• <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)
    国产在线视频一区二区| 亚洲专区国产一区二区| 丝袜喷水一区| 免费在线观看完整版高清| 一本一本久久a久久精品综合妖精| 国产一卡二卡三卡精品| 人人妻人人爽人人添夜夜欢视频| 波野结衣二区三区在线| 欧美人与性动交α欧美精品济南到| 国产人伦9x9x在线观看| 亚洲三区欧美一区| 国产欧美日韩一区二区三 | 国产成人精品无人区| 性少妇av在线| 精品国产国语对白av| 国产精品久久久久久精品古装| 考比视频在线观看| 国产精品成人在线| 搡老乐熟女国产| 欧美日韩精品网址| av视频免费观看在线观看| 99国产精品一区二区蜜桃av | 国产伦理片在线播放av一区| 香蕉国产在线看| 久久ye,这里只有精品| 一边摸一边抽搐一进一出视频| 在线观看人妻少妇| 精品久久久久久久毛片微露脸 | 91麻豆av在线| 9热在线视频观看99| 人人妻,人人澡人人爽秒播 | 日日爽夜夜爽网站| 亚洲精品国产区一区二| 国产成人一区二区在线| 99精品久久久久人妻精品| 国产成人av激情在线播放| 麻豆乱淫一区二区| 精品人妻熟女毛片av久久网站| 国产成人影院久久av| 夫妻午夜视频| 一二三四在线观看免费中文在| 亚洲国产看品久久| 最新的欧美精品一区二区| 欧美国产精品一级二级三级| 国产精品一二三区在线看| 国产欧美日韩一区二区三 | 视频区图区小说| 日本av手机在线免费观看| 韩国高清视频一区二区三区| 国产精品九九99| 99精品久久久久人妻精品| 久久青草综合色| 欧美日韩黄片免| 99re6热这里在线精品视频| 如日韩欧美国产精品一区二区三区| 制服人妻中文乱码| 老司机靠b影院| 欧美日本中文国产一区发布| 菩萨蛮人人尽说江南好唐韦庄| 精品卡一卡二卡四卡免费| 50天的宝宝边吃奶边哭怎么回事| 丰满饥渴人妻一区二区三| 欧美黄色片欧美黄色片| 亚洲av国产av综合av卡| 黄色怎么调成土黄色| 热re99久久精品国产66热6| 欧美老熟妇乱子伦牲交| 又大又爽又粗| 91老司机精品| 国产爽快片一区二区三区| 黄色视频不卡| 国产成人欧美在线观看 | 汤姆久久久久久久影院中文字幕| 亚洲情色 制服丝袜| 性色av一级| 亚洲精品美女久久久久99蜜臀 | 亚洲成人免费av在线播放| 天天添夜夜摸| 久久久久国产一级毛片高清牌| av不卡在线播放| 国产精品久久久av美女十八| 亚洲精品久久久久久婷婷小说| 欧美久久黑人一区二区| 嫩草影视91久久| 波野结衣二区三区在线| 国产激情久久老熟女| 欧美日韩精品网址| 成年人免费黄色播放视频| 99精品久久久久人妻精品| 精品高清国产在线一区| 波多野结衣av一区二区av| 久久精品国产亚洲av高清一级| 熟女少妇亚洲综合色aaa.| 美女国产高潮福利片在线看| 欧美激情 高清一区二区三区| 亚洲精品自拍成人| 国产99久久九九免费精品| www.自偷自拍.com| 满18在线观看网站| 青春草亚洲视频在线观看| 丰满饥渴人妻一区二区三| 国产欧美日韩精品亚洲av| 国产欧美日韩综合在线一区二区| 亚洲精品国产av成人精品| 国产精品久久久av美女十八| 免费人妻精品一区二区三区视频| 黄色毛片三级朝国网站| 十八禁高潮呻吟视频| 欧美日韩亚洲综合一区二区三区_| 亚洲国产av新网站| 女性被躁到高潮视频| avwww免费| 日韩av在线免费看完整版不卡| 十分钟在线观看高清视频www| 精品一区在线观看国产| 老司机在亚洲福利影院| 一二三四社区在线视频社区8| 