• <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
    亚洲精华国产精华液的使用体验| 热99国产精品久久久久久7| 两个人的视频大全免费| 另类亚洲欧美激情| 国产69精品久久久久777片| 伦理电影免费视频| 美女主播在线视频| 成人亚洲欧美一区二区av| 一个人免费看片子| 中文字幕免费在线视频6| 日韩 亚洲 欧美在线| 丰满迷人的少妇在线观看| 日日撸夜夜添| 亚洲美女黄色视频免费看| 国产黄色免费在线视频| 亚洲欧美日韩东京热| av在线老鸭窝| 久久久久久久国产电影| 简卡轻食公司| 中文乱码字字幕精品一区二区三区| 国产精品国产三级国产av玫瑰| 久久国产乱子免费精品| 九草在线视频观看| 成人二区视频| 久久精品久久精品一区二区三区| av免费在线看不卡| 中文字幕免费在线视频6| 性色avwww在线观看| 久久青草综合色| 欧美另类一区| 成人国产av品久久久| 熟妇人妻不卡中文字幕| 热99国产精品久久久久久7| 伦理电影免费视频| 观看av在线不卡| 午夜福利网站1000一区二区三区| 人妻制服诱惑在线中文字幕| 美女中出高潮动态图| 久久久a久久爽久久v久久| 欧美日韩亚洲高清精品| 日韩免费高清中文字幕av| 久久久精品94久久精品| 免费av不卡在线播放| 久久精品国产亚洲av涩爱| 成年女人在线观看亚洲视频| 欧美老熟妇乱子伦牲交| 亚洲图色成人| 久久精品国产亚洲网站| 欧美成人一区二区免费高清观看| 日本vs欧美在线观看视频 | 国产午夜精品一二区理论片| av线在线观看网站| 国产人妻一区二区三区在| 女人十人毛片免费观看3o分钟| 日日撸夜夜添| 日韩一本色道免费dvd| 日韩,欧美,国产一区二区三区| 伊人久久国产一区二区| 欧美成人一区二区免费高清观看| 少妇丰满av| 欧美亚洲 丝袜 人妻 在线| 国产爱豆传媒在线观看| 3wmmmm亚洲av在线观看| 久久人人爽人人爽人人片va| 在线观看免费高清a一片| 国产精品伦人一区二区| 蜜桃在线观看..| 亚洲欧美一区二区三区黑人 | 久久久久久久久久久免费av| 男女边摸边吃奶| 成人国产av品久久久| 一级毛片我不卡| av在线蜜桃| 伊人久久国产一区二区| 亚洲精品一区蜜桃| 久热这里只有精品99| 亚洲欧美成人精品一区二区| kizo精华| 边亲边吃奶的免费视频| 免费播放大片免费观看视频在线观看| 有码 亚洲区| 王馨瑶露胸无遮挡在线观看| 欧美精品亚洲一区二区| 99热这里只有是精品在线观看| 国产乱来视频区| 亚洲国产最新在线播放| 激情五月婷婷亚洲| 美女国产视频在线观看| 岛国毛片在线播放| 80岁老熟妇乱子伦牲交| 国产日韩欧美在线精品| 亚洲精品国产av蜜桃| 亚洲第一av免费看| 欧美老熟妇乱子伦牲交| 免费观看av网站的网址| 在线免费十八禁| 日本黄色片子视频| 日本欧美国产在线视频| 高清欧美精品videossex| 欧美xxxx黑人xx丫x性爽| 久久久久精品性色| 日韩伦理黄色片| 国产亚洲5aaaaa淫片| 欧美精品人与动牲交sv欧美| 国产男女超爽视频在线观看| 亚洲人成网站在线观看播放| 欧美97在线视频| videos熟女内射| 高清毛片免费看| 中文字幕制服av| 亚洲精品国产av蜜桃| 免费黄网站久久成人精品| 直男gayav资源| 老熟女久久久| 精品人妻一区二区三区麻豆| 中文字幕制服av| 色视频www国产| 成年免费大片在线观看| 国产视频内射| 久久久久国产精品人妻一区二区| 