• <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 ?

    多流形的非監(jiān)督線性差分投影算法*

    2016-11-22 02:07:16楊章靜萬鳴華王巧麗張凡龍楊國為
    計算機與生活 2016年11期
    關(guān)鍵詞:流形訓(xùn)練樣本識別率

    楊章靜,萬鳴華,2,3+,王巧麗,張凡龍,楊國為

    1.南京審計大學 工學院,南京 211815

    2.南京理工大學 高維信息智能感知與系統(tǒng)教育部重點實驗室,南京 210094

    3.南京曉莊學院 可信云計算與大數(shù)據(jù)分析重點實驗室,南京 211171

    4.南昌航空大學 江西省圖像處理與模式識別重點實驗室,南昌 330063

    多流形的非監(jiān)督線性差分投影算法*

    楊章靜1,萬鳴華1,2,3+,王巧麗4,張凡龍1,楊國為1

    1.南京審計大學 工學院,南京 211815

    2.南京理工大學 高維信息智能感知與系統(tǒng)教育部重點實驗室,南京 210094

    3.南京曉莊學院 可信云計算與大數(shù)據(jù)分析重點實驗室,南京 211171

    4.南昌航空大學 江西省圖像處理與模式識別重點實驗室,南昌 330063

    YANG Zhangjing,WAN Minghua,WANG Qiaoli,et al.Multi-manifold unsupervised linear differential projection algorithm.Journal of Frontiers of Computer Science and Technology,2016,10(11):1577-1586.

    針對非監(jiān)督線性差分投影(unsupervised linear differential projection,ULDP)在特征提取過程中存在的不足,提出了基于多流形的非監(jiān)督線性差分投影(multi-manifold unsupervised linear differential projection,MULDP)算法,并將其應(yīng)用于人臉識別中。MULDP首先構(gòu)造出多流形局部近鄰圖和多流形最大全局方差,然后通過多目標最優(yōu)化問題求解出嵌入在高維空間的低維流形。這種映射不僅能表示全局結(jié)構(gòu),還能表示局部結(jié)構(gòu)。該算法可以得到嵌入在高維空間的低維流形,更好地實現(xiàn)了局部與全局結(jié)構(gòu)信息的有效保持。在ORL、Yale及AR人臉庫上的實驗結(jié)果驗證了所提算法的優(yōu)越性。

    人臉識別;特征提取;多流形;非監(jiān)督線性差分投影(ULDP)

    1 引言

    特征提取是人臉識別處理過程的核心,提取有效人臉特征是人臉識別的關(guān)鍵步驟,人臉特征的有效性直接影響人臉識別的結(jié)果[1-2]。對于人臉識別來說,尋找快速、有效的特征提取方法是人臉識別技術(shù)取得突破的關(guān)鍵,也是當前研究的熱點[3-4]。

    目前,關(guān)于特征提取技術(shù)[5]的研究正如火如荼,方法也有多種,但概括起來主要有兩大類型:一類是基于全局特征的特征提取,另一類是基于局部特征的特征提取。全局特征是指其特征向量的每一維都包含了人臉圖像所有部分(甚至所有像素)的信息,它反映的是人臉的整體屬性?;谌值奶卣鞣椒ㄖ饕≒CA(principal component analysis)[6]、LDA(linear discriminant analysis)[7]、2DPCA(two-dimensional PCA)[8]等。與全局特征不同的是,局部特征信息的每一維都只對應(yīng)人臉圖像的一個局部區(qū)域,側(cè)重于提取人臉的細節(jié)特征。基于局部特征的提取方法主要包括LPP(locality preserving projection)[9]、LLE(locally linear embedding)[10]、LBP(local binary pattern)[11-13]等。局部特征對人臉的光照、表情和遮擋等變化不敏感,因此相對于基于全局特征的提取方法,基于局部特征的提取方法具有更好的魯棒性,在近些年來受到越來越多研究者的關(guān)注[14-15]。也有很多研究者提出同時利用全局和局部特征來表示人臉[16-17]。Wan等人在PCA和LLE基礎(chǔ)上,同時考慮樣本分布全局性和局部性,結(jié)合PCA和LLE的特點,提出了非監(jiān)督線性差分投影(unsupervised linear differential projection,ULDP)[16]的特征提取方法;Yang等人在同時考慮局部散度和非局部散度的基礎(chǔ)上,提出了非監(jiān)督鑒別投影(unsupervised discriminant projection,UDP)[17]的特征提取方法。這些方法在加強數(shù)據(jù)樣本點之間的關(guān)聯(lián)性時,能有效地對局部與全局流形結(jié)構(gòu)進行同時保持,也就是說在高維空間保持近鄰的數(shù)據(jù)點映射到內(nèi)在低維空間后仍保持近鄰,反之,在高維空間不能保持近鄰的數(shù)據(jù)點映射到內(nèi)在低維空間繼續(xù)保持其非近鄰的關(guān)系,因此應(yīng)該同時對局部與全局流形結(jié)構(gòu)進行保持,進而發(fā)現(xiàn)隱藏于高維空間樣本點間的流形,以提高人臉識別的精度。但這些方法也存在兩個缺陷:一是在學習過程中過分依賴訓(xùn)練樣本的數(shù)目,當遇到小樣本問題時,就嚴重限制了此方法的應(yīng)用;二是在提取的眾多特征中,無法揭示哪些特征對分類與預(yù)測起主導(dǎo)作用。

    針對以上問題,本文借鑒ULDP的思想,提出了一種結(jié)合多流形的兼顧樣本全局結(jié)構(gòu)與局部結(jié)構(gòu)的特征提取算法,即基于多流形的非監(jiān)督線性差分投影(multi-manifold unsupervised linear differential projection,MULDP)。MULDP首先將一個樣本分成的局部小塊都構(gòu)造在同一個流形上,使得每個樣本都有屬于自己的流形,即位于同一個特征子空間;然后分別給出PCA和LLE的多流形表示,優(yōu)化目標是最大化各個流形的全局方差,最小化流形內(nèi)的局部嵌入。MULDP相對于ULDP,不僅解決了小樣本問題,而且進一步提高了識別率。在人臉數(shù)據(jù)庫上的實驗表明,MULDP較其他算法能獲得較好的識別效果。

