• <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ObjectNess BING 的海面多艦船目標檢測

    2016-01-21 07:27:00郭少軍沈同圣馬新星
    系統(tǒng)工程與電子技術 2016年1期
    關鍵詞:角點艦船模板

    郭少軍, 沈同圣, 徐 健, 馬新星

    (1.海軍航空工程學院控制科學與工程系, 山東 煙臺 264001;

    2.中國國防科技信息中心, 北京 100142; 3. 91868部隊, 海南 三亞 572000)

    ?

    基于ObjectNess BING 的海面多艦船目標檢測

    郭少軍1,3, 沈同圣2, 徐健1, 馬新星1

    (1.海軍航空工程學院控制科學與工程系, 山東 煙臺 264001;

    2.中國國防科技信息中心, 北京 100142; 3. 91868部隊, 海南 三亞 572000)

    摘要:將一幅圖像按照一個目標的大小進行縮放,然后計算其梯度特征,再對梯度特征進行標準化,二值化能夠極大地提高目標候選區(qū)域的選擇和檢測計算效率,減少耗時。由于對海上艦船目標的檢測是具有豐富角點的人造目標,對ObjectNess二值化標準梯度特征(binarized normed gradients, BING)方法中的目標候選區(qū)域提取算法進行改進,使其能夠更加快速地進行候選區(qū)域的選擇并保持較高的檢測率。分析了海上多艦船目標的圖像特征,提出了利用角點確定目標的候選基點,再利用ObjectNess BING檢測模型訓練獲得的多目標尺寸進行候選區(qū)域的選擇,對互聯(lián)網(wǎng)上下載的多幅多艦船圖像進行處理的結(jié)果表明,算法能夠有效減少候選目標區(qū)域的數(shù)量并保持較高的檢測概率。

    關鍵詞:ObjectNess二值化標準梯度特征; 角點檢測; 模板訓練; 海面艦船; 目標檢測

    0引言

    海上多艦船目標檢測的任務是對感興趣的艦船進行檢測與識別。目標檢測的好壞對海戰(zhàn)、海上救援、海上反恐、海島安全防御都具有重大的影響。時間是完成任務的根本,因此減少候選目標區(qū)域和提高目標檢測運算速度顯得尤為重要。

    文獻[1]針對可見光遙感紅外小目標檢測問題,根據(jù)背景呈紋理狀的特性,依據(jù)局部熵大處圖像灰度比較均勻,局部熵小處圖像的灰度離散程度較大的原理,提出了一種基于局部熵的目標檢測方法;文獻[2]采用小波濾波降低圖像噪聲,再檢測海天線,確定目標潛在區(qū)域,最后采用基于行列均值的自適應閾值方法進行閾值分割,并以邊界長度、目標大小、長寬比及復雜度作為目標特征進行匹配,實現(xiàn)目標檢測。文獻[3]探討了一種基于海天線檢測的艦船目標定位方法。該方法運用最大類間方差(OTSU)算法二值化圖像,運用模板濾波去除離散干擾點,運用Canny算子檢測邊緣并掃描圖像,運用閾值鏈接方法保留海天線上的點,去除目標邊緣點和干擾點,并以一元線性回歸方法擬合出海天線,確定目標潛在區(qū)域,最后運用投影法實現(xiàn)目標定位;文獻[4]提出了基于分形特征的海上目標檢測方法,分形特征能夠有效區(qū)分人造目標和自然目標;文獻[5]采用局部熵方法對圖像進行預處理,突出目標邊緣,再用Canny算子提取目標邊緣,實現(xiàn)對目標的檢測;文獻[6]針對目標像素小于背景像素10%時,門限分割方法難以分割目標的問題,采用顯著性特征引導方法,利用吃水線、高灰度煙囪等特征確定潛在目標區(qū)域,縮小背景范圍,并通過高灰度煙囪及發(fā)動機部位像素與船體像素的比例判斷是否先進行直方圖像均衡化,再運用OTSU方法分割圖像,實現(xiàn)目標的分割。以上的方法大部分需要一個條件:海天線。然而,在背景存在海島或者其他海天線不容易檢測的條件下,以上方法的檢測效率將會受到較大影響。所以需要盡可能的提取候選目標區(qū)域并盡可能多地包含真實目標。

    近些年,為了克服海面目標檢測對海天線的依賴,海面目標檢測得到了快速地發(fā)展,然而主流的方法都是基于特殊分類器進行的圖像窗口區(qū)域掃描[7-8],掃描數(shù)據(jù)量龐大。因此,對減少分類器掃描窗口的研究變得越來越熱門[9-15],文獻[10]向我們展示了“似物性”,即表示一個窗口內(nèi)存在目標的可能性。文獻[16]提出用二值化標準梯度特征(binarized normed gradients, BING)來進行候選窗口的“似物性”預測,表現(xiàn)出了強大的多目標檢測能力。

    在研項目的主要任務是檢測海面艦船,角點檢測能夠有效地對人造目標進行檢測,而艦船目標屬于人造目標,通過研究發(fā)現(xiàn)利用角點和BING相結(jié)合的方法能夠有效地減少候選目標窗口從而減少目標估計檢測時間。設計一個高效的多艦船目標檢測方法需要滿足以下幾點要求:

    (1) 具有較高的檢測概率(detection rate, DR);

    (2) 預測較少數(shù)量的候選窗口從而減少艦船檢測的計算時間;

    (3) 具備高計算效率使算法能夠較容易地移植到不同的應用,尤其是實時應用系統(tǒng);

    (4) 具有檢測不可見目標的能力。

    到目前為止,能同時滿足以上所有條件的方法幾乎沒有[16]。

    基于上述分析本文提出了結(jié)合BING和角點的方法進行海面目標檢測,該方法首先利用BING和LIB-SVM對目標樣本集訓練識別模板,再針對不同尺度的樣本集計算模板系數(shù)與偏差,提高模板匹配精度;測試過程中利用角點檢測和樣本尺度數(shù)據(jù)進行候選窗口預測,有效減少候選窗口數(shù)量,再利用尺度模板進行候選窗口得分評估,完成目標檢測。通過實驗分析發(fā)現(xiàn),本文方法能夠滿足以上條件中的前3點。

    1基于BING的模板訓練

    圖1給出的是本文算法流程??梢詫⒒贐ING的檢測模板訓練描述如下:給定一系列具有目標信息描述的數(shù)據(jù)集,從描述信息中獲得目標窗口位置,利用真實目標作為正樣本,同時在每幅圖像中選取100個非目標窗口作為負樣本,引入LIB-linear或LIB-SVM[17]來訓練這些樣本集,獲得目標似物性檢測模板。