免费在线观看成人毛片| 免费在线观看成人毛片| 欧美3d第一页| 天堂俺去俺来也www色官网| 日韩一区二区三区影片| 啦啦啦啦在线视频资源| 亚洲av综合色区一区| 91精品国产九色| 国产精品伦人一区二区| 如何舔出高潮| 狠狠精品人妻久久久久久综合| 极品教师在线视频| 国产精品伦人一区二区| 男人狂女人下面高潮的视频| 欧美3d第一页| 久热久热在线精品观看| 韩国高清视频一区二区三区| 国产精品国产三级国产专区5o| 国产美女午夜福利| 熟女人妻精品中文字幕| 中文乱码字字幕精品一区二区三区| 在现免费观看毛片| 亚洲人与动物交配视频| 最近2019中文字幕mv第一页| a 毛片基地| 亚洲欧美一区二区三区国产| 免费黄色在线免费观看| 在线免费观看不下载黄p国产| 亚洲精品第二区| 建设人人有责人人尽责人人享有的 | 熟女电影av网| 你懂的网址亚洲精品在线观看| 国产av码专区亚洲av| 在线天堂最新版资源| 在线天堂最新版资源| 成年美女黄网站色视频大全免费 | av国产久精品久网站免费入址| av国产精品久久久久影院| 亚洲,一卡二卡三卡| 嫩草影院新地址| 国产免费视频播放在线视频| 欧美一区二区亚洲| 久久综合国产亚洲精品| 高清不卡的av网站| 久久97久久精品| 高清不卡的av网站| 欧美成人a在线观看| 精品久久久久久久末码| 午夜老司机福利剧场| 婷婷色综合www| 日本欧美国产在线视频| 老司机影院成人| av不卡在线播放| 久久久色成人| 水蜜桃什么品种好| 99热6这里只有精品| 亚洲国产成人一精品久久久| 国产在线男女| 色网站视频免费| 亚洲成人av在线免费| 美女脱内裤让男人舔精品视频| .国产精品久久| 99视频精品全部免费 在线| 午夜免费观看性视频| 成人美女网站在线观看视频| 久久鲁丝午夜福利片| 国产探花极品一区二区| 一个人免费看片子| 国产精品久久久久久精品古装| 人妻系列 视频| 国产成人aa在线观看| 国产视频内射| 中文字幕制服av| 欧美日本视频| 永久网站在线| 亚洲av中文av极速乱| 国内揄拍国产精品人妻在线| 日本wwww免费看| 日本wwww免费看| 免费久久久久久久精品成人欧美视频 | 国产69精品久久久久777片| 亚洲精品456在线播放app| 欧美97在线视频| 另类亚洲欧美激情| 成人亚洲精品一区在线观看 | 视频区图区小说| 爱豆传媒免费全集在线观看| 一区二区三区四区激情视频| 一区二区三区乱码不卡18| 国产黄色视频一区二区在线观看| 亚洲精品乱码久久久v下载方式| 黄色欧美视频在线观看| 中文资源天堂在线| 国产男女超爽视频在线观看| 黄片无遮挡物在线观看| 国产精品av视频在线免费观看| 亚洲精品国产成人久久av| 精品久久久久久久末码| 日韩 亚洲 欧美在线| 精品人妻一区二区三区麻豆| 国产毛片在线视频| 熟女电影av网| 精品人妻视频免费看| 黑人高潮一二区| 91久久精品国产一区二区成人| 亚洲精品第二区| 高清在线视频一区二区三区| 欧美老熟妇乱子伦牲交| 99精国产麻豆久久婷婷| 国产黄频视频在线观看| 最近最新中文字幕免费大全7| 欧美一区二区亚洲| 在现免费观看毛片| 久久久久久人妻| 少妇高潮的动态图| 免费高清在线观看视频在线观看| 各种免费的搞黄视频| 久久精品久久精品一区二区三区| 国产老妇伦熟女老妇高清| 久久久久久久国产电影| 久久这里有精品视频免费| 黄色配什么色好看| 日韩欧美 国产精品| 最黄视频免费看| 免费久久久久久久精品成人欧美视频 | 