中文字幕人妻熟女乱码| 午夜福利影视在线免费观看| kizo精华| 少妇人妻 视频| 一区二区三区乱码不卡18| 在线观看一区二区三区激情| 欧美亚洲 丝袜 人妻 在线| 久久久久久久精品精品| 少妇粗大呻吟视频| 久久人妻熟女aⅴ| 一级毛片电影观看| 999久久久国产精品视频| 丝袜美腿诱惑在线| 中文字幕最新亚洲高清| 国产深夜福利视频在线观看| 麻豆av在线久日| 亚洲欧美日韩高清在线视频 | 999精品在线视频| 成年人免费黄色播放视频| 亚洲伊人久久精品综合| 美女国产高潮福利片在线看| tube8黄色片| 久久久亚洲精品成人影院| 精品一区二区三区av网在线观看 | 午夜福利视频精品| 久久久精品免费免费高清| 成人手机av| 啦啦啦视频在线资源免费观看| 十八禁高潮呻吟视频| 大型av网站在线播放| 国产视频首页在线观看| 人人妻,人人澡人人爽秒播 | 精品福利观看| 久久鲁丝午夜福利片| 一区二区av电影网| 一边摸一边做爽爽视频免费| www.av在线官网国产| 亚洲免费av在线视频| 丝袜脚勾引网站| 免费在线观看完整版高清| 亚洲av成人精品一二三区| 日韩免费高清中文字幕av| 精品一品国产午夜福利视频| 日韩伦理黄色片| 2021少妇久久久久久久久久久| 久热这里只有精品99| 成年人黄色毛片网站| 色播在线永久视频| 18禁国产床啪视频网站| 日韩中文字幕视频在线看片| 欧美亚洲日本最大视频资源| 亚洲av日韩在线播放| 中文字幕最新亚洲高清| 国产一区有黄有色的免费视频| 中国美女看黄片| 国产99久久九九免费精品| 天天躁狠狠躁夜夜躁狠狠躁| 亚洲美女黄色视频免费看| 日日爽夜夜爽网站| 少妇被粗大的猛进出69影院| 亚洲av男天堂| 侵犯人妻中文字幕一二三四区| 久久久久精品人妻al黑| 又粗又硬又长又爽又黄的视频| 久久久精品区二区三区| 高清黄色对白视频在线免费看| 久久影院123| 好男人电影高清在线观看| 国产福利在线免费观看视频| 久久99热这里只频精品6学生| av在线app专区| 日韩av在线免费看完整版不卡| 免费一级毛片在线播放高清视频 | 国产日韩欧美亚洲二区| 国产色视频综合| 女人爽到高潮嗷嗷叫在线视频| 久久毛片免费看一区二区三区| 亚洲欧洲国产日韩| 一二三四在线观看免费中文在| av有码第一页| 别揉我奶头~嗯~啊~动态视频 | 国产xxxxx性猛交| 大香蕉久久成人网| 色婷婷久久久亚洲欧美| 午夜福利在线免费观看网站| 久久久久精品国产欧美久久久 | 日韩欧美一区视频在线观看| 在线av久久热| 纯流量卡能插随身wifi吗| 国产成人精品久久二区二区91| 看免费av毛片| 国产欧美日韩一区二区三 | 一级毛片电影观看| 国产在线观看jvid| 中国美女看黄片| 中文字幕高清在线视频| 人妻一区二区av| 亚洲精品美女久久久久99蜜臀 | 久久亚洲国产成人精品v| 免费不卡黄色视频| 老汉色∧v一级毛片| 亚洲欧美精品自产自拍| 亚洲色图综合在线观看| 欧美激情 高清一区二区三区| 黄色片一级片一级黄色片| 午夜福利影视在线免费观看| 国产一级毛片在线| 国产成人精品久久二区二区免费| 久久精品久久久久久久性| 欧美激情 高清一区二区三区| 精品国产乱码久久久久久小说| av电影中文网址| 一个人免费看片子| 在线看a的网站| 一边亲一边摸免费视频| 九色亚洲精品在线播放| 国产欧美亚洲国产| 亚洲一卡2卡3卡4卡5卡精品中文| 亚洲精品久久午夜乱码| 三上悠亚av全集在线观看| 你懂的网址亚洲精品在线观看| av又黄又爽大尺度在线免费看| 国产精品久久久久成人av| 