• <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 ?

    基于稀疏排列的LPP和ELM的人臉識(shí)別

    2016-12-21 07:14:01王博林閆德勤楚永賀
    關(guān)鍵詞:學(xué)習(xí)機(jī)流形降維

    王博林, 閆德勤, 楚永賀

    (1.遼寧師范大學(xué) 數(shù)學(xué)學(xué)院,遼寧 大連 116029;2.遼寧師范大學(xué) 計(jì)算機(jī)與信息技術(shù)學(xué)院,遼寧 大連 116081)

    ?

    基于稀疏排列的LPP和ELM的人臉識(shí)別

    王博林1, 閆德勤2, 楚永賀2

    (1.遼寧師范大學(xué) 數(shù)學(xué)學(xué)院,遼寧 大連 116029;2.遼寧師范大學(xué) 計(jì)算機(jī)與信息技術(shù)學(xué)院,遼寧 大連 116081)

    在人臉圖像識(shí)別中人臉圖像數(shù)據(jù)中有很多是稀疏的,對(duì)于稀疏數(shù)據(jù)的降維是流形學(xué)習(xí)算法面臨的一個(gè)問(wèn)題。為了有效地從高維圖像數(shù)據(jù)中提取人臉圖像的敏感信息,提高人臉識(shí)別的速度,文章提出了一種基于流形學(xué)習(xí)的有監(jiān)督稀疏排列的局部保持投影算法(SSLPP)的極端學(xué)習(xí)機(jī)(ELM)。

    流形學(xué)習(xí);極端學(xué)習(xí)機(jī)

    0 引言

    近年來(lái)在流形學(xué)習(xí)的基礎(chǔ)上研究人員提出了不同的降維算法,例如,局部保持嵌入(Locally Linear Embedding, LLE)[1]、拉普拉斯特征映射(Laplacian Eigenmaps, LE)[2],這些非線(xiàn)性方法在人臉圖像識(shí)別中取得了理想的效果,然而人臉圖像數(shù)據(jù)往往具有非常高的維數(shù),利用這些非線(xiàn)性方法是非常耗時(shí),對(duì)如何構(gòu)建測(cè)試數(shù)據(jù)的鄰接圖關(guān)系是未知的。為了解決上述非線(xiàn)性方法的耗時(shí)問(wèn)題,研究人員提出了有監(jiān)督的鄰域保持嵌入(Supervised Neighborhood Preserving Embedding, SNPE)[3]、判別信息增強(qiáng)的鄰域保持嵌入(Discriminant-Enhanced Neighborhood Preserving Embedding, DNPE)[4]、局部最大間隔判別嵌入(Local Maximal Margin Discriminant Embedding, LMMDE)[5]等能夠很好地提取人臉圖像數(shù)據(jù)的判別信息,并且解決了非線(xiàn)性方法的耗時(shí)問(wèn)題。目前在人臉圖像識(shí)別中降維算法面臨的問(wèn)題是:基于流形學(xué)習(xí)的各種算法對(duì)人臉圖像數(shù)據(jù)的判別信息的提取效果不佳,極大地影響著極端學(xué)習(xí)機(jī)的分類(lèi)性能。降維算法的有效性取決于對(duì)人臉圖像數(shù)據(jù)判別信息的有效提取。稀疏性是人臉圖像數(shù)據(jù)的屬性之一,影響著降維算法的有效性。

    近年來(lái)HUANG等人[6]基于單隱層前饋神經(jīng)網(wǎng)絡(luò)(Single-Hidden Layer Feedforward Networks,SLFNs)結(jié)構(gòu)提出了極端學(xué)習(xí)機(jī)(Extreme Learning Machine,ELM)。ELM訓(xùn)練速度快,避免了傳統(tǒng)SLFNs學(xué)習(xí)方法收斂速度慢及陷入局部極小解的可能。ELM是一種基于單隱層前饋神經(jīng)網(wǎng)絡(luò)(SLFNs)的結(jié)構(gòu),它隨機(jī)選擇輸入權(quán)值和分析確定SLFNs的輸出權(quán)值,具有更好的泛化能力和更快的學(xué)習(xí)速度,避免了瑣碎的人為干預(yù),使得它在在線(xiàn)和實(shí)時(shí)應(yīng)用中具有較高的效率。然而在人臉識(shí)別問(wèn)題中由于人臉圖像數(shù)據(jù)往往具有非常高的維數(shù),從而使ELM的識(shí)別率下降和分類(lèi)速度變慢,為此本文提出了基于流形學(xué)習(xí)的極端學(xué)習(xí)機(jī)。本文的創(chuàng)新點(diǎn)如下:(1)將流形學(xué)習(xí)的理論與ELM結(jié)合起來(lái),進(jìn)而提高人臉識(shí)別的識(shí)別率和識(shí)別速度; (2)考慮到人臉圖像數(shù)據(jù)的稀疏性,為此利用人臉圖像數(shù)據(jù)的統(tǒng)計(jì)信息動(dòng)態(tài)確定局部線(xiàn)性化范圍,在LPP算法的基礎(chǔ)上依據(jù)數(shù)據(jù)的分布提出一種有監(jiān)督稀疏排列的局部保持投影算法(SSLPP)。

