• <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 ?

    融合壓縮感知和SVM的SAR變形目標識別算法*

    2016-12-23 09:33:36
    數(shù)據(jù)采集與處理 2016年4期
    關鍵詞:訓練樣本方位角識別率

    谷 雨 張 琴 徐 英

    (1.杭州電子科技大學通信信息傳輸與融合技術國防重點學科實驗室,杭州,310018; 2.杭州電子科技大學生命信息與儀器工程學院,杭州,310018)

    ?

    融合壓縮感知和SVM的SAR變形目標識別算法*

    谷 雨1張 琴1徐 英2

    (1.杭州電子科技大學通信信息傳輸與融合技術國防重點學科實驗室,杭州,310018; 2.杭州電子科技大學生命信息與儀器工程學院,杭州,310018)

    為降低合成孔徑雷達(Synthetic aperture radar, SAR)圖像目標識別中目標方位角的影響,并提高對SAR變形目標的識別率,本文提出了一種基于壓縮感知和支持向量機決策級融合的目標識別算法。該算法首先基于稀疏表征理論將SAR目標識別問題描述為壓縮感知的稀疏信號恢復問題,然后基于稀疏系數(shù)分別進行目標類別判別與方位角估計。對樣本進行姿態(tài)校正后,利用支持向量機分別對經(jīng)過姿態(tài)校正和未經(jīng)姿態(tài)校正的樣本進行目標分類。最后采用投票表決法對3種算法的分類結果進行決策級融合。實驗結果表明,基于壓縮感知結果進行目標方位角估計有效,且隨著訓練樣本數(shù)的增加,提出的決策級融合算法提高了SAR變形目標的識別率。

    合成孔徑雷達;變形目標識別;壓縮感知;支持向量機;決策級融合

    引 言

    合成孔徑雷達(Synthetic aperture radar, SAR)是一種微波成像傳感器,具有全天時、全天候、多波段和多極化等特點,它在國民經(jīng)濟和國防建設中有了越來越廣泛的應用。SAR圖像自動目標識別(Automatic target recognition,ATR)技術的研究,尤其是變形目標的識別,是目前需要迫切解決的關鍵問題之一[1]。實現(xiàn)SAR圖像ATR的主要方法包括基于模板匹配的方法、基于支持向量機(Support vector machine,SVM)的方法和基于Boosting的方法等?;谀0迤ヅ涞姆椒ㄊ褂糜柧殬颖咀鳛槟0?,進行測試時將待識別樣本與模板求解相關系數(shù),然后與閾值比較判別目標類別?;谀0迤ヅ浞椒ǖ牡湫痛硎亲罱彿ê妥罱涌臻g法,在早期的SAR ATR應用比較廣泛[2-3]。SVM和Boosting兩類典型的機器學習算法,已被成功應用到SAR圖像目標識別,并取得了較好的識別效果[4-6]。壓縮感知(Compressed sensing,CS)[7]是一種新的信號描述與處理的理論框架,該理論表明,即使以非常低的速率對原始信號進行采樣與處理,在一定條件下也能夠恢復出原始信號。近年來,國內(nèi)外很多學者提出了多種基于壓縮感知理論的SAR圖像目標識別算法[8-12]。文獻[10]將SAR目標識別問題轉化為稀疏表示的近似求解問題,相比于傳統(tǒng)識別方法,該方法可以取得更高的識別率。文獻[11]提出了一種基于主元分析和稀疏表示的目標識別算法,實驗結果表明,提出的算法在沒有預處理的情況下,仍能有效地識別目標。文獻[12]提出了基于核主成分分析與稀疏表示相結合的SAR目標識別算法,重點討論了預處理算法對SAR目標識別結果的影響。為提高目標識別率,可利用不同特征提取方法和目標分類算法,采用信息融合方法對多視角圖像、多特征和多分類器的識別結果進行融合。文獻[13]通過實驗詳細分析了多視角決策級融合、多特征決策級融合和多分類器決策級融合3種融合方法的性能。文獻[14]提出了基于多視角圖像決策融合的SAR圖像目標識別算法,實驗結果表明,以一定方位角間隔對3幅及以上不同方位角的圖像進行決策融合后的目標正確識別率較利用單幅圖像識別的方法有了顯著提高。利用多分類器結果進行決策級融合時,文獻[15]采用分層推進融合策略,有效融合了并行和串行融合結構的優(yōu)點。文獻[16]采用貝葉斯融合規(guī)則對基于稀疏表示和支持向量機的識別結果進行決策級融合,采用該方法的前提是需要準確估計每一類分類器對目標分類的似然函數(shù)。

    為解決SAR圖像目標識別中目標方位角的影響,本文提出了一種融合CS和SVM的SAR變形目標決策級融合算法。該算法首先將將SAR圖像目標識別問題轉化為稀疏信號恢復問題,基于恢復的稀疏系數(shù)進行測試圖像的方位角估計,然后對其進行姿態(tài)校正,利用SVM分別對經(jīng)過姿態(tài)校正和未經(jīng)姿態(tài)校正的樣本進行目標分類,最后與基于CS的分類結果進行決策級融合。實驗結果驗證了提出的決策級融合算法的有效性。

    1 基于壓縮感知的SAR目標識別算法

    基于稀疏表征理論[17]進行SAR目標識別時,假設第i類目標中有ni個訓練樣本,從這些樣本中分別提取特征并寫成向量形式,即vi,1,vi,2,…,vi,ni∈Rm,則從該類目標的測試樣圖像y提取的特征vt可表示為

    (1)

