• <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PCA-SIFT特征與貝葉斯決策的圖像分類算法

    2016-07-19 02:07:24涂秋潔
    關(guān)鍵詞:訓(xùn)練樣本關(guān)鍵點(diǎn)貝葉斯

    涂秋潔 王 晅

    (陜西師范大學(xué)物理學(xué)與信息技術(shù)學(xué)院 陜西 西安 710119)

    ?

    基于PCA-SIFT特征與貝葉斯決策的圖像分類算法

    涂秋潔王晅

    (陜西師范大學(xué)物理學(xué)與信息技術(shù)學(xué)院陜西 西安 710119)

    摘要針對(duì)現(xiàn)有的基于SIFT特征的圖像分類算法具有較大的儲(chǔ)存空間需求及對(duì)圖像背景較為敏感的問題,提出一種基于PCA-SIFT特征和貝葉斯決策的圖像分類算法。該算法首先應(yīng)用主成分分析將SIFT特征從128維降為36維,在訓(xùn)練過程中,對(duì)訓(xùn)練樣本圖像的PCA-SIFT進(jìn)行區(qū)域匹配?;谄ヅ渎蔬x擇目標(biāo)圖像中的穩(wěn)定PCA-SIFT以提高算法對(duì)背景圖像干擾的魯棒性,然后應(yīng)用最大似然估計(jì)估計(jì)概率分布參數(shù),最后,應(yīng)用貝葉斯決策理論實(shí)現(xiàn)圖像分類。仿真實(shí)驗(yàn)表明,該算法與現(xiàn)有的SIFT圖像分類算法相比分類精度高,而且具有最小的儲(chǔ)存空間需求與較高的計(jì)算效率。

    關(guān)鍵詞PCASIFT聚類貝葉斯決策圖像分類

    0引言

    對(duì)幾何變換如平移、旋轉(zhuǎn)與尺度變換的不變圖像目標(biāo)描述對(duì)圖像分析、目標(biāo)識(shí)別與分類等具有非常重要的意義[1],現(xiàn)有的不變特征描述主要分為全局、局部與基于目標(biāo)輪廓的特征表示三類[2]。全局特征只適合于剛性對(duì)象的識(shí)別與分類,而且對(duì)圖像剪切、遮擋、光照改變與視角改變較為敏感?;谀繕?biāo)輪廓的特征,如張量尺度、曲率尺度、內(nèi)距[3]與多尺度距[4]等僅具有部分幾何變換不變性,而且對(duì)圖像剪切、遮擋、光照改變與視角改變較為敏感,另外,其性能嚴(yán)重依賴于邊緣檢測(cè)與圖像分割的結(jié)果。

    基于圖像局部特征的不變描述方法,如GLOH[5],Harris-Affine[6],SIFT[7],SURF[8]等對(duì)圖像的剪切、遮擋、尺度、位置、方向、光照及輕微的視角改變具有很好的穩(wěn)定性,而且突破了剛性對(duì)象的限制。在這些方法中,SIFT已被證實(shí)具有最好的描述性能[9],被廣泛應(yīng)用在圖像區(qū)域匹配、目標(biāo)檢測(cè)與圖像檢索中。但是,由于圖像局部特征的固有特性,不太適合圖像識(shí)別與分類問題。首先,對(duì)于一幅圖像,通常會(huì)檢測(cè)到成百上千個(gè)關(guān)鍵點(diǎn),每個(gè)關(guān)鍵點(diǎn)需要128維的向量表示,這需要較大的儲(chǔ)存空間保存圖像的類別模式特征。其次,兩幅圖像的特征點(diǎn)匹配的計(jì)算復(fù)雜度為128×N2,N為單幅圖像的關(guān)鍵點(diǎn)數(shù)量,這使得基于局部特征的圖像分類很難滿足實(shí)際應(yīng)用的計(jì)算效率要求。最后,由于圖像區(qū)域匹配與分類的目標(biāo)與要求不同,所以分類精度也達(dá)不到實(shí)際應(yīng)用的要求。

    最近,出現(xiàn)了許多研究工作將SIFT從圖像區(qū)域匹配推廣到圖像分類問題中,較早的SIFT圖像分類算法是基于圖像區(qū)域匹配的算法[10,11],這些算法首先將待識(shí)別圖像與已知類別的訓(xùn)練樣本圖像進(jìn)行區(qū)域匹配,然后基于區(qū)域匹配數(shù)量實(shí)現(xiàn)模式分類。該類算法具有較高的儲(chǔ)存空間要求與計(jì)算復(fù)雜度,另外,只考慮區(qū)域匹配數(shù)量很難獲得高的分類精度。隨后出現(xiàn)了基于編碼或聚類的SIFT圖像分類算法[12-16],該類算法的主要?jiǎng)?chuàng)意來源于文本數(shù)據(jù)挖掘的BoW(bag-of-words)概念,將圖像所提取的關(guān)鍵點(diǎn)特征當(dāng)作視覺詞匯,然后,基于圖像中出現(xiàn)的視覺詞匯的頻次或編碼結(jié)果作為特征實(shí)現(xiàn)分類[12-14]. 但是,BOW模型直接應(yīng)用于SIFT特征沒有考慮局部特征點(diǎn)的空間位置,所以基于此產(chǎn)生的頻次或編碼特征缺失了圖像的空間組織信息。針對(duì)此問題,Lazebnik等提出了SPM算法[15], 該算法將圖像在不同尺度上劃分為多個(gè)細(xì)段,計(jì)算每個(gè)細(xì)段內(nèi)的BOW的直方圖,然后,鏈接所有直方圖形成圖像的最終表示。SPM算法雖然部分考慮了圖像的空間組織信息,獲得了較好的分類精度,但其特征具有很高的維數(shù),這嚴(yán)重制約了分類過程的計(jì)算效率,特別是使用非線性分類器時(shí),其計(jì)算復(fù)雜度呈指數(shù)增長(zhǎng)。為了降低SPM的計(jì)算復(fù)雜度,文獻(xiàn)[16]在SPM的基礎(chǔ)上應(yīng)用非線性編碼技術(shù)將特征轉(zhuǎn)化為近似線性可分問題,然后應(yīng)用線性分類器實(shí)現(xiàn)分類,獲得了較好的分類效果。最新的此方面的研究[17-19]主要集中在將稀疏編碼或機(jī)器學(xué)習(xí)應(yīng)用到BOW或SPM模型中,從而降低圖像的特征向量維數(shù)或提升其表示能力,以提升分類過程的計(jì)算效率與分類精度。如Yang等[17]應(yīng)用稀疏編碼代替SPM中的向量量化,提出了稀疏SPM(ScSPM)算法,Wang[18]將稀疏編碼過程轉(zhuǎn)化為局部約束下的優(yōu)化問題,提出了LLC算法。Zhang等[19]將低階分解與拉普拉斯群稀疏編碼應(yīng)用于BOF模型中,實(shí)現(xiàn)了圖像分類等。