    圖1 算法流程圖

    1.1線性模板

    在文獻[16]中,利用BING訓練獲得了目標模板,對于不同尺寸的目標窗口進行匹配得分計算,模板用w∈R64形容。

    (1)

    式中,sl,gl,l,i和(x,y)分別是濾波得分、標準化梯度特征、位置、尺寸和窗口坐標。用普遍的常識形容:將一幅圖像重構(gòu)成一個目標的大小尺寸,這個尺寸中含有這個目標的區(qū)域占整個圖像比例將會增多[18-20]。同理,一個具有目標大小的候選尺寸將更有可能包含這個目標。因此,將圖像按照目標尺寸重構(gòu),計算梯度特征,同時利用非最大值約束方法選擇邊緣點并以邊緣點和目標尺寸大小進行候選目標窗口區(qū)域提取將具有更大的概率包含同尺寸目標。定義似物性得分為

    (2)

    式中,vi,ti∈R分別代表學習獲得的尺寸i對于模板w的系數(shù)和偏移量。

    1.2模板訓練

    模板訓練包含兩個階段,第一階段的訓練是利用所有尺寸的正樣本與負樣本計算BING特征,再輸入到LIB-SVM中進行模板訓練,獲得第一階段模板;第二階段模板訓練是建立在第一階段基礎之上的,這個階段將完成不同尺度模板相對第一階段模板的系數(shù)與偏移量,從而使不同尺度的目標匹配得分更加精確。

    1.2.1第一階段模板訓練

    獲得包含目標區(qū)域圖像的正樣本后選擇和正樣本具有50%重合的圖像都作為目標的正樣本,這樣生成的模板將具有一定的局部目標檢測能力。同時,在每幅圖像中隨機選擇100個窗口作為負樣本,這100個窗口不能和任意一個目標區(qū)域具有超過50%的重合區(qū)域。進一步地引入LIB-linear和LIB-SVM來進行檢測模板訓練。和BING一樣,本文也將模板重構(gòu)為一個固定的大小(8×8),這將有利于計算高效化。

    1.2.2第二階段模板訓練

    以上獲得的模板不是最終的結(jié)果,因為每個尺寸的目標利用這個模板進行似物性計算都存在相應的偏差,因此需要進行進一步的計算,即獲得如等式(2)所示的系數(shù)和偏移量。首先利用預測獲得的候選窗口(見第2節(jié)),選擇那些和真實目標具有超過50%疊加面積的窗口作為正樣本,其他的作為負樣本,同時記錄樣本的尺寸和數(shù)量,對不同的尺寸進行提取相對應的正樣本和負樣本,再一次引入LIB-linear和LIB-SVM對樣本進行訓練從而獲得與第一階段訓練獲得模板的系數(shù)vi和偏差ti,這樣,利用式(1)計算候選窗口的似物性得分就變得簡單。

    1.3檢測模板與梯度特征的二值化

    檢測模板訓練是基于BING進行的,模板與特征的二值化將大大提高目標的檢測速率。本文利用海面多目標艦船圖像進行模板訓練,獲得模板的圖形化表示如圖2所示。從圖形來看模板中間目標區(qū)域的BING特征值較邊緣處的BING特征值亮度要低,具有特征包裹性,即目標存在圖像中心的特征[21-25]。沿著模板w邊緣的的高權值有效將目標從背景中分離開來,同時,基于BING的訓練模板能夠更具有穩(wěn)定性和預見性[16]。

    圖2 訓練模板W

    文獻[26-28]解釋了模板二值化近似的優(yōu)點,文獻[16]提出了BING的快速估計,加速了特征提取和測試過程,因此本文中也使用BING的二值化模板近似估計以加速特征提取與測試。模板的二值化近似過程為:

    算法 1二值化近似模板w[25]

    輸入w,Nw

    輸出{βj}Nwj=1,{aj}Nwj=1

    偏移初始化ε=w

    forj=1toNwdo

    aj=sign(ε)

    βj=〈aj,ε〉/‖aj‖2(映射ε到aj)

    ε←ε-βjaj(更新偏移量ε)

    endfor

    (3)

    算法2是用來對梯度特征計算并二值化的,以Ng個二進制位來表述正規(guī)化的梯度特征,這樣一個64D的梯度特征gl可以由Ng個二值化的梯度特征來近似

    (4)

    在位的不同位置BING具有不同的權值,利用它能夠快速高效地計算獲得候選目標窗口。擋計算候選窗口的BING特征的似物性得分時,可以將得分以等式(5)來近似。

    (5)

    算法 2計算 W×H 的BING特征

    輸入二值化的正規(guī)梯度特征bW×H

    輸出BING特征矩陣bW×H

    初始化bW×H=0,rW×H=0

    for每個位置(x,y)do

    rx,y=(rx,y?1)|bx,y

    bx,y=(bx,y-1?8)|rx,y

    endfor

    2候選窗口預測與檢驗

    2.1候選窗口預測

    候選目標窗口的多少是目標檢測耗時的一個關鍵因素,BING利用非最大值約束(non-maximum suppression, NMS)平均為每幅圖像預測1 000+的候選窗口,是窗口掃描方式需要候選窗口的1/1 000左右[19,24,26,30]。BING利用二值化正規(guī)模板來對目標進行檢測,具有強大的檢測能力和檢測效率,在文獻[16]中顯示處理VOC2007訓練圖像集過程中,平均每幅圖像的候選目標窗口預測耗時只有0.03 s。

    減少多艦船目標檢測耗時具有兩種方法:一種是建立一個更加高效的檢測模板,二值化正規(guī)模板已經(jīng)具有強大的檢測能力,因此文章利用此方式訓練模板;另一種是減少候選目標窗口的數(shù)量但同時保持較高的DR。本文利用了圖像的角點和訓練模板獲得的目標尺寸進行候選窗口的構(gòu)建與選擇,提取的候選窗口數(shù)量只有先前BING方法中非最大值約束的一半,但同時保持了較高的檢測效率(見第3節(jié))。

    2.2非最大值約束的窗口預測

    利用非最大值約束進行候選目標窗口預測的方法首先需要將圖像重構(gòu)成訓練獲得的目標尺寸的大小(候選目標尺寸越多檢測范圍越廣),再對重構(gòu)后的圖像進行梯度特征計算[18,30],然后在對梯度特征圖像進行非最大值約束提取候選窗口基點,最后結(jié)合基點位置和訓練目標尺寸構(gòu)建候選窗口并進行提取,這種方式為每股圖像獲得的候選窗口數(shù)量在1 500~1 800。

