• <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
    亚洲精品久久午夜乱码| 爱豆传媒免费全集在线观看| 母亲3免费完整高清在线观看| 另类亚洲欧美激情| 亚洲精品一区蜜桃| 亚洲专区国产一区二区| 国产成人免费无遮挡视频| 日本vs欧美在线观看视频| 日韩av不卡免费在线播放| 深夜精品福利| videos熟女内射| 久久精品久久久久久久性| 一级毛片女人18水好多 | 欧美 亚洲 国产 日韩一| 久久热在线av| bbb黄色大片| 中国美女看黄片| 久久久国产精品麻豆| 少妇被粗大的猛进出69影院| 欧美+亚洲+日韩+国产| 老司机在亚洲福利影院| 看免费av毛片| 男女高潮啪啪啪动态图| 日韩av在线免费看完整版不卡| 亚洲精品国产av蜜桃| 大码成人一级视频| 精品人妻熟女毛片av久久网站| 久久青草综合色| 在线看a的网站| 99热全是精品| 少妇人妻 视频| 欧美老熟妇乱子伦牲交| 亚洲情色 制服丝袜| 国产有黄有色有爽视频| 精品少妇一区二区三区视频日本电影| 亚洲人成电影免费在线| 国产xxxxx性猛交| 黄色a级毛片大全视频| 久久精品国产亚洲av涩爱| 女性被躁到高潮视频| 欧美亚洲 丝袜 人妻 在线| 精品亚洲成a人片在线观看| 黑人猛操日本美女一级片| 久久鲁丝午夜福利片| 久久毛片免费看一区二区三区| 国产精品久久久久久精品古装| 久久精品国产综合久久久| 青春草亚洲视频在线观看| 成人国语在线视频| 国产熟女午夜一区二区三区| 交换朋友夫妻互换小说| 欧美日本中文国产一区发布| 两个人免费观看高清视频| 韩国精品一区二区三区| 国产精品国产三级国产专区5o| 热99国产精品久久久久久7| 亚洲欧美日韩高清在线视频 | 美国免费a级毛片| 欧美日韩视频高清一区二区三区二| 国产成人欧美在线观看 | 国产成人精品在线电影| 亚洲,欧美,日韩| 久久狼人影院| av在线app专区| 老司机靠b影院| 99热全是精品| 亚洲一区中文字幕在线| 丰满少妇做爰视频| 黄色怎么调成土黄色| 熟女少妇亚洲综合色aaa.| 99热国产这里只有精品6| 色精品久久人妻99蜜桃| 波野结衣二区三区在线| av线在线观看网站| 久久精品久久精品一区二区三区| 久久99一区二区三区| 成人国产一区最新在线观看 | 欧美日韩精品网址| 久久这里只有精品19| 国产伦理片在线播放av一区| 下体分泌物呈黄色| 精品欧美一区二区三区在线| 精品久久久久久久毛片微露脸 | 亚洲av日韩精品久久久久久密 | 天天躁狠狠躁夜夜躁狠狠躁| 乱人伦中国视频| 亚洲精品在线美女| 97精品久久久久久久久久精品| 日本欧美国产在线视频| 咕卡用的链子| 午夜福利影视在线免费观看| 人妻人人澡人人爽人人| av国产久精品久网站免费入址| 国产1区2区3区精品| 丁香六月欧美| 中文字幕av电影在线播放| 久久国产精品人妻蜜桃| 日本猛色少妇xxxxx猛交久久| 18禁裸乳无遮挡动漫免费视频| 国产97色在线日韩免费| 两人在一起打扑克的视频| 亚洲av成人精品一二三区| 操出白浆在线播放| 欧美日韩福利视频一区二区| 观看av在线不卡| 如日韩欧美国产精品一区二区三区| 久久久亚洲精品成人影院| 男女下面插进去视频免费观看| 久久精品国产亚洲av高清一级| 中文字幕另类日韩欧美亚洲嫩草| 90打野战视频偷拍视频| 性高湖久久久久久久久免费观看| 成年人免费黄色播放视频| 久久久久精品人妻al黑| 欧美日本中文国产一区发布| 国产在线免费精品| 日韩熟女老妇一区二区性免费视频| 