    式中:αi,j∈R,j=1,…,ni。把k類目標的所有訓練樣本n=n1+n2+…+nk中提取的特征組合構成一個觀測矩陣,即字典A表示為

    (2)

    其中Ai的列向量為從第i類目標的訓練圖像提取的特征。此時式(1)可表示為

    vt=Ax0

    (3)

    式中:x0=[0,…,0,αi,1,αi,2,…,αi,ni,0,…,0]T。理論上x0中只有與第i類目標相對應的系數(shù)為非零,其他值均為零,因此稱x0為稀疏系數(shù)。

    采用L1范數(shù)對上式求解x0,可表示為

    (4)

    上式轉化為壓縮感知理論中的稀疏信號重建問題。根據(jù)求解得到的稀疏系數(shù),可進行目標類別判別。如式(5)所示,向量x0中元素取最大值的位置t處表明測試樣本與該訓練樣本最相似,該樣本的類別即為待測試目標的類別。

    (5)

    由于SAR圖像具有強烈的相干斑噪聲,因此通常采用基于最小重構誤差的方法判別目標類別,該方法也可看作是最近鄰判決(Nearestneighbor,NN)[12]。對于第i類目標,定義函數(shù):δi:Rn→Rn,對于x0∈Rn,δi(x0)∈Rn為系數(shù)向量,其中x0中僅與第i類目標相對應的值保持不變,其他值變?yōu)榱?。定義殘差為[17]

    (6)

    (7)

    殘差最小的i值即測試樣本的類別,測試圖像y的類別n由式(7)得到。由于成像噪聲等影響,采用該方法目標的識別正確率更高。

    2 基于壓縮感知和支持向量機決策級融合的目標識別算法

    基于CS的SAR圖像目標識別算法可看作是最近鄰判別,由式(2)可知,通過采用不同方位角獲得的SAR圖像來構成字典A,因此該算法受目標方位角影響較小。如式(8)所示,SVM通過最大化分類間隔構建最優(yōu)分類超平面,具有能夠處理小樣本、非線性和高維數(shù)等優(yōu)點,但不同目標方位角下獲得的SAR圖像會有較大區(qū)別,若把所有方位角下獲得的訓練樣本直接用于SVM構建分類器,則得到的最優(yōu)分類超平面會比較復雜,從而導致分類性能下降。因此文獻[4]以30°為方位單元,在每個單元內(nèi)對圖像樣本利用SVM訓練分類器;在測試階段,首先采用基于互信息的方位角估計算法確定待識別目標的方位,然后選擇特定的SVM分類器進行分類,有

    (8)

    利用壓縮感知算法進行優(yōu)化求解時,一方面可利用式(7)獲得目標的分類結果,另一方面可根據(jù)式(5)獲得與測試樣本最相似的樣本方位角對測試樣本進行姿態(tài)校正。為降低基于恢復的稀疏系數(shù)進行目標方位角估計錯誤造成的影響,當獲得未校正和已校正的訓練樣本后,采用SVM訓練得到兩個分類器,分別記做SVM1和SVM2,然后將上述3種識別結果進行融合,以提高SAR圖像目標識別的正確率。Bagging[18]是一種多分類器集成算法,通過對樣本進行隨機重采樣訓練得到的多個弱分類器進行投票表決,從而提高分類器的魯棒性和分類精度。因此本文采用投票表決法對上述3種算法的識別結果進行決策級融合,即

    r=MajorityVote(rCS,rSVM1,rsvm2)

    (9)

    式中:rCS為基于CS的識別結果;rSVM1為基于SVM對未經(jīng)過姿態(tài)校正的測試樣本的識別結果;rSVM2為基于SVM對經(jīng)過姿態(tài)校正的測試樣本的識別結果。當出現(xiàn)不一致的3種結果時,根據(jù)每種算法對訓練樣本的識別準確率作為先驗知識進行判別,此時

    (10)

    圖1 基于CS和SVM決策級融合的SAR圖像識別算法Fig.1 SAR object recognition algorithm based on compressed sensing and support vector machine decision fusion表1 MSTAR數(shù)據(jù)庫訓練樣本數(shù)目Tab.1 Training number of MSTAR

    類別變形目標類別數(shù)目SN_9563233BMP2SN_9566232SN_C21233BTR70SN_C71233SN_132232T72SN_812231SN_S7228

    3 實驗結果分析

    本文采用MSTAR公共數(shù)據(jù)庫驗證提出算法的有效性。MSTAR數(shù)據(jù)庫中包含3大類(BMP2裝甲車,BTR70裝甲車和T72主戰(zhàn)坦克) 共7種型號的地物目標。MSTAR數(shù)據(jù)庫中訓練樣本是以17°的俯視角成像,測試樣本以15°的俯視角成像,各目標訓練樣本數(shù)目如表1所示。同一大類里面存在著不同型號的實際差異的目標,如同類坦克上有無機關槍、油箱以及天線是否展開等,本文將其視為變形目標。T72坦克8種型號的SAR圖像及對應的可見光圖像如圖2所示。

    圖2 SAR變形目標圖像及對應的可見光圖像Fig.2 SAR distorted object image and corresponding visible image