    1 基于流形學(xué)習(xí)的SSLPP降維方法

    圖1 以xi為中心的k-N(i)域

    對(duì)于稀疏的人臉圖像數(shù)據(jù)樣本集,樣本間重疊的信息量非常少,為此本文通過(guò)擴(kuò)大k鄰域?yàn)閗-N(i)區(qū)域?qū)υ紨?shù)據(jù)集進(jìn)行區(qū)域信息加強(qiáng),如圖1所示,k-N(xi)區(qū)域?yàn)镹(xi)及其對(duì)應(yīng)的k近鄰點(diǎn)構(gòu)成,這使得在數(shù)據(jù)樣本集較少的情況下,同樣能夠?qū)崿F(xiàn)重疊信息量非常充分的流形學(xué)習(xí)效果。

    本文期望k-N(i)鄰域降維后樣本的鄰域關(guān)系盡可能保持不變,則第i個(gè)樣本鄰域最小化目標(biāo)函數(shù)為:

    (1)

    (2)

    式(2)中c為所有樣本的類(lèi)別總數(shù),uT為投影變換矩陣,依據(jù)文獻(xiàn)[7]對(duì)LPP算法的推導(dǎo)過(guò)程如下:

    (3)

    其中Yi=[yi1,…,yik],el=[1,…,1]T,Il∈Rl×l的單位矩陣,L為拉普拉斯矩陣。SSLPP算法保持了LPP算法原有的框架,因此優(yōu)化條件可寫(xiě)為:

    minε(u)=tr(uTXLXTu) s.t.uTXDXTu=I

    (4)

    其中Dii=∑jwij,利用拉格朗日乘子法對(duì)式(4)進(jìn)行求解可得:

    XLXTu=λXDXTu

    (5)

    對(duì)矩陣XLXT和XDXT進(jìn)行特征值分解,得到特征向量矩陣為U=[u1,…,uN]。從特征向量矩陣中選取的第2到第d+1個(gè)最小特征值對(duì)應(yīng)的特征向量,即:[u2,…,ud+1]T,則由y=uTx得到SSLPP算法。

    2 ELM

    對(duì)于N個(gè)不同的樣本(xj,tj)可表示為X=(x1,x2,…,xN)T∈RD×N,其中tj=(tj1,tj2,…,tjm)T∈Rm,具有L個(gè)隱層節(jié)點(diǎn)激活函數(shù)為g(x)的ELM模型如下形式:

    (6)

    其中j=1,2,…,N,ai=(ai1,ai2,…,ain)為連接第i個(gè)隱層節(jié)點(diǎn)與輸入節(jié)點(diǎn)的輸入權(quán)值向量,βi=(βi1,βi2,…,βim)為連接第i個(gè)隱層節(jié)點(diǎn)與輸出節(jié)點(diǎn)的輸出權(quán)值向量,bi為第i個(gè)隱層節(jié)點(diǎn)的偏置值,ai·xj表示ai和xj的內(nèi)積,tj=(tj1,tj2,…,tjm)T∈Rm為對(duì)應(yīng)于樣本xj的期望輸出向量,對(duì)所有數(shù)據(jù)樣本進(jìn)行整合,式(6)可以改寫(xiě)為如下形式:

    Hβ=T

    (7)

    其中H是網(wǎng)絡(luò)隱層節(jié)點(diǎn)輸出矩陣,β為輸出權(quán)值矩陣,T為期望輸出矩陣:

    (8)

    (9)

    (10)

    當(dāng)隱層節(jié)點(diǎn)個(gè)數(shù)與訓(xùn)練樣本個(gè)數(shù)相同時(shí)(即L=N),可以通過(guò)式(7)直接求矩陣H的逆矩陣得到最優(yōu)的輸出權(quán)值矩陣β,但大多情況下隱層節(jié)點(diǎn)的個(gè)數(shù)遠(yuǎn)小于訓(xùn)練樣本的個(gè)數(shù)(即L?N),此時(shí)矩陣H為奇異矩陣,利用最小二乘解的方法對(duì)式(7)進(jìn)行求解:

    (11)

    其中,H+為矩陣H的廣義逆。

    為了提高傳統(tǒng)ELM的穩(wěn)定性和泛化能力,Huang提出了等式優(yōu)化約束的ELM。等式優(yōu)化約束的ELM的優(yōu)化式子不僅最小化訓(xùn)練誤差ξ,同時(shí)最小化輸出權(quán)值β,因此等式優(yōu)化約束的ELM目標(biāo)式子可寫(xiě)為:

    i=1,2,…,N

    (12)

