• <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 ?

    基于卷積神經(jīng)網(wǎng)絡(luò)的人流量統(tǒng)計

    2017-05-18 01:33:21張雅俊高陳強(qiáng)
    關(guān)鍵詞:人流量人頭檢測器

    張雅俊,高陳強(qiáng),李 佩,劉 江,程 華

    (1.重慶郵電大學(xué) 信號與信息處理重慶市重點實驗室,重慶 400065;2.中國艦船研究設(shè)計中心,湖北 武漢 430064)

    基于卷積神經(jīng)網(wǎng)絡(luò)的人流量統(tǒng)計

    張雅俊1,高陳強(qiáng)1,李 佩1,劉 江1,程 華2

    (1.重慶郵電大學(xué) 信號與信息處理重慶市重點實驗室,重慶 400065;2.中國艦船研究設(shè)計中心,湖北 武漢 430064)

    在密集場景中,人流量統(tǒng)計往往因無法可靠地檢測行人而使得統(tǒng)計精度不高。針對這一問題,在利用卷積神經(jīng)網(wǎng)絡(luò)技術(shù)基礎(chǔ)上,采用基于頭部檢測的方法進(jìn)行人流量統(tǒng)計。該方法采用級聯(lián)的Adaboost檢測器對人頭目標(biāo)進(jìn)行初步篩選,再用遷移學(xué)習(xí)技術(shù)訓(xùn)練卷積神經(jīng)網(wǎng)絡(luò),并用由卷積神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)構(gòu)成的人頭分類器模型對初步篩選得到的人頭目標(biāo)進(jìn)行精細(xì)識別,提高檢測精度率,利用航跡關(guān)聯(lián)對人頭目標(biāo)進(jìn)行跟蹤統(tǒng)計。實驗結(jié)果表明,該方法能準(zhǔn)確快速地定位到單個行人并具有較高的統(tǒng)計精度。

    人流量統(tǒng)計;卷積神經(jīng)網(wǎng)絡(luò)(CNN);Adaboost;遷移學(xué)習(xí);航跡關(guān)聯(lián)

    0 引 言

    人流量統(tǒng)計是視頻監(jiān)控系統(tǒng)的關(guān)鍵技術(shù)之一,其任務(wù)是利用視頻圖像分析技術(shù)自動統(tǒng)計在某個時間段內(nèi)通過某一場景的行人數(shù)量。由于行人信息是許多行業(yè)中的一個重要信息,因此,該技術(shù)可以廣泛應(yīng)用于商業(yè)、金融業(yè)、餐飲業(yè)以及交通運(yùn)輸業(yè)等領(lǐng)域。

    到目前為止,國內(nèi)外學(xué)者對人流量統(tǒng)計技術(shù)展開了大量的研究,相關(guān)技術(shù)逐步加強(qiáng)。但是該技術(shù)在實際應(yīng)用中仍然面臨諸多困難,如光照變化、低分辨率、圖像視角變化、復(fù)雜背景以及行人遮擋等。這些不確定的因素使得人流量統(tǒng)計技術(shù)的研究變得異常困難。

    當(dāng)前,學(xué)術(shù)界關(guān)于人流量統(tǒng)計研究方法有很多。其中,基于先檢測后跟蹤的計數(shù)方法是當(dāng)前一種常用的方法。該方法利用已經(jīng)訓(xùn)練好的檢測器模型先檢測后跟蹤,進(jìn)而對通過檢測線或進(jìn)入感興趣區(qū)域(region of interest, ROI)的行人計數(shù)。根據(jù)檢測部位不同,檢測模塊通??梢苑譃轭^部檢測、頭肩檢測以及全身檢測。文獻(xiàn)[1]采用基于頭部檢測和跟蹤的人流量統(tǒng)計方法。通過提取人頭Haar特征[2],訓(xùn)練級聯(lián)的Adaboost[3]檢測器,之后用此檢測器檢測ROI內(nèi)的人頭目標(biāo)并進(jìn)行跟蹤統(tǒng)計。文獻(xiàn)[4]同樣通過頭部檢測的方法進(jìn)行人流量統(tǒng)計。不過,由于此方法需要運(yùn)用人體幾何特征進(jìn)行分割,因此,并不適合于擁擠情況。文獻(xiàn)[5]則是結(jié)合RGB-D圖像信息,通過對人頭檢測及跟蹤從而達(dá)到人流量統(tǒng)計目的。雖然此方法能非常準(zhǔn)確地進(jìn)行人流量統(tǒng)計,但是該方法所使用的深度相機(jī)安裝并不方便,且拍攝視角有限,因此,不適應(yīng)于較大的應(yīng)用場景。文獻(xiàn)[6-7]則采用基于頭肩檢測和跟蹤的方法實現(xiàn)人流量統(tǒng)計。該方法使用具有一定傾斜視角的相機(jī)獲取監(jiān)控圖像,這雖然能避免某些場景下的遮擋問題,但在人群密集的情況下仍然無法避免難以精確檢測和計數(shù)的問題。文獻(xiàn)[8]采用基于全身檢測和跟蹤的方法實現(xiàn)人流量統(tǒng)計。該方法通過設(shè)置在頂端的攝像機(jī)獲取監(jiān)控圖像,利用基于面積和顏色分析的方法對行人實現(xiàn)雙向計數(shù)。該方法在單人或行人稀少、相互不接觸的情況下可以取得較好的檢測效果,但在擁擠情況下,檢測精度率則會下降。文獻(xiàn)[9]同樣采用基于全身檢測和跟蹤的方法實現(xiàn)人流量統(tǒng)計,仍然不能有效地處理嚴(yán)重遮擋的情況。

    基于先檢測后跟蹤的方法非常依賴于前期目標(biāo)檢測的效果??煽啃缘哪繕?biāo)檢測往往對整個算法的人流量統(tǒng)計有決定作用。針對當(dāng)前算法在擁擠情況下人流量統(tǒng)計精度不高的問題,本文提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural network, CNN)的人流量統(tǒng)計方法。為最大程度避免擁擠情況下行人目標(biāo)遮擋問題,本文針對行人頭部進(jìn)行檢測。為可靠進(jìn)行人頭目標(biāo)檢測,我們吸取了目標(biāo)檢測和圖像分類研究領(lǐng)域優(yōu)秀研究成果,采用兩級目標(biāo)檢測方案,即基于Adaboost的快速目標(biāo)檢測和基于CNN與支持向量機(jī)(support vector machine, SVM)結(jié)合的目標(biāo)識別確認(rèn)。不同于我們先前工作,即自己設(shè)計CNN結(jié)構(gòu)并利用正負(fù)樣本訓(xùn)練CNN模型,最終用于本校教室智能人數(shù)分析,在此,我們并不完全重新訓(xùn)練CNN分類器模型。由于重新訓(xùn)練CNN需要標(biāo)注大量樣本,且會造成以往知識的浪費(fèi),為解決樣本不足和數(shù)據(jù)可重用性問題,采用遷移學(xué)習(xí)技術(shù)將教室人數(shù)統(tǒng)計任務(wù)學(xué)習(xí)知識用于現(xiàn)有人流量統(tǒng)計任務(wù)上,增強(qiáng)模型訓(xùn)練效果。最后,通過航跡關(guān)聯(lián)方法對人流跟蹤計數(shù),消除了文獻(xiàn)[10]僅針對單張圖像進(jìn)行處理的局限性。實驗結(jié)果表明,該方法在實際密集監(jiān)控場景下可以取得較好的效果。