    2.3基于角點的窗口預測

    利用角點的窗口預測和基于非最大值約束的方法具有一定的相似性,同樣首先需要將圖像重構(gòu)成訓練獲得的目標尺寸大小,不同的是進一步計算的不再是梯度特征而是角點位置的檢測,在完成了角點位置的檢測后需要進一步利用非最大值約束的方法對角點的分布進行優(yōu)化。角點檢測原理如下。

    為了定義圖像中的角點,觀察一個假設的特征點周圍小窗口內(nèi)的方向性強度平均變化。考慮到偏移向量(μ,ν),則它的平均變化為

    (6)

    求和過程覆蓋了預定義的相鄰像素點[33]。強度變化的平均值計算需要在所有可能方向上進行,因為高強度變化可能出現(xiàn)在任何方向。通過這個定義,進行如下測試過程:首先獲取平均強度變化最大值對應的方向,在檢查位于它垂直方向的變化是否也很強烈,同時滿足條件的便是一個角點。

    用數(shù)學語言來講,測試這個條件時可以利用泰勒級數(shù)展開對式(6)進行近似

    (7)

    可以用矩陣形式重寫式(7)

    (8)

    這是一個協(xié)方差矩陣,表現(xiàn)的是所有方向上強度的變化率。該定義涉及圖像的一階導數(shù),通常利用Sobel算子來進行結(jié)果計算。協(xié)方差矩陣的兩個特征值給出了最大平均強度變化以及垂直方向上的平均強度變化,如果這兩個特征比較低,那么對應的特征點位于同質(zhì)區(qū)域,如果其中一個高另一個低,則屬于邊緣區(qū)域,如果兩個特征值都較高,那么可以認為特征點處于角點位置。因此,角點成立的條件是協(xié)方差的最小特征值超過閾值大小。

    為了避免特征值計算帶來的時間消耗,利用特征分解理論中的一些特性可以避免對特征值進行求解,這些特征包括:

    (1) 矩陣的特征值之積等于它的行列式(Determinant);

    (2) 矩陣的特征值之和等于矩陣對角線之和,既矩陣的跡(Trace)。

    然后可以通過式(9)判斷兩個特征值是否都足夠高。

    score=Det(C)-k.Trace2(C)

    (9)

    可以很容易的驗證,只有兩個特征值都足夠高的時候,式(9)的結(jié)果才會足夠高。為了改進檢測結(jié)果,進一步引入非最大值抑制來進行優(yōu)化,從而角點不僅是具有較高得分的點,并且必須是鄰域內(nèi)得分最高的點。

    盡管NMS能夠?qū)屈c檢測結(jié)果進行優(yōu)化,但是角點通常在紋理豐富的區(qū)域集聚密集,在紋理稀疏的地方分布較少,為了改善這種情況,首先計算出得分最大的角點作為基點,再進行角點兩兩之間的歐氏距離,只有和任意角點距離都大于一定值的角點才保留下來,這樣角點數(shù)量將會變少,并且分布更加均勻。

    2.4窗口檢驗

    預測一幅測試圖像獲得候選窗口后需要對候選窗口進行檢驗。首先計算候選窗口的BING特征向量,再將特征向量與候選窗口相對應的模板進行匹配得分計算,如果匹配得分值大于閾值T,則認為這個窗口內(nèi)有目標,否則認為這個窗口是虛假窗口。得分計算等式為

    sl=

    (10)

    式中,Wc是按照式(2)計算得到的不同尺度的模板;sl、gl、l、i、(x,y)分別是濾波得分、標準化梯度特征、位置、尺寸,窗口坐標。

    3實驗結(jié)果

    本文利用Intel(R) Core(TM) i5-3317U CPU @1.7HZ進行處理,采用海面艦船目標圖像進行試驗,利用DR-#WIN3估計矩陣進行性能評估,并將評估結(jié)果和BING方法進行對比。按式(11)計算目標的DR:

    (11)

    圖3給出了兩種方法的檢測率與候選數(shù)量之間的關系曲線圖,基于角點的候選窗口預測數(shù)量不如BING多,在候選窗口少于900時,其檢測效率不如BING,但是當候選窗口達到900時能夠達到96.2%的檢測率并在5 000時能夠達到99.5%,效果和BING不相上下。表1給出了兩種方法對不同尺寸的圖像集處理的結(jié)果。每組采用10幅圖像進行處理。

    為了更加直觀地觀察不同尺度下兩種方法的候選窗口數(shù)量的差異,考慮到篇幅問題,圖4只給出了3個不同尺度圖像的候選窗口預測結(jié)果來進行對比。

    圖3 檢測率曲線

    如表1所示,本文方法對整個數(shù)據(jù)圖像集候選窗口的提取與目標的檢測耗時為15.4 ms/幅,而BING的處理耗時為37.4 ms/圖,對332×220,334×500,500×375 3個尺寸的圖像集耗時只需BING的1/4。

    表1 候選窗口提取與目標檢測耗時表

    總體來看本文方法平均耗時量是BING方法的一半不到,這歸結(jié)于本文方法提取的目標候選區(qū)域較少但是覆蓋目標區(qū)域較完善,減少了不必要的錯誤檢測與判斷,從而減少了時間的消耗。本文方法在檢測概率上較BING稍微遜色1/1 000,但是在時間速度上能達到BING的兩倍以上。

    從統(tǒng)計結(jié)果來看,本文算法耗時比BING要少,候選窗口提取與目標檢測速度大約是BING的兩倍。

    圖5中對檢測結(jié)果進行了展示。其中有多艦船目標圖像的檢測,也有針對單個大目標的檢測結(jié)果。通過檢測結(jié)果發(fā)現(xiàn),本文算法對多個海面目標檢測精確,檢測目標在檢測框中間位置,對于較大的單個目標圖像,由于艦船桅桿及其他明顯角點位置的干擾還存在一些誤差,如圖 5最后一行所示,這也是下一步需要改進的方面。

    圖4 兩種方法提取的候選目標區(qū)域

    圖5 海面真實目標的檢測說明

    4結(jié)束語

    本文提出了一種比非最大值約束更有效地候選目標提取算法,利用BING訓練模型的出色檢測能力,對候選窗口進行目標檢測。對多艦船目標的檢測結(jié)果利用DR-#WIN3進行評估,評估結(jié)果表明本文算法在耗時上較BING提升了將近1倍,同時保證了目標的檢測率。

