• <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)
    亚洲熟妇熟女久久| 国产成人系列免费观看| 久久香蕉激情| 精品少妇一区二区三区视频日本电影| 国产欧美亚洲国产| 亚洲五月色婷婷综合| 一区二区av电影网| 一区二区日韩欧美中文字幕| 夫妻午夜视频| 精品久久久久久久毛片微露脸| 久久久久久久久免费视频了| 欧美精品一区二区大全| 大型黄色视频在线免费观看| 亚洲伊人久久精品综合| 成年人免费黄色播放视频| 建设人人有责人人尽责人人享有的| 亚洲精品自拍成人| 日韩欧美国产一区二区入口| 国产成人影院久久av| av免费在线观看网站| 欧美成人免费av一区二区三区 | 搡老乐熟女国产| 久久免费观看电影| 国产91精品成人一区二区三区 | 99精国产麻豆久久婷婷| 国产亚洲一区二区精品| 午夜免费鲁丝| 亚洲人成伊人成综合网2020| 中文字幕人妻丝袜制服| 丁香欧美五月| 日韩制服丝袜自拍偷拍| 每晚都被弄得嗷嗷叫到高潮| 精品国产国语对白av| 久久久久视频综合| 久久久久久久精品吃奶| 国产精品二区激情视频| www.自偷自拍.com| 欧美性长视频在线观看| 国产精品电影一区二区三区 | 色94色欧美一区二区| 自线自在国产av| 久久国产亚洲av麻豆专区| 香蕉国产在线看| 久久国产精品大桥未久av| 一区福利在线观看| 国产精品98久久久久久宅男小说| 18禁裸乳无遮挡动漫免费视频| 丝袜美腿诱惑在线| 久热这里只有精品99| 欧美精品亚洲一区二区| 亚洲午夜精品一区,二区,三区| 欧美人与性动交α欧美精品济南到| 亚洲熟妇熟女久久| 韩国精品一区二区三区| 久久精品亚洲精品国产色婷小说| 日韩大片免费观看网站| 麻豆av在线久日| 99re6热这里在线精品视频| 天天影视国产精品| 日本黄色视频三级网站网址 | 中文字幕最新亚洲高清| 精品国产一区二区久久| av网站免费在线观看视频| av在线播放免费不卡| 午夜精品国产一区二区电影| 日日夜夜操网爽| av又黄又爽大尺度在线免费看| 嫁个100分男人电影在线观看| 午夜福利免费观看在线| 久热这里只有精品99| 国产高清视频在线播放一区| 欧美 亚洲 国产 日韩一| 精品国产乱子伦一区二区三区| 精品久久蜜臀av无| 亚洲人成电影观看| 久久精品人人爽人人爽视色| 国产精品香港三级国产av潘金莲| 蜜桃国产av成人99| 久热爱精品视频在线9| 大片免费播放器 马上看| 国产激情久久老熟女| 日本一区二区免费在线视频| 精品福利永久在线观看| 性高湖久久久久久久久免费观看| 日韩欧美一区视频在线观看| 新久久久久国产一级毛片| 国产日韩欧美视频二区| 在线十欧美十亚洲十日本专区| 久久国产亚洲av麻豆专区| 久久ye,这里只有精品| 亚洲免费av在线视频| 亚洲熟女精品中文字幕| 69av精品久久久久久 | svipshipincom国产片| 国产成人免费观看mmmm| 国产精品成人在线| 18禁美女被吸乳视频| 人人妻人人澡人人爽人人夜夜| 久热这里只有精品99| 国产男靠女视频免费网站| 日韩一区二区三区影片| 超碰成人久久| 搡老熟女国产l中国老女人| 久久人人爽av亚洲精品天堂| 在线av久久热| 日本一区二区免费在线视频| 香蕉国产在线看| 久久久久国内视频| 91av网站免费观看| 人人妻人人澡人人爽人人夜夜| 亚洲成av片中文字幕在线观看| av视频免费观看在线观看| 国产真人三级小视频在线观看| 97在线人人人人妻| 999久久久精品免费观看国产| 九色亚洲精品在线播放| 精品国产亚洲在线| 