• <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 ?

    基于優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的交通標(biāo)志識別

    2017-04-20 03:38:34王曉斌黃金杰劉文舉
    計算機(jī)應(yīng)用 2017年2期
    關(guān)鍵詞:交通標(biāo)志識別率分類器

    王曉斌,黃金杰,劉文舉

    (1.哈爾濱理工大學(xué) 自動化學(xué)院,哈爾濱 150080; 2.中國科學(xué)院 自動化研究所,北京 100190)

    (*通信作者電子郵箱lwj@nlpr.ia.ac.cn)

    基于優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的交通標(biāo)志識別

    王曉斌1,黃金杰1,劉文舉2*

    (1.哈爾濱理工大學(xué) 自動化學(xué)院,哈爾濱 150080; 2.中國科學(xué)院 自動化研究所,北京 100190)

    (*通信作者電子郵箱lwj@nlpr.ia.ac.cn)

    現(xiàn)有算法對交通標(biāo)志進(jìn)行識別時,存在訓(xùn)練時間短但識別率低,或識別率高但訓(xùn)練時間長的問題。為此,綜合批量歸一化(BN)方法、逐層貪婪預(yù)訓(xùn)練(GLP)方法,以及把分類器換成支持向量機(jī)(SVM)這三種方法對卷積神經(jīng)網(wǎng)絡(luò)(CNN)結(jié)構(gòu)進(jìn)行優(yōu)化,提出基于優(yōu)化CNN結(jié)構(gòu)的交通標(biāo)志識別算法。其中:BN方法可以用來改變中間層的數(shù)據(jù)分布情況,把卷積層輸出數(shù)據(jù)歸一化為均值為0、方差為1,從而提高訓(xùn)練收斂速度,減少訓(xùn)練時間;GLP方法則是先訓(xùn)練第一層卷積網(wǎng)絡(luò),訓(xùn)練完把參數(shù)保留,繼續(xù)訓(xùn)練第二層,保留參數(shù),直到把所有卷積層訓(xùn)練完畢,這樣可以有效提高卷積網(wǎng)絡(luò)識別率;SVM分類器只專注于那些分類錯誤的樣本,對已經(jīng)分類正確的樣本不再處理,從而提高了訓(xùn)練速度。使用德國交通標(biāo)志識別數(shù)據(jù)庫進(jìn)行訓(xùn)練和識別,新算法的訓(xùn)練時間相對于傳統(tǒng)CNN訓(xùn)練時間減少了20.67%,其識別率達(dá)到了98.24%。所提算法通過對傳統(tǒng)CNN結(jié)構(gòu)進(jìn)行優(yōu)化,極大地縮短了訓(xùn)練時間,并具有較高的識別率。

    卷積神經(jīng)網(wǎng)絡(luò); 批量歸一化;貪婪預(yù)訓(xùn)練; 支持向量機(jī)

    0 引言

    隨著我國經(jīng)濟(jì)的發(fā)展,交通越來越發(fā)達(dá),同時隨著私家車的增多,交通事故頻發(fā),安全駕駛問題越來越突出,于是智能交通系統(tǒng)應(yīng)運而生。交通標(biāo)志識別是智能交通系統(tǒng)的重要組成部分,在交通安全運行方面具有重大的現(xiàn)實意義,它能夠減少駕駛員的駕駛疲勞,更好地保證出行安全。在汽車運行過程中,交通標(biāo)志識別往往是在復(fù)雜的室外交通環(huán)境下進(jìn)行的,比一般靜止的事物識別更難,主要體現(xiàn)在:復(fù)雜多變的光照條件;背景環(huán)境干擾;交通標(biāo)志遮擋;交通標(biāo)志位置傾斜[1]。受干擾圖例如圖1所示。為了解決這些問題,大量的復(fù)雜算法被提出,造成識別率高但訓(xùn)練速度過慢,或者訓(xùn)練速度快但識別率低的問題,因此交通標(biāo)志快速訓(xùn)練與準(zhǔn)確識別是迫切需要解決的問題。

    目前已經(jīng)有很多傳統(tǒng)分類器,包括支持向量機(jī)(Support Vector Machine, SVM)[2]、貝葉斯分類器[3]、隨機(jī)森林分類器等被用于交通標(biāo)志識別。這些方法均先利用典型的特征描述方法如尺度不變特征變換(Scale-Invariant Feature Transform, SIFT)[4]、加速魯棒特征(Speeded Up Robust Feature, SURF)[5]、方向梯度直方圖(Histogram of Oriented Gradient, HOG)[6]等對訓(xùn)練樣本進(jìn)行低層次特征提取,包含角點、邊緣、紋理等,然后對這些特征進(jìn)行訓(xùn)練分類操作。這些特征描述方法主要是由人工設(shè)計的,設(shè)計它們需要大量的時間,盡管這些算法訓(xùn)練時間很短,但是識別率很低,不能實現(xiàn)準(zhǔn)確應(yīng)用。

    深度學(xué)習(xí)是目前在目標(biāo)識別方面應(yīng)用最多的方法。深度學(xué)習(xí)的實質(zhì)是通過構(gòu)建具有很多隱層的機(jī)器學(xué)習(xí)模型和訓(xùn)練數(shù)據(jù),自發(fā)地學(xué)習(xí)更高層次的特征,從而最終提升分類或預(yù)測的準(zhǔn)確性。和傳統(tǒng)的學(xué)習(xí)方法相比,深度學(xué)習(xí)更能夠刻畫數(shù)據(jù)豐富的內(nèi)在信息。本文主要使用卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network, CNN)[7]方法。

    圖1 受干擾圖例

    CNN是受生物的視覺系統(tǒng)啟發(fā)而形成的,是一個多層的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),每個卷積層由一個濾波器層、一個非線性層、一個空間采樣層組成。CNN的主要優(yōu)點就是可以將數(shù)據(jù)直接輸入CNN模型而不進(jìn)行任何處理,它可以自動學(xué)習(xí)圖像特征,并且具有很強的魯棒性。Ciresan等[8]提出了多列卷積神經(jīng)網(wǎng)絡(luò)算法,一共有25個卷積網(wǎng)絡(luò)結(jié)構(gòu),每個卷積網(wǎng)絡(luò)用不同的方法進(jìn)行訓(xùn)練,結(jié)果取25個網(wǎng)絡(luò)的平均值,之后用這個模型對測試集進(jìn)行測試;Sermanet等[9]提出了多規(guī)模卷積網(wǎng)絡(luò),把卷積網(wǎng)絡(luò)的第二層特征和第三層特征聯(lián)合送入全連接層進(jìn)行分類;Krizhevsky等[10]提出用深度卷積神經(jīng)網(wǎng)絡(luò)對圖片進(jìn)行分類。在圖像數(shù)據(jù)庫比賽中,這些算法都獲得了比較高的識別率;但是這些算法的共同缺點是訓(xùn)練時間過長,需要大量的計算資源,其中Ciresan等[8]提出的方法訓(xùn)練時間達(dá)到37 h,浪費了大量資源。

