• <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 ?

    基于層次形狀特征提取模型的圖像分類①

    2016-12-05 07:47:36張盛博
    高技術(shù)通訊 2016年1期
    關(guān)鍵詞:特征提取方向特征

    張盛博 劉 娜 霍 宏 方 濤

    ?

    基于層次形狀特征提取模型的圖像分類①

    張盛博②劉 娜 霍 宏 方 濤③

    (上海交通大學(xué)自動化系控制與信息處理教育部重點實驗室 上海 200240)

    研究了基于層次形狀特征提取的圖像分類。針對從初級視覺皮層(V1)提取的條形特征對目標形狀的描述不充分,提出了一種層次模型(V1-V2-V4),以進一步提取角形、曲率特征。模型中V1層的條形特征提取采用Gabor模擬;V2層結(jié)合了抑制噪聲的3D高斯差分(DOG),并使用濾波方向相差90度的Gabor濾波器組提取多尺度角形特征;V4層通過曲率域計算來描述目標輪廓的形變程度,并最終提取融合曲率與梯度方向的直方圖特征。該模型的優(yōu)勢在于,通過角形以及曲率計算的層次表達,可有效增強目標形狀的關(guān)鍵特征點(如角點位置)的提取,并且結(jié)合曲率與梯度的直方圖描述,也可有效彌補單一曲率或梯度特征局部描述不足的問題。在MNIST手寫數(shù)字與21類遙感影像上的實驗表明,曲率與梯度的融合特征的運用可獲得98.94%的數(shù)字識別精度,同時在遙感影像分類中也可獲得較好的分類效果。

    腹側(cè)通路, 形狀特征, 曲率, 層次性, 圖像分類

    0 引 言

    圖像分類是利用計算機視覺技術(shù),根據(jù)目標在圖像信息中所反映出的特征,把不同類別的目標識別、區(qū)分開來的圖像處理方法。人的視覺系統(tǒng)可以快速、準確地處理大量視覺信息,相比于傳統(tǒng)的計算機視覺方法,可以更好地完成目標識別任務(wù)。視覺系統(tǒng)對目標形狀的信息處理是從視網(wǎng)膜開始,經(jīng)過側(cè)膝體(LGN)、V1、V2、V4、IT等層次的過程[1]。受初級視覺皮層V1啟發(fā),余鵬等[2]提出了一種前饋深度層次模型。該模型利用稀疏連接模擬感受野特性,結(jié)合方向圖實現(xiàn)對目標的抽象表示。文獻[3]基于V1簡單細胞特性與極大化稀疏原理,提出了快速收斂的獨立成分分析(independent component analysis, ICA)模型,該模型較傳統(tǒng)的ICA模型收斂速度更快,但是受噪聲影響較大。最具代表性的模型是Poggio等[4]提出的分層最大化(HMAX)模型。該模型的簡單細胞層執(zhí)行“線性和”操作,復(fù)雜細胞層執(zhí)行“最大化”操作,從而實現(xiàn)位置、尺度等的不變性。該模型與V1實現(xiàn)了較好對應(yīng),而對更高級皮層的模擬比較粗糙。以上模型主要停留在V1,忽略了較高級皮層神經(jīng)機制對目標表達的重要作用[5]。近年來,涌現(xiàn)出了許多結(jié)合高級皮層進行模擬的層次模型:Kavukcuoglu等[6]在ICA基礎(chǔ)上,把非線性變換引入稀疏編碼模型,模擬V1復(fù)雜細胞特性,但是在特征提取部分需要執(zhí)行迭代算法,計算量較大;Yang等[7]基于尺度不變特征變換(SIFT)特征提出了一種監(jiān)督的稀疏編碼模型,該模型通過max pooling操作實現(xiàn)對V1復(fù)雜細胞不變性的模擬,但此模型使用的基于反投影的隨機優(yōu)化算法計算速度較慢,并且max pooling操作會丟失較多信息;Kim等[8]提出了一種模擬V1、V4的形狀編碼方法,該方法結(jié)合視覺區(qū)域檢測和形狀編碼提取目標單一尺度下的曲率方向特征并初步應(yīng)用在目標識別中,但是此模型忽略了V2區(qū)對角形特征提取的重要作用[9];Tschechne等[10]受神經(jīng)元間存在反饋連接的啟發(fā),提出了對表面和目標邊界編碼的循環(huán)計算網(wǎng)絡(luò)模型,此模型增加了對V2區(qū)模擬并應(yīng)用于目標邊界提取。

    形狀特征是用于描述目標的基本特征,常見的有基于輪廓和基于區(qū)域的形狀描述[11]。其中,基于輪廓的描述應(yīng)用更為廣泛,原因在于視覺系統(tǒng)通常是基于輪廓區(qū)分形狀。此外,曲率作為判別形狀間相似性的重要輪廓特征[12],可在視皮層中的V4區(qū)進行感知[5]。但是,基于輪廓的形狀描述也存在一些限制,比如輪廓受噪聲影響較大,并且目標輪廓常常難以提取。不同于基于輪廓或區(qū)域的描述方法,層次性的形狀描述可以逐層地過濾掉不匹配的圖像特征[11]?;诖?,本文提出了一種層次形狀特征提取模型(V1-V2-V4)以彌補V1條形特征對形狀描述的不充分。該模型與上述文獻的模型不同:首先是結(jié)合噪聲抑制與V2角形特征,通過增強角形特征點如角點位置的提取,進而將其應(yīng)用于目標與場景分類中;其次是對V4層引入曲率計算以描述目標輪廓的形變程度,并對V4輸出提取融合曲率及梯度方向的直方圖特征以彌補單一特征對目標或場景分類的不足。