    式(12)中ξi=(ξi1,…,ξ1m)T為對(duì)應(yīng)于樣本xi的訓(xùn)練誤差向量,C為懲罰參數(shù)。式(12)的求解可通過(guò)拉格朗日方法轉(zhuǎn)化為無(wú)條件最優(yōu)化問(wèn)題進(jìn)行求解。因此ELM算法求解過(guò)程可總結(jié)如下:

    (1)初始化訓(xùn)練樣本集;

    (2)隨機(jī)指定網(wǎng)絡(luò)輸入權(quán)值ai和偏置值bi;

    (3)通過(guò)激活函數(shù)[8]計(jì)算隱層節(jié)點(diǎn)輸出矩陣H;

    3 實(shí)驗(yàn)結(jié)果及分析

    2個(gè)不同人臉庫(kù)數(shù)據(jù)參數(shù)設(shè)置如表1所示,人臉圖像如圖2所示。為了證明所提出算法的有效性,在ORL實(shí)驗(yàn)中隨機(jī)選取訓(xùn)練集個(gè)數(shù)為L(zhǎng)={2,3,4,5},剩余部分為測(cè)試集;在Yale B試驗(yàn)中隨機(jī)選取訓(xùn)練集個(gè)數(shù)為L(zhǎng)={5,10,20,30},剩余部分為測(cè)試集,不同降維算法在不同維數(shù)下的識(shí)別率曲線(xiàn)及識(shí)別率如圖3所示。

    表1 數(shù)據(jù)參數(shù)集描述

    圖2 不同人臉圖像Yale, Yale B,ORL

    圖3給出了ELM采用不同降維算法在ORL人臉數(shù)據(jù)上的識(shí)別率曲線(xiàn)。由圖3可知ELM采用SSLPP算法的識(shí)

    圖3 不同降維算法在ORL人臉庫(kù)識(shí)別率曲線(xiàn)

    別率曲線(xiàn)達(dá)到了100%并且非常穩(wěn)定,SNPE算法的識(shí)別率曲線(xiàn)隨著位數(shù)據(jù)維數(shù)的增大出現(xiàn)了波動(dòng),DNPE算法、LMMDE和RAF-GE算法[8]的識(shí)別率曲線(xiàn)隨著數(shù)據(jù)維數(shù)的增大識(shí)別率也跟著增大,DNPE算法在ORL數(shù)據(jù)上表現(xiàn)出比較好的性質(zhì)。

    圖4給出了ELM采用不同降維算法在Yale B人臉數(shù)據(jù)上的識(shí)別率曲線(xiàn),由圖4可知ELM采用SSLPP算法的識(shí)別率曲線(xiàn)明顯高于其他算法并且非常穩(wěn)定。

    4 結(jié)論

    為了提高人臉識(shí)別的速度和準(zhǔn)確率,本文提出了基于流形學(xué)習(xí)的極端學(xué)習(xí)機(jī),通過(guò)與DNPE及LMMDE、RAF-GE、SNPE算法的對(duì)比實(shí)驗(yàn)表明,本文所提出的方法在人臉識(shí)別速度和識(shí)別率上顯著優(yōu)于其他方法,因此,基于流行學(xué)習(xí)的極端學(xué)習(xí)機(jī)具有重要的現(xiàn)實(shí)的意義。

    [1]ROWEIS S T,SAUL L K, Nonlinear dimensionality reduction by locally linear embedding[J].Science,2000,290(5500):2323-2326.

    [2]MIKHAIL B,PARTHA N.Laplacian eignmaps for dimensionality reduction and data representation[J]. Neural Computation, 2003,15(6):1373-1396.

    [3]Bao Xing,Zhang Li,Wang Bangjun,et al. A supervised neighborhood preserving embedding for face recognition[C]. International Joint Conference on Neural Networks,2014:278-284.

    [4]Chai Yi,Yang Zhimin,Zhang Ke,et al. Discriminant-enhanced neighborhood preserving embedding for dimensionality reduction[C]. IEEE Conference, Nov ,2013:255-210.

    [5]Huang Pu,Tang Zhenmin,Chen Caikou,et al. Local maximal margin discriminant embedding for face recognition[J]. Vis. Commun. Image R., 2014(25):296-305.

    [6] Wang Dianhui,Huang Guangbin.Protein sequence classificati-on using extreme learning machine[J].Proceedings of International Joint Conference on Neural Networks, 2005(3):1406- 1411.

    圖4 不同降維算法在Yale B人臉庫(kù)識(shí)別率曲線(xiàn)

    [7] Huang Guangbin. An insight into extreme learning machines:random neurons,random features and kernels[J]. Cogn Comput,2014,6(3):376-390.

