什么色好看| 乱人视频在线观看| av专区在线播放| 亚洲自偷自拍三级| 国产又黄又爽又无遮挡在线| avwww免费| 久久草成人影院| av在线观看视频网站免费| 亚洲成人久久爱视频| 欧美三级亚洲精品| 丝袜美腿在线中文| 成人永久免费在线观看视频| 一级毛片电影观看 | 人人妻,人人澡人人爽秒播| 亚洲国产精品成人久久小说 | 国产免费一级a男人的天堂| 欧美色欧美亚洲另类二区| 全区人妻精品视频| av卡一久久| 少妇高潮的动态图| 岛国在线免费视频观看| 久久久久久久久久成人| or卡值多少钱| 免费一级毛片在线播放高清视频| 亚洲av免费在线观看| 一本精品99久久精品77| 精品一区二区免费观看| 成熟少妇高潮喷水视频| 深夜a级毛片| 久久99热6这里只有精品| 国产精品久久久久久亚洲av鲁大| 99在线视频只有这里精品首页| 成人亚洲欧美一区二区av| 搡老妇女老女人老熟妇| 在线国产一区二区在线| 国产精品一区二区三区四区久久| 日本在线视频免费播放| 国产精品无大码| 国产黄色视频一区二区在线观看 | 床上黄色一级片| 国产综合懂色| 国产高清激情床上av| 欧美极品一区二区三区四区| 一级a爱片免费观看的视频| 久久精品夜色国产| 欧美一区二区精品小视频在线| 国产精品久久视频播放| 亚洲av五月六月丁香网| 少妇裸体淫交视频免费看高清| 亚洲人成网站在线观看播放| 亚洲av成人av| 精品一区二区三区av网在线观看| 国产私拍福利视频在线观看| 内地一区二区视频在线| 少妇丰满av| 成熟少妇高潮喷水视频| 国产一区二区三区av在线 | 国产精华一区二区三区| av.在线天堂| 国产精华一区二区三区| 久久精品91蜜桃| 亚洲精品影视一区二区三区av| 黄色一级大片看看| 日本爱情动作片www.在线观看 | 五月玫瑰六月丁香| 国产乱人偷精品视频| 久久精品国产亚洲av香蕉五月| 欧美极品一区二区三区四区| 亚洲精品日韩av片在线观看| 久久久国产成人精品二区| 国产精品福利在线免费观看| 国产中年淑女户外野战色| 精品人妻偷拍中文字幕| 亚洲成人久久爱视频| 天天躁夜夜躁狠狠久久av| 在线看三级毛片| 美女免费视频网站| 精品午夜福利视频在线观看一区| 美女大奶头视频| 国产精品久久久久久久久免| 精华霜和精华液先用哪个| 精品午夜福利视频在线观看一区| 欧美bdsm另类| 内地一区二区视频在线| 精品一区二区免费观看| 观看免费一级毛片| 长腿黑丝高跟| 亚洲成av人片在线播放无| 免费大片18禁| 日韩,欧美,国产一区二区三区 | 亚洲专区国产一区二区| 久久久久九九精品影院| 三级国产精品欧美在线观看| 最近2019中文字幕mv第一页| av中文乱码字幕在线| 中出人妻视频一区二区| 国产伦精品一区二区三区视频9| 最近最新中文字幕大全电影3| 亚洲熟妇中文字幕五十中出| 免费观看精品视频网站| 久久久精品94久久精品| 搞女人的毛片| av卡一久久| 免费观看在线日韩| 乱系列少妇在线播放|