久久精品亚洲熟妇少妇任你| 黄色毛片三级朝国网站| 精品一区二区三区av网在线观看 | 国产精品 欧美亚洲| 十分钟在线观看高清视频www| 欧美日韩视频精品一区| 超色免费av| 亚洲一区二区三区欧美精品| 满18在线观看网站| 精品免费久久久久久久清纯 | 国产一卡二卡三卡精品| 成年动漫av网址| 亚洲成人免费av在线播放| 极品少妇高潮喷水抽搐| 伊人久久大香线蕉亚洲五| 国产精品久久久久久精品古装| 国产精品1区2区在线观看. | 嫁个100分男人电影在线观看| 欧美日韩亚洲综合一区二区三区_| 国产成人影院久久av| 国产亚洲精品一区二区www | 中文字幕人妻丝袜制服| 免费观看人在逋| 久热这里只有精品99| avwww免费| av在线播放免费不卡| 97在线人人人人妻| 999久久久国产精品视频| 国产精品久久久久久精品古装| 一边摸一边做爽爽视频免费| 天天躁日日躁夜夜躁夜夜| 亚洲色图综合在线观看| 搡老乐熟女国产| 夫妻午夜视频| 狂野欧美激情性xxxx| 亚洲成a人片在线一区二区| 在线观看免费午夜福利视频| 男女边摸边吃奶| 久久精品国产亚洲av高清一级| 国产精品.久久久| 亚洲精品美女久久久久99蜜臀| 一区二区日韩欧美中文字幕| 国产真人三级小视频在线观看| 女人高潮潮喷娇喘18禁视频| 久久人人97超碰香蕉20202| 超碰97精品在线观看| 曰老女人黄片| 两性午夜刺激爽爽歪歪视频在线观看 | av视频免费观看在线观看| 亚洲国产毛片av蜜桃av| tube8黄色片| 十八禁高潮呻吟视频| 99国产极品粉嫩在线观看| 狠狠精品人妻久久久久久综合| 国产高清视频在线播放一区| 动漫黄色视频在线观看| 一级黄色大片毛片| 欧美日韩精品网址| 下体分泌物呈黄色| 9热在线视频观看99| 欧美性长视频在线观看| 午夜福利视频精品| 热re99久久国产66热| 在线观看免费高清a一片| 窝窝影院91人妻| 国产成人av激情在线播放| 久久影院123| 久久热在线av| 免费av中文字幕在线| 国产亚洲欧美精品永久| 成人三级做爰电影| 自拍欧美九色日韩亚洲蝌蚪91| 一进一出抽搐动态| 一区二区av电影网| 国产成人一区二区三区免费视频网站| 超色免费av| 久久午夜亚洲精品久久| 黄片大片在线免费观看| 18在线观看网站| 国产成人精品无人区| 久久中文字幕人妻熟女| 五月开心婷婷网| videosex国产| 露出奶头的视频| 男人操女人黄网站| 亚洲免费av在线视频| 18禁黄网站禁片午夜丰满| 日本一区二区免费在线视频| 国产极品粉嫩免费观看在线| 午夜精品久久久久久毛片777| 制服诱惑二区| 国产色视频综合| 日本一区二区免费在线视频| 欧美日韩福利视频一区二区| 最新的欧美精品一区二区| av网站免费在线观看视频| 99国产精品一区二区蜜桃av | 久久久欧美国产精品| 免费在线观看完整版高清| 久久天堂一区二区三区四区| 欧美日韩中文字幕国产精品一区二区三区 | 久久免费观看电影| 丝袜人妻中文字幕| 后天国语完整版免费观看| 国产欧美日韩综合在线一区二区| 国产成人一区二区三区免费视频网站| 制服诱惑二区| 黄色片一级片一级黄色片| av福利片在线| 精品国产一区二区久久| 99久久国产精品久久久| 亚洲人成电影免费在线| 亚洲国产av新网站| 国产成人欧美在线观看 | 交换朋友夫妻互换小说| 国产黄色免费在线视频| av福利片在线| 操美女的视频在线观看| 可以免费在线观看a视频的电影网站| 亚洲国产欧美在线一区| 免费av中文字幕在线| 最新美女视频免费是黄的| 日本av手机在线免费观看| 人人妻人人添人人爽欧美一区卜| 