    1 模型框架

    模型共三層,分別為V1層、V2層、V4層,層與層之間采用前饋連接,如圖1所示。

    圖1 層次形狀特征提取模型

    對每個圖像子塊,V1層使用Gabor濾波器組在5尺度8方向下提取兩組條形特征,每組條形特征的濾波方向相差90度。V2層在每個尺度下對V1輸出的兩組條形特征進行組合,實現(xiàn)對角形特征的提取。V4層計算不同方向下V2輸出的曲率與方向?qū)?shù)。特征提取階段則是累積每個尺度的不同方向下V4輸出的曲率與方向?qū)?shù)的最大值作為目標的曲率特征與梯度特征,簡稱為“曲率+梯度”特征。

    圖2為各層輸出效果圖。

    圖2 各層輸出效果圖

    1.1 V1層

    使用Gabor函數(shù)模擬V1層簡單細胞對條形刺激的響應(yīng)作用[13]。二維Gabor函數(shù)的表達式為

    (1)

    (2)

    其中尺度參數(shù)σ1決定V1層簡單細胞感受野的大小,角度參數(shù)θ模擬神經(jīng)元的最優(yōu)響應(yīng)方向。參數(shù)r決定神經(jīng)元感受野形狀,參數(shù)φ決定偶數(shù)的奇偶性,1/λ表示余弦因子頻率設(shè)輸入圖像為f(x,y),則模擬簡單細胞響應(yīng)結(jié)果為

    Rλ,σ1,θ,φ(x,y)=(f×gλ,σ1,θ,φ)(x,y)

    (3)

    使用Gabor能量算子模擬復(fù)雜細胞的響應(yīng)結(jié)果:

    (4)

    使用Nθ個不同方向θi下的Gabor能量的向量和來模擬V1層輸出,將多個方向合并為1個主方向:

    (5)

    1.2 V2層

    模型V2層的目的是在獲得條形特征的基礎(chǔ)上提取角形[9]特征,進而有效增強目標在關(guān)鍵特征點(如角點)位置處的特征描述。

    (6)

    (7)

    (8)

    參數(shù)α1控制抑制強度的大小。

    其次,采用最優(yōu)響應(yīng)角度相差π/2的Rθi(x,y,s)模擬V2層對角形特征的響應(yīng)(圖3):

    RV2=Rθi·Rθi+π/2

    (9)

    圖3 V2層角形特征提取

    其中,Rθi與Rθi+π/2分別表示V1層不同方向下的條形特征。將對應(yīng)像素點的灰度值相乘,則結(jié)果只保留θi與(θi+π/2)方向組合的條形特征,即角形特征RV2。根據(jù)圖2可以看出,V2輸出后四角位置處亮度相對更高,角形部分得到加強。

    此外,由于單一尺度下會造成目標尺度信息的缺失,因此,與文獻[10]不同的是,本文將單一尺度下的角形特征提取擴展到多尺度,該擴展方式有助于增強目標尺度變化的穩(wěn)健性。

    1.3 V4層

    V4層的目的是在獲得目標條形、角形特征基礎(chǔ)上提取曲率[5]方向特征。采用構(gòu)建方向域與曲率域的方法[8]模擬V4。

    曲率的計算方式如下:首先借助梯度向量的能量方向構(gòu)建方向域:

    (10)

    其中Ix、Iy表示對RV2(i, j)分別求x、y方向偏導(dǎo)。則推導(dǎo)近似曲率(ksel)如圖4所示:

    (11)

    通過添加梯度幅值(Mfwd, Mbwd)修正上述方程,得到在(i, j)處曲率域表達式:

    CF(i, j)=(1-cos(ksel(i, j)))·Mfwd·Mbwd

    (12)

    方向?qū)?shù)的計算方式如下:

    RV2(i, j)在點(x, y)處沿方向l=(cosθ,sinθ)的方向?qū)?shù)為

    ( 13 )

    圖4 135°方向的曲率信息近似計算

    1.4 特征提取

    圖5給出了特征提取的示意圖:計算每個點在四個方向下的曲率/梯度幅值,累積最大值。

    2 實驗及分析

    為驗證本文模型的有效性,實驗采用兩種類型的數(shù)據(jù)集(MNIST手寫數(shù)字識別[15]和21類遙感影像分類[16])。實驗環(huán)境如下:CPU:Intel Xeon E5-2630 2.40GHz;內(nèi)存:64.0GB;系統(tǒng)類型:64位Windows 7企業(yè)版;開發(fā)平臺:MATLAB R2013a。

    2.1 MNIST手寫數(shù)字識別

    MNIST共10類(28×28像素),如圖6所示。其中訓(xùn)練樣本共60000幅,測試樣本共10000幅。

    圖6 MNIST數(shù)據(jù)集樣圖

    實驗中,首先將每幅圖像分割成2×2個子塊,使用最近鄰插值算法,將每個圖像子塊大小縮放為16像素×16像素。設(shè)定式(1)中γ=0.3,λ=8,σ1∈{0.6,1.7,2.8,3.9,5.0},式(2)中θ∈{0,π/8,2π/8,3π/8,4π/8,5π/8,6π/8,7π/8},式(5)中Nθ=8,式(7)中α1=1。

    使用1.4節(jié)的方式提取特征,每個亞子塊提取8方向16維的“曲率+梯度”特征,則每個子塊提取16×(4×4)=256維特征。共5個尺度、2×2個子塊,每幅圖像提取的特征維數(shù)為256×5×(2×2)=5120維。最終采用支持向量機(SVM)進行訓(xùn)練與測試。表1給出了本文方法識別精度的混淆矩陣,表2示出了本文模型與其它基于生物視覺啟發(fā)方法的識別精度,表3給出了方向數(shù)分別為4和8時單獨的層次性梯度、曲率特征及“曲率+梯度”特征的識別精度。