    本文算法為每幅圖像提取相對應的候選窗口的前提是目標具有一定的封閉輪廓。因此,該算法和BING以及窗口掃描式的檢測算法[10,15,31-33]一樣具有局限性。另外,該算法是為了完成海面多艦船目標檢測任務而設計的,它的應用范圍沒有BING廣泛,對于一些不具備角點的目標檢測會變得困難,但是在我們的任務中,即對艦船目標的檢測中,它在速度方面具有一定的優(yōu)勢,這對時效性要求較高的情況具有積極的意義。

    較好的目標檢測效果和運算效率使得該算法能夠在一定程度上勝任多艦船目標的檢測。算法中引入了二值化操作和存儲使其可以移植到低能耗的設備上,比如為海島安全、海面反恐、海上救援等設計的移動設備等。另一方面,對于缺乏角點的目標檢測效率并不理想,這促使我們進一步地研究人工目標檢測模板的訓練方法,考慮各個方面的需求,針對特殊任務特殊需求進行深入研究。

    參考文獻:

    [1] Shi P, Zhuang L S, Ao H H, et al. Ship detection based on human vision perception[J].JournalofAtmosphericandEnvironmentalOptics, 2010,5(5):373-379.(施鵬,莊連生,敖歡歡,等,基于視覺感知機理的艦船目標檢測[J].大氣與環(huán)境光學學報,2010,5(5):373-379.)

    [2] Yang M Y, Yang W P. Automatic detection method of IR warship target in the complex sea-sky background[J].InfraedandLaserEngineering,2006,28(10):580-584.(楊明月,楊衛(wèi)平.復雜海天背景下紅外艦船目標實時檢測算法[J].紅外技術,2006, 28(10): 580-584.)

    [3] Huang Y D, Li J, Fan N J. Algorithm for locating naval ship on the sea-sky-line[J].TransactionsofBeijingInstituteofTechnology, 2008,28(4):302-305.(黃英東,李杰,范寧軍.海天線上艦船定位算法研究[J].北京理工大學學報,2008,28(4):302-305.)

    [4] Zhang D X, He S H, Yang S Q. Ship targets detection method based on multi-scale fractal feature[J].Laser&Infrared,2009,39(3):315-318.(張東曉,何四華,楊紹清.一種多尺度分形的艦船目標檢測方法[J].激光與紅外,2009, 39(3):315-318.)

    [5] Ai S F, Zhang G H, Lv G J. A local entrophy based algorithm for detecting IR target under sea background[J].ElectronicOptics&Control,2008,15(7):75-82.(艾淑芳,張國華,呂高杰.一種基于局部熵的海背景紅外目標檢測算法[J].電光與控制,2008,15(7):75-82.)

    [6] Zhang F, Wang Y H. Fast IR ship segmentation guided by salient features detection[J].InfraredandLaserEngineering,2004,33(6):603-606.(張芳,王岳環(huán).基于顯著特征引導的紅外艦船目標快速分割方法研究[J].紅外與激光工程,2004,33(6):603-606.)

    [7] Dalal N, Triggs B. Histograms of oriented gradients for human detection[C]∥Proc.ofthethe18thIEEEConferenceonComputerVisionandPatternRecognition, 2005: 886-893.

    [8] Felzenszwalb P F, Girshick R B, McAllester D, et al. Object detection with discriminatively trained part-based models[J].IEEETrans.onPatternAnalysis&MachineIntelligence, 2010,32(9):1627-1645.

    [9] Alexe B, Deselaers T, Ferrari V, et al. What is an object?[C]∥Proc.ofthe23thIEEEConferenceonComputerVisionandPatternRecognition, 2010: 73-80.

    [10] Alexe B, Deselaers T, Ferrari V, et al. Measuring the objectness of image windows[J].IEEETrans.onPatternAnalysis&MachineIntelligence, 2012,34(11): 2189-2202.

    [11] Endres I, Hoiem D. Category independent object proposals[C]∥Proc.ofthe11thEuropeanConferenceonComputerVision, 2010:575-588.

    [12] Endres I, Hoiem D. Category-independent object proposals with diverse ranking[J].IEEETrans.onSoftwareEngineering, 2014, 36(2):222-234.

    [13] Uijlings J R R, Van de Sande K E A, Gevers T, et al. Selective search for object recognition[J].InternationalJournalofComputerVision, 2013,104(2):154-171.

    [14] Van de Sande K E A, Uijlings J R R, Gevers T, et al. Segmentation as selective search for object recognition[C]∥Proc.ofthe13thIEEEInternationalConferenceonComputerVision, 2011:1879-1886.

    [15] Zhang Z, Warrell J, Torr P H, et al. Proposal generation for object detection using cascaded ranking svms[C]∥Proc.ofthe24thIEEEConferenceonComputerVisionandPatternRecognition, 2011:1497-1504.

    [16] Cheng M M, Zhang Z M, Lin W Y, et al. BING: binarized normed gradients for objectness estimation at 300fps[C]∥Proc.ofthe27thIEEEConferenceonComputerVisionandPatternRecognition, 2014: 2386-2393.

    [17] Fan R E, Chang K W, Hsieh C J, et al. A library for large linear classification[J].TheJournalofMachineLearningResearch, 2008,9:1871-1874.

    [18] Cheng M M, Warrell J, Lin W Y, et al. Efficient salient region detection with soft image abstraction[C]∥Proc.ofthe14thInternationalConferenceonComputerVision,2013: 1529-1536.

    [19] Cheng M M, Zhang F L, Mitra N J, et al. RepFinder: finding approximatelyrepeated scene elements for image editing[J].ACMTrans.onGraphics, 2010,29(4):1-8.

    [20] Cheng M M, Zhang G X, Mitra N J, et al. Global contrast based salient region detection[C]∥Proc.ofthe24thIEEEConferenceonComputerVisionandPatternRecognition,2011:409-416.

    [21] Itti L, Koch C, Niebur E, et al. A model of saliency-based visual attention for rapid scene analysis[J].IEEETrans.onPatternAnalysisandMachineIntelligence, 1998, 20(11): 1254-1259.

    [22] Gottlieb J P, Kusunoki M, Goldberg M E, et al. The representation of visual salience in monkey parietal cortex[J].Nature, 1998, 391(6666):481-484.

    [23] Koch C, Ullman S. Shifts in selective visual attention: towards the underlying neural circuitry[J].HumanNeurbiology,1985,4:219-227.

