• <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
    91成年电影在线观看| 免费在线观看影片大全网站| 91老司机精品| 亚洲成av人片免费观看| 亚洲成人国产一区在线观看| 黑人巨大精品欧美一区二区mp4| 最近最新中文字幕大全电影3 | 欧美性猛交╳xxx乱大交人| 无遮挡黄片免费观看| 激情在线观看视频在线高清| 正在播放国产对白刺激| 两性夫妻黄色片| 国产一区二区三区在线臀色熟女| 18禁观看日本| 国产亚洲精品av在线| 人妻久久中文字幕网| 啦啦啦观看免费观看视频高清| 两性午夜刺激爽爽歪歪视频在线观看 | 国产精品久久久久久人妻精品电影| 视频在线观看一区二区三区| 日本撒尿小便嘘嘘汇集6| svipshipincom国产片| 成人18禁高潮啪啪吃奶动态图| 亚洲午夜理论影院| 黑人操中国人逼视频| 欧美成人午夜精品| 伊人久久大香线蕉亚洲五| 丁香欧美五月| 国产国语露脸激情在线看| 香蕉国产在线看| 老司机午夜十八禁免费视频| 首页视频小说图片口味搜索| 老司机福利观看| 国产在线精品亚洲第一网站| 免费在线观看日本一区| 99精品在免费线老司机午夜| 午夜免费鲁丝| 中文字幕精品免费在线观看视频| 97碰自拍视频| 叶爱在线成人免费视频播放| 色综合欧美亚洲国产小说| 久久久久免费精品人妻一区二区 | 免费人成视频x8x8入口观看| 欧美中文综合在线视频| 老司机在亚洲福利影院| 男女做爰动态图高潮gif福利片| 丰满的人妻完整版| 女生性感内裤真人,穿戴方法视频| 99在线人妻在线中文字幕| 女性生殖器流出的白浆| 俄罗斯特黄特色一大片| 久久精品国产亚洲av高清一级| 亚洲av第一区精品v没综合| 色精品久久人妻99蜜桃| 午夜精品久久久久久毛片777| 两人在一起打扑克的视频| 91大片在线观看| 亚洲专区国产一区二区| 亚洲精品色激情综合| 三级毛片av免费| 亚洲 欧美一区二区三区| 一边摸一边做爽爽视频免费| 欧美黑人欧美精品刺激| 国产成人av教育| 精品高清国产在线一区| 村上凉子中文字幕在线| 久久精品国产亚洲av高清一级| 中出人妻视频一区二区| 又黄又粗又硬又大视频| 日韩精品免费视频一区二区三区| 亚洲精品久久国产高清桃花| 中文字幕最新亚洲高清| 免费在线观看影片大全网站| 在线天堂中文资源库| 亚洲人成电影免费在线| 9191精品国产免费久久| 美女午夜性视频免费| 人成视频在线观看免费观看| 午夜久久久久精精品| 777久久人妻少妇嫩草av网站| 日本免费一区二区三区高清不卡| 日本五十路高清| 一区二区日韩欧美中文字幕| 久久久水蜜桃国产精品网| 精品国产乱码久久久久久男人| 91av网站免费观看| 国产av又大| 欧美中文日本在线观看视频| 亚洲天堂国产精品一区在线| 岛国在线观看网站| 亚洲专区中文字幕在线| 色在线成人网| 国产精品二区激情视频| 19禁男女啪啪无遮挡网站| 青草久久国产| 校园春色视频在线观看| 黑人操中国人逼视频| 天天一区二区日本电影三级| 好男人电影高清在线观看| 99re在线观看精品视频| 99国产综合亚洲精品| 日本免费a在线| 制服诱惑二区| 亚洲欧美激情综合另类| 成熟少妇高潮喷水视频| 50天的宝宝边吃奶边哭怎么回事| 欧美乱色亚洲激情| 国产精品免费视频内射| 一区二区三区高清视频在线| 一级a爱片免费观看的视频| 19禁男女啪啪无遮挡网站| 一本久久中文字幕| 人人妻人人看人人澡| 波多野结衣高清无吗| 国产精品自产拍在线观看55亚洲| 成人亚洲精品av一区二区| 欧美精品亚洲一区二区| 日本 av在线| 国产精品精品国产色婷婷| videosex国产| 