    現(xiàn)有的基于SIFT的圖像分類算法雖然對(duì)圖像的剪切、遮擋、尺度、位置、方向、光照及輕微的視角改變具有很好的穩(wěn)定性,但是,其儲(chǔ)存需求與計(jì)算效率并不能滿足實(shí)際應(yīng)用的要求,另外,SIFT描述字已經(jīng)被證實(shí)在圖像區(qū)域匹配和目標(biāo)檢測(cè)中具有非常好的性能,基于編碼的方法并沒有充分利用SIFT的這一優(yōu)良特性,所以其分類精度也達(dá)不到令人滿意的效果。針對(duì)此問題,本文提出了一種基于SIFT區(qū)域匹配與貝葉斯決策的圖像分類算法,為了有效地降低算法的特征維數(shù),使用主成分分析(PCA)將SIFT特征從128維降為36維。在訓(xùn)練過程中,將屬于同類的樣本圖像的PCA-SIFT進(jìn)行互配,根據(jù)匹配率選擇該類圖像較為穩(wěn)定的PCA-SIFT特征應(yīng)用最大似然估計(jì)估計(jì)其均值向量與協(xié)方差矩陣,然后基于貝葉斯決策理論進(jìn)行分類。仿真實(shí)驗(yàn)表明,該算法具有較高的分類精度,而且由于其在分類過程中只涉及簡(jiǎn)單的數(shù)值計(jì)算,具有較高的計(jì)算效率。

    1SIFT算法與PCA-SIFT簡(jiǎn)介

    1.1SIFT算法

    經(jīng)典SIFT算法[7]分為多尺度空間極值點(diǎn)檢測(cè)、關(guān)鍵點(diǎn)篩選、關(guān)鍵點(diǎn)方向校正與描述字生成四個(gè)子過程。在多尺度空間極值點(diǎn)檢測(cè)過程中,首先將待檢測(cè)圖像I(x,y)與相鄰尺度的高斯差分函數(shù)進(jìn)行卷積形成多尺度空間表示,即:

    G(x,y,σ)=(G(x,y,kσ)-G(x,y,σ))*I(x,y)

    (1)

    其中,* 表示沿x與y方向的卷積,高斯函數(shù)G(x,y,σ)定義為:

    L(x,y,σ)=G(x,y,σ)*I(x,y)

    (2)

    然后,檢測(cè)多尺度空間中的極值點(diǎn)作為候選關(guān)鍵點(diǎn),檢測(cè)規(guī)則為該點(diǎn)是某一尺度空間相鄰8個(gè)像素及其上、下相鄰尺度空間中同位置的18個(gè)像素的極值點(diǎn)。在這些候選關(guān)鍵點(diǎn)中,會(huì)存在對(duì)局部噪聲干擾較為敏感的不穩(wěn)定的關(guān)鍵點(diǎn)。針對(duì)這一問題,SIFT算法引入Hessian矩陣對(duì)候選關(guān)鍵點(diǎn)進(jìn)行進(jìn)一步篩選,候選關(guān)鍵點(diǎn)的Hessian矩陣定義為:

    (3)

    其中:

    (4)

    (5)

    (6)

    其中,D(x,y,σ)為該關(guān)鍵點(diǎn)所在的尺度空間,不穩(wěn)定的關(guān)鍵點(diǎn)的主方向響應(yīng)會(huì)遠(yuǎn)遠(yuǎn)大于其垂直方向,如果α表示Hessian矩陣主方向所對(duì)應(yīng)的特征值,β為其垂直方向所對(duì)應(yīng)的特征值,則有:

    α+β=Tr(H)=Dxx+Dyy

    (7)

    (8)

    改寫可得:

    (9)

    其中,γ=α/β,因此,候選關(guān)鍵點(diǎn)的篩選規(guī)則為:

    (10)

    其中,T為篩選閾值。通過上述兩個(gè)過程,在圖像I(x,y)的多尺度空間可以檢測(cè)若干穩(wěn)定的關(guān)鍵點(diǎn),為了獲得旋轉(zhuǎn)不變性,還要對(duì)關(guān)鍵點(diǎn)進(jìn)行方向校正,其基本原理是在確定該關(guān)鍵點(diǎn)的SIFT描述字時(shí),將坐標(biāo)軸旋轉(zhuǎn)到該關(guān)鍵點(diǎn)的主方向。關(guān)鍵點(diǎn)的主方向通過計(jì)算該關(guān)鍵點(diǎn)鄰域梯度分布直方圖的峰值,然后再進(jìn)行二次函數(shù)的擬合來確定。在統(tǒng)計(jì)鄰域梯度分布直方圖時(shí),對(duì)梯度幅值進(jìn)行方差為尺度因子σ1.5倍的高斯函數(shù)進(jìn)行加權(quán)。

    在關(guān)鍵點(diǎn)描述字生成過程中,首先以關(guān)鍵點(diǎn)為中心,旋轉(zhuǎn)其鄰域使得坐標(biāo)軸x與該關(guān)鍵點(diǎn)的主方向重合,并且根據(jù)其尺度因子σ進(jìn)行相應(yīng)的尺度變換,然后計(jì)算其16×16鄰域像素點(diǎn)的梯度幅值與方向,將16×16鄰域劃分為16個(gè)4×4的子塊,計(jì)算每個(gè)子塊8方向的梯度直方圖,將16個(gè)子塊的梯度直方圖的值按從左到右,從上到下的次序排列起來(見圖1所示),然后進(jìn)行歸一化,形成該關(guān)鍵點(diǎn)128維的SIFT描述字。

    圖1 SIFT描述字計(jì)算過程圖示

    1.2PCA-SIFT 算法

    直接利用SIFT算法提取的特征進(jìn)行后續(xù)的圖像處理,無論是從算法的計(jì)算復(fù)雜度,還是從算法的性能來看,都是不可取的。所以需要對(duì)128維SIFT特征進(jìn)行降維。利用主成分分析的方法對(duì)SIFT算法進(jìn)行改進(jìn),具體實(shí)現(xiàn)過程如下。

