• <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
    亚洲精品粉嫩美女一区| 国产三级在线视频| 久久伊人香网站| 日韩欧美免费精品| 赤兔流量卡办理| 九九热线精品视视频播放| 好男人电影高清在线观看| 亚洲国产色片| 丁香欧美五月| 在线a可以看的网站| 精品一区二区三区av网在线观看| 欧美性猛交黑人性爽| 亚洲成人精品中文字幕电影| 免费看光身美女| 俄罗斯特黄特色一大片| av在线蜜桃| 欧美激情国产日韩精品一区| 成人性生交大片免费视频hd| 久久精品综合一区二区三区| 搡老岳熟女国产| 永久网站在线| 国产伦精品一区二区三区四那| 极品教师在线免费播放| 少妇丰满av| av福利片在线观看| 窝窝影院91人妻| 久久久久久久精品吃奶| h日本视频在线播放| 亚洲av中文字字幕乱码综合| 一个人免费在线观看的高清视频| 自拍偷自拍亚洲精品老妇| 欧美日韩瑟瑟在线播放| 成年女人毛片免费观看观看9| 欧美xxxx黑人xx丫x性爽| 97人妻精品一区二区三区麻豆| 亚洲成人免费电影在线观看| 男女那种视频在线观看| 老司机午夜十八禁免费视频| 亚洲av.av天堂| 国产午夜福利久久久久久| 国产激情偷乱视频一区二区| 色精品久久人妻99蜜桃| 综合色av麻豆| 1000部很黄的大片| 好看av亚洲va欧美ⅴa在| 99久国产av精品| 久久精品久久久久久噜噜老黄 | 国产日本99.免费观看| 欧美日韩瑟瑟在线播放| 国产成人欧美在线观看| 亚洲av一区综合| 亚洲第一区二区三区不卡| 天堂av国产一区二区熟女人妻| 国产单亲对白刺激| 成人无遮挡网站| 91久久精品电影网| 又黄又爽又刺激的免费视频.| 日韩欧美三级三区| 欧美日韩瑟瑟在线播放| 免费观看精品视频网站| 内地一区二区视频在线| x7x7x7水蜜桃| 夜夜爽天天搞| 一区福利在线观看| 亚洲专区中文字幕在线| av福利片在线观看| 国产精品99久久久久久久久| 观看免费一级毛片| 欧美成人性av电影在线观看| 精品一区二区免费观看| 观看免费一级毛片| 在线播放国产精品三级| 成年人黄色毛片网站| 亚洲内射少妇av| 久久精品国产自在天天线| 日韩欧美国产一区二区入口| 中文亚洲av片在线观看爽| 欧美最黄视频在线播放免费| 国产单亲对白刺激| 少妇的逼好多水| 亚洲精品粉嫩美女一区| 深夜a级毛片| 日韩欧美 国产精品| 99视频精品全部免费 在线| 国产精品乱码一区二三区的特点| 99久国产av精品| 国模一区二区三区四区视频| 黄色视频,在线免费观看| 亚洲电影在线观看av| 亚洲第一电影网av| 少妇人妻精品综合一区二区 | 精品无人区乱码1区二区| 久久天躁狠狠躁夜夜2o2o| 久久久精品欧美日韩精品| 美女黄网站色视频| 波野结衣二区三区在线| 久久久精品大字幕| 黄色丝袜av网址大全| 国产成人啪精品午夜网站| 狂野欧美白嫩少妇大欣赏| 日日干狠狠操夜夜爽| 丰满乱子伦码专区| 久久亚洲精品不卡| 国产精品av视频在线免费观看| 亚洲精品成人久久久久久| 国产精品久久久久久亚洲av鲁大| 色在线成人网| 天堂av国产一区二区熟女人妻| 日本一本二区三区精品| 国产精品伦人一区二区| 亚洲av第一区精品v没综合| 欧美性猛交黑人性爽| 宅男免费午夜| 久久久久亚洲av毛片大全| 熟女电影av网| 亚洲三级黄色毛片| 日韩有码中文字幕| 国产精品爽爽va在线观看网站| 日本 av在线| 国产精品影院久久| av在线蜜桃| 黄色一级大片看看| 