欧美日本中文国产一区发布| 亚洲国产日韩一区二区| 欧美激情极品国产一区二区三区| 亚洲成av片中文字幕在线观看| 国产91精品成人一区二区三区 | 国产麻豆69| 精品国产一区二区久久| 亚洲人成电影免费在线| 婷婷色综合大香蕉| 操出白浆在线播放| 精品国产乱码久久久久久小说| 欧美人与性动交α欧美精品济南到| 欧美成狂野欧美在线观看| 欧美精品一区二区免费开放| 欧美精品一区二区免费开放| 亚洲天堂av无毛| 亚洲一卡2卡3卡4卡5卡精品中文| 国产熟女午夜一区二区三区| 在线观看免费午夜福利视频| 别揉我奶头~嗯~啊~动态视频 | 国产成人精品无人区| 在线看a的网站| 欧美精品一区二区大全| 久久天躁狠狠躁夜夜2o2o | av国产久精品久网站免费入址| 91九色精品人成在线观看| 国语对白做爰xxxⅹ性视频网站| 日韩免费高清中文字幕av| 免费在线观看视频国产中文字幕亚洲 | 午夜福利在线免费观看网站| 欧美日韩综合久久久久久| 99国产综合亚洲精品| 你懂的网址亚洲精品在线观看| 中文字幕人妻丝袜制服| 亚洲av日韩在线播放| 极品人妻少妇av视频| 免费看十八禁软件| 免费看十八禁软件| 大香蕉久久成人网| 日本av免费视频播放| 国产精品秋霞免费鲁丝片| 99久久精品国产亚洲精品| 久久久久国产一级毛片高清牌| 少妇的丰满在线观看| 亚洲精品乱久久久久久| av又黄又爽大尺度在线免费看| 免费观看a级毛片全部| 男的添女的下面高潮视频| 十八禁人妻一区二区| 美女主播在线视频| 七月丁香在线播放| 国产激情久久老熟女| 国产高清videossex| 黄色毛片三级朝国网站| 一本久久精品| 欧美日韩精品网址| 国产一级毛片在线| 91成人精品电影| 国产淫语在线视频| 深夜精品福利| 亚洲人成77777在线视频| 国产成人精品无人区| 最新的欧美精品一区二区| 国产精品成人在线| 国产欧美日韩综合在线一区二区| 亚洲国产av影院在线观看| 亚洲国产欧美在线一区| 免费av中文字幕在线| 高清不卡的av网站| 精品久久久精品久久久| 老司机在亚洲福利影院| 妹子高潮喷水视频| 丁香六月天网| 精品一品国产午夜福利视频| 宅男免费午夜| 黑丝袜美女国产一区| 精品福利永久在线观看| 久久天躁狠狠躁夜夜2o2o | a 毛片基地| 丰满饥渴人妻一区二区三| 免费看av在线观看网站| 精品亚洲成国产av| 少妇被粗大的猛进出69影院| 亚洲精品美女久久av网站| 久久国产精品大桥未久av| 交换朋友夫妻互换小说| 69精品国产乱码久久久| 桃花免费在线播放| 欧美国产精品一级二级三级| 丁香六月欧美| 在线 av 中文字幕| 日韩中文字幕欧美一区二区 | 18在线观看网站| 精品久久久久久电影网| 国产成人啪精品午夜网站| 高清不卡的av网站| 日本欧美国产在线视频| 亚洲精品在线美女| 国产精品久久久av美女十八| 亚洲,欧美精品.| 夫妻性生交免费视频一级片| 久久久亚洲精品成人影院| 麻豆国产av国片精品| 在线av久久热| 亚洲情色 制服丝袜| 亚洲国产最新在线播放| 麻豆乱淫一区二区| 伊人久久大香线蕉亚洲五| avwww免费| 国产精品.