• <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 ?

    基于改進(jìn)的分布式K-Means特征聚類的海量場景圖像檢索

    2016-07-19 02:07:23崔紅艷曹建芳
    關(guān)鍵詞:海量分布式檢索

    崔紅艷 曹建芳

    (忻州師范學(xué)院計(jì)算機(jī)科學(xué)與技術(shù)系 山西 忻州 034000)

    ?

    基于改進(jìn)的分布式K-Means特征聚類的海量場景圖像檢索

    崔紅艷曹建芳*

    (忻州師范學(xué)院計(jì)算機(jī)科學(xué)與技術(shù)系山西 忻州 034000)

    摘要針對傳統(tǒng)的圖像檢索方法在處理海量數(shù)據(jù)時面臨的問題,提出一種基于改進(jìn)的分布式K-Means特征聚類的海量場景圖像檢索方法。對分布式K-Means算法進(jìn)行改進(jìn),優(yōu)化了初始聚類中心的選擇和迭代過程,并將其應(yīng)用與場景圖像的特征聚類中;充分利用Hadoop分布式平臺的海量存儲能力和強(qiáng)大并行計(jì)算能力, 提出了海量場景圖像的存儲和檢索方案,設(shè)計(jì)了場景圖像特征提取、特征聚類以及圖像檢索三個階段分布式并行處理的Map和Reduce任務(wù)。多組實(shí)驗(yàn)表明,提出的方法數(shù)據(jù)伸縮率曲線平緩,取得了優(yōu)良的加速比,效率大于0.6,檢索的平均準(zhǔn)確率達(dá)到了88%左右,適合海量場景圖像數(shù)據(jù)的檢索。

    關(guān)鍵詞Hadoop分布式平臺MapReduce分布式K-Means算法特征聚類場景圖像檢索

    0引言

    多媒體技術(shù)及網(wǎng)絡(luò)技術(shù)的快速發(fā)展,已導(dǎo)致圖像數(shù)據(jù)的迅速增長,面對海量的圖像數(shù)據(jù),如何快速、準(zhǔn)確地檢索到用戶需要的圖像,已成為人們關(guān)注的熱點(diǎn)問題。傳統(tǒng)的基于單節(jié)點(diǎn)架構(gòu)的圖像檢索方法,在同時訪問用戶數(shù)量較少時,基本可以滿足用戶對訪問時間的要求,但隨著圖像數(shù)量的迅速增長,圖像特征庫會變得很大,在線同時訪問用戶數(shù)量也會隨之增多,導(dǎo)致圖像的檢索速度會因此而急速下降;另外,圖像的特征相似度計(jì)算屬于復(fù)雜運(yùn)算,使用傳統(tǒng)的檢索方法會耗費(fèi)大量的計(jì)算資源,運(yùn)算速度也很慢。這些都會導(dǎo)致大量用戶同時檢索時,系統(tǒng)運(yùn)行效率迅速下降,甚至無法承受,難以及時對用戶作出響應(yīng)[1]。因此,傳統(tǒng)的圖像檢索方法已無法完成對海量圖像數(shù)據(jù)的處理,難以滿足人們對圖像檢索性能的要求。對海量圖像的檢索面臨巨大的挑戰(zhàn),探索新的圖像檢索方法已成為數(shù)字圖像理解領(lǐng)域的研究熱點(diǎn)。

    云計(jì)算技術(shù)的發(fā)展為海量圖像數(shù)據(jù)的處理提供了新的思路,云計(jì)算技術(shù)的發(fā)展過程一直與大規(guī)模數(shù)據(jù)的處理關(guān)系密切,因此利用云計(jì)算平臺進(jìn)行分布式并行處理是實(shí)現(xiàn)海量圖像高效檢索的一種有效解決方案。Hadoop是一個能夠?qū)Υ笠?guī)模數(shù)據(jù)進(jìn)行分布式并行處理的軟件框架,自問世以來因其優(yōu)秀的大規(guī)模數(shù)據(jù)處理能力、良好的可擴(kuò)展性、高可靠性以及低成本等優(yōu)點(diǎn)得到了廣泛的應(yīng)用[2]。本文以最常見的場景圖像為例,在分析傳統(tǒng)的圖像檢索方法的基礎(chǔ)上,研究了Hadoop平臺中的MapReduce并行編程框架,提出了基于MapReduce的海量場景圖像檢索方案和改進(jìn)的分布式K-Means特征聚類算法,設(shè)計(jì)了場景圖像并行特征聚類的Map任務(wù)和Reduce任務(wù),實(shí)現(xiàn)了海量場景圖像的高效檢索。為驗(yàn)證本文提出的檢索方法的性能,實(shí)驗(yàn)從檢索準(zhǔn)確率、數(shù)據(jù)伸縮率、加速比與效率等多個方面驗(yàn)證了檢索方案的強(qiáng)大并行計(jì)算能力。

    1相關(guān)工作

    近年來,研究者們對分布式K-Means聚類算法進(jìn)行了一些研究,目前研究應(yīng)用較多的平臺是Hadoop分布式平臺,它利用MapReduce并行編程計(jì)算模型實(shí)現(xiàn)大規(guī)模數(shù)據(jù)的存儲和計(jì)算。對分布式K-Means聚類算法的改進(jìn)大多是借鑒于傳統(tǒng)的非分布式K-Means算法,而對于傳統(tǒng)的K-Means算法的改進(jìn)主要集中在初始聚類中心的確定和距離函數(shù)的確定兩個方面。NehaA等人[3]利用所有的數(shù)據(jù)對象到特定中心的計(jì)算,選取中間的數(shù)據(jù)對象作為數(shù)據(jù)中心,避免了隨機(jī)選取初始聚類中心的不確定性,減少了循環(huán)迭代的次數(shù)。張軍偉等人[4]和韓最蛟[5]根據(jù)聚類數(shù)據(jù)間的距離和密度,選擇距離較大或密度較小的數(shù)據(jù)作為聚類中心。出了對K-Means算法的聚類過程做一些改進(jìn)之外,針對Hadoop分布式平臺,趙衛(wèi)中[6]等人提出了一種基于云平臺的并行K-Means聚類算法,利用MapReduce并行編程模型的Combine函數(shù)進(jìn)行本地的合并,加快了算法的迭代速度。金偉健[7]等人通過在計(jì)算模型中增加通信模塊,減少重復(fù)的通信流量,從而提高了數(shù)據(jù)的傳輸速率。盡管這些算法都可以對大規(guī)模數(shù)據(jù)進(jìn)行處理,但其聚類的質(zhì)量并不是很高,也沒有很好地考慮算法執(zhí)行過程中的計(jì)算量的問題。