    2 相關(guān)知識

    2.1 非監(jiān)督的線性差分投影

    基于局部特征的流形學習方法往往只考慮流形上距離相近的數(shù)據(jù)點,這樣就會導(dǎo)致本來距離很遠的點映射后反而變成距離相近點的情形,因此應(yīng)該有效地保持局部流形結(jié)構(gòu)同時又保持全局流形結(jié)構(gòu),尋找出潛藏在高維數(shù)據(jù)空間中的低維流形結(jié)構(gòu),以此來提高算法的識別率。

    ULDP是一種非監(jiān)督的算法,該算法首先用流形距離構(gòu)建全局方差圖和局部近鄰圖,然后用其表征全局結(jié)構(gòu)和局部結(jié)構(gòu)信息,最后求解在約束條件下的優(yōu)化問題得到的特征向量,以此來表征嵌入在高維空間中的低維子流形。

    ULDP算法不僅保持了局部近鄰數(shù)據(jù)點之間的內(nèi)在聯(lián)系,還保證了相距較遠的數(shù)據(jù)點之間的非局部散度達到最大,因此該算法有效地實現(xiàn)了既保持數(shù)據(jù)的局部結(jié)構(gòu),又保持全局結(jié)構(gòu)。

    2.2 ULDP算法描述

    其中,λi是上述特征方程的特征值;ωi是對應(yīng)的特征向量。為了使目標函數(shù)最小,只需求解d個最小特征值對應(yīng)的特征向量組成投影矩陣W=[ω1,ω2,…,ωd]。

    3 多流形非監(jiān)督線性差分投影

    根據(jù)以上分析,ULDP算法在特征提取時能保持局部近鄰數(shù)據(jù)點之間的內(nèi)在聯(lián)系,使得相距較遠的數(shù)據(jù)點之間的非局部散度達到最大。然而針對人臉識別中訓(xùn)練樣本少的情況,ULDP算法的識別率會顯著下降,識別因此會變得無能為力。

    3.1MULDP算法基本思想

    將一幅人臉圖像分成t個小塊,此時就變成了很多幅小圖片xit,一張人臉圖像的t張小圖像分布在同一個流形上,就構(gòu)成一個流形Mi=[xi1,xi2,…,xit]。很多個人的流形,那就是多流形(multi-manifold),用M=[M1,M2,…,MN]表示?,F(xiàn)在要對一個由很多個小圖像塊組成的流形Mi=[xi1,xi2,…,xit]進行降維。其中每個圖像塊xir∈Rd,1≤i≤N,1≤r≤t是d維的,多流形判別分析算法的目標就是尋找一個降維矩陣Wi,i=1,2,…,N,將原始訓(xùn)練樣本的維數(shù)降為di維,多流形算法簡化模型如圖1所示。

    MULDP算法兼顧樣本全局結(jié)構(gòu)與局部結(jié)構(gòu),結(jié)合了多流形,首先將樣本的局部嵌入和全局方差用多流形形式表示出來,然后在低維子空間最大化各個流形的全局方差,最小化流形內(nèi)的局部嵌入。

    3.2MULDP算法描述

    根據(jù)前文所述,可得MULDP算法描述如下。

    MULDP算法不僅保持局部近鄰數(shù)據(jù)點之間的內(nèi)在聯(lián)系,還保證了相距較遠的數(shù)據(jù)點之間的非局部散度達到最大,實現(xiàn)既保持了數(shù)據(jù)的局部結(jié)構(gòu)又保持了全局結(jié)構(gòu)。為了避免小樣本問題,引入一個平衡參數(shù)α(0≤α<1)。

    Fig.1 Simplified model of multi-manifold algorithm圖1 多流形算法簡化模型

    其中,λi是上述特征方程的特征值;ωi是對應(yīng)的特征向量。為了使目標函數(shù)最小,取前d個最小特征值對應(yīng)的特征向量組成投影矩陣W=[ω1,ω2,…,ωd]。

    3.3 分類

    經(jīng)過以上特征提取后,每一幅原始圖像都得到MULDP的投影矩陣Wi,i=1,2,…,N后,下面就需要對測試樣本進行處理,進而完成識別分類的目標,其具體步驟如下。

    (1)求測試樣本的低維子空間表示

    給出一個新的測試樣本T,首先將其分成t塊不重復(fù)并且不疊加的局部小塊,隨后把這些小塊建模為新的流形Mi=[xi1,xi2,…,xit],很多個人的流形,那就是多流形,用M=[M1,M2,…,MN]表示?,F(xiàn)在要對一個由很多個小圖像塊組成的流形Mi=[xi1,xi2,…,xit]進行降維,那么它到任意一個訓(xùn)練樣本的距離為d(MT,Mi)。 yi=WiTMi=[yi1,yi2,…,yit]及 yT=WiTMT=[yT1, yT2,…,yTt]分別為流形Mi和MT通過Wi投影后的低維子空間表示。

    (2)求測試樣本與訓(xùn)練樣本之間的距離

    對每個yT中的yTj,從yi中找出它的k個近鄰Gk(yTj),用Gk(yTj)的加權(quán)平均去重組yTj,那么yTj到流形Mi的距離為:

    其中,cs為近鄰對 yTj的重構(gòu)系數(shù),。所有的yTj的距離加起來求解平均就是MT到Mi的流形距離,即:

    (3)分類

    根據(jù)求出的N個測試樣本與訓(xùn)練樣本之間的距離進行對比,找出其中最小的那個距離,這個最小距離如果是測試樣本與第i個訓(xùn)練樣本之間的距離,那么就可以判定這個測試樣本是第i類樣本,即:

    4 實驗及結(jié)果分析

    為評估所提算法的性能,在ORL、Yale及AR數(shù)據(jù)庫上進行人臉識別實驗來驗證所提算法的有效性,主要采用識別率作為驗證指標。作為對比,同時還采用了其他典型算法如PCA、LDA、LLE、NPE、LPP、ULDP等進行實驗。在實驗中,由于人臉圖像維數(shù)較高,在運行以上算法時,首先采用PCA算法對人臉圖像進行降維預(yù)處理,接著采用各算法進行特征提取,最后采用最近鄰分類器進行識別。