    確定樣本圖像I(x,y)的關(guān)鍵點(diǎn) ( 假設(shè)為n個(gè)),針對(duì)每個(gè)關(guān)鍵點(diǎn)提取SIFT特征,共128維,將其組成特征矩陣X=(x1,x2,…,xn),維數(shù)為n×128。

    計(jì)算特征向量的均值:

    (11)

    計(jì)算特征向量的協(xié)方差矩陣:

    (12)

    求取協(xié)方差矩陣的特征值和特征向量。由于Cx是實(shí)對(duì)稱的,故可以找到128個(gè)正交的特征向量,設(shè)特征值λi對(duì)應(yīng)的特征向量為ei,將特征值從大到小排列。

    將最大的k個(gè)特征值對(duì)應(yīng)的特征向量ek組成變換矩陣A,A的維數(shù)為128×k,k的取值大小決定最終特征向量的維數(shù)。

    Ke等的工作[22]表明,當(dāng)k選擇36時(shí),PCA-SIFT具有最佳的區(qū)域匹配和表示能力,而且在他們的實(shí)驗(yàn)中,PCA-SIFT區(qū)域匹配和表示能力好于原SIFT特征。本文選擇k=36,變換矩陣A生成過程采用與文獻(xiàn)[22]相似的方法,即選擇一組與識(shí)別問題無關(guān)而且差異較大的圖像,抽取20 000多個(gè)SIFT特征根據(jù)上述方法進(jìn)行PCA降維,獲得128×36維的變換矩A,將此變換矩陣保存起來,應(yīng)用下式進(jìn)行降維:

    y=Ax

    (13)

    其中,x為原SIFT特征,y為對(duì)應(yīng)的36維的PCA-SIFT。

    2本文算法

    本文算法的實(shí)現(xiàn)過程如圖2所示。

    圖2 基于PCA-SIFT與貝葉斯決策的圖像分類算法實(shí)現(xiàn)流程圖

    2.1訓(xùn)練過程

    本文算法首先應(yīng)用式(10)對(duì)所提取到的SIFT特征進(jìn)行降維。在訓(xùn)練過程中,對(duì)同類訓(xùn)練樣本圖像所提取到的PCA-SIFT特征進(jìn)行互配,計(jì)算每個(gè)PCA-SIFT的互配率,具體作法如下,首先在同一類別的訓(xùn)練樣本圖像中隨機(jī)選擇一幅訓(xùn)練樣本圖像fw(x,y),將其與同類的其它訓(xùn)練樣本圖像基于PCA-SIFT進(jìn)行區(qū)域匹配,對(duì)于圖像fw(x,y)中的某一PCA-SIFT特征ywi,其互配率s(ywi)定義為:

    (14)

    其中,Nw為訓(xùn)練集中w類樣本圖像總數(shù),nwi為與特征ywi區(qū)域匹配成功的該類訓(xùn)練樣本圖像總數(shù)。互配率s(ywi)反映了特征ywi在該類圖像中的穩(wěn)定程度,如果s(ywi)趨近于1,說明對(duì)應(yīng)特征ywi在該類圖像中為目標(biāo)圖像的穩(wěn)定關(guān)鍵點(diǎn),在分類過程中應(yīng)重點(diǎn)考慮,如果s(ywi)趨近于0,則特征ywi為該類圖像中背景圖像或其它干擾所形成的關(guān)鍵點(diǎn),在分類過程中可能會(huì)干擾分類結(jié)果?;诖?,我們根據(jù)互配率s(ywi)的大小對(duì)特征ywi進(jìn)行進(jìn)一步篩選,如果s(ywi)>T,則特征ywi在該類圖像中為目標(biāo)圖像的穩(wěn)定關(guān)鍵點(diǎn)保留,否則,即舍去。其中T為閾值,根據(jù)具體分類問題基于實(shí)驗(yàn)確定。

    對(duì)于同一目標(biāo)圖像的穩(wěn)定關(guān)鍵點(diǎn)特征ywi,在不同的訓(xùn)練樣本圖像和測(cè)試圖像中,其值由于噪聲或成像設(shè)備等因素會(huì)發(fā)生一定漂移,假定其變化符合多維正太分布,有:

    (15)

    其中,μwi與∑wi為關(guān)鍵點(diǎn)特征ywi概率公布的均值向量與協(xié)方差矩陣,可以在訓(xùn)練過程中基于最大似然估計(jì)進(jìn)行估算[23],有:

    (16)

    (17)

    其中,ywij為特征ywi在同類的第j幅訓(xùn)練樣本圖像對(duì)應(yīng)的區(qū)域匹配特征。由于PCA降維使得特征ywi的各分量不相關(guān),基于正太分布假設(shè),理論上∑wi應(yīng)為對(duì)角矩陣,在實(shí)驗(yàn)中,我們發(fā)現(xiàn),∑wi雖然不是對(duì)角矩陣,但其非對(duì)角原素值遠(yuǎn)小于對(duì)角原素,我們只保留∑wi矩陣的對(duì)角原素,其它原素為零作為協(xié)方差矩陣的近似估計(jì)。將w類所有穩(wěn)定特征對(duì)應(yīng)的μwi、∑wi與互配率s(ywi)作為該類別的模式特征。

    2.2基于貝葉斯決策的圖像分類

    給定未知樣本圖像f(x,y),提取其所有SIFT特征,應(yīng)用式(10)獲得其對(duì)應(yīng)的PCA-SIFT特征yl,1≤l≤N。考慮到這些特征中一部分特征屬于背景圖像,與分類的目標(biāo)圖像無關(guān),在分類過程中應(yīng)舍去,則,樣本圖像f(x,y)的類概率:

    (18)

    (19)

    (20)

    其中,Nw為w類的圖像穩(wěn)定的PCI-SIFT特征總數(shù),根據(jù)貝葉斯公式,給定未知樣本f(x,y),其屬于類別w的后驗(yàn)概率為:

    (21)

    則未知樣本f(x,y)應(yīng)分類到后驗(yàn)概率p(w/f(x,y))最大的對(duì)應(yīng)類別中,由于概率函數(shù)的非負(fù)性,上述分類規(guī)則等價(jià)于求p(f(x,y)/w)p(w)的最大值。假定在分類過程中,各個(gè)訓(xùn)練類別的先驗(yàn)概率類p(w)相同,則上述規(guī)則等價(jià)于計(jì)算p(f(x,y)/w)的最大值,將式(20)代入式(18),有:

    (22)

    為了簡(jiǎn)化計(jì)算,對(duì)式(22)兩邊取對(duì)數(shù),有:

    (23)

    去掉上式中不影響比較結(jié)果的常數(shù)項(xiàng)因子,則取上式的最大值等價(jià)于計(jì)算下式的最小值:

    (24)

    則,分類規(guī)則為:

    (25)

    考慮到在訓(xùn)練過程中,互配率s(ywi)較大的特征在該類圖像中為目標(biāo)圖像的穩(wěn)定關(guān)鍵點(diǎn),在分類過程中應(yīng)重點(diǎn)考,因此,式(25)的分類規(guī)則最后修正為:

    (26)

    2.3方法儲(chǔ)存需求與計(jì)算效率分析

    表1 儲(chǔ)存需求與計(jì)算效率比較

    3實(shí)驗(yàn)結(jié)果與分析

    實(shí)驗(yàn)采用文獻(xiàn)中常用的兩個(gè)標(biāo)準(zhǔn)數(shù)據(jù)庫Caltech-101[24]、15-Scene[15]進(jìn)行了仿真測(cè)試,并與基于SIFT最新的、有代表性的圖像分類方法如SPM[15]、ScSPM[17]、LLC[18]、拉普拉斯群稀疏編碼[19]、自適應(yīng)分塊機(jī)器學(xué)習(xí)[20]與空域金字塔稀疏編碼方法[21]進(jìn)行了性能比較。

    實(shí)驗(yàn)115-Scene數(shù)據(jù)庫包含了15類圖像,包括床、郊區(qū)、工業(yè)園區(qū)、廚房、臥室、海岸、森林、高速路等一共4485幅圖像。對(duì)每一類選取30幅圖像作為訓(xùn)練圖像,其它圖像作為測(cè)試圖像。實(shí)驗(yàn)結(jié)果見表2所示。如表2所示,各種改進(jìn)的SPM算法較原SPM算法分類精度有不同程度的提高,基于機(jī)器學(xué)習(xí)的改進(jìn)方法分類精度高于基于稀疏編碼的改進(jìn)算法,我們的方法較現(xiàn)有的方法具有最好的分類精度。

    表2 對(duì)15-Scene標(biāo)準(zhǔn)數(shù)據(jù)庫的分類精度

    實(shí)驗(yàn)2Caltech-101 數(shù)據(jù)庫包含了101類共9144幅圖像(包含有動(dòng)物,花,人臉等)。每一類圖像有31~800幅方向、光照、大小不同的樣本圖像。對(duì)每一類圖像選取30幅圖像作為訓(xùn)練樣本,其他圖像作為測(cè)試樣本。應(yīng)用我們的方法與上述方法進(jìn)行分類,結(jié)果見表3所示。由表3可以看出,上述方法該數(shù)據(jù)庫的分類精度較實(shí)驗(yàn)1都有不同程度的下降,主要原因是Caltech-101 數(shù)據(jù)庫的樣本圖像方向、光照、大小明顯不同,尤其是其分類的目標(biāo)圖像都具有不同的背景,而我們的方法通過訓(xùn)練過程中的互配率對(duì)圖像的特征點(diǎn)進(jìn)行了篩選,在分類過程中,互配率大的特征點(diǎn)對(duì)分類結(jié)果貢獻(xiàn)在。這在一定程度上降低了圖像背景中的特征點(diǎn)對(duì)分類過程的干擾,所以我們方法較現(xiàn)有方法具有最好的分類精度,而且在兩個(gè)數(shù)據(jù)庫上的分類精度下降最小。

    表3 對(duì)Caltech-101 標(biāo)準(zhǔn)數(shù)據(jù)庫的分類精度

    4結(jié)語

    本文提出了基于PCASIFT特征和貝葉斯決策的圖像分類方法,PCASIFT特征不僅有效地繼承了SIFT特征在平移、旋轉(zhuǎn)、尺度變換和光照改變下的魯棒性,而且解決了SIFT特征維度較高的問題,大大降低了計(jì)算的復(fù)雜度。實(shí)驗(yàn)結(jié)果表明,本文的方法比現(xiàn)有算法分類精度高,而且對(duì)背景圖像的干擾具有較高的魯棒性。

    參考文獻(xiàn)

    [1]WangX,XiaoB,MaJF,etal.ScalingandrotationinvariantanalysisapproachtoobjectrecognitionbasedonRadonandFourier-Mellintransforms[J].PatternRecognition,2007(40):3503-3508.

    [2]XiaoB,MaJF,WangX.ImageanalysisbyBessel-Fouriermoments[J].PatternRecognition,2010(43):2620-2629.

    [3]LingH,JacobsDW.Shapeclassificationusingtheinnerdistance[J].IEEETransactionsonPatternAnalysisandMachineIntelligence,2007,29(2):286-299.

    [4]HuR,JiaW,LingH,etal.MultiscaleDistanceMatrixforFastPlantLeafRecognition[J].IEEETrans.ImageProcessing,2012,21(11):4667-4172.

    [5]MikolajczykK,SchmidC.Aperformanceevaluationoflocaldescriptors[J].IEEETransactionsonPatternAnalysisandMachineIntelligence,2005(27):1615-1630.

    [6]MikolajczykK,SchmidC.Scale&affineinvariantinterestpointdetectors[J].InternationalJournalofComputerVision,2004(60):63-86.

    [7]LoweDG.Distinctiveimagefeaturesfromscale-invariantkeypoints[J].InternationalJournalofComputerVision,2003,60(2):91-11.

    [8]BayH,EssA,TuytelaarsT,etal.Speeded-uprobustfeatures(SURF)[J].ComputerVisionandImageUnderstanding,2008,110(3):346-359.

    [9]TuytelaarsT,MikolajczykK.Localinvariantfeaturedetectors:Asurvey[J].FoundationsandTrendsinComputerGraphicsandVision,2007,3(3):177-280.

    [10]BadrinathGS,PhalguniGupta.PalmprintVerificationusingSIFTfeatures[J].ImageProcessingTheory,ToolsandApplications,2008(20):1-8.

    [11]LeqingZhu,SanyuanZhang,RuiXing,etal.UsingSIFTandPROSACtoIdentifyPalmprints[C]//Proceedingsofthe2008InternationalConferenceonImageProcessing,ComputerVision,&PatternRecognition,2008:136-141.

    [12]XuY,HuangSB,JiH,etal.Scale-spacetexturedescriptiononSIFT-liketextons[J].ComputerVisionandImageUnderstanding,2012(116):999-1013.