少妇猛男粗大的猛烈进出视频| 丰满少妇做爰视频| 97人妻天天添夜夜摸| 黄色 视频免费看| 每晚都被弄得嗷嗷叫到高潮| 午夜免费成人在线视频| 日韩视频在线欧美| 久久中文看片网| 露出奶头的视频| 肉色欧美久久久久久久蜜桃| 色精品久久人妻99蜜桃| 一区二区三区精品91| 99精品久久久久人妻精品| 十分钟在线观看高清视频www| 午夜久久久在线观看| 久久热在线av| 王馨瑶露胸无遮挡在线观看| 五月天丁香电影| 久久久精品区二区三区| 99久久人妻综合| 久久亚洲精品不卡| 中文字幕人妻丝袜一区二区| 久久中文字幕一级| 一边摸一边抽搐一进一小说 | 中文字幕人妻丝袜一区二区| 亚洲av美国av| 精品国产一区二区三区久久久樱花| 男女免费视频国产| 亚洲熟女精品中文字幕| 99久久精品国产亚洲精品| 免费久久久久久久精品成人欧美视频| 丝袜美足系列| 欧美日韩av久久| 国产精品亚洲一级av第二区| 999久久久国产精品视频| 巨乳人妻的诱惑在线观看| 热99久久久久精品小说推荐| 捣出白浆h1v1| 一夜夜www| 黄片大片在线免费观看| 日本wwww免费看| 高清av免费在线| 久久人妻av系列| 一级毛片女人18水好多| 成人永久免费在线观看视频 | 狠狠婷婷综合久久久久久88av| 久久亚洲真实| 久9热在线精品视频| av网站在线播放免费| 青青草视频在线视频观看| 美国免费a级毛片| 一边摸一边抽搐一进一出视频| 日本黄色视频三级网站网址 | 岛国在线观看网站| 欧美亚洲日本最大视频资源| 亚洲第一青青草原| 日韩三级视频一区二区三区| 免费观看av网站的网址| 99久久国产精品久久久| 亚洲欧洲精品一区二区精品久久久| 中文字幕av电影在线播放| 精品福利观看| av线在线观看网站| 久久精品国产亚洲av香蕉五月 | 亚洲成人免费av在线播放| 1024香蕉在线观看| 亚洲av电影在线进入| 交换朋友夫妻互换小说| 欧美人与性动交α欧美精品济南到| 一进一出抽搐动态| 久久精品亚洲av国产电影网| 亚洲国产精品一区二区三区在线| 成人免费观看视频高清| 久久中文看片网| 男女午夜视频在线观看| 午夜视频精品福利| 亚洲专区中文字幕在线| 变态另类成人亚洲欧美熟女 | 午夜91福利影院| www.熟女人妻精品国产| 亚洲成国产人片在线观看| 这个男人来自地球电影免费观看| 狠狠婷婷综合久久久久久88av| 捣出白浆h1v1| 欧美黑人精品巨大| 精品一区二区三卡| 国产男靠女视频免费网站| 日韩欧美一区二区三区在线观看 | 一区二区三区激情视频| 丁香欧美五月| 久久中文字幕一级| 最黄视频免费看| 国产在线精品亚洲第一网站| 国产精品1区2区在线观看. | 窝窝影院91人妻| 激情视频va一区二区三区| 日韩欧美一区视频在线观看| 欧美激情高清一区二区三区| 99精品久久久久人妻精品| 成人18禁高潮啪啪吃奶动态图| 欧美日韩av久久| 欧美精品高潮呻吟av久久| 视频区欧美日本亚洲| 日本av免费视频播放| 国产日韩一区二区三区精品不卡| 国产精品熟女久久久久浪| 精品亚洲成国产av| 黄色视频不卡| 91国产中文字幕| 色综合欧美亚洲国产小说| 在线观看舔阴道视频| 在线亚洲精品国产二区图片欧美| 18禁国产床啪视频网站| 亚洲av国产av综合av卡| 在线播放国产精品三级| 一边摸一边抽搐一进一出视频| av天堂在线播放| 深夜精品福利| 日韩大码丰满熟妇| 黄色丝袜av网址大全| 国产精品国产高清国产av | 久久精品亚洲熟妇少妇任你| 亚洲五月色婷婷综合| 欧美精品亚洲一区二区| 一本大道久久a久久精品| 黄片播放在线免费| 