    針對上述方法的缺點,本文對CNN結(jié)構(gòu)進(jìn)行了優(yōu)化,包括加入批量歸一化(Batch-Normalization, BN)[11]層,使用逐層貪婪預(yù)訓(xùn)練(Greedy Layer-wise Pretraining, GLP) 方法[12]進(jìn)行訓(xùn)練,同時在最后的分類層使用支持向量機(jī)(SVM)進(jìn)行分類。其中GLP能夠提高識別率,BN和SVM能夠加速深度學(xué)習(xí)訓(xùn)練過程。

    1 卷積神經(jīng)網(wǎng)絡(luò)

    1.1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

    CNN的兩大優(yōu)點就是局部感受野和權(quán)值共享。在傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中,一般都是全連接,導(dǎo)致參數(shù)非常巨大,訓(xùn)練困難,速度很慢。比如一幅n×n像素圖像輸入全連接網(wǎng)絡(luò),如果第一層神經(jīng)元個數(shù)是m個,因為是全連接,每個像素與每個神經(jīng)元全連接,就會有n×n×m個參數(shù),導(dǎo)致參數(shù)災(zāi)難,訓(xùn)練會非常困難,因此必須想辦法減少參數(shù)。對于CNN來說,一幅1 000×1 000像素的圖像,如果局部感受野范圍是50×50,那么僅僅會有50×50個參數(shù),這是一種特征,如果要識別一種圖像,可以設(shè)計100個濾波器,參數(shù)也僅僅是50×50×100,所以參數(shù)大幅減少,訓(xùn)練速度也會大大加快。

    CNN結(jié)構(gòu)由輸入層、卷積層和采樣層組成。圖2所示是交通標(biāo)志識別CNN結(jié)構(gòu),在圖中,輸入的是交通標(biāo)志的圖像,先經(jīng)過第一層卷積C1,濾波器個數(shù)是8個大小為5×5,形成8個特征映射圖,每個特征映射圖大小為44;然后再經(jīng)過采樣層S2,使用的采樣核大小為2×2,得到8個特征圖,特征圖大小是22;第二卷積層C3產(chǎn)生14個特征圖,卷積核大小3×3,產(chǎn)生14個特征圖大小是20;再經(jīng)過采樣,采樣核大小是2×2,產(chǎn)生14個特征圖,每個特征圖大小是10,把14個特征圖壓縮成一維連接起來與C5層120個神經(jīng)元全連接;最后一層是分類器,采用全連接方式進(jìn)行分類輸出。這就是一個完整的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

    圖2 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

    1.2 卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練

    CNN的訓(xùn)練過程主要采用的是反向傳播算法,首先輸入數(shù)據(jù),進(jìn)行前向計算,然后再反向計算誤差,并對誤差求各個權(quán)值和偏置的偏導(dǎo)數(shù),依靠這個偏導(dǎo)數(shù)調(diào)整各個權(quán)值和偏差。在開始訓(xùn)練前,所有的權(quán)值都應(yīng)該用不同的隨機(jī)數(shù)進(jìn)行初始化。選取的隨機(jī)數(shù)應(yīng)較小,以保證網(wǎng)絡(luò)不會因權(quán)值過大而進(jìn)入飽和狀態(tài),從而導(dǎo)致訓(xùn)練失??;“不同”則用來保證網(wǎng)絡(luò)可以正常地學(xué)習(xí)。下面是用交通標(biāo)志訓(xùn)練CNN的過程:

    第一階段,向前傳播階段:

    1)從交通標(biāo)志樣本中選取一部分標(biāo)志輸入網(wǎng)絡(luò);

    2)通過前向算法計算相應(yīng)的實際輸出標(biāo)志類別。

    第二階段,向后傳播階段:

    1)把前面計算的實際類別與真實交通標(biāo)志類別進(jìn)行比較,求偏差;

    2)按極小化誤差的方法反向傳播調(diào)整權(quán)矩陣。

    下面是具體的公式推導(dǎo):

    1)卷積層。

    b)殘差計算。卷積層的下一層是下采樣層,采用的是一對一非重疊采樣,故殘差計算更為簡單。第l層第j個特征圖的殘差計算公式如下:

    其中:第l層為卷積層,第l+1層為下采樣層,下采樣層與卷積層是一一對應(yīng)的;up(x)是將第l+1層的大小擴(kuò)展為和第l層大小一樣;下采樣層中的權(quán)重全都等于β(一個常量);f′(·)表示激活函數(shù)f(·)的偏導(dǎo)數(shù);“°”表示每個元素相乘。

    c)梯度計算。偏置參數(shù)b的導(dǎo)數(shù)為:

    參數(shù)k的導(dǎo)數(shù)為:

    2)采樣層。

    a)卷積計算。設(shè)第l層為下采樣層,第l-1層為卷積層,由于是一對一采樣,假設(shè)采樣大小為2×2,故計算公式為:

    其中:down(x)是將x中2×2的大小中像素值進(jìn)行求和。計算過程為對上一層卷積層2×2大小進(jìn)行求和然后乘以權(quán)重w,再加上一個偏置,再求取激活函數(shù)。

    b)殘差計算。在計算下采樣層梯度時,需要找到殘差圖中給定像素對應(yīng)于上一層的殘差圖中哪個區(qū)域塊,這樣才可以將殘差反向傳播回來。另外,需要乘以輸入?yún)^(qū)域塊和輸出像素之間連接的權(quán)值,這個權(quán)值實際上就是卷積核的權(quán)值。上述過程可以使用下面的Matlab函數(shù)公式實現(xiàn):

    其中:第l層為下采樣層,第l+1層為卷積層。

    c)梯度計算。偏置b的導(dǎo)數(shù),其公式的推導(dǎo)過程與卷積層一樣。權(quán)重β的導(dǎo)數(shù)計算公式如下:

    2 加速訓(xùn)練模塊和識別率模塊

    2.1 加速訓(xùn)練模塊——批量歸一化方法

    交通標(biāo)志識別主要使用CNN方法,CNN學(xué)習(xí)過程本質(zhì)就是為了學(xué)習(xí)數(shù)據(jù)分布,深度卷積網(wǎng)絡(luò)的訓(xùn)練是一個復(fù)雜的過程,只要網(wǎng)絡(luò)的前面幾層發(fā)生微小的改變,后面幾層就會被累積放大下去。一旦網(wǎng)絡(luò)某一層的輸入數(shù)據(jù)的分布發(fā)生改變,那么這一層網(wǎng)絡(luò)就需要學(xué)習(xí)這個新的數(shù)據(jù)分布。訓(xùn)練過程中,訓(xùn)練數(shù)據(jù)的每一層分布一直在發(fā)生變化,并且每一層所需要的學(xué)習(xí)率不一樣,通常需要使用最小的那個學(xué)習(xí)率才能保證損失函數(shù)有效下降,因此將會影響網(wǎng)絡(luò)的訓(xùn)練速度。而BN算法就是要解決在訓(xùn)練過程中,中間層數(shù)據(jù)分布發(fā)生變化的情況,BN算法使每一層的數(shù)據(jù)都?xì)w一化為均值為0、標(biāo)準(zhǔn)差為1,使數(shù)據(jù)穩(wěn)定,因此可以使用較大的學(xué)習(xí)率進(jìn)行訓(xùn)練,使網(wǎng)絡(luò)加快收斂,提高訓(xùn)練速度。BN算法主要使用如下公式進(jìn)行歸一化:

    (1)

    其中E[x(k)]指的是每一批訓(xùn)練數(shù)據(jù)x(k)的平均值;分母就是每一批數(shù)據(jù)x(k)的一個標(biāo)準(zhǔn)差。后面的處理也將利用式(1)對某一個層網(wǎng)絡(luò)的輸入數(shù)據(jù)作歸一化處理。需要注意的是,訓(xùn)練過程中采用批量隨機(jī)梯度下降方法。

    2.2 識別率模塊——逐層貪婪訓(xùn)練

    逐層貪婪預(yù)訓(xùn)練是一個層網(wǎng)絡(luò)預(yù)訓(xùn)練結(jié)構(gòu),逐層貪婪算法的主要思路是每次只訓(xùn)練網(wǎng)絡(luò)中的一層,即首先訓(xùn)練一個只含一個卷積層的網(wǎng)絡(luò),僅當(dāng)這層網(wǎng)絡(luò)訓(xùn)練結(jié)束之后才開始訓(xùn)練一個有兩個卷積層的網(wǎng)絡(luò),以此類推。在每一步中,把已經(jīng)訓(xùn)練好的前k-1層固定,然后增加第k層(也就是將已經(jīng)訓(xùn)練好的前k-1的輸出作為輸入)。每一層的訓(xùn)練是有監(jiān)督的(例如,將每一步的分類誤差作為目標(biāo)函數(shù)),這些各層單獨訓(xùn)練所得到的權(quán)重被用來初始化最終的深度網(wǎng)絡(luò)的權(quán)重,然后對整個網(wǎng)絡(luò)進(jìn)行“微調(diào)”(即把所有層放在一起來優(yōu)化有標(biāo)簽訓(xùn)練集上的訓(xùn)練誤差),這就是一個完整的逐層貪婪預(yù)訓(xùn)練(GLP)過程。

    3 實驗與分析

    本次實驗所用的計算機(jī)配置是CPUXeon2.60GHz,centos6.5操作系統(tǒng),同時還使用了K40c顯卡內(nèi)存12GB來加速訓(xùn)練。

    3.1 數(shù)據(jù)準(zhǔn)備

    本次實驗使用德國交通標(biāo)志數(shù)據(jù)集(GermanTrafficSignRecognitionBenchmark,GTSRB)[13],該數(shù)據(jù)集包含43類從德國真實交通環(huán)境中采集的交通標(biāo)志,整個數(shù)據(jù)集共51 839幅交通標(biāo)志圖像,其中訓(xùn)練集39 209幅,測試集12 630幅,每幅圖像只包含一個交通標(biāo)志;且數(shù)據(jù)集中包括大量低分辨率、不同光照強度、局部遮擋、視角傾斜、運動模糊等各種不利條件下的圖像,能夠較全面地反映現(xiàn)實情況,以及算法的應(yīng)用能力。GTSRB數(shù)據(jù)集包括六個大類:限速標(biāo)志、其他禁令標(biāo)志、解除禁令標(biāo)志、指示標(biāo)志、警告標(biāo)志、其他標(biāo)志。

    由于數(shù)據(jù)集中的原始圖像每幅圖像只包含一個交通標(biāo)志,而且有10%的冗余邊,每個圖像大小尺寸并不一樣,為了提高識別率,需對其進(jìn)行預(yù)處理。即先參考交通標(biāo)志說明文件把圖片中10%的冗余邊剪除,使交通標(biāo)志充滿整個圖像;然后將圖像進(jìn)行旋轉(zhuǎn)、平移和綻放,旋轉(zhuǎn)角度為-5°和5°,左、右各平移4個像素,縮放因子為0.9和1.1,擴(kuò)展成155 517張圖片。這樣更有利于訓(xùn)練過程,同時對測試集進(jìn)行更好的預(yù)測。接著將RGB圖像轉(zhuǎn)化成灰度圖像。筆者進(jìn)行了相關(guān)實驗,發(fā)現(xiàn)RGB圖像識別率和灰度圖像識別率大體一致,因此為了提高計算速度,使用灰度圖像進(jìn)行實驗。由于本文使用的是卷積神經(jīng)網(wǎng)絡(luò)方法,所有的圖像都必須大小一致,所以按照以往的經(jīng)驗把所有的圖像都轉(zhuǎn)化成48×48大小。卷積神經(jīng)網(wǎng)絡(luò)方法具有很強的魯棒性,因此并沒有使用具體的去噪方法進(jìn)行去噪。

    3.2 網(wǎng)絡(luò)結(jié)構(gòu)選擇

    在進(jìn)行實驗之前需要了解多少層卷積結(jié)構(gòu)才能使識別率最高,因為對于深度學(xué)習(xí)而言,隨著層數(shù)增加,結(jié)構(gòu)能力越強,將會導(dǎo)致數(shù)據(jù)過擬合;但如果層數(shù)太少,結(jié)構(gòu)能力太弱,又會導(dǎo)致數(shù)據(jù)欠擬合。這兩者都會導(dǎo)致訓(xùn)練錯誤率和測試錯誤率升高。為了選擇卷積層數(shù),使用逐層增加的方法,直到隨著層數(shù)增加,識別率不再明顯變化,就可以確定最優(yōu)層數(shù)。這里使用的數(shù)據(jù)還是德國交通標(biāo)志數(shù)據(jù)庫,分為訓(xùn)練集和測試集。在選擇之前,每一層濾波器都是使用108個,濾波器隨機(jī)初始化,實驗結(jié)果如圖3所示。從圖3中可以看出,隨著層數(shù)增加識別率逐漸增加,隨后不變或者下降。因此關(guān)于卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)選擇三層最為合適,識別率也最高。

    而關(guān)于濾波器個數(shù)選擇,同樣也是先參考文獻(xiàn)[9-10],選擇默認(rèn)卷積層數(shù)為3層,然后在這個基礎(chǔ)上再進(jìn)行實驗,結(jié)果如表1所示。從表1可以看出,盡管濾波器越多正確率越高,但是如果選擇90- 108- 108結(jié)構(gòu),會因為濾波器過多而使得計算復(fù)雜,訓(xùn)練時間過長。綜合考慮,選擇90- 108- 108,其中90代表第一層濾波器個數(shù),以此類推。

    圖3 識別率隨層數(shù)變化曲線

    表1 濾波器個數(shù)與正確率的關(guān)系

    Tab.1Relationshipbetweenthenumberoffiltersandcorrectrate

    尺寸正確率/%尺寸正確率/%50?90?13095.83108?130?15096.4190?108?10896.22130?160?19096.57

    在選擇好層數(shù)和濾波器個數(shù)后,在本次實驗中使用隱層層數(shù)為1;參考文獻(xiàn)[14],本次實驗使用隱層神經(jīng)元個數(shù)為500。