    4.1 參數(shù)α的選取和測試

    MULDP算法的目的是求解出嵌入在高維空間的低維子流形,使得投影后不僅保持局部近鄰數(shù)據(jù)點之間的內(nèi)在聯(lián)系,還保證相距較遠的數(shù)據(jù)點之間的距離達到最大。為避免出現(xiàn)小樣本問題,加入一個平衡參數(shù)α(0<α<1),參數(shù)α的不同取值會產(chǎn)生不同的分類識別率,尤其當α取值不合適時,計算所得的分類無法正確反映樣本的分布信息,從而降低算法的識別性能。因此在原有分類概率計算式中引入?yún)?shù)α,不僅使得計算式更加靈活,而且可以通過調(diào)節(jié)α使得識別率在某種程度上得到進一步提高。設(shè)置α的值從0.1到0.9,間隔為0.1,在ORL、Yale和AR人臉數(shù)據(jù)庫上選取6個訓(xùn)練樣本,MULDP的最大平均識別率隨α變化的情況如表1所示。

    從表1中實驗結(jié)果可以看出,在ORL、Yale和AR庫上,α分別取0.5、0.4和0.6時,MULDP識別率分別為98.57、96.79和97.08,此時識別效果最好。鑒于該實驗結(jié)果,后續(xù)的3個實驗中,α分別取0.5、0.4和0.6進行實驗。

    4.2 ORL人臉庫實驗

    ORL人臉庫(http://www.cl.cam.ac.uk/research/dtg/ attarchive/facedatabase.html)包含40個人,其中每個人各擁有10幅分辨率為112×92的圖像。ORL庫中某人的10幅圖像如圖2所示。

    Table 1 Recognition rates and corresponding dimensions of MULDP with differentαwhen training number is 6 on ORL,Yale andAR databases表1 ORL、Yale和AR庫上訓(xùn)練樣本數(shù)為6時MULDP在α取不同值時的識別率及投影維數(shù)

    Fig.2 10 images of one person on ORL database圖2 ORL庫中某人的10幅圖像

    實驗中用于訓(xùn)練的樣本是從ORL庫中隨機抽取的每人3、4、5、6幅圖像,其余的作為測試樣本。對于每一個不同的訓(xùn)練樣本大小的實驗,為綜合對比,獨立運行50次。為便于比較,表2給出了在ORL人臉庫上不同算法的最大識別率以及對應(yīng)的特征維數(shù)。不同算法的平均最大識別率隨訓(xùn)練樣本的變化情況如圖3所示。

    Fig.3 Recognition rates of MULDP and other algorithms with differentlon ORL database圖3 ORL庫上MULDP與其他算法在l取不同樣本數(shù)時的最大識別率對比

    Table 2 Optimal recognition rates and corresponding dimensions of MULDP compared with other algorithms on ORL database表2 ORL庫上MULDP與其他算法最佳識別率及特征維數(shù)比較

    4.3 Yale人臉庫實驗

    Yale人臉庫(http://cvc.yale.edu/projects/yalefaces/ yalefaces.html)中包括15人,其中每個人各擁有11幅分辨率為100×80的圖像。Yale庫中某人的11幅圖像如圖4所示。

    Fig.4 11 images of one person on Yale database圖4 Yale庫中某人的11幅圖像

    實驗中用于訓(xùn)練的樣本是從Yale庫中隨機抽取的每人2、3、4、5、6幅圖像,其余的作為測試樣本。對于每一個不同的訓(xùn)練樣本大小的實驗,也獨立運行50次。表3給出了在Yale人臉庫上不同算法的最大識別率以及對應(yīng)的特征維數(shù)。不同算法的平均最大識別率隨訓(xùn)練樣本的變化情況如圖5所示。

    Fig.5 Recognition rates of MULDP and other algorithms with differentlon Yale database圖5 Yale庫上MULDP與其他算法在l取不同樣本數(shù)時的最大識別率對比

    4.4 AR人臉庫實驗

    AR人臉庫(http://rvl1.ecn.purdue.edu/~aleix/aleix_ face_DB.html)中包括120人,其中每個人各擁有不同光照、表情、遮擋的26幅圖像,每人前后13幅圖像分別拍攝2個時期,時間間隔1個月。圖6是AR人臉庫中一個子類的20幅圖像,兩行圖像分別拍攝于不同的時期,前后相差兩個星期。

    Table 3 Optimal recognition rates and corresponding dimensions of MULDP compared with other algorithms on Yale database表3 Yale庫上MULDP與其他算法最佳識別率及特征維數(shù)比較

    Fig.6 20 images of one person from a subclass onAR database圖6 AR人臉庫中一個子類的20幅圖像

    在實驗中,選擇AR數(shù)據(jù)庫的一個子集,包括前40個人,每個人10幅圖像。實驗中用于訓(xùn)練的樣本是從AR庫中隨機抽取的每人2、3、4、5、6幅圖像,其余的作為測試樣本。表4給出了在AR人臉庫上不同算法的最大識別率以及對應(yīng)的特征維數(shù)。不同算法的平均最大識別率隨訓(xùn)練樣本的變化情況示意圖如圖7所示。

    Table 4 Optimal recognition rates and corresponding dimensions of MULDP compared with other algorithms onAR database表4 AR庫上MULDP與其他算法最佳識別率及特征維數(shù)比較

    Fig.7 Recognition rates of MULDP and other algorithms with differentlonAR database圖7 AR庫上MULDP與其他算法在l取不同樣本數(shù)時的最大識別率對比

    4.5 實驗結(jié)果與分析

    根據(jù)實驗結(jié)果,可得結(jié)論如下:

    (1)表1顯示的是ORL、Yale和AR人臉庫上,當訓(xùn)練樣本為6時,MULDP算法的最大平均識別率隨α的變化情況。從表1可以看出,參數(shù)α的選擇對MULDP算法的識別性能有一定影響,不同的α取值會產(chǎn)生不同的識別率。其中Yale數(shù)據(jù)庫測試樣本數(shù)最少,參數(shù)α為0.4時識別效果最好;AR數(shù)據(jù)庫測試樣本數(shù)最大,參數(shù)α為0.6時識別效果最好。究其原因,主要是由于樣本數(shù)少時,多流形最小局部散度JL(Wi)要大于多流形最大全局方差JG(Wi),反之多流形最小局部散度JL(Wi)則小于多流形最大全局方差JG(Wi)。