天天影视国产精品| 国产免费现黄频在线看| 国产欧美日韩综合在线一区二区| 国产亚洲午夜精品一区二区久久| 亚洲欧美精品综合一区二区三区| av视频免费观看在线观看| 91国产中文字幕| 国产片内射在线| 老司机在亚洲福利影院| 国产主播在线观看一区二区 | 亚洲色图综合在线观看| 成人国产一区最新在线观看 | 丰满少妇做爰视频| 久久久国产欧美日韩av| 性色av乱码一区二区三区2| 中文精品一卡2卡3卡4更新| 曰老女人黄片| 国产欧美日韩一区二区三 | 国产女主播在线喷水免费视频网站| 久久久精品94久久精品| 日韩电影二区| 色综合欧美亚洲国产小说| 欧美+亚洲+日韩+国产| 欧美日韩成人在线一区二区| 久久久久国产精品人妻一区二区| 久久99一区二区三区| 免费一级毛片在线播放高清视频 | 欧美黑人精品巨大| 最新在线观看一区二区三区 | 久久99精品国语久久久| 在线 av 中文字幕| 日本a在线网址| 精品高清国产在线一区| 欧美激情极品国产一区二区三区| 日本av手机在线免费观看| 一区福利在线观看| 大码成人一级视频| 精品亚洲成a人片在线观看| 亚洲一卡2卡3卡4卡5卡精品中文| 欧美成人午夜精品| 视频在线观看一区二区三区| 亚洲精品日本国产第一区| 久久精品人人爽人人爽视色| 日日摸夜夜添夜夜爱| 黄片小视频在线播放| 中文字幕色久视频| 少妇精品久久久久久久| 99热网站在线观看| 亚洲国产成人一精品久久久| 亚洲天堂av无毛| 亚洲欧美日韩另类电影网站| 国产免费福利视频在线观看| 99国产精品一区二区三区| 久久女婷五月综合色啪小说| 午夜福利视频精品| 看十八女毛片水多多多| 91精品伊人久久大香线蕉| 深夜精品福利| 天堂8中文在线网| 另类亚洲欧美激情| 国产精品 欧美亚洲| 午夜福利视频在线观看免费| 首页视频小说图片口味搜索 | 多毛熟女@视频| 国产亚洲av片在线观看秒播厂| 日本午夜av视频| 一边摸一边做爽爽视频免费| 日韩大码丰满熟妇| 一级黄色大片毛片| 这个男人来自地球电影免费观看| 亚洲欧美一区二区三区国产| 伊人亚洲综合成人网| 欧美性长视频在线观看| 精品免费久久久久久久清纯 | 这个男人来自地球电影免费观看| 一级黄色大片毛片| 18在线观看网站| 国产精品一区二区精品视频观看| 久久免费观看电影| 亚洲国产精品成人久久小说| 亚洲av欧美aⅴ国产| 久久精品亚洲熟妇少妇任你| 亚洲av日韩在线播放| 亚洲精品国产av成人精品| 人人妻人人澡人人爽人人夜夜| 日本av手机在线免费观看| 宅男免费午夜| 青青草视频在线视频观看| 宅男免费午夜| 青青草视频在线视频观看| 国产91精品成人一区二区三区 | 又粗又硬又长又爽又黄的视频| 精品亚洲成国产av| 女警被强在线播放| 777久久人妻少妇嫩草av网站| 丁香六月天网| 婷婷色av中文字幕| 亚洲男人天堂网一区| 日本av免费视频播放| 国产成人免费无遮挡视频| tube8黄色片| 久久久亚洲精品成人影院| 王馨瑶露胸无遮挡在线观看| 国产又爽黄色视频| 国产黄频视频在线观看| 9191精品国产免费久久| 午夜福利一区二区在线看| 18禁黄网站禁片午夜丰满| 亚洲精品日本国产第一区| 一二三四社区在线视频社区8| 亚洲成国产人片在线观看| 少妇 在线观看| 免费高清在线观看日韩| 黑人猛操日本美女一级片| 伊人久久大香线蕉亚洲五| 亚洲国产精品一区二区三区在线| 亚洲精品国产色婷婷电影| 91字幕亚洲| 男女边摸边吃奶| netflix在线观看网站| kizo精华| 少妇的丰满在线观看| 中文字幕亚洲精品专区| 操出白浆在线播放| www.