    表1 MNIST數(shù)字識別混淆矩陣

    表2 不同方法在MNIST上的精度

    表3 兩種方向下不同特征的精度

    表1給出了10個測試集的識別情況,表中行代表各個類別(0~9),列代表預(yù)測結(jié)果。對角線上的表示正確分類的樣本數(shù),非對角線表示錯分樣本??傮w上看,實驗取得了理想的識別精度。具體而言,“0”、 “1”等類別識別效果相對更好,“0”只有5個樣本分錯,“1”只有3個樣本分錯。因為這些類別在形狀上區(qū)分度較高,可以更準確地使用形狀特征進行描述;而“9”的識別效果相對較差,共有23個樣本分錯。其中有5個樣本分成了“4”,有6個樣本分成了“7”,因為在形狀上“9”與“4”、“7”等類別具有相似性,因此用形狀特征區(qū)分其差別具有一定難度。

    根據(jù)表2,本文模型比HMAX改進模型識別精度高2.44%,因為HMAX在提取條形特征后缺少對更復(fù)雜形狀特征的描述,因而建立的特征詞典不夠完備;比ICA直方圖方法高0.22%,因為ICA方法容易受噪聲影響;與IPSD方法精度相差0.06%,因為IPSD在ICA的特征提取等部分進行了有效優(yōu)化;SIFT稀疏編碼精度最高,因為SIFT特征本身實現(xiàn)了較好的局部不變性,可以有效區(qū)分目標的形狀特征。

    表3驗證了本文模型在方向拓展、特征融合上的有效性。4方向拓展為8方向后,梯度特征識別精度提高了2.34%,曲率特征精度提高了3.2%,“曲率+梯度”特征提高了1.47%。特征融合后,4方向下“曲率+梯度”特征分別比單獨的梯度特征、單獨的曲率特征識別精度高12.67%、18.55%;8方向下高11.8%、16.82%。

    2.2 21類遙感影像分類

    21類遙感影像共21類,每類包含100幅圖像(256像素×256像素)。數(shù)據(jù)集包含了較為復(fù)雜的地物結(jié)構(gòu),類間具有形狀上的相似性,并且圖像的空間結(jié)構(gòu)關(guān)系較為復(fù)雜,存在尺度、旋轉(zhuǎn)變化等因素影響,如圖7所示。

    圖7 21類遙感影像部分樣圖

    實驗中,模型參數(shù)設(shè)置與2.1部分大致相同,區(qū)別在于:此處在 3個尺度下(σ1∈{0.6,1.8,3})使用滑動窗口的方式提取特征,每個尺度下的濾波結(jié)果對應(yīng)的滑動窗口數(shù)與滑動步長分別選取為32/8,36/10,40/18,則每幅圖像滑動的窗口數(shù)為29×29+23×23+13×13=1539。對每個窗口分為4×4的亞子塊,每個亞子塊提取4方向的8維曲率梯度特征,則每個窗口提取8×(4×4)=128維特征,則對每幅圖像提取128×1539=196992維特征。

    此外,使用vlfeat[18]工具箱提供的VLAD encoding方法對特征進行聚集產(chǎn)生更為緊湊的全局描述子,并采用SVM分類器進行訓(xùn)練與測試。實驗中,每類隨機選取50幅圖像作為訓(xùn)練樣本,其余50幅作為測試樣本,重復(fù)10次進行交叉驗證,最后將10次分類結(jié)果求均值。

    表4比較了其它基于直方圖特征的提取方法在21類遙感影像數(shù)據(jù)集上的分類結(jié)果。其中SCK主要應(yīng)用了SIFT、空間共生核(Co-occurrence Kernel)方法,SPCK在SCK方法基礎(chǔ)上增加了空間金字塔共生核方法,BOVW+SCK是在SCK方法基礎(chǔ)上增加了詞包(bag of visual words,BOVW),SPMK主要應(yīng)用了SIFT和空間金字塔匹配核方法。本文模型比SPCK方法高4.87%,比SPMK方法高2.72%,比SCK方法高2.49%,比BOVW+SCK方法高0.3%。

    表4 不同方法在21類遙感影像上的精度

    此外,由于該數(shù)據(jù)集中目標具有較為復(fù)雜的背景與噪聲信息,適合驗證層次模型中每層的有效性。因此,我們分別比較了無V1、V2層(即直接提取曲率特征)、無V2層的“曲率+梯度”特征、單獨的層次性曲率特征、梯度特征與層次性的“曲率+梯度”特征的分類結(jié)果,如圖8所示。結(jié)果表明,4種層次性特征分類結(jié)果均明顯高于直接提取的曲率特征,平均差距最高達到25%左右,表明層次性形狀特征對于處理具有復(fù)雜背景與噪聲信息的目標更加有效。相比于無V2層“曲率+梯度”特征,添加V2層后可以將分類精度提高1%左右,表明在條形特征基礎(chǔ)上引入多尺度角形特征更為有效。同時“曲率+梯度”特征分類精度比單獨的曲率特征高16%左右,比單獨的梯度特征高3%左右,再次驗證了特征融合的有效性。