    本文實驗以Matlab 2011a為實驗環(huán)境,使用的PC參數(shù)為RAM 2.00 GB和Pentium(R)/2.60 GHz。實驗前,首先對訓練樣本中的圖像手工標記方位角,手工標記方位角記錄的是目標與標準方位角(90°)之間的夾角,并建立與圖像索引的映射關系。在進行目標分類前,對讀取的圖像進行裁剪,取圖像中心點周圍63×63的圖像區(qū)域。由于SAR圖像具有較強的相干斑噪聲,本文采用均值濾波對圖像進行去噪。構建基于CS的SAR圖像目標識別算法的一個關鍵問題是字典A的構造,目前主要有基于訓練樣本的方法、基于隨機投影的方法和基于字典學習的方法。實驗研究表明,當訓練樣本數(shù)較少時,直接采用基于訓練樣本的方法能夠獲得最優(yōu)的識別效果,當訓練樣本較多時,采用字典學習算法能夠兼顧識別率和識別速度兩方面的需求。本文采用由訓練樣本直接構造字典A的方法,采用最近鄰方法進行目標判別,將該方法記為CS+NN。SVM訓練分類器采用的核函數(shù)為徑向基核函數(shù)k(x,x0)=exp(-γ‖x-x0‖2),懲罰因子C和參數(shù)γ由交叉驗證和網(wǎng)格參數(shù)尋優(yōu)方法訓練得到,實驗中取C=32,γ=2。

    進行分類器訓練時,首先利用標記的方位角信息對訓練樣本進行方位角校正,然后進行模型訓練。測試過程中,采用文獻[19]的算法對式(4)進行優(yōu)化重建得到稀疏解x0,由式(7)得到目標類別,根據(jù)式(5)估計測試樣本的方位角。運用CS+NN,SVM1(未校正姿態(tài)角)和SVM2(校正姿態(tài)角)得到3種分類結果,然后利用式(8,9)進行融合。

    由于訓練樣本的數(shù)目會影響分類器的識別率,通過實驗比較了樣本數(shù)為60和180時各算法的目標識別率,如表2和表3所示。從表2,3中可以看出,隨著訓練樣本數(shù)的增加,基于CS+NN方法的識別率有了顯著提高,尤其是對于第一大類目標,采用180個樣本比采用60個樣本平均高出了13個百分點;不同訓練樣本數(shù)時,基于CS+NN的識別結果與基于SVM2的識別結果大致相當,但均優(yōu)于基于SVM1的方法,這一方面說明本文提出的基于壓縮感知的識別結果對測試樣本進行方位角校正可行,另一方面也說明基于壓縮感知的方法即使在樣本數(shù)較少時,也能夠獲得滿意的識別結果,因而將這些識別結果進行融合后會提高SAR變形目標的識別率。

    當采用本文提出的決策級融合方法時,經(jīng)過融合后的目標平均識別率均高于參加融合的3種算法的平均識別率。當3種方法的識別性能相差較大時,經(jīng)過融合后每一類類目標的識別性能不一定最優(yōu),如樣本數(shù)為60情況下第1類目標的分類結果,SVM2方法識別率最高,決策級融合方法次之,SVM1方法最差。從每一類目標的識別率可以看出,當樣本數(shù)為60,僅第2,3,6類目標融合方法的識別率有提高;當樣本數(shù)為180,有5類目標的識別率采用本文提出的決策級融合算法最高。這說明隨著樣本數(shù)的增加,當參與融合的各算法識別性能相近時,本文提出的決策級融合識別算法性能更加平穩(wěn)。

    表2給出了當訓練樣本為60時4種方法的平均識別時間,對未校正的圖像用SVM分類最快,由于CS中基于L1泛數(shù)求解稀疏系數(shù),故運算速度較慢。本文方法結合了基于CS和SVM(基于矯正圖像和原始圖像)的識別結果,故識別時間最長。

    表2 訓練樣本數(shù)為60的目標識別率

    表3 訓練樣本數(shù)為180的目標識別率

    為驗證本文算法的有效性,對T72的8種變形目標進行了識別實驗,比較了文獻[16]中貝葉斯融合算法和本文采用的投票表決法的識別性能。每一類別目標采用的訓練樣本數(shù)為60,變形目標識別率如表4所示。從表中可以看出,對于這8類目標,采用未經(jīng)校正的樣本訓練支持向量機時,目標識別率僅為68.94%,遠低于采用經(jīng)過校正樣本訓練得到的分類器結果?;贑S的目標識別算法在參加融合的3種算法中性能最優(yōu)。采用文獻[16]的貝葉斯融合方式時,目標識別率較基于CS的算法略有降低,本文算法則略有提高,說明即使參加融合的各算法性能有較大差異時,本文算法也具有較好的魯棒性。

    表4 訓練樣本數(shù)為60時T72變形目標識別率

    4 結束語

    本文首先基于壓縮感知的優(yōu)化求解結果估計SAR目標的方位角。由于基于CS的SAR目標識別算法可看作是基于最近鄰判別思想的識別算法,而基于SVM的識別算法通過尋找最優(yōu)決策面來進行分類,故本文采用投票表決法設計了基于CS和SVM的識別結果進行決策級融合的目標識別方法。采用MSTAR公共數(shù)據(jù)庫進行了算法測試與驗證,實驗結果表明,采用基于壓縮感知結果估計得到的方位角對樣本進行姿態(tài)校正,提高了基于SVM算法的目標識別率,采用本文提出的決策級融合算法的目標平均識別率優(yōu)于基于CS和SVM方法的平均識別率,說明本文提出的算法的有效性。

    [1] 高敏.基于CS的SAR目標識別[D].西安:西安電子科技大學,2010.

    Gao Min. SAR target recognition via compressed sensing[D]. Xi′an: Xidian University, 2010.

    [2] Owirka G J, Verbout S M, Novak L M. Template-based SAR ATR performance using different image enhancement techniques[C]// Proceedings of SPIE. Florida, USA: SPIE, 1999,3721:302-319.