    [13]HeY,KavukcuogluK,WangY,etal.UnsupervisedFeatureLearningbyDeepSparseCoding[J].arXivpreprintarXiv,2013:1312.5783.

    [14]JiangZ,LinZ,DavisLS.LearningadiscriminativedictionaryforsparsecodingvialabelconsistentK-SVD[C]//ComputerVisionandPatternRecognition(CVPR),2011IEEEConferenceon.IEEE,2011:1697-1704.

    [15]LazebnikS,SchmidC,PonceJ.Beyondbagsoffeatures:Spatialpyramidmatchingforrecognizingnaturalscenecategories[C]//ComputerVisionandPatternRecognition,2006IEEEComputerSocietyConferenceon.IEEE,2006,2:2169-2178.

    [16]ZhouX,CuiN,LiZ,etal.Hierarchicalgaussianizationforimageclassification[C]//ComputerVision,2009IEEE12thInternationalConferenceon.IEEE,2009:1971-1977.

    [17]YangJ,YuK,GongY,etal.Linearspatialpyramidmatchingusingsparsecodingforimageclassification[C]//ComputerVisionandPatternRecognition,2009.CVPR2009.IEEEConferenceon.IEEE,2009:1794-1801.

    [18]WangJ,YangJ,YuK,etal.Locality-constrainedlinearcodingforimageclassification[C]//ComputerVisionandPatternRecognition(CVPR),2010IEEEConferenceon.IEEE,2010:3360-3367.

    [19]ZhangL,MaC.Low-rankdecompositionandLaplaciangroupsparsecodingforimageclassification[J].Neurocomputing,2014(135):339-347.

    [20]LiuB,LiuJ,LuH.Adaptivespatialpartitionlearningforimageclassification[J].Neurocomputing,2014(142):282-290.

    [21]ZhangC,WangS,HuangQ,etal.Imageclassificationusingspatialpyramidrobustsparsecoding[J].PatternRecognitionLetters,2013,34(9):1046-1052.

    [22]KeY,SukthankarR.PCA-SIFT:Amoredistinctiverepresentationforlocalimagedescriptors[C]//ComputerVisionandPatternRecognition,2004.CVPR2004.Proceedingsofthe2004IEEEComputerSocietyConferenceon.IEEE,2004:506-513.

    [23] 王晅,馬建峰.數(shù)字圖像分析與模式識(shí)別[M].北京:科學(xué)出版社,2009.

    [24]FeifeiL,FergusR,PeronaP.Learninggenerativevisualmodelsfromfewtrainingexamples:anincrementalBayesianapproachtestedon101objectcategories[C]//IEEECVPRWorkshoponGenerative-ModelBasedVision,2004.

    IMAGE CLASSIFICATION ALGORITHM BASED ON PCA-SIFT FEATURESANDBAYESIANDECISION

    Tu QiujieWang Xuan

    (School of Physics and Information Technology,Shaanxi Normal University,Xi’an 710119,Shaanxi,China)

    AbstractIn order to cope with the problems that existing SIFT-based image classification algorithms require a large amount of storage space and are sensitive to image backgrounds, this paper presents a novel image classification algorithm which is based on PCA-SIFT features and Bayesian decision. The algorithm first applies the principal component analysis (PCA) to reduce the dimensionality of SIFT from 128 to 36, in training process, it makes regional matching on PCA-SIFT descriptors of the training sample images. In order to improve its robustness on background image interference, we selected the stable PCA-SIFT descriptors in object images based on their matching rates, and then used the maximum likelihood estimation to estimate the probability distribution parameters. Finally we used Bayesian decision theory to implement the image classification. Simulation experiment showed that this algorithm has higher classification accuracy compared with existing SIFT-based image classification methods. It also has minimum storage space requirement and higher computation efficiency.