    1 算法框架

    本文算法框圖如圖1所示,基于頭部檢測的人流量統(tǒng)計方法主要包括3個模塊:離線訓(xùn)練模塊、在線檢測模塊以及跟蹤計數(shù)模塊。在離線訓(xùn)練模塊階段,正樣本和負(fù)樣本來自于應(yīng)用場景圖像以及網(wǎng)絡(luò)圖像,用來訓(xùn)練級聯(lián)的Adaboost人頭檢測器模型和CNN-SVM人頭分類器模型。其中,在訓(xùn)練CNN-SVM人頭分類器模型時引入遷移學(xué)習(xí)技術(shù),擴(kuò)大樣本知識,減少正負(fù)樣本標(biāo)注,增強(qiáng)訓(xùn)練效果。在線檢測模塊階段,利用已經(jīng)訓(xùn)練好的級聯(lián)Adaboost人頭檢測器模型和CNN-SVM人頭分類器模型依次對待檢測的視頻圖像序列進(jìn)行檢測,得到最終的人頭目標(biāo)。在跟蹤計數(shù)模塊階段,對人頭目標(biāo)進(jìn)行區(qū)域限制和特征匹配,得到關(guān)聯(lián)的人頭航跡,通過航跡信息進(jìn)行人流量統(tǒng)計。

    圖1 本文算法框圖Fig.1 Paper algorithm framework

    2 級聯(lián)的Adaboost快速人頭檢測器

    2.1 訓(xùn)練樣本準(zhǔn)備

    訓(xùn)練級聯(lián)的Adaboost人頭檢測器所需的正樣本大部分來源于網(wǎng)絡(luò)圖片,少量來自訓(xùn)練集圖片。通過手工標(biāo)注這些圖片中包含不同視角的人頭區(qū)域得到正樣本,其樣本數(shù)為4 408,將其尺寸歸一化到大小為24×24。負(fù)樣本同樣大部分來自于網(wǎng)絡(luò)圖片,而少量來自于訓(xùn)練集,他們均為不包含人頭樣本的背景和其他干擾物圖片,樣本數(shù)為4 173。圖2a和圖2b分別為部分訓(xùn)練正樣本及負(fù)樣本的代表圖像。

    圖2 用于訓(xùn)練級聯(lián)的Adaboost人頭檢測器的訓(xùn)練樣本Fig.2 Training samples which are used for training cascade Adaboost head detector

    2.2 訓(xùn)練及檢測過程

    在準(zhǔn)備好正、負(fù)樣本以后,提取這些正、負(fù)樣本方向梯度直方圖(histogram of oriented gradient, HOG)特征,利用Adaboost算法進(jìn)行訓(xùn)練。訓(xùn)練時,通過調(diào)節(jié)不同的內(nèi)部訓(xùn)練參數(shù),使得粗檢測具有較高的召回率。當(dāng)?shù)玫郊壜?lián)的Adaboost人頭檢測器模型后,利用級聯(lián)的Adaboost人頭檢測器進(jìn)行人頭區(qū)域檢測。檢測時,通過多尺度遍歷整幅圖像產(chǎn)生多個子窗口。提取這些子窗口特征,并輸入到Adaboost人頭檢測器模型中檢測,得到檢測目標(biāo)。在檢測過程中,排除非人頭區(qū)域時,待檢測樣本必須通過每層檢測器設(shè)置的閾值才能夠進(jìn)入下一階段的判斷。這樣可以大大降低虛假目標(biāo)的存在,同時也提高了檢測的速度。

    雖然級聯(lián)的Adaboost人頭檢測器具有較高召回率,但它并不能有效排除虛假目標(biāo)的存在,因而需要對檢測目標(biāo)進(jìn)一步分類剔除。

    3 CNN-SVM人頭分類器

    由于CNN具有較好的特征學(xué)習(xí)能力,因此,本文采用CNN作為特征提取器,以實現(xiàn)對初步檢測目標(biāo)的分類處理。在此,并不直接使用CNN作為分類器,而僅將CNN作為特征提取器,用來訓(xùn)練基于CNN特征的線性SVM分類器。由于訓(xùn)練CNN-SVM人頭分類器模型需要大量訓(xùn)練樣本,而完全重新標(biāo)注會耗費(fèi)大量人力,并且在數(shù)據(jù)資源有限的情況下,所標(biāo)樣本中往往包含很多類似的樣本,這不利于分類器模型的訓(xùn)練。因此,使用遷移學(xué)習(xí)技術(shù)將文獻(xiàn)[10]已訓(xùn)練好的CNN人頭檢測模型應(yīng)用到我們的實驗中。遷移學(xué)習(xí),在此顧名思義是為了將從文獻(xiàn)[10]中學(xué)習(xí)到的樣本知識用來幫助現(xiàn)有人流量統(tǒng)計學(xué)習(xí)任務(wù)。這樣,有效減小了重新收集數(shù)據(jù)資料并大量標(biāo)注樣本的必要性。實驗表明,這種通過遷移學(xué)習(xí)技術(shù)擴(kuò)大訓(xùn)練樣本學(xué)習(xí)知識后的CNN-SVM人頭分類器模型具有良好的分類效果。

    3.1 訓(xùn)練樣本準(zhǔn)備

    用于訓(xùn)練CNN-SVM人頭分類器模型的正樣本與用于訓(xùn)練級聯(lián)的Adaboost檢測器的正樣本一致,其樣本數(shù)為4 408,不同的是,其尺寸為28×28。而全部負(fù)樣本則從級聯(lián)的Adaboost人頭檢測器負(fù)樣本中挖掘得到,其樣本數(shù)為7 867。同樣地,將其尺寸歸一化到大小為28×28。圖3a和圖3b分別為部分訓(xùn)練正樣本和負(fù)樣本的代表圖像。