    [8] 馮林,劉勝藍(lán),張晶,等.高維數(shù)據(jù)中魯棒激活函數(shù)的極端學(xué)習(xí)機(jī)及線(xiàn)性降維[J].計(jì)算機(jī)研究與發(fā)展,2014,51(6):1331-1340.

    Face recognition based on sparse array of LPP and ELM

    Wang Bolin1, Yan Deqin2,Chu Yonghe2

    (1.School of Mathematics,Liaoning Normal University,Dalian 116029,China; 2.School of Computer and Information Technology,Liaoning Normal University,Dalian 116081,China)

    In face recognition, lots of face image data is sparse. The dimension reduction of sparse data is a prohlem of manifold learning algorithms. In order to effectively extract the essence information of human face image from high dimensional image data, and increase the speed of face recognition, this paper proposes a manifold learning extreme learning machine (MELM) with supervised sparse alignment of local preserving projection (SSLPP) algorithm.

    manifold learning; extreme learning machine

    TP18

    A

    10.19358/j.issn.1674- 7720.2016.23.012

    王博林, 閆德勤, 楚永賀. 基于稀疏排列的LPP和ELM的人臉識(shí)別[J].微型機(jī)與應(yīng)用,2016,35(23):42-45.

    2016-08-11)

    王博林(1993-),通信作者,女,碩士研究生,主要研究方向:機(jī)器學(xué)習(xí),圖像處理等。E-mail:841466296@qq.com。

    閆德勤(1962-),男,博士,教授,主要研究方向:機(jī)器學(xué)習(xí),圖像處理等。

    楚永賀(1989-),男,碩士研究生,主要研究方向:機(jī)器學(xué)習(xí),圖像處理等。

    猜你喜歡
    學(xué)習(xí)機(jī)流形降維
    Three-Body’s epic scale and fiercely guarded fanbase present challenges to adaptations
    緊流形上的Schr?dinger算子的譜間隙估計(jì)
    降維打擊
    海峽姐妹(2019年12期)2020-01-14 03:24:40
    迷向表示分為6個(gè)不可約直和的旗流形上不變愛(ài)因斯坦度量
    Nearly Kaehler流形S3×S3上的切觸拉格朗日子流形
    極限學(xué)習(xí)機(jī)綜述
    基于極限學(xué)習(xí)機(jī)參數(shù)遷移的域適應(yīng)算法
    分層極限學(xué)習(xí)機(jī)在滾動(dòng)軸承故障診斷中的應(yīng)用
    基于多故障流形的旋轉(zhuǎn)機(jī)械故障診斷
    拋物化Navier-Stokes方程的降維仿真模型