    3.3 訓(xùn)練速度對比

    本次實驗設(shè)計的網(wǎng)絡(luò)結(jié)構(gòu)是三層卷積神經(jīng)網(wǎng)絡(luò)、一個隱層和一個分類層,分類層分別使用softmax和SVM分類器,網(wǎng)絡(luò)訓(xùn)練時間分別是830.38min和664.91min。可以看出,使用SVM訓(xùn)練時間明顯比softmax訓(xùn)練時間短,因為對于softmax來說,當(dāng)某類的概率已經(jīng)大于0.9時,這就意味著分類正確,然而損失函數(shù)會繼續(xù)計算,直到概率接近1,這樣會造成計算資源的浪費;而SVM分類器只專注于那些分類錯誤的樣本,對已經(jīng)分類正確的樣本不再處理,從而能大幅提高訓(xùn)練速度,同時還能提高模型的泛化能力,提高識別率。因此后續(xù)實驗中的分類層采用SVM分類器。

    接下來實驗使用的網(wǎng)絡(luò)結(jié)構(gòu)包括三個卷積層、兩個隱層和一個分類層;而對比結(jié)構(gòu)也是三層卷積網(wǎng)絡(luò)結(jié)構(gòu),只是每一層卷積后都使用BN算法,然后是兩個隱層和一個分類層,其他參數(shù)兩個網(wǎng)絡(luò)結(jié)構(gòu)完全相同。結(jié)果顯示:使用BN算法前的訓(xùn)練時間為716.74min,而使用BN算法后的訓(xùn)練時間為568.6min??梢钥闯?,在網(wǎng)絡(luò)結(jié)構(gòu)中加入BN層后,訓(xùn)練時間變短,原因在于:1)BN算法對卷積后的輸出數(shù)據(jù)進(jìn)行了歸一化操作,使它們的均值為0、方差為1,因此不必像以前那樣遷就維度規(guī)模,可以使用大的學(xué)習(xí)率對網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行訓(xùn)練,收斂加快,達(dá)到最優(yōu)的訓(xùn)練時間也就變短;2)歸一化后使得更多的權(quán)重分界面落在了數(shù)據(jù)中,降低了過度擬合的可能性,因此一些防止過擬合但會降低速度的方法,例如dropout和權(quán)重衰減就可以不使用或者降低其權(quán)重,從而提高訓(xùn)練速度。

    3.4 識別率對比

    為了驗證加入逐層貪婪預(yù)訓(xùn)練 (GLP) 方法后比優(yōu)化前的三層卷積網(wǎng)絡(luò)更優(yōu),設(shè)計兩個結(jié)構(gòu)完全一致的網(wǎng)絡(luò),均包括三層卷積、一個隱層和一個分類層,只是在訓(xùn)練方法上不同。結(jié)果顯示:優(yōu)化前的識別率為97.36%,優(yōu)化后的識別率為98.03%??梢钥闯?,使用GLP方法的識別率比優(yōu)化前的三層卷積識別率要高。在訓(xùn)練深層網(wǎng)絡(luò)時,經(jīng)常會遇到局部極值問題或者梯度彌散問題,當(dāng)使用反向傳播方法計算導(dǎo)數(shù)時,隨著網(wǎng)絡(luò)深度的增加,反向傳播的梯度(從輸出層到網(wǎng)絡(luò)的最初幾層)的幅度值會急劇地減小,結(jié)果就造成了整體的損失函數(shù)相對于最初幾層的權(quán)重的導(dǎo)數(shù)非常小。這樣,當(dāng)使用梯度下降法時,最初幾層的權(quán)重變化非常緩慢,以至于它們不能夠從樣本中進(jìn)行有效的學(xué)習(xí)。因此,當(dāng)使用貪婪預(yù)訓(xùn)練方法時,相比隨機(jī)初始化而言,各層初始權(quán)重會位于參數(shù)空間中較好的位置上,然后可以從這些位置出發(fā)進(jìn)一步微調(diào)權(quán)重。從經(jīng)驗上來說,以這些位置為起點開始梯度下降更有可能收斂到比較好的局部極值點,從而使用逐層貪婪訓(xùn)練方法能夠更好地訓(xùn)練網(wǎng)絡(luò),使網(wǎng)絡(luò)達(dá)到最優(yōu)。

    盡管本文算法還沒有達(dá)到官網(wǎng)公布的最優(yōu)識別率,但是該算法對原始卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行了優(yōu)化,用逐層貪婪方法預(yù)訓(xùn)練網(wǎng)絡(luò),使網(wǎng)絡(luò)跳出局部極值;而且在卷積網(wǎng)絡(luò)中加入BN層,把原來的softmax分類器換成了SVM分類器,極大地縮減了訓(xùn)練時間,能快速收斂到最優(yōu)值。

    圖4是本次實驗訓(xùn)練測試曲線,可以看出,網(wǎng)絡(luò)在測試之前參數(shù)已經(jīng)訓(xùn)練到穩(wěn)定狀態(tài),證明結(jié)論是可信的。雖然Ciresan等[8]提出的CommitteeofCNNs算法有很高的識別率,然而該網(wǎng)絡(luò)需要用4塊GPU訓(xùn)練37h,訓(xùn)練前需進(jìn)行大量的預(yù)處理,操作復(fù)雜;而RandomForests算法、ANN算法、SVM算法盡管訓(xùn)練時間短,但識別率并不是很高(各算法的識別率對比如表2所示)。因此本文算法解決了識別率低、訓(xùn)練時間長的問題。交通標(biāo)志識別錯誤部分,主要是由自然條件比較差、分辨率太低造成的,今后應(yīng)該加強數(shù)據(jù)預(yù)處理,使數(shù)據(jù)更加清晰,易于識別。

    圖4 訓(xùn)練測試曲線

    表2 各算法識別率對比 %

    Tab.2 Comparison of recognition rates of different algorithms %

    4 結(jié)語

    本文提出了基于優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)的交通標(biāo)志識別算法,并在德國交通標(biāo)志識別數(shù)據(jù)庫上進(jìn)行實驗,實驗結(jié)果表明該算法可以提高交通標(biāo)志的訓(xùn)練速度,同時提高識別率。本文算法主要對卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行了三部分的優(yōu)化:第一,在每一層卷積后面加入了批量歸一化層;第二使用逐層貪婪預(yù)訓(xùn)練方法對網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行訓(xùn)練;第三使用支持向量機(jī)進(jìn)行分類。下一步工作的目標(biāo)是在更復(fù)雜的背景中,首先準(zhǔn)確地檢測出交通標(biāo)志,然后再識別出交通標(biāo)志,真正實現(xiàn)交通標(biāo)志的實時檢測與識別。

    )

    [1] 楊心.基于卷積神經(jīng)網(wǎng)絡(luò)的交通標(biāo)識識別研究與應(yīng)用 [D].大連: 大連理工大學(xué), 2014:3-4.(YANGX.Researchandapplicationoftrafficsignrecognitionbasedonconvolutionalneuralnetwork[D].Dalian:DalianUniversityofTechnology, 2014:3-4.)