    KeywordsPCA-SIFTClusteringBayesian decisionImage classification

    收稿日期:2014-12-30。涂秋潔,碩士生,主研領(lǐng)域:數(shù)字圖像處理,模式識(shí)別。王晅,教授。

    中圖分類號(hào)TP3

    文獻(xiàn)標(biāo)識(shí)碼A

    DOI:10.3969/j.issn.1000-386x.2016.06.052

    猜你喜歡
    訓(xùn)練樣本關(guān)鍵點(diǎn)貝葉斯
    聚焦金屬關(guān)鍵點(diǎn)
    肉兔育肥抓好七個(gè)關(guān)鍵點(diǎn)
    人工智能
    貝葉斯公式及其應(yīng)用
    寬帶光譜成像系統(tǒng)最優(yōu)訓(xùn)練樣本選擇方法研究
    融合原始樣本和虛擬樣本的人臉識(shí)別算法
    基于稀疏重構(gòu)的機(jī)載雷達(dá)訓(xùn)練樣本挑選方法
    基于貝葉斯估計(jì)的軌道占用識(shí)別方法
    一種基于貝葉斯壓縮感知的說話人識(shí)別方法
    電子器件(2015年5期)2015-12-29 08:43:15
    醫(yī)聯(lián)體要把握三個(gè)關(guān)鍵點(diǎn)
    亚洲真实伦在线观看| 国产黄a三级三级三级人| 亚州av有码| 日韩av在线大香蕉| 老司机福利观看| 精品久久久久久久人妻蜜臀av| 在线观看66精品国产| 精品人妻视频免费看| 国产成人精品婷婷| 国产真实乱freesex| 高清在线视频一区二区三区 | 日产精品乱码卡一卡2卡三| 亚州av有码| 欧美成人a在线观看| 成人鲁丝片一二三区免费| 天堂网av新在线| 欧美日韩国产亚洲二区| 欧美日本亚洲视频在线播放| av在线天堂中文字幕| 久久精品夜色国产| 小蜜桃在线观看免费完整版高清| 日本五十路高清| 99在线人妻在线中文字幕| 日韩欧美精品免费久久| av黄色大香蕉| 成年女人看的毛片在线观看| 亚洲国产精品专区欧美| 一边摸一边抽搐一进一小说| 国产在视频线在精品| 网址你懂的国产日韩在线| 免费看a级黄色片| 亚洲欧洲日产国产| 亚洲成人久久爱视频| 亚洲三级黄色毛片| 我的老师免费观看完整版| 最近最新中文字幕免费大全7| 国产高清有码在线观看视频| 欧美成人免费av一区二区三区| 色5月婷婷丁香| 亚洲精品亚洲一区二区| 少妇裸体淫交视频免费看高清| 99热6这里只有精品| 国产在线男女| 婷婷色麻豆天堂久久 | 国产在线男女| 久久热精品热| 精品久久久久久久久av| 在现免费观看毛片| 亚洲三级黄色毛片| 免费观看精品视频网站| 精品国产露脸久久av麻豆 | 长腿黑丝高跟| 精品欧美国产一区二区三| 国产在线一区二区三区精 | 淫秽高清视频在线观看| 熟女人妻精品中文字幕| 成人午夜精彩视频在线观看| 我的老师免费观看完整版| 国产精品,欧美在线| 一区二区三区免费毛片| 亚洲天堂国产精品一区在线| 永久免费av网站大全| 99在线人妻在线中文字幕| av女优亚洲男人天堂| 国产成人a区在线观看| 精品熟女少妇av免费看| 国产国拍精品亚洲av在线观看| 国产片特级美女逼逼视频| 国产成人a区在线观看| 成年女人看的毛片在线观看| 成年女人永久免费观看视频| 国产成人aa在线观看| 免费观看精品视频网站| 亚洲精品亚洲一区二区| 两个人视频免费观看高清| 久热久热在线精品观看| 看十八女毛片水多多多| 亚州av有码| 日本欧美国产在线视频| 成人一区二区视频在线观看| 日本免费一区二区三区高清不卡| 亚洲内射少妇av| 成人性生交大片免费视频hd| 国产探花在线观看一区二区| 国内少妇人妻偷人精品xxx网站| 精品午夜福利在线看| 99久久精品国产国产毛片| 午夜久久久久精精品| 一个人看的www免费观看视频| 看非洲黑人一级黄片| 嫩草影院入口| 久久精品熟女亚洲av麻豆精品 | 中文欧美无线码| 激情 狠狠 欧美| 欧美丝袜亚洲另类| 欧美日本视频| 中文欧美无线码| 久久综合国产亚洲精品| 中文字幕制服av| 一个人看的www免费观看视频| 国产精品久久久久久精品电影| 偷拍熟女少妇极品色| 欧美xxxx黑人xx丫x性爽| 国产精品三级大全| 久久久精品94久久精品| 五月玫瑰六月丁香| 91久久精品国产一区二区三区| 久久久精品94久久精品| 最近视频中文字幕2019在线8| 黑人高潮一二区| 国产成人免费观看mmmm| 国产黄a三级三级三级人| 欧美性感艳星| 插阴视频在线观看视频| 亚洲欧美中文字幕日韩二区| 成年免费大片在线观看| 久久精品国产亚洲av天美| 大又大粗又爽又黄少妇毛片口| 国语自产精品视频在线第100页| 亚洲精品aⅴ在线观看| 亚洲av日韩在线播放| 亚洲熟妇中文字幕五十中出| 干丝袜人妻中文字幕| 亚洲在久久综合| 看非洲黑人一级黄片| 久久午夜福利片| 亚洲天堂国产精品一区在线| 人妻夜夜爽99麻豆av| 男女国产视频网站| 女的被弄到高潮叫床怎么办| 99视频精品全部免费 在线| 亚洲精品色激情综合| 国产亚洲av嫩草精品影院| 成人美女网站在线观看视频| 日本五十路高清| 综合色丁香网| 日韩欧美国产在线观看| 日韩av在线免费看完整版不卡| 男女边吃奶边做爰视频| 欧美丝袜亚洲另类| 精品不卡国产一区二区三区| 一级毛片电影观看 | 欧美一区二区精品小视频在线| 噜噜噜噜噜久久久久久91| 免费看av在线观看网站| 在线观看66精品国产| 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 | 亚洲欧美成人综合另类久久久 | 久久热精品热| 一级二级三级毛片免费看| 又爽又黄无遮挡网站| 两性午夜刺激爽爽歪歪视频在线观看| 99热网站在线观看| 中文字幕精品亚洲无线码一区| 特级一级黄色大片| 久久这里只有精品中国| 亚洲欧美中文字幕日韩二区| 不卡视频在线观看欧美| 免费播放大片免费观看视频在线观看 | 一个人免费在线观看电影| 国产精品一二三区在线看| 91狼人影院| 免费观看a级毛片全部| 亚洲aⅴ乱码一区二区在线播放| 高清在线视频一区二区三区 | 午夜老司机福利剧场| 国产大屁股一区二区在线视频| 日韩欧美 国产精品| 成人漫画全彩无遮挡| 