    [3] Verbout S M, Irving W W, Hanes A S. Improving a template-based classifier in a SAR automatic target recognition system by using 3-D target information[J]. The Lincoln Laboratory Journal, 1993,6(1):53-76.

    [4] Qun Zhao, Principe J C. Support vector machines for SAR automatic target recognition[J]. IEEE Trans on Aerospace and Electronic Systems, 2001,37(2):643-654.

    [5] Yuan C, Casasent D. A new SVM for distorted SAR object classification[C]//Proceedings of SPIE. Florida, USA: SPIE, 2005,5816:10-22.

    [6] Sun Y J, Liu Z P, Todorovic S. Adative boosting for SAR automatic target recognition[J]. IEEE Trans on Aerospace and Electronic Systems, 2007,43(1):112-125.

    [7] 張弓,楊萌,張勁東,等.壓縮感知在雷達目標探測與識別中的研究進展[J].數(shù)據(jù)采集與處理,2012,27(1):1-12.

    Zhang Gong, Yang Meng, Zhang Jindong, et al. Advances in theory and application of compressed sensing in radar target detection and recognition[J]. Journal of Data Acquisition and Processing, 2012,27(1):1-12.

    [8] Berisha V, Shah N, Waagen D. Sparse manifold learning with applications to SAR image classification[C]//IEEE International Conference on Acoustics, Speech and Signal Processing. Hawaii, USA: IEEE, 2007,3:1089-1092.

    [9] Thiagarajan J J, Ramamurthy K N, Knee P. Sparse representations for automatic target classification in SAR images[C]//IEEE International Symposium on Communications, Control and Signal Processing. Limassol, Cyprus: IEEE, 2010:1-4.

    [10]方慶,張順生.基于壓縮感知的SAR圖像目標識別[J].火控雷達技術,2012,41(4): 1-6.

    Fang Qing, Zhang Shunsheng. SAR images target recognition based on compressed sensing[J]. Fire Conrol Radar Technology, 2012,41(4):1-6.

    [11]劉中杰,莊麗葵,曹云峰,等.基于主元分析和稀疏表示的SAR圖像目標識別[J].系統(tǒng)工程與電子技術,2013,35(2):282-286.

    Liu Zhongjie, Zhuang Likui, Cao Yunfeng, et al. Target recognition of SAR images using principal component analysis and sparse representation[J]. System Engineering and Electroncis, 2013,35(2):282-286.

    [12]劉中杰,莊麗葵,曹云峰,等. 面向SAR圖像目標識別的魯棒處理算法[J].系統(tǒng)工程電子技術,2013,35(12):2489-2494.

    Liu Zhongjie, Zhuang Likui, Cao Yunfeng, et al. Robust processing algorithm for SAR images target recognition[J]. System Engineering and Electroncis, 2013,35(12):2489-2494.

    [13]Huan R, Pan Y. Decision fusion strategies for SAR image target recognition[J]. IET Radar, Sonar & Navigation, 2011,5(7):747-755.

    [14]Huan R, Yang R. SAR target recognition using multiple views decision fusion[J]. Journal of Remote Sensing, 2010,14(2):252-256.

    [15]Cui Zongyong, Cao Zongjie, Yang Jianyu, et al. A hierarchical propelled fusion strategy for SAR automatic target recognition[J]. EURASIP Journal on Wireless Communications and Networking, 2013(1):1-8.

    [16]Liu Haicang, Li Shutao. Decision fusion of sparse representation and support vector machine for SAR image target recognition[J]. Neurocomputing, 2013,113:97-104.

    [17]Wright J, Yang A Y, Ganesh A. Robust face recognition via sparse representation[J]. IEEE Trans on Pattern Analysis and Machine Intelligence, 2009,31(2):210-227.

    [18]Bremain L. Bagging predictors[J]. Machine Learning, 1996,24(1):49-64.

    [19]Kim S J, Koh K, Lustig M, et al. An interior-point method for large-scale 11-regularized least squares[J]. IEEE Journal of Selected Topics in Signal Processing, 2007, 1(4):606-617.

    谷雨(1982-),男,博士,研究方向:多源信息融合算法,SAR圖像解譯,E-mail:guyu@hdu.edu.cn。

    張琴(1990-),女,碩士研究生,研究方向:SAR目標識別算法。

    徐英(1982-),女,博士,研究方向:圖像處理。

    SAR Distorted Object Recognition Algorithm Based on Compressed Sensing and Support Vector Machine Fusion

    Gu Yu1, Zhang Qin1, Xu Ying2

    (1.Fundamental Science on Communication Information Transmission and Fusion Technology Laboratory, Hangzhou Dianzi University, Hangzhou, 310018, China; 2.College of Life Information Science & Instrument Engineering, Hangzhou Dianzi University, Hangzhou, 310018, China)

    To reduce the influence of aspect angle to synthetic aperture radar (SAR) object recognition and improve recognition rate of SAR distorted object, the algorithm of compressed sensing (CS) and support vector machine (SVM) decision fusion for SAR object recognition is proposed. SAR object recognition is described as a sparse signal recovery problem in CS based on sparse representation theory, and an object classification result and an aspect angle are obtained through sparse coefficient separately. The classification results are obtained by SVM classifier using rectified and original samples after rectifying the pose of test sample. The final recognition result is obtained through fusion of the three above results based on majority vote. Experimental results demonstrate that, the algorithm of object aspect angle estimation based on compressed sensing result is effective, and the proposed decision fusion algorithm improves deformable object recognition rate significantly as the sample number increases.