777米奇影视久久| 人妻久久中文字幕网| 国产在线精品亚洲第一网站| 欧美精品啪啪一区二区三区| 三上悠亚av全集在线观看| 国产伦理片在线播放av一区| 亚洲一码二码三码区别大吗| 久久久久国产一级毛片高清牌| 在线观看免费高清a一片| 黄色 视频免费看| 久久毛片免费看一区二区三区| 国产免费福利视频在线观看| av片东京热男人的天堂| 亚洲午夜理论影院| 欧美+亚洲+日韩+国产| 99re6热这里在线精品视频| 高清毛片免费观看视频网站 | 50天的宝宝边吃奶边哭怎么回事| 欧美国产精品va在线观看不卡| 韩国精品一区二区三区| 欧美激情极品国产一区二区三区| 欧美精品一区二区免费开放| 亚洲欧洲精品一区二区精品久久久| 欧美国产精品va在线观看不卡| 丁香六月天网| 丝袜美腿诱惑在线| 亚洲免费av在线视频| 一本综合久久免费| 一个人免费看片子| 免费女性裸体啪啪无遮挡网站| 可以免费在线观看a视频的电影网站| av电影中文网址| 天天躁狠狠躁夜夜躁狠狠躁| 亚洲一区二区三区欧美精品| 亚洲欧美一区二区三区久久| 欧美av亚洲av综合av国产av| 国产免费现黄频在线看| 18禁黄网站禁片午夜丰满| 久久青草综合色| 三上悠亚av全集在线观看| 国产在线免费精品| 久久九九热精品免费| 在线观看免费高清a一片| 午夜免费成人在线视频| 狠狠婷婷综合久久久久久88av| 成人三级做爰电影| 亚洲欧美日韩另类电影网站| 天堂动漫精品| 亚洲国产av影院在线观看| av不卡在线播放| h视频一区二区三区| 中亚洲国语对白在线视频| 久久久久久久久免费视频了| 在线观看www视频免费| 亚洲精品美女久久av网站| 亚洲伊人久久精品综合| 757午夜福利合集在线观看| 亚洲精品一二三| 男女边摸边吃奶| 久久青草综合色| 亚洲精品在线观看二区| 黄色视频,在线免费观看| 国产单亲对白刺激| 黑人巨大精品欧美一区二区mp4| 久久久久精品人妻al黑| 99久久精品国产亚洲精品| 手机成人av网站| 亚洲久久久国产精品| 黄色片一级片一级黄色片| 国产精品久久久久成人av| 在线av久久热| 手机成人av网站| 亚洲久久久国产精品| 亚洲人成伊人成综合网2020| 欧美激情久久久久久爽电影 | 两性午夜刺激爽爽歪歪视频在线观看 | 久久久国产成人免费| 日本av手机在线免费观看| 亚洲国产成人一精品久久久| 欧美日韩中文字幕国产精品一区二区三区 | 国产亚洲精品一区二区www | 成人影院久久| 丁香六月欧美| 女性被躁到高潮视频| 亚洲成人免费av在线播放| 热99久久久久精品小说推荐| 国产一卡二卡三卡精品| 国内毛片毛片毛片毛片毛片| 香蕉国产在线看| 国产精品免费大片| 色综合婷婷激情| 亚洲三区欧美一区| 亚洲成人免费av在线播放| 久久久欧美国产精品| 国产精品自产拍在线观看55亚洲 | 在线观看人妻少妇| 午夜福利,免费看| 老鸭窝网址在线观看| 日本撒尿小便嘘嘘汇集6| 黄色a级毛片大全视频| 久久精品亚洲熟妇少妇任你| 国产在线一区二区三区精| 狠狠狠狠99中文字幕| 免费av中文字幕在线| 日韩免费av在线播放| 亚洲一码二码三码区别大吗| 黄色a级毛片大全视频| 色在线成人网| 国产精品偷伦视频观看了| 午夜福利影视在线免费观看| 一进一出好大好爽视频| 99久久国产精品久久久| 亚洲国产成人一精品久久久| 性高湖久久久久久久久免费观看| 亚洲成国产人片在线观看| 妹子高潮喷水视频| 中文字幕人妻丝袜制服| 久久影院123| 亚洲全国av大片| 日韩人妻精品一区2区三区| 欧美乱码精品一区二区三区| 国产一卡二卡三卡精品| 免费不卡黄色视频| 在线观看免费视频日本深夜| 成人亚洲精品一区在线观看| www.