亚洲国产毛片av蜜桃av| 国产一区二区激情短视频| 久久久国产成人免费| 亚洲欧美激情综合另类| xxx96com| 国产精品野战在线观看| 99久久久亚洲精品蜜臀av| 亚洲激情在线av| 午夜福利在线观看吧| 久久久久国产一级毛片高清牌| 看片在线看免费视频| 久久精品91蜜桃| 国产精品,欧美在线| 久久精品91无色码中文字幕| 成人亚洲精品av一区二区| 中出人妻视频一区二区| 一卡2卡三卡四卡精品乱码亚洲| 国产成人精品久久二区二区免费| 少妇粗大呻吟视频| 亚洲国产欧洲综合997久久, | 精品一区二区三区视频在线观看免费| 成人国产一区最新在线观看| 久久久久久国产a免费观看| 国产熟女午夜一区二区三区| 50天的宝宝边吃奶边哭怎么回事| 精品一区二区三区视频在线观看免费| 久久精品国产清高在天天线| 99久久无色码亚洲精品果冻| 欧美中文日本在线观看视频| 91九色精品人成在线观看| 一边摸一边做爽爽视频免费| 亚洲成人国产一区在线观看| 午夜福利免费观看在线| 久久香蕉激情| 50天的宝宝边吃奶边哭怎么回事| 国产伦在线观看视频一区| 不卡一级毛片| 久久婷婷人人爽人人干人人爱| 国产精品自产拍在线观看55亚洲| 精品欧美国产一区二区三| 国产aⅴ精品一区二区三区波| 一级a爱视频在线免费观看| 欧美绝顶高潮抽搐喷水| 国产野战对白在线观看| 露出奶头的视频| 后天国语完整版免费观看| 日本在线视频免费播放| 久热爱精品视频在线9| 色综合亚洲欧美另类图片| 国产精品 国内视频| 成年女人毛片免费观看观看9| 中文字幕av电影在线播放| 国产午夜福利久久久久久| 一区二区日韩欧美中文字幕| 国产黄色小视频在线观看| 免费在线观看亚洲国产| 欧美最黄视频在线播放免费| 国产乱人伦免费视频| 日本 av在线| 欧美黑人巨大hd| 亚洲精品国产一区二区精华液| 国产亚洲精品综合一区在线观看 | 一边摸一边做爽爽视频免费| 国产欧美日韩一区二区三| 国产亚洲精品久久久久5区| x7x7x7水蜜桃| 看免费av毛片| 欧美成人午夜精品| avwww免费| 91av网站免费观看| 国产真实乱freesex| 日本在线视频免费播放| 亚洲一区二区三区不卡视频| 欧美三级亚洲精品| 亚洲国产看品久久| 国产精品精品国产色婷婷| 午夜精品在线福利| 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| 精品一区二区三区视频在线观看免费| 亚洲第一av免费看| 亚洲精品美女久久av网站| 18禁美女被吸乳视频| 桃红色精品国产亚洲av| 国产v大片淫在线免费观看| 人人妻人人看人人澡| www.自偷自拍.com| 男女午夜视频在线观看| 欧美在线黄色| 国产黄色小视频在线观看| www国产在线视频色| 免费观看精品视频网站| 精品不卡国产一区二区三区| 亚洲国产看品久久| 日韩av在线大香蕉| 国产v大片淫在线免费观看| 天天一区二区日本电影三级| 伊人久久大香线蕉亚洲五| 88av欧美| 在线观看午夜福利视频| 最新在线观看一区二区三区| 精品久久久久久久末码| 成人国语在线视频| 欧美最黄视频在线播放免费| 757午夜福利合集在线观看| 免费在线观看影片大全网站| 免费av毛片视频| 听说在线观看完整版免费高清| 国产亚洲av嫩草精品影院| 成人三级做爰电影| 久久久久久久久中文| 亚洲专区国产一区二区| 人人妻,人人澡人人爽秒播| 在线永久观看黄色视频| 天天添夜夜摸| 免费看十八禁软件| bbb黄色大片| 亚洲av电影不卡..