    [2]GREENHALGHJ,MIRMEHDIM.Real-timedetectionandrecognitionofroadtrafficsigns[J].IEEETransactionsonIntelligentTransportationSystems, 2012, 13(4): 1498-1506.

    [3]MEUTERM,NUNNYC,GORMERSM,etal.Adecisionfusionandreasoningmoduleforatrafficsignrecognitionsystem[J].IEEETransactionsonIntelligentTransportationSystems, 2011, 12(4): 1126-1134

    [4]LOWEDG.Distinctiveimagefeaturesfromscale-invariantkeypoints[J].InternationalJournalofComputerVision, 2004, 60(2): 91-110.

    [5]BAYH,TUYTELAARST,VANGOOLL.SURF:SpeededUpRobustFeatures[C]//ECCV2006:Proceedingsofthe9thEuropeanConferenceonComputerVision,LNCS3951.Berlin:Springer-Verlag, 2006: 404-417.

    [6]DALALN,TRIGGSB.Histogramsoforientedgradientsforhumandetection[C]//CVPR’05:Proceedingsofthe2005IEEEComputerSocietyConferenceonComputerVisionandPatternRecognition.Washington,DC:IEEEComputerSociety, 2005, 1: 886-893.

    [7]MATSUGUM,MORIK,MITARIY,etal.Subjectindependentfacialexpressionrecognitionwithrobustfacedetectionusingaconvolutionalneuralnetwork[J].NeuralNetworks— 2003Specialissue:AdvancesinNeuralNetworksResearch—IJCNN’03, 2003, 16(5/6): 555-559.

    [8]CIREAND,MEIERU,MASCIJ,etal.Multi-columndeepneuralnetworkfortrafficsignclassification[J].NeuralNetworks, 2012, 32: 333-338.

    [9]SERMANETP,LeCUNY.Trafficsignrecognitionwithmulti-scaleconvolutionalnetworks[C]//IJCNN2011:Proceedingsofthe2011InternationalJointConferenceonNeuralNetworks.Piscataway,NJ:IEEE, 2011: 2809-2813.

    [10]KRIZHEVSKYA,SUTSKEVERI,HINTONGE.ImageNetclassificationwithdeepconvolutionalneuralnetworks[J].AdvancesinNeuralInformationProcessingSystems, 2012, 25(2): 1097-1105.

    [11]IOFFES,SZEGEDYC.Batchnormalization:acceleratingdeepnetworktrainingbyreducinginternalcovariateshift[C]//ICML2015:ProceedingsofThe32ndInternationalConferenceonMachineLearning.NewYork:ACM, 2015: 448-456.

    [12]BENGIOY,LAMBLINP,POPOVICID,etal.Greedylayer-wisetrainingofdeepnetworks[C]//NIPS’06:Proceedingsofthe19thInternationalConferenceonAdvancesinNeuralInformationProcessingSystems.Cambridge,MA:MITPress, 2007: 153-160.

    [13]HOUBENS,STALLKAMPJ,SALMENJ,etal.Detectionoftrafficsignsinreal-worldimages:theGermantrafficsigndetectionbenchmark[C]//IJCNN2013:Proceedingsofthe2013InternationalJointConferenceonNeuralNetworks.Washington,DC:IEEEComputerSociety, 2013: 715-722.

    [14]QIANR,ZHANGB,YUEY,etal.Robustchinesetrafficsigndetectionandrecognitionwithdeepconvolutionalneuralnetwork[C]//ICNC2015:Proceedingsofthe2015InternationalConferenceonNaturalComputation.Washington,DC:IEEEComputerSociety, 2015: 791-796.

    ThisworkispartiallysupportedbytheNationalNaturalScienceFoundationofChina(61573357,61503382,61403370, 61273267).

    WANG Xiaobin, born in 1990, M.S.candidate.His research interests include image recognition, object detection.

    HUANG Jinjie, born in 1967, Ph.D., professor.His research interests include intelligent modeling, optimization control, pattern recognition.

    LIU Wenju, born in 1960, Ph.D., professor.His research interests include machine learning, speech enhancement, speech recognition, sound source localization, sound event detection, image recognition.

    Traffic sign recognition based on optimized convolutional neural network architecture

    WANG Xiaobin1, HUANG Jinjie1, LIU Wenju2*

    (1.SchoolofAutomation,HarbinUniversityofScienceandTechnology,HarbinHeilongjiang150080,China;2.InstituteofAutomation,ChineseAcademyofSciences,Beijing100190,China)

    In the existing algorithms for traffic sign recognition, sometimes the training time is short but the recognition rate is low, and other times the recognition rate is high but the training time is long.To resolve these problems, the Convolutional Neural Network (CNN) architecture was optimized by using Batch Normalization (BN) method, Greedy Layer-Wise Pretraining (GLP) method and replacing classifier with Support Vector Machine (SVM), and a new traffic sign recognition algorithm based on optimized CNN architecture was proposed.BN method was used to change the data distribution of the middle layer, and the output data of convolutional layer was normalized to the mean value of 0 and the variance value of 1, thus accelerating the training convergence and reducing the training time.By using the GLP method, the first layer of convolutional network was trained with its parameters preserved when the training was over, then the second layer was also trained with the parameters preserved until all the convolution layers were trained completely.The GLP method can effectively improve the recognition rate of the convolutional network.The SVM classifier only focused on the samples with error classification and no longer processed the correct samples, thus speeding up the training.The experiments were conducted on Germany traffic sign recognition benchmark, the results showed that compared with the traditional CNN, the training time of the new algorithm was reduced by 20.67%, and the recognition rate of the new algorithm reached 98.24%.The experimental results prove that the new algorithm greatly shortens the training time and reached a high recognition rate by optimizing the structure of the traditional CNN.

    Convolutional Neural Network (CNN); batch normalization; Greedy Layer-wise Pretraining (GLP); Support Vector Machine (SVM)

    2016- 07- 28;

    2016- 09- 21。 基金項目:國家自然科學(xué)基金資助項目(61573357, 61503382, 61403370, 61273267)。

    王曉斌(1990—),男,山東濰坊人,碩士研究生,主要研究方向:圖像識別、目標(biāo)檢測; 黃金杰(1967—),男,山東萊陽人,教授,博士,主要研究方向:智能建模、優(yōu)化控制、模式識別; 劉文舉(1960—),男,北京人,教授,博士,主要研究方向:機(jī)器學(xué)習(xí)、語音增強、語音識別、聲源定位、聲音事件檢測、圖像識別。