    圖3 用于訓(xùn)練CNN-SVM人頭檢測器的訓(xùn)練樣本Fig.3 Training samples which are used for training CNN-SVM head detector

    3.2 訓(xùn)練及檢測過程

    測試集圖像經(jīng)過級聯(lián)的Adaboost人頭檢測器后,得到大量候選人頭區(qū)域。將這些候選人頭區(qū)域輸入到CNN-SVM人頭分類器模型,即可得到最終人頭目標(biāo)。在此,為了擴(kuò)大學(xué)習(xí)數(shù)據(jù)樣本知識,受文獻(xiàn)[11]的啟發(fā),使用遷移學(xué)習(xí)方法微調(diào)已有CNN結(jié)構(gòu)模型。由于CNN結(jié)構(gòu)前幾層特征具有通用性,能夠適用于大多數(shù)數(shù)據(jù)集及任務(wù),只是后幾層網(wǎng)絡(luò)特征與特定數(shù)據(jù)有關(guān),因此,通過初始化CNN前面幾層網(wǎng)絡(luò)結(jié)構(gòu),而保持后幾層網(wǎng)絡(luò)結(jié)構(gòu)不變,使之具有增強(qiáng)性。其網(wǎng)絡(luò)結(jié)構(gòu)主要包括2層卷積層(分別記為Conv1和Conv2)和3層全連接層。Conv1由20個5×5×3的濾波器組成,Conv2由50個5×5×20的濾波器組成。圖像在分別經(jīng)過卷積處理后,會經(jīng)由大小為2×2的卷積核進(jìn)行下采樣得到相應(yīng)的特征圖,最后通過全連接層處理后變成500維的特征向量。具體學(xué)習(xí)過程見算法1。

    算法1 CNN-SVM學(xué)習(xí)訓(xùn)練算法。

    輸入:訓(xùn)練樣本集S{(x1,y1),(x2,y2),…,(xm,ym)},其中,m為樣本總數(shù),yi={-1,+1}。

    輸出:最終CNN-SVM分類器f(x)。

    1)加載預(yù)訓(xùn)練CNN模型hθ(x)。

    2)Fori=1,…,trainingepochs

    3) Forj=1,…,numberofbatches

    ②反向傳播階段:通過梯度下降法極小化殘差更新后面幾層網(wǎng)絡(luò)參數(shù)θ。

    4) End For

    5)End For

    7)提取樣本全連接層特征得T{(z1,y1),(z2,y2),…,(zm,ym)}。

    8)將T放入線性SVM中進(jìn)行訓(xùn)練得到CNN-SVM分類器f(x)。

    4 跟蹤計數(shù)

    在獲得人頭檢測目標(biāo)后,接下來就是采用跟蹤算法。在人流量統(tǒng)計方法中常用的跟蹤算法有Kalman濾波[12]、Meanshift[13]以及粒子濾波[14]等。其中,Kalman濾波算法和粒子濾波算法計算復(fù)雜度較高,會嚴(yán)重影響運(yùn)行時間,并不適用于實時人流量統(tǒng)計。雖然Meanshift算法跟蹤速度很快,但由于該算法主要利用目標(biāo)的顏色信息進(jìn)行預(yù)測,特征太過單一,且人頭目標(biāo)顏色信息區(qū)分度不高,因此,也并不太適合在復(fù)雜場景下的人流量統(tǒng)計。為均衡計算時間復(fù)雜度以及跟蹤效果,本實驗采用簡單的區(qū)域限制以及特征匹配方法進(jìn)行人流量統(tǒng)計。

    在經(jīng)過CNN-SVM分類器模型檢測得到最終的人頭檢測目標(biāo)后,以當(dāng)前檢測目標(biāo)為中心,對此檢測目標(biāo)進(jìn)行歐氏距離限制,得到候選關(guān)聯(lián)人頭匹配區(qū)域。由于相鄰2幀之間行人在時空域上變化不大,本文選取區(qū)域限制半徑K=20,當(dāng)前一幀人頭目標(biāo)滿足(1)式時,成為候選關(guān)聯(lián)人頭

    s.t. dist≤K

    (1)

    (1)式中:dist代表當(dāng)前幀與前一幀人頭目標(biāo)之間的距離;(x1,y1)和(x2,y2)分別代表當(dāng)前幀和前一幀的人頭目標(biāo)的坐標(biāo)。

    在確定候選關(guān)聯(lián)人頭后,提取對應(yīng)的CNN人頭特征向量,分別將這些特征向量與當(dāng)前幀中指定人頭的特征向量作相似性度量,得到人頭相關(guān)性系數(shù),相關(guān)性系數(shù)公式為

    (2)

    5 實驗結(jié)果及分析

    在此首先介紹實驗數(shù)據(jù)集,其次分別對比本文使用遷移學(xué)習(xí)技術(shù)和使用文獻(xiàn)[10]方法即未使用遷移學(xué)習(xí)技術(shù)時的檢測結(jié)果及人流量統(tǒng)計結(jié)果。由于可靠性的目標(biāo)檢測往往對整個算法人流量統(tǒng)計有決定性作用,因此,我們同時與當(dāng)前最好的檢測算法之一,即可變形部件模型(deformable part model, DPM)[15]進(jìn)行了實驗對比,用于評估本實驗檢測算法性能。

    5.1 監(jiān)控視頻圖像場景數(shù)據(jù)集

    本實驗數(shù)據(jù)集來自于火車站、廣場等復(fù)雜場所。該數(shù)據(jù)集包含多種不同圖像背景、人群密集程度、拍攝視角以及人流方向等。為充分說明所提出的算法框架在較復(fù)雜場景下的檢測及統(tǒng)計效果,本實驗選用8個場景簡單、人群稀疏的視頻序列作為訓(xùn)練集;4個包含多種情況的較復(fù)雜場景視頻序列作為測試集,其中測試集每種場景均為300幀圖像。4種不同情況的測試集代表圖像如圖4所示。

    圖4 4種不同場景代表圖像Fig.4 Representative images of four different scenarios

    5.2 檢測結(jié)果及分析

    圖5a為Adaboost檢測結(jié)果示意圖,可以明顯看出,在保證較高召回率的情況下,檢測結(jié)果存在大量虛假目標(biāo);圖5b和圖5c為經(jīng)過CNN-SVM分類器處理后的檢測結(jié)果。經(jīng)過對比可知,圖像在經(jīng)過CNN-SVM分類器處理后能剔除大量的虛假目標(biāo),與此同時,仍存有少量虛假目標(biāo),這部分虛假目標(biāo)大多與人頭目標(biāo)非常類似,比如陰影,很難識別,但是在后期匹配跟蹤計數(shù)過程中,這些虛假目標(biāo)會因無法匹配而被丟棄,從而不會影響實驗結(jié)果。比較圖5b和圖5c可以看出,使用遷移學(xué)習(xí)技術(shù)后的CNN-SVM分類器具有更高的檢測精度率,分類效果更優(yōu)。