    圖8 層次性特征有效性驗證

    3 結(jié) 論

    本文建立了一種層次模型(V1-V2-V4),用于提取目標的條形、角形、曲率特征。其中V2層結(jié)合了3D-DOG抑制圖像噪聲,使用濾波方向相差90度的條形特征提取多尺度角形特征;V4通過曲率域提取目標輪廓形變程度較大的部分,最終提取融合曲率與梯度方向的直方圖特征。實驗表明,相比于條形特征,引入的角形、曲率特征可以更充分地描述目標形狀,層次性的形狀特征在目標識別上可以取得更好效果;曲率與梯度的融合特征可以有效彌補單一曲率或梯度特征局部描述的不足,并且特征方向的拓展可以進一步提高目標識別效果。未來的工作將繼續(xù)研究更高級皮層(如IT)對形狀編碼的機制,完善模型的層次結(jié)構(gòu),進一步提取目標更為完善的形狀特征。

    [ 1] Rousselet G A, Thorpe S J, Fabre-Thorpe M. How parallel is visual processing in the ventral pathway. Trends in Cognitive Sciences, 2004, 8(8): 363-370

    [ 2] 余鵬, 萬里紅, 霍宏等. 基于層次特征映射模型的目標識別. 高技術(shù)通訊, 2014, 24(4): 414-419

    [ 3] Hyv?rinen A. Fast and robust fixed-point algorithms for independent component analysis. Neural Networks, IEEE Transactions on, 1999, 10(3): 626-634

    [ 4] Riesenhuber M, Poggio T. Hierarchical models of object recognition in cortex. Nature Neuroscience, 1999, 2(11): 1019-1025

    [ 5] Connor C E, Brincat S L, Pasupathy A. Transformation of shape information in the ventral pathway. Current Opinion in Neurobiology, 2007, 17(2): 140-147

    [ 6] Kavukcuoglu K, Ranzato M A, Fergus R, et al. Learning invariant features through topographic filter maps. In: Proceedings of the International Conference on Computer Vision and Pattern Recognition (CVPR), Miami, America, 2009. 1605-1612

    [ 7] Yang J, Yu K, Huang T. Supervised translation-invariant sparse coding. In: Proceedings of the International Conference on Computer Vision and Pattern Recognition (CVPR), San Francisco, America, 2010. 3517-3524

    [ 8] Kim S, Kwon S, Kweon I S. A perceptual visual feature extraction method achieved by imitating V1 and V4 of the human visual system. Cognitive Computation, 2013, 5(4): 610-628

    [ 9] Boynton G M, Hegdé J. Visual cortex: The continuing puzzle of area V2. Current Biology, 2004, 14(13): R523-R524

    [10] Tschechne S, Neumann H. Hierarchical representation of shapes in visual cortex——from localized features to figural shape segregation. Frontiers in Computational Neuroscience, 2014, 8: 93

    [11] Zhang D, Lu G. Review of shape representation and description techniques. Pattern Recognition, 2004, 37(1): 1-19

    [12] Yang M, Kpalma K, Ronsin J. A survey of shape feature extraction techniques. Pattern Recognition, 2008, 41(1): 43-90

    [13] Park J G, Kim K J. Design of a visual perception model with edge-adaptive Gabor filter and support vector machine for traffic sign detection. Expert Systems with Applications, 2013, 40(9): 3679-3687

    [14] Deng S, Liu N, Huo H, et al. Contour detection based on multi-scale spatial inhibition and contextual modulation. In: Proceedings of the IEEE 2015 Seventh International Conference on Advanced Computational Intelligence (ICACI), Wuyi, China, 2015. 372-377

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

    [16] Yang Y, Newsam S. Bag-of-visual-words and spatial extensions for land-use classification. In: Proceedings of the 18th SIGSPATIAL International Conference on Advances in Geographic Information Systems (ACM GIS), San Jose, USA, 2010. 270-279

    [17] Borji A, Hamidi M, Mahmoudi F. Robust handwritten character recognition with features inspired by visual ventral stream. Neural Processing Letters, 2008, 28(2): 97-111

    [18] Vedaldi A, Fulkerson B. VLFeat: An open and portable library of computer vision algorithms. In: Proceedings of the International Conference on Multimedia, Firenze, Italy, 2010. 1469-1472

    [19] Yang Y, Newsam S. Spatial pyramid co-occurrence for image classification. In: Proceedings of the International Conference on Computer Vision (ICCV), Barcelona, Spain, 2011. 1465-1472

    [20] Lazebnik S, Schmid C, Ponce J. Beyond bags of features: Spatial pyramid matching for recognizing natural scene categories. In: Proceedings of the International Conference on Computer Vision and Pattern Recognition (CVPR), New York, America, 2006. 2169-2178

    Image classification based on a hierarchical shape feature extraction model

    Zhang Shengbo, Liu Na, Huo Hong, Fang Tao

    (Key Laboratory of System Control and Information Processing, Ministry of Education, Department of Automation, Shanghai Jiao Tong University, Shanghai 200240)

    The image classification based on hierarchical shape feature extraction was studied. Considering that the bar features extracted from the primary visual cortex of V1 can not sufficiently represent the shape of an object, a new hierarchical model of V1-V2-V4 was presented to further extract the features of angle and curvature. Under the model, the Gabor function is adopted to simulate V1 to extract the bar features, the noisy inhibition using 3D-DOG (difference of Gaussian) combined with a group of Gabor filters with the filtering direction difference of 90°, is introduced to extract the multi-scale angle features in V2, and in V4, the deformation of the shape of an object is described through the computation of the curvature field, to finally extract the histogram features fusing the curvature and gradient orientation. The advantage of the proposed model is that the hierarchical representation based on the computation of angle and curvature helps to extract the key points of object shape such as the corners. Moreover, the use of fusion features also remedies the inadequacy of the object description only using curvature or gradient feature. The experiments on MNIST handwritten digits and 21 remote sensing images demonstrated that the use of the features fusing curvature and gradient orientation achieved the digit recognition accuracy of 98.94%, and obtained the better result in classification of remote sensing images.