亚洲美女搞黄在线观看| 男女啪啪激烈高潮av片| 天天躁日日操中文字幕| 看片在线看免费视频| 好男人视频免费观看在线| 高清毛片免费看| 国产免费福利视频在线观看| 一级毛片久久久久久久久女| 国产成人精品一,二区| 久久久亚洲精品成人影院| 嫩草影院新地址| 国产在线一区二区三区精 | 亚洲五月天丁香| 精品久久久噜噜| 亚洲精品久久久久久婷婷小说 | av专区在线播放| 国产精品福利在线免费观看| 禁无遮挡网站| 不卡视频在线观看欧美| 美女黄网站色视频| 建设人人有责人人尽责人人享有的 | 欧美日韩在线观看h| 好男人视频免费观看在线| 欧美潮喷喷水| 国产成人91sexporn| 国产真实乱freesex| 国产免费男女视频| 精品久久久久久久久av| 久久久久久久久久久丰满| 我的老师免费观看完整版| 国产黄片视频在线免费观看| 久久这里有精品视频免费| 91av网一区二区| 插阴视频在线观看视频| 黄色配什么色好看| 亚洲国产欧洲综合997久久,| 国产69精品久久久久777片| 波野结衣二区三区在线| 色哟哟·www| 亚洲久久久久久中文字幕| 国产免费一级a男人的天堂| 我要搜黄色片| 日韩一区二区视频免费看| 黄片wwwwww| 亚洲最大成人手机在线| 搞女人的毛片| 麻豆国产97在线/欧美| 国产精品伦人一区二区| 边亲边吃奶的免费视频| 18禁在线无遮挡免费观看视频| 99热精品在线国产| 国产成人91sexporn| 中文字幕精品亚洲无线码一区| 国产精品.久久久| 亚洲自偷自拍三级| 久久精品国产99精品国产亚洲性色| 亚洲欧美精品自产自拍| 男女视频在线观看网站免费| 色5月婷婷丁香| 日韩大片免费观看网站 | av在线蜜桃| 亚洲av电影在线观看一区二区三区 | 亚洲精品影视一区二区三区av| av专区在线播放| 国产伦精品一区二区三区视频9| 狂野欧美白嫩少妇大欣赏| 国产精品.久久久| 国产精品三级大全| 免费黄网站久久成人精品| 在线观看av片永久免费下载| 久久久久九九精品影院| 精品久久久噜噜| 天堂中文最新版在线下载 | 听说在线观看完整版免费高清| 亚洲成人久久爱视频| 最近最新中文字幕大全电影3| 久久鲁丝午夜福利片| 午夜福利在线在线| 国产高清视频在线观看网站| 午夜老司机福利剧场| av黄色大香蕉| 亚洲经典国产精华液单| 黄片wwwwww| 九九热线精品视视频播放| 久久久久性生活片| 国产精品野战在线观看| 永久免费av网站大全| 亚洲18禁久久av| 99久久精品国产国产毛片| 国产日韩欧美在线精品| 我的老师免费观看完整版| 床上黄色一级片| 午夜精品国产一区二区电影 | 欧美变态另类bdsm刘玥| 在线免费观看的www视频| 美女高潮的动态| 亚洲欧美精品自产自拍| 成人无遮挡网站| av在线亚洲专区| 亚洲精品乱久久久久久| 国产精品久久电影中文字幕| 中文欧美无线码| 精品一区二区三区视频在线| 精品国产露脸久久av麻豆 | 亚洲综合精品二区| 国产又色又爽无遮挡免| 亚洲国产欧洲综合997久久,| 国产久久久一区二区三区| 中文字幕av成人在线电影| 毛片一级片免费看久久久久| av在线亚洲专区| 日韩三级伦理在线观看| 蜜桃久久精品国产亚洲av| 亚洲精品久久久久久婷婷小说 | 日韩成人伦理影院| 国产精品日韩av在线免费观看| 久久久久久久国产电影| 久久99蜜桃精品久久| 亚洲最大成人手机在线| 国产精品1区2区在线观看.| 成人漫画全彩无遮挡| 国产又黄又爽又无遮挡在线| 久久精品国产自在天天线| 水蜜桃什么品种好| 国产午夜福利久久久久久| av在线播放精品| 国产又色又爽无遮挡免| 日韩欧美三级三区| 一卡2卡三卡四卡精品乱码亚洲| 欧美一区二区精品小视频在线| 嫩草影院入口| 少妇高潮的动态图| 校园人妻丝袜中文字幕| 免费av观看视频| 亚州av有码| 如何舔出高潮| 日本与韩国留学比较| 简卡轻食公司| 你懂的网址亚洲精品在线观看 | 欧美三级亚洲精品| 亚洲五月天丁香| 久久久久国产网址| 亚洲av一区综合| 亚洲三级黄色毛片| 亚洲精品乱久久久久久| 精品99又大又爽又粗少妇毛片| 男女啪啪激烈高潮av片| 久久久久网色| 只有这里有精品99| 久久久国产成人免费| 大香蕉久久网| 嫩草影院新地址| 麻豆一二三区av精品| 国产成人免费观看mmmm| 国产av一区在线观看免费| 3wmmmm亚洲av在线观看| 久久久国产成人精品二区| 91午夜精品亚洲一区二区三区| 久久国内精品自在自线图片| 国产高清不卡午夜福利| 69av精品久久久久久| 亚洲国产日韩欧美精品在线观看| 国产精品日韩av在线免费观看| 国产 一区 欧美 日韩| 日韩中字成人| 国产中年淑女户外野战色| 永久网站在线| 亚洲欧美清纯卡通| 国产精品久久久久久久电影| av国产久精品久网站免费入址| 少妇熟女aⅴ在线视频| 男女国产视频网站| 少妇的逼水好多| 欧美精品国产亚洲| 国产一区有黄有色的免费视频 | 色哟哟·www| av在线老鸭窝| 久久久久久伊人网av| 亚洲人成网站在线播| 国产午夜精品久久久久久一区二区三区| 能在线免费观看的黄片| 日本免费一区二区三区高清不卡| 水蜜桃什么品种好| 22中文网久久字幕| 免费黄色在线免费观看| 国产三级中文精品| 午夜激情福利司机影院| 日本五十路高清| 少妇人妻精品综合一区二区| 日韩av在线免费看完整版不卡| av女优亚洲男人天堂| 亚洲欧美精品自产自拍| 精品欧美国产一区二区三| 亚洲中文字幕一区二区三区有码在线看| 亚洲婷婷狠狠爱综合网| 亚洲成色77777| 国产高清有码在线观看视频| 欧美激情久久久久久爽电影| 日本av手机在线免费观看| 尾随美女入室| 一个人免费在线观看电影| 国产免费男女视频| 两个人视频免费观看高清| 一个人看视频在线观看www免费| 一级二级三级毛片免费看| 亚洲精华国产精华液的使用体验| 国产亚洲最大av| 麻豆一二三区av精品| 精品久久国产蜜桃| 联通29元200g的流量卡| 变态另类丝袜制服| 久久精品熟女亚洲av麻豆精品 | 综合色丁香网| 欧美激情国产日韩精品一区| 综合色丁香网| 国产探花极品一区二区| 一个人免费在线观看电影| 亚洲国产日韩欧美精品在线观看| 我要看日韩黄色一级片| 日韩成人伦理影院| 欧美一区二区亚洲| 国产精品99久久久久久久久| 国产精品女同一区二区软件| 亚洲性久久影院| 九九热线精品视视频播放| 