    本文以精確率(Precision)和召回率(Recall)作為評價人頭檢測指標(biāo)。

    (3)

    (4)

    (3)式和(4)式中:TP為真實正例;FP為錯誤正例;FN為錯誤負(fù)例。即精確率指檢測到的真實人頭目標(biāo)在所有檢測結(jié)果中的比例。召回率指檢測到的真實人頭目標(biāo)在所有人頭目標(biāo)中的比例。當(dāng)精確率越高,說明在所有檢測目標(biāo)中檢測到的真實人頭概率越大;而召回率越高,說明檢測到的真實人頭目標(biāo)越多。表1給出了4種不同場景視頻序列數(shù)據(jù)集的評估結(jié)果,其中,TL和NO_TL分別為使用和未使用遷移學(xué)習(xí)技術(shù)時的評估結(jié)果。

    從表1可以看出,使用遷移學(xué)習(xí)技術(shù)后的CNN-SVM分類效果比未使用時的效果在精確率和召回率上都普遍要高很多。這是因為引入遷移學(xué)習(xí)技術(shù)后,擴(kuò)大了樣本學(xué)習(xí)知識,使得分類效果更強(qiáng)。另外,本實驗檢測算法在召回率上優(yōu)于DPM算法,即檢測到的真實人頭目標(biāo)相較DPM模型要多。說明DPM在擁擠情況下檢測分辨率較低的人頭目標(biāo)并不適宜。

    圖5 人頭檢測結(jié)果代表圖Fig.5 Representative images of head detection results

    scene1scene2scene3scene4PrecisionTL0.58010.43980.59730.5107NO_TL0.35130.20760.45710.4215DPM0.56930.39660.56220.4973RecallTL0.68850.72970.72320.7368NO_TL0.61630.67710.59260.6982DPM0.62740.64010.27200.3486

    5.3 人流量統(tǒng)計結(jié)果及分析

    用Matlab和C++混合編程的方式在2.6 GHz CPU (E3400),4 GByte RAM的PC機(jī)上執(zhí)行程序。具體為,Adaboost算法以及計數(shù)跟蹤模塊用C++執(zhí)行得到,而CNN-SVM人頭分類器模型訓(xùn)練則是通過Matlab執(zhí)行得到。圖6為人流量計數(shù)場景,只有當(dāng)行人越過檢測線時才會進(jìn)行計數(shù)。最終,通過對4種不同場景視頻序列圖像進(jìn)行測試,得到人流量統(tǒng)計結(jié)果。

    表2和表3分別為4種不同場景人流量統(tǒng)計結(jié)果和系統(tǒng)測試時間,其中,GT代表真實值,Res表示統(tǒng)計值,Accu表示準(zhǔn)確率,即統(tǒng)計值與真實值的比值。

    從表2可以看出,使用遷移學(xué)習(xí)技術(shù)后的人流量統(tǒng)計準(zhǔn)確率均在0.72以上,且普遍比不使用遷移學(xué)習(xí)技術(shù)時的準(zhǔn)確率要高。表3所示為4種不同場景系統(tǒng)測試時間,其單位為每幀消耗的時間(s)。從表3系統(tǒng)時間上來看,使用遷移學(xué)習(xí)技術(shù)后,系統(tǒng)運(yùn)行時間大多相對較少,但仍存在少數(shù)不穩(wěn)定現(xiàn)象。結(jié)合表1和表2來看,本系統(tǒng)在跟蹤過程中,部分虛假目標(biāo)并不會關(guān)聯(lián)計數(shù),影響計數(shù)結(jié)果,不過某些類似人頭目標(biāo)的干擾物仍有參與匹配計數(shù)。從總體上來看,本系統(tǒng)能比較準(zhǔn)確快速地實現(xiàn)人流量統(tǒng)計。

    表2 4種不同場景人流量統(tǒng)計結(jié)果

    表3 4種不同場景系統(tǒng)測試時間

    6 結(jié) 論

    本文采用基于檢測的方法實現(xiàn)人流量統(tǒng)計。首先,通過級聯(lián)的Adaboost人頭檢測器實行人頭粗檢測;然后,通過遷移學(xué)習(xí)技術(shù),利用CNN-SVM人頭分類器再次識別,剔除大量的虛假目標(biāo),保證了較高的檢測精度率;最后,根據(jù)人頭信息,對待關(guān)聯(lián)人頭目標(biāo)通過區(qū)域限制以及特征匹配方法準(zhǔn)確地找到關(guān)聯(lián)人頭,得到確定的航跡,大大提高了計數(shù)準(zhǔn)確率。

    實驗表明,本文所提出的方法不僅能快速準(zhǔn)確定位到單個行人,而且能對不同的監(jiān)控應(yīng)用場景的人流量實現(xiàn)統(tǒng)計,具有廣泛的實用價值。將來我們會對復(fù)雜場景人流量進(jìn)一步研究,以期在未來的工作中能更加有效解決嚴(yán)重遮擋以及陰影等干擾問題,使得檢測和計數(shù)更加準(zhǔn)確,實時性進(jìn)一步提高。

    [1] HAO D, FENG X, FAN W, et al. A fast pedestrians counting method based on haar features and spatio-temporal correlation analysis[C]//ACM International Conference Proceeding Series. Zhangjiajie: Association for Computing Machinery, 2015: 300-303.

    [2] MITA T, KANEKP T, HORI O. Joint haar-like features for face detection[C]//Computer Vision. Beijing: IEEE, 2005: 1619-1626.

    [3] FREUND Y, SCHAPIRE R E. A decision-theoretic generalization of on-line learning and an application to boosting[J]. Journal of computer and system sciences, 1997, 55(1): 119-139.

    [4] HU Y, ZHOU P, ZHOU H. A new fast and robust method based on head detection for people-flow counting system[J]. International Journal of Information Engineering, 2011, 1(1): 33-43.

    [5] GAO C, LIU J, FENG Q, et al. People-flow counting in complex environments by combining depth and color information[J]. Multimedia Tools and Applications, 2016, 75(15): 9315-9331.

    [6] XU H, LV P, MENG L. A people counting system based on head-shoulder detection and tracking in surveillance video[C]// International Conference on Computer Design and Applications (ICCDA). Qinhuangdao: IEEE, 2010: V1394-V1398.

    [7] ZENG C, MA H. Robust head-shoulder detection by pca-based multilevel hog-lbp detector for people counting[C]//International Conference on Pattern Recognition (ICPR). Istanbul: IEEE, 2010: 2069-2072.

