• <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 ?

    基于卷積神經(jīng)網(wǎng)絡(luò)的SAR圖像目標(biāo)識(shí)別研究

    2016-10-09 11:03:40田壯壯占榮輝胡杰民
    雷達(dá)學(xué)報(bào) 2016年3期
    關(guān)鍵詞:識(shí)別率卷積神經(jīng)網(wǎng)絡(luò)

    田壯壯 占榮輝 胡杰民 張 軍

    (國(guó)防科學(xué)技術(shù)大學(xué)自動(dòng)目標(biāo)識(shí)別重點(diǎn)實(shí)驗(yàn)室 長(zhǎng)沙 410073)

    基于卷積神經(jīng)網(wǎng)絡(luò)的SAR圖像目標(biāo)識(shí)別研究

    田壯壯*占榮輝胡杰民張軍

    (國(guó)防科學(xué)技術(shù)大學(xué)自動(dòng)目標(biāo)識(shí)別重點(diǎn)實(shí)驗(yàn)室長(zhǎng)沙410073)

    針對(duì)合成孔徑雷達(dá)(Synthetic Aperture Radar,SAR)的圖像目標(biāo)識(shí)別應(yīng)用,該文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)的SAR圖像目標(biāo)識(shí)別方法。首先通過(guò)在誤差代價(jià)函數(shù)中引入類別可分性度量,提高了卷積神經(jīng)網(wǎng)絡(luò)的類別區(qū)分能力;然后利用改進(jìn)后的卷積神經(jīng)網(wǎng)絡(luò)對(duì)SAR圖像進(jìn)行特征提取;最后利用支持向量機(jī)(Support Vector Machine,SVM)對(duì)特征進(jìn)行分類。使用美國(guó)運(yùn)動(dòng)和靜止目標(biāo)獲取與識(shí)別(Moving and Stationary Target Acquisition and Recognition,MSTAR)SAR圖像數(shù)據(jù)進(jìn)行實(shí)驗(yàn),識(shí)別結(jié)果證明了所提方法的有效性。

    合成孔徑雷達(dá);自動(dòng)目標(biāo)識(shí)別;卷積神經(jīng)網(wǎng)絡(luò);支持向量機(jī);BP算法

    引用格式:田壯壯,占榮輝,胡杰民,等.基于卷積神經(jīng)網(wǎng)絡(luò)的SAR圖像目標(biāo)識(shí)別研究[J].雷達(dá)學(xué)報(bào),2016,5(3):320-325.DOI:10.12000/JR16037.

    Reference format:Tian Zhuangzhuang,Zhan Ronghui,Hu Jiemin,et al..SAR ATR based on convolutional neural network[J].Journal of Radars,2016,5(3):320-325.DOI:10.12000/JR16037.

    1 引言

    合成孔徑雷達(dá)(Synthetic Aperture Radar,SAR)是當(dāng)前對(duì)地觀測(cè)的重要手段之一。由于具有全天候、全天時(shí)和一定的穿透成像能力,SAR已經(jīng)被廣泛應(yīng)用于戰(zhàn)場(chǎng)偵查和情報(bào)獲取等領(lǐng)域。SAR圖像自動(dòng)目標(biāo)識(shí)別(Automatic Target Recognition,ATR)技術(shù)可以有效獲取目標(biāo)信息,提高軍隊(duì)自動(dòng)化水平。目前識(shí)別技術(shù)上常用的方法包括模板匹配法[1],支持向量機(jī)(Support Vector Machine,SVM)法[2],文獻(xiàn)[3]中提出的基于Gabor濾波器和局部紋理特征提取的方法,文獻(xiàn)[4]中提出的多信息字典學(xué)習(xí)和稀疏表示相結(jié)合的方法等等。但是這些方法都需要人工憑借經(jīng)驗(yàn)進(jìn)行特征提取,具有一定的盲目性和不確定性。

    近年來(lái),深度學(xué)習(xí)(Deep Learning)理論在模式識(shí)別領(lǐng)域掀起了一股浪潮,相關(guān)的理論和實(shí)驗(yàn)成果不斷出現(xiàn)。2006年,Hinton等人[5]提出了非監(jiān)督的逐層貪婪訓(xùn)練方法,解決了深度增加所帶來(lái)的“梯度耗散”問(wèn)題,使神經(jīng)網(wǎng)絡(luò)能夠朝著更深的方向進(jìn)行發(fā)展。隨后許多學(xué)者根據(jù)不同的應(yīng)用背景提出了多種DL模型,如深度置信網(wǎng)絡(luò)(Deep Belief Network,DBN)[6]、棧式消噪自動(dòng)編碼機(jī)(Stacked Denoising Autoencoders,SDA)[7]和卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)[8]等。由于可以直接處理2維圖像,卷積神經(jīng)網(wǎng)絡(luò)在圖像識(shí)別領(lǐng)域取得了較多的應(yīng)用,如人臉識(shí)別[9],人體行為識(shí)別[10],醫(yī)學(xué)圖像識(shí)別[11]等。

    CNN主要有以下特點(diǎn):采用原始圖像作為網(wǎng)絡(luò)輸入,避免了復(fù)雜的特征提取過(guò)程;局部感受域獲取的特征與圖像的平移、縮放和旋轉(zhuǎn)無(wú)關(guān);權(quán)值共享結(jié)構(gòu)降低了網(wǎng)絡(luò)模型的復(fù)雜度;下采樣利用局部相關(guān)性原理,在有效減少數(shù)據(jù)處理量的同時(shí)保留了結(jié)構(gòu)信息[12]。CNN作為一種特征學(xué)習(xí)方法,通過(guò)非線性的簡(jiǎn)單模型將原始數(shù)據(jù)轉(zhuǎn)化為更為抽象的表達(dá),在特征學(xué)習(xí)過(guò)程中不需要過(guò)多的人工參與[13]。