自偷自拍.com| 日韩大片免费观看网站| 日韩 欧美 亚洲 中文字幕| 久久久久视频综合| 欧美在线黄色| 亚洲精品国产一区二区精华液| 国产xxxxx性猛交| av网站在线播放免费| 国产免费又黄又爽又色| 国产精品 欧美亚洲| 少妇被粗大的猛进出69影院| 黑人欧美特级aaaaaa片| 亚洲精品美女久久久久99蜜臀 | 宅男免费午夜| xxxhd国产人妻xxx| 国产三级黄色录像| 精品久久久精品久久久| 满18在线观看网站| 又紧又爽又黄一区二区| 欧美日韩成人在线一区二区| 欧美成人精品欧美一级黄| 欧美日韩一级在线毛片| www.自偷自拍.com| 国产精品亚洲av一区麻豆| 国产一区有黄有色的免费视频| 日韩中文字幕视频在线看片| 两个人免费观看高清视频| 国产精品欧美亚洲77777| 热99久久久久精品小说推荐| 久久综合国产亚洲精品| 五月开心婷婷网| 99久久99久久久精品蜜桃| 国产精品一区二区在线观看99| 亚洲av片天天在线观看| 国产成人精品久久久久久| 国产精品久久久久久精品电影小说| 母亲3免费完整高清在线观看| 久久久久国产精品人妻一区二区| 欧美精品一区二区免费开放| 自线自在国产av| 亚洲av男天堂| avwww免费| 亚洲精品国产色婷婷电影| 亚洲男人天堂网一区| 免费在线观看日本一区| 色网站视频免费| 啦啦啦中文免费视频观看日本| 亚洲精品久久成人aⅴ小说| 国产一区二区三区综合在线观看| 黑丝袜美女国产一区| 亚洲欧美日韩高清在线视频 | 亚洲欧洲精品一区二区精品久久久| 亚洲成人免费av在线播放| 美女主播在线视频| 亚洲欧美日韩另类电影网站| 男女下面插进去视频免费观看| 久久精品国产综合久久久| kizo精华| 国产成人欧美在线观看 | 18禁国产床啪视频网站| 国产成人91sexporn| 少妇 在线观看| 欧美xxⅹ黑人| 亚洲av片天天在线观看| 十八禁网站网址无遮挡| 免费av中文字幕在线| 国产日韩欧美在线精品| 一区二区av电影网| 国产一级毛片在线| 18在线观看网站| 欧美日韩av久久| 成年美女黄网站色视频大全免费| 91精品伊人久久大香线蕉| 国产成人一区二区在线| svipshipincom国产片| 在线观看一区二区三区激情| 在线观看免费午夜福利视频| 韩国精品一区二区三区| 午夜激情久久久久久久| 午夜福利,免费看| 免费一级毛片在线播放高清视频 | www.自偷自拍.com| 亚洲av男天堂| 成人午夜精彩视频在线观看| 成人三级做爰电影| 国产免费又黄又爽又色| 国产精品 欧美亚洲| 欧美黑人欧美精品刺激| 丰满少妇做爰视频| 日韩av不卡免费在线播放| 超碰97精品在线观看| 黄色一级大片看看| 91九色精品人成在线观看| 永久免费av网站大全| 国产精品一二三区在线看| 女警被强在线播放| 精品国产一区二区三区四区第35| 久久综合国产亚洲精品| 欧美日韩综合久久久久久| 热99国产精品久久久久久7| 麻豆av在线久日| 晚上一个人看的免费电影| 女人精品久久久久毛片| 国产精品国产av在线观看| 黄色怎么调成土黄色| 成在线人永久免费视频| 手机成人av网站| 亚洲美女黄色视频免费看| av线在线观看网站| 男女边吃奶边做爰视频| 19禁男女啪啪无遮挡网站| 夜夜骑夜夜射夜夜干| 老鸭窝网址在线观看| 黄色 视频免费看| 桃花免费在线播放| 久久毛片免费看一区二区三区| 亚洲 欧美一区二区三区| 欧美激情高清一区二区三区| 麻豆乱淫一区二区| 人人妻人人澡人人看| 国产免费又黄又爽又色| 国产成人av激情在线播放| 最近中文字幕2019免费版| 