    [8] CHEN T H, CHEN T Y, CHEN Z X. An intelligent people-flow counting method for passing through a gate[C]//Conference on Robotics, Automation and Mechatronics. Bangkok: IEEE, 2006: 1-6.

    [9] WANG Y, ZHANG H. Pedestrian detection and counting based on ellipse fitting and object motion continuity for video data analysis[M]. Intelligent Computing Theories and Methodologies. Intelligent Computing Theories and Methodologies. Switzerland: Springer International Publishing, 2015: 378-387.

    [10] GAO C, LI P, ZHANG Y, et al. People counting based on head detection combining Adaboost and CNN in crowded surveillance environment [J]. Neurocomputing, 2016, 208(4):108-116.

    [11] YOSINSKI J, CLUNE J, BENGIO Y, et al. How transferable are features in deep neural networks?[C]//Advances in Neural Information Processing Systems. Montreal: IEEE, 2014: 3320-3328.

    [12] GREWAL M S. Kalman filtering[M]. International Encyclopedia of Statistical Science. Berlin Heidelberg: Springer International Publishing, 2011:705-708.

    [13] 袁霄, 王麗萍. 基于 MeanShift 算法的運(yùn)動人體跟蹤[J]. 計算機(jī)工程與科學(xué), 2008, 30(4): 46-49. YUAN Xiao, WANG Liping. Tracking Moving People Based on the MeanShift Algorithm[J]. Computer Engineering and Science, 2008, 30(4): 46-49.

    [14] FU Y, LONG X. Pedestrian Tracking Based on Improved Particle Filter Under Complex Background[C]//Advanced Materials Research. Nanjing: Trans Tech Publications Ltd, 2013: 4103-4109.

    [15] FELZENSZWALB P, MCALLESTER D, Ramanan D. A discriminatively trained, multiscale, deformable part model[C]// Computer Vision and Pattern Recognition. Anchorage: IEEE, 2008: 1-8.

    (編輯:田海江)

    Pedestrian counting based on convolutional neural network

    ZHANG Yajun1, GAO Chenqiang1, LI Pei1, LIU Jiang1, CHENG Hua2

    (1. Chongqing Key Laboratory of Signal and Information Processing, Chongqing University of Posts and Telecommunications,Chongqing 400065, P. R. China;2. China Ship Development and Design Center, Wuhan 430064, P.R.China)

    In crowded scenes, pedestrian counting often cannot get high statistical accuracy because of the unreliable detection. To solve this problem, in this paper, based on the use of convolutional neural network(CNN) technology, we carry out the pedestrian counting according to head detection. Firstly, this scheme uses the cascaded Adaboost detector to get the preliminary head proposals; Then, it uses transfer learning technology to retrain CNN, after that, the head classification model constructed by CNN and SVM (Support Vector Machine) is used to fine recognize the head, in order to improve the detection accuracy rate; Finally, the track association is used for tracking and counting the head targets. Experimental results show that our proposed method can locate to a single pedestrian quickly and accurately, and the method has fairly high statistical accuracy.

    pedestrian counting; convolutional neural network(CNN); Adaboost; transfer learning; track association

    10.3979/j.issn.1673-825X.2017.02.019

    2016-05-12

    2016-10-21 通訊作者:張雅俊 1519908189@qq.com

    國家自然科學(xué)基金(61571071,61102131); 重慶市科委自然科學(xué)基金(cstc2014jcyjA40048); 重慶郵電大學(xué)文峰創(chuàng)業(yè)基金(WF201404)

    Foundation Items:The National Natural Science Foundation of China (61571071,61102131); The Natural Science Foundation of Chongqing Science and Technology Commission (cstc2014jcyjA40048); The Wenfeng innovation and start-up project of Chongqing University of Posts and Telecommunications (WF201404)

    TP391;TN911

    A

    1673-825X(2017)02-0265-07

    張雅俊(1992-),女,湖北天門人,碩士研究生,主要研究方向為計算機(jī)視覺和行為識別。E-mail: 1519908189@qq.com。

    高陳強(qiáng)(1981-),男,重慶人,教授,博士,主要研究方向為圖像處理、視覺分析、目標(biāo)檢測、行為識別和事件檢測。E-mail: gaocq@cqupt.edu.cn。

    李 佩(1989-),女,湖北荊州人,碩士研究生,主要研究方向為計算機(jī)視覺和行為識別。E-mail: lipeisww@gmail.com。

    劉 江(1994-),男,江蘇南京人,本科生,主要研究方向為計算機(jī)視覺、行為識別和檢測。E-mail: liujiang4work@outlook.com。