    在海量圖像處理方面,WileyK[8]等人通過將圖像轉(zhuǎn)換成序列化的二進(jìn)制文件,利用Hadoop實(shí)現(xiàn)了對天文圖像的分析處理,但因其無法對圖像進(jìn)行隨機(jī)讀寫,所以應(yīng)用受到了一定的限制。AlmeerMH[1]等人利用Hadoop的HDFS實(shí)現(xiàn)了對大規(guī)模遙感圖像的分析和存儲。朱義明[9]通過自定義圖像接口讀寫整張圖像,提出了基于Hadoop平臺的圖像分類方法, 但該方法未考慮小文件低效率的問題,從而導(dǎo)致一定的資源浪費(fèi),因此僅適合對遙感圖像的處理。SweeneyC[10]提出了一種新的方法,通過將圖像數(shù)據(jù)信息轉(zhuǎn)化為Float數(shù)組的方式將其存儲在一個文件中,并附有索引文件,從而有效解決了小文件低效率問題并支持通過索引文件隨機(jī)讀取,但這種方法不能存儲圖像的原始完整信息,而且圖像與數(shù)組互相轉(zhuǎn)換的編碼與解碼方法較為復(fù)雜,目前僅支持RGB顏色空間和jpg、png、ppm格式的圖像,應(yīng)用范圍受到一定的限制。

    綜上所述,目前幾乎沒有一種適合大規(guī)模場景圖像的高效的特征聚類和檢索方法。因此,本文在上述研究的基礎(chǔ)上,以傳統(tǒng)的K-Means算法和海量場景圖像為研究對象,在MapReduce冰箱編程模型框架下,研究場景圖像的特征聚類優(yōu)化方法,分析如何能準(zhǔn)確、快速、高效的從海量場景圖像庫中檢索到用戶需要的圖像數(shù)據(jù),實(shí)現(xiàn)“以人為本”的高效場景圖像檢索。

    2系統(tǒng)整體架構(gòu)

    針對傳統(tǒng)的單節(jié)點(diǎn)架構(gòu)和場景圖像迅速增長引發(fā)的瓶頸問題,本文提出了Hadoop分布式平臺下的場景圖像檢索方案,系統(tǒng)整體架構(gòu)如圖1所示。

    系統(tǒng)整體架構(gòu)分為三層:

    (1) 表現(xiàn)層:用戶通過Internet獲取服務(wù),提交示例圖像或接收檢索結(jié)果。

    (2) 業(yè)務(wù)邏輯層:Web服務(wù)器根據(jù)用戶的檢索請求執(zhí)行相應(yīng)的業(yè)務(wù)處理。

    (3) 數(shù)據(jù)處理層:是整個系統(tǒng)的核心部分,主要進(jìn)行海量場景圖像的存儲和管理,負(fù)責(zé)場景圖像的特征提取、匹配、輸出結(jié)果等。用戶將檢索示例圖像或檢索關(guān)鍵字通過Internet提交給Hadoop分布式系統(tǒng),經(jīng)過MapReduce計(jì)算模型進(jìn)行特征提取(如果是示例圖像),然后進(jìn)行特征匹配:如果是示例圖像檢索,就將示例圖像特征與HDFS中存儲的場景圖像特征庫匹配;如果是關(guān)鍵字檢索,就將檢索關(guān)鍵字與場景圖像庫的標(biāo)注信息匹配;最后輸出檢索結(jié)果。

    圖1 海量場景圖像檢索系統(tǒng)架構(gòu)

    2.1MapReduce并行編程模型

    MapReduce是Hadoop分布式處理的核心技術(shù)之一,它為大數(shù)據(jù)的處理提供了一種面向底層的分布式并行處理計(jì)算模式,為開發(fā)者提供了一套完整的編程接口和執(zhí)行環(huán)境。MapReduce采用標(biāo)準(zhǔn)的函數(shù)式編程計(jì)算模式,核心是可以將被稱為高次函數(shù)的函數(shù)作為參數(shù)進(jìn)行傳遞,通過多個高次函數(shù)的串接,將數(shù)據(jù)的計(jì)算過程轉(zhuǎn)換成為函數(shù)的執(zhí)行過程。

    MapReduce將數(shù)據(jù)的計(jì)算過程分為Map和Reduce兩個階段,分別對應(yīng)兩個函數(shù):mapper和reducer。在Map階段,原始數(shù)據(jù)經(jīng)分段處理后作為輸入給mapper,經(jīng)過過濾和轉(zhuǎn)換,將產(chǎn)生的中間結(jié)果作為Reduce階段reducer的輸入,最后經(jīng)過聚合處理得到最終結(jié)果。

    Map階段,MapReduce將用戶的輸入數(shù)據(jù)分割為固定大小的片段(Split),然后將每個Split分解成一批鍵值對;Hadoop為每個Split建立一個Map任務(wù),將每個Split對應(yīng)的鍵值作為輸入,對執(zhí)行用戶自定義的mapper函數(shù),產(chǎn)生中間結(jié)果;接著將中間結(jié)果按照k2的值排序,將key值相同的value放在一起形成一個新的列表;最后再根據(jù)key值的范圍對這些元組進(jìn)行分組,對應(yīng)形成不同的Reduce任務(wù)。

    Reduce階段,Reduce把從不同的mapper函數(shù)接收過來的數(shù)據(jù)整合排序,然后調(diào)用對應(yīng)的reducer函數(shù),將作為輸入,并做相應(yīng)的處理,獲得鍵值對輸出到HDFS上。

    其過程表示為:

    Map:(k1,v1)→list(k2,v2)

    Reduce:(k2,list(v2))→list(k3,v3)

    2.2HDFS體系結(jié)構(gòu)設(shè)計(jì)

    HDFS也是Hadoop的核心子項(xiàng)目之一,采用主從(Master/Slave)模式體系結(jié)構(gòu),將大規(guī)模的數(shù)據(jù)存儲在多臺相關(guān)聯(lián)的計(jì)算機(jī)上,既可增加存儲容量,又能實(shí)現(xiàn)自動容錯,能夠自動檢測和快速恢復(fù)硬件故障,在超大規(guī)模數(shù)據(jù)集上方便的進(jìn)行流式數(shù)據(jù)訪問。

    當(dāng)圖像數(shù)據(jù)規(guī)模很大時,如果將其全部存儲在HDFS中,那么讀取圖像會產(chǎn)生很大的時間開銷,HBase是一個在HDFS之上的面向列的分布式數(shù)據(jù)庫,可以進(jìn)行實(shí)時讀寫,因此本文將場景圖像的存儲路徑和特征存儲于HBase分布式數(shù)據(jù)庫中。結(jié)構(gòu)如表1所示。

    表1 海量場景圖像的存儲表設(shè)計(jì)

    將場景圖像的ID作為HBase表的主鍵,取圖像和提取的圖像特征、標(biāo)注信息作為HBase表的兩個列族。由于HBase對表執(zhí)行的是按行原子操作,因此將一張場景圖像的所有信息全部放在一行存放,以便于讀寫。

    3改進(jìn)的分布式K-Means特征聚類算法

    3.1場景圖像特征提取

    由于SURF算法能在保持尺度、旋轉(zhuǎn)、照明變化等無關(guān)特性的同時,使得計(jì)算過程效率更高,因此,本文采用SURF算法提取場景圖像的特征。過程如下:

    (1) 計(jì)算場景圖像每個像素點(diǎn)X=(x,y)在尺度σ下的Hessian矩陣:

    (1)

    該矩陣是由二階導(dǎo)數(shù)構(gòu)成的矩陣,用不同尺度σ下的近似高斯核計(jì)算求得,因此,Hessian值實(shí)際上是一個包含三個變量的函數(shù):H(x,y,σ)。