    [24] Cheng M M, Zheng S, Lin W Y, et al. ImageSpirit: verbal guided image parsing[J].ACMTrans.onGraphics, 2014,34(1):1-11.

    [25] Wolfe J M, Horowitz T S. What attributes guide the deployment of visual attention and how do they do it?[J].NatureReviewsNeuroscience, 2004,5(6):495-501.

    [26] Chia Y S, Zhuo S, Gupta R K, et al. Semantic colorization with internet images[J].ACMTrans.onGraphics(ACMTOG), 2011,30(6):1-8.

    [27] Hare S, Saffari A. Efficient online structured output learning for keypoint-based object tracking[C]∥Proc.ofthe25thIEEEConferenceonComputerVisionandPatternRecognition, 2012:1894-1901.

    [28] Zheng S, Sturgess P, Torr P H S, et al. Approximate structured output learning for constrained local models with application to real-time facial feature detection and tracking on low-power devices[C]∥Proc.ofthe10thIEEEConferenceonAutomaticFaceandGestureRecognition, 2013:1-8.

    [29] Cheng M M, Mitra N J, Huang X, et al. Salient object detection and segmentation[R].TPAMI-2011-10-0753.Springfield: China Tsinghua University,2011.

    [30] Cheng M M, Mitra N J, Huang X, et al. Salientshape: group saliency in image collections[J].TheVisualComputer,2013:1-10.

    [31] Dalal N, Triggs B. Histograms of oriented gradients for human detection[C]∥Proc.ofthe18thIEEEConferenceonComputerVisionandPatternRecognition,2005,1: 886-893.

    [32] Felzenszwalb P F, Girshick R B, McAllester D, et al. Object detection with discriminatively trained partbased models[J].IEEETrans.onPatternAnalysis&MachineIntelligence,2010,32(9): 1627-1645.

    [33] Bongioe K, Jihoon C, Yong W P, et al. Robust corner detection based on image structure[J].CircuitsSystemSignalProcess, 2012,31(10): 1443-1457.

    郭少軍(1985-),男,助理工程師,博士研究生,主要研究方向為圖像融合,多目標檢測與模式識別。

    E-mail:guoba2000@163.com.

    沈同圣(1966-),男,教授,博士研究生導師,主要研究方向為圖像融合、多目標檢測與識別。

    E-mail:TS-SY@163.com.

    徐健(1983-),男,工程師,博士研究生,主要研究方向為目標識別、圖像融合技術。

    E-mail:blues_coffee@163.com

    馬新星(1983-),男,工程師,博士研究生,主要研究方向為多目標檢測識別與圖像融合。

    E-mail:xinxing_2006@tom.com

    網(wǎng)絡優(yōu)先出版地址:http://www.cnki.net/kcms/detail/11.2422.TN.20150818.1519.006.html

    Detection of multi-ship targets at sea based on ObjectNess BING

    GUO Shao-jun1,3, SHEN Tong-sheng2, XU Jian1, MA Xin-xing1

    (1.DepartmentofControlEngineering,NavyAeronauticalEngineeringUniversity,Yantai264001,China;

    2.ChinaDefenseScienceandTechnologyInformationCenter,Beijing100142,China;

    3.Unit91868ofthePLA,Sanya572000,China)

    Abstract:It is found that generic objects with well-defined closed boundary can be discriminated by looking at the norm of gradients, with a suitable resizing of their corresponding image windows into a small fixes size,which can save a lot of time. Inspired by the high quality of ObjectNess binarized normed gradients (BING), it is used for the multi-ship target detection on the sea. Considering the characteristics of the ship targets and the artificial objects, a method of predicting the object candidate windows based on corner points and ObjectNess BING is proposed, which can also generates a small set of high quality ship target windows, yielding 96.2% object detection rate (DR) just like the former ObjectNess BING dose for the test of images downloaded from the internet, but with only 900+proposals. It reduces the time cost of ship targets detection and makes the ship detection more efficient than the former ObjectNess BING.

    Keywords:ObjectNess binarized normed gradients (BING); detection of corner points; model training; ship target at sea; object detection

    作者簡介:

    中圖分類號:TP 391

    文獻標志碼:A

    DOI:10.3969/j.issn.1001-506X.2016.01.03

    基金項目:國家自然科學基金(61303192)資助課題

    收稿日期:2014-12-18;修回日期:2015-05-30;網(wǎng)絡優(yōu)先出版日期:2015-08-18。

    猜你喜歡
    角點艦船模板
    鋁模板在高層建筑施工中的應用
    艦船通信中的噪聲消除研究
    鋁模板在高層建筑施工中的應用
    艦船測風傳感器安裝位置數(shù)值仿真
    基于FAST角點檢測算法上對Y型與X型角點的檢測
    基于邊緣的角點分類和描述算法
    電子科技(2016年12期)2016-12-26 02:25:49
    基于圓環(huán)模板的改進Harris角點檢測算法
    艦船腐蝕預防與控制系統(tǒng)工程
    鋁模板在高層建筑施工中的應用
    城市綜改 可推廣的模板較少
    亚洲在线自拍视频| 国产精品野战在线观看| 久久亚洲精品不卡| 午夜精品一区二区三区免费看| 国产精华一区二区三区| 亚洲精品色激情综合| 搡女人真爽免费视频火全软件 | 色5月婷婷丁香| 97超级碰碰碰精品色视频在线观看| 国产一区二区亚洲精品在线观看| 久久欧美精品欧美久久欧美| 国产伦一二天堂av在线观看| 又爽又黄a免费视频| 欧美成狂野欧美在线观看| 亚州av有码| 久久精品国产清高在天天线| 亚洲美女黄片视频| 日本成人三级电影网站| 国产精品亚洲美女久久久| 国产在线男女| 校园春色视频在线观看| 99riav亚洲国产免费| 露出奶头的视频| 久久精品夜夜夜夜夜久久蜜豆| 亚洲成人久久性| 亚洲,欧美,日韩| 在线播放国产精品三级| 成人性生交大片免费视频hd| а√天堂www在线а√下载| 狂野欧美白嫩少妇大欣赏| 熟女人妻精品中文字幕| 午夜视频国产福利| 亚洲真实伦在线观看| 久久久久久大精品| 最新在线观看一区二区三区| 国产免费男女视频| 国产不卡一卡二| 一个人免费在线观看电影| 日本撒尿小便嘘嘘汇集6| 国产av麻豆久久久久久久| 人妻夜夜爽99麻豆av| 精品乱码久久久久久99久播| 在线观看午夜福利视频| 国产精华一区二区三区| 免费人成在线观看视频色| 久久香蕉精品热| 国产精品av视频在线免费观看| 国内揄拍国产精品人妻在线| 一区二区三区四区激情视频 | 99久久99久久久精品蜜桃| 大型黄色视频在线免费观看| 深爱激情五月婷婷| 男人狂女人下面高潮的视频| 激情在线观看视频在线高清| 久久婷婷人人爽人人干人人爱| 久久久久久久精品吃奶| 中文在线观看免费www的网站| 网址你懂的国产日韩在线| 午夜a级毛片| 欧美激情在线99| 女人被狂操c到高潮| 成人永久免费在线观看视频| 五月伊人婷婷丁香| 一区二区三区四区激情视频 | 国产私拍福利视频在线观看| 欧美乱妇无乱码| 十八禁国产超污无遮挡网站| 国产高清视频在线播放一区| 一二三四社区在线视频社区8| 青草久久国产| 看片在线看免费视频| 日韩欧美 国产精品| 亚洲熟妇中文字幕五十中出| 好男人在线观看高清免费视频| 国产在线精品亚洲第一网站| 在线观看av片永久免费下载| a级毛片免费高清观看在线播放| 久99久视频精品免费| 99精品在免费线老司机午夜| av中文乱码字幕在线| 嫩草影院精品99| 美女 人体艺术 gogo| 真人做人爱边吃奶动态| 久久精品人妻少妇| 欧美一区二区国产精品久久精品| 又爽又黄无遮挡网站| 伊人久久精品亚洲午夜| 丰满的人妻完整版| 真人一进一出gif抽搐免费| 淫妇啪啪啪对白视频| 精品一区二区三区人妻视频| 亚洲性夜色夜夜综合| 亚洲欧美激情综合另类| 免费无遮挡裸体视频| 搡女人真爽免费视频火全软件 | www.色视频.com| 日本 欧美在线| 久久精品国产亚洲av天美| 亚洲经典国产精华液单 | 国产探花在线观看一区二区| 国产野战对白在线观看| 亚洲av第一区精品v没综合| 久久草成人影院| 亚洲最大成人中文| 亚洲片人在线观看| 久久午夜亚洲精品久久| 国产伦精品一区二区三区四那| 国产乱人视频| 性色av乱码一区二区三区2| 老司机午夜福利在线观看视频| 黄色配什么色好看| 久久久久久久久久黄片| 熟女人妻精品中文字幕| 黄色配什么色好看| 亚洲av成人av| 欧美黄色淫秽网站| 麻豆成人av在线观看| 国产91精品成人一区二区三区| 午夜福利在线观看吧| 99久久成人亚洲精品观看| 亚洲中文字幕日韩| 听说在线观看完整版免费高清| 99热这里只有是精品在线观看 | 久久亚洲真实| 午夜精品一区二区三区免费看| 日韩免费av在线播放| 亚洲性夜色夜夜综合| 一级av片app| 伦理电影大哥的女人| 九九久久精品国产亚洲av麻豆| 欧美xxxx黑人xx丫x性爽| 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 | 国产伦人伦偷精品视频| 精品久久久久久久久久久久久| 午夜福利在线观看免费完整高清在 | 极品教师在线免费播放| 国产v大片淫在线免费观看| 伦理电影大哥的女人| 国产精品免费一区二区三区在线| 国产中年淑女户外野战色| 一个人看视频在线观看www免费| eeuss影院久久| 18美女黄网站色大片免费观看| 十八禁国产超污无遮挡网站| 成人国产一区最新在线观看| 99国产精品一区二区蜜桃av| 午夜精品一区二区三区免费看| 91字幕亚洲| 深爱激情五月婷婷| 亚洲av成人精品一区久久| 亚洲精品亚洲一区二区| 免费人成视频x8x8入口观看| 亚洲av中文字字幕乱码综合| 国产不卡一卡二| 免费观看的影片在线观看| 可以在线观看毛片的网站| 欧美极品一区二区三区四区| 我的老师免费观看完整版| 噜噜噜噜噜久久久久久91| 免费看日本二区| .