在线观看| 国产又黄又爽又无遮挡在线| 一级毛片女人18水好多| 少妇熟女aⅴ在线视频| 亚洲专区国产一区二区| 99久久久亚洲精品蜜臀av| 国产真人三级小视频在线观看| 亚洲第一青青草原| 精品国产乱码久久久久久男人| 国产高清有码在线观看视频 | 国产男靠女视频免费网站| 在线免费观看的www视频| 99riav亚洲国产免费| 老司机午夜十八禁免费视频| 亚洲第一电影网av| 中亚洲国语对白在线视频| 亚洲成人久久爱视频| 亚洲国产中文字幕在线视频| 日日摸夜夜添夜夜添小说| 色婷婷久久久亚洲欧美| 欧美亚洲日本最大视频资源| 久久精品aⅴ一区二区三区四区| 99在线人妻在线中文字幕| av超薄肉色丝袜交足视频| aaaaa片日本免费| 亚洲在线自拍视频| 色婷婷久久久亚洲欧美| 18禁观看日本| 日韩欧美一区视频在线观看| 啦啦啦 在线观看视频| av超薄肉色丝袜交足视频| xxxwww97欧美| 欧美一级毛片孕妇| 99精品在免费线老司机午夜| 在线观看www视频免费| 亚洲片人在线观看| 亚洲,欧美精品.| 亚洲av第一区精品v没综合| 久久香蕉激情| 亚洲精品国产一区二区精华液| 窝窝影院91人妻| 欧美成人午夜精品| 天天躁狠狠躁夜夜躁狠狠躁| 听说在线观看完整版免费高清| 麻豆国产av国片精品| 久久伊人香网站| 国产激情偷乱视频一区二区| 757午夜福利合集在线观看| 国产精品综合久久久久久久免费| 亚洲欧美日韩无卡精品| 国产精品日韩av在线免费观看| 啪啪无遮挡十八禁网站| 精品一区二区三区四区五区乱码| 欧美国产日韩亚洲一区| 又黄又粗又硬又大视频| 丝袜在线中文字幕| 国产精品久久久久久精品电影 | 久久午夜综合久久蜜桃| 女性被躁到高潮视频| 欧美又色又爽又黄视频| 美女高潮喷水抽搐中文字幕| 久久久久久久精品吃奶| 国产日本99.免费观看| 国产aⅴ精品一区二区三区波| 日本熟妇午夜| 亚洲专区中文字幕在线| 香蕉av资源在线| 免费观看人在逋| 精品熟女少妇八av免费久了| 级片在线观看| 一本大道久久a久久精品| 精品一区二区三区视频在线观看免费| 国产真人三级小视频在线观看| 亚洲性夜色夜夜综合| 制服诱惑二区| 天堂影院成人在线观看| 又黄又爽又免费观看的视频| 午夜免费成人在线视频| 男女床上黄色一级片免费看| 欧美黑人巨大hd| 国产精品久久电影中文字幕| 日韩国内少妇激情av| 久久久久久人人人人人| 久久天堂一区二区三区四区| 国产高清有码在线观看视频 | 深夜精品福利| 18美女黄网站色大片免费观看| 欧美成人免费av一区二区三区| 国产亚洲精品综合一区在线观看 | 国产精品亚洲一级av第二区| 2021天堂中文幕一二区在线观 | 国产人伦9x9x在线观看| 欧美性长视频在线观看| 女人高潮潮喷娇喘18禁视频| 亚洲熟妇熟女久久| 久久性视频一级片| 正在播放国产对白刺激| 精品福利观看| 国产真人三级小视频在线观看| 国产一区二区三区在线臀色熟女| 可以在线观看的亚洲视频| 亚洲天堂国产精品一区在线| 精品高清国产在线一区| 一进一出抽搐gif免费好疼| 精品乱码久久久久久99久播| 1024视频免费在线观看| 国产精品 欧美亚洲| 美女国产高潮福利片在线看| 国产又爽黄色视频| 俄罗斯特黄特色一大片| 99久久国产精品久久久| 久久久久久久久中文| 自线自在国产av| 淫秽高清视频在线观看| 99久久国产精品久久久| 亚洲av成人一区二区三| 精品人妻1区二区| 日韩视频一区二区在线观看| 老司机午夜十八禁免费视频| 看片在线看免费视频| 欧美+亚洲+日韩+国产| 啦啦啦 在线观看视频| 亚洲一卡2卡3卡4卡5卡精品中文| 亚洲在线自拍视频| 动漫黄色视频在线观看| 亚洲男人天堂网一区| 高清毛片免费观看视频网站| 男女那种视频在线观看| 999久久久精品免费观看国产| 