    (2) 計(jì)算在空間域和尺度域上同時達(dá)到局部極大值時的相應(yīng)位置和尺度。

    對于每個特征點(diǎn),求其在半徑為6σ的圓內(nèi)的Haar小波在x和y方向的響應(yīng)dx和dy,對覆蓋在60°范圍內(nèi)的響應(yīng)求和,旋轉(zhuǎn)窗口得到最長向量的方向即為主要方向。

    (3) 對得到的64維特征向量做歸一化處理。

    該過程在Hadoop分布式處理平臺下的MapReduce計(jì)算過程如下:

    Map任務(wù):

    輸入:

    輸出:

    mapper函數(shù)對每張場景圖像利用SURF算法特征向量,并統(tǒng)計(jì)特證數(shù),便于歸一化處理。

    Reduce任務(wù):

    reducer函數(shù)將mapper函數(shù)輸出的每個鍵值對作為自己的輸入,并再將其傳遞到輸出部分。

    3.2特征聚類

    K-Means聚類算法是一個重復(fù)迭代算法,在分布式環(huán)境下,每次迭代都會耗費(fèi)大量的時間和通信量,而且用于圖像的特征聚類時,圖像的屬性維數(shù)較高,數(shù)量較多,因此傳統(tǒng)的分布式K-Means算法的時間復(fù)雜度很大。本文改進(jìn)了傳統(tǒng)的分布式K-Means算法,首先使用Canopy算法選擇初始聚類中心,然后在聚類中心點(diǎn)生成的過程中使用Combine函數(shù)進(jìn)行了本地的合并,這樣既優(yōu)化了初始聚類中心,又優(yōu)化了算法的迭代過程,大大降低了分布式K-Means算法的時間復(fù)雜度。

    (1) Canopy算法和K-Means算法

    Canopy算法[11]的主要思想是將聚類分成兩個階段:首先,使用一個簡單、快捷的距離計(jì)算方法將數(shù)據(jù)分成被稱為“canopy”的可重疊的子集;然后,使用一個精準(zhǔn)而嚴(yán)密的距離計(jì)算方法計(jì)算出現(xiàn)在第一階段中的屬于同一個“canopy”的所有數(shù)據(jù)向量的距離。該算法由于只計(jì)算重疊部分的數(shù)據(jù)向量而有效地減少了計(jì)算量。

    K-Means算法[11]是一種經(jīng)典的基于距離的聚類算法,它采用距離作為相似性的評價指標(biāo),即兩個對象的距離越近,相似性就越大。其基本思想為:首先隨機(jī)選取k個點(diǎn)作為初始聚類中心,然后計(jì)算各樣本到中心點(diǎn)的距離,將樣本歸類到離其最近的簇中,接著對調(diào)整后的新類計(jì)算新的簇中心,若相鄰兩次的簇中心沒有變化,則樣本調(diào)整結(jié)束,聚類準(zhǔn)則函數(shù)E收斂。

    (2)

    其中,Mi為類Ci中數(shù)據(jù)對象的均值,p是類Ci中的空間點(diǎn)。

    分布式K-Means算法[11]的基本思想是:首先隨機(jī)選擇一個站點(diǎn)作為主站點(diǎn),然后主站點(diǎn)利用K-Means算法將其劃分為k個簇,接著主站點(diǎn)將各個簇的中心點(diǎn)廣播給其余的k-1個子站點(diǎn),最后各子站點(diǎn)計(jì)算本站點(diǎn)的數(shù)據(jù)對象與中心站點(diǎn)各個簇中心點(diǎn)的距離,并將每個樣本點(diǎn)歸入離其最近的中心點(diǎn),將不屬于自己的樣本對象傳送給與該樣本對象所屬的簇類對應(yīng)的站點(diǎn)。反復(fù)迭代,直到判別函數(shù)E收斂為止。

    (2) 改進(jìn)的分布式K-Means特征聚類算法描述

    本文將Canopy算法與K-Means算法結(jié)合,利用Canopy算法優(yōu)化K-Means算法的初始聚類中心,其算法描述如下。

    算法分為兩大部分:初始聚類中心的優(yōu)化和聚類迭代過程的優(yōu)化。

    利用Canopy算法對初始聚類中心的優(yōu)化過程為:

    輸入:場景圖像數(shù)據(jù)集List(形如)

    輸出:k個初始聚類中心(形如)

    ① 數(shù)據(jù)預(yù)處理。將場景圖像數(shù)據(jù)集合List按照圖像的image_id排序,并設(shè)置初始距離閾值T1和T2(使用交叉驗(yàn)證獲得),且T1>T2。

    ②mapper函數(shù)隨機(jī)選取一個場景圖像樣本向量作為一個canopy中心向量,然后遍歷場景圖像數(shù)據(jù)集合List,若場景圖像數(shù)據(jù)與canopy中心向量之間的距離小于T1,則將該圖像數(shù)據(jù)歸入此canopy;若距離小于T2,則將該圖像數(shù)據(jù)從原始數(shù)據(jù)集中去除,直到List為空;最后輸出所有的canopy中心向量。

    ③reducer函數(shù)處理mapper函數(shù)的輸出,整合Map階段產(chǎn)生的canopy中心向量,生成新的canopy中心向量,即初始聚類中心。

    這樣就得到了k個初始聚類中心。

    利用K-Means算法進(jìn)行特征聚類的迭代優(yōu)化過程為:

    輸入:場景圖像數(shù)據(jù)集List(形如)

    輸出:k個聚類中心(形如)

    ①mapper函數(shù)接收Canopy算法reducer函數(shù)的輸出,計(jì)算各場景圖像數(shù)據(jù)對象到其所屬的各canopy中最近的簇中心的距離,輸出場景圖像數(shù)據(jù)及所屬的簇,形如。

    ②combine函數(shù)接收mapper函數(shù)的輸出,在本地進(jìn)行同一簇對象的合并,即對各簇中場景圖像數(shù)據(jù)對象的對應(yīng)維求和,統(tǒng)計(jì)數(shù)據(jù)對象的個數(shù),得到形如的輸出。

    ③reducer函數(shù)接收combine函數(shù)的輸出,統(tǒng)計(jì)各簇的所有場景圖像數(shù)據(jù)對象的對應(yīng)維之和、場景圖像數(shù)據(jù)對象的總個數(shù),得到新的簇中心值作為穩(wěn)定的K-Means簇中心,形如,并且判斷K-Means算法是否收斂。

    ④ 根據(jù)產(chǎn)生的穩(wěn)定的簇中心,進(jìn)行聚類劃分:mapper函數(shù)接收待聚類場景圖像數(shù)據(jù)作為輸入,并加載穩(wěn)定的K-Means簇中心,計(jì)算各場景圖像數(shù)據(jù)對象與k個簇中心之間的距離,得到該數(shù)據(jù)對象最終所屬的簇;reducer函數(shù)接收mapper函數(shù)的輸出,進(jìn)行數(shù)據(jù)收集,得到最終的聚類結(jié)果。

    對于場景圖像特征相似度的計(jì)算,本文采用歐幾里得距離公式進(jìn)行計(jì)算。

    (3)

    4海量場景圖像檢索的實(shí)現(xiàn)

    檢索流程如圖2所示。

    圖2 海量場景圖像檢索流程

    基于改進(jìn)的分布式K-Means特征聚類的海量場景圖像檢索,根據(jù)場景圖像的SURF特征描述圖像,結(jié)合場景圖像的標(biāo)注信息特征,實(shí)現(xiàn)圖像檢索。主要是以下幾個步驟:

    (1) 場景圖像庫以及標(biāo)注信息存儲于HDFS的HBase分布式數(shù)據(jù)庫中,用于特征提取、聚類以及獲取檢索結(jié)果。

    (2) 對庫中的場景圖像使用SURF算法進(jìn)行分布式并行特征提取,并使用本文提出的改進(jìn)的分布式K-Means算法進(jìn)行特征聚類,將聚類后的圖像數(shù)據(jù)及特征信息存儲于HDFS中。

    (3) 在圖像檢索階段,Map任務(wù)接收用戶輸入的檢索要求,并讀取圖像特征信息庫,判斷檢索要求,提取示例圖像特征,計(jì)算待檢索圖像特征與圖像庫中各聚類中心的相似度,并將計(jì)算的結(jié)果作為中間結(jié)果輸出。

    (4)Reduce任務(wù)接收Map任務(wù)的輸出,將相似度按從大到小的順序排序,將相似度最大的聚類中心的場景圖像作為最終檢索結(jié)果輸出。

    5實(shí)驗(yàn)及結(jié)果分析

    5.1實(shí)驗(yàn)環(huán)境和測試數(shù)據(jù)

    本文實(shí)驗(yàn)環(huán)境搭建的Hadoop集群由局域網(wǎng)內(nèi)5臺計(jì)算機(jī)構(gòu)成,其中1臺計(jì)算機(jī)為Master節(jié)點(diǎn),其余4臺計(jì)算機(jī)為Slave節(jié)點(diǎn),各節(jié)點(diǎn)計(jì)算機(jī)采用4G雙核處理器,500GB硬盤空間的基本配置,操作系統(tǒng)采用Ubuntu。

    本文的實(shí)驗(yàn)測試數(shù)據(jù)來自Internet上的SUNDatabase場景圖像數(shù)據(jù)庫,該數(shù)據(jù)庫目前包含131 067張場景圖像,908個場景類別。由于實(shí)驗(yàn)條件的限制,我們從中選取20 000張場景圖像作為實(shí)驗(yàn)測試數(shù)據(jù)集。

    5.2系統(tǒng)性能測試與分析

    (1) 存儲性能測試與分析

    在做存儲性能實(shí)驗(yàn)測試時,根據(jù)Hadoop集群不同節(jié)點(diǎn)個數(shù)的情況,我們對存儲不同的場景圖像集規(guī)模所需消耗的時間進(jìn)行了實(shí)驗(yàn)對比,場景圖像集的規(guī)模分別設(shè)置為:500、1000、3000、6000、10 000、15 000、20 000張;在1個、2個、3個和4個節(jié)點(diǎn)時分別做了存儲耗時性能的測試。實(shí)驗(yàn)結(jié)果如圖3所示。

    圖3 海量場景圖像存儲耗時對比

    可以看出,在場景圖像的規(guī)模小于1000張時,節(jié)點(diǎn)數(shù)量的增長對場景圖像存儲耗時性能的影響并不明顯,當(dāng)場景圖像的規(guī)模大于1000時,分布式并行存儲的優(yōu)勢逐漸明顯。在相同的圖像規(guī)模下,存儲耗時隨著節(jié)點(diǎn)的數(shù)量增加而下降;隨著圖像規(guī)模的增大,存儲耗時也在不斷增加,然而,單節(jié)點(diǎn)集群增加最快,而4個節(jié)點(diǎn)集群的增長速度最為緩慢,即在圖像規(guī)模不太大時,不適合采用多節(jié)點(diǎn)集群分布式存儲,而當(dāng)圖像規(guī)模變大時,采用分布式存儲的效率是很高的。

    (2) 檢索性能測試與分析

    為驗(yàn)證檢索的效果,本文從檢索準(zhǔn)確率、加速比與效率、數(shù)據(jù)伸縮率等三個方面進(jìn)行了實(shí)驗(yàn)對比。

    ① 檢索準(zhǔn)確率

    本文首先使用傳統(tǒng)的查準(zhǔn)率、召回率以及F1值來衡量系統(tǒng)的檢索效果。表2是在不同的場景圖像規(guī)模下,結(jié)合人工輔助的統(tǒng)計(jì),得到的檢索效率。

    表2 檢索平均準(zhǔn)確率比較

    從表2可以看出,系統(tǒng)檢索的查準(zhǔn)率、召回率和F1值都較高,檢索效果較好;另外,還可以看到,隨著場景圖像規(guī)模的不斷增大,雖然系統(tǒng)的查準(zhǔn)率和召回率在降低,但下降的幅度很小,這充分說明,采用分布式并行處理方式非常適合大規(guī)模數(shù)據(jù)的處理。

    ② 數(shù)據(jù)伸縮率

    數(shù)據(jù)伸縮率[2]是衡量設(shè)計(jì)的方案處理不同數(shù)據(jù)規(guī)模的能力的一個指標(biāo),是指處理擴(kuò)大后的數(shù)據(jù)集所需的時間與處理原始數(shù)據(jù)集所需時間的比值。實(shí)驗(yàn)以節(jié)點(diǎn)數(shù)為4進(jìn)行,從1 000張場景圖像的數(shù)據(jù)規(guī)模起,逐漸將圖像規(guī)模增加到10 000,測試結(jié)果如圖4所示。

    圖4 系統(tǒng)數(shù)據(jù)伸縮率測試

    可以看到,在場景圖像的規(guī)模小于5000時,數(shù)據(jù)伸縮率曲線較為平緩,這說明在圖像數(shù)量較少時,系統(tǒng)并不能充分發(fā)揮各數(shù)據(jù)節(jié)點(diǎn)的計(jì)算能力,而當(dāng)圖像規(guī)模大于5000時,數(shù)據(jù)伸縮率的增長趨勢較快,曲線上升較為陡峭,這進(jìn)一步的說明數(shù)據(jù)規(guī)模愈大,愈能發(fā)揮各數(shù)據(jù)節(jié)點(diǎn)的計(jì)算能力。同時,可以看出,圖像規(guī)模從5000張擴(kuò)大到10 000張時大約需要3.8倍的時間,而從1000張擴(kuò)大到10 000張時只用了大約5.8倍的時間,系統(tǒng)取得了較好的數(shù)據(jù)伸縮率。

    ③ 加速比與效率

    加速比[2,13]是指同一任務(wù)在單個計(jì)算節(jié)點(diǎn)的運(yùn)行時間與多個計(jì)算節(jié)點(diǎn)的運(yùn)行時間之比,效率是加速比與計(jì)算節(jié)點(diǎn)數(shù)量之比,二者是用來衡量檢索方案整體性能的指標(biāo)。圖5是場景圖像規(guī)模分別為5000、10 000、15 000時系統(tǒng)加速比與效率的實(shí)驗(yàn)對比結(jié)果。