国产精品久久| 色吧在线观看| 桃色一区二区三区在线观看| 91在线观看av| 神马国产精品三级电影在线观看| 男女之事视频高清在线观看| 99热这里只有是精品50| 亚洲精品一区av在线观看| 亚洲欧美日韩卡通动漫| 精品久久久久久久久久免费视频| 日韩成人在线观看一区二区三区| 午夜免费激情av| 午夜日韩欧美国产| 美女高潮喷水抽搐中文字幕| 亚洲精品456在线播放app | 国产91精品成人一区二区三区| 熟女人妻精品中文字幕| 欧美日韩综合久久久久久 | 国内毛片毛片毛片毛片毛片| 丰满人妻熟妇乱又伦精品不卡| 悠悠久久av| 观看美女的网站| 亚洲不卡免费看| 三级国产精品欧美在线观看| 天天躁日日操中文字幕| 亚洲在线观看片| 国产三级在线视频| 亚洲最大成人手机在线| 亚洲va日本ⅴa欧美va伊人久久| 国产精品一及| 老司机午夜福利在线观看视频| 夜夜看夜夜爽夜夜摸| a级毛片a级免费在线| 亚洲人成网站在线播| 国产一级毛片七仙女欲春2| 亚洲av电影在线进入| 人妻久久中文字幕网| 麻豆久久精品国产亚洲av| 国产亚洲欧美在线一区二区| 国产aⅴ精品一区二区三区波| 老熟妇仑乱视频hdxx| 最近中文字幕高清免费大全6 | 高潮久久久久久久久久久不卡| 午夜福利在线在线| 好男人在线观看高清免费视频| 国产精品99久久久久久久久| АⅤ资源中文在线天堂| 极品教师在线视频| 午夜福利高清视频| 久久天躁狠狠躁夜夜2o2o| 成人一区二区视频在线观看| 久久这里只有精品中国| 99热这里只有是精品在线观看 | 美女 人体艺术 gogo| 国产乱人伦免费视频| 亚洲国产欧美人成| 一本精品99久久精品77| 亚洲自拍偷在线| 毛片女人毛片| 免费av不卡在线播放| 久久久久久国产a免费观看| 色综合欧美亚洲国产小说| 两个人的视频大全免费| 99国产精品一区二区蜜桃av| 好看av亚洲va欧美ⅴa在| 在线免费观看的www视频| 99热这里只有是精品在线观看 | 很黄的视频免费| 免费av不卡在线播放| 国产一区二区三区在线臀色熟女| 亚洲人成网站高清观看| 一区福利在线观看| 桃色一区二区三区在线观看| 久久热精品热| 久久九九热精品免费| 日本熟妇午夜| 国产精品爽爽va在线观看网站| 日本三级黄在线观看| 中文字幕av成人在线电影| 一个人观看的视频www高清免费观看| 丁香六月欧美| 精品乱码久久久久久99久播| 日本三级黄在线观看| 午夜免费成人在线视频| 成人av在线播放网站| 婷婷亚洲欧美| 制服丝袜大香蕉在线| 中文字幕久久专区| 免费电影在线观看免费观看| 校园春色视频在线观看| 久久国产乱子伦精品免费另类| 给我免费播放毛片高清在线观看| 白带黄色成豆腐渣| 日本a在线网址| 99热精品在线国产| 久久精品国产清高在天天线| 免费黄网站久久成人精品 | 亚洲男人的天堂狠狠| 97碰自拍视频| 简卡轻食公司| 欧美日韩黄片免| 欧美一区二区亚洲| 免费人成在线观看视频色| 国产蜜桃级精品一区二区三区| 亚洲欧美激情综合另类| 亚洲 国产 在线| 十八禁人妻一区二区| 99国产精品一区二区三区| 国产一区二区亚洲精品在线观看| 国产av一区在线观看免费| 午夜影院日韩av| 久久久国产成人免费| 成人国产综合亚洲| 免费大片18禁| 午夜免费男女啪啪视频观看 | 日本与韩国留学比较| 亚洲欧美日韩高清专用| av福利片在线观看| 国产精品久久久久久人妻精品电影| 麻豆一二三区av精品| 久久久成人免费电影| av女优亚洲男人天堂| 欧美激情久久久久久爽电影| 日本免费a在线| 免费在线观看日本一区| 欧美黑人欧美精品刺激| 最近最新中文字幕大全电影3| 3wmmmm亚洲av在线观看| 桃色一区二区三区在线观看| 亚洲精品在线观看二区| 99在线视频只有这里精品首页| 亚洲最大成人中文| 18禁在线播放成人免费| 免费观看精品视频网站| 亚洲av美国av| 国产久久久一区二区三区| 午夜福利18| 亚洲人与动物交配视频| 精品人妻偷拍中文字幕| 精品熟女少妇八av免费久了| 色哟哟哟哟哟哟| 最后的刺客免费高清国语| 两性午夜刺激爽爽歪歪视频在线观看| 一级毛片久久久久久久久女| 91狼人影院| 成人特级av手机在线观看| 欧美一级a爱片免费观看看| 亚洲片人在线观看| 国产精品久久电影中文字幕| 一区福利在线观看| 蜜桃久久精品国产亚洲av| 亚洲国产精品sss在线观看| bbb黄色大片| 成年女人看的毛片在线观看| 给我免费播放毛片高清在线观看| 亚洲电影在线观看av| 久久天躁狠狠躁夜夜2o2o| 欧美三级亚洲精品| 国产精华一区二区三区| 亚洲电影在线观看av| 最近最新免费中文字幕在线| 老熟妇乱子伦视频在线观看| 69av精品久久久久久| 特级一级黄色大片| 超碰av人人做人人爽久久| 人人妻人人看人人澡| 国产精品一区二区三区四区久久| 99热这里只有是精品50| 国产精品一区二区三区四区久久| 国产成人a区在线观看| 婷婷六月久久综合丁香| www.熟女人妻精品国产| 久久99热这里只有精品18| 欧美极品一区二区三区四区| 在线观看一区二区三区| 欧洲精品卡2卡3卡4卡5卡区| 男女做爰动态图高潮gif福利片| 精品日产1卡2卡| 日韩欧美精品v在线| 亚洲欧美激情综合另类| 免费看a级黄色片| 国产美女午夜福利| 成人国产一区最新在线观看| 午夜精品久久久久久毛片777| 夜夜看夜夜爽夜夜摸| 18美女黄网站色大片免费观看| 亚洲av五月六月丁香网| 最近最新免费中文字幕在线| 黄色日韩在线| a在线观看视频网站| 亚洲经典国产精华液单 | 亚洲电影在线观看av| 18禁裸乳无遮挡免费网站照片| 精品福利观看| 在线观看午夜福利视频| 一级黄色大片毛片| 午夜老司机福利剧场| 波野结衣二区三区在线| 十八禁人妻一区二区| 小说图片视频综合网站| 国产亚洲av嫩草精品影院| 在线a可以看的网站| 免费人成视频x8x8入口观看| 国产精品98久久久久久宅男小说| 日韩欧美精品免费久久 | 国产精品美女特级片免费视频播放器| 成人国产一区最新在线观看| 两人在一起打扑克的视频| 午夜福利在线在线| 欧美中文日本在线观看视频| 久久国产乱子免费精品| 精品久久久久久成人av| 国产欧美日韩一区二区三| 国产av一区在线观看免费| 久久婷婷人人爽人人干人人爱| 欧美高清性xxxxhd video| 在线观看一区二区三区| 黄色丝袜av网址大全| 国产精品久久久久久精品电影| 亚洲美女搞黄在线观看 | 精品人妻视频免费看| 亚洲成a人片在线一区二区| 日本与韩国留学比较| 欧美黄色淫秽网站| 少妇被粗大猛烈的视频| 欧美国产日韩亚洲一区| 久久中文看片网| 亚洲人成网站高清观看| 精品久久国产蜜桃| 欧美日本视频| 日本免费a在线| 亚洲最大成人中文| 久久午夜福利片| 国产精品亚洲一级av第二区| 