    ventral pathway, shape feature, curvature, hierarchy, image classification

    ① 973計劃(2012CB719903),國家自然科學(xué)基金委創(chuàng)新研究群體(X198144),國家自然科學(xué)基金青年科學(xué)基金(41101386)和國家自然科學(xué)基金(41071256)資助項目。

    ?,E-mail: tfang@sjtu.edu.cn(

    2015-10-28)

    10.3772/j.issn.1002-0470.2016.01.011

    ② 男,1990年生,碩士;研究方向:計算機視覺,數(shù)字圖像處理;E-mail:sheng_bo_cool@163.com

    猜你喜歡
    特征提取方向特征
    2022年組稿方向
    2021年組稿方向
    2021年組稿方向
    如何表達“特征”
    基于Gazebo仿真環(huán)境的ORB特征提取與比對的研究
    電子制作(2019年15期)2019-08-27 01:12:00
    不忠誠的四個特征
    抓住特征巧觀察
    一種基于LBP 特征提取和稀疏表示的肝病識別算法
    位置與方向
    基于MED和循環(huán)域解調(diào)的多故障特征提取
    女人被狂操c到高潮| 精品久久久久久,| 日韩欧美精品v在线| 日韩 欧美 亚洲 中文字幕| 一级a爱片免费观看的视频| 丁香欧美五月| 亚洲精品国产精品久久久不卡| 久久亚洲真实| 亚洲人成电影免费在线| 国产成人欧美在线观看| 欧美最黄视频在线播放免费| 精品国产亚洲在线| 在线免费观看的www视频| 亚洲精华国产精华精| 国产精品亚洲av一区麻豆| 免费观看精品视频网站| 国内精品一区二区在线观看| 亚洲精品在线观看二区| 亚洲欧美日韩无卡精品| 国产精品一及| 国产一区在线观看成人免费| 亚洲成人国产一区在线观看| www日本黄色视频网| 无遮挡黄片免费观看| 男人舔女人下体高潮全视频| 免费高清视频大片| 51午夜福利影视在线观看| 1024手机看黄色片| 99热这里只有精品一区 | 久久亚洲精品不卡| 男人舔女人下体高潮全视频| 精品国产美女av久久久久小说| 久久香蕉国产精品| 国产日本99.免费观看| 丁香六月欧美| 伊人久久大香线蕉亚洲五| 天堂√8在线中文| 欧美成狂野欧美在线观看| 最新美女视频免费是黄的| 变态另类成人亚洲欧美熟女| 国产不卡一卡二| 性色av乱码一区二区三区2| 在线看三级毛片| 中文字幕av在线有码专区| 国产精品综合久久久久久久免费| 亚洲人成77777在线视频| 免费在线观看黄色视频的| 脱女人内裤的视频| 大型黄色视频在线免费观看| 天天添夜夜摸| 成年女人毛片免费观看观看9| 午夜日韩欧美国产| 亚洲国产精品sss在线观看| 久久中文字幕一级| 国产69精品久久久久777片 | 日韩 欧美 亚洲 中文字幕| 久久精品国产亚洲av高清一级| 性欧美人与动物交配| 国产伦一二天堂av在线观看| 少妇人妻一区二区三区视频| 亚洲性夜色夜夜综合| 在线看三级毛片| 国产亚洲精品一区二区www| 亚洲乱码一区二区免费版| 亚洲性夜色夜夜综合| 99久久精品国产亚洲精品| 女人爽到高潮嗷嗷叫在线视频| av天堂在线播放| 欧美性猛交黑人性爽| 无人区码免费观看不卡| 国产熟女xx| 村上凉子中文字幕在线| 亚洲一码二码三码区别大吗| 精品久久久久久久久久久久久| 日本成人三级电影网站| 男女床上黄色一级片免费看| 亚洲人与动物交配视频| 欧美乱色亚洲激情| 久久精品夜夜夜夜夜久久蜜豆 | 99久久99久久久精品蜜桃| 亚洲av成人不卡在线观看播放网| av在线天堂中文字幕| 亚洲成a人片在线一区二区| 国产亚洲精品一区二区www| 成人三级黄色视频| 久久精品91无色码中文字幕| 国产精品电影一区二区三区| 国产三级在线视频| 亚洲aⅴ乱码一区二区在线播放 | 亚洲人成77777在线视频| 97超级碰碰碰精品色视频在线观看| 亚洲av成人一区二区三| 欧美在线黄色| 亚洲一码二码三码区别大吗| 99在线视频只有这里精品首页| 午夜精品一区二区三区免费看| 欧美日韩国产亚洲二区| 欧美日本亚洲视频在线播放| 久久人妻福利社区极品人妻图片| 国产精品 欧美亚洲| 午夜两性在线视频| 90打野战视频偷拍视频| 亚洲欧美精品综合久久99| 欧美激情久久久久久爽电影| 国产欧美日韩一区二区三| 青草久久国产| 中文亚洲av片在线观看爽| 国产成年人精品一区二区| 麻豆国产av国片精品| 99国产精品99久久久久| 国产成人系列免费观看| 青草久久国产| 欧美乱码精品一区二区三区| 久久精品国产亚洲av香蕉五月| 最近最新免费中文字幕在线| 国产av麻豆久久久久久久| 