    圖5 系統(tǒng)性能對比

    在理想狀態(tài)下,系統(tǒng)加速比應(yīng)隨著節(jié)點(diǎn)個數(shù)增加而線性增長,效率始終保持不變。但實(shí)際上由于任務(wù)的控制受到通信開銷、負(fù)載平衡等因素的影響,加速比不會線性增長,系統(tǒng)效率并不會達(dá)到1。GollerA[12,14]等人認(rèn)為只要效率達(dá)到0.5,即可認(rèn)為系統(tǒng)獲得了很好的性能。從圖5可以看出,通過對三組規(guī)模不同的場景圖像的測試,加速比隨著節(jié)點(diǎn)個數(shù)的增加而增加,效率都在0.5以上,這充分說明系統(tǒng)獲得了很好的性能。另外,隨著場景圖像規(guī)模的增大,節(jié)點(diǎn)個數(shù)愈多,加速比與效率的性能就愈好,這同時也說明在分布式并行處理情況下,數(shù)據(jù)規(guī)模愈大,愈能充分發(fā)揮各數(shù)據(jù)節(jié)點(diǎn)的計(jì)算能力。

    從整體上看,無論是存儲性能還是檢索性能,本文提出的基于改進(jìn)的分布式K-Means特征聚類的海量場景圖像檢索方法都達(dá)到了很好的效果。

    6結(jié)語

    本文對基于改進(jìn)的分布式K-Means特征聚類的海量場景圖像檢索方法進(jìn)行了深入探討和研究,研究了如何對分布式K-Means算法改進(jìn),并將其應(yīng)用于場景圖像檢索的特征聚類中,在Hadoop分布式處理平臺上實(shí)現(xiàn)了海量場景圖像的檢索。實(shí)驗(yàn)結(jié)果表明,設(shè)計(jì)的檢索方案能均衡系統(tǒng)負(fù)載,充分利用分布式系統(tǒng)的資源,提高檢索速度;面對海量的場景圖像數(shù)據(jù),Hadoop分布式系統(tǒng)的檢索效率相對于單節(jié)點(diǎn)架構(gòu)的系統(tǒng)有很大提高,充分體現(xiàn)了分布式并行處理架構(gòu)的強(qiáng)大計(jì)算能力。

    隨著大數(shù)據(jù)時代的到來以及云計(jì)算、多媒體技術(shù)的快速發(fā)展,對于大規(guī)模多媒體數(shù)據(jù)的分析和處理逐漸成為新的研究熱點(diǎn)。本文下一步的研究內(nèi)容主要包括:(1) 擴(kuò)展Hadoop分布式平臺的節(jié)點(diǎn)數(shù),調(diào)節(jié)系統(tǒng)的相關(guān)參數(shù),進(jìn)一步提高分布式系統(tǒng)的工作效率;(2) 優(yōu)化特征提取和聚類算法,提高檢索的準(zhǔn)確率;(3) 優(yōu)化分布式處理Map任務(wù)和Reduce任務(wù)的設(shè)計(jì),從而實(shí)現(xiàn)更快、更精確的檢索。

    參考文獻(xiàn)

    [1]AlmeerMH.CloudHadoopmapreduceforremotesensingimageanalysis[J].JournalofEmergingTrendsinComputingandInformationSciences,2012,3(4):637-644.

    [2] 朱為盛,王鵬.基于Hadoop云計(jì)算平臺的大規(guī)模圖像檢索方案[J].計(jì)算機(jī)應(yīng)用,2014,34(3):695-699.

    [3]NehaA,KiriiA.Amid-pointbasedk-meanclusteringalgorithmforDatamining[J].InternationalJournalonComputerScienceandEngineering,2012,4(6):1174-1180.

    [4] 張軍偉,王念濱,黃少濱,等.二分K均值聚類算法優(yōu)化及并行化研究[J].計(jì)算機(jī)工程,2011,37(11):23-25.

    [5] 韓最蛟.基于數(shù)據(jù)密集性的自適應(yīng)K均值初始化方法[J].計(jì)算機(jī)應(yīng)用與軟件,2014,31(2):182-187.

    [6] 趙衛(wèi)中,馬慧芳,傅燕翔,等.基于云計(jì)算平臺Hadoop的并行K-Means聚類算法設(shè)計(jì)研究[J].計(jì)算機(jī)科學(xué),2011,38(10):166-168.

    [7] 金偉健,王春枝.適于進(jìn)化算法的迭代式MapReduce框架[J].計(jì)算機(jī)應(yīng)用,2013,33(12):3591-3595.

    [8]WileyK,ConnollyA,KrughoffS,etal.AstronomicalimageprocessingwithHadoop[C]//Proceedingsofthe20thConferenceonAstronomicalDataAnalysisSoftwareandSystems.SanFrancisco:AstronomicalSocietyofthePacific,2011:93-96.

    [9] 朱義明.基于Hadoop平臺的圖像分類[J].西南科技大學(xué)學(xué)報(bào),2011,26(2):70-73.

    [10]SweeneyC,LiuL,AriettaS,etal.HIPI:aHadoopimageprocessinginterfaceforimage-basedmapreducetasks[D].Charlattesville:UniversityofVirginia,2011.

    [11] 樊哲.Mahout算法解析與案例實(shí)戰(zhàn)[M].北京:機(jī)械工業(yè)出版社,2014.

    [12]GollerA,GlendinningI,BachmannD,etal.Parallelanddistributedprocessing[M].DigitalImageAnalysis.Berlin:Springer-Verlag,2001:135-153.

    [13] 王賢偉,戴青云,姜文超,等.基于MapReduce的外觀設(shè)計(jì)專利圖像檢索方法[J].小型微型計(jì)算機(jī)系統(tǒng),2012,33(3):626-632.

    [14] 顏宏文,陳鵬.基于云模型的電網(wǎng)統(tǒng)計(jì)數(shù)據(jù)質(zhì)量評估方法研究[J].計(jì)算機(jī)應(yīng)用與軟件,2014,31(12):100-103.

    MASSIVE SCENE IMAGE RETRIEVAL BASED ON IMPROVED DISTRIBUTEDK-MEANSFEATURECLUSTERING

    Cui HongyanCao Jianfang*

    (Department of Computer Science and Technology,Xinzhou Teachers University,Xinzhou 034000,Shanxi,China)

    AbstractConcerning that traditional image retrieval methods are confronted with the problems when processing massive data, we put forward a retrieval method for massive scene images, which is based on improved k-means feature clustering. We improved the distributed K-means algorithm, optimised the selection of initial cluster centres and the iteration procedure, and applied it to feature clustering of scene images. We made full use of the massive storage capacity and the powerful parallel computing ability of Hadoop distributed platform, proposed the storage and retrieval scheme on massive scene image, and designed the Map and Reduce tasks of three-phase distributed parallel processing on scene image with feature extraction, feature clustering and image retrieval. Sets of experiments demonstrated that the proposed method has gentle curve of data expansion rate, achieves good speedup ratio, the efficiency is greater than 0.6, and the average accuracy rate of retrieval reaches about 88%. The proposed scheme is suitable for large-scale scene image data retrieval.