    (2)MULDP算法是在ULDP基礎(chǔ)上提出的,從表2、表3和表4中的實驗數(shù)據(jù)及結(jié)果可以看出,MULDP算法無論在ORL、Yale還是在AR人臉庫上,其識別率都比ULDP好,MULDP算法性能均要優(yōu)于ULDP。這主要是由于MULDP算法將每幅圖像分成多幅小圖像,這些小圖像就構(gòu)成一個流行,多幅圖像就構(gòu)成了多流行,這就解決了ULDP算法存在的小樣本問題。

    (3)從圖3、圖5和圖7中可以看出,隨著訓(xùn)練樣本個數(shù)的增加,所有實驗算法的識別率均得到了進一步的提升。從整體上看,訓(xùn)練樣本數(shù)由2增加到6的過程中,本文所提算法MULDP的識別率在所有算法中都是最高的,體現(xiàn)了該算法的鑒別性能優(yōu)于其他算法。

    (4)MULDP算法是在低維子空間最大化各個流形的全局方差,最小化流形內(nèi)的局部嵌入,此算法結(jié)合多流形,并且兼顧樣本全局結(jié)構(gòu)與局部結(jié)構(gòu),從而取得了較好的識別效果。

    由上述實驗圖表可知,相較于其他算法,MULDP算法整體均取得了最好效果,這進一步驗證了算法的優(yōu)越性。

    5 結(jié)束語

    針對ULDP算法在處理人臉識別問題時存在的缺陷,提出了多流形的非監(jiān)督線性差分投影算法MULDP。MULDP結(jié)合了PCA與LLE兩種算法的優(yōu)點,特征提取時同時保留了數(shù)據(jù)中的全局結(jié)構(gòu)和局部結(jié)構(gòu),可以更好地提取人臉圖像數(shù)據(jù)間的鑒別信息,以此來提高算法的分類性能,使得本文算法更加魯棒。通過在ORL、Yale和AR人臉庫上的實驗驗證了本文算法的有效性及優(yōu)越性。

    從實驗結(jié)果可知,α的取值與MULDP算法的識別效果有一定聯(lián)系,目前如何選擇參數(shù)仍然是一個難題。因此在后續(xù)工作中,如何對α進行取值,使得算法具有穩(wěn)定的性能并達到最優(yōu)識別效果是今后需要重點研究的問題。

    [1]Ma Xiaohu,Tan Yanqi.Face recognition based on discriminant sparsity preserving embedding[J].Acta Automatica Sinica,2014,40(1):73-82.

    [2]Wan Minghua,Li Ming,Yang Guowei,et al.Feature extraction using two-dimensional maximum embedding difference [J].Information Sciences,2014,274:55-69.

    [3]Nixon M,Aguado A S.Feature extraction and image processing[M].2nd ed.Orlando,USA:Academic Press,2008.

    [4]Yang Xiaomin,Wu Wei,Qing Linbo,et al.Image feature extraction and matching technology[J].Optics and Precision Engineering,2009,17(9):2276-2282.

    [5]Bartlett M S,Lades H M,Sejnowski T J.Face recognition by independent component analysis[J].IEEE Transactions on Neural Networks,2002,13(6):1450-1464.

    [6]Turk M,Pentland A.Eigenfaces for recognition[J].Journal of Cognitive Neuroscience,1991,3(1):71-86.

    [7]Yu Hua,Yang Jie.A direct LDA algorithm for high-dimensional data-with application to face recognition[J].Pattern Recognition,2001,34(10):2067-2070.

    [8]Yang Jian,Zhang D,Frangi A F,et al.Two-dimensional PCA: a new approach to appearance-based face representation and recognition[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2004,26(1):131-137.

    [9]He Xiaofei,Yan Shuicheng,Hu Yuxiao,et al.Face recognition using Laplacianfaces[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2005,27(3):328-340.

    [10]Roweis S T,Saul L K.Nonlinear dimensional reduction by locally linear embedding[J].Science,2000,290(550):2323-2326.

    [11]Ahonen T,HadidA,Pietikainen M.Face description with local binary patterns:application to face recognition[J].IEEE Transactions on Pattern Analysis and Machine Intelligence, 2006,28(12):2037-2041.

    [12]Zhang Baochang,Gao Yongsheng,Zhao Sanqiang,et al.Local derivative pattern versus local binary pattern:face recognition with high-order local pattern descriptor[J].IEEE Transactions on Image Processing,2010,19(2):533-544.

    [13]Wolf L,Hassner T,Taigman Y.Effective unconstrained face recognition by combining multiple descriptors and learned background statistics[J].IEEE Transactions on PatternAnalysis and Machine Intelligence,2011,33(10):1978-1990.

    [14]Lai Zhihui,Xu Yong,Chen Qingcai,et al.Multilinear sparse principal component analysis[J].IEEE Transactions on Neural Networks and Learning Systems,2014,25(10):1942-1950.

    [15]Lai Zhihui,Xu Yong,Jin Zhong,et al.Human gait recognition via sparse discriminant projection learning[J].IEEE Transactions on Circuits and Systems for Video Technology, 2014,24(10):1651-1662.

    [16]Wan Minghua,Lai Zhihui,Jin Zhong.Locally minimizing embedding and globally maximizing variance:unsupervised linear difference projection for dimensionality reduction[J].Neural Processing Letters,2011,33(3):267-282.

    [17]Yang Jian,Zhang D,Yang Jingyu,et al.Globally maximizing, locally minimizing:unsupervised discriminant projection with applications to face and palm biometrics[J].IEEE Transactions on Pattern Analysis and Machine Intelligence, 2007,29(4):650-664.

    附中文參考文獻:

    [1]馬小虎,譚延琪.基于鑒別稀疏保持嵌入的人臉識別算法[J].自動化學報,2014,40(1):73-82.

    YANG Zhangjing was born in 1979.He is a lecturer at School of Technology,Nanjing Audit University.His research interests include computer vision and pattern recognition,etc.

    楊章靜(1979—),男,江蘇南京人,南京審計大學工學院講師,主要研究領(lǐng)域為計算機視覺,模式識別等。

    WAN Minghua was born in 1978.He is an associate professor at School of Technology,Nanjing Audit University. His research interests include pattern recognition and intelligent computation,etc.

    萬鳴華(1978—),男,江西南昌人,南京審計大學工學院副教授,主要研究領(lǐng)域為模式識別,智能計算等。

    WANG Qiaoli was born in 1990.She is an M.S.candidate at School of Information Engineering,Nanchang Hangkong University.Her research interests include artificial intelligence and intelligent computation,etc.

