• <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
    精品卡一卡二卡四卡免费| 欧美av亚洲av综合av国产av| 一区二区三区激情视频| 黄网站色视频无遮挡免费观看| 国产高清视频在线播放一区| 中文字幕av电影在线播放| 亚洲国产精品久久男人天堂| 欧美中文日本在线观看视频| 91麻豆av在线| 欧美大码av| 啦啦啦韩国在线观看视频| 国产精品野战在线观看| 91在线观看av| 久久久久国产精品人妻aⅴ院| 中文亚洲av片在线观看爽| 日韩欧美 国产精品| 欧美又色又爽又黄视频| 国产精品影院久久| 一a级毛片在线观看| 日本精品一区二区三区蜜桃| 亚洲精华国产精华精| 99久久综合精品五月天人人| 欧美不卡视频在线免费观看 | 一区二区三区激情视频| www.999成人在线观看| 欧美成人一区二区免费高清观看 | 国产麻豆成人av免费视频| 淫妇啪啪啪对白视频| 又紧又爽又黄一区二区| 国产主播在线观看一区二区| 满18在线观看网站| 亚洲av熟女| 亚洲成人免费电影在线观看| 欧美绝顶高潮抽搐喷水| 一级a爱视频在线免费观看| 男人舔女人的私密视频| 宅男免费午夜| 18禁美女被吸乳视频| 叶爱在线成人免费视频播放| 女性生殖器流出的白浆| 两个人视频免费观看高清| 日本a在线网址| 国内毛片毛片毛片毛片毛片| 大型av网站在线播放| 久久精品成人免费网站| 久久香蕉激情| 亚洲免费av在线视频| 久久伊人香网站| 免费在线观看日本一区| 一本大道久久a久久精品| 变态另类成人亚洲欧美熟女| 动漫黄色视频在线观看| 天天躁夜夜躁狠狠躁躁| 成人三级黄色视频| 久久精品国产亚洲av香蕉五月| 亚洲精品美女久久av网站| av视频在线观看入口| 成年人黄色毛片网站| 91麻豆av在线| 亚洲熟女毛片儿| 18禁国产床啪视频网站| 别揉我奶头~嗯~啊~动态视频| 黄片播放在线免费| 麻豆久久精品国产亚洲av| 亚洲成av片中文字幕在线观看| 18禁裸乳无遮挡免费网站照片 | 一级黄色大片毛片| 香蕉av资源在线| 亚洲国产精品成人综合色| 精品欧美一区二区三区在线| 久热爱精品视频在线9| 国产av一区二区精品久久| 夜夜爽天天搞| 精品久久久久久久久久免费视频| 成人av一区二区三区在线看| 国产精品自产拍在线观看55亚洲| 97超级碰碰碰精品色视频在线观看| 色播在线永久视频| www日本黄色视频网| 狠狠狠狠99中文字幕| 老司机福利观看| 久久久久国产精品人妻aⅴ院| 亚洲国产看品久久| 免费人成视频x8x8入口观看| 国产av一区在线观看免费| 国产伦一二天堂av在线观看| 悠悠久久av| 女性生殖器流出的白浆| 日韩一卡2卡3卡4卡2021年| 国产亚洲精品综合一区在线观看 | 亚洲中文av在线| 国产成人av教育| 精品卡一卡二卡四卡免费| 亚洲精品在线观看二区| 日韩av在线大香蕉| 久久国产精品人妻蜜桃| 色哟哟哟哟哟哟| 啦啦啦 在线观看视频| 亚洲成人久久爱视频| 啦啦啦韩国在线观看视频| 91字幕亚洲| 90打野战视频偷拍视频| 成年免费大片在线观看| 国产精品98久久久久久宅男小说| 老汉色av国产亚洲站长工具| 日本撒尿小便嘘嘘汇集6| 一本综合久久免费| 日韩欧美一区二区三区在线观看| 视频在线观看一区二区三区| 亚洲精品av麻豆狂野| 嫩草影视91久久| 亚洲狠狠婷婷综合久久图片| 午夜成年电影在线免费观看| 国产99白浆流出| 欧美黑人欧美精品刺激| 99久久精品国产亚洲精品| 一本大道久久a久久精品| 亚洲国产看品久久| 后天国语完整版免费观看| 