岛国视频午夜一区免费看| 嫁个100分男人电影在线观看| 欧美大码av| 精品国产亚洲在线| 亚洲av片天天在线观看| 亚洲成人久久性| 女生性感内裤真人,穿戴方法视频| 久久性视频一级片| 一级毛片女人18水好多| ponron亚洲| 亚洲精品粉嫩美女一区| 国内精品久久久久久久电影| 麻豆一二三区av精品| 97碰自拍视频| a级毛片a级免费在线| 午夜老司机福利片| 久久久久免费精品人妻一区二区 | 亚洲第一青青草原| 搡老妇女老女人老熟妇| 欧美成狂野欧美在线观看| 高清在线国产一区| 亚洲精品av麻豆狂野| 999久久久精品免费观看国产| 亚洲av成人av| 免费在线观看黄色视频的| 亚洲午夜精品一区,二区,三区| 19禁男女啪啪无遮挡网站| 精品午夜福利视频在线观看一区| 亚洲一区二区三区不卡视频| 国产精品香港三级国产av潘金莲| www.www免费av| 免费一级毛片在线播放高清视频| 欧美+亚洲+日韩+国产| 国内毛片毛片毛片毛片毛片| 精品久久蜜臀av无| 国产乱人伦免费视频| 岛国视频午夜一区免费看| 精品一区二区三区四区五区乱码| 日本熟妇午夜| 1024香蕉在线观看| 国产真实乱freesex| 久久久久免费精品人妻一区二区 | 成人亚洲精品一区在线观看| 在线看三级毛片| 精品福利观看| 亚洲精品色激情综合| 黄色片一级片一级黄色片| 国产亚洲精品av在线| 中文字幕人成人乱码亚洲影| a在线观看视频网站| 欧美最黄视频在线播放免费| 自线自在国产av| 午夜免费激情av| 国产伦在线观看视频一区| 他把我摸到了高潮在线观看| 亚洲人成电影免费在线| 免费在线观看视频国产中文字幕亚洲| 中文字幕人成人乱码亚洲影| 又大又爽又粗| 国产精品乱码一区二三区的特点| 久久久国产精品麻豆| 午夜久久久在线观看| 伊人久久大香线蕉亚洲五| 国产精品 国内视频| 久久精品国产综合久久久| 久久婷婷人人爽人人干人人爱| 无人区码免费观看不卡| 欧美日韩精品网址| 99在线人妻在线中文字幕| 亚洲男人的天堂狠狠| 亚洲一区二区三区色噜噜| 久久国产精品男人的天堂亚洲| av视频在线观看入口| 精品国内亚洲2022精品成人| 午夜a级毛片| 97超级碰碰碰精品色视频在线观看| 国产黄片美女视频| 视频区欧美日本亚洲| 老司机午夜福利在线观看视频| 欧美亚洲日本最大视频资源| 色播亚洲综合网| 热re99久久国产66热| 午夜免费观看网址| 久久精品国产99精品国产亚洲性色| 一进一出抽搐gif免费好疼| 久久九九热精品免费| 日本黄色视频三级网站网址| 1024视频免费在线观看| 搞女人的毛片| 日韩视频一区二区在线观看| 波多野结衣巨乳人妻| 黄色视频不卡| 精品国产乱子伦一区二区三区| 久久久久久久久久黄片| 欧美久久黑人一区二区| 黄片小视频在线播放| 在线av久久热| 亚洲中文字幕一区二区三区有码在线看 | 久久久水蜜桃国产精品网| 狂野欧美激情性xxxx| 免费看a级黄色片| 国产精华一区二区三区| 男男h啪啪无遮挡| 亚洲第一青青草原| 久久国产精品人妻蜜桃| 成人三级黄色视频| 成人国语在线视频| 一区二区三区高清视频在线| 麻豆成人午夜福利视频| 99久久久亚洲精品蜜臀av| 两性夫妻黄色片| 麻豆一二三区av精品| av有码第一页| 国产1区2区3区精品| 女生性感内裤真人,穿戴方法视频| 欧美最黄视频在线播放免费| 免费高清视频大片| 国产aⅴ精品一区二区三区波| 午夜福利一区二区在线看| 国产精品亚洲av一区麻豆| 99国产极品粉嫩在线观看| 日韩有码中文字幕| 欧美 亚洲 国产 日韩一| 嫩草影院精品99| 啦啦啦韩国在线观看视频| 国产免费av片在线观看野外av| 