    王巧麗(1990—),女,山東菏澤人,南昌航空大學信息工程學院碩士研究生,主要研究領(lǐng)域為人工智能,智能計算等。

    ZHANG Fanlong was born in 1985.He is a lecturer at School of Technology,Nanjing Audit University.His research interests include computer vision and pattern recognition,etc.

    張凡龍(1985—),男,山東泰安人,南京審計大學工學院講師,主要研究領(lǐng)域為計算機視覺,模式識別等。

    YANG Guowei was born in 1964.He is a professor at School of Technology,Nanjing Audit University.His research interests include pattern recognition and artificial intelligence,etc.

    楊國為(1964—),男,江西南昌人,南京審計大學工學院教授,主要研究領(lǐng)域為模式識別,人工智能等。

    Multi-Manifold Unsupervised Linear Differential ProjectionAlgorithm?

    YANG Zhangjing1,WAN Minghua1,2,3+,WANG Qiaoli4,ZHANG Fanlong1,YANG Guowei1
    1.School of Technology,NanjingAudit University,Nanjing 211815,China
    2.Key Laboratory of Intelligent Perception and Systems for High-Dimensional Information of Ministry of Education,Nanjing University of Science and Technology,Nanjing 210094,China
    3.Key Laboratory of Trusted Cloud Computing and Big Data Analysis,Nanjing Xiaozhuang University,Nanjing 211171,China
    4.Key Laboratory of Jiangxi Province for Image Processing and Pattern Recognition,Nanchang Hangkong University,Nanchang 330063,China
    +Corresponding author:E-mail:wmh36@nau.edu.cn

    To overcome the drawbacks of existing unsupervised linear differential projection(ULDP),this paper proposes a novel algorithm called multi-manifold unsupervised linear differential projection(MULDP)for face recogni-tion.Firstly,multi-manifold local neighborhood graph and the largest global variance are constructed.Nextly,a lowdimensional manifold embedded in high-dimensional space is calculated through the multi-objective optimization.This mapping can represent not only the global structure but also the local structure.MULDP can get the low-dimensional manifolds embedded in a high-dimensional space and maintain the local and global structural information effectively. The experimental results on the ORL,Yale andAR face databases demonstrate the superiority of the proposed algorithm.

    face recognition;feature extraction;multi-manifold;unsupervised linear differential projection(ULDP)

    10.3778/j.issn.1673-9418.1604045

    A

    TP391.4

    *The Natural Science Foundation of Jiangsu Higher Education Institutions under Grant Nos.15KJB520018,12KJA63001(江蘇省屬高校自然科學基金);the National Natural Science Foundation of China under Grant Nos.61503195,61462064,61203243,61272077 (國家自然科學基金);the Key Laboratory of Intelligent Perception and Systems for High-Dimensional Information of Ministry of Education(Nanjing University of Science and Technology)under Grant No.30920140122006(高維信息智能感知與系統(tǒng)教育部重點實驗室(南京理工大學)基金).

    Received 2016-04,Accepted 2016-06.

    CNKI網(wǎng)絡(luò)優(yōu)先出版:2016-06-02,http://www.cnki.net/kcms/detail/11.5602.TP.20160602.1144.012.html