黄色丝袜av网址大全| 国产成人av教育| 97热精品久久久久久| 国产免费一级a男人的天堂| 又黄又爽又免费观看的视频| 日韩大尺度精品在线看网址| 十八禁国产超污无遮挡网站| 国内久久婷婷六月综合欲色啪| 国模一区二区三区四区视频| 哪里可以看免费的av片| 久久精品久久久久久噜噜老黄 | 色哟哟·www| 热99在线观看视频| 99国产极品粉嫩在线观看| 亚洲人成网站在线播放欧美日韩| 欧美+日韩+精品| 老师上课跳d突然被开到最大视频 久久午夜综合久久蜜桃 | 成人午夜高清在线视频| 久久亚洲精品不卡| 午夜福利高清视频| 窝窝影院91人妻| 成年女人毛片免费观看观看9| 国产美女午夜福利| 青草久久国产| 国产高清有码在线观看视频| 亚洲美女视频黄频| 自拍偷自拍亚洲精品老妇| 国内少妇人妻偷人精品xxx网站| 欧美最新免费一区二区三区 | 国产视频内射| 国产69精品久久久久777片| 国模一区二区三区四区视频| 国产一区二区激情短视频| 热99在线观看视频| 精品人妻视频免费看| 一区二区三区高清视频在线| .国产精品久久| 成年版毛片免费区| 欧美绝顶高潮抽搐喷水| 国产av一区在线观看免费| 亚洲人成网站在线播| 色视频www国产| 欧美色视频一区免费| 51午夜福利影视在线观看| 亚洲精品成人久久久久久| 亚洲乱码一区二区免费版| 熟妇人妻久久中文字幕3abv| 99热精品在线国产| 欧美国产日韩亚洲一区| 亚洲第一欧美日韩一区二区三区| 日本一二三区视频观看| 69av精品久久久久久| 美女高潮喷水抽搐中文字幕| 一区福利在线观看| 97人妻精品一区二区三区麻豆| 人人妻,人人澡人人爽秒播| 亚洲第一区二区三区不卡| 国产精品伦人一区二区| 亚洲成av人片免费观看| 别揉我奶头~嗯~啊~动态视频| 夜夜夜夜夜久久久久| 国产 一区 欧美 日韩| 欧美最黄视频在线播放免费| netflix在线观看网站| 国产精品国产高清国产av| 白带黄色成豆腐渣| 国产一级毛片七仙女欲春2| 亚洲精品在线观看二区| 少妇丰满av| 精品乱码久久久久久99久播| 九九热线精品视视频播放| 午夜a级毛片| 一a级毛片在线观看| 日韩免费av在线播放| av国产免费在线观看| 婷婷六月久久综合丁香| 波多野结衣高清作品| 国产三级黄色录像| 欧美在线一区亚洲| 性色av乱码一区二区三区2| 3wmmmm亚洲av在线观看| 免费看a级黄色片| 亚洲美女黄片视频| 大型黄色视频在线免费观看| 国产极品精品免费视频能看的| 少妇高潮的动态图| 中文字幕av在线有码专区| 国产探花在线观看一区二区| 色av中文字幕| 又爽又黄a免费视频| 免费在线观看成人毛片| 国产美女午夜福利| 三级毛片av免费| 一本一本综合久久| 精品一区二区三区视频在线| 女人十人毛片免费观看3o分钟| 色播亚洲综合网| 一区二区三区免费毛片| 亚洲国产精品成人综合色| 日日干狠狠操夜夜爽| 男女之事视频高清在线观看| а√天堂www在线а√下载| 亚洲aⅴ乱码一区二区在线播放| 一级毛片久久久久久久久女| 亚洲熟妇中文字幕五十中出| 麻豆国产97在线/欧美| 国产精品日韩av在线免费观看| 亚洲熟妇熟女久久| 亚洲av日韩精品久久久久久密| 美女高潮喷水抽搐中文字幕| 一进一出好大好爽视频| 我的女老师完整版在线观看| 亚洲激情在线av| 亚洲片人在线观看| 亚洲欧美日韩无卡精品| 一区福利在线观看| 婷婷六月久久综合丁香| 国产欧美日韩一区二区三| 色吧在线观看| 色综合站精品国产| 欧美日韩乱码在线| 女生性感内裤真人,穿戴方法视频| 