精品亚洲乱码少妇综合久久| 亚洲av中文字字幕乱码综合| 亚洲欧美日韩东京热| 午夜福利在线观看免费完整高清在| 国产精品人妻久久久久久| 国产欧美日韩精品一区二区| 国产女主播在线喷水免费视频网站| 成人黄色视频免费在线看| 亚洲精品乱久久久久久| 我要看日韩黄色一级片| videossex国产| 青春草国产在线视频| 青春草视频在线免费观看| 欧美最新免费一区二区三区| 亚洲成人av在线免费| 亚洲精品aⅴ在线观看| 日本午夜av视频| 五月玫瑰六月丁香| 人人妻人人添人人爽欧美一区卜 | 精品99又大又爽又粗少妇毛片| 男女无遮挡免费网站观看| 永久网站在线| 2018国产大陆天天弄谢| 欧美日韩视频高清一区二区三区二| av国产精品久久久久影院| 18禁在线无遮挡免费观看视频| 国产在视频线精品| 成年免费大片在线观看| 久久久久久人妻| 又黄又爽又刺激的免费视频.| 久久精品熟女亚洲av麻豆精品| 成人亚洲精品一区在线观看 | 免费观看av网站的网址| 永久免费av网站大全| 日产精品乱码卡一卡2卡三| 亚洲精品日韩av片在线观看| 菩萨蛮人人尽说江南好唐韦庄| 亚洲一级一片aⅴ在线观看| 少妇的逼好多水| 欧美日韩视频高清一区二区三区二| 欧美成人a在线观看| 老司机影院成人| 在线 av 中文字幕| 少妇人妻精品综合一区二区| 亚洲色图av天堂| 美女脱内裤让男人舔精品视频| 在线看a的网站| 国产亚洲5aaaaa淫片| 国产成人免费观看mmmm| 久久影院123| av国产久精品久网站免费入址| 在线免费观看不下载黄p国产| 中文字幕免费在线视频6| av专区在线播放| 三级经典国产精品| 亚洲一区二区三区欧美精品| 搡女人真爽免费视频火全软件| 亚洲精品国产色婷婷电影| 一级毛片我不卡| 嘟嘟电影网在线观看| 一级毛片aaaaaa免费看小| 日韩国内少妇激情av| 国产永久视频网站| 国产精品国产三级国产av玫瑰| 久久国产亚洲av麻豆专区| 99热全是精品| 在线观看免费视频网站a站| 国产黄片美女视频| 黄片无遮挡物在线观看| 欧美少妇被猛烈插入视频| 王馨瑶露胸无遮挡在线观看| 成年免费大片在线观看| 99热这里只有是精品50| 国产高清不卡午夜福利| 免费高清在线观看视频在线观看| 亚洲av福利一区| 久久午夜福利片| 免费黄网站久久成人精品| 91狼人影院| 久久精品人妻少妇| 亚洲一级一片aⅴ在线观看| 久久99热这里只频精品6学生| 少妇 在线观看| 亚洲av在线观看美女高潮| 日日摸夜夜添夜夜添av毛片| 两个人的视频大全免费| 亚洲av.av天堂| 亚洲欧美日韩卡通动漫| 午夜激情福利司机影院| 国产日韩欧美在线精品| av.在线天堂| 免费播放大片免费观看视频在线观看| 天堂8中文在线网| 水蜜桃什么品种好| 观看免费一级毛片| 久久毛片免费看一区二区三区| 成年美女黄网站色视频大全免费 | 国精品久久久久久国模美| 精品人妻熟女av久视频| 国产一区有黄有色的免费视频| 大香蕉久久网| 亚洲欧美日韩无卡精品| 爱豆传媒免费全集在线观看| 亚洲精品日本国产第一区| 日日啪夜夜爽| 九草在线视频观看| 午夜福利在线在线| 麻豆国产97在线/欧美| 丝袜脚勾引网站| 高清在线视频一区二区三区| 夫妻性生交免费视频一级片| 国产精品国产三级专区第一集| 2018国产大陆天天弄谢| 丰满少妇做爰视频| 国产精品伦人一区二区| 联通29元200g的流量卡| 欧美区成人在线视频| 看非洲黑人一级黄片| 久久久久人妻精品一区果冻| 最近2019中文字幕mv第一页| 