    KeywordsHadoop distributed platformMapReduceDistributed k-means algorithmFeature clusteringScene image retrieval

    收稿日期:2015-01-19。國家自然科學(xué)基金項(xiàng)目(61202163);山西省高校大學(xué)生創(chuàng)新創(chuàng)業(yè)訓(xùn)練項(xiàng)目(2014383);山西省自然科學(xué)基金項(xiàng)目(2013011017-2);忻州師范學(xué)院重點(diǎn)學(xué)科專項(xiàng)課題(XK201308)。崔紅艷,本科生,主研領(lǐng)域:數(shù)字圖像理解。曹建芳,副教授。

    中圖分類號TP391

    文獻(xiàn)標(biāo)識碼A

    DOI:10.3969/j.issn.1000-386x.2016.06.047

    猜你喜歡
    海量分布式檢索
    一種傅里葉域海量數(shù)據(jù)高速譜聚類方法
    海量快遞垃圾正在“圍城”——“綠色快遞”勢在必行
    2019年第4-6期便捷檢索目錄
    分布式光伏熱錢洶涌
    能源(2017年10期)2017-12-20 05:54:07
    分布式光伏:爆發(fā)還是徘徊
    能源(2017年5期)2017-07-06 09:25:54
    一個圖形所蘊(yùn)含的“海量”巧題
    專利檢索中“語義”的表現(xiàn)
    專利代理(2016年1期)2016-05-17 06:14:36
    基于DDS的分布式三維協(xié)同仿真研究
    西門子 分布式I/O Simatic ET 200AL
    基于文件系統(tǒng)的分布式海量空間數(shù)據(jù)高效存儲與組織研究
    成人特级av手机在线观看| 噜噜噜噜噜久久久久久91| 国产激情偷乱视频一区二区| 51国产日韩欧美| 亚洲欧美日韩卡通动漫| 国产一区二区三区av在线| 白带黄色成豆腐渣| 九九爱精品视频在线观看| 六月丁香七月| 国产精品一区二区三区四区久久| 最新中文字幕久久久久| 日韩人妻高清精品专区| 寂寞人妻少妇视频99o| 欧美激情久久久久久爽电影| 免费看光身美女| 国产乱人视频| 色综合站精品国产| 熟女人妻精品中文字幕| 国产乱人偷精品视频| 中文在线观看免费www的网站| 午夜福利在线观看吧| 一级二级三级毛片免费看| 毛片一级片免费看久久久久| 一区二区三区乱码不卡18| 国语对白做爰xxxⅹ性视频网站| 性色avwww在线观看| 国产精品一区www在线观看| 亚洲国产色片| 三级毛片av免费| 欧美日韩亚洲高清精品| 亚洲av不卡在线观看| 夜夜爽夜夜爽视频| 欧美日本视频| 日韩一区二区视频免费看| 国产在视频线在精品| 亚洲精品一区蜜桃| 日韩欧美国产在线观看| 中文在线观看免费www的网站| 日韩视频在线欧美| 国产精品人妻久久久久久| 高清视频免费观看一区二区 | 午夜精品一区二区三区免费看| 亚洲图色成人| 国产大屁股一区二区在线视频| 国产在线一区二区三区精| 欧美成人午夜免费资源| 亚洲精品国产av蜜桃| 99热这里只有是精品在线观看| 日本三级黄在线观看| 久久人人爽人人片av| 亚洲精品乱码久久久v下载方式| 水蜜桃什么品种好| av女优亚洲男人天堂| 大香蕉97超碰在线| 成人av在线播放网站| 天堂俺去俺来也www色官网 | 国产淫语在线视频| 中文资源天堂在线| 尤物成人国产欧美一区二区三区| 女的被弄到高潮叫床怎么办| 午夜精品在线福利| 在线免费十八禁| 成人鲁丝片一二三区免费| 能在线免费看毛片的网站| 乱系列少妇在线播放| 建设人人有责人人尽责人人享有的 | 最近中文字幕高清免费大全6| 一本一本综合久久| 超碰97精品在线观看| 大又大粗又爽又黄少妇毛片口| 美女主播在线视频| 亚洲成人精品中文字幕电影| 美女黄网站色视频| 日韩大片免费观看网站| 中文字幕av在线有码专区| 亚洲三级黄色毛片| 午夜视频国产福利| www.av在线官网国产| 高清午夜精品一区二区三区| 免费观看av网站的网址| 国产黄片美女视频| 国产淫片久久久久久久久| 亚洲欧美日韩卡通动漫| 亚洲精品久久午夜乱码| 亚洲精品国产av成人精品| 国产精品一区www在线观看| av在线天堂中文字幕| 国产精品久久久久久久电影| .国产精品久久| av一本久久久久| 26uuu在线亚洲综合色| 久久热精品热| 免费观看a级毛片全部| 欧美bdsm另类| 国产伦精品一区二区三区视频9| 麻豆国产97在线/欧美| 听说在线观看完整版免费高清| 99九九线精品视频在线观看视频| 国产成人a∨麻豆精品| 国内精品宾馆在线| 熟妇人妻不卡中文字幕| 久久精品熟女亚洲av麻豆精品 | 午夜福利网站1000一区二区三区| 精品久久久久久电影网| 噜噜噜噜噜久久久久久91| 日韩成人av中文字幕在线观看| 成人国产麻豆网| 淫秽高清视频在线观看| 亚洲国产精品成人综合色| 午夜爱爱视频在线播放| 免费看日本二区| 欧美极品一区二区三区四区| 欧美高清性xxxxhd video| 国产亚洲一区二区精品| 日日啪夜夜爽| 久久久精品免费免费高清| 看十八女毛片水多多多| 亚洲精品乱码久久久久久按摩| 免费播放大片免费观看视频在线观看| 日日撸夜夜添| 日韩av免费高清视频| 欧美日韩视频高清一区二区三区二| 亚洲精品国产av成人精品| 麻豆av噜噜一区二区三区| 亚洲人成网站高清观看| a级一级毛片免费在线观看| 国产高清不卡午夜福利| 久久热精品热| 免费高清在线观看视频在线观看| 七月丁香在线播放| 中国国产av一级| 久久久久网色| 韩国高清视频一区二区三区| 国产精品久久久久久精品电影| 亚洲av中文字字幕乱码综合| 白带黄色成豆腐渣| 中文字幕av成人在线电影| 精品国产三级普通话版| 免费大片18禁| 亚洲欧美一区二区三区国产| 极品少妇高潮喷水抽搐| 成人亚洲精品一区在线观看 | 97在线视频观看| 久久精品久久精品一区二区三区| 国产亚洲av嫩草精品影院| 大香蕉97超碰在线| 久久久久精品性色| 亚洲欧美中文字幕日韩二区| 日韩一区二区三区影片| 免费看日本二区| 伊人久久国产一区二区| 中文字幕av在线有码专区| 久久亚洲国产成人精品v| 精品酒店卫生间| 欧美三级亚洲精品| 精品人妻偷拍中文字幕| 久久热精品热| 国产 亚洲一区二区三区 | a级毛片免费高清观看在线播放| 亚洲精品第二区| 国产伦一二天堂av在线观看| 美女国产视频在线观看| 国产麻豆成人av免费视频| 成人一区二区视频在线观看| 亚洲国产高清在线一区二区三| 久久久久久伊人网av| 老司机影院成人| kizo精华| 亚洲伊人久久精品综合| 亚洲成人久久爱视频| 国产伦在线观看视频一区| av国产免费在线观看| 久久午夜福利片| 中文字幕久久专区| 日本色播在线视频| 麻豆成人午夜福利视频| 欧美不卡视频在线免费观看| 日韩av免费高清视频| 韩国高清视频一区二区三区| 夜夜看夜夜爽夜夜摸| 欧美另类一区| 欧美成人午夜免费资源| 日韩欧美 国产精品| 亚洲内射少妇av| 成年免费大片在线观看| 熟女电影av网| 99九九线精品视频在线观看视频| 亚洲av电影不卡..