    程 華(1982-),男,湖北赤壁人,博士,主要研究方向為船舶電氣和圖像處理。E-mail: hchenghuab@163.com。

    猜你喜歡
    人流量人頭檢測器
    出行中的“小煩惱”
    交出人頭
    假人頭防盜大法
    知識窗(2019年4期)2019-04-26 03:16:02
    提高高職院校圖書館現(xiàn)刊閱覽室人流量的策略研究
    朋友圈
    百花洲(2018年1期)2018-02-07 16:33:02
    三級客運(yùn)汽車站服務(wù)能力影響因素分析
    車道微波車輛檢測器的應(yīng)用
    一種霧霾檢測器的研究與設(shè)計
    小吃店選址實戰(zhàn)經(jīng)驗
    一體化火焰檢測器常見故障分析
    河南科技(2014年22期)2014-02-27 14:18:12
    亚洲av福利一区| 免费观看a级毛片全部| .国产精品久久| 亚洲av中文字字幕乱码综合| 国产大屁股一区二区在线视频| av在线app专区| 免费少妇av软件| 精品一区二区三卡| 大又大粗又爽又黄少妇毛片口| 国产大屁股一区二区在线视频| 蜜桃久久精品国产亚洲av| av在线app专区| 久久久久久久亚洲中文字幕| 美女视频免费永久观看网站| 最近最新中文字幕大全电影3| 高清在线视频一区二区三区| 真实男女啪啪啪动态图| 99久久精品一区二区三区| 免费少妇av软件| 一级爰片在线观看| 久久这里有精品视频免费| 午夜免费男女啪啪视频观看| 大香蕉久久网| 白带黄色成豆腐渣| 亚洲性久久影院| 在线天堂最新版资源| 国产精品久久久久久久电影| 国产精品一区二区在线观看99| 国产又色又爽无遮挡免| 亚洲国产日韩一区二区| 青青草视频在线视频观看| 午夜福利视频1000在线观看| 麻豆成人午夜福利视频| av女优亚洲男人天堂| 午夜福利视频1000在线观看| av在线天堂中文字幕| 少妇的逼好多水| 免费电影在线观看免费观看| 国产精品秋霞免费鲁丝片| 亚洲国产精品专区欧美| 中文精品一卡2卡3卡4更新| 少妇的逼好多水| xxx大片免费视频| 成人特级av手机在线观看| 偷拍熟女少妇极品色| 日日摸夜夜添夜夜爱| 色播亚洲综合网| 91精品伊人久久大香线蕉| 男男h啪啪无遮挡| 亚洲国产精品成人久久小说| 久久久久性生活片| 嫩草影院入口| 18禁在线无遮挡免费观看视频| 色视频在线一区二区三区| 国产高清国产精品国产三级 | 日日啪夜夜撸| 欧美日韩在线观看h| 亚洲av欧美aⅴ国产| 久久久午夜欧美精品| 3wmmmm亚洲av在线观看| 最近最新中文字幕免费大全7| 色哟哟·www| 国产成人免费观看mmmm| 亚洲精品国产成人久久av| 成人特级av手机在线观看| 丝袜美腿在线中文| 亚洲欧美清纯卡通| 久久韩国三级中文字幕| 天堂俺去俺来也www色官网| 秋霞伦理黄片| 1000部很黄的大片| 18禁裸乳无遮挡动漫免费视频 | 久久久久久久久久久免费av| av播播在线观看一区| 久久久久久国产a免费观看| 热99国产精品久久久久久7| 新久久久久国产一级毛片| 成年版毛片免费区| 五月伊人婷婷丁香| 99九九线精品视频在线观看视频| 亚洲精品国产成人久久av| 免费观看性生交大片5| videossex国产| 五月天丁香电影| 免费在线观看成人毛片| 青春草国产在线视频| 亚洲人成网站高清观看| 99久久九九国产精品国产免费| 大陆偷拍与自拍| 精品久久久久久久久亚洲| 又粗又硬又长又爽又黄的视频| 中文精品一卡2卡3卡4更新| 亚洲国产精品成人综合色| 又爽又黄无遮挡网站| 成人欧美大片| 色综合色国产| 欧美日韩视频精品一区| 一级二级三级毛片免费看| 亚洲欧美日韩另类电影网站 | 色视频www国产| 亚洲av在线观看美女高潮| 中文资源天堂在线| 日韩成人伦理影院| 伦理电影大哥的女人| 大陆偷拍与自拍| 亚洲成人中文字幕在线播放| 中文精品一卡2卡3卡4更新| 久久人人爽人人爽人人片va| 免费大片18禁| 国模一区二区三区四区视频| 免费看av在线观看网站| 久久久久久久久久久丰满| 又黄又爽又刺激的免费视频.| 黄色欧美视频在线观看| 久久久久国产网址| 免费高清在线观看视频在线观看| 日本wwww免费看| 少妇的逼好多水| 日日摸夜夜添夜夜爱| 高清欧美精品videossex| 狠狠精品人妻久久久久久综合| 国产精品国产av在线观看| 在线看a的网站| 久久99蜜桃精品久久| 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 | 大香蕉97超碰在线| 成人二区视频| 人人妻人人看人人澡| 国产有黄有色有爽视频| 亚洲精品日韩av片在线观看| 国产成人免费观看mmmm| 深爱激情五月婷婷| 少妇裸体淫交视频免费看高清| 日韩免费高清中文字幕av| 国产精品99久久99久久久不卡 | av在线亚洲专区| 亚洲电影在线观看av| 久久国产乱子免费精品| 日本猛色少妇xxxxx猛交久久| 免费观看性生交大片5| 麻豆乱淫一区二区| 青春草视频在线免费观看| 欧美日本视频| 九九在线视频观看精品| 我的老师免费观看完整版| 日韩av在线免费看完整版不卡| 街头女战士在线观看网站| 99热国产这里只有精品6| 亚洲精品久久午夜乱码| av国产久精品久网站免费入址| 校园人妻丝袜中文字幕| 久久久久网色| 黄色怎么调成土黄色| 精品人妻熟女av久视频| 高清在线视频一区二区三区| 波多野结衣巨乳人妻| 夜夜看夜夜爽夜夜摸| 国产欧美另类精品又又久久亚洲欧美| 久久综合国产亚洲精品| 亚洲精品成人av观看孕妇| 熟女av电影| 日韩中字成人| 久久午夜福利片| 国产综合懂色| 黄色日韩在线| 精华霜和精华液先用哪个| 最近中文字幕高清免费大全6| 韩国av在线不卡| 国产爽快片一区二区三区| 久久精品国产a三级三级三级| 欧美激情国产日韩精品一区| 午夜福利网站1000一区二区三区| 亚洲精品久久久久久婷婷小说| 我的女老师完整版在线观看| 午夜亚洲福利在线播放| 麻豆成人午夜福利视频| 联通29元200g的流量卡| 夜夜看夜夜爽夜夜摸| 日本色播在线视频| 在线观看三级黄色| 欧美xxxx黑人xx丫x性爽| 又黄又爽又刺激的免费视频.