免费大片黄手机在线观看| 久久久成人免费电影| 成人漫画全彩无遮挡| 国产片特级美女逼逼视频| 国产 一区 欧美 日韩| 网址你懂的国产日韩在线| 哪个播放器可以免费观看大片| 国产精品一区二区在线不卡| 乱系列少妇在线播放| 99热这里只有是精品50| 最近中文字幕2019免费版| av免费观看日本| 18禁在线播放成人免费| 国产精品久久久久久精品电影小说 | 婷婷色av中文字幕| 97超碰精品成人国产| 中文字幕av成人在线电影| 日韩三级伦理在线观看| av卡一久久| 国产爽快片一区二区三区| 岛国毛片在线播放| 哪个播放器可以免费观看大片| 91精品国产国语对白视频| 女的被弄到高潮叫床怎么办| 亚洲久久久国产精品| 中文欧美无线码| 日韩强制内射视频| 熟女人妻精品中文字幕| 日韩国内少妇激情av| 久久久久久久久大av| 狂野欧美激情性bbbbbb| 人妻 亚洲 视频| 久久热精品热| 日韩强制内射视频| 狂野欧美白嫩少妇大欣赏| 国产av精品麻豆| 一级毛片久久久久久久久女| 涩涩av久久男人的天堂| 在线看a的网站| 观看美女的网站| 久久久久久久大尺度免费视频| av福利片在线观看| 国产精品一及| 在线观看美女被高潮喷水网站| 国产成人精品一,二区| 国产 一区精品| 简卡轻食公司| 插逼视频在线观看| 欧美日韩亚洲高清精品| 午夜福利高清视频| 国语对白做爰xxxⅹ性视频网站| av专区在线播放| 久久精品国产自在天天线| 夜夜骑夜夜射夜夜干| 亚洲av中文字字幕乱码综合| 国产真实伦视频高清在线观看| 欧美zozozo另类| 免费少妇av软件| 中文欧美无线码| 一本久久精品| 免费看不卡的av| 亚洲欧美成人综合另类久久久| av不卡在线播放| av视频免费观看在线观看| 中文欧美无线码| 国产免费一区二区三区四区乱码| 99热这里只有是精品50| 亚洲精品视频女| 欧美成人a在线观看| 精品视频人人做人人爽| 街头女战士在线观看网站| 午夜老司机福利剧场| 国产午夜精品一二区理论片| 精品久久久久久久久亚洲| 亚洲国产最新在线播放| 欧美变态另类bdsm刘玥| 3wmmmm亚洲av在线观看| 在现免费观看毛片| 中文资源天堂在线| 高清日韩中文字幕在线| 亚洲精品成人av观看孕妇| 伦理电影大哥的女人| 欧美精品国产亚洲| 91精品国产九色| 欧美三级亚洲精品| 美女xxoo啪啪120秒动态图| 高清毛片免费看| 午夜福利高清视频| 国产成人免费无遮挡视频| 日韩电影二区| 亚洲av成人精品一二三区| 五月天丁香电影| 国产一区二区三区综合在线观看 | 欧美日韩精品成人综合77777| 麻豆成人午夜福利视频| 伦理电影大哥的女人| 夫妻午夜视频| 亚洲国产精品国产精品| 亚洲av国产av综合av卡| 欧美成人a在线观看| 久久毛片免费看一区二区三区| 亚洲美女视频黄频| 狂野欧美激情性bbbbbb| 高清午夜精品一区二区三区| 女人十人毛片免费观看3o分钟| 精品久久国产蜜桃| 国产伦在线观看视频一区| 一本色道久久久久久精品综合| 天堂俺去俺来也www色官网| 在线天堂最新版资源| 欧美一区二区亚洲| 亚洲精品一区蜜桃| 99精国产麻豆久久婷婷| 美女xxoo啪啪120秒动态图| 少妇精品久久久久久久| 亚洲熟女精品中文字幕| 在线 av 中文字幕| 亚洲中文av在线| a级毛片免费高清观看在线播放| 久久精品国产鲁丝片午夜精品| 汤姆久久久久久久影院中文字幕| 夜夜骑夜夜射夜夜干| 久久久久久久久久成人| av又黄又爽大尺度在线免费看| 