在线观看| 欧美区成人在线视频| 精品久久久久久久久av| 嘟嘟电影网在线观看| av天堂中文字幕网| 嫩草影院精品99| 中文字幕制服av| 国产午夜福利久久久久久| 色综合站精品国产| videos熟女内射| 一区二区三区高清视频在线| 嫩草影院入口| 欧美97在线视频| 免费看a级黄色片| 色播亚洲综合网| 国产免费又黄又爽又色| 美女主播在线视频| 亚洲av免费高清在线观看| 免费看不卡的av| 成人国产麻豆网| 美女cb高潮喷水在线观看| 男女那种视频在线观看| 国产av码专区亚洲av| 亚洲国产精品sss在线观看| 床上黄色一级片| 成人无遮挡网站| 91精品国产九色| 80岁老熟妇乱子伦牲交| 日韩av在线免费看完整版不卡| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | freevideosex欧美| 国产高清国产精品国产三级 | 国产三级在线视频| 深爱激情五月婷婷| 女的被弄到高潮叫床怎么办| 一个人看的www免费观看视频| 深夜a级毛片| or卡值多少钱| 久久99热6这里只有精品| 国产精品久久久久久久电影| 国产精品一区二区三区四区久久| 亚洲av不卡在线观看| 亚洲第一区二区三区不卡| 搡老乐熟女国产| av线在线观看网站| 亚洲av国产av综合av卡| 男人和女人高潮做爰伦理| 熟妇人妻久久中文字幕3abv| 精品午夜福利在线看| 免费看日本二区| 国产精品一区二区性色av| 综合色丁香网| 亚洲人成网站高清观看| 日本wwww免费看| 久久人人爽人人片av| av福利片在线观看| 国产黄片视频在线免费观看| 国产成人午夜福利电影在线观看| 爱豆传媒免费全集在线观看| 亚洲精品乱码久久久v下载方式| 天天躁夜夜躁狠狠久久av| 大片免费播放器 马上看| 免费看不卡的av| 我的女老师完整版在线观看| 99热这里只有精品一区| 国产一区二区三区av在线| 男人和女人高潮做爰伦理| 人妻制服诱惑在线中文字幕| 国产精品爽爽va在线观看网站| 久久精品国产亚洲av天美| 中文字幕av成人在线电影| 美女内射精品一级片tv| 国产精品不卡视频一区二区| 又粗又硬又长又爽又黄的视频| 久热久热在线精品观看| 亚洲精品乱码久久久久久按摩| 国产精品久久视频播放| 国产成人一区二区在线| 亚洲av福利一区| 特大巨黑吊av在线直播| 日日啪夜夜撸| 国产亚洲精品久久久com| 国产一区二区三区综合在线观看 | 欧美日韩在线观看h| 精品欧美国产一区二区三| 白带黄色成豆腐渣| 亚洲av一区综合| 真实男女啪啪啪动态图| 亚洲欧美成人综合另类久久久| 秋霞在线观看毛片| 男的添女的下面高潮视频| 97热精品久久久久久| 亚洲国产日韩欧美精品在线观看| 国产一区亚洲一区在线观看| 蜜桃久久精品国产亚洲av| 蜜臀久久99精品久久宅男| 久久韩国三级中文字幕| 少妇熟女aⅴ在线视频| 九色成人免费人妻av| 久久精品久久久久久久性| 亚洲电影在线观看av| 成人午夜高清在线视频| 国产亚洲精品av在线| 亚洲熟妇中文字幕五十中出| 国产 一区 欧美 日韩| 深夜a级毛片| 日韩 亚洲 欧美在线| 三级男女做爰猛烈吃奶摸视频| av一本久久久久| 一级av片app| 国产探花极品一区二区| 精品一区在线观看国产| 秋霞伦理黄片| 日韩欧美三级三区| 国产91av在线免费观看| 夫妻性生交免费视频一级片| 综合色av麻豆| 国产淫语在线视频| 亚洲成人精品中文字幕电影| 成人无遮挡网站| 国产探花极品一区二区| 在线观看美女被高潮喷水网站| 又黄又爽又刺激的免费视频.| 欧美xxxx黑人xx丫x性爽| 97超碰精品成人国产| 亚州av有码| 欧美成人精品欧美一级黄| 熟女电影av网| 一级毛片我不卡| 国产毛片a区久久久久| 国产单亲对白刺激| av网站免费在线观看视频 | 观看免费一级毛片| 菩萨蛮人人尽说江南好唐韦庄| 欧美丝袜亚洲另类| 亚洲精品aⅴ在线观看| av卡一久久| 亚洲,欧美,日韩| 国产欧美另类精品又又久久亚洲欧美| 国产乱人偷精品视频| 亚洲熟女精品中文字幕| 国产一级毛片在线| 亚洲成人中文字幕在线播放| 国产精品久久久久久久久免| 中文欧美无线码| 亚洲精品第二区| 欧美精品一区二区大全| 精品欧美国产一区二区三| 精品国产一区二区三区久久久樱花 | 欧美激情国产日韩精品一区| 噜噜噜噜噜久久久久久91| 啦啦啦韩国在线观看视频| 在线免费观看的www视频| 久久久久久久久久久丰满| 男人舔女人下体高潮全视频| 精品99又大又爽又粗少妇毛片| 少妇人妻一区二区三区视频| 欧美3d第一页| 亚洲精品日韩av片在线观看| 免费看av在线观看网站| 日韩欧美精品v在线| 韩国av在线不卡| 午夜福利高清视频| 男人和女人高潮做爰伦理| 日本免费在线观看一区| 欧美成人一区二区免费高清观看| 老司机影院毛片| 毛片一级片免费看久久久久| 免费av不卡在线播放| 日韩av在线大香蕉| 欧美不卡视频在线免费观看| av卡一久久| 欧美不卡视频在线免费观看| 性插视频无遮挡在线免费观看| 欧美激情国产日韩精品一区| 最近中文字幕高清免费大全6| 国产伦一二天堂av在线观看| 搡老妇女老女人老熟妇| 亚洲在久久综合| 超碰av人人做人人爽久久| 亚洲丝袜综合中文字幕| 激情五月婷婷亚洲| 国产又色又爽无遮挡免| av在线天堂中文字幕| 91精品一卡2卡3卡4卡| 综合色av麻豆| 尾随美女入室| 搡老妇女老女人老熟妇| www.av在线官网国产| 午夜亚洲福利在线播放| 不卡视频在线观看欧美| 91在线精品国自产拍蜜月| 尾随美女入室| 69人妻影院| 国产精品99久久久久久久久| 日本av手机在线免费观看| 日韩成人伦理影院| 日本爱情动作片www.