    1001- 9081(2017)02- 0530- 05

    10.11772/j.issn.1001- 9081.2017.02.0530

    TP391.41

    A

    猜你喜歡
    交通標(biāo)志識別率分類器
    交通標(biāo)志認(rèn)得清
    基于雙向特征融合的交通標(biāo)志識別
    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
    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(guān)系
    提升高速公路MTC二次抓拍車牌識別率方案研究
    BP-GA光照分類器在車道線識別中的應(yīng)用
    電子測試(2018年1期)2018-04-18 11:52:35
    加權(quán)空-譜與最近鄰分類器相結(jié)合的高光譜圖像分類
    結(jié)合模糊(C+P)均值聚類和SP-V-支持向量機(jī)的TSK分類器
    高速公路機(jī)電日常維護(hù)中車牌識別率分析系統(tǒng)的應(yīng)用
    交通標(biāo)志小課堂
    欧美精品一区二区大全| 久久久精品国产亚洲av高清涩受| 欧美午夜高清在线| 国产高清videossex| 日本91视频免费播放| 欧美性长视频在线观看| 99久久国产精品久久久| 国产有黄有色有爽视频| 国产深夜福利视频在线观看| 99热国产这里只有精品6| 国产男女超爽视频在线观看| 少妇 在线观看| 50天的宝宝边吃奶边哭怎么回事| 天天操日日干夜夜撸| 国产精品久久久av美女十八| 国产亚洲av高清不卡| 色视频在线一区二区三区| 一进一出抽搐动态| 男女免费视频国产| 久久亚洲国产成人精品v| 国产在视频线精品| 国产成人啪精品午夜网站| 亚洲美女黄色视频免费看| 日韩,欧美,国产一区二区三区| 黄色视频在线播放观看不卡| 亚洲欧美成人综合另类久久久| 亚洲黑人精品在线| 欧美黑人欧美精品刺激| 亚洲国产成人一精品久久久| 热re99久久国产66热| 免费久久久久久久精品成人欧美视频| 97在线人人人人妻| 亚洲欧美一区二区三区久久| 真人做人爱边吃奶动态| 国产97色在线日韩免费| 亚洲精品自拍成人| 免费高清在线观看日韩| 人妻 亚洲 视频| 午夜福利视频在线观看免费| 激情视频va一区二区三区| 窝窝影院91人妻| 国产精品亚洲av一区麻豆| a级毛片在线看网站| av有码第一页| 丝袜喷水一区| 国产无遮挡羞羞视频在线观看| 精品少妇内射三级| av天堂久久9| 大码成人一级视频| 日本av免费视频播放| 一区二区日韩欧美中文字幕| 色婷婷久久久亚洲欧美| 美女福利国产在线| 91国产中文字幕| 久久久精品区二区三区| 精品少妇内射三级| 亚洲精品国产色婷婷电影| 午夜老司机福利片| 美女大奶头黄色视频| 成在线人永久免费视频| 久久久久精品人妻al黑| 久久国产精品男人的天堂亚洲| 狂野欧美激情性bbbbbb| 日日夜夜操网爽| 大码成人一级视频| 久久九九热精品免费| 久久99一区二区三区| 国产伦理片在线播放av一区| 老汉色∧v一级毛片| 色播在线永久视频| 久久久精品94久久精品| 视频区图区小说| 天堂中文最新版在线下载| 午夜福利乱码中文字幕| 老熟妇仑乱视频hdxx| 亚洲欧美清纯卡通| 国产99久久九九免费精品| 亚洲免费av在线视频| 国产有黄有色有爽视频| 在线观看一区二区三区激情| 亚洲午夜精品一区,二区,三区| 欧美大码av| 亚洲熟女精品中文字幕| 国产精品自产拍在线观看55亚洲 | 在线观看一区二区三区激情| 亚洲欧美一区二区三区久久| 精品欧美一区二区三区在线| 天堂中文最新版在线下载| 国产免费av片在线观看野外av| 老司机靠b影院| 国产精品久久久久成人av| 国产精品一区二区免费欧美 | 色播在线永久视频| 国产成人欧美在线观看 | 日韩大片免费观看网站| 欧美精品人与动牲交sv欧美| 成人亚洲精品一区在线观看| 国产精品二区激情视频| 99久久人妻综合| 亚洲精品在线美女| 色婷婷久久久亚洲欧美| 男男h啪啪无遮挡| 成人18禁高潮啪啪吃奶动态图| av福利片在线| 免费人妻精品一区二区三区视频| 日本a在线网址| 国产一区二区激情短视频 | 国产成人欧美在线观看 | 无限看片的www在线观看| 免费一级毛片在线播放高清视频 | 国产精品 欧美亚洲| 国产欧美日韩一区二区精品| 欧美精品人与动牲交sv欧美| 狠狠婷婷综合久久久久久88av| 国产伦理片在线播放av一区| 欧美激情 高清一区二区三区| 免费黄频网站在线观看国产| 韩国精品一区二区三区| 国产无遮挡羞羞视频在线观看| 美女国产高潮福利片在线看| 亚洲精品一卡2卡三卡4卡5卡 | 97精品久久久久久久久久精品| 91九色精品人成在线观看| 黄片播放在线免费| 久久热在线av| 久久久久精品国产欧美久久久 | 黄片播放在线免费| 亚洲国产中文字幕在线视频| av片东京热男人的天堂| 久久精品久久久久久噜噜老黄| 亚洲色图 男人天堂 中文字幕| 嫁个100分男人电影在线观看| 久久99一区二区三区| 老司机影院毛片| 视频区欧美日本亚洲| 精品人妻熟女毛片av久久网站| 亚洲第一青青草原| 他把我摸到了高潮在线观看 | 不卡一级毛片| 两性午夜刺激爽爽歪歪视频在线观看 | 日韩制服骚丝袜av| 汤姆久久久久久久影院中文字幕| 在线看a的网站| 19禁男女啪啪无遮挡网站| 精品少妇黑人巨大在线播放| av视频免费观看在线观看| 久久精品熟女亚洲av麻豆精品| 天天躁狠狠躁夜夜躁狠狠躁| 99国产极品粉嫩在线观看| 91字幕亚洲| 黄色 视频免费看| 丰满饥渴人妻一区二区三| 99热全是精品| 狂野欧美激情性bbbbbb| 午夜激情av网站| 色老头精品视频在线观看| 国产亚洲精品一区二区www | 两个人免费观看高清视频| 啦啦啦免费观看视频1| 国产精品影院久久| 精品人妻1区二区| av线在线观看网站| 亚洲专区中文字幕在线| 自线自在国产av| 自线自在国产av| 国产在线一区二区三区精| 久久久久久久国产电影| 天天躁夜夜躁狠狠躁躁| 久久久精品区二区三区| 手机成人av网站| 无限看片的www在线观看| 午夜日韩欧美国产| 国产片内射在线| 免费久久久久久久精品成人欧美视频| 两人在一起打扑克的视频| 99精品久久久久人妻精品| 操出白浆在线播放| 男人操女人黄网站| 99精品久久久久人妻精品| 免费观看a级毛片全部| 成人黄色视频免费在线看| 亚洲欧美一区二区三区黑人| 国产精品.