女人高潮潮喷娇喘18禁视频| 99久久无色码亚洲精品果冻| 中文在线观看免费www的网站 | 亚洲成a人片在线一区二区| 日韩国内少妇激情av| 国产精品香港三级国产av潘金莲| 老鸭窝网址在线观看| 级片在线观看| 欧美+亚洲+日韩+国产| 国内毛片毛片毛片毛片毛片| 中文字幕最新亚洲高清| 男人舔奶头视频| 我要搜黄色片| 91老司机精品| av国产免费在线观看| 老鸭窝网址在线观看| 亚洲人成网站高清观看| 国产精品久久久av美女十八| 嫁个100分男人电影在线观看| 国产精品电影一区二区三区| 国产不卡一卡二| 十八禁人妻一区二区| 99精品在免费线老司机午夜| 色噜噜av男人的天堂激情| a在线观看视频网站| 日韩大尺度精品在线看网址| 97人妻精品一区二区三区麻豆| 一个人观看的视频www高清免费观看 | 久久精品成人免费网站| 日日夜夜操网爽| 国产亚洲精品第一综合不卡| 香蕉国产在线看| 国产亚洲精品综合一区在线观看 | xxx96com| 无遮挡黄片免费观看| 一级片免费观看大全| 亚洲欧美日韩高清在线视频| 搡老岳熟女国产| 亚洲精品久久国产高清桃花| 日日爽夜夜爽网站| 在线观看一区二区三区| 一进一出抽搐动态| 国产精品一区二区精品视频观看| 亚洲无线在线观看| 精品久久久久久久久久久久久| 日韩欧美 国产精品| 听说在线观看完整版免费高清| 精品午夜福利视频在线观看一区| 国产午夜福利久久久久久| a级毛片a级免费在线| 特大巨黑吊av在线直播| 动漫黄色视频在线观看| 一个人免费在线观看电影 | 精品少妇一区二区三区视频日本电影| 午夜福利免费观看在线| 国产人伦9x9x在线观看| 国产三级在线视频| 亚洲欧美日韩高清专用| 手机成人av网站| 亚洲男人天堂网一区| bbb黄色大片| 两性午夜刺激爽爽歪歪视频在线观看 | 99热6这里只有精品| 又黄又爽又免费观看的视频| 久久精品综合一区二区三区| 亚洲欧洲精品一区二区精品久久久| 每晚都被弄得嗷嗷叫到高潮| 啪啪无遮挡十八禁网站| 看免费av毛片| 婷婷六月久久综合丁香| 国产日本99.免费观看| 国产精品免费视频内射| 亚洲熟妇熟女久久| 欧美国产日韩亚洲一区| 亚洲精品一区av在线观看| 欧美黑人巨大hd| 免费在线观看日本一区| 欧美黑人精品巨大| 国产视频内射| 一区二区三区高清视频在线| 岛国在线免费视频观看| 国产成人精品久久二区二区免费| 宅男免费午夜| 国产v大片淫在线免费观看| 成人特级黄色片久久久久久久| 国产一区二区三区在线臀色熟女| 黑人欧美特级aaaaaa片| 中文字幕人成人乱码亚洲影| 久久这里只有精品19| 一二三四在线观看免费中文在| 九色成人免费人妻av| 欧美中文日本在线观看视频| 老司机靠b影院| 搡老妇女老女人老熟妇| 久久 成人 亚洲| 美女午夜性视频免费| 亚洲欧美日韩高清专用| 在线观看免费视频日本深夜| 俄罗斯特黄特色一大片| 亚洲精品av麻豆狂野| 丁香欧美五月| 麻豆成人午夜福利视频| 免费无遮挡裸体视频| 女生性感内裤真人,穿戴方法视频| 精品午夜福利视频在线观看一区| 男人舔女人的私密视频| 给我免费播放毛片高清在线观看| 激情在线观看视频在线高清| 中文字幕熟女人妻在线| 国内精品久久久久精免费| 五月伊人婷婷丁香| 麻豆成人午夜福利视频| 亚洲成人免费电影在线观看| 国产伦人伦偷精品视频| 一级毛片高清免费大全| 亚洲18禁久久av| 老司机福利观看| 少妇粗大呻吟视频| 十八禁人妻一区二区| 国产熟女xx| 香蕉久久夜色| 2021天堂中文幕一二区在线观| 国产精品一及| 别揉我奶头~嗯~啊~动态视频| 国产aⅴ精品一区二区三区波| 久久国产精品影院| 国产欧美日韩精品亚洲av| 久久香蕉激情| 可以在线观看毛片的网站| 免费看a级黄色片| 国模一区二区三区四区视频 | 国产麻豆成人av免费视频| 亚洲国产日韩欧美精品在线观看 | 成人亚洲精品av一区二区| 在线观看免费视频日本深夜| 久久久久久久午夜电影| 老司机福利观看| 不卡一级毛片| 少妇裸体淫交视频免费看高清 | 日本熟妇午夜| 一区福利在线观看| 制服丝袜大香蕉在线| 国产高清videossex| 悠悠久久av| 国产精品日韩av在线免费观看| 一进一出抽搐动态| 777久久人妻少妇嫩草av网站| 亚洲成人国产一区在线观看| 制服诱惑二区| 人人妻人人看人人澡| 久久精品人妻少妇| 亚洲av熟女| 可以在线观看毛片的网站| www日本黄色视频网| 99在线视频只有这里精品首页| 香蕉久久夜色| 大型黄色视频在线免费观看| 久久久精品欧美日韩精品| 成熟少妇高潮喷水视频| 精品一区二区三区视频在线观看免费| 一进一出好大好爽视频| 亚洲人与动物交配视频| 黄色成人免费大全| 国产午夜精品久久久久久| 老司机福利观看| 妹子高潮喷水视频| 男女床上黄色一级片免费看| 99热6这里只有精品| 老司机在亚洲福利影院| 