美女黄网站色视频| 哪里可以看免费的av片| 露出奶头的视频| 亚洲av日韩精品久久久久久密| 乱人视频在线观看| 丰满乱子伦码专区| 国产亚洲欧美在线一区二区| 国产欧美日韩精品亚洲av| 97人妻精品一区二区三区麻豆| 日本 av在线| 日韩欧美一区二区三区在线观看| 九九久久精品国产亚洲av麻豆| 宅男免费午夜| 亚洲av免费在线观看| 天堂动漫精品| 日韩成人在线观看一区二区三区| 日韩欧美精品v在线| 神马国产精品三级电影在线观看| 国产精品久久久久久亚洲av鲁大| 村上凉子中文字幕在线| 欧美日本亚洲视频在线播放| 久久国产乱子伦精品免费另类| 亚洲真实伦在线观看| 亚洲乱码一区二区免费版| 国产三级中文精品| 日本与韩国留学比较| 97人妻精品一区二区三区麻豆| 久久精品国产自在天天线| 久久婷婷人人爽人人干人人爱| 五月玫瑰六月丁香| 51午夜福利影视在线观看| 麻豆成人午夜福利视频| 老司机午夜十八禁免费视频| 国产精品亚洲av一区麻豆| 99热这里只有是精品在线观看 | 免费观看人在逋| 亚洲av熟女| 欧美成人a在线观看| 午夜免费激情av| 国产中年淑女户外野战色| 在线看三级毛片| 欧美国产日韩亚洲一区| 欧美一级a爱片免费观看看| 怎么达到女性高潮| 亚洲无线观看免费| 99久久精品一区二区三区| 精品国内亚洲2022精品成人| www.www免费av| av女优亚洲男人天堂| 免费在线观看亚洲国产| 可以在线观看的亚洲视频| 亚洲人成电影免费在线| 亚洲五月天丁香| 午夜a级毛片| 亚洲 国产 在线| 国产高清视频在线观看网站| 18禁裸乳无遮挡免费网站照片| 精品久久久久久成人av| 亚洲中文日韩欧美视频| 身体一侧抽搐| 久久精品国产亚洲av香蕉五月| 日日干狠狠操夜夜爽| 人妻久久中文字幕网| 欧美激情国产日韩精品一区| 草草在线视频免费看| 最后的刺客免费高清国语| 国产在线精品亚洲第一网站| 精品一区二区三区人妻视频| 亚洲av.av天堂| 老鸭窝网址在线观看| 欧美极品一区二区三区四区| 欧洲精品卡2卡3卡4卡5卡区| 亚洲av五月六月丁香网| 亚洲精品成人久久久久久| 超碰av人人做人人爽久久| 欧美色欧美亚洲另类二区| 国产亚洲精品av在线| 嫩草影视91久久| 成年女人永久免费观看视频| 真人一进一出gif抽搐免费| 啦啦啦观看免费观看视频高清| 在线天堂最新版资源| 久久久成人免费电影| 色精品久久人妻99蜜桃| 别揉我奶头 嗯啊视频| 亚洲va日本ⅴa欧美va伊人久久| 国产精品久久久久久亚洲av鲁大| 国产av不卡久久| 午夜精品久久久久久毛片777| 国产在线精品亚洲第一网站| 夜夜看夜夜爽夜夜摸| 亚洲激情在线av| 久久久久国内视频| 天堂影院成人在线观看| 国产黄片美女视频| 国产一区二区在线观看日韩| 搡老妇女老女人老熟妇| 亚洲一区高清亚洲精品| 91在线观看av| 亚洲乱码一区二区免费版| 日本免费a在线| 国产精品久久久久久久久免 | 精品福利观看| 他把我摸到了高潮在线观看| 久久午夜福利片| 免费观看精品视频网站| 一进一出抽搐gif免费好疼| 男人舔女人下体高潮全视频| 最近视频中文字幕2019在线8| 99热6这里只有精品| 在线播放无遮挡| 村上凉子中文字幕在线| 免费看美女性在线毛片视频| 成年女人毛片免费观看观看9| 国产黄片美女视频| 黄色女人牲交| 18禁裸乳无遮挡免费网站照片| 国产在线精品亚洲第一网站| 免费在线观看影片大全网站| 亚洲精品粉嫩美女一区| 久99久视频精品免费| 国产伦精品一区二区三区四那| ponron亚洲| 99在线人妻在线中文字幕| 好男人在线观看高清免费视频| 久久久精品大字幕| 国产精品1区2区在线观看.