久久久| av有码第一页| 国产精品九九99| 午夜福利免费观看在线| 国产一区二区激情短视频 | 日本猛色少妇xxxxx猛交久久| 首页视频小说图片口味搜索| 十分钟在线观看高清视频www| 性少妇av在线| av网站在线播放免费| 中文精品一卡2卡3卡4更新| 国产男人的电影天堂91| 青青草视频在线视频观看| 香蕉丝袜av| 一个人免费在线观看的高清视频 | 2018国产大陆天天弄谢| 人妻久久中文字幕网| 男女国产视频网站| 精品国产乱子伦一区二区三区 | 蜜桃在线观看..| 亚洲男人天堂网一区| 国产在线视频一区二区| 性高湖久久久久久久久免费观看| 性高湖久久久久久久久免费观看| 狠狠婷婷综合久久久久久88av| av超薄肉色丝袜交足视频| 国产黄色免费在线视频| 精品福利永久在线观看| 一区二区三区精品91| 两性夫妻黄色片| 国产精品秋霞免费鲁丝片| 亚洲人成电影免费在线| 午夜老司机福利片| 女警被强在线播放| 777米奇影视久久| 成人三级做爰电影| 成人18禁高潮啪啪吃奶动态图| 久久影院123| 淫妇啪啪啪对白视频 | 人妻人人澡人人爽人人| 手机成人av网站| 18禁观看日本| 999久久久国产精品视频| 亚洲全国av大片| 精品人妻一区二区三区麻豆| 新久久久久国产一级毛片| 国产日韩欧美在线精品| 免费黄频网站在线观看国产| 欧美黑人精品巨大| 黄片小视频在线播放| 成年人免费黄色播放视频| 亚洲男人天堂网一区| 女性生殖器流出的白浆| 丝袜美腿诱惑在线| 99国产精品一区二区蜜桃av | 大码成人一级视频| 国产精品欧美亚洲77777| 国产精品一区二区在线不卡| 亚洲色图综合在线观看| 咕卡用的链子| 777久久人妻少妇嫩草av网站| 丰满饥渴人妻一区二区三| 极品少妇高潮喷水抽搐| 久久毛片免费看一区二区三区| 日韩电影二区| 久久中文看片网| 欧美日韩中文字幕国产精品一区二区三区 | 精品福利永久在线观看| 亚洲精华国产精华精| 母亲3免费完整高清在线观看| 成人18禁高潮啪啪吃奶动态图| 操美女的视频在线观看| 91麻豆av在线| √禁漫天堂资源中文www| 日本av手机在线免费观看| 久久 成人 亚洲| 777久久人妻少妇嫩草av网站| 丝袜在线中文字幕| 搡老岳熟女国产| 亚洲国产精品999| 成人免费观看视频高清| 国产精品av久久久久免费| 美女大奶头黄色视频| 两性夫妻黄色片| 99久久精品国产亚洲精品| 一本—道久久a久久精品蜜桃钙片| 大码成人一级视频| 青春草亚洲视频在线观看| 国产成人精品久久二区二区免费| 国产精品久久久久成人av| 黑人巨大精品欧美一区二区mp4| 午夜视频精品福利| 天天影视国产精品| 人妻一区二区av| 成在线人永久免费视频| 久久99一区二区三区| 国产一区二区三区av在线| 亚洲伊人久久精品综合| 国产精品一区二区免费欧美 | 一区二区日韩欧美中文字幕| 国产欧美日韩精品亚洲av| 日本a在线网址| 桃红色精品国产亚洲av| 99热网站在线观看| 人人澡人人妻人| av电影中文网址| 啦啦啦啦在线视频资源| 国产亚洲精品第一综合不卡| 亚洲成人国产一区在线观看| 建设人人有责人人尽责人人享有的| 一个人免费看片子| 国产av一区二区精品久久| 国产深夜福利视频在线观看| 一区福利在线观看| 飞空精品影院首页| 极品少妇高潮喷水抽搐| 精品一品国产午夜福利视频| 国产精品九九99| 精品福利永久在线观看| 亚洲国产欧美一区二区综合| 最黄视频免费看| 夫妻午夜视频| 久久青草综合色| 色婷婷久久久亚洲欧美| 丰满饥渴人妻一区二区三| 丝袜喷水一区| 亚洲成人国产一区在线观看| 五月开心婷婷网| 国产av又大| 婷婷丁香在线五月| 男男h啪啪无遮挡| 亚洲精品在线美女| 欧美黑人精品巨大| 国产成人精品在线电影| 如日韩欧美国产精品一区二区三区| 自拍欧美九色日韩亚洲蝌蚪91| 日日摸夜夜添夜夜添小说| 国产精品一二三区在线看| av欧美777| 日韩欧美免费精品| 日本av免费视频播放| 欧美另类一区| 国产精品久久久久成人av| 乱人伦中国视频| 老汉色av国产亚洲站长工具| 这个男人来自地球电影免费观看| 91麻豆av在线| 一本综合久久免费| 91字幕亚洲| 欧美黑人欧美精品刺激| 久久久久久久久久久久大奶| 国产97色在线日韩免费| 国产成人精品久久二区二区免费| 悠悠久久av| 他把我摸到了高潮在线观看 | 国产精品二区激情视频| 亚洲精华国产精华精| 菩萨蛮人人尽说江南好唐韦庄| 国产精品一区二区免费欧美 | 人人妻人人爽人人添夜夜欢视频| 亚洲av日韩在线播放| 日韩一卡2卡3卡4卡2021年| 黑人欧美特级aaaaaa片| 国产日韩欧美视频二区| 欧美在线黄色| 国产成人精品在线电影| 久9热在线精品视频| 国产精品 欧美亚洲| 超碰成人久久| 午夜免费成人在线视频| 在线天堂中文资源库| 亚洲熟女精品中文字幕| 黄片播放在线免费| 99热全是精品| 午夜福利乱码中文字幕| 久久精品国产亚洲av高清一级| 亚洲国产av新网站| 日日夜夜操网爽| 久久久精品区二区三区| 日韩电影二区| 肉色欧美久久久久久久蜜桃| 久久香蕉激情| 黑人猛操日本美女一级片| 99九九在线精品视频| 纯流量卡能插随身wifi吗| 人人妻人人爽人人添夜夜欢视频| 日韩大码丰满熟妇| 日本猛色少妇xxxxx猛交久久| 亚洲av成人一区二区三| 亚洲精品国产av蜜桃| 久久久水蜜桃国产精品网| 亚洲av国产av综合av卡| 法律面前人人平等表现在哪些方面 | 亚洲欧美清纯卡通| 国产日韩欧美亚洲二区| 精品久久久久久久毛片微露脸 | 久久久久视频综合| 国产av国产精品国产| 女人被躁到高潮嗷嗷叫费观| 国产欧美日韩一区二区三 | 熟女少妇亚洲综合色aaa.