国产激情欧美一区二区| 国产精品久久久久久亚洲av鲁大| 一夜夜www| 国产精品 欧美亚洲| 亚洲电影在线观看av| 精品久久久久久成人av| 国产午夜福利久久久久久| 变态另类丝袜制服| 午夜老司机福利片| 国产黄片美女视频| 国产av不卡久久| tocl精华| 亚洲欧洲精品一区二区精品久久久| 99久久99久久久精品蜜桃| 欧美亚洲日本最大视频资源| 精品久久久久久,| 中文字幕人妻丝袜一区二区| 色播亚洲综合网| 99热6这里只有精品| 亚洲欧洲精品一区二区精品久久久| 日本熟妇午夜| 老司机靠b影院| 丝袜在线中文字幕| 999精品在线视频| 波多野结衣av一区二区av| 午夜福利在线在线| 亚洲av成人av| av超薄肉色丝袜交足视频| 久久这里只有精品19| 人人澡人人妻人| 亚洲三区欧美一区| 成人三级黄色视频| 老汉色av国产亚洲站长工具| 极品教师在线免费播放| 国内揄拍国产精品人妻在线 | 欧美成人一区二区免费高清观看 | 亚洲激情在线av| 亚洲国产欧美一区二区综合| 91国产中文字幕| 欧美另类亚洲清纯唯美| 国产激情久久老熟女| 亚洲专区字幕在线| 欧美又色又爽又黄视频| 在线天堂中文资源库| 久久久久九九精品影院| 熟女少妇亚洲综合色aaa.| 无限看片的www在线观看| 无遮挡黄片免费观看| 国产一区二区激情短视频| 禁无遮挡网站| 国产人伦9x9x在线观看| 精品久久久久久久久久免费视频| 亚洲色图av天堂| av免费在线观看网站| 人人妻人人澡欧美一区二区| 久久香蕉国产精品| 成人手机av| 丰满人妻熟妇乱又伦精品不卡| 亚洲国产精品合色在线| 国产野战对白在线观看| 嫩草影院精品99| 亚洲成人久久爱视频| 免费观看精品视频网站| 日韩中文字幕欧美一区二区| 国产精品,欧美在线| 亚洲精华国产精华精| 成人18禁在线播放| 777久久人妻少妇嫩草av网站| 国产不卡一卡二| 最近最新中文字幕大全免费视频| 国产亚洲欧美98| 亚洲午夜理论影院| 国产三级在线视频| а√天堂www在线а√下载| 性欧美人与动物交配| 两性午夜刺激爽爽歪歪视频在线观看 | 熟女少妇亚洲综合色aaa.| 又黄又爽又免费观看的视频| 国产精品香港三级国产av潘金莲| 性色av乱码一区二区三区2| 成熟少妇高潮喷水视频| 国产精品国产高清国产av| 动漫黄色视频在线观看| 国产精品一区二区免费欧美| 国产高清videossex| 美国免费a级毛片| 2021天堂中文幕一二区在线观 | 精品欧美一区二区三区在线| 国产成人精品久久二区二区免费| 老熟妇乱子伦视频在线观看| 色哟哟哟哟哟哟| 精品国产美女av久久久久小说| 十八禁人妻一区二区| 我的亚洲天堂| 亚洲精品中文字幕在线视频| 欧美在线黄色| 一级a爱片免费观看的视频| 黑丝袜美女国产一区| 无人区码免费观看不卡| 亚洲熟妇熟女久久| 美女 人体艺术 gogo| 中文字幕精品免费在线观看视频| 亚洲人成网站在线播放欧美日韩| 免费电影在线观看免费观看| av福利片在线| 精品久久久久久久人妻蜜臀av| 国产爱豆传媒在线观看 | 丝袜在线中文字幕| 黑丝袜美女国产一区| 国产国语露脸激情在线看| 丰满人妻熟妇乱又伦精品不卡| 国产视频内射| 一级毛片高清免费大全| 两性午夜刺激爽爽歪歪视频在线观看 | 国产精品久久久人人做人人爽| 一个人免费在线观看的高清视频| 麻豆一二三区av精品| xxx96com| 妹子高潮喷水视频| 99精品欧美一区二区三区四区| 国产成人影院久久av| 国产高清videossex| 老司机在亚洲福利影院| 男女下面进入的视频免费午夜 | 日韩大码丰满熟妇| 