| 久久99热这里只有精品18| 两个人视频免费观看高清| 蜜桃亚洲精品一区二区三区| 亚洲国产日韩欧美精品在线观看| 国产av在哪里看| 九九热线精品视视频播放| 亚洲人成电影免费在线| 精品国内亚洲2022精品成人| 久久香蕉精品热| 亚洲av免费在线观看| 国产淫片久久久久久久久 | 午夜日韩欧美国产| 午夜免费成人在线视频| 在线观看美女被高潮喷水网站 | 一本精品99久久精品77| 国产精品亚洲一级av第二区| 亚州av有码| 国产人妻一区二区三区在| 啦啦啦韩国在线观看视频| 欧美日韩黄片免| 国产精品免费一区二区三区在线| 桃红色精品国产亚洲av| 亚洲美女搞黄在线观看 | 波多野结衣高清无吗| 美女xxoo啪啪120秒动态图 | 国产精品久久久久久久电影| 男女床上黄色一级片免费看| 男插女下体视频免费在线播放| 久久久久久久亚洲中文字幕 | 男女之事视频高清在线观看| 成人亚洲精品av一区二区| 变态另类成人亚洲欧美熟女| 亚洲综合色惰| 亚洲五月婷婷丁香| 看免费av毛片| 国内少妇人妻偷人精品xxx网站| 国产欧美日韩精品亚洲av| 三级毛片av免费| 午夜免费男女啪啪视频观看 | а√天堂www在线а√下载| 中文在线观看免费www的网站| 在线观看66精品国产| 男女床上黄色一级片免费看| 亚洲人成电影免费在线| 免费一级毛片在线播放高清视频| 精品人妻偷拍中文字幕| 国产精品日韩av在线免费观看| 51国产日韩欧美| 看十八女毛片水多多多| 嫩草影视91久久| 欧美一区二区亚洲| 亚洲av电影不卡..在线观看| 欧美绝顶高潮抽搐喷水| 搡女人真爽免费视频火全软件 | 成人无遮挡网站| 窝窝影院91人妻| 色噜噜av男人的天堂激情| 日本 欧美在线| 怎么达到女性高潮| 午夜影院日韩av| 一本久久中文字幕| 午夜精品一区二区三区免费看| 亚洲精品亚洲一区二区| а√天堂www在线а√下载| 成年女人毛片免费观看观看9| 国产精品1区2区在线观看.| 亚洲18禁久久av| 51国产日韩欧美| 成人永久免费在线观看视频| 一区福利在线观看| www.www免费av| 淫妇啪啪啪对白视频| 亚洲中文字幕一区二区三区有码在线看| 亚洲国产欧洲综合997久久,| 成人性生交大片免费视频hd| 国产亚洲精品av在线| 少妇丰满av| 国产成人影院久久av| 级片在线观看| 永久网站在线| 麻豆国产97在线/欧美| 欧美黄色淫秽网站| av福利片在线观看| 国产精品三级大全| 亚洲av电影不卡..在线观看| 国产一级毛片七仙女欲春2| 免费大片18禁| 国产在线精品亚洲第一网站| av中文乱码字幕在线| 久久6这里有精品| 亚洲人成网站高清观看| 悠悠久久av| 精品无人区乱码1区二区| 国产综合懂色| 少妇人妻一区二区三区视频| 男插女下体视频免费在线播放| netflix在线观看网站| 国产免费av片在线观看野外av| 1024手机看黄色片| 成年版毛片免费区| 九色成人免费人妻av| 校园春色视频在线观看| 日本免费一区二区三区高清不卡| 丝袜美腿在线中文| 色综合婷婷激情| 最新中文字幕久久久久| 国产亚洲av嫩草精品影院| 757午夜福利合集在线观看| 久久久久久国产a免费观看| 国产在视频线在精品| 波多野结衣高清无吗| 亚洲精品久久国产高清桃花| 久久久久国产精品人妻aⅴ院| 亚洲av成人av| 亚洲人成网站在线播| 嫩草影视91久久| 欧美xxxx黑人xx丫x性爽| 