国产91av在线免费观看| 亚洲精品日韩在线中文字幕| 成人无遮挡网站| 久久久久国产网址| 在线观看国产h片| 久久久a久久爽久久v久久| 婷婷色综合大香蕉| 韩国av在线不卡| 制服丝袜香蕉在线| 卡戴珊不雅视频在线播放| 成人午夜精彩视频在线观看| 亚洲综合色惰| 蜜桃亚洲精品一区二区三区| 久久久久久九九精品二区国产| 亚洲国产最新在线播放| 日本黄色日本黄色录像| 丰满乱子伦码专区| 国产成人a区在线观看| 一区二区av电影网| 成人二区视频| 亚洲一区二区三区欧美精品| 春色校园在线视频观看| 免费大片黄手机在线观看| 美女xxoo啪啪120秒动态图| 精品视频人人做人人爽| 一本—道久久a久久精品蜜桃钙片| 香蕉精品网在线| 91午夜精品亚洲一区二区三区| 夜夜骑夜夜射夜夜干| 成人亚洲精品一区在线观看 | 国内精品宾馆在线| 精品国产露脸久久av麻豆| 性色avwww在线观看| 久久久久久久久久成人| a级毛片免费高清观看在线播放| 99热这里只有是精品50| 少妇人妻久久综合中文| 国产欧美日韩一区二区三区在线 | 水蜜桃什么品种好| 亚洲电影在线观看av| av卡一久久| 国产伦精品一区二区三区四那| 免费高清在线观看视频在线观看| 日本欧美国产在线视频| 国产伦理片在线播放av一区| 精品久久久久久久久亚洲| 亚洲精品成人av观看孕妇| 身体一侧抽搐| 国语对白做爰xxxⅹ性视频网站| 亚洲中文av在线| 超碰av人人做人人爽久久| 国产在线男女| 一本—道久久a久久精品蜜桃钙片| 99热这里只有精品一区| 中文欧美无线码| 亚洲精品成人av观看孕妇| 国产免费一级a男人的天堂| 日本一二三区视频观看| 波野结衣二区三区在线| 亚洲欧美日韩卡通动漫| 精品少妇黑人巨大在线播放| 多毛熟女@视频| 免费少妇av软件| 日韩大片免费观看网站| 涩涩av久久男人的天堂| 亚洲欧洲国产日韩| 国产精品伦人一区二区| 久久99精品国语久久久| 51国产日韩欧美| 欧美精品一区二区大全| 一本一本综合久久| 熟女电影av网| 97热精品久久久久久| 亚洲中文av在线| 免费观看无遮挡的男女| 国产一区二区三区综合在线观看 | 国产精品免费大片| 精品久久久噜噜| 亚洲自偷自拍三级| 一个人免费看片子| 亚洲av.av天堂| 中文在线观看免费www的网站| av免费在线看不卡| tube8黄色片| 大码成人一级视频| 精品一区二区三卡| 日韩中文字幕视频在线看片 | 亚洲欧美日韩无卡精品| 妹子高潮喷水视频| 欧美日韩在线观看h| 国产无遮挡羞羞视频在线观看| 只有这里有精品99| 天堂俺去俺来也www色官网| 自拍偷自拍亚洲精品老妇| 久久精品国产亚洲网站| 亚洲精品久久久久久婷婷小说| 一级黄片播放器| 国产极品天堂在线| 色视频www国产| 亚洲美女黄色视频免费看| 免费看av在线观看网站| 精品人妻视频免费看| 香蕉精品网在线| 日韩精品有码人妻一区| 欧美高清性xxxxhd video| 久久99热这里只有精品18| tube8黄色片| 国产成人精品婷婷| 赤兔流量卡办理| 伦理电影免费视频| 麻豆成人av视频| 六月丁香七月| 国产av精品麻豆| 国内精品宾馆在线| 日韩av不卡免费在线播放| 热re99久久精品国产66热6| 日韩中字成人| 九九爱精品视频在线观看| 日日撸夜夜添| 亚洲第一av免费看| 国产精品欧美亚洲77777| 97超碰精品成人国产| av在线播放精品| 亚洲在久久综合| 肉色欧美久久久久久久蜜桃| 少妇裸体淫交视频免费看高清|