久久久| 欧美在线一区亚洲| 别揉我奶头~嗯~啊~动态视频 | 亚洲av成人精品一二三区| 午夜久久久在线观看| 人人澡人人妻人| www日本在线高清视频| 天堂俺去俺来也www色官网| 涩涩av久久男人的天堂| 宅男免费午夜| 成在线人永久免费视频| 亚洲精品日韩在线中文字幕| 亚洲伊人久久精品综合| 中文字幕最新亚洲高清| 亚洲精品国产av成人精品| 日韩一区二区三区影片| 少妇精品久久久久久久| 久久av网站| 亚洲七黄色美女视频| 波多野结衣一区麻豆| 午夜久久久在线观看| 黄色毛片三级朝国网站| 久久久久国产精品人妻一区二区| 国产高清视频在线播放一区 | 丝瓜视频免费看黄片| 国产又色又爽无遮挡免| 欧美日韩亚洲综合一区二区三区_| 18在线观看网站| 日韩大片免费观看网站| 黄色怎么调成土黄色| 国产在线一区二区三区精| 亚洲国产毛片av蜜桃av| 一本一本久久a久久精品综合妖精| 最近中文字幕2019免费版| 亚洲五月婷婷丁香| 熟女少妇亚洲综合色aaa.| 王馨瑶露胸无遮挡在线观看| 又紧又爽又黄一区二区| 欧美av亚洲av综合av国产av| 国产成人一区二区在线| 老鸭窝网址在线观看| 极品人妻少妇av视频| 国产精品一区二区免费欧美 | av在线播放精品| 国产精品免费视频内射| 午夜福利视频在线观看免费| 在线天堂中文资源库| 最近最新中文字幕大全免费视频 | 国产精品99久久99久久久不卡| 十八禁高潮呻吟视频| 国产成人一区二区在线| 精品福利永久在线观看| 操美女的视频在线观看| 两个人看的免费小视频| 一级a爱视频在线免费观看| 涩涩av久久男人的天堂| 亚洲精品美女久久久久99蜜臀 | 午夜日韩欧美国产| 免费看av在线观看网站| 久久亚洲精品不卡| 国产亚洲精品久久久久5区| 精品国产乱码久久久久久小说| 久久综合国产亚洲精品| 久久国产精品影院| 精品亚洲成国产av| 亚洲中文av在线| 亚洲色图 男人天堂 中文字幕| 美女扒开内裤让男人捅视频| 欧美日韩国产mv在线观看视频| 亚洲精品国产区一区二| 一区二区日韩欧美中文字幕| 日本a在线网址| 少妇人妻久久综合中文| 久久国产亚洲av麻豆专区| 国产精品国产三级国产专区5o| 成年动漫av网址| 久久人妻熟女aⅴ| 99热网站在线观看| 成人18禁高潮啪啪吃奶动态图| 在现免费观看毛片| 亚洲图色成人| 欧美日本中文国产一区发布| 成年人黄色毛片网站| 国产精品欧美亚洲77777| 高清欧美精品videossex| 日本五十路高清| videosex国产| 婷婷色综合大香蕉| 久久综合国产亚洲精品| 少妇 在线观看| 久热这里只有精品99| 亚洲黑人精品在线| av网站在线播放免费| 91九色精品人成在线观看| 亚洲国产成人一精品久久久| 亚洲男人天堂网一区| 免费高清在线观看视频在线观看| 国产精品 欧美亚洲| av不卡在线播放| 国产在线一区二区三区精| 看十八女毛片水多多多| 免费在线观看黄色视频的| 欧美久久黑人一区二区| 久久人人爽人人片av| 国产xxxxx性猛交| 亚洲欧美精品自产自拍| 各种免费的搞黄视频| 夜夜骑夜夜射夜夜干| 精品亚洲乱码少妇综合久久| 国产精品.久久久| 在线观看免费午夜福利视频| 久久综合国产亚洲精品| 在线观看www视频免费| 亚洲av美国av| 成年人黄色毛片网站| 黄色a级毛片大全视频| 免费看av在线观看网站| 亚洲,欧美,日韩| 后天国语完整版免费观看| 我的亚洲天堂| 欧美日韩黄片免| 亚洲,欧美,日韩| 女性生殖器流出的白浆| 欧美成狂野欧美在线观看| 黑人欧美特级aaaaaa片| 久久精品久久久久久久性| 亚洲av在线观看美女高潮| 1024香蕉在线观看| 免费观看人在逋| 超色免费av| 亚洲av电影在线观看一区二区三区| 水蜜桃什么品种好| 国产主播在线观看一区二区 | 国产成人精品久久二区二区免费| 自线自在国产av| 亚洲人成77777在线视频| 菩萨蛮人人尽说江南好唐韦庄| 高清不卡的av网站| 国产爽快片一区二区三区| 欧美日本中文国产一区发布| 