国产精品电影一区二区三区| 亚洲中文字幕日韩| 欧美激情极品国产一区二区三区| av福利片在线| 国产亚洲精品一区二区www| 欧美在线黄色| 久久久久久久精品吃奶| 亚洲avbb在线观看| 亚洲最大成人中文| 国产野战对白在线观看| 高清毛片免费观看视频网站| 日本一本二区三区精品| 日韩欧美 国产精品| 久久中文字幕人妻熟女| 日本一区二区免费在线视频| 亚洲国产欧美网| 一a级毛片在线观看| 真人一进一出gif抽搐免费| 一本综合久久免费| 国产真人三级小视频在线观看| 母亲3免费完整高清在线观看| 国产精品野战在线观看| 国产男靠女视频免费网站| 亚洲性夜色夜夜综合| 夜夜夜夜夜久久久久| 天天一区二区日本电影三级| 久久国产精品男人的天堂亚洲| 亚洲欧美一区二区三区黑人| 法律面前人人平等表现在哪些方面| 亚洲一区二区三区不卡视频| 日韩欧美国产一区二区入口| 久久久精品欧美日韩精品| www国产在线视频色| 亚洲欧美精品综合一区二区三区| 国产免费男女视频| 熟女电影av网| 欧美黑人精品巨大| 搡老妇女老女人老熟妇| 最新在线观看一区二区三区| 又黄又爽又免费观看的视频| 欧美黑人欧美精品刺激| 国产成人欧美在线观看| 午夜两性在线视频| or卡值多少钱| 精品无人区乱码1区二区| 国产伦一二天堂av在线观看| 亚洲片人在线观看| 中亚洲国语对白在线视频| 美女扒开内裤让男人捅视频| 成人特级黄色片久久久久久久| 亚洲久久久国产精品| 亚洲欧美激情综合另类| 在线观看66精品国产| 亚洲精品粉嫩美女一区| 国产区一区二久久| 国语自产精品视频在线第100页| 天堂√8在线中文| 久久精品国产99精品国产亚洲性色| 少妇 在线观看| 黄色视频不卡| 老司机午夜十八禁免费视频| 国产亚洲精品av在线| 国产一区在线观看成人免费| 久久性视频一级片| av电影中文网址| 色综合亚洲欧美另类图片| 在线观看日韩欧美| 男男h啪啪无遮挡| 丝袜在线中文字幕| 国产精品av久久久久免费| 91麻豆av在线| 亚洲欧美精品综合一区二区三区| 黄片小视频在线播放| 欧美色视频一区免费| 国产亚洲精品一区二区www| 黄色女人牲交| 久久久久久久精品吃奶| 亚洲av电影不卡..在线观看| 国语自产精品视频在线第100页| 亚洲精品国产精品久久久不卡| 在线av久久热| 亚洲一区中文字幕在线| 国产精品免费一区二区三区在线| 日韩有码中文字幕| 黑人操中国人逼视频| 久久国产精品男人的天堂亚洲| 99riav亚洲国产免费| 国产激情欧美一区二区| 此物有八面人人有两片| 一个人免费在线观看的高清视频| 色综合欧美亚洲国产小说| 成人特级黄色片久久久久久久| 麻豆久久精品国产亚洲av| 757午夜福利合集在线观看| 色综合站精品国产| 国产在线精品亚洲第一网站| 久久亚洲精品不卡| 色播亚洲综合网| 色播在线永久视频| 精品一区二区三区视频在线观看免费| 久久精品夜夜夜夜夜久久蜜豆 | 国产蜜桃级精品一区二区三区| 一级片免费观看大全| 亚洲av片天天在线观看| 亚洲精品久久成人aⅴ小说| 青草久久国产| 黑人欧美特级aaaaaa片| 国产1区2区3区精品| 国产真人三级小视频在线观看| 日本一区二区免费在线视频| 国产精品1区2区在线观看.