真人一进一出gif抽搐免费| 每晚都被弄得嗷嗷叫到高潮| 日韩 亚洲 欧美在线| 日韩人妻高清精品专区| 成年免费大片在线观看| 色噜噜av男人的天堂激情| 亚洲美女搞黄在线观看 | 亚洲成人中文字幕在线播放| 亚洲美女搞黄在线观看 | 欧美在线黄色| 99热这里只有精品一区| 丰满的人妻完整版| 午夜精品一区二区三区免费看| 国产欧美日韩精品亚洲av| 成人欧美大片| 18禁在线播放成人免费| 欧美不卡视频在线免费观看| 桃红色精品国产亚洲av| 不卡一级毛片| 熟女人妻精品中文字幕| 色在线成人网| 日本三级黄在线观看| 91麻豆精品激情在线观看国产| 十八禁国产超污无遮挡网站| 亚洲国产欧美人成| 欧美激情国产日韩精品一区| 欧美激情在线99| 亚洲专区国产一区二区| 禁无遮挡网站| 91午夜精品亚洲一区二区三区 | 欧美激情国产日韩精品一区| 久久亚洲真实| 欧美日韩黄片免| 日韩 亚洲 欧美在线| 最好的美女福利视频网| 99riav亚洲国产免费| 久久久精品大字幕| 有码 亚洲区| 亚洲成av人片在线播放无| 一个人免费在线观看电影| 亚洲av五月六月丁香网| 免费观看的影片在线观看| 日韩欧美 国产精品| x7x7x7水蜜桃| 色噜噜av男人的天堂激情| 又爽又黄a免费视频| 波多野结衣高清作品| 可以在线观看毛片的网站| 乱人视频在线观看| 看十八女毛片水多多多| 亚洲五月婷婷丁香| 日韩免费av在线播放| 夜夜夜夜夜久久久久| 色噜噜av男人的天堂激情| 日韩欧美国产在线观看| 色哟哟·www| 在线播放无遮挡| 国内毛片毛片毛片毛片毛片| 亚洲精品一卡2卡三卡4卡5卡| 毛片女人毛片| 日本五十路高清| 成人鲁丝片一二三区免费| 一a级毛片在线观看| 高清在线国产一区| 国产一区二区在线av高清观看| 中文资源天堂在线| 亚洲国产精品成人综合色| 欧美日韩综合久久久久久 | 国产成人欧美在线观看| 草草在线视频免费看| 久久国产精品人妻蜜桃| 欧美性猛交黑人性爽| 国产精品99久久久久久久久| 在线观看午夜福利视频| 中文字幕av成人在线电影| 亚洲精品456在线播放app | 桃红色精品国产亚洲av| 亚洲av成人不卡在线观看播放网| 国产精品久久久久久久久免 | 国产单亲对白刺激| 亚洲激情在线av| 99久久精品一区二区三区| 午夜亚洲福利在线播放| 中文亚洲av片在线观看爽| 亚洲人与动物交配视频| 久久精品国产自在天天线| 99热这里只有精品一区| АⅤ资源中文在线天堂| 日日摸夜夜添夜夜添av毛片 | 欧美丝袜亚洲另类 | av在线天堂中文字幕| 欧美日韩国产亚洲二区| 最后的刺客免费高清国语| 成年女人看的毛片在线观看| 久久99热6这里只有精品| 久久亚洲精品不卡| 啦啦啦观看免费观看视频高清| 俄罗斯特黄特色一大片| 小说图片视频综合网站| 国产中年淑女户外野战色| 淫妇啪啪啪对白视频| 欧美性猛交黑人性爽| 黄色配什么色好看| 好男人在线观看高清免费视频| 免费看a级黄色片| 直男gayav资源| 亚洲精品粉嫩美女一区| 黄色配什么色好看| 亚洲最大成人手机在线| 久久国产乱子伦精品免费另类| 精品久久久久久久久久久久久| 久久久久久久午夜电影| 成人国产综合亚洲| 日韩高清综合在线| 午夜免费成人在线视频| 精品人妻一区二区三区麻豆 | 麻豆久久精品国产亚洲av| 国产视频内射| 色噜噜av男人的天堂激情| 欧美一级a爱片免费观看看| 免费大片18禁| 亚洲电影在线观看av| 桃色一区二区三区在线观看| 国产精品,欧美在线| 91在线观看av| 高清毛片免费观看视频网站| 人人妻人人澡欧美一区二区| 国产成人啪精品午夜网站| 黄色女人牲交| 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av中文字幕| 88av欧美| 日韩国内少妇激情av| 亚洲成av人片免费观看| 国产av在哪里看| 国产亚洲欧美98| 久久久久亚洲av毛片大全| 欧美高清性xxxxhd video| 麻豆国产97在线/欧美| 中文资源天堂在线| 亚洲av第一区精品v没综合| 国产毛片a区久久久久| 最近在线观看免费完整版| 精品人妻视频免费看| 精品久久久久久久久久免费视频| 午夜亚洲福利在线播放| 精品一区二区三区人妻视频| 精品午夜福利视频在线观看一区| 国产成年人精品一区二区| 特级一级黄色大片| 国产精品嫩草影院av在线观看 | www.色视频.com| 日韩欧美在线乱码| 18禁裸乳无遮挡免费网站照片| 国产av在哪里看| 国产综合懂色| 天美传媒精品一区二区| 免费在线观看影片大全网站| 欧美日韩亚洲国产一区二区在线观看| 欧美精品国产亚洲| 黄色一级大片看看| 亚洲人成电影免费在线| 婷婷六月久久综合丁香| netflix在线观看网站| 国产成人影院久久av| 色在线成人网| 午夜精品一区二区三区免费看| 狠狠狠狠99中文字幕| 国产免费一级a男人的天堂| 一级av片app| 久久人人爽人人爽人人片va | 欧美性感艳星| 欧美日韩黄片免| 亚洲av不卡在线观看| 女生性感内裤真人,穿戴方法视频| 亚洲色图av天堂| 99热6这里只有精品| 国产精品,欧美在线| netflix在线观看网站| 中亚洲国语对白在线视频| 精品人妻偷拍中文字幕| 校园春色视频在线观看| 免费高清视频大片| 内射极品少妇av片p| 日本一二三区视频观看| 最好的美女福利视频网| 中文字幕人妻熟人妻熟丝袜美| 综合色av麻豆| 免费av不卡在线播放| 欧美xxxx性猛交bbbb| 国产主播在线观看一区二区| 免费观看精品视频网站| 日日干狠狠操夜夜爽| 精品一区二区三区人妻视频| 亚洲精品456在线播放app | 久久久久久大精品| 黄色日韩在线| 国产中年淑女户外野战色| 久久精品国产亚洲av香蕉五月| 看片在线看免费视频| 99久久无色码亚洲精品果冻| 午夜福利高清视频| 亚洲久久久久久中文字幕| 床上黄色一级片| 国产精品国产高清国产av| 国产真实乱freesex| 男人舔女人下体高潮全视频| 精品国内亚洲2022精品成人| 日本免费a在线| 不卡一级毛片| 91麻豆av在线| 床上黄色一级片| 白带黄色成豆腐渣| 18禁黄网站禁片午夜丰满| 国产不卡一卡二| 国产av麻豆久久久久久久| 久久午夜福利片| 97人妻精品一区二区三区麻豆| 窝窝影院91人妻| 性色avwww在线观看| 婷婷色综合大香蕉|