日日摸夜夜添夜夜添av毛片 | av天堂在线播放| 欧美乱妇无乱码| 又黄又爽又免费观看的视频| 成年女人永久免费观看视频| 欧美另类亚洲清纯唯美| 日韩免费av在线播放| 一级毛片久久久久久久久女| 看免费av毛片| 国产高清激情床上av| 亚洲人成伊人成综合网2020| 一区二区三区激情视频| 亚洲狠狠婷婷综合久久图片| 观看免费一级毛片| 少妇被粗大猛烈的视频| 51国产日韩欧美| 日本黄色视频三级网站网址| 亚洲av第一区精品v没综合| 高潮久久久久久久久久久不卡| 成人三级黄色视频| 毛片女人毛片| 欧美精品啪啪一区二区三区| 天堂√8在线中文| 天堂影院成人在线观看| 少妇人妻一区二区三区视频| 天天躁日日操中文字幕| 久久伊人香网站| 美女大奶头视频| 日本 欧美在线| 十八禁国产超污无遮挡网站| 欧美bdsm另类| 国产精品亚洲av一区麻豆| 久久热精品热| 免费观看的影片在线观看| 免费无遮挡裸体视频| av在线天堂中文字幕| 免费一级毛片在线播放高清视频| 国产私拍福利视频在线观看| 久9热在线精品视频| 亚洲欧美日韩东京热| 欧美一区二区国产精品久久精品| av黄色大香蕉| 午夜a级毛片| 亚洲一区高清亚洲精品| 嫩草影视91久久| 麻豆国产av国片精品| 国产精品亚洲一级av第二区| 51午夜福利影视在线观看| 欧美高清成人免费视频www| 五月玫瑰六月丁香| 99久久成人亚洲精品观看| 欧美在线黄色| 亚洲成a人片在线一区二区| 日韩欧美国产一区二区入口| 俺也久久电影网| 国产白丝娇喘喷水9色精品| or卡值多少钱| 亚洲在线自拍视频| 欧美午夜高清在线| 人妻久久中文字幕网| 村上凉子中文字幕在线| 无人区码免费观看不卡| 国产黄片美女视频| 精品免费久久久久久久清纯| 在线播放无遮挡| 有码 亚洲区| 国产色婷婷99| 精品国产三级普通话版| 国产精品伦人一区二区| av在线观看视频网站免费| 一级黄片播放器| 欧美一区二区精品小视频在线| 亚洲av免费高清在线观看| 久久国产精品影院| 18美女黄网站色大片免费观看| 757午夜福利合集在线观看| 成人午夜高清在线视频| 亚洲无线观看免费| 中文字幕熟女人妻在线| 丁香六月欧美| 有码 亚洲区| 可以在线观看毛片的网站| 丰满的人妻完整版| 日本在线视频免费播放| 在线观看一区二区三区| 一级av片app| 午夜福利18| 亚洲一区高清亚洲精品| 人人妻人人澡欧美一区二区| 精品无人区乱码1区二区| 午夜福利高清视频| 国产人妻一区二区三区在| 亚洲精品在线美女| 高清毛片免费观看视频网站| 波野结衣二区三区在线| 久久久久久久精品吃奶| 国内精品一区二区在线观看| 欧美一区二区亚洲| 久久久久免费精品人妻一区二区| 舔av片在线| netflix在线观看网站| 国产精品自产拍在线观看55亚洲| 成人精品一区二区免费| 亚洲av电影在线进入| 中文字幕高清在线视频| 丰满乱子伦码专区| 精品久久久久久久人妻蜜臀av| 色哟哟·www| 亚洲国产日韩欧美精品在线观看| 美女xxoo啪啪120秒动态图 | 国产高清视频在线观看网站| 又黄又爽又刺激的免费视频.| 国产私拍福利视频在线观看| 午夜久久久久精精品| 欧美黑人欧美精品刺激| 久久久精品大字幕| 十八禁网站免费在线| 怎么达到女性高潮| 亚洲内射少妇av| 中文字幕av在线有码专区| 亚洲av电影在线进入| 国产精品不卡视频一区二区 | 看免费av毛片| 国产欧美日韩精品亚洲av| 成人一区二区视频在线观看| 国产亚洲欧美在线一区二区| 赤兔流量卡办理|