    本文主要研究將CNN應(yīng)用于SAR圖像目標(biāo)識(shí)別領(lǐng)域,減少特征選取中的人工操作。為了進(jìn)一步增強(qiáng)CNN所提取特征的可分性,本文嘗試將類別可分性度量引入代價(jià)函數(shù)之中。為了提高CNN對(duì)特征的分類能力,利用支持向量機(jī)對(duì)CNN模型中的Softmax分類器進(jìn)行替換。實(shí)驗(yàn)結(jié)果表明,該方法具有良好的識(shí)別分類效果,證明了其有效性。

    2 卷積神經(jīng)網(wǎng)絡(luò)

    卷積神經(jīng)網(wǎng)絡(luò)是一種多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),主要由輸入層、卷積層、下采樣層、輸出層等組成,其中卷積層和下采樣層為隱含層。在卷積神經(jīng)網(wǎng)絡(luò)中,輸入層用于接收原始圖像;卷積層用于提取圖像特征,并降低噪聲的影響;下采樣層利用圖像局部相關(guān)性原理,減少需要處理的數(shù)據(jù)量;輸出層將提取特征映射為最終所得到的標(biāo)簽。

    圖像在CNN中的映射過(guò)程是一個(gè)前向傳播過(guò)程,上一層的輸出作為當(dāng)前層的輸入。為了避免線性模型表達(dá)能力不夠的問(wèn)題,各層在傳遞時(shí)需要加入非線性的激活函數(shù)。第l層的輸出可以表示為:

    式中,l表示層數(shù),x為特征圖,W為當(dāng)前網(wǎng)絡(luò)層的映射權(quán)值矩陣,b為當(dāng)前網(wǎng)絡(luò)的加性偏置項(xiàng),f為激活函數(shù)。

    CNN模型常用后向傳播(Back Propagation,BP)算法[14]來(lái)對(duì)參數(shù)進(jìn)行迭代更新。BP算法是一種常見(jiàn)的監(jiān)督式學(xué)習(xí)方法。該算法首先利用樣本的實(shí)際輸出與期望輸出求得代價(jià)函數(shù),然后將代價(jià)函數(shù)反向傳播至各層,最后利用梯度下降法(Gradient Descent,GD)沿著代價(jià)函數(shù)的負(fù)梯度方向調(diào)整網(wǎng)絡(luò)中的權(quán)值和偏置等參數(shù)。

    首先假設(shè)輸出的目標(biāo)類別維數(shù)為B,即共有B類樣本,網(wǎng)絡(luò)以均方誤差作為代價(jià)函數(shù)。第n個(gè)樣本的代價(jià)函數(shù)E0為:

    在反向傳播過(guò)程中,可由第l+1層的靈敏度δl+1和式(1)得到第l層的靈敏度為:

    分別求E0對(duì)Wl和bl的偏導(dǎo),由式(1)可得:

    根據(jù)梯度下降法,可以得出第l層神經(jīng)元權(quán)值的更新變化量為:

    式中,η為學(xué)習(xí)率。

    3 卷積神經(jīng)網(wǎng)絡(luò)的改進(jìn)

    3.1引入類別可分性度量

    為了使CNN模型所提取的特征具有更好的類別可分性,代價(jià)函數(shù)在式(2)的基礎(chǔ)上,增加了樣本的類別可分性度量[15],即類內(nèi)距離與類間距離:

    式中,α與β為權(quán)值參數(shù)。

    對(duì)代價(jià)函數(shù)進(jìn)行修正的目的是在調(diào)整權(quán)值參數(shù)時(shí),使網(wǎng)絡(luò)向著有利于分類的方向進(jìn)行調(diào)整,提高最終訓(xùn)練結(jié)果的可分性。為了使代價(jià)函數(shù)能夠反向傳播,需要求得修正后代價(jià)函數(shù)的靈敏度。

    對(duì)于類內(nèi)距離函數(shù)E1,其輸出層的靈敏度為:

    式中,nc表示屬于c類的樣本個(gè)數(shù)。

    對(duì)于類間距離函數(shù)E2,其輸出層的靈敏度為:

    根據(jù)式(3)、式(9)、式(10)和式(11)可以得到修正后的輸出層靈敏度為:

    得到了輸出層的靈敏度之后,根據(jù)式(4)即可迭代得到各層的靈敏度,再根據(jù)式(5)和式(6),可以得到各層參數(shù)的更新量。

    3.2支持向量機(jī)的使用

    在CNN模型中,通常利用Softmax回歸模型作為分類器。該分類器通過(guò)全連接方式將CNN模型所提取特征映射為最終輸出標(biāo)簽。這種分類方法在訓(xùn)練時(shí)可以有效地與反向傳播過(guò)程結(jié)合,方便模型中參數(shù)的更新,但是Softmax單層全連接的方式并不能很好地解決非線性分類問(wèn)題。

    支持向量機(jī)[16]是Vapnik等人于1995年首先提出的,主要利用核函數(shù)將原始特征空間中的非線性分類界面隱式地映射到更高維的變換特征空間中產(chǎn)生線性分類界面,達(dá)到更好的分類效果[17]。SVM在解決非線性分類問(wèn)題上表現(xiàn)優(yōu)良。為解決Softmax對(duì)非線性樣本特征的支持問(wèn)題,本文利用SVM代替Softmax作為CNN模型的分類器,對(duì)樣本通過(guò)所有隱含層后所得特征進(jìn)行分類。