久久久久久国产a免费观看| 精品欧美一区二区三区在线| 国产视频一区二区在线看| 亚洲熟妇熟女久久| 欧美日韩亚洲国产一区二区在线观看| 精品一区二区三区视频在线观看免费| 日本免费a在线| 日韩大尺度精品在线看网址| 精品人妻1区二区| 99久久无色码亚洲精品果冻| 精品久久久久久久久久免费视频| 亚洲精品一区av在线观看| 俺也久久电影网| 不卡av一区二区三区| 亚洲国产欧洲综合997久久,| 欧美色视频一区免费| 老司机深夜福利视频在线观看| 99久久精品热视频| 亚洲成人久久爱视频| 黑人操中国人逼视频| 亚洲精品一区av在线观看| 成人手机av| 欧美绝顶高潮抽搐喷水| 一a级毛片在线观看| 国产精品久久视频播放| 韩国av一区二区三区四区| 欧美黑人欧美精品刺激| www国产在线视频色| 日本免费一区二区三区高清不卡| av在线天堂中文字幕| www.熟女人妻精品国产| ponron亚洲| 日韩大码丰满熟妇| 欧美 亚洲 国产 日韩一| 亚洲熟妇熟女久久| 日韩欧美在线二视频| 99国产极品粉嫩在线观看| 色精品久久人妻99蜜桃| 精品一区二区三区av网在线观看| 搡老岳熟女国产| 午夜老司机福利片| 久久国产精品影院| videosex国产| 成年免费大片在线观看| 成人特级黄色片久久久久久久| 天堂√8在线中文| 老司机午夜十八禁免费视频| www日本在线高清视频| 国产精品久久久人人做人人爽| 成人av在线播放网站| 国产伦在线观看视频一区| 国产精品av视频在线免费观看| 十八禁人妻一区二区| 精品福利观看| 日本 欧美在线| 国产精品一区二区三区四区免费观看 | 亚洲专区国产一区二区| 一边摸一边抽搐一进一小说| 午夜两性在线视频| 亚洲成av人片免费观看| 久久婷婷成人综合色麻豆| 嫁个100分男人电影在线观看| 国产精品亚洲美女久久久| 久久这里只有精品中国| 久久精品国产99精品国产亚洲性色| 亚洲一区二区三区色噜噜| 亚洲av日韩精品久久久久久密| 国产精品一区二区免费欧美| 亚洲精品美女久久久久99蜜臀| 99热这里只有是精品50| 日本精品一区二区三区蜜桃| 啦啦啦韩国在线观看视频| 国产高清视频在线观看网站| 人妻丰满熟妇av一区二区三区| 99精品欧美一区二区三区四区| xxx96com| 亚洲熟妇熟女久久| 中文字幕高清在线视频| 亚洲人成77777在线视频| 午夜日韩欧美国产| 精品国产乱码久久久久久男人| 91在线观看av| 一夜夜www| 国产精品乱码一区二三区的特点| 欧美zozozo另类| 在线十欧美十亚洲十日本专区| 少妇裸体淫交视频免费看高清 | 女生性感内裤真人,穿戴方法视频| 精品国内亚洲2022精品成人| 亚洲熟妇熟女久久| 一区二区三区国产精品乱码| 亚洲性夜色夜夜综合| 欧美日本视频| 欧美日韩乱码在线| 国产精品国产高清国产av| 国产成人精品无人区| 欧美不卡视频在线免费观看 | 日韩欧美 国产精品| 国产熟女午夜一区二区三区| 好男人电影高清在线观看| 中文字幕精品亚洲无线码一区| 午夜视频精品福利| 狂野欧美白嫩少妇大欣赏| 此物有八面人人有两片| 桃色一区二区三区在线观看| 一级a爱片免费观看的视频| 精品日产1卡2卡| 99re在线观看精品视频| 高清在线国产一区| 亚洲18禁久久av| 99精品在免费线老司机午夜| 国产一区二区三区在线臀色熟女| 日韩国内少妇激情av| av视频在线观看入口| 婷婷亚洲欧美| 久久久久国内视频| 黄色 视频免费看| 一级作爱视频免费观看| 午夜免费成人在线视频| 特大巨黑吊av在线直播| 免费av毛片视频| 中文在线观看免费www的网站 | 好看av亚洲va欧美ⅴa在| 国内毛片毛片毛片毛片毛片| 亚洲午夜精品一区,二区,三区| 亚洲国产欧美一区二区综合| 国产亚洲精品久久久久久毛片| 午夜免费激情av| 亚洲精品在线美女| 无人区码免费观看不卡| 美女大奶头视频| 成人亚洲精品av一区二区| 黄色女人牲交| 一级毛片女人18水好多| 中文字幕熟女人妻在线| 国产亚洲精品av在线| 哪里可以看免费的av片| 一进一出抽搐动态| 操出白浆在线播放| 亚洲色图av天堂| 免费高清视频大片| 国产av一区在线观看免费| 欧美日本亚洲视频在线播放| 久久精品国产亚洲av高清一级| 制服丝袜大香蕉在线| 午夜日韩欧美国产| 亚洲av熟女| 三级男女做爰猛烈吃奶摸视频| 久久久久九九精品影院| 大型黄色视频在线免费观看| 老司机午夜福利在线观看视频| 久久精品aⅴ一区二区三区四区| 国产又黄又爽又无遮挡在线| 国产高清视频在线观看网站| 亚洲av片天天在线观看| 69av精品久久久久久| 在线观看66精品国产| 一本一本综合久久| 国产av在哪里看| 精品午夜福利视频在线观看一区| 亚洲成人国产一区在线观看| 一级毛片高清免费大全| 久久久久久久午夜电影| 国产99久久九九免费精品| av福利片在线观看| 国产主播在线观看一区二区| 