美女被艹到高潮喷水动态| 国产精品久久久久久精品电影| 亚洲久久久久久中文字幕| 少妇被粗大猛烈的视频| 欧美成人免费av一区二区三区| 五月伊人婷婷丁香| 啦啦啦啦在线视频资源| 精品国产三级普通话版| 真实男女啪啪啪动态图| 国产黄a三级三级三级人| 欧美变态另类bdsm刘玥| 激情 狠狠 欧美| 尾随美女入室| 一个人免费在线观看电影| 日韩国内少妇激情av| 91在线精品国自产拍蜜月| 亚洲国产精品合色在线| 天天躁日日操中文字幕| 亚洲经典国产精华液单| 亚洲最大成人av| 老师上课跳d突然被开到最大视频| 天堂中文最新版在线下载 | av国产久精品久网站免费入址| 一卡2卡三卡四卡精品乱码亚洲| 天堂中文最新版在线下载 | videos熟女内射| 亚洲精品亚洲一区二区| 亚洲五月天丁香| 国产淫语在线视频| 亚洲成人中文字幕在线播放| 国产精品一区www在线观看| 日本熟妇午夜| 在线免费观看的www视频| 亚洲欧美精品综合久久99| 久久久久久九九精品二区国产| 免费观看人在逋| 免费观看精品视频网站| 热99在线观看视频| 午夜激情欧美在线| 美女脱内裤让男人舔精品视频| 久久久久九九精品影院| 国产乱人视频| 干丝袜人妻中文字幕| 亚洲精品成人久久久久久| 久久久久久久国产电影| 高清日韩中文字幕在线| 成人一区二区视频在线观看| 中国国产av一级| 久久久久久久久久成人| 欧美成人a在线观看| 精品不卡国产一区二区三区| 日韩亚洲欧美综合| 欧美一区二区精品小视频在线| 最近的中文字幕免费完整| 国产av在哪里看| 嘟嘟电影网在线观看| 国内揄拍国产精品人妻在线| av在线老鸭窝| 色综合站精品国产| 国产成人一区二区在线| 国产精品野战在线观看| 久久国内精品自在自线图片| 久久久久久久久久久丰满| 精品久久久久久久久亚洲| 婷婷色av中文字幕| 久久欧美精品欧美久久欧美| 国产精品美女特级片免费视频播放器| 免费av不卡在线播放| 综合色丁香网| 成人亚洲精品av一区二区| 久久欧美精品欧美久久欧美| 春色校园在线视频观看| h日本视频在线播放| 少妇裸体淫交视频免费看高清| 日日摸夜夜添夜夜添av毛片| 床上黄色一级片| 成人美女网站在线观看视频| 国产成年人精品一区二区| 欧美高清性xxxxhd video| 精品久久久久久久久亚洲| 久久99热6这里只有精品| 国内少妇人妻偷人精品xxx网站| 国内精品宾馆在线| 国产av码专区亚洲av| 午夜福利在线观看吧| 国产精品.久久久| 综合色丁香网| 国产av码专区亚洲av| 日本免费a在线| 欧美激情国产日韩精品一区| 美女xxoo啪啪120秒动态图| av在线亚洲专区| 一夜夜www| 大香蕉久久网| 国产精品久久久久久av不卡| 欧美3d第一页| 一级黄色大片毛片| 99久久无色码亚洲精品果冻| 99久久精品一区二区三区| 男女下面进入的视频免费午夜| 免费看av在线观看网站| 久久久亚洲精品成人影院| 日韩亚洲欧美综合| 色综合色国产| 色播亚洲综合网| 国产探花极品一区二区| a级毛片免费高清观看在线播放| 日韩视频在线欧美| 搡女人真爽免费视频火全软件| 高清毛片免费看| 亚洲av中文av极速乱| 国产淫片久久久久久久久| 日本黄色视频三级网站网址| 久久6这里有精品| 国产白丝娇喘喷水9色精品| 日日干狠狠操夜夜爽| 精品少妇黑人巨大在线播放 | 欧美成人免费av一区二区三区| 97人妻精品一区二区三区麻豆| 日本黄色片子视频| 国产精品福利在线免费观看| 青春草国产在线视频| 久久欧美精品欧美久久欧美| 国产老妇伦熟女老妇高清| 精品熟女少妇av免费看| 春色校园在线视频观看| 大话2 男鬼变身卡| 美女cb高潮喷水在线观看| 国产老妇女一区| 成人无遮挡网站| 日本免费在线观看一区| 69av精品久久久久久| 小说图片视频综合网站| 丝袜美腿在线中文| 国产精品乱码一区二三区的特点| 激情 狠狠 欧美| 国产精品不卡视频一区二区| 我要搜黄色片| 国产伦一二天堂av在线观看| 偷拍熟女少妇极品色| 91精品一卡2卡3卡4卡| 国产精品爽爽va在线观看网站| 可以在线观看毛片的网站| 乱人视频在线观看| 欧美高清成人免费视频www| 国产高清国产精品国产三级 | 伦精品一区二区三区| 六月丁香七月| 精品国产露脸久久av麻豆 | 卡戴珊不雅视频在线播放| 欧美日韩综合久久久久久| 一级毛片我不卡| 寂寞人妻少妇视频99o| 国产淫片久久久久久久久| 亚洲精品亚洲一区二区| 99热全是精品| 亚洲av中文av极速乱| 免费在线观看成人毛片| 亚洲无线观看免费| 国产精品爽爽va在线观看网站| 成人一区二区视频在线观看| 丰满乱子伦码专区| 国产成人一区二区在线| 免费观看人在逋| 成人高潮视频无遮挡免费网站| 久久综合国产亚洲精品| 岛国毛片在线播放| 18禁裸乳无遮挡免费网站照片| 我的老师免费观看完整版| 午夜激情福利司机影院| 国产三级在线视频| 成年av动漫网址| 国产高清视频在线观看网站| 日韩欧美在线乱码| 美女xxoo啪啪120秒动态图| 看免费成人av毛片| videossex国产| 日本免费一区二区三区高清不卡| 久久精品国产99精品国产亚洲性色| 久久久成人免费电影| 99久久成人亚洲精品观看| 久久99热这里只有精品18| 国产综合懂色| 黑人高潮一二区| 18+在线观看网站| 免费观看性生交大片5| 欧美区成人在线视频| 亚洲欧美一区二区三区国产| 深夜a级毛片| 蜜桃久久精品国产亚洲av| 国产精品一及| a级一级毛片免费在线观看| 免费看美女性在线毛片视频| 成年版毛片免费区| 久久久久九九精品影院| 国产女主播在线喷水免费视频网站 | 深夜a级毛片| 直男gayav资源| 精品久久国产蜜桃| 亚洲,欧美,日韩| 一二三四中文在线观看免费高清| av福利片在线观看| 一本一本综合久久| 日日啪夜夜撸| 99久国产av精品| 国产精品久久久久久精品电影| 日韩视频在线欧美| 美女xxoo啪啪120秒动态图| av天堂中文字幕网| 国产精品美女特级片免费视频播放器| 日本午夜av视频| 黄色欧美视频在线观看| 国产一区二区在线av高清观看| 久久亚洲国产成人精品v| 免费观看性生交大片5| 99视频精品全部免费 在线| 好男人在线观看高清免费视频| 在线观看av片永久免费下载| 久久草成人影院| 久久精品久久久久久噜噜老黄 | www.色视频.com|