| 久久久久久久午夜电影| 日本三级黄在线观看| 侵犯人妻中文字幕一二三四区| 日韩欧美免费精品| 日本一本二区三区精品| 一区福利在线观看| 99国产精品一区二区蜜桃av| 久久草成人影院| 妹子高潮喷水视频| 深夜精品福利| 高清在线国产一区| 日韩欧美国产一区二区入口| 搡老妇女老女人老熟妇| 成人欧美大片| 欧美激情 高清一区二区三区| 最新在线观看一区二区三区| 久热爱精品视频在线9| 亚洲人成77777在线视频| 这个男人来自地球电影免费观看| 精品一区二区三区av网在线观看| 国产精品香港三级国产av潘金莲| 国产极品粉嫩免费观看在线| 久久香蕉精品热| 国产精品精品国产色婷婷| 黑人欧美特级aaaaaa片| 欧美日韩黄片免| 色综合站精品国产| 亚洲欧洲精品一区二区精品久久久| www.自偷自拍.com| 国产亚洲av嫩草精品影院| 老司机在亚洲福利影院| 国产一区二区三区在线臀色熟女| 黄色a级毛片大全视频| 亚洲成人精品中文字幕电影| 成在线人永久免费视频| 国产成人av激情在线播放| 日韩成人在线观看一区二区三区| 免费观看人在逋| 制服人妻中文乱码| www日本黄色视频网| 亚洲成a人片在线一区二区| 欧美亚洲日本最大视频资源| 欧美激情高清一区二区三区| 国产激情欧美一区二区| 国产一卡二卡三卡精品| 性色av乱码一区二区三区2| 99riav亚洲国产免费| 无限看片的www在线观看| 亚洲av电影在线进入| 50天的宝宝边吃奶边哭怎么回事| 99re在线观看精品视频| 在线观看免费午夜福利视频| 国产精品免费视频内射| 国产一区二区三区在线臀色熟女| 午夜免费鲁丝| 国产精品久久久人人做人人爽| av片东京热男人的天堂| 亚洲精品在线美女| 日韩大码丰满熟妇| 白带黄色成豆腐渣| 免费高清在线观看日韩| 久久午夜综合久久蜜桃| 成人三级黄色视频| 99精品久久久久人妻精品| 欧美不卡视频在线免费观看 | 岛国视频午夜一区免费看| 日韩欧美在线二视频| 亚洲欧美日韩无卡精品| 国产麻豆成人av免费视频| 久久香蕉精品热| 欧美成人性av电影在线观看| 欧美乱色亚洲激情| 欧美性猛交黑人性爽| 亚洲在线自拍视频| 久久精品国产亚洲av香蕉五月| 成人三级做爰电影| av天堂在线播放| 一本一本综合久久| 国产精品1区2区在线观看.| 视频区欧美日本亚洲| 日本在线视频免费播放| 97碰自拍视频| 久久天躁狠狠躁夜夜2o2o| 精品第一国产精品| 亚洲片人在线观看| 免费看日本二区| 男女午夜视频在线观看| 很黄的视频免费| 日本免费一区二区三区高清不卡| 99久久99久久久精品蜜桃| 91字幕亚洲| 黄片大片在线免费观看| 亚洲欧美精品综合一区二区三区| 国产成年人精品一区二区| 国产亚洲欧美98| 国产爱豆传媒在线观看 | 国产成人av教育| 亚洲成人久久性| 亚洲精品久久国产高清桃花| 两性午夜刺激爽爽歪歪视频在线观看 | 啦啦啦免费观看视频1| bbb黄色大片| 精品不卡国产一区二区三区| 叶爱在线成人免费视频播放| 亚洲天堂国产精品一区在线| 亚洲全国av大片| 大型av网站在线播放| 亚洲专区字幕在线| 色综合站精品国产| 免费在线观看日本一区| 免费高清视频大片| 日本三级黄在线观看| 午夜福利欧美成人| 亚洲一区高清亚洲精品| 国产男靠女视频免费网站| 国产熟女午夜一区二区三区| 在线观看66精品国产| 日本 欧美在线| 久热爱精品视频在线9| av超薄肉色丝袜交足视频| 国产伦一二天堂av在线观看| 长腿黑丝高跟| 国产成人av激情在线播放| 午夜福利一区二区在线看| 欧美中文日本在线观看视频| 亚洲全国av大片| 日韩高清综合在线| 婷婷亚洲欧美| 国产一区二区三区在线臀色熟女| 国产精品电影一区二区三区| 黄色视频不卡| 麻豆一二三区av精品| 日韩视频一区二区在线观看| 亚洲专区字幕在线| 大型av网站在线播放| 曰老女人黄片| 午夜亚洲福利在线播放| 怎么达到女性高潮| 欧美午夜高清在线| 亚洲男人的天堂狠狠| 