    synthetic aperture radar(SAR); distorted object recognition; compressed sensing; support vector machine; decision fusion

    國家自然科學基金(61174024,61372024)資助項目;浙江省自然科學基金(LQ13F050010)資助項目。

    2014-11-19;

    2015-06-18

    TP753

    A

    猜你喜歡
    訓練樣本方位角識別率
    探究無線電方位在無線電領航教學中的作用和意義
    卷宗(2021年2期)2021-03-09 07:57:24
    近地磁尾方位角流期間的場向電流增強
    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
    基于真耳分析的助聽器配戴者言語可懂度指數(shù)與言語識別率的關系
    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
    電視技術(2016年9期)2016-10-17 09:13:41
    基于稀疏重構的機載雷達訓練樣本挑選方法
    高速公路機電日常維護中車牌識別率分析系統(tǒng)的應用
    少妇裸体淫交视频免费看高清| 国产黄色小视频在线观看| 成人高潮视频无遮挡免费网站| 黄色欧美视频在线观看| 亚洲国产精品国产精品| 人妻系列 视频| 午夜激情欧美在线| 69av精品久久久久久| 成人特级av手机在线观看| 有码 亚洲区| 亚洲一级一片aⅴ在线观看| 国产午夜精品久久久久久一区二区三区| 男人舔奶头视频| 国产成人精品福利久久| 日韩在线高清观看一区二区三区| 美女被艹到高潮喷水动态| 亚洲av在线观看美女高潮| 免费看av在线观看网站| 国产精品久久视频播放| 国产精品精品国产色婷婷| xxx大片免费视频| 国产伦精品一区二区三区视频9| 蜜臀久久99精品久久宅男| 波野结衣二区三区在线| 91精品一卡2卡3卡4卡| 天堂影院成人在线观看| 国产v大片淫在线免费观看| 亚洲精品成人av观看孕妇| 三级国产精品片| 国产精品熟女久久久久浪| av卡一久久| 国产黄色小视频在线观看| 欧美性猛交╳xxx乱大交人| 亚洲av福利一区| av播播在线观看一区| ponron亚洲| .国产精品久久| 国产成人freesex在线| 黄色欧美视频在线观看| 亚洲精品国产av蜜桃| 男人爽女人下面视频在线观看| 亚洲国产最新在线播放| 天美传媒精品一区二区| 精品久久国产蜜桃| 五月玫瑰六月丁香| 日韩精品有码人妻一区| 久久久亚洲精品成人影院| 国产一级毛片七仙女欲春2| 美女脱内裤让男人舔精品视频| 内射极品少妇av片p| 可以在线观看毛片的网站| 在线观看人妻少妇| 丝瓜视频免费看黄片| 一级黄片播放器| 亚洲综合精品二区| 久久综合国产亚洲精品| 五月玫瑰六月丁香| 久久久成人免费电影| 国产精品av视频在线免费观看| 97人妻精品一区二区三区麻豆| 亚洲真实伦在线观看| 91av网一区二区| 大话2 男鬼变身卡| 国产精品.久久久| 一个人看视频在线观看www免费| 亚洲欧美成人精品一区二区| 秋霞伦理黄片| av专区在线播放| 国产又色又爽无遮挡免| 少妇的逼水好多| 国产亚洲精品av在线| 91精品一卡2卡3卡4卡| 中国美白少妇内射xxxbb| 麻豆成人av视频| 国产精品1区2区在线观看.| 成年版毛片免费区| 熟妇人妻久久中文字幕3abv| 亚洲性久久影院| 日本熟妇午夜| 国产毛片a区久久久久| 特级一级黄色大片| 欧美人与善性xxx| 精品少妇黑人巨大在线播放| 中文资源天堂在线| 尾随美女入室| 欧美变态另类bdsm刘玥| 成人欧美大片| 久久久精品免费免费高清| 小蜜桃在线观看免费完整版高清| 大又大粗又爽又黄少妇毛片口| 免费人成在线观看视频色| 99久久精品一区二区三区| 免费观看精品视频网站| 秋霞伦理黄片| 乱码一卡2卡4卡精品| 亚洲av在线观看美女高潮| 高清毛片免费看| 亚洲最大成人手机在线| 精品欧美国产一区二区三| 少妇人妻精品综合一区二区| 亚洲自偷自拍三级| 亚洲精品aⅴ在线观看| 亚洲激情五月婷婷啪啪| 人人妻人人澡欧美一区二区| 3wmmmm亚洲av在线观看| 亚洲欧洲国产日韩| 亚洲怡红院男人天堂| 99热网站在线观看| 亚洲av.av天堂| 高清av免费在线| 91久久精品国产一区二区三区| 亚洲最大成人av| 日日摸夜夜添夜夜爱| 国精品久久久久久国模美| 国语对白做爰xxxⅹ性视频网站| 丝袜美腿在线中文| 亚洲精品国产av成人精品| 精品一区二区三区视频在线| 三级毛片av免费| 色视频www国产| 