    4 實(shí)驗(yàn)結(jié)果

    4.1實(shí)驗(yàn)數(shù)據(jù)集

    為了驗(yàn)證本文方法的有效性,采用美國(guó)國(guó)防研究規(guī)劃局(DARPA)和空軍研究實(shí)驗(yàn)室(AFRL)聯(lián)合資助的運(yùn)動(dòng)和靜止目標(biāo)獲取與識(shí)別(Moving and Stationary Target Acquisition and Recognition,MSTAR)數(shù)據(jù)庫(kù)進(jìn)行實(shí)驗(yàn)。數(shù)據(jù)庫(kù)中的SAR圖像分辨率為0.3 m×0.3 m,目標(biāo)圖像大小為128×128像素。MSTAR數(shù)據(jù)庫(kù)中包含了BMP2、BRDM2、BTR60、BTR70、D7、T62、T72、ZIL131、ZSU234、2S1等10類目標(biāo)的SAR圖像數(shù)據(jù)。實(shí)驗(yàn)采用17°俯仰角下的圖像作為訓(xùn)練樣本,15°俯仰角下的圖像作為測(cè)試樣本。

    4.2實(shí)驗(yàn)?zāi)P?/p>

    圖1 本文卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)示意圖Fig.1 CNN structural plan of the method

    4.33 類目標(biāo)的識(shí)別結(jié)果與分析

    實(shí)驗(yàn)中,訓(xùn)練樣本為17°俯仰角下BMP2_SN 9563、BTR70_C71、T72_SN132的SAR圖像數(shù)據(jù),測(cè)試數(shù)據(jù)為15°俯仰角下BMP2_SNC21、BMP2_SN9563、BMP2_SN9566、BTR70、T72_SN132、T72_SN812和T72_SNS7的SAR圖像數(shù)據(jù)。3類目標(biāo)的識(shí)別結(jié)果如表1所示。

    表1 3類MSTAR目標(biāo)識(shí)別結(jié)果Tab.1 The recognition results of three types of MSTAR targets

    從表1可以看出,對(duì)于相同型號(hào)目標(biāo)的SAR圖像,本文方法的正確識(shí)別率達(dá)到了98.97%以上。對(duì)于相同類別不同型號(hào)的變體,正確識(shí)別率也都在91.62%以上。本文方法整體的平均識(shí)別率達(dá)到了95.90%。表2中可以看出本文方法識(shí)別率優(yōu)于SVM、ELM以及稀疏表示等方法。實(shí)驗(yàn)中,在相同條件下利用相同結(jié)構(gòu)但未經(jīng)改進(jìn)的CNN模型進(jìn)行了識(shí)別測(cè)試,得到的平均識(shí)別率為93.63%,說(shuō)明本方法相較于改進(jìn)前CNN模型也有一定提高。

    表2 與其他方法的效果對(duì)比Tab.2 The recognition performance compare with other methods

    4.410類目標(biāo)的識(shí)別結(jié)果與分析

    在10類目標(biāo)的識(shí)別實(shí)驗(yàn)中,目標(biāo)包括BRDM2、BMP2(BMP2_SNC21、BMP2_SN9563、BMP2_SN9566)、BTR60、BTR70、D7、ZIL131、ZSU234、T62、T72(T72_SN132、T72_SN812、T72_SNS7)、2S1等10類。訓(xùn)練樣本為17°俯仰角下不包括變體(即不包括BMP2_SNC21、BMP2_SN9566、T72_SN812、T72_SNS7等型號(hào))的SAR圖像數(shù)據(jù),測(cè)試樣本為15°俯仰角下的包含變體的各目標(biāo)SAR圖像數(shù)據(jù)。識(shí)別結(jié)果如表3。

    表3 10類MSTAR目標(biāo)識(shí)別結(jié)果Tab.3 The recognition results of ten types of MSTAR targets

    從表3的分類結(jié)果可以看出,本文方法10類目標(biāo)分類結(jié)果仍然較好,平均識(shí)別率仍能達(dá)到93.76%。

    5 結(jié)論

    針對(duì)SAR圖像目標(biāo)識(shí)別問(wèn)題,本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的目標(biāo)識(shí)別方法。通過(guò)在代價(jià)函數(shù)中引入類別可分性度量以及使用支持向量機(jī)代替Softmax分類器,對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行了改進(jìn)。利用MSTAR圖像數(shù)據(jù)對(duì)該方法進(jìn)行驗(yàn)證。結(jié)果表明,在不需要人工進(jìn)行特征提取的情況下,該方法在3類目標(biāo)分類實(shí)驗(yàn)中,達(dá)到了95.90%的識(shí)別率,在10類目標(biāo)分類實(shí)驗(yàn)中,平均識(shí)別率仍然能達(dá)到93.76%。實(shí)驗(yàn)結(jié)果說(shuō)明本文方法的有效性以及卷積神經(jīng)網(wǎng)絡(luò)在SAR圖像目標(biāo)識(shí)別上具有一定的應(yīng)用潛力。

    [1]Ross T D,Worrell S W,Velten V J,et al..Standard SAR ATR evaluation experiments using the MSTAR public release data set[C].Aerospace/Defense Sensing and Controls,International Society for Optics and Photonics,1998:566-573.

    [2]Tao W,Xi C,Xiangwei R,et al..Study on SAR target recognition based on support vector machine[C].2009 2nd Asian-Pacific Conference on Synthetic Aperture Radar,2009:856-859.