    不卡一级毛片| 伦理电影免费视频| 免费观看a级毛片全部| 久久精品国产亚洲av高清一级| 欧美激情极品国产一区二区三区| 日韩欧美三级三区| 亚洲精品成人av观看孕妇| 看免费av毛片| 欧美中文综合在线视频| 亚洲成a人片在线一区二区| 91老司机精品| 黄色成人免费大全| 一区福利在线观看| 久久精品成人免费网站| 男人操女人黄网站| 无人区码免费观看不卡| 欧美黄色片欧美黄色片| 国产精品免费视频内射| 精品高清国产在线一区| 十分钟在线观看高清视频www| 国产精品美女特级片免费视频播放器 | 高清欧美精品videossex| 成年版毛片免费区| 脱女人内裤的视频| 国产区一区二久久| 国产精品美女特级片免费视频播放器 | 日韩熟女老妇一区二区性免费视频| 国产精品二区激情视频| 国产不卡一卡二| 欧美日韩黄片免| 亚洲专区字幕在线| 成人18禁高潮啪啪吃奶动态图| 人妻久久中文字幕网| 久久久久国产一级毛片高清牌| 人人妻人人澡人人看| 国产精品 国内视频| 中文字幕另类日韩欧美亚洲嫩草| 国产蜜桃级精品一区二区三区 | 中国美女看黄片| cao死你这个sao货| 精品免费久久久久久久清纯 | 99精品在免费线老司机午夜| 人人澡人人妻人| 欧美大码av| 国产精品欧美亚洲77777| 精品久久久久久久毛片微露脸| av有码第一页| 黄色视频,在线免费观看| а√天堂www在线а√下载 | 精品一区二区三区av网在线观看| 久久国产精品男人的天堂亚洲| 国产精品久久久久久精品古装| 国产精品99久久99久久久不卡| 国产亚洲一区二区精品| 国产成人欧美| 一级a爱视频在线免费观看| a级毛片黄视频| 777久久人妻少妇嫩草av网站| 国产99久久九九免费精品| 午夜成年电影在线免费观看| 黄片大片在线免费观看| 亚洲黑人精品在线| 这个男人来自地球电影免费观看| 久久中文字幕人妻熟女| 午夜福利免费观看在线| 深夜精品福利| 黄片小视频在线播放| 宅男免费午夜| 久久精品熟女亚洲av麻豆精品| videos熟女内射| 黄色女人牲交| 午夜免费观看网址| 精品乱码久久久久久99久播| 亚洲男人天堂网一区| 精品国产一区二区三区四区第35| 日韩制服丝袜自拍偷拍| 日本欧美视频一区| av视频免费观看在线观看| 国产高清激情床上av| 亚洲,欧美精品.| 美女高潮喷水抽搐中文字幕| 国产亚洲欧美在线一区二区| 国产精品av久久久久免费| 母亲3免费完整高清在线观看| 超色免费av| 别揉我奶头~嗯~啊~动态视频| 69精品国产乱码久久久| 精品久久久久久电影网| 女警被强在线播放| 18禁黄网站禁片午夜丰满| 99riav亚洲国产免费| 亚洲人成伊人成综合网2020| 国产单亲对白刺激| xxx96com| 国产精品久久电影中文字幕 | 欧美久久黑人一区二区| 亚洲欧美日韩高清在线视频| 91老司机精品| 黑人猛操日本美女一级片| 亚洲精品国产一区二区精华液| 可以免费在线观看a视频的电影网站| 99热网站在线观看| 亚洲欧洲精品一区二区精品久久久| 人妻丰满熟妇av一区二区三区 | 国产精品一区二区在线不卡| 欧美黄色淫秽网站| 亚洲人成伊人成综合网2020| 一级片'在线观看视频| 成人黄色视频免费在线看| 三级毛片av免费| 欧美另类亚洲清纯唯美| 日韩一卡2卡3卡4卡2021年| 免费不卡黄色视频| 大片电影免费在线观看免费| 一级片'在线观看视频| 制服诱惑二区| av网站免费在线观看视频| 国产精品 国内视频| 51午夜福利影视在线观看| 日韩人妻精品一区2区三区| 亚洲欧美一区二区三区黑人| 久久久水蜜桃国产精品网| 国产91精品成人一区二区三区| 国产真人三级小视频在线观看| 午夜福利欧美成人| 日韩欧美国产一区二区入口| 国产精品影院久久| 欧美乱码精品一区二区三区| 人妻丰满熟妇av一区二区三区 | 女人爽到高潮嗷嗷叫在线视频| 免费一级毛片在线播放高清视频 | 中文字幕最新亚洲高清| 乱人伦中国视频| 最近最新中文字幕大全免费视频| 国产成人一区二区三区免费视频网站| 久久久久国产一级毛片高清牌| a级毛片在线看网站| 欧美在线一区亚洲| 亚洲色图 男人天堂 中文字幕| 狠狠婷婷综合久久久久久88av| 性色av乱码一区二区三区2| 俄罗斯特黄特色一大片| 女人被狂操c到高潮| 在线观看免费高清a一片| 亚洲欧美日韩另类电影网站| 欧美乱色亚洲激情| 淫妇啪啪啪对白视频| 黑人猛操日本美女一级片| 免费久久久久久久精品成人欧美视频| 欧美大码av| 黄色a级毛片大全视频| 久久 成人 亚洲| 天天躁日日躁夜夜躁夜夜| 建设人人有责人人尽责人人享有的| www日本在线高清视频| 一级黄色大片毛片| 久久人人97超碰香蕉20202| 日韩中文字幕欧美一区二区| 999久久久国产精品视频| 亚洲少妇的诱惑av| 99国产极品粉嫩在线观看| 村上凉子中文字幕在线| 涩涩av久久男人的天堂| 