91精品国产九色| 午夜久久久久精精品| 国产成人精品一,二区| 亚洲av中文字字幕乱码综合| 亚洲国产日韩欧美精品在线观看| 久久久久久久久久成人| 成人亚洲欧美一区二区av| 我的老师免费观看完整版| 亚洲欧美精品专区久久| 精品一区二区免费观看| 国产成人福利小说| 国产综合精华液| 国产高清有码在线观看视频| 插阴视频在线观看视频| 精品一区二区三区视频在线| 亚洲精品中文字幕在线视频 | 又大又黄又爽视频免费| 免费av毛片视频| 久久久国产一区二区| 美女xxoo啪啪120秒动态图| 亚洲精品国产av成人精品| 少妇熟女欧美另类| 亚洲精品一区蜜桃| 中文字幕久久专区| 99热这里只有是精品50| 久久亚洲国产成人精品v| 色网站视频免费| 亚洲激情五月婷婷啪啪| 免费看a级黄色片| 久久久久久久久大av| 国产成人福利小说| 少妇猛男粗大的猛烈进出视频 | 嫩草影院入口| 亚洲欧美清纯卡通| 国产麻豆成人av免费视频| 亚洲精品456在线播放app| 最近最新中文字幕大全电影3| 亚洲在线观看片| 欧美激情国产日韩精品一区| 女人久久www免费人成看片| 99久久九九国产精品国产免费| 欧美+日韩+精品| 国产有黄有色有爽视频| 汤姆久久久久久久影院中文字幕 | 亚洲内射少妇av| 嫩草影院精品99| 在线观看免费高清a一片| 99久国产av精品国产电影| 国产视频内射| 99热这里只有精品一区| 啦啦啦韩国在线观看视频| 少妇熟女aⅴ在线视频| 免费观看在线日韩| 日韩精品青青久久久久久| 日日撸夜夜添| 国产国拍精品亚洲av在线观看| 美女xxoo啪啪120秒动态图| 一区二区三区免费毛片| 国产麻豆成人av免费视频| 国产乱人偷精品视频| 日韩在线高清观看一区二区三区| 欧美日韩综合久久久久久| 亚洲真实伦在线观看| 日本wwww免费看| 丰满乱子伦码专区| 欧美成人a在线观看| 国产乱来视频区| 真实男女啪啪啪动态图| 久久久精品免费免费高清| 欧美最新免费一区二区三区| 国产精品无大码| 国产成人精品婷婷| 狂野欧美激情性xxxx在线观看| 国产精品久久视频播放| 非洲黑人性xxxx精品又粗又长| 又爽又黄a免费视频| 国产精品不卡视频一区二区| 最近中文字幕2019免费版| 国产三级在线视频| 黄片无遮挡物在线观看| 亚洲av男天堂| 免费大片18禁| 插阴视频在线观看视频| 男人狂女人下面高潮的视频| 国产日韩欧美在线精品| 一个人看的www免费观看视频| 最近的中文字幕免费完整| 国内少妇人妻偷人精品xxx网站| av一本久久久久| 精品人妻偷拍中文字幕| 一级毛片aaaaaa免费看小| 麻豆精品久久久久久蜜桃| 久久6这里有精品| 中文精品一卡2卡3卡4更新| 91aial.com中文字幕在线观看| 91精品一卡2卡3卡4卡| 99热6这里只有精品| 国语对白做爰xxxⅹ性视频网站| 国产精品精品国产色婷婷| 久久午夜福利片| 久久精品夜色国产| 如何舔出高潮| 日韩视频在线欧美| 国产亚洲精品久久久com| 人妻系列 视频| 美女被艹到高潮喷水动态| 我的老师免费观看完整版| 国产精品国产三级国产av玫瑰| 99九九线精品视频在线观看视频| 在线 av 中文字幕| 亚洲精品乱码久久久v下载方式| 中文字幕av在线有码专区| 天天躁夜夜躁狠狠久久av| 97超视频在线观看视频| 久久午夜福利片| 秋霞伦理黄片| 久久久久精品久久久久真实原创| 人妻少妇偷人精品九色| 内射极品少妇av片p| 亚洲欧洲国产日韩| 最近的中文字幕免费完整| 99久久九九国产精品国产免费| 亚洲精品乱久久久久久| 嘟嘟电影网在线观看| 美女脱内裤让男人舔精品视频| 男女边吃奶边做爰视频| av线在线观看网站| 亚洲乱码一区二区免费版| 97热精品久久久久久| 久久这里有精品视频免费| 亚洲欧美日韩无卡精品| 亚洲欧美中文字幕日韩二区| 成人亚洲精品一区在线观看 | 美女cb高潮喷水在线观看| 免费人成在线观看视频色| 国产一区二区三区av在线| 欧美成人a在线观看| 国产伦精品一区二区三区四那| 深夜a级毛片| 国产在视频线精品| www.av在线官网国产| 一边亲一边摸免费视频| 直男gayav资源| 久久热精品热| 亚洲va在线va天堂va国产| 看黄色毛片网站| 亚洲怡红院男人天堂| 国产精品国产三级国产专区5o| 三级经典国产精品| 精品一区在线观看国产| 国产 一区 欧美 日韩| 黄片无遮挡物在线观看| 熟女人妻精品中文字幕| 亚洲av二区三区四区| 男女边吃奶边做爰视频| 直男gayav资源| 黄片无遮挡物在线观看| 国产片特级美女逼逼视频| 免费大片黄手机在线观看| 九色成人免费人妻av| 欧美 日韩 精品 国产| 身体一侧抽搐| 一区二区三区免费毛片| 熟妇人妻久久中文字幕3abv| 久久精品综合一区二区三区| 久久久久久久亚洲中文字幕| 