    猜你喜歡
    流形訓(xùn)練樣本識別率
    緊流形上的Schr?dinger算子的譜間隙估計
    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
    計算機工程(2020年3期)2020-03-19 12:24:50
    人工智能
    迷向表示分為6個不可約直和的旗流形上不變愛因斯坦度量
    基于真耳分析的助聽器配戴者言語可懂度指數(shù)與言語識別率的關(guān)系
    Nearly Kaehler流形S3×S3上的切觸拉格朗日子流形
    提升高速公路MTC二次抓拍車牌識別率方案研究
    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別算法
    基于稀疏重構(gòu)的機載雷達訓(xùn)練樣本挑選方法
    亚洲国产欧美网| 欧美日韩精品网址| 午夜激情av网站| 精品不卡国产一区二区三区| 国产精品久久久久久久电影 | 亚洲人成77777在线视频| 露出奶头的视频| 久久香蕉国产精品| 国产三级黄色录像| 美女午夜性视频免费| 成人av一区二区三区在线看| 国内精品一区二区在线观看| 波多野结衣巨乳人妻| www.熟女人妻精品国产| www.熟女人妻精品国产| 九九热线精品视视频播放| 国产免费av片在线观看野外av| 草草在线视频免费看| 女人高潮潮喷娇喘18禁视频| 动漫黄色视频在线观看| 免费无遮挡裸体视频| 精品福利观看| 一本综合久久免费| 中文字幕高清在线视频| 国产精品 欧美亚洲| 色av中文字幕| 99在线视频只有这里精品首页| 午夜精品久久久久久毛片777| а√天堂www在线а√下载| 露出奶头的视频| 搡老妇女老女人老熟妇| АⅤ资源中文在线天堂| 国产午夜精品久久久久久| 亚洲av美国av| 亚洲18禁久久av| 久久精品aⅴ一区二区三区四区| 在线免费观看的www视频| 久久久国产欧美日韩av| 黄色 视频免费看| 97碰自拍视频| 日本黄色视频三级网站网址| 777久久人妻少妇嫩草av网站| 国产成+人综合+亚洲专区| 成人精品一区二区免费| 日日夜夜操网爽| 99久久99久久久精品蜜桃| 丁香六月欧美| 脱女人内裤的视频| 精品久久蜜臀av无| 热99re8久久精品国产| 久久精品国产99精品国产亚洲性色| 桃红色精品国产亚洲av| 国产精品久久久久久人妻精品电影| 精品国产乱码久久久久久男人| 久久中文看片网| 色综合亚洲欧美另类图片| 深夜精品福利| av欧美777| 男人舔女人下体高潮全视频| 国产av在哪里看| 每晚都被弄得嗷嗷叫到高潮| 欧美三级亚洲精品| 三级男女做爰猛烈吃奶摸视频| 女同久久另类99精品国产91| 曰老女人黄片| 久久国产精品影院| 好看av亚洲va欧美ⅴa在| 啦啦啦韩国在线观看视频| 精品国内亚洲2022精品成人| 校园春色视频在线观看| 日韩有码中文字幕| 黄色a级毛片大全视频| 亚洲专区字幕在线| 成人国产一区最新在线观看| or卡值多少钱| 搡老妇女老女人老熟妇| 一进一出抽搐动态| 久久精品国产99精品国产亚洲性色| 亚洲专区字幕在线| 久久久久亚洲av毛片大全| 国产免费av片在线观看野外av| 久久精品成人免费网站| 欧洲精品卡2卡3卡4卡5卡区| 午夜日韩欧美国产| 国产视频一区二区在线看| 无限看片的www在线观看| 亚洲av成人精品一区久久| 国产在线精品亚洲第一网站| 精品久久久久久久久久免费视频| 亚洲精品国产一区二区精华液| 国产麻豆成人av免费视频| 免费在线观看黄色视频的| 两性夫妻黄色片| 国产精品美女特级片免费视频播放器 | 午夜精品久久久久久毛片777| 制服诱惑二区| 欧美成人一区二区免费高清观看 | 这个男人来自地球电影免费观看| 精品免费久久久久久久清纯| 亚洲狠狠婷婷综合久久图片| 国内毛片毛片毛片毛片毛片| 国产黄色小视频在线观看| 日本a在线网址| 亚洲无线在线观看| 久久中文看片网| 在线永久观看黄色视频| 每晚都被弄得嗷嗷叫到高潮| 亚洲精品在线美女| 亚洲午夜精品一区,二区,三区| 国产伦在线观看视频一区| 久久久久久久久中文| 91在线观看av| 搡老熟女国产l中国老女人| 成人三级做爰电影| 成人国语在线视频| 亚洲人成伊人成综合网2020| 日本一区二区免费在线视频| 丝袜人妻中文字幕| 首页视频小说图片口味搜索| 国产精品 欧美亚洲| 亚洲avbb在线观看| 成年免费大片在线观看| 免费一级毛片在线播放高清视频| 岛国在线观看网站| 91字幕亚洲| 亚洲中文字幕一区二区三区有码在线看 | 嫩草影院精品99| cao死你这个sao货| 免费在线观看亚洲国产| 日本撒尿小便嘘嘘汇集6| 老司机靠b影院| 国产av麻豆久久久久久久| 亚洲国产中文字幕在线视频| 成年免费大片在线观看| 午夜福利成人在线免费观看| 观看免费一级毛片| 日本成人三级电影网站| АⅤ资源中文在线天堂| 亚洲人成伊人成综合网2020| 国产免费男女视频| 哪里可以看免费的av片| 色av中文字幕| 伊人久久大香线蕉亚洲五| 香蕉丝袜av| 国产激情久久老熟女| 日韩中文字幕欧美一区二区| 欧美性猛交╳xxx乱大交人| 91麻豆av在线| 全区人妻精品视频| 亚洲狠狠婷婷综合久久图片| 制服人妻中文乱码| 嫩草影视91久久| 丝袜美腿诱惑在线| 日本三级黄在线观看| 午夜两性在线视频| 免费观看人在逋| 亚洲国产精品久久男人天堂| 久久欧美精品欧美久久欧美| 亚洲精华国产精华精| 免费在线观看日本一区| www日本黄色视频网| 国产精华一区二区三区| 国产成+人综合+亚洲专区| 少妇被粗大的猛进出69影院| 狂野欧美白嫩少妇大欣赏| 麻豆一二三区av精品| 国产一区在线观看成人免费| 亚洲一卡2卡3卡4卡5卡精品中文| 777久久人妻少妇嫩草av网站| 一二三四社区在线视频社区8| 国产成人av教育| 超碰成人久久| 亚洲,欧美精品.