一区二区日韩欧美中文字幕| 久久天堂一区二区三区四区| 99热只有精品国产| 一个人免费在线观看的高清视频| 国产精品二区激情视频| 黑丝袜美女国产一区| 精品国产一区二区三区久久久樱花| 久久久久久久精品吃奶| 欧美色视频一区免费| 欧美精品一区二区免费开放| 欧美乱妇无乱码| 99热国产这里只有精品6| av一本久久久久| 国产成+人综合+亚洲专区| 在线观看免费视频日本深夜| 热re99久久精品国产66热6| 激情视频va一区二区三区| 亚洲三区欧美一区| 午夜两性在线视频| 久久婷婷成人综合色麻豆| 亚洲精品国产区一区二| 91麻豆精品激情在线观看国产 | 国产精品自产拍在线观看55亚洲 | 久久国产精品人妻蜜桃| xxxhd国产人妻xxx| 日韩中文字幕欧美一区二区| 激情视频va一区二区三区| 美女午夜性视频免费| 欧美日本中文国产一区发布| 免费人成视频x8x8入口观看| 一区在线观看完整版| 免费在线观看亚洲国产| 人人妻人人澡人人看| 夫妻午夜视频| 不卡av一区二区三区| av天堂在线播放| 亚洲第一青青草原| 亚洲av电影在线进入| 国产精品久久久久久人妻精品电影| 免费高清在线观看日韩| 日韩精品免费视频一区二区三区| 99香蕉大伊视频| 热99国产精品久久久久久7| av在线播放免费不卡| 亚洲av熟女| 免费不卡黄色视频| 久久国产亚洲av麻豆专区| 99国产精品一区二区三区| 好男人电影高清在线观看| 成年动漫av网址| 欧美黑人欧美精品刺激| 高清黄色对白视频在线免费看| 91在线观看av| 巨乳人妻的诱惑在线观看| 国产精华一区二区三区| 老熟妇乱子伦视频在线观看| 亚洲,欧美精品.| 亚洲国产中文字幕在线视频| 最新在线观看一区二区三区| 高清在线国产一区| 97人妻天天添夜夜摸| 久久狼人影院| 国产精品美女特级片免费视频播放器 | 大码成人一级视频| 亚洲专区字幕在线| 亚洲专区中文字幕在线| 成年人免费黄色播放视频| 亚洲五月天丁香| 亚洲精品国产色婷婷电影| 久热爱精品视频在线9| 国产真人三级小视频在线观看| 久久久精品免费免费高清| 男女下面插进去视频免费观看| bbb黄色大片| 久久ye,这里只有精品| 丰满饥渴人妻一区二区三| 村上凉子中文字幕在线| 51午夜福利影视在线观看| 久久性视频一级片| 成年女人毛片免费观看观看9 | 欧美性长视频在线观看| 涩涩av久久男人的天堂| 99热国产这里只有精品6| 久热爱精品视频在线9| 人妻 亚洲 视频| 国产色视频综合| 国产精品欧美亚洲77777| av不卡在线播放| 精品人妻1区二区| 欧美激情极品国产一区二区三区| 高清毛片免费观看视频网站 | 亚洲熟妇熟女久久| 久久久久久久久久久久大奶| 久久草成人影院| 在线国产一区二区在线| 久久香蕉精品热| 一级a爱片免费观看的视频| 亚洲专区中文字幕在线| av欧美777| 亚洲av日韩在线播放| 国产97色在线日韩免费| 啦啦啦在线免费观看视频4| 久热爱精品视频在线9| 一区福利在线观看| 国产av精品麻豆| 国产欧美日韩一区二区精品| 大码成人一级视频| 国产精品1区2区在线观看. | 天天躁狠狠躁夜夜躁狠狠躁| 亚洲中文av在线| 成人黄色视频免费在线看| 国产日韩一区二区三区精品不卡| 亚洲一区二区三区不卡视频| 日韩免费av在线播放| 人人妻人人爽人人添夜夜欢视频| 18在线观看网站| 亚洲第一欧美日韩一区二区三区| www日本在线高清视频| 国产精品影院久久| 欧美激情高清一区二区三区| 国产欧美日韩综合在线一区二区| 欧美大码av| av免费在线观看网站| 久久精品国产亚洲av香蕉五月 | 9色porny在线观看| 咕卡用的链子| 天天躁狠狠躁夜夜躁狠狠躁| 成年人免费黄色播放视频| 无人区码免费观看不卡| 又紧又爽又黄一区二区| 色精品久久人妻99蜜桃| 亚洲一区中文字幕在线| 51午夜福利影视在线观看| 亚洲国产欧美网| 国产一区二区三区综合在线观看| 日韩欧美在线二视频 | 国产成人一区二区三区免费视频网站| 无限看片的www在线观看| 嫩草影视91久久| 国产亚洲精品久久久久久毛片 | 国产精品免费大片| 久久久久久久国产电影| 性色av乱码一区二区三区2| 欧洲精品卡2卡3卡4卡5卡区| 亚洲国产欧美日韩在线播放| 狠狠狠狠99中文字幕| 国产人伦9x9x在线观看| 国产精品久久久av美女十八| 青草久久国产| 亚洲午夜精品一区,二区,三区| 亚洲成av片中文字幕在线观看| 狂野欧美激情性xxxx| 动漫黄色视频在线观看| 亚洲av第一区精品v没综合| 黄片播放在线免费| 精品久久久久久,| 最近最新中文字幕大全免费视频| 欧美国产精品一级二级三级| 一级毛片精品| 日日摸夜夜添夜夜添小说| 91九色精品人成在线观看| 91成人精品电影| 国内毛片毛片毛片毛片毛片| 精品久久蜜臀av无| 黑人巨大精品欧美一区二区mp4| 黄片小视频在线播放| 1024视频免费在线观看| 免费观看精品视频网站| 免费在线观看影片大全网站| 欧美激情高清一区二区三区| 熟女少妇亚洲综合色aaa.