精华霜和精华液先用哪个| 久久久久精品性色| 你懂的网址亚洲精品在线观看| xxx大片免费视频| 干丝袜人妻中文字幕| 免费观看av网站的网址| 欧美zozozo另类| 日韩在线高清观看一区二区三区| 男女边吃奶边做爰视频| 99热这里只有是精品50| 成人国产麻豆网| 99热6这里只有精品| 日韩,欧美,国产一区二区三区| 亚洲真实伦在线观看| 国产黄色小视频在线观看| 晚上一个人看的免费电影| 免费av观看视频| av免费在线看不卡| 亚洲国产成人一精品久久久| 汤姆久久久久久久影院中文字幕 | 日韩成人伦理影院| 国产成年人精品一区二区| 青春草国产在线视频| 亚洲第一区二区三区不卡| 国产黄色小视频在线观看| 可以在线观看毛片的网站| 久久精品夜夜夜夜夜久久蜜豆| 免费在线观看成人毛片| 国产女主播在线喷水免费视频网站 | 国产成人aa在线观看| 成人亚洲欧美一区二区av| 综合色av麻豆| 青春草视频在线免费观看| 久久国产乱子免费精品| 最近2019中文字幕mv第一页| 成年女人看的毛片在线观看| 欧美激情在线99| 亚洲精品一二三| 最近最新中文字幕免费大全7| 欧美丝袜亚洲另类| 国产有黄有色有爽视频| 免费观看无遮挡的男女| 国产探花极品一区二区| 深爱激情五月婷婷| 小蜜桃在线观看免费完整版高清| 国产精品国产三级国产av玫瑰| 成人亚洲精品av一区二区| 汤姆久久久久久久影院中文字幕 | 成人亚洲欧美一区二区av| 91在线精品国自产拍蜜月| 国产成人午夜福利电影在线观看| 亚洲av免费在线观看| 免费黄网站久久成人精品| 亚洲乱码一区二区免费版| 久久精品夜色国产| 男女边摸边吃奶| 毛片女人毛片| 国产白丝娇喘喷水9色精品| 有码 亚洲区| 欧美极品一区二区三区四区| 成年女人看的毛片在线观看| 在线观看美女被高潮喷水网站| 狠狠精品人妻久久久久久综合| 久久精品国产亚洲av涩爱| 国产成人免费观看mmmm| 在线免费观看不下载黄p国产| 久久鲁丝午夜福利片| 国产 亚洲一区二区三区 | 男插女下体视频免费在线播放| a级一级毛片免费在线观看| 久久国产乱子免费精品| 成人无遮挡网站| 国产探花在线观看一区二区| 日日啪夜夜撸| 久久99热这里只频精品6学生| 亚洲精品乱码久久久v下载方式| 麻豆久久精品国产亚洲av| 国产av不卡久久| 99久久精品国产国产毛片| 精品亚洲乱码少妇综合久久| 午夜福利在线观看免费完整高清在| 日日摸夜夜添夜夜爱| 麻豆成人av视频| 97超视频在线观看视频| 精品久久久久久久久久久久久| 久久国产乱子免费精品| 国产精品蜜桃在线观看| 男女下面进入的视频免费午夜| 三级国产精品片| 91午夜精品亚洲一区二区三区| 五月天丁香电影| 三级男女做爰猛烈吃奶摸视频| 少妇裸体淫交视频免费看高清| 国产激情偷乱视频一区二区| 国产黄a三级三级三级人| av黄色大香蕉| 国产精品一及| 老师上课跳d突然被开到最大视频| 精品久久久久久久久亚洲| 日本黄色片子视频| 久久国产乱子免费精品| 亚洲精品国产av蜜桃| av播播在线观看一区| 国产黄色视频一区二区在线观看| 22中文网久久字幕| 麻豆乱淫一区二区| 亚洲欧美精品专区久久| 如何舔出高潮| 五月伊人婷婷丁香| 99久国产av精品| 亚洲精品,欧美精品| 国产精品国产三级国产专区5o| 中文欧美无线码| 亚洲精品中文字幕在线视频 | 午夜爱爱视频在线播放| 日产精品乱码卡一卡2卡三| 麻豆av噜噜一区二区三区| 人人妻人人澡欧美一区二区| 晚上一个人看的免费电影| av国产免费在线观看| 一级av片app| 亚洲成人中文字幕在线播放| 国产在线一区二区三区精| 我的女老师完整版在线观看| 老女人水多毛片| 亚洲熟妇中文字幕五十中出| 波多野结衣巨乳人妻| 国产亚洲最大av| 免费av观看视频| 少妇裸体淫交视频免费看高清| 久久久久国产网址| 亚洲国产精品成人综合色| 免费大片黄手机在线观看| 性插视频无遮挡在线免费观看| av福利片在线观看| 国产亚洲精品久久久com| 边亲边吃奶的免费视频| 建设人人有责人人尽责人人享有的 | 精品久久久久久成人av| 亚洲综合色惰| 成人欧美大片| 国产综合精华液| 伊人久久精品亚洲午夜| 欧美成人a在线观看| 肉色欧美久久久久久久蜜桃 | av黄色大香蕉| 床上黄色一级片| 国产精品不卡视频一区二区| 嫩草影院新地址| 色综合色国产| 国产精品熟女久久久久浪| 日韩人妻高清精品专区| 国产亚洲一区二区精品| 男人舔女人下体高潮全视频| 中文字幕人妻熟人妻熟丝袜美| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 久久久久久久久久久丰满| 日韩伦理黄色片| 亚洲美女搞黄在线观看| 婷婷色综合大香蕉| 国产精品久久久久久久久免| 亚洲欧洲国产日韩| 亚洲人成网站在线播| 