    [3]王璐,張帆,李偉,等.基于 Gabor 濾波器和局部紋理特征提取的 SAR 目標(biāo)識(shí)別算法[J].雷達(dá)學(xué)報(bào),2015,4(6):658-665.DOI:10.12000/JR15076.Wang Lu,Zhang Fan,Li Wei,et al..A method of SAR target recognition based on Gabor filter and local texture feature extraction[J].Journal of Radars,2015,4(6);658-665.DOI:10.12000/JR15076.

    [4]齊會(huì)嬌,王英華,丁軍,等.基于多信息字典學(xué)習(xí)及稀疏表示的SAR目標(biāo)識(shí)別[J].系統(tǒng)工程與電子技術(shù),2015,37(6):1280-1287.Qi Huijiao,Wang Yinghua,Ding Jun,et al..SAR target recognition based on multi-information dictionary learning and sparse representation[J].Systems Engineering and Electronics,2015,37(6):1280-1287.

    [5]Hinton G E and Salakhutdinov R R.Reducing the dimensionality of data with neural networks[J].Science,2006,313(5786):504-507.

    [6]Hinton G E,Osindero S,and Teh Y W.A fast learning algorithm for deep belief nets[J].Neural Computation,2006,18(7):1527-1554.

    [7]Vincent P,Larochelle H,Lajoie I,et al..Stacked denoisingautoencoders:learning useful representations in a deep network with a local denoisingcriterion[J].The Journal of Machine Learning Research,2010,11:3371-3408.

    [8]Lecun Y,Bottou L,Bengio Y,et al..Gradient-based learning applied to document recognition[J].Proceedings of the IEEE,1998,86(11):2278-2324.

    [9]Ma Y,He J,Wu L,et al..An effective face verification algorithm to fuse complete features in convolutional neural network[C].MultiMedia Modeling.Springer International Publishing,2016:39-46.

    [10]Ijjina E P and Mohan C K.Human action recognition based on motion capture information using fuzzy convolution neural networks[C].2015 Eighth International Conference on Advances in Pattern Recognition(ICAPR),Kalkata,2015:1-6.

    [11]Ciompi F,de Hoop B,van Riel S J,et al..Automatic classification of pulmonary peri-fissural nodules in computed tomography using an ensemble of 2D views and a convolutional neural network out-of-the-box[J].Medical Image Analysis,2015,26(1):195-202.

    [12]尹寶才,王文通,王立春.深度學(xué)習(xí)研究綜述[J].北京工業(yè)大學(xué)學(xué)報(bào),2015,41(1):48-59.Yin Bao-cai,Wang Wen-tong,and Wang Li-chun.Review of deep learning[J].Journal of Beijing University of Technology,2015,41(1):48-59.

    [13]Lecun Y,Bengio Y,and Hinton G.Deep learning[J].Nature,2015,521(7553):436-444.

    [14]Rumelhart D E,Hinton G E,and Williams R J.Learning representations by back-propagating errors[J].Nature,1986,323(6088):533-536.

    [15]孫艷豐,齊光磊,胡永利,等.基于改進(jìn) Fisher 準(zhǔn)則的深度卷積神經(jīng)網(wǎng)絡(luò)識(shí)別算法[J].北京工業(yè)大學(xué)學(xué)報(bào),2015,41(6):835-841.Sun Yanfeng,Qi Guanglei,Hu Yongli,et al..Deep convolution neural network recognition algorithm based on improved fisher criterion[J].Journal of Beijing University of Technology,2015,41(6):835-841.

    [16]Cortes C and Vapnik V.Support-vector networks[J].Machine Learning,1995,20(3):273-297.

    [17]孫即祥,等.現(xiàn)代模式識(shí)別[M].北京:高等教育出版社,2008:624-625.Sun Jixiang,et al..Pattern Recognition[M].Beijing:Higher Education Press,2008:624-625.

    [18]Glorot X and Bengio Y.Understanding the difficulty of training deep feedforward neural networks[J].Journal of Machine Learning Research,2010,9:249-256.

    SAR ATR Based on Convolutional Neural Network

    Tian ZhuangzhuangZhan RonghuiHu JieminZhang Jun
    (ATR Key Laboratory,National University of Defense Technology,Changsha 410073,China)

    This study presents a new method of Synthetic Aperture Radar(SAR)image target recognition based on a convolutional neural network.First,we introduce a class separability measure into the cost function to improve this network's ability to distinguish between categories.Then,we extract SAR image features using the improved convolutional neural network and classify these features using a support vector machine.Experimental results using moving and stationary target acquisition and recognition SAR datasets prove the validity of this method.

    Synthetic Aperture Radar(SAR); Automatic Target Recognition(ATR); Convolutional Neural Network(CNN); Support Vector Machine(SVM); Back Propagation(BP)

    The National Natural Science Foundation of China(61471370)

    TN957.52

    A

    2095-283X(2016)03-0320-06

    10.12000/JR16037

    田壯壯(1993-),男,碩士生,研究方向?yàn)槔走_(dá)目標(biāo)識(shí)別。

    E-mail:tzz14@nudt.edu.cn

    占榮輝(1978-),男,講師,博士,研究方向?yàn)槔走_(dá)目標(biāo)識(shí)別、雷達(dá)信息處理。

    胡杰民(1983-),男,講師,博士,研究方向?yàn)榭臻g目標(biāo)識(shí)別、雷達(dá)成像。

    張 軍(1973-),男,研究員,博士,研究方向?yàn)槔走_(dá)智能信號(hào)處理、制導(dǎo)雷達(dá)應(yīng)用技術(shù)。

    2016-02-03;改回日期:2016-03-15;網(wǎng)絡(luò)出版:2016-05-09

    田壯壯 tzz14@nudt.edu.cn

    國(guó)家自然科學(xué)基金(61471370)