| 美女脱内裤让男人舔精品视频| 欧美日韩在线观看h| 午夜免费鲁丝| 久久精品久久久久久久性| 国产欧美日韩精品一区二区| av.在线天堂| 精品人妻视频免费看| 亚州av有码| 偷拍熟女少妇极品色| 久热久热在线精品观看| 精品久久久久久久人妻蜜臀av| 国产免费福利视频在线观看| 国产 一区精品| 精品久久国产蜜桃| 男男h啪啪无遮挡| 香蕉精品网在线| 亚洲精品一二三| 国产成人精品久久久久久| 日韩不卡一区二区三区视频在线| 国产高清有码在线观看视频| 精品人妻熟女av久视频| 一级爰片在线观看| 在线看a的网站| 少妇丰满av| 午夜免费鲁丝| 国产欧美日韩一区二区三区在线 | 高清视频免费观看一区二区| 久久精品人妻少妇| 久久99热这里只有精品18| 国产av国产精品国产| 99热6这里只有精品| 99热这里只有是精品50| 亚洲av二区三区四区| 97人妻精品一区二区三区麻豆| 搡老乐熟女国产| 国产淫片久久久久久久久| 老女人水多毛片| 国产精品一区二区性色av| 久久久久久伊人网av| 91久久精品国产一区二区三区| 色婷婷久久久亚洲欧美| 国产精品不卡视频一区二区| 五月玫瑰六月丁香| 免费黄网站久久成人精品| 国产永久视频网站| 午夜老司机福利剧场| 久久亚洲国产成人精品v| 99热网站在线观看| 91精品国产九色| 人妻夜夜爽99麻豆av| av国产精品久久久久影院| 精品视频人人做人人爽| 99久久中文字幕三级久久日本| 建设人人有责人人尽责人人享有的 | 男人狂女人下面高潮的视频| 日韩av不卡免费在线播放| 一区二区三区免费毛片| 不卡视频在线观看欧美| 丰满乱子伦码专区| 在线观看一区二区三区激情| 精品一区二区免费观看| 一级av片app| 亚洲欧美一区二区三区黑人 | 舔av片在线| 久久久a久久爽久久v久久| 欧美日韩在线观看h| 五月天丁香电影| 精品酒店卫生间| 97在线视频观看| 亚洲图色成人| 黄片wwwwww| 水蜜桃什么品种好| 欧美xxⅹ黑人| 欧美xxxx黑人xx丫x性爽| 亚洲精品色激情综合| 嘟嘟电影网在线观看| 纵有疾风起免费观看全集完整版| 18禁裸乳无遮挡免费网站照片| 日日摸夜夜添夜夜添av毛片| 有码 亚洲区| 国产乱人偷精品视频| 国产精品成人在线| 日韩 亚洲 欧美在线| 成人亚洲欧美一区二区av| 欧美一区二区亚洲| 欧美97在线视频| 久久精品久久久久久噜噜老黄| 久久久久国产精品人妻一区二区| 在线a可以看的网站| 在线观看国产h片| 午夜精品一区二区三区免费看| 又大又黄又爽视频免费| 亚洲精品中文字幕在线视频 | 久久这里有精品视频免费| 精品国产乱码久久久久久小说| 狂野欧美激情性bbbbbb| 纵有疾风起免费观看全集完整版| 国模一区二区三区四区视频| 网址你懂的国产日韩在线| 在线观看国产h片| 成人综合一区亚洲| 亚洲av免费在线观看| 蜜桃久久精品国产亚洲av| 久久99精品国语久久久| 狂野欧美激情性bbbbbb| 久久热精品热| 久久久久精品性色| 亚洲av日韩在线播放| 亚洲精品影视一区二区三区av| 亚洲无线观看免费| 2018国产大陆天天弄谢| 真实男女啪啪啪动态图| 高清日韩中文字幕在线| 伊人久久国产一区二区| 美女主播在线视频| 三级国产精品片| 三级国产精品欧美在线观看| 少妇猛男粗大的猛烈进出视频 | 欧美少妇被猛烈插入视频| 亚洲av在线观看美女高潮| 黄片无遮挡物在线观看| 国产精品一二三区在线看| 边亲边吃奶的免费视频| 国产老妇伦熟女老妇高清| 欧美日韩综合久久久久久| 69人妻影院| 欧美老熟妇乱子伦牲交| 亚洲av电影在线观看一区二区三区 | 免费播放大片免费观看视频在线观看| 91精品国产九色| 国产极品天堂在线| 免费黄色在线免费观看| 午夜福利高清视频| 亚洲av免费高清在线观看| 免费av不卡在线播放| 国产精品女同一区二区软件| 赤兔流量卡办理| 亚洲国产欧美在线一区| 久久久久久久亚洲中文字幕| 亚洲精品乱久久久久久| 男女那种视频在线观看| 亚洲一级一片aⅴ在线观看| 免费黄网站久久成人精品| 亚洲熟女精品中文字幕| 麻豆精品久久久久久蜜桃| 我的老师免费观看完整版| 亚洲精品国产av成人精品| 人人妻人人澡人人爽人人夜夜| 久久精品久久精品一区二区三区| 精品少妇黑人巨大在线播放| 观看美女的网站| 亚洲精品一二三| 夫妻午夜视频| 亚洲人成网站在线观看播放| 久久久久久国产a免费观看| 天堂网av新在线| 免费电影在线观看免费观看| 日本一本二区三区精品| 久久久久精品久久久久真实原创| 免费黄网站久久成人精品| 五月伊人婷婷丁香| 亚洲人成网站在线播| 哪个播放器可以免费观看大片| 人妻系列 视频| 91午夜精品亚洲一区二区三区| 一本一本综合久久| 制服丝袜香蕉在线| 老司机影院成人| 人人妻人人澡人人爽人人夜夜| 亚洲aⅴ乱码一区二区在线播放| 不卡视频在线观看欧美| 日韩成人av中文字幕在线观看| 91精品一卡2卡3卡4卡| av一本久久久久| 日韩欧美一区视频在线观看 | 日日撸夜夜添| 中文字幕人妻熟人妻熟丝袜美| 亚洲欧洲国产日韩| 欧美成人精品欧美一级黄| 一区二区三区精品91| 精品人妻熟女av久视频| 男女啪啪激烈高潮av片| 久久久久国产精品人妻一区二区| 蜜臀久久99精品久久宅男| 狂野欧美激情性bbbbbb| 国产极品天堂在线| 免费看av在线观看网站| 少妇被粗大猛烈的视频| 高清毛片免费看| 视频区图区小说| 蜜桃久久精品国产亚洲av| 美女主播在线视频| 成人亚洲精品av一区二区| 黄片wwwwww| 久久久久久久国产电影| 免费播放大片免费观看视频在线观看| 午夜精品国产一区二区电影 | 久久精品夜色国产| 亚洲精品自拍成人| 最近的中文字幕免费完整| 国产高潮美女av| 日本欧美国产在线视频| 交换朋友夫妻互换小说| 少妇人妻精品综合一区二区| 婷婷色麻豆天堂久久| 亚洲欧美一区二区三区国产| 亚洲精品视频女| 久久精品夜色国产| 神马国产精品三级电影在线观看| 秋霞在线观看毛片| 国产精品国产三级专区第一集| 亚洲欧美日韩另类电影网站 | 少妇被粗大猛烈的视频| 蜜桃久久精品国产亚洲av| 精品国产乱码久久久久久小说| 特大巨黑吊av在线直播| 亚洲怡红院男人天堂| 久久精品国产鲁丝片午夜精品| 