| 黄色 视频免费看| а√天堂www在线а√下载 | 又黄又爽又免费观看的视频| 久久国产乱子伦精品免费另类| 久久精品国产亚洲av高清一级| 性少妇av在线| xxxhd国产人妻xxx| 欧美 亚洲 国产 日韩一| 午夜视频精品福利| 在线天堂中文资源库| 欧美乱妇无乱码| 国产精品电影一区二区三区 | 国产黄色免费在线视频| 欧美中文综合在线视频| 999精品在线视频| videosex国产| 99久久精品国产亚洲精品| 女性被躁到高潮视频| 亚洲色图av天堂| 国产精品国产av在线观看| 如日韩欧美国产精品一区二区三区| 色综合婷婷激情| 丁香欧美五月| 两性夫妻黄色片| 成人精品一区二区免费| 村上凉子中文字幕在线| 青草久久国产| 精品卡一卡二卡四卡免费| 亚洲美女黄片视频| 成人亚洲精品一区在线观看| 国产精品秋霞免费鲁丝片| 国产1区2区3区精品| 免费黄频网站在线观看国产| 国产精品久久久久久人妻精品电影| 国产精品 欧美亚洲| 国产无遮挡羞羞视频在线观看| 日本黄色日本黄色录像| 亚洲成a人片在线一区二区| 咕卡用的链子| 国产淫语在线视频| 满18在线观看网站| 国产人伦9x9x在线观看| 欧美日韩亚洲高清精品| 三级毛片av免费| 成人国产一区最新在线观看| 亚洲欧美激情综合另类| 免费看a级黄色片| 一区在线观看完整版| 欧美日韩精品网址| 大陆偷拍与自拍| av一本久久久久| 757午夜福利合集在线观看| 99re6热这里在线精品视频| 国产97色在线日韩免费| 久久国产精品影院| 亚洲av日韩精品久久久久久密| 热99re8久久精品国产| 日韩免费高清中文字幕av| 久久久国产欧美日韩av| 黄频高清免费视频| 99久久综合精品五月天人人| 国产无遮挡羞羞视频在线观看| 久久国产精品大桥未久av| 大片电影免费在线观看免费| 超碰97精品在线观看| 久久亚洲精品不卡| 久久天躁狠狠躁夜夜2o2o| 精品国产乱子伦一区二区三区| 国产在线观看jvid| 免费看十八禁软件| 色综合婷婷激情| 亚洲国产看品久久| 久久香蕉激情| 在线国产一区二区在线| 国产在线观看jvid| 国产欧美日韩一区二区精品| 国产在线精品亚洲第一网站| 精品亚洲成国产av| 国产成人影院久久av| 人妻丰满熟妇av一区二区三区 | 日韩三级视频一区二区三区| 女人被狂操c到高潮| 身体一侧抽搐| 免费女性裸体啪啪无遮挡网站| 亚洲一区高清亚洲精品| 九色亚洲精品在线播放| 老汉色av国产亚洲站长工具| 国产麻豆69| 一区二区三区国产精品乱码| 亚洲午夜精品一区,二区,三区| 99国产精品免费福利视频| 老司机午夜十八禁免费视频| 日韩中文字幕欧美一区二区| 成年人免费黄色播放视频| 色综合欧美亚洲国产小说| 最新美女视频免费是黄的| 在线观看免费日韩欧美大片| 好看av亚洲va欧美ⅴa在| 91麻豆精品激情在线观看国产 | 国产一区二区激情短视频| 三级毛片av免费| 777久久人妻少妇嫩草av网站| 天堂√8在线中文| 精品久久蜜臀av无| 不卡一级毛片| 欧美日韩乱码在线| 黄色毛片三级朝国网站| 人妻 亚洲 视频| 一夜夜www| 亚洲精品久久午夜乱码| 国产xxxxx性猛交| 久久久精品国产亚洲av高清涩受| 亚洲五月色婷婷综合| 少妇裸体淫交视频免费看高清 | 一本大道久久a久久精品| 亚洲精品一二三| 午夜老司机福利片| 久久人人爽av亚洲精品天堂| 热re99久久精品国产66热6| 国产精品免费一区二区三区在线 | 国产成人免费观看mmmm| 女人爽到高潮嗷嗷叫在线视频| 国产成人系列免费观看| 久久久国产成人免费| 777久久人妻少妇嫩草av网站| 亚洲精品粉嫩美女一区| 可以免费在线观看a视频的电影网站| 水蜜桃什么品种好| 日韩熟女老妇一区二区性免费视频| √禁漫天堂资源中文www| 午夜精品国产一区二区电影| 一夜夜www| 