    猜你喜歡
    識(shí)別率卷積神經(jīng)網(wǎng)絡(luò)
    基于3D-Winograd的快速卷積算法設(shè)計(jì)及FPGA實(shí)現(xiàn)
    基于類圖像處理與向量化的大數(shù)據(jù)腳本攻擊智能檢測(cè)
    神經(jīng)網(wǎng)絡(luò)抑制無(wú)線通信干擾探究
    電子制作(2019年19期)2019-11-23 08:42:00
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    基于真耳分析的助聽(tīng)器配戴者言語(yǔ)可懂度指數(shù)與言語(yǔ)識(shí)別率的關(guān)系
    提升高速公路MTC二次抓拍車牌識(shí)別率方案研究
    基于傅里葉域卷積表示的目標(biāo)跟蹤算法
    高速公路機(jī)電日常維護(hù)中車牌識(shí)別率分析系統(tǒng)的應(yīng)用
    基于神經(jīng)網(wǎng)絡(luò)的拉矯機(jī)控制模型建立
    復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)在基于WiFi的室內(nèi)LBS應(yīng)用
    精品福利永久在线观看| 免费av不卡在线播放| 高清在线视频一区二区三区| 最近的中文字幕免费完整| 99九九在线精品视频| 久久国内精品自在自线图片| 亚洲欧美中文字幕日韩二区| 狂野欧美激情性bbbbbb| 超碰97精品在线观看| 久久久久久久大尺度免费视频| 丝袜人妻中文字幕| 日韩av在线免费看完整版不卡| 寂寞人妻少妇视频99o| 少妇人妻 视频| 日本av手机在线免费观看| 青春草国产在线视频| 亚洲三级黄色毛片| 日韩av不卡免费在线播放| 国产男人的电影天堂91| 51国产日韩欧美| 免费少妇av软件| 中文字幕人妻丝袜制服| 一级毛片 在线播放| 大片免费播放器 马上看| 99热6这里只有精品| 国产精品久久久久久久久免| 久久av网站| 久久免费观看电影| 中国国产av一级| 51国产日韩欧美| 午夜免费观看性视频| 寂寞人妻少妇视频99o| 18禁裸乳无遮挡动漫免费视频| 久久精品国产综合久久久 | 国产 一区精品| 男女高潮啪啪啪动态图| 黄网站色视频无遮挡免费观看| 午夜免费男女啪啪视频观看| 国产精品成人在线| 国产av国产精品国产| 另类精品久久| 国产精品.久久久| 99香蕉大伊视频| 久久99热这里只频精品6学生| 黄网站色视频无遮挡免费观看| 国产不卡av网站在线观看| 欧美精品一区二区大全| 制服人妻中文乱码| 青春草国产在线视频| 宅男免费午夜| 国产一区二区三区av在线| 欧美少妇被猛烈插入视频| 人妻少妇偷人精品九色| 18禁国产床啪视频网站| 最新的欧美精品一区二区| 97在线视频观看| 亚洲欧美一区二区三区国产| 一区二区日韩欧美中文字幕 | 国产免费视频播放在线视频| 自线自在国产av| av有码第一页| 日韩精品有码人妻一区| 最近手机中文字幕大全| 午夜福利乱码中文字幕| 一区二区三区精品91| 久久午夜综合久久蜜桃| 晚上一个人看的免费电影| 亚洲在久久综合| 亚洲熟女精品中文字幕| av国产久精品久网站免费入址| 乱人伦中国视频| 夫妻性生交免费视频一级片| 亚洲伊人久久精品综合| 精品一区二区三区视频在线| 另类亚洲欧美激情| 国产一区二区在线观看日韩| 亚洲精品国产av成人精品| 日本91视频免费播放| 狠狠婷婷综合久久久久久88av| 桃花免费在线播放| 熟女人妻精品中文字幕| 亚洲成av片中文字幕在线观看 | 精品一区二区免费观看| 中文乱码字字幕精品一区二区三区| 国产又爽黄色视频| 人成视频在线观看免费观看| 免费大片18禁| 99久久人妻综合| 黑丝袜美女国产一区| 七月丁香在线播放| 最近2019中文字幕mv第一页| 国产成人午夜福利电影在线观看| 少妇被粗大猛烈的视频| 亚洲欧美清纯卡通| 在线观看一区二区三区激情| 亚洲精品日韩在线中文字幕| 亚洲情色 制服丝袜| 超碰97精品在线观看| 免费大片黄手机在线观看| 视频区图区小说| 亚洲婷婷狠狠爱综合网| 久久这里有精品视频免费| 这个男人来自地球电影免费观看 | 日韩av免费高清视频| 亚洲欧美中文字幕日韩二区| 精品人妻熟女毛片av久久网站| 看非洲黑人一级黄片| 精品国产国语对白av| 精品亚洲成国产av| av在线观看视频网站免费| 在线观看美女被高潮喷水网站| 飞空精品影院首页| 久久久国产精品麻豆| 日本vs欧美在线观看视频| 亚洲欧美清纯卡通| 久久亚洲国产成人精品v| 国产 一区精品| 毛片一级片免费看久久久久| 