婷婷色综合大香蕉| 高清不卡的av网站| 伊人久久大香线蕉亚洲五| 色94色欧美一区二区| 老司机午夜十八禁免费视频| 99九九在线精品视频| 精品亚洲成国产av| 免费观看av网站的网址| 一本—道久久a久久精品蜜桃钙片| 日韩免费高清中文字幕av| 国产成人系列免费观看| 国产伦人伦偷精品视频| 色综合欧美亚洲国产小说| 中文乱码字字幕精品一区二区三区| 男人舔女人的私密视频| 国产亚洲欧美在线一区二区| 国产欧美日韩综合在线一区二区| 丁香六月欧美| 国产高清视频在线播放一区 | 国产午夜精品一二区理论片| 一级,二级,三级黄色视频| 精品一区在线观看国产| 精品国产超薄肉色丝袜足j| 欧美黑人欧美精品刺激| 欧美成狂野欧美在线观看| 校园人妻丝袜中文字幕| 黄色 视频免费看| 国产精品九九99| 免费不卡黄色视频| 欧美 亚洲 国产 日韩一| 国产淫语在线视频| 免费看十八禁软件| 高潮久久久久久久久久久不卡| 少妇粗大呻吟视频| 色94色欧美一区二区| 免费不卡黄色视频| 欧美国产精品va在线观看不卡| 精品视频人人做人人爽| 天天躁夜夜躁狠狠久久av| av一本久久久久| 午夜两性在线视频| 五月开心婷婷网| 七月丁香在线播放| a 毛片基地| 精品少妇黑人巨大在线播放| 国产熟女午夜一区二区三区| 日日摸夜夜添夜夜爱| 国产深夜福利视频在线观看| 肉色欧美久久久久久久蜜桃| 国产男女内射视频| 亚洲精品成人av观看孕妇| 看免费成人av毛片| 性少妇av在线| 手机成人av网站| 一二三四社区在线视频社区8| 久久九九热精品免费| 亚洲成国产人片在线观看| 人人妻人人添人人爽欧美一区卜| 欧美 亚洲 国产 日韩一| 国产爽快片一区二区三区| 精品一品国产午夜福利视频| 国产三级黄色录像| 一级,二级,三级黄色视频| 日韩一卡2卡3卡4卡2021年| 在线观看国产h片| 好男人视频免费观看在线| 亚洲欧美一区二区三区国产| 亚洲伊人色综图| 18禁国产床啪视频网站| 国产男女超爽视频在线观看| 婷婷色麻豆天堂久久| 日韩大片免费观看网站| av国产精品久久久久影院| a 毛片基地| 国产成人欧美在线观看 | 亚洲精品乱久久久久久| 亚洲一区中文字幕在线| 亚洲视频免费观看视频| 午夜av观看不卡| 久久精品国产综合久久久| 国产成人系列免费观看| 十八禁人妻一区二区| 国产成人精品久久二区二区免费| 精品亚洲成国产av| a级毛片在线看网站| 啦啦啦在线免费观看视频4| 亚洲成人免费av在线播放| 电影成人av| 日日摸夜夜添夜夜爱| 欧美精品高潮呻吟av久久| 最新的欧美精品一区二区| 日日爽夜夜爽网站| 国产成人系列免费观看| 汤姆久久久久久久影院中文字幕| 高清不卡的av网站| 久久久国产欧美日韩av| 国产黄色免费在线视频| 国产成人免费无遮挡视频| 亚洲精品久久成人aⅴ小说| 免费人妻精品一区二区三区视频| 亚洲成人手机| 久久久精品免费免费高清| 成人黄色视频免费在线看| 美国免费a级毛片| 国产精品国产av在线观看| 亚洲欧洲国产日韩| 水蜜桃什么品种好| 岛国毛片在线播放| 日韩av免费高清视频| 国产一级毛片在线| 51午夜福利影视在线观看| 久久午夜综合久久蜜桃| 极品少妇高潮喷水抽搐| 日韩av在线免费看完整版不卡| 精品高清国产在线一区| 一区福利在线观看| 国产极品粉嫩免费观看在线| 国产老妇伦熟女老妇高清| 91精品三级在线观看| 一本—道久久a久久精品蜜桃钙片| 亚洲精品第二区| 久久国产精品大桥未久av| svipshipincom国产片| 自线自在国产av| 满18在线观看网站| 亚洲,一卡二卡三卡| 国产精品香港三级国产av潘金莲 | 亚洲一区中文字幕在线| 九草在线视频观看| 熟女少妇亚洲综合色aaa.