国内久久婷婷六月综合欲色啪| 午夜视频精品福利| 男女免费视频国产| 亚洲成人手机| 宅男免费午夜| 久久久国产一区二区| 妹子高潮喷水视频| 99在线人妻在线中文字幕 | 国产精品国产高清国产av | 人人澡人人妻人| 亚洲伊人色综图| 久久午夜亚洲精品久久| 不卡av一区二区三区| 久久久国产精品麻豆| 男男h啪啪无遮挡| 精品国产一区二区三区久久久樱花| 下体分泌物呈黄色| a级毛片在线看网站| 又黄又爽又免费观看的视频| 免费高清在线观看日韩| 精品国内亚洲2022精品成人 | 国产亚洲欧美在线一区二区| 一级片'在线观看视频| 婷婷精品国产亚洲av在线 | 九色亚洲精品在线播放| 在线天堂中文资源库| 久久久久视频综合| 国产精品1区2区在线观看. | 欧美乱妇无乱码| 无限看片的www在线观看| 人人妻人人澡人人爽人人夜夜| 多毛熟女@视频| 麻豆乱淫一区二区| 亚洲精品粉嫩美女一区| 久久午夜综合久久蜜桃| 欧美av亚洲av综合av国产av| 这个男人来自地球电影免费观看| 欧美日韩国产mv在线观看视频| 久久天堂一区二区三区四区| 精品午夜福利视频在线观看一区| 午夜免费观看网址| 在线观看免费高清a一片| 男女下面插进去视频免费观看| 天堂俺去俺来也www色官网| aaaaa片日本免费| videos熟女内射| 女人精品久久久久毛片| 午夜福利视频在线观看免费| 亚洲欧美激情综合另类| 曰老女人黄片| 欧美激情高清一区二区三区| 久久精品国产综合久久久| 人人妻人人爽人人添夜夜欢视频| √禁漫天堂资源中文www| 免费黄频网站在线观看国产| 欧美丝袜亚洲另类 | 亚洲免费av在线视频| 欧美亚洲日本最大视频资源| 嫁个100分男人电影在线观看| 亚洲专区字幕在线| 久久中文字幕人妻熟女| 国精品久久久久久国模美| 国产欧美日韩一区二区三| 两人在一起打扑克的视频| 一进一出抽搐gif免费好疼 | 国产av精品麻豆| 精品国产乱子伦一区二区三区| 天天影视国产精品| 两人在一起打扑克的视频| 超碰97精品在线观看| 丝袜人妻中文字幕| 欧美不卡视频在线免费观看 | 韩国精品一区二区三区| 免费在线观看黄色视频的| 搡老熟女国产l中国老女人| 黑丝袜美女国产一区| 亚洲av片天天在线观看| 视频区欧美日本亚洲| 亚洲av成人一区二区三| 久久精品人人爽人人爽视色| 少妇猛男粗大的猛烈进出视频| 国产欧美日韩精品亚洲av| 国产精品一区二区免费欧美| 久久中文看片网| 法律面前人人平等表现在哪些方面| 午夜福利视频在线观看免费| 又大又爽又粗| 超碰97精品在线观看| av超薄肉色丝袜交足视频| 激情在线观看视频在线高清 | 美女 人体艺术 gogo| 999精品在线视频| 18禁裸乳无遮挡免费网站照片 | 国内久久婷婷六月综合欲色啪| 亚洲片人在线观看| 国产精品免费大片| 欧美黄色片欧美黄色片| 老司机深夜福利视频在线观看| 欧美日韩视频精品一区| 国产又爽黄色视频| 国产激情欧美一区二区| 中亚洲国语对白在线视频| 午夜激情av网站| 这个男人来自地球电影免费观看| 妹子高潮喷水视频| 国产精品久久视频播放| 欧美精品亚洲一区二区| 久久精品91无色码中文字幕| 国产精品免费视频内射| 国产免费现黄频在线看| 亚洲中文日韩欧美视频| 十八禁网站免费在线| 男男h啪啪无遮挡| 久久久久久久午夜电影 | 国产成人欧美在线观看 | 精品熟女少妇八av免费久了| 飞空精品影院首页| 国产国语露脸激情在线看| 精品亚洲成a人片在线观看| 法律面前人人平等表现在哪些方面| 国产亚洲欧美在线一区二区| 黑人巨大精品欧美一区二区mp4| 亚洲一区高清亚洲精品| 亚洲熟妇中文字幕五十中出 | 国产蜜桃级精品一区二区三区 | 亚洲一码二码三码区别大吗| 女人被躁到高潮嗷嗷叫费观| 国内久久婷婷六月综合欲色啪| 国产精品一区二区在线观看99| 午夜两性在线视频| 精品欧美一区二区三区在线| 久久精品国产a三级三级三级| 精品久久久久久电影网| 日韩欧美国产一区二区入口| 日本vs欧美在线观看视频| 亚洲少妇的诱惑av| 两人在一起打扑克的视频| 丁香欧美五月| www.精华液| 国产免费av片在线观看野外av| 怎么达到女性高潮| 国产男女超爽视频在线观看| 国产成+人综合+亚洲专区| 国产亚洲精品久久久久5区| 两性午夜刺激爽爽歪歪视频在线观看 | 久久天躁狠狠躁夜夜2o2o| av线在线观看网站| 国产精品一区二区在线不卡| 久久99一区二区三区|