精华液| 乱人伦中国视频| 超色免费av| 美国免费a级毛片| av视频免费观看在线观看| 女警被强在线播放| 一边摸一边抽搐一进一出视频| 国产一区二区三区综合在线观看| 精品欧美一区二区三区在线| 免费在线观看影片大全网站| 欧美精品人与动牲交sv欧美| 五月天丁香电影| 国产免费现黄频在线看| 成人18禁高潮啪啪吃奶动态图| 日韩欧美国产一区二区入口| 丝袜人妻中文字幕| 亚洲自偷自拍图片 自拍| 男女床上黄色一级片免费看| 一区二区av电影网| 国产亚洲一区二区精品| 亚洲一码二码三码区别大吗| 91大片在线观看| 免费黄频网站在线观看国产| 香蕉国产在线看| a级毛片黄视频| 黑丝袜美女国产一区| 黄色a级毛片大全视频| 国产不卡一卡二| 亚洲成a人片在线一区二区| 精品国产亚洲在线| 久久精品国产亚洲av高清一级| 我的亚洲天堂| 久久国产精品男人的天堂亚洲| 欧美日韩福利视频一区二区| 一边摸一边做爽爽视频免费| 久久中文字幕一级| 18禁裸乳无遮挡动漫免费视频| 99国产精品一区二区三区| av线在线观看网站| 免费观看人在逋| 自拍欧美九色日韩亚洲蝌蚪91| 亚洲午夜理论影院| 国产精品久久久av美女十八| 满18在线观看网站| 国产亚洲午夜精品一区二区久久| 在线观看66精品国产| 欧美黄色片欧美黄色片| 久久久精品国产亚洲av高清涩受| 啦啦啦在线免费观看视频4| 亚洲全国av大片| 黄色视频不卡| 日本vs欧美在线观看视频| 9191精品国产免费久久| 人人妻,人人澡人人爽秒播| 亚洲性夜色夜夜综合| 精品欧美一区二区三区在线| 免费在线观看视频国产中文字幕亚洲| 国产日韩欧美亚洲二区| 中文字幕另类日韩欧美亚洲嫩草| 久久精品国产99精品国产亚洲性色 | 国产精品二区激情视频| 精品久久久久久电影网| 悠悠久久av| 最新的欧美精品一区二区| 一本大道久久a久久精品| av有码第一页| 亚洲精品久久午夜乱码| 蜜桃在线观看..| 免费在线观看黄色视频的| 黑人巨大精品欧美一区二区mp4| 免费观看人在逋| 亚洲成人手机| 捣出白浆h1v1| 青青草视频在线视频观看| 巨乳人妻的诱惑在线观看| 精品国产一区二区久久| 老熟妇仑乱视频hdxx| 天天操日日干夜夜撸| 热99国产精品久久久久久7| 99精国产麻豆久久婷婷| 大片免费播放器 马上看| 亚洲中文av在线| 我的亚洲天堂| 国产欧美日韩精品亚洲av| 9色porny在线观看| 国产精品免费一区二区三区在线 | 亚洲av电影在线进入| 精品一区二区三区av网在线观看 | 精品免费久久久久久久清纯 | 人人澡人人妻人| 久久久欧美国产精品| 正在播放国产对白刺激| av视频免费观看在线观看| 2018国产大陆天天弄谢| 亚洲欧美色中文字幕在线| 性少妇av在线| 亚洲少妇的诱惑av| 视频区图区小说| 中文字幕制服av| av福利片在线| 亚洲国产欧美日韩在线播放| 亚洲天堂av无毛| 蜜桃国产av成人99| 成人黄色视频免费在线看| 蜜桃国产av成人99| 久久午夜亚洲精品久久| 亚洲三区欧美一区| 如日韩欧美国产精品一区二区三区| 日本黄色视频三级网站网址 | 纵有疾风起免费观看全集完整版| 亚洲va日本ⅴa欧美va伊人久久| 免费观看人在逋| 免费在线观看视频国产中文字幕亚洲| 日韩欧美免费精品| 久久精品亚洲熟妇少妇任你| 亚洲精品中文字幕一二三四区 | 黄色视频不卡| 黄色毛片三级朝国网站| 日韩三级视频一区二区三区| 国产av国产精品国产| 女性生殖器流出的白浆| 中文字幕高清在线视频| 日韩视频一区二区在线观看|