精品视频人人做人人爽| 街头女战士在线观看网站| 人人澡人人妻人| 在线亚洲精品国产二区图片欧美| 看免费成人av毛片| 日本av免费视频播放| 搡老乐熟女国产| 国产精品熟女久久久久浪| 久久人人爽人人片av| 99久久人妻综合| 五月开心婷婷网| 久久99精品国语久久久| 亚洲天堂av无毛| 国产亚洲午夜精品一区二区久久| 午夜福利影视在线免费观看| 久久久久久久大尺度免费视频| 欧美激情 高清一区二区三区| 免费观看av网站的网址| 26uuu在线亚洲综合色| 婷婷色综合大香蕉| 综合色丁香网| 97精品久久久久久久久久精品| videos熟女内射| 欧美激情国产日韩精品一区| 22中文网久久字幕| 日韩中文字幕视频在线看片| av国产久精品久网站免费入址| 韩国精品一区二区三区 | 中文字幕人妻熟女乱码| 成年人午夜在线观看视频| 另类亚洲欧美激情| 哪个播放器可以免费观看大片| 热re99久久国产66热| 亚洲第一av免费看| 亚洲美女黄色视频免费看| 国产av国产精品国产| 国产色爽女视频免费观看| 国产精品 国内视频| 综合色丁香网| 男人添女人高潮全过程视频| 久久精品久久久久久噜噜老黄| videossex国产| 日韩电影二区| 欧美日韩精品成人综合77777| 最近手机中文字幕大全| 亚洲在久久综合| 女人精品久久久久毛片| 国产精品久久久久久精品古装| 亚洲成色77777| 777米奇影视久久| 久久人人爽人人片av| 女性生殖器流出的白浆| 男女高潮啪啪啪动态图| 丁香六月天网| 国产一区二区三区av在线| 一级毛片我不卡| 久久精品aⅴ一区二区三区四区 | 少妇的逼好多水| 国产69精品久久久久777片| 亚洲成色77777| 日韩av免费高清视频| 欧美亚洲日本最大视频资源| 国产成人精品无人区| 久久热在线av| 日本欧美视频一区| 欧美bdsm另类| 日韩 亚洲 欧美在线| 捣出白浆h1v1| 又粗又硬又长又爽又黄的视频| 黄网站色视频无遮挡免费观看| 亚洲av电影在线进入| 一边亲一边摸免费视频| av线在线观看网站| 免费人妻精品一区二区三区视频| 亚洲成人手机| 亚洲精品一二三| 少妇人妻 视频| 曰老女人黄片| 久久女婷五月综合色啪小说| 青春草亚洲视频在线观看| 精品99又大又爽又粗少妇毛片| 日本-黄色视频高清免费观看| av一本久久久久| 丝袜在线中文字幕| 日韩人妻精品一区2区三区| 国精品久久久久久国模美| 亚洲欧美色中文字幕在线| 18在线观看网站| 久久97久久精品| 黑人巨大精品欧美一区二区蜜桃 | 久久国内精品自在自线图片| 久久久久精品人妻al黑| 国产精品三级大全| 一个人免费看片子| 中文字幕人妻熟女乱码| 三级国产精品片| 精品国产一区二区三区久久久樱花| av天堂久久9| videos熟女内射| 日本与韩国留学比较| 咕卡用的链子| 亚洲在久久综合| 亚洲国产欧美在线一区| 九九爱精品视频在线观看| 国产永久视频网站| 99久久综合免费| 欧美变态另类bdsm刘玥| 亚洲精品乱久久久久久| 国产深夜福利视频在线观看| 日本与韩国留学比较| 久久国内精品自在自线图片| 欧美激情极品国产一区二区三区 | 亚洲在久久综合| 亚洲综合色网址| 久久久久久人人人人人| 免费人妻精品一区二区三区视频| 国产片特级美女逼逼视频| 日本黄色日本黄色录像| 国产亚洲最大av| 高清在线视频一区二区三区| 精品国产乱码久久久久久小说| 亚洲国产精品成人久久小说| 中文字幕另类日韩欧美亚洲嫩草| 视频中文字幕在线观看| 亚洲精华国产精华液的使用体验| 中文精品一卡2卡3卡4更新| 欧美 日韩 精品 国产| 母亲3免费完整高清在线观看 | 国产精品久久久久久精品电影小说| 少妇高潮的动态图| 人人澡人人妻人| 男女无遮挡免费网站观看| 精品国产一区二区久久| 久久久久久人人人人人| 香蕉国产在线看| 国产精品嫩草影院av在线观看| 久久鲁丝午夜福利片| 一级毛片电影观看| 日韩视频在线欧美| 免费不卡的大黄色大毛片视频在线观看| 人妻系列 视频| 天堂中文最新版在线下载| 免费观看性生交大片5| 久久狼人影院| 国产精品国产三级国产av玫瑰| 欧美丝袜亚洲另类| 蜜臀久久99精品久久宅男| 春色校园在线视频观看| 人人妻人人澡人人爽人人夜夜| 久久久久人妻精品一区果冻| 久久婷婷青草| 午夜激情久久久久久久| av线在线观看网站| 视频区图区小说| 亚洲五月色婷婷综合| 亚洲,欧美,日韩| 美女国产视频在线观看| 久久国产亚洲av麻豆专区| 韩国av在线不卡| 久久久久久久亚洲中文字幕| 精品福利永久在线观看| 久久久久人妻精品一区果冻| 如何舔出高潮| 免费高清在线观看日韩| 亚洲综合色网址| 99热全是精品| 十八禁网站网址无遮挡| 