亚洲在久久综合| 亚洲av成人av| 亚洲性久久影院| 欧美激情久久久久久爽电影| 高清av免费在线| 国产久久久一区二区三区| 日韩伦理黄色片| 五月天丁香电影| 一级爰片在线观看| 中文精品一卡2卡3卡4更新| 亚洲精品乱码久久久v下载方式| 丰满人妻一区二区三区视频av| 亚州av有码| 一级a做视频免费观看| 国产中年淑女户外野战色| 伦理电影大哥的女人| 久久精品综合一区二区三区| 成人高潮视频无遮挡免费网站| 精品久久久久久久末码| 国产成人一区二区在线| 亚洲国产精品成人综合色| 免费av观看视频| 日日摸夜夜添夜夜爱| 中国美白少妇内射xxxbb| 久久97久久精品| 国产精品不卡视频一区二区| 大片免费播放器 马上看| av在线亚洲专区| 国产成人福利小说| 日韩,欧美,国产一区二区三区| a级毛片免费高清观看在线播放| 欧美+日韩+精品| 丰满乱子伦码专区| 天天一区二区日本电影三级| 亚洲精品国产成人久久av| 亚洲在久久综合| 噜噜噜噜噜久久久久久91| 99久久九九国产精品国产免费| 欧美性猛交╳xxx乱大交人| 欧美激情久久久久久爽电影| 青春草亚洲视频在线观看| 成人综合一区亚洲| 偷拍熟女少妇极品色| 在线播放无遮挡| 亚洲精品影视一区二区三区av| 精品久久久久久久人妻蜜臀av| 视频中文字幕在线观看| 国产亚洲精品av在线| 美女内射精品一级片tv| 内射极品少妇av片p| 18禁裸乳无遮挡免费网站照片| 国产午夜精品论理片| 欧美日韩国产mv在线观看视频 | 日本一二三区视频观看| 日韩一本色道免费dvd| 蜜桃亚洲精品一区二区三区| 91av网一区二区| 乱码一卡2卡4卡精品| 亚洲熟女精品中文字幕| 老女人水多毛片| 国产高清国产精品国产三级 | 国产成人91sexporn| 黄色欧美视频在线观看| 99热网站在线观看| 国产免费视频播放在线视频 | av免费在线看不卡| 国产亚洲精品av在线| 2018国产大陆天天弄谢| 久久精品国产亚洲av涩爱| 国语对白做爰xxxⅹ性视频网站| 精品国产露脸久久av麻豆 | 成人性生交大片免费视频hd| av播播在线观看一区| 国产乱来视频区| 国产伦精品一区二区三区视频9| 欧美丝袜亚洲另类| 精品久久久久久电影网| 亚洲人与动物交配视频| 男人舔奶头视频| 色尼玛亚洲综合影院| 五月伊人婷婷丁香| 青春草视频在线免费观看| xxx大片免费视频| 一个人看视频在线观看www免费| 欧美性感艳星| 免费观看av网站的网址| 亚洲综合精品二区| 黄片wwwwww| 少妇人妻精品综合一区二区| 成人国产麻豆网| 成人亚洲精品av一区二区| 亚洲内射少妇av| 亚洲不卡免费看| 国产av不卡久久| 中文字幕久久专区| 久久99热这里只频精品6学生| 亚洲av成人精品一区久久| 99九九线精品视频在线观看视频| 天堂av国产一区二区熟女人妻| 久久97久久精品| 亚洲最大成人中文| 人妻少妇偷人精品九色| .国产精品久久| 色播亚洲综合网| 免费黄频网站在线观看国产| 18禁在线播放成人免费| 在线播放无遮挡| 亚洲欧美清纯卡通| 九九在线视频观看精品| 亚洲成人一二三区av| 人人妻人人澡人人爽人人夜夜 | 蜜臀久久99精品久久宅男| 精品人妻熟女av久视频| 国产探花极品一区二区| 久久97久久精品| 中文字幕久久专区| 国产欧美日韩精品一区二区| 欧美三级亚洲精品| 午夜免费激情av| 免费大片黄手机在线观看| 在线观看美女被高潮喷水网站| 亚洲国产成人一精品久久久| 2021天堂中文幕一二区在线观| 成人鲁丝片一二三区免费| 男人舔奶头视频| 性插视频无遮挡在线免费观看| 夜夜爽夜夜爽视频| 国产精品福利在线免费观看| 在线 av 中文字幕| 国产亚洲精品av在线| 国国产精品蜜臀av免费| 在线播放无遮挡| 免费播放大片免费观看视频在线观看| 18禁裸乳无遮挡免费网站照片| 久久精品熟女亚洲av麻豆精品 | 伊人久久精品亚洲午夜| 色播亚洲综合网| 日韩在线高清观看一区二区三区| 免费电影在线观看免费观看| 精品亚洲乱码少妇综合久久| 2021天堂中文幕一二区在线观| 亚洲国产精品成人久久小说| 午夜日本视频在线| 亚洲va在线va天堂va国产| 成人毛片60女人毛片免费| videossex国产| 欧美激情国产日韩精品一区| 国产黄色小视频在线观看| 久久久精品免费免费高清| 欧美性感艳星| 欧美潮喷喷水| 亚洲精品色激情综合| 大又大粗又爽又黄少妇毛片口| 婷婷六月久久综合丁香| 最近最新中文字幕大全电影3| 精品人妻偷拍中文字幕| 久久久久九九精品影院| 日韩欧美 国产精品| 毛片女人毛片| 国产精品一区二区三区四区免费观看| 国产精品人妻久久久影院| 亚洲精品一区蜜桃| xxx大片免费视频| 亚洲不卡免费看| av播播在线观看一区| 亚洲国产成人一精品久久久|