在线观看| 精品少妇黑人巨大在线播放| 日日摸夜夜添夜夜爱| 特级一级黄色大片| 丝袜美腿在线中文| 一个人看的www免费观看视频| 91精品伊人久久大香线蕉| 国内精品一区二区在线观看| 在线观看免费高清a一片| 欧美激情久久久久久爽电影| 亚洲婷婷狠狠爱综合网| 女人久久www免费人成看片| 卡戴珊不雅视频在线播放| 亚洲最大成人中文| 六月丁香七月| 欧美日韩一区二区视频在线观看视频在线 | av又黄又爽大尺度在线免费看| 午夜久久久久精精品| 色吧在线观看| 天堂网av新在线| 国产精品人妻久久久影院| 男女那种视频在线观看| 国产精品一区二区三区四区久久| 国产激情偷乱视频一区二区| 最近视频中文字幕2019在线8| 亚洲人成网站在线观看播放| 我要看日韩黄色一级片| 日韩国内少妇激情av| 日本免费a在线| 久久精品国产亚洲av涩爱| av在线播放精品| 白带黄色成豆腐渣| 成人无遮挡网站| 高清午夜精品一区二区三区| 亚洲国产精品成人久久小说| 男女啪啪激烈高潮av片| 免费看av在线观看网站| 日韩中字成人| 精品人妻一区二区三区麻豆| 3wmmmm亚洲av在线观看| 免费看av在线观看网站| 日韩中字成人| 最近最新中文字幕大全电影3| 一级毛片 在线播放| 精品久久久噜噜| 久久精品综合一区二区三区| 欧美激情国产日韩精品一区| 18禁在线无遮挡免费观看视频| 全区人妻精品视频| 亚洲欧美一区二区三区国产| 91aial.com中文字幕在线观看| 蜜桃亚洲精品一区二区三区| 九九久久精品国产亚洲av麻豆| 国产在视频线在精品| 在线免费观看的www视频| 亚洲三级黄色毛片| 丰满乱子伦码专区| 国产精品99久久久久久久久| 午夜免费观看性视频| 一边亲一边摸免费视频| 国产伦一二天堂av在线观看| 六月丁香七月| 两个人的视频大全免费| 日韩欧美 国产精品| 99热6这里只有精品| 只有这里有精品99| 亚洲不卡免费看| 日日撸夜夜添| 亚洲av中文字字幕乱码综合| 搡老妇女老女人老熟妇| 国产成人freesex在线| 69人妻影院| 亚洲最大成人中文| 美女cb高潮喷水在线观看| 成年女人看的毛片在线观看| 国产精品美女特级片免费视频播放器| 国产黄频视频在线观看| 九九爱精品视频在线观看| 亚洲av免费在线观看| 青春草视频在线免费观看| 综合色av麻豆| 免费大片黄手机在线观看| 国产高清有码在线观看视频| 国产精品一区二区在线观看99 | 欧美不卡视频在线免费观看| 婷婷色综合www| 国产爱豆传媒在线观看| 亚洲精品中文字幕在线视频 | 亚洲一区高清亚洲精品| 男人舔女人下体高潮全视频| 99热这里只有是精品50| 久久久久久国产a免费观看| 人妻一区二区av| 日本爱情动作片www.在线观看| 黄色日韩在线| 中文乱码字字幕精品一区二区三区 | 亚洲aⅴ乱码一区二区在线播放| 亚洲成色77777| 亚洲av免费高清在线观看| 中文天堂在线官网| 成人二区视频| 亚洲av.av天堂| 欧美一级a爱片免费观看看| 国产视频首页在线观看| 大香蕉久久网| 国产精品嫩草影院av在线观看| 国产乱人视频| 欧美 日韩 精品 国产| 在线观看一区二区三区| 亚洲在线观看片| 日韩强制内射视频| 成年版毛片免费区| 亚洲四区av| 午夜福利在线在线| 亚洲美女搞黄在线观看| 亚洲精品色激情综合| 日韩欧美一区视频在线观看 | 久久久久久久久久久免费av| 老司机影院成人| 婷婷色麻豆天堂久久| 一级av片app| 九九久久精品国产亚洲av麻豆| 久久久a久久爽久久v久久| 激情五月婷婷亚洲| 99久久九九国产精品国产免费| 午夜老司机福利剧场| 午夜福利在线观看免费完整高清在| 狂野欧美白嫩少妇大欣赏| 男女下面进入的视频免费午夜| 国产综合懂色| 欧美另类一区| 白带黄色成豆腐渣| 国产美女午夜福利| 欧美bdsm另类| 久久这里有精品视频免费| 久久精品综合一区二区三区| 亚洲色图av天堂| 国产人妻一区二区三区在| 国产真实伦视频高清在线观看| av在线老鸭窝| 综合色丁香网| 国产免费福利视频在线观看| 久久精品久久久久久久性| 日韩大片免费观看网站| 国产午夜精品论理片| 国产在视频线精品| 亚洲精品视频女| 99热这里只有精品一区| 国产男人的电影天堂91| 欧美激情国产日韩精品一区| 大香蕉97超碰在线| 日本色播在线视频| 99热这里只有是精品50| 国产精品精品国产色婷婷| 国产精品一区二区在线观看99 | 精品不卡国产一区二区三区| 最近的中文字幕免费完整| 男人舔女人下体高潮全视频| 国产日韩欧美在线精品| 综合色丁香网| 欧美xxⅹ黑人| 一级av片app| 亚洲自偷自拍三级| 熟妇人妻久久中文字幕3abv| 久久国内精品自在自线图片| 中文欧美无线码| 精品久久久久久久久久久久久| 精品久久国产蜜桃| 伦理电影大哥的女人| 一区二区三区乱码不卡18| 纵有疾风起免费观看全集完整版 | 午夜福利在线在线| 精品人妻一区二区三区麻豆| 美女xxoo啪啪120秒动态图| 免费观看av网站的网址| 蜜桃亚洲精品一区二区三区| 五月玫瑰六月丁香| 免费看光身美女| 在线 av 中文字幕| 国产一区二区在线观看日韩| 成人一区二区视频在线观看| 一二三四中文在线观看免费高清| 成人毛片a级毛片在线播放| 久热久热在线精品观看| 国产男人的电影天堂91| 看免费成人av毛片| 亚洲欧美中文字幕日韩二区| 国产精品无大码| 亚洲人成网站高清观看| 校园人妻丝袜中文字幕| 麻豆久久精品国产亚洲av| 亚洲精品中文字幕在线视频 | 日本三级黄在线观看| 激情五月婷婷亚洲| 大陆偷拍与自拍| 亚洲精品成人av观看孕妇| 日韩大片免费观看网站| 欧美激情国产日韩精品一区| 亚洲av免费高清在线观看| 精华霜和精华液先用哪个| 国产日韩欧美在线精品| 一区二区三区四区激情视频| av在线蜜桃| 欧美日韩亚洲高清精品| 国产精品三级大全| 女人久久www免费人成看片| 亚洲人与动物交配视频| 国产精品av视频在线免费观看| 日韩一区二区视频免费看| 六月丁香七月| 只有这里有精品99| 国产成人精品一,二区| 亚洲欧美日韩卡通动漫| 日韩一本色道免费dvd| 精品久久久久久久久久久久久| 美女xxoo啪啪120秒动态图| 国产一级毛片七仙女欲春2| 欧美成人精品欧美一级黄| 又粗又硬又长又爽又黄的视频| 国产黄片美女视频| 美女高潮的动态| 国产黄a三级三级三级人| 国产成人freesex在线| 狂野欧美白嫩少妇大欣赏| 在线免费观看的www视频| 岛国毛片在线播放| 最近2019中文字幕mv第一页| 国产精品国产三级国产av玫瑰| 国产毛片a区久久久久| 久久久久性生活片| av又黄又爽大尺度在线免费看|