欧美日韩av久久| 麻豆国产av国片精品| 日本91视频免费播放| 日本猛色少妇xxxxx猛交久久| 亚洲久久久国产精品| 王馨瑶露胸无遮挡在线观看| 一级,二级,三级黄色视频| 久久久久久人人人人人| 久久久久视频综合| 高清视频免费观看一区二区| 亚洲欧美清纯卡通| 久久性视频一级片| 午夜免费成人在线视频| 多毛熟女@视频| 岛国毛片在线播放| 亚洲国产精品成人久久小说| 99精品久久久久人妻精品| 一个人免费看片子| 久久久久久久久免费视频了| 大陆偷拍与自拍| 97人妻天天添夜夜摸| 精品熟女少妇八av免费久了| 免费少妇av软件| 黄色a级毛片大全视频| 国产精品av久久久久免费| 亚洲精品第二区| 精品国产一区二区久久| 考比视频在线观看| 大片免费播放器 马上看| 国产精品 国内视频| 国产爽快片一区二区三区| 日韩av免费高清视频| 91精品三级在线观看| 国产精品久久久久成人av| 久久性视频一级片| 欧美av亚洲av综合av国产av| 黄色a级毛片大全视频| 国产亚洲精品久久久久5区| 久久久精品区二区三区| 亚洲成国产人片在线观看| 亚洲av美国av| 美国免费a级毛片| 亚洲五月婷婷丁香| av在线老鸭窝| 尾随美女入室| 国产成人精品久久二区二区免费| 亚洲激情五月婷婷啪啪| 精品亚洲乱码少妇综合久久| 在线观看国产h片| 美女脱内裤让男人舔精品视频| 秋霞在线观看毛片| 久久久久久亚洲精品国产蜜桃av| 亚洲男人天堂网一区| 老司机深夜福利视频在线观看 | 人人妻人人添人人爽欧美一区卜| 日本a在线网址| 悠悠久久av| 美女扒开内裤让男人捅视频| 欧美激情极品国产一区二区三区| a 毛片基地| 操出白浆在线播放| 精品人妻在线不人妻| 国产免费视频播放在线视频| 日韩av在线免费看完整版不卡| 亚洲伊人色综图| 制服人妻中文乱码| 国产伦人伦偷精品视频| 晚上一个人看的免费电影| 国产精品免费大片| 国产成人精品在线电影| 亚洲熟女毛片儿| 日韩一卡2卡3卡4卡2021年| 午夜免费男女啪啪视频观看| 天天躁日日躁夜夜躁夜夜| 国产精品成人在线| 美女午夜性视频免费| 看免费av毛片| 母亲3免费完整高清在线观看| 国产深夜福利视频在线观看| 成人18禁高潮啪啪吃奶动态图| 免费观看人在逋| 国产成人欧美| 亚洲欧洲日产国产| 国产av精品麻豆| 久久精品久久久久久久性| 自拍欧美九色日韩亚洲蝌蚪91| 99国产精品免费福利视频| 色婷婷久久久亚洲欧美| 人人妻人人澡人人看| 欧美老熟妇乱子伦牲交| 热99国产精品久久久久久7| 中文字幕人妻熟女乱码| 国产午夜精品一二区理论片| 亚洲欧美清纯卡通| 99精品久久久久人妻精品| 两个人免费观看高清视频| 精品久久久精品久久久| 久9热在线精品视频| 久热这里只有精品99| 咕卡用的链子| 波多野结衣一区麻豆| 久久精品aⅴ一区二区三区四区| 午夜91福利影院| 后天国语完整版免费观看| 久久狼人影院| 国产免费一区二区三区四区乱码| 青草久久国产| 一区福利在线观看| 91九色精品人成在线观看| 成人黄色视频免费在线看| av欧美777| 一级毛片我不卡| 观看av在线不卡| 午夜免费男女啪啪视频观看| 亚洲自偷自拍图片 自拍| 免费在线观看黄色视频的| 国产一卡二卡三卡精品| 在线 av 中文字幕| 极品人妻少妇av视频| 捣出白浆h1v1| 亚洲精品第二区| 777米奇影视久久| 国产亚洲欧美在线一区二区| 日韩中文字幕欧美一区二区 | 国产一区二区三区综合在线观看| 狂野欧美激情性bbbbbb| 可以免费在线观看a视频的电影网站| 国产亚洲欧美在线一区二区|