| 亚洲成人久久爱视频| 国产精品亚洲美女久久久| 免费av毛片视频| 欧美日韩福利视频一区二区| 三级男女做爰猛烈吃奶摸视频| 国产精品九九99| 成人手机av| 亚洲国产欧洲综合997久久,| 中文字幕人妻丝袜一区二区| aaaaa片日本免费| 婷婷六月久久综合丁香| 岛国在线观看网站| 18禁国产床啪视频网站| 人妻夜夜爽99麻豆av| 白带黄色成豆腐渣| 久久久久性生活片| 性欧美人与动物交配| 岛国视频午夜一区免费看| 日韩免费av在线播放| 小说图片视频综合网站| 日本在线视频免费播放| 十八禁人妻一区二区| 日日干狠狠操夜夜爽| av视频在线观看入口| 丰满人妻一区二区三区视频av | 后天国语完整版免费观看| 久久人妻福利社区极品人妻图片| 老司机午夜福利在线观看视频| 国产成人一区二区三区免费视频网站| 久久性视频一级片| 两性夫妻黄色片| 久久久水蜜桃国产精品网| 午夜a级毛片| 麻豆成人av在线观看| 日韩欧美在线乱码| 精品久久久久久久人妻蜜臀av| 丝袜美腿诱惑在线| 欧美日韩亚洲综合一区二区三区_| av有码第一页| 色在线成人网| 亚洲国产高清在线一区二区三| 国产成人av激情在线播放| 亚洲五月婷婷丁香| 国产精品久久久av美女十八| 99久久久亚洲精品蜜臀av| 男女那种视频在线观看| 久久久久久亚洲精品国产蜜桃av| 午夜福利视频1000在线观看| 啪啪无遮挡十八禁网站| 久久中文看片网| 在线观看免费视频日本深夜| 少妇熟女aⅴ在线视频| 伊人久久大香线蕉亚洲五| 久久这里只有精品中国| 亚洲国产欧美一区二区综合| 中文资源天堂在线| 日韩 欧美 亚洲 中文字幕| 51午夜福利影视在线观看| 狂野欧美激情性xxxx| 午夜日韩欧美国产| 男人舔奶头视频| 欧美性猛交黑人性爽| 国产精品美女特级片免费视频播放器 | 国内毛片毛片毛片毛片毛片| 国产成人av激情在线播放| 亚洲国产精品sss在线观看| 男插女下体视频免费在线播放| 午夜成年电影在线免费观看| 手机成人av网站| 男女下面进入的视频免费午夜| 成人午夜高清在线视频| 国内毛片毛片毛片毛片毛片| 亚洲熟女毛片儿| 嫁个100分男人电影在线观看| 岛国视频午夜一区免费看| 伊人久久大香线蕉亚洲五| 精品国产乱子伦一区二区三区| 日韩高清综合在线| 巨乳人妻的诱惑在线观看| 三级国产精品欧美在线观看 | 欧美黄色片欧美黄色片| 99热只有精品国产| 一二三四社区在线视频社区8| 久久亚洲精品不卡| 国产蜜桃级精品一区二区三区| 黄色 视频免费看| 精品乱码久久久久久99久播| 99在线视频只有这里精品首页| 黄色毛片三级朝国网站| 久久久国产欧美日韩av| 母亲3免费完整高清在线观看| 正在播放国产对白刺激| 老熟妇仑乱视频hdxx| 18禁黄网站禁片免费观看直播| 亚洲欧美一区二区三区黑人| www.熟女人妻精品国产| 亚洲精品中文字幕在线视频| av视频在线观看入口| 级片在线观看| 99re在线观看精品视频| 18禁裸乳无遮挡免费网站照片| 亚洲国产日韩欧美精品在线观看 | 亚洲成人久久性| 日本一二三区视频观看| 女人高潮潮喷娇喘18禁视频| 亚洲一区二区三区色噜噜| 9191精品国产免费久久| 黄色毛片三级朝国网站| 九色国产91popny在线| 日本一区二区免费在线视频| bbb黄色大片| 精品一区二区三区四区五区乱码| 88av欧美| 淫秽高清视频在线观看| av欧美777| 久久久久亚洲av毛片大全| 亚洲精品在线美女| 亚洲专区中文字幕在线| 人人妻,人人澡人人爽秒播| 久久久国产欧美日韩av| www日本黄色视频网| av有码第一页| 草草在线视频免费看| 黄色 视频免费看| 亚洲美女视频黄频| 少妇粗大呻吟视频| ponron亚洲| 99久久99久久久精品蜜桃| 熟妇人妻久久中文字幕3abv| 悠悠久久av| 亚洲国产高清在线一区二区三| 日韩中文字幕欧美一区二区| 天天躁夜夜躁狠狠躁躁| 一区二区三区高清视频在线| 国产精品综合久久久久久久免费| 黄色 视频免费看| 在线观看一区二区三区| 久久人妻福利社区极品人妻图片| 久久性视频一级片| √禁漫天堂资源中文www| 亚洲一区中文字幕在线| 身体一侧抽搐| 国产高清视频在线观看网站| 十八禁人妻一区二区| 免费在线观看亚洲国产| av超薄肉色丝袜交足视频| 欧美成人一区二区免费高清观看 | 日本三级黄在线观看| 国产99久久九九免费精品| 一本大道久久a久久精品| 每晚都被弄得嗷嗷叫到高潮| 亚洲无线在线观看| bbb黄色大片| 午夜精品一区二区三区免费看| 亚洲成人免费电影在线观看| 精华霜和精华液先用哪个| 叶爱在线成人免费视频播放| 国模一区二区三区四区视频 | 男女午夜视频在线观看| 草草在线视频免费看| 亚洲一码二码三码区别大吗| 午夜精品久久久久久毛片777| 黄色丝袜av网址大全| netflix在线观看网站| 少妇粗大呻吟视频| 久久精品影院6| 亚洲精品中文字幕一二三四区| 亚洲成人久久爱视频| 国产精品电影一区二区三区| 亚洲午夜理论影院| 一区二区三区高清视频在线| 美女黄网站色视频| 久久久久久久精品吃奶| 亚洲欧美精品综合久久99| 男男h啪啪无遮挡| 老司机靠b影院| 亚洲av成人av| 午夜福利视频1000在线观看| 国产精品 欧美亚洲| 小说图片视频综合网站| 草草在线视频免费看| 亚洲一码二码三码区别大吗| 久久草成人影院| 亚洲国产日韩欧美精品在线观看 | 99国产综合亚洲精品| 欧美黑人巨大hd| 老司机福利观看| 亚洲av五月六月丁香网| www日本黄色视频网| 欧美性猛交╳xxx乱大交人| 亚洲人成伊人成综合网2020| 黄色a级毛片大全视频| av免费在线观看网站| 欧美黄色片欧美黄色片| 十八禁人妻一区二区| 国产成人av教育| 又爽又黄无遮挡网站| 亚洲av成人精品一区久久| 国产伦在线观看视频一区| 久久久久免费精品人妻一区二区| 国产精品国产高清国产av| 国产单亲对白刺激| 亚洲av成人av| 亚洲av电影在线进入| 99久久精品国产亚洲精品| 后天国语完整版免费观看| 两人在一起打扑克的视频| 丰满人妻熟妇乱又伦精品不卡| 国产精品日韩av在线免费观看| 成人国产一区最新在线观看| 免费av毛片视频| 国产精品自产拍在线观看55亚洲| 精品久久久久久成人av| 全区人妻精品视频| 亚洲男人的天堂狠狠| 不卡av一区二区三区| 日本熟妇午夜| 亚洲欧美日韩东京热| 最近在线观看免费完整版| 搡老熟女国产l中国老女人| 中出人妻视频一区二区| 一边摸一边做爽爽视频免费| 国产精品久久久久久精品电影| 亚洲aⅴ乱码一区二区在线播放 | av中文乱码字幕在线| 欧美成人一区二区免费高清观看 | 亚洲精品国产一区二区精华液| 亚洲av五月六月丁香网| 五月伊人婷婷丁香| 1024视频免费在线观看| 美女 人体艺术 gogo| 中文资源天堂在线| 88av欧美| 国产午夜精品久久久久久| 欧美日韩中文字幕国产精品一区二区三区| 中出人妻视频一区二区| 免费在线观看影片大全网站| 人成视频在线观看免费观看| 一本综合久久免费| 国产av不卡久久| 又爽又黄无遮挡网站| 婷婷精品国产亚洲av| 99久久精品热视频| 老司机午夜福利在线观看视频| 神马国产精品三级电影在线观看 | 中出人妻视频一区二区| 国产精品影院久久| 日本a在线网址| 欧美大码av| 丁香欧美五月| 国模一区二区三区四区视频 | 99国产精品99久久久久| 宅男免费午夜| 成年女人毛片免费观看观看9| 悠悠久久av| 18禁裸乳无遮挡免费网站照片| 日本熟妇午夜| 国产精品爽爽va在线观看网站| 国产人伦9x9x在线观看| 巨乳人妻的诱惑在线观看| 精品无人区乱码1区二区| 国产99白浆流出| 亚洲精华国产精华精| 两性午夜刺激爽爽歪歪视频在线观看 | 99riav亚洲国产免费| 又黄又爽又免费观看的视频| 91成年电影在线观看| 一级毛片女人18水好多| 亚洲,欧美精品.| 久久伊人香网站| 777久久人妻少妇嫩草av网站| 在线十欧美十亚洲十日本专区| 精品人妻1区二区| 久久天堂一区二区三区四区| 99久久精品国产亚洲精品| 少妇粗大呻吟视频| 国产伦人伦偷精品视频| 50天的宝宝边吃奶边哭怎么回事| 19禁男女啪啪无遮挡网站| 国产又黄又爽又无遮挡在线| av有码第一页| 亚洲国产精品合色在线| 18禁裸乳无遮挡免费网站照片| 每晚都被弄得嗷嗷叫到高潮| 免费在线观看亚洲国产| 一区福利在线观看| 高潮久久久久久久久久久不卡| 九九热线精品视视频播放| 国产伦一二天堂av在线观看| 一个人观看的视频www高清免费观看 | 国产片内射在线| 五月玫瑰六月丁香| 看片在线看免费视频| 在线观看美女被高潮喷水网站 | 在线视频色国产色| 一个人观看的视频www高清免费观看 | 国产精品自产拍在线观看55亚洲| 亚洲人成网站高清观看| 在线永久观看黄色视频| 亚洲精品国产一区二区精华液| 欧美在线黄色| 色av中文字幕| www日本黄色视频网| 久久久久久久精品吃奶| 国产伦在线观看视频一区| 听说在线观看完整版免费高清| 人人妻人人看人人澡| 久久久久久久午夜电影| 国内精品久久久久精免费| 久久久久久久久久黄片| 黄色丝袜av网址大全| 久久婷婷人人爽人人干人人爱| 99久久精品国产亚洲精品| av天堂在线播放| 一级作爱视频免费观看| 欧美成人午夜精品| 日本a在线网址| 两个人视频免费观看高清| 别揉我奶头~嗯~啊~动态视频| 欧美不卡视频在线免费观看 | 国产片内射在线| 日韩精品青青久久久久久| 亚洲人成电影免费在线| 白带黄色成豆腐渣| 日本免费a在线| 国产亚洲精品一区二区www| 黄色视频,在线免费观看| 可以在线观看毛片的网站| 国产黄a三级三级三级人| 看黄色毛片网站| 日本免费a在线| 欧美精品啪啪一区二区三区| 我要搜黄色片| 啦啦啦韩国在线观看视频| 19禁男女啪啪无遮挡网站| 99热这里只有是精品50| 亚洲美女视频黄频| 首页视频小说图片口味搜索| 亚洲成人精品中文字幕电影| 丝袜人妻中文字幕| 白带黄色成豆腐渣| 国产成人精品无人区| 少妇熟女aⅴ在线视频| 成人午夜高清在线视频| 成人高潮视频无遮挡免费网站| 精品免费久久久久久久清纯| 两性午夜刺激爽爽歪歪视频在线观看 | 一级作爱视频免费观看| 国产爱豆传媒在线观看 | 亚洲五月天丁香| 亚洲国产欧美网| 1024香蕉在线观看| 级片在线观看| 久久这里只有精品中国| 国产成人啪精品午夜网站| 丁香欧美五月| 精品久久久久久成人av| 欧美黑人精品巨大| 国产精品久久电影中文字幕| 久久亚洲精品不卡| 老司机福利观看| 国产又色又爽无遮挡免费看| 欧美中文综合在线视频| 亚洲美女黄片视频| 国产欧美日韩一区二区精品| 亚洲人成网站在线播放欧美日韩| 久久香蕉激情| 亚洲成人免费电影在线观看| 国产伦人伦偷精品视频| 亚洲va日本ⅴa欧美va伊人久久| 国产成人精品无人区| 国产精品免费视频内射| 国产精华一区二区三区| 国产精品综合久久久久久久免费| 久久这里只有精品19| 久久人人精品亚洲av| 国产精品久久电影中文字幕| 国产精品一及| 国产探花在线观看一区二区| 国产午夜精品久久久久久| 99久久99久久久精品蜜桃| 制服丝袜大香蕉在线| 亚洲av五月六月丁香网| 黄片大片在线免费观看| 亚洲成人久久性| 非洲黑人性xxxx精品又粗又长| 少妇人妻一区二区三区视频| 50天的宝宝边吃奶边哭怎么回事| 精品免费久久久久久久清纯| 一区二区三区高清视频在线| 欧美中文综合在线视频| 嫩草影院精品99| 亚洲熟女毛片儿| 精品久久蜜臀av无| 久久香蕉国产精品| 又紧又爽又黄一区二区| 国产区一区二久久| 国产欧美日韩精品亚洲av| 岛国在线观看网站| 美女 人体艺术 gogo| 91麻豆精品激情在线观看国产| 亚洲av片天天在线观看| 日本一二三区视频观看| 国产精品久久久av美女十八| 日日爽夜夜爽网站| 国产精品久久视频播放| 村上凉子中文字幕在线| 脱女人内裤的视频| 精品久久久久久久末码| 大型黄色视频在线免费观看| 黄色丝袜av网址大全| 久久人妻福利社区极品人妻图片| 三级国产精品欧美在线观看 | 天天一区二区日本电影三级| 一本一本综合久久| 国产精品香港三级国产av潘金莲| 一区二区三区国产精品乱码| 久久天躁狠狠躁夜夜2o2o| 欧美日本亚洲视频在线播放| 精品久久久久久久久久免费视频| 精品免费久久久久久久清纯| 国内少妇人妻偷人精品xxx网站 | 在线a可以看的网站| 欧美黄色淫秽网站| 19禁男女啪啪无遮挡网站| 久热爱精品视频在线9| 夜夜夜夜夜久久久久| 久久精品影院6| 麻豆成人av在线观看| 成年女人毛片免费观看观看9| 国产三级黄色录像| 亚洲熟女毛片儿| 欧美另类亚洲清纯唯美| 成在线人永久免费视频| 悠悠久久av| 伦理电影免费视频| 亚洲七黄色美女视频| 日韩免费av在线播放| 最近最新中文字幕大全电影3| 99国产精品一区二区蜜桃av| 欧美+亚洲+日韩+国产| 观看免费一级毛片|