欧洲精品卡2卡3卡4卡5卡区| 欧美在线黄色| 国产精品亚洲av一区麻豆| 欧美日本亚洲视频在线播放| 精品欧美国产一区二区三| 日韩中文字幕欧美一区二区| 丝袜人妻中文字幕| 成人特级黄色片久久久久久久| 中国美女看黄片| 久热爱精品视频在线9| 久久精品91无色码中文字幕| 超碰成人久久| 久久中文字幕人妻熟女| 色播在线永久视频| 女生性感内裤真人,穿戴方法视频| 亚洲 欧美一区二区三区| 亚洲av成人av| 久久青草综合色| 国产成年人精品一区二区| 一卡2卡三卡四卡精品乱码亚洲| 亚洲国产看品久久| 午夜成年电影在线免费观看| 国内揄拍国产精品人妻在线 | 国产精品电影一区二区三区| 黄片小视频在线播放| 欧美一级a爱片免费观看看 | 老司机午夜福利在线观看视频| 亚洲成人国产一区在线观看| 91九色精品人成在线观看| 欧美成人一区二区免费高清观看 | 日本黄色视频三级网站网址| 国产亚洲欧美98| 亚洲激情在线av| 国产亚洲精品综合一区在线观看 | 久久久久精品国产欧美久久久| 美女高潮到喷水免费观看| 美女国产高潮福利片在线看| 99精品久久久久人妻精品| 美女午夜性视频免费| 免费在线观看日本一区| 大型av网站在线播放| 成人av一区二区三区在线看| 欧美日韩亚洲国产一区二区在线观看| 久久久水蜜桃国产精品网| 又黄又爽又免费观看的视频| 99精品久久久久人妻精品| 中文字幕人成人乱码亚洲影| 国产激情欧美一区二区| 亚洲国产精品成人综合色| 欧美三级亚洲精品| 成年女人毛片免费观看观看9| 国产蜜桃级精品一区二区三区| 在线播放国产精品三级| 亚洲成人国产一区在线观看| 国产又黄又爽又无遮挡在线| 亚洲成人国产一区在线观看| 日本在线视频免费播放| 久久婷婷人人爽人人干人人爱| 日本在线视频免费播放| 草草在线视频免费看| 国产久久久一区二区三区| 色综合亚洲欧美另类图片| 人人澡人人妻人| 黄色视频不卡| 色播在线永久视频| 少妇裸体淫交视频免费看高清 | 午夜激情av网站| 久久久精品国产亚洲av高清涩受| 一进一出好大好爽视频| 国产亚洲精品一区二区www| 成人手机av| 欧美在线黄色| 老司机福利观看| 久久精品aⅴ一区二区三区四区| 大型av网站在线播放| 婷婷丁香在线五月| 99久久久亚洲精品蜜臀av| 在线观看日韩欧美| 成人av一区二区三区在线看| 国产精品美女特级片免费视频播放器 | 欧美av亚洲av综合av国产av| 成人国语在线视频| 欧美av亚洲av综合av国产av| 中出人妻视频一区二区| 国产男靠女视频免费网站| 国产真实乱freesex| 亚洲精品中文字幕在线视频| 欧美乱妇无乱码| 亚洲熟女毛片儿| 亚洲成av人片免费观看| 亚洲精品国产区一区二| 免费高清在线观看日韩| 免费观看精品视频网站| 亚洲成人国产一区在线观看| 日本一本二区三区精品| 精品国产美女av久久久久小说| 正在播放国产对白刺激| 一进一出好大好爽视频| 亚洲天堂国产精品一区在线| 亚洲精品美女久久久久99蜜臀| 黄色丝袜av网址大全| 国产主播在线观看一区二区| svipshipincom国产片| 国产欧美日韩一区二区三| 久久国产精品人妻蜜桃| 欧美黑人欧美精品刺激| 国产精品电影一区二区三区| 国产精品一区二区三区四区久久 | 国产伦一二天堂av在线观看| 国产亚洲精品久久久久5区| 热re99久久国产66热| 日本免费a在线| 中文资源天堂在线| 亚洲,欧美精品.| 日本在线视频免费播放| 亚洲av美国av| 怎么达到女性高潮| 亚洲精品美女久久av网站| 在线国产一区二区在线| 免费看美女性在线毛片视频| 日韩国内少妇激情av| 麻豆av在线久日| 日韩中文字幕欧美一区二区|