| 18禁观看日本| 久久天躁狠狠躁夜夜2o2o | 欧美激情 高清一区二区三区| 日韩制服骚丝袜av| 国产视频一区二区在线看| 五月开心婷婷网| 国产片内射在线| 国产在线一区二区三区精| 国产一区二区在线观看av| 男人爽女人下面视频在线观看| 国产欧美日韩精品亚洲av| 大片电影免费在线观看免费| 蜜桃国产av成人99| 国产成人精品无人区| 国产av国产精品国产| 成年动漫av网址| 99久久精品国产亚洲精品| 九色亚洲精品在线播放| videosex国产| 久久午夜综合久久蜜桃| 涩涩av久久男人的天堂| 波多野结衣一区麻豆| 亚洲自偷自拍图片 自拍| www.999成人在线观看| 亚洲精品乱久久久久久| 国产一级毛片在线| 纵有疾风起免费观看全集完整版| 国产成人av激情在线播放| 精品亚洲乱码少妇综合久久| 久久久国产精品麻豆| 两人在一起打扑克的视频| 女人爽到高潮嗷嗷叫在线视频| av天堂在线播放| 国产免费福利视频在线观看| xxx大片免费视频| 亚洲午夜精品一区,二区,三区| 欧美黑人精品巨大| 久久九九热精品免费| 久久青草综合色| 午夜精品国产一区二区电影| 叶爱在线成人免费视频播放| 中文字幕色久视频| 国产片特级美女逼逼视频| 亚洲精品一二三| 免费观看a级毛片全部| 亚洲色图综合在线观看| 新久久久久国产一级毛片| 精品福利永久在线观看| 王馨瑶露胸无遮挡在线观看| 国产欧美亚洲国产| 久久国产精品人妻蜜桃| 亚洲精品久久成人aⅴ小说| 亚洲av男天堂| www.自偷自拍.com| 日本午夜av视频| 天堂俺去俺来也www色官网| 国产成人精品久久二区二区91| 一区二区三区乱码不卡18| 国产在线免费精品| 国产99久久九九免费精品| 国产一卡二卡三卡精品| 大码成人一级视频| 无遮挡黄片免费观看| 国产精品秋霞免费鲁丝片| 亚洲国产欧美日韩在线播放| 男女边摸边吃奶| 9热在线视频观看99| 亚洲七黄色美女视频| 国产在视频线精品| 午夜福利免费观看在线| 脱女人内裤的视频| 国产91精品成人一区二区三区 | 亚洲国产欧美日韩在线播放| 国产精品成人在线| 99热全是精品| 亚洲一区二区三区欧美精品| 亚洲午夜精品一区,二区,三区| 中文字幕人妻丝袜制服| 美女福利国产在线| 欧美日本中文国产一区发布| 色视频在线一区二区三区| 亚洲成人国产一区在线观看 | 男女午夜视频在线观看| 日本wwww免费看| 狠狠精品人妻久久久久久综合| 波多野结衣一区麻豆| 丰满饥渴人妻一区二区三| 日韩人妻精品一区2区三区| 手机成人av网站| 欧美在线一区亚洲| 亚洲午夜精品一区,二区,三区| 欧美xxⅹ黑人| 99国产精品一区二区三区| 欧美激情高清一区二区三区| 啦啦啦视频在线资源免费观看| 久久精品国产亚洲av涩爱| 黄色a级毛片大全视频| 亚洲,欧美,日韩| 久久人人爽av亚洲精品天堂| 亚洲,欧美精品.| 国产一区二区 视频在线| 国产91精品成人一区二区三区 | 丝袜喷水一区| 亚洲成国产人片在线观看| 久久久国产欧美日韩av| 国产精品亚洲av一区麻豆| 久久久国产欧美日韩av| 各种免费的搞黄视频| 国产精品久久久av美女十八| 精品欧美一区二区三区在线| 午夜影院在线不卡| 久久久国产一区二区| 男人添女人高潮全过程视频| av网站在线播放免费| 国产淫语在线视频| 美女扒开内裤让男人捅视频| 久久精品熟女亚洲av麻豆精品| 国产男人的电影天堂91| 在线观看一区二区三区激情|