国产成人系列免费观看| 欧美日韩福利视频一区二区| 午夜两性在线视频| 国产精品久久视频播放| 亚洲午夜精品一区,二区,三区| 国产亚洲精品久久久久5区| 精品国产乱子伦一区二区三区| avwww免费| 亚洲第一电影网av| 国内揄拍国产精品人妻在线 | 日本熟妇午夜| 亚洲精品国产精品久久久不卡| 中文字幕av电影在线播放| 美女高潮到喷水免费观看| 午夜免费鲁丝| 国产91精品成人一区二区三区| 国产av一区在线观看免费| 久热这里只有精品99| 级片在线观看| 久久欧美精品欧美久久欧美| 午夜激情福利司机影院| 亚洲精品一区av在线观看| 三级毛片av免费| 欧美日韩黄片免| 亚洲五月婷婷丁香| 黄网站色视频无遮挡免费观看| 国产精品久久久久久人妻精品电影| 美女国产高潮福利片在线看| 男女视频在线观看网站免费 | 日韩视频一区二区在线观看| 91大片在线观看| 久久天堂一区二区三区四区| 国产人伦9x9x在线观看| 免费在线观看成人毛片| 丝袜在线中文字幕| 大型av网站在线播放| 午夜激情av网站| 日韩高清综合在线| 每晚都被弄得嗷嗷叫到高潮| 热99re8久久精品国产| 男人舔女人的私密视频| 日韩一卡2卡3卡4卡2021年| 亚洲国产精品sss在线观看| 熟女少妇亚洲综合色aaa.| 91麻豆精品激情在线观看国产| 精品一区二区三区av网在线观看| 国产一区二区激情短视频| 国产成人精品久久二区二区免费| 91av网站免费观看| 白带黄色成豆腐渣| 欧美成人一区二区免费高清观看 | 亚洲成a人片在线一区二区| 巨乳人妻的诱惑在线观看| 国产精品永久免费网站| 99热只有精品国产| 真人做人爱边吃奶动态| 制服丝袜大香蕉在线| 午夜久久久久精精品| 人人妻人人澡欧美一区二区| 成年免费大片在线观看| avwww免费| 亚洲人成网站高清观看| 国产一区二区在线av高清观看| 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| 精品一区二区三区四区五区乱码| 黄色 视频免费看| av超薄肉色丝袜交足视频| 精品高清国产在线一区| 欧美午夜高清在线| 日韩大尺度精品在线看网址| 在线免费观看的www视频| 熟女少妇亚洲综合色aaa.| 男女做爰动态图高潮gif福利片| 91麻豆av在线| 亚洲国产精品sss在线观看| 成人亚洲精品av一区二区| 国产精品久久久人人做人人爽| 制服人妻中文乱码| 一进一出好大好爽视频| 成人18禁高潮啪啪吃奶动态图| 免费在线观看完整版高清| 日本一本二区三区精品| 日韩三级视频一区二区三区| 国产成人精品久久二区二区免费| 51午夜福利影视在线观看| 国产精品亚洲美女久久久| 搡老妇女老女人老熟妇| 国产黄片美女视频| 久久九九热精品免费| 免费在线观看影片大全网站| bbb黄色大片| 中文字幕人成人乱码亚洲影| 亚洲天堂国产精品一区在线| 男女床上黄色一级片免费看| 日日爽夜夜爽网站| 女性生殖器流出的白浆| 99久久99久久久精品蜜桃| 亚洲性夜色夜夜综合| 不卡av一区二区三区| 黄频高清免费视频| 亚洲中文字幕日韩| 国产国语露脸激情在线看| 亚洲真实伦在线观看| 女人被狂操c到高潮| 国产不卡一卡二| 久久久久久久久免费视频了| a级毛片a级免费在线| 欧美 亚洲 国产 日韩一| 亚洲人成77777在线视频| 女人爽到高潮嗷嗷叫在线视频| 久久精品国产亚洲av高清一级| 日韩精品中文字幕看吧| 欧美成人一区二区免费高清观看 | 国产视频内射| 日本 av在线| 亚洲精品av麻豆狂野| av视频在线观看入口| 老司机靠b影院| 在线av久久热|