| 国产精品熟女久久久久浪| 日韩 欧美 亚洲 中文字幕| 亚洲欧美精品自产自拍| 91麻豆av在线| 欧美日韩av久久| 午夜免费成人在线视频| 国产有黄有色有爽视频| 两人在一起打扑克的视频| netflix在线观看网站| av天堂在线播放| 国产一区二区三区在线臀色熟女 | 久久精品成人免费网站| 老司机福利观看| 97人妻天天添夜夜摸| kizo精华| 制服诱惑二区| 免费一级毛片在线播放高清视频 | 一区在线观看完整版| 久久影院123| 成年av动漫网址| 在线看a的网站| 午夜久久久在线观看| 亚洲熟女毛片儿| 一二三四社区在线视频社区8| 欧美日韩福利视频一区二区| 国产成人精品久久二区二区免费| 无遮挡黄片免费观看| 久久人妻福利社区极品人妻图片| 2018国产大陆天天弄谢| 麻豆乱淫一区二区| 亚洲精品国产精品久久久不卡| 国产麻豆69| 99国产精品一区二区三区| 欧美午夜高清在线| 精品国产乱码久久久久久小说| 美国免费a级毛片| kizo精华| 三级毛片av免费| 不卡av一区二区三区| 欧美激情 高清一区二区三区| 国产精品成人在线| 啦啦啦视频在线资源免费观看| 极品少妇高潮喷水抽搐| 纵有疾风起免费观看全集完整版| 亚洲精品国产色婷婷电影| 亚洲精品在线美女| 性高湖久久久久久久久免费观看| 操美女的视频在线观看| 丰满少妇做爰视频| 男人添女人高潮全过程视频| 丝袜人妻中文字幕| 国产1区2区3区精品| tube8黄色片| 啪啪无遮挡十八禁网站| 午夜免费鲁丝| 成年av动漫网址| 亚洲欧美一区二区三区黑人| 正在播放国产对白刺激| 18禁观看日本| 国产免费福利视频在线观看| √禁漫天堂资源中文www| 美女视频免费永久观看网站| 黑丝袜美女国产一区| 久久久久国产一级毛片高清牌| 亚洲欧美激情在线| 国产亚洲欧美在线一区二区| 日本vs欧美在线观看视频| 欧美精品亚洲一区二区| 高清视频免费观看一区二区| 菩萨蛮人人尽说江南好唐韦庄| 亚洲自偷自拍图片 自拍| avwww免费| 国产欧美日韩一区二区精品| 中文字幕精品免费在线观看视频| 日本欧美视频一区| 99国产精品99久久久久| 亚洲专区字幕在线| 国产精品久久久人人做人人爽| a在线观看视频网站| 久久国产亚洲av麻豆专区| 日韩欧美国产一区二区入口| 成年美女黄网站色视频大全免费| av一本久久久久| 丝瓜视频免费看黄片| 久久99一区二区三区| 国产人伦9x9x在线观看| 国产精品一区二区精品视频观看| 日本黄色日本黄色录像| 午夜老司机福利片| 老熟妇乱子伦视频在线观看 | 在线天堂中文资源库| bbb黄色大片| 欧美国产精品va在线观看不卡| 天天影视国产精品| 男女边摸边吃奶| 亚洲色图综合在线观看| 午夜影院在线不卡| 汤姆久久久久久久影院中文字幕| 久久99热这里只频精品6学生| 亚洲 国产 在线| 国产成人精品无人区| 淫妇啪啪啪对白视频 | 亚洲,欧美精品.| 视频区图区小说| 岛国在线观看网站| 中文字幕人妻丝袜一区二区| 国产区一区二久久| 亚洲国产精品成人久久小说| www.999成人在线观看| 最新在线观看一区二区三区| 老司机在亚洲福利影院| 亚洲精品美女久久久久99蜜臀| 国产精品亚洲av一区麻豆| 秋霞在线观看毛片| 女性生殖器流出的白浆| av网站在线播放免费| 婷婷色av中文字幕| 日韩视频一区二区在线观看| 欧美中文综合在线视频| 亚洲精品在线美女| 最近中文字幕2019免费版| 国产精品一区二区在线不卡| 黑人巨大精品欧美一区二区蜜桃| 欧美精品一区二区大全| 亚洲精品av麻豆狂野| 国产日韩欧美在线精品| 久久久国产成人免费| 老司机影院成人| 亚洲,欧美精品.| 成人三级做爰电影| 午夜精品国产一区二区电影| 欧美精品人与动牲交sv欧美| 美女福利国产在线| 日韩欧美一区二区三区在线观看 | www.精华液| 伊人久久大香线蕉亚洲五| 亚洲精品日韩在线中文字幕| 91九色精品人成在线观看| 国产精品二区激情视频| 精品欧美一区二区三区在线| 国产高清视频在线播放一区 | 久久国产亚洲av麻豆专区| 香蕉国产在线看| 亚洲欧美日韩另类电影网站| 母亲3免费完整高清在线观看| 免费一级毛片在线播放高清视频 | 男女边摸边吃奶| www.精华液| 女人爽到高潮嗷嗷叫在线视频| netflix在线观看网站| 久久久久精品国产欧美久久久 | 成人影院久久| www.自偷自拍.com| 视频区欧美日本亚洲| 成人国语在线视频| 老司机靠b影院| 久久99一区二区三区| 丰满少妇做爰视频| 久久久水蜜桃国产精品网| 中文字幕最新亚洲高清| 天天影视国产精品| 夜夜夜夜夜久久久久| 国产精品影院久久| 大香蕉久久成人网| 女人爽到高潮嗷嗷叫在线视频| 日韩熟女老妇一区二区性免费视频| 久久人人爽av亚洲精品天堂| 国产精品国产av在线观看| 久久久精品94久久精品| 久久狼人影院| 中文字幕色久视频| 亚洲少妇的诱惑av| 老司机午夜十八禁免费视频| 999久久久国产精品视频| 久久久久国内视频| 9热在线视频观看99| 亚洲av日韩在线播放| 人妻人人澡人人爽人人| 午夜福利免费观看在线| 日日夜夜操网爽| 日本精品一区二区三区蜜桃| 爱豆传媒免费全集在线观看| 欧美亚洲日本最大视频资源| 久久免费观看电影| 一本久久精品| 久久中文字幕一级| 黑人操中国人逼视频| 亚洲中文av在线| 久久国产亚洲av麻豆专区| 国产在线免费精品| 免费一级毛片在线播放高清视频 | 黑人欧美特级aaaaaa片| 宅男免费午夜| 亚洲欧洲精品一区二区精品久久久| 精品一品国产午夜福利视频| 国产激情久久老熟女| 男人添女人高潮全过程视频| 大片电影免费在线观看免费| 国产亚洲av片在线观看秒播厂| 国产一区二区在线观看av| 乱人伦中国视频| 日韩一卡2卡3卡4卡2021年| 成人av一区二区三区在线看 | 大片免费播放器 马上看| 国产成人精品在线电影| 精品高清国产在线一区| 视频区欧美日本亚洲| 免费一级毛片在线播放高清视频 | 欧美日韩亚洲国产一区二区在线观看 | 超碰成人久久| 天堂中文最新版在线下载| 啦啦啦视频在线资源免费观看| 美女高潮到喷水免费观看| 啦啦啦视频在线资源免费观看| 亚洲精品美女久久久久99蜜臀| xxxhd国产人妻xxx| 亚洲精品国产精品久久久不卡| 国产99久久九九免费精品| 日韩三级视频一区二区三区| 精品国内亚洲2022精品成人 | 国产福利在线免费观看视频| www日本在线高清视频| 高清黄色对白视频在线免费看| 岛国在线观看网站| 老鸭窝网址在线观看| 9热在线视频观看99| 免费看十八禁软件| 精品福利观看| 国产精品 国内视频| 亚洲精品成人av观看孕妇| 最近最新中文字幕大全免费视频| 国产成+人综合+亚洲专区|