99热这里只有精品一区 | 小说图片视频综合网站| 色精品久久人妻99蜜桃| 久热爱精品视频在线9| 免费搜索国产男女视频| av免费在线观看网站| 亚洲精品久久国产高清桃花| 国产精品亚洲一级av第二区| 久久精品成人免费网站| 国产精品免费视频内射| 亚洲国产欧美一区二区综合| 国产精品免费视频内射| 这个男人来自地球电影免费观看| 日本熟妇午夜| 丝袜美腿诱惑在线| 91九色精品人成在线观看| 黄色视频,在线免费观看| 久久精品国产综合久久久| 亚洲精品美女久久久久99蜜臀| 天堂影院成人在线观看| 亚洲激情在线av| 一本精品99久久精品77| 久久亚洲精品不卡| 亚洲欧洲精品一区二区精品久久久| 久久精品国产清高在天天线| 法律面前人人平等表现在哪些方面| 97人妻精品一区二区三区麻豆| 女人被狂操c到高潮| 搡老岳熟女国产| 亚洲第一欧美日韩一区二区三区| 亚洲成人精品中文字幕电影| 99久久综合精品五月天人人| 日韩精品免费视频一区二区三区| 色av中文字幕| 中文字幕人成人乱码亚洲影| 老司机午夜福利在线观看视频| 男人舔女人的私密视频| 亚洲人成伊人成综合网2020| 久久精品人妻少妇| 99riav亚洲国产免费| 国产精品一区二区三区四区免费观看 | 国语自产精品视频在线第100页| 真人一进一出gif抽搐免费| 欧美又色又爽又黄视频| svipshipincom国产片| 天堂√8在线中文| 无限看片的www在线观看| a级毛片在线看网站| 99久久久亚洲精品蜜臀av| 亚洲免费av在线视频| 久久精品国产亚洲av香蕉五月| 亚洲精品av麻豆狂野| 最近最新中文字幕大全免费视频| 日本黄大片高清| 首页视频小说图片口味搜索| 宅男免费午夜| 女人爽到高潮嗷嗷叫在线视频| 18美女黄网站色大片免费观看| 日韩欧美 国产精品| 精品久久蜜臀av无| 国产精品一区二区三区四区久久| 国产免费男女视频| 久久九九热精品免费| 午夜福利18| 成人18禁高潮啪啪吃奶动态图| 亚洲狠狠婷婷综合久久图片| 精品不卡国产一区二区三区| 精品一区二区三区四区五区乱码| 日韩欧美一区二区三区在线观看| 精品久久久久久久人妻蜜臀av| 欧美zozozo另类| 熟女电影av网| 久久九九热精品免费| 老司机靠b影院| 亚洲第一欧美日韩一区二区三区| 亚洲精品色激情综合| svipshipincom国产片| 欧美午夜高清在线| 精品久久久久久久人妻蜜臀av| 久久亚洲真实| 此物有八面人人有两片| avwww免费| 一级毛片精品| 99国产精品一区二区蜜桃av| 国产爱豆传媒在线观看 | 亚洲精品美女久久av网站| 亚洲自偷自拍图片 自拍| 成年人黄色毛片网站| 少妇人妻一区二区三区视频| 国内精品久久久久精免费| 亚洲精品中文字幕一二三四区| 亚洲精品中文字幕在线视频| 人妻久久中文字幕网| 日韩三级视频一区二区三区| 欧美激情久久久久久爽电影| 亚洲人成电影免费在线| 草草在线视频免费看| 天堂av国产一区二区熟女人妻 | 久久精品亚洲精品国产色婷小说| 欧美乱妇无乱码| 欧美在线黄色| 国产精品野战在线观看| 精品久久久久久久末码| 亚洲真实伦在线观看| xxx96com| 国产高清有码在线观看视频 | 高清毛片免费观看视频网站| 人人妻人人澡欧美一区二区| 久久国产精品人妻蜜桃| 免费观看人在逋| 两个人的视频大全免费| 日韩欧美在线二视频| 嫩草影院精品99| 一边摸一边做爽爽视频免费| 国产单亲对白刺激| 国产黄a三级三级三级人| 国语自产精品视频在线第100页| 99热6这里只有精品| 亚洲成人国产一区在线观看| 老司机深夜福利视频在线观看| 最近在线观看免费完整版| 久久精品夜夜夜夜夜久久蜜豆 | 天堂√8在线中文| 欧美激情久久久久久爽电影| bbb黄色大片| 久久精品国产清高在天天线| 欧美绝顶高潮抽搐喷水| 国产真实乱freesex| 亚洲精品久久成人aⅴ小说| 亚洲av片天天在线观看| 91国产中文字幕| 国产精品久久久av美女十八| 脱女人内裤的视频| 久久精品91无色码中文字幕| 久久人人精品亚洲av| 免费观看精品视频网站| 中亚洲国语对白在线视频| 午夜影院日韩av| 国产99久久九九免费精品| 精品久久久久久久末码| 无遮挡黄片免费观看| 可以在线观看毛片的网站| 午夜福利在线观看吧| 午夜影院日韩av| 亚洲 欧美一区二区三区| 欧美黑人巨大hd| 免费看a级黄色片| 啦啦啦观看免费观看视频高清| 老鸭窝网址在线观看| 国产野战对白在线观看| 成人一区二区视频在线观看| 午夜福利在线观看吧| 国产精品久久久av美女十八| 一级毛片高清免费大全| 一本久久中文字幕| 国产又色又爽无遮挡免费看| 亚洲午夜理论影院| 久久午夜亚洲精品久久| 亚洲精品久久成人aⅴ小说| 香蕉久久夜色| 成人av在线播放网站| 国产91精品成人一区二区三区| 日韩国内少妇激情av| 热99re8久久精品国产|