久久这里只有精品19| 老司机亚洲免费影院| 国产午夜精品一二区理论片| 日产精品乱码卡一卡2卡三| 亚洲精品国产色婷婷电影| 激情视频va一区二区三区| av播播在线观看一区| 王馨瑶露胸无遮挡在线观看| 亚洲三级黄色毛片| 一区二区三区精品91| 亚洲成人手机| 成人免费观看视频高清| 久久国产亚洲av麻豆专区| 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | 一区在线观看完整版| 少妇 在线观看| 久久人妻熟女aⅴ| 大片免费播放器 马上看| 精品人妻熟女毛片av久久网站| 男女国产视频网站| 久久这里有精品视频免费| 少妇的丰满在线观看| 免费黄网站久久成人精品| 男人操女人黄网站| 亚洲精品456在线播放app| 日韩av在线免费看完整版不卡| 久久国内精品自在自线图片| 日本-黄色视频高清免费观看| 丝袜美足系列| 免费高清在线观看日韩| 亚洲国产最新在线播放| 99国产综合亚洲精品| 亚洲 欧美一区二区三区| 97超碰精品成人国产| 国产精品三级大全| 国产av一区二区精品久久| 国产一区亚洲一区在线观看| 国产成人精品一,二区| 桃花免费在线播放| 一个人免费看片子| 国产一区亚洲一区在线观看| 国产又爽黄色视频| 2018国产大陆天天弄谢| 久久这里有精品视频免费| 欧美精品国产亚洲| 亚洲三级黄色毛片| 精品久久国产蜜桃| h视频一区二区三区| 亚洲成国产人片在线观看| av黄色大香蕉| 18禁裸乳无遮挡动漫免费视频| 精品亚洲乱码少妇综合久久| 亚洲国产精品专区欧美| 老女人水多毛片| 国产一区二区在线观看av| 中文字幕亚洲精品专区| 精品国产乱码久久久久久小说| 国产成人欧美| 免费在线观看黄色视频的| 女人被躁到高潮嗷嗷叫费观| 国产极品粉嫩免费观看在线| 男人舔女人的私密视频| 一区二区av电影网| 日日啪夜夜爽| 桃花免费在线播放| 国产日韩欧美在线精品| 少妇的丰满在线观看| 免费黄频网站在线观看国产| 亚洲精品乱久久久久久| 男人添女人高潮全过程视频| 国产精品欧美亚洲77777| 日韩精品免费视频一区二区三区 | 欧美成人午夜免费资源| 色婷婷av一区二区三区视频| 国产色爽女视频免费观看| 日韩大片免费观看网站| 国产又爽黄色视频| 夫妻午夜视频| 国产成人午夜福利电影在线观看| 欧美少妇被猛烈插入视频| av视频免费观看在线观看| 国产男女内射视频| 午夜视频国产福利| 亚洲欧洲精品一区二区精品久久久 | 91aial.com中文字幕在线观看| 麻豆乱淫一区二区| 欧美日韩视频精品一区| 婷婷色av中文字幕| 久久久久精品久久久久真实原创| 亚洲国产精品国产精品| 中国三级夫妇交换| 欧美97在线视频| 国产男人的电影天堂91| 两个人免费观看高清视频| 免费av中文字幕在线| 热99久久久久精品小说推荐| 国产综合精华液| 欧美激情国产日韩精品一区| 一二三四中文在线观看免费高清| 成人亚洲欧美一区二区av| 99九九在线精品视频| 99视频精品全部免费 在线| 最后的刺客免费高清国语| 色网站视频免费| 人妻人人澡人人爽人人| 国产免费福利视频在线观看| 亚洲人与动物交配视频| 久久99精品国语久久久| 香蕉精品网在线| 欧美人与性动交α欧美精品济南到 | a 毛片基地| 日韩一本色道免费dvd| 亚洲精品第二区| 国产精品国产三级专区第一集| 少妇熟女欧美另类| 亚洲熟女精品中文字幕| 丝瓜视频免费看黄片| av片东京热男人的天堂| 又黄又爽又刺激的免费视频.| 日韩三级伦理在线观看| 日韩视频在线欧美| 搡老乐熟女国产| 亚洲欧美成人精品一区二区| 一边亲一边摸免费视频| 熟女av电影| 成人18禁高潮啪啪吃奶动态图| 人人妻人人爽人人添夜夜欢视频| 综合色丁香网| 精品酒店卫生间| 美女内射精品一级片tv| 永久网站在线| 亚洲五月色婷婷综合| 91国产中文字幕| 999精品在线视频| 99香蕉大伊视频| 久久精品国产a三级三级三级| 日韩大片免费观看网站| 精品人妻在线不人妻| 成人影院久久| 亚洲成av片中文字幕在线观看 | 亚洲欧洲精品一区二区精品久久久 | 日日撸夜夜添| 国产片特级美女逼逼视频| 最近中文字幕2019免费版| 青青草视频在线视频观看| 亚洲精品久久午夜乱码| 大香蕉97超碰在线| 国产av码专区亚洲av| 久久99热这里只频精品6学生| 国产又色又爽无遮挡免| 伦理电影免费视频| 成年动漫av网址| 国产男人的电影天堂91| 新久久久久国产一级毛片| 国产一区二区在线观看av| 久久精品久久久久久久性| 国产成人精品在线电影| 黄色怎么调成土黄色| 亚洲少妇的诱惑av| 看非洲黑人一级黄片| 天堂俺去俺来也www色官网| 亚洲一码二码三码区别大吗| 