亚洲国产精品专区欧美| 亚洲在线观看片| 欧美精品国产亚洲| 国产免费又黄又爽又色| 久久久精品94久久精品| 亚洲无线观看免费| 国产黄片视频在线免费观看| 久久久久久久久久久免费av| 欧美日韩国产mv在线观看视频 | 免费不卡的大黄色大毛片视频在线观看| tube8黄色片| 日韩大片免费观看网站| 精品久久久噜噜| 国产精品三级大全| 欧美老熟妇乱子伦牲交| 欧美日韩视频高清一区二区三区二| 国产成年人精品一区二区| 别揉我奶头 嗯啊视频| 亚洲av.av天堂| 中文字幕人妻熟人妻熟丝袜美| 亚洲av.av天堂| 国产乱人偷精品视频| 少妇人妻 视频| 国产永久视频网站| 黄色视频在线播放观看不卡| 久久99精品国语久久久| 美女视频免费永久观看网站| 视频区图区小说| av线在线观看网站| 免费不卡的大黄色大毛片视频在线观看| 亚洲精品乱码久久久v下载方式| 国产成人91sexporn| 又黄又爽又刺激的免费视频.| 国产成人精品婷婷| 国产精品人妻久久久久久| 天美传媒精品一区二区| av福利片在线观看| 在现免费观看毛片| 91久久精品电影网| 国产乱来视频区| 五月伊人婷婷丁香| 中文在线观看免费www的网站| 国产欧美另类精品又又久久亚洲欧美| 80岁老熟妇乱子伦牲交| 久久综合国产亚洲精品| 网址你懂的国产日韩在线| 精品久久久精品久久久| 纵有疾风起免费观看全集完整版| 成年免费大片在线观看| 亚洲欧美成人综合另类久久久| 草草在线视频免费看| 内地一区二区视频在线| 亚洲国产欧美在线一区| 欧美高清成人免费视频www| 亚洲av电影在线观看一区二区三区 | 26uuu在线亚洲综合色| 精品99又大又爽又粗少妇毛片| 日韩制服骚丝袜av| 国产大屁股一区二区在线视频| 少妇的逼好多水| 亚洲三级黄色毛片| 舔av片在线| 欧美激情久久久久久爽电影| av国产久精品久网站免费入址| 亚洲欧美精品自产自拍| 99热全是精品| 99热国产这里只有精品6| 高清毛片免费看| av又黄又爽大尺度在线免费看| 人妻 亚洲 视频| 色视频在线一区二区三区| 亚洲成色77777| 久久久久九九精品影院| 欧美精品人与动牲交sv欧美| 亚洲精品456在线播放app| 哪个播放器可以免费观看大片| 欧美成人午夜免费资源| 一级片'在线观看视频| 中文资源天堂在线| 国产免费一区二区三区四区乱码| 精品人妻偷拍中文字幕| 中文字幕亚洲精品专区| 国产一区亚洲一区在线观看| 国产精品不卡视频一区二区| 精品久久久久久久末码| 中文字幕av成人在线电影| 免费看日本二区| 一级毛片 在线播放| 成人午夜精彩视频在线观看| 91久久精品国产一区二区成人| 日本-黄色视频高清免费观看| 久久久久国产精品人妻一区二区| 久久久久精品久久久久真实原创| 免费人成在线观看视频色| 少妇裸体淫交视频免费看高清| 色网站视频免费| 亚洲人与动物交配视频| 在线观看一区二区三区| 精品视频人人做人人爽| 啦啦啦中文免费视频观看日本| 国产白丝娇喘喷水9色精品| 国产老妇伦熟女老妇高清| 国产午夜精品久久久久久一区二区三区| 国产在线一区二区三区精| 国产成人福利小说| 久久久久国产网址| 老司机影院成人| 少妇人妻一区二区三区视频| 亚洲人成网站高清观看| 欧美日韩视频高清一区二区三区二| 最近中文字幕2019免费版| 97精品久久久久久久久久精品| 少妇丰满av| 国产探花在线观看一区二区| 国产高清有码在线观看视频| 我的老师免费观看完整版| 永久免费av网站大全| 国产一级毛片在线| 国产精品人妻久久久影院| 麻豆成人av视频| 最近手机中文字幕大全| 国产精品偷伦视频观看了| 中文字幕人妻熟人妻熟丝袜美| 狂野欧美激情性xxxx在线观看| 国产白丝娇喘喷水9色精品| 国产精品一区www在线观看| 久久精品国产自在天天线| 联通29元200g的流量卡| 女人十人毛片免费观看3o分钟| 成人毛片60女人毛片免费| 免费看日本二区| 五月玫瑰六月丁香| 国产成人freesex在线| 一本一本综合久久| 婷婷色综合大香蕉| 一级毛片aaaaaa免费看小| 亚洲欧美日韩卡通动漫| 午夜福利高清视频| 国产久久久一区二区三区| 亚洲内射少妇av| 少妇高潮的动态图| 亚洲人与动物交配视频| 日韩制服骚丝袜av| 亚洲精品一二三| 一区二区三区乱码不卡18| 免费看a级黄色片| 老师上课跳d突然被开到最大视频| 久久影院123| 全区人妻精品视频| 成人鲁丝片一二三区免费| 久久久成人免费电影| 精品人妻一区二区三区麻豆| 免费不卡的大黄色大毛片视频在线观看| 美女高潮的动态| 国产一区有黄有色的免费视频| 亚洲精品日韩av片在线观看| 久久综合国产亚洲精品| 91精品一卡2卡3卡4卡| 天美传媒精品一区二区| 伊人久久精品亚洲午夜| 色播亚洲综合网| 成人亚洲欧美一区二区av| 久久久久精品性色| av播播在线观看一区| 国产乱来视频区| 亚洲精品日韩av片在线观看| 久久久久精品性色| 亚洲成人精品中文字幕电影| 直男gayav资源| 亚洲怡红院男人天堂| 久久精品久久久久久久性| 精品人妻视频免费看| 国产69精品久久久久777片| 国产 一区精品| 三级国产精品片| 纵有疾风起免费观看全集完整版| 少妇 在线观看| 日韩人妻高清精品专区| 亚洲精品第二区| av播播在线观看一区| 欧美极品一区二区三区四区| 国产一区二区三区av在线| 久久久久国产精品人妻一区二区| 天天躁夜夜躁狠狠久久av| 黄色怎么调成土黄色| 天天一区二区日本电影三级| 日韩欧美精品免费久久| 久久热精品热| 简卡轻食公司| 简卡轻食公司| 日韩一区二区三区影片| 边亲边吃奶的免费视频| 天堂俺去俺来也www色官网| 日本与韩国留学比较| 高清毛片免费看| 99热网站在线观看| 精品久久久久久久人妻蜜臀av| 亚洲精品国产成人久久av| 黄色一级大片看看| 日日摸夜夜添夜夜爱| 全区人妻精品视频| 一区二区三区乱码不卡18| 黄色配什么色好看| 国产在视频线精品| 国产午夜福利久久久久久| 欧美xxxx性猛交bbbb| 婷婷色麻豆天堂久久| 欧美成人午夜免费资源| 七月丁香在线播放| 国产精品国产av在线观看| 亚洲欧洲日产国产| 九草在线视频观看| 国产精品久久久久久av不卡| 少妇高潮的动态图| 亚洲aⅴ乱码一区二区在线播放|