9191精品国产免费久久| 久久久a久久爽久久v久久| 国产黄频视频在线观看| 最近的中文字幕免费完整| 伊人亚洲综合成人网| 美女福利国产在线| 国产毛片在线视频| 国产男女内射视频| 久久精品熟女亚洲av麻豆精品| 男人爽女人下面视频在线观看| 国产又色又爽无遮挡免| 午夜激情久久久久久久| 精品亚洲成国产av| 少妇人妻久久综合中文| 一边摸一边做爽爽视频免费| 亚洲精品aⅴ在线观看| 午夜福利影视在线免费观看| 久久久国产精品麻豆| 99久久人妻综合| 在线观看免费日韩欧美大片| 九色亚洲精品在线播放| 亚洲中文av在线| 国产av国产精品国产| 精品少妇黑人巨大在线播放| 国产综合精华液| 国产探花极品一区二区| 青青草视频在线视频观看| 十八禁网站网址无遮挡| 亚洲 欧美一区二区三区| 亚洲久久久国产精品| 两个人看的免费小视频| 午夜视频国产福利| 美女国产视频在线观看| 免费黄网站久久成人精品| 中文字幕人妻熟女乱码| 婷婷成人精品国产| 欧美亚洲 丝袜 人妻 在线| 一二三四在线观看免费中文在 | 男人操女人黄网站| 国产一级毛片在线| 一区二区三区精品91| 欧美成人午夜精品| 18在线观看网站| 亚洲欧美日韩另类电影网站| 午夜福利网站1000一区二区三区| 婷婷色综合www| 全区人妻精品视频| av电影中文网址| 国产熟女欧美一区二区| 欧美日韩国产mv在线观看视频| 欧美最新免费一区二区三区| 国产免费一区二区三区四区乱码| 夫妻性生交免费视频一级片| 国产免费一区二区三区四区乱码| 大陆偷拍与自拍| 国产亚洲精品久久久com| 亚洲av国产av综合av卡| 乱人伦中国视频| 国产亚洲午夜精品一区二区久久| 国产在线免费精品| 男人爽女人下面视频在线观看| 亚洲色图 男人天堂 中文字幕 | 日韩伦理黄色片| 夜夜爽夜夜爽视频| 久久99热这里只频精品6学生| 免费观看av网站的网址| 欧美3d第一页| 日韩三级伦理在线观看| 亚洲久久久国产精品| 亚洲精品国产av成人精品| 免费高清在线观看视频在线观看| 精品人妻一区二区三区麻豆| 久久午夜综合久久蜜桃| 美女脱内裤让男人舔精品视频| 侵犯人妻中文字幕一二三四区| 人人妻人人澡人人看| 日韩一区二区视频免费看| xxxhd国产人妻xxx| 国产成人精品无人区| 飞空精品影院首页| 国产国拍精品亚洲av在线观看| 精品人妻熟女毛片av久久网站| 我要看黄色一级片免费的| 国产精品国产三级专区第一集| 十八禁高潮呻吟视频| 成人影院久久| 人体艺术视频欧美日本| 久久久精品区二区三区| 各种免费的搞黄视频| 中国美白少妇内射xxxbb| videossex国产| 婷婷色麻豆天堂久久| 十八禁高潮呻吟视频| 久久久久人妻精品一区果冻| 熟女电影av网| 久久久精品区二区三区| 国产一区亚洲一区在线观看| 捣出白浆h1v1| a 毛片基地| 精品国产一区二区久久| kizo精华| 亚洲精品国产av成人精品| 成人手机av| 少妇精品久久久久久久| 看免费av毛片| 最近最新中文字幕大全免费视频 | 久久久久视频综合| 国产在线视频一区二区| 女性被躁到高潮视频| av免费观看日本| 成年动漫av网址| av卡一久久| 最新的欧美精品一区二区| 国产亚洲精品第一综合不卡 | 插逼视频在线观看| 国产乱来视频区| 各种免费的搞黄视频| 精品人妻熟女毛片av久久网站| 成年人午夜在线观看视频| 国产极品粉嫩免费观看在线| 赤兔流量卡办理| 美女内射精品一级片tv| 只有这里有精品99| 久久国产精品男人的天堂亚洲 | 男女免费视频国产| 久热久热在线精品观看| √禁漫天堂资源中文www| 久久国产精品大桥未久av| 久久久精品区二区三区| 又粗又硬又长又爽又黄的视频| 国产精品.久久久| 韩国av在线不卡| 亚洲精品色激情综合| 黄色配什么色好看| 97人妻天天添夜夜摸| 一区二区av电影网| 亚洲国产精品999| 春色校园在线视频观看| 五月伊人婷婷丁香| 亚洲人成网站在线观看播放| 亚洲综合精品二区| 亚洲熟女精品中文字幕| 久久久精品免费免费高清| 99九九在线精品视频| 欧美精品一区二区免费开放| 国产免费又黄又爽又色| 亚洲成人手机| 黄片无遮挡物在线观看| 亚洲丝袜综合中文字幕| 咕卡用的链子| av免费观看日本| 少妇被粗大的猛进出69影院 | 精品酒店卫生间| 欧美成人午夜精品| 亚洲av福利一区| 久久久久久久久久久免费av| 亚洲精品第二区| av又黄又爽大尺度在线免费看| 黄色配什么色好看| 人妻系列 视频| 大片电影免费在线观看免费| 免费高清在线观看日韩| 成人二区视频| 久久久精品94久久精品| 免费观看在线日韩| 日韩制服丝袜自拍偷拍| 青青草视频在线视频观看| 国产永久视频网站|