• <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ICF和多級(jí)分類器的交通標(biāo)志檢測(cè)*

    2017-06-09 08:53:29鄭天宇
    傳感器與微系統(tǒng) 2017年6期
    關(guān)鍵詞:特征檢測(cè)

    鄭天宇, 王 年, 唐 俊

    (安徽大學(xué) 電子與信息工程學(xué)院,安徽 合肥 230601)

    基于ICF和多級(jí)分類器的交通標(biāo)志檢測(cè)*

    鄭天宇, 王 年, 唐 俊

    (安徽大學(xué) 電子與信息工程學(xué)院,安徽 合肥 230601)

    針對(duì)傳統(tǒng)的基于積分通道特征(ICF)和Adaboost交通標(biāo)志檢測(cè)算法,召回率過(guò)低和誤檢率過(guò)高的問(wèn)題,提出了一種兩階段交通標(biāo)志檢測(cè)方法。第一階段對(duì)ICF進(jìn)行譜聚類并結(jié)合Adaboost算法學(xué)習(xí)得到目標(biāo)感興趣區(qū)域(ROI);第二階段對(duì)所獲得的感興趣區(qū)域進(jìn)行直方圖均衡化,利用尺度不變特征變換(SIFT)描述子與支持向量機(jī)(SVM)分類器相結(jié)合,提高了目標(biāo)區(qū)域檢測(cè)的準(zhǔn)確性。通過(guò)德國(guó)交通標(biāo)志數(shù)據(jù)集(GTSDB)的驗(yàn)證,結(jié)果表明:采用SICF-Adaboost +SIFT-SVM構(gòu)建的交通標(biāo)志級(jí)聯(lián)分類器檢測(cè)算法相對(duì)于傳統(tǒng)的ICF-Adaboost算法召回率高且誤檢率低,適用于真實(shí)場(chǎng)景下的交通標(biāo)志檢測(cè)。

    交通標(biāo)志檢測(cè); 形狀分類器; 譜聚類; 積分通道特征; 感興趣區(qū)域

    0 引 言

    作為輔助駕駛系統(tǒng)中重要組成部分,交通標(biāo)志識(shí)別能夠給司機(jī)提供關(guān)于道路安全的預(yù)警信息。道路交通標(biāo)志識(shí)別主要涉及兩個(gè)問(wèn)題:交通標(biāo)志檢測(cè)和交通標(biāo)志分類。標(biāo)志檢測(cè)意味著在輸入圖像空間中準(zhǔn)確定位交通標(biāo)志,而標(biāo)志分類是將其劃分到特定的交通標(biāo)志子類型中。因此,標(biāo)志檢測(cè)是標(biāo)志識(shí)別的前提和基礎(chǔ)。

    交通標(biāo)志由于具有顏色和形狀信息便于人們?cè)诘缆方煌ōh(huán)境中將其與周圍的背景區(qū)分開(kāi)。在顏色特征識(shí)別,主要指基于不同顏色空間的閾值分割方法將感興趣的顏色分割出來(lái),包括RGB空間,HSV空間,HSI空間等?;谛螤畹姆椒ò℉ough變換和Zernike不變矩。文獻(xiàn)[1]采用由粗到精的滑動(dòng)窗口方案,即先通過(guò)小尺度窗口粗略地檢測(cè)交通標(biāo)志圖像得到感興趣區(qū)域(region of interest,ROI),然后再通過(guò)大尺度窗口對(duì)目標(biāo)ROI進(jìn)行精檢。文獻(xiàn)[2]利用顏色概率模型將源圖像轉(zhuǎn)換成概率圖,并在概率圖上運(yùn)用區(qū)域特征提取(MSER)算法得到ROI,最后結(jié)合積分通道特征檢測(cè)器進(jìn)行精檢以提高檢測(cè)準(zhǔn)確率。文獻(xiàn)[3]結(jié)合聚類特征和Adaboost算法對(duì)車輛進(jìn)行檢測(cè),并通過(guò)采用多分辨率模型提升檢測(cè)率。基于此,本文提出了一種兩階段的交通標(biāo)志譜檢測(cè)方法,包括SICF檢測(cè)器階段和SVM形狀分類器階段。

    1 基于譜聚類特征的粗檢

    1.1 ICF

    ICF由Dollar P等人在2009年提出[4],從特征描述的角度來(lái)探討解決問(wèn)題的可能性。ICF是通過(guò)積分圖對(duì)輸入圖像的各種通道特征進(jìn)行快速計(jì)算。典型通道類型包括強(qiáng)度、顏色、積分直方圖、梯度直方圖、線性濾波和非線性濾波。本文只考慮一階特征,即對(duì)給定通道上矩形框內(nèi)所有像素的像素值進(jìn)行求和運(yùn)算。首先通過(guò)隨機(jī)選取通道類型和矩形框的大小產(chǎn)生一個(gè)候選特征池,然后結(jié)合Boosting算法和軟級(jí)聯(lián)分類器學(xué)習(xí)選擇這些特征。采用LUV顏色空間、梯度直方圖、梯度大小的組合作為通道特征。GTSDB數(shù)據(jù)庫(kù)上“限速20”的通道類型選擇如圖1所示。交通標(biāo)志的ICF計(jì)算流程如下:

    1)對(duì)輸入圖像創(chuàng)建10個(gè)和源圖像相同大小的浮點(diǎn)矩陣,即通道類型。

    2)對(duì)源圖像進(jìn)行灰度轉(zhuǎn)換,并分別計(jì)算灰度圖像的梯度方向和梯度幅值。

    3)將梯度方向分別離散化到6個(gè)區(qū)間,通過(guò)梯度幅值分別向6個(gè)方向通道進(jìn)行投票。

    4)對(duì)梯度幅值進(jìn)行復(fù)制并創(chuàng)建幅值通道特征,同時(shí)計(jì)算LUV通道特征。

    5)分別對(duì)這10個(gè)通道進(jìn)行積分操作,并輸出最終的ICF。

    圖1 交通標(biāo)志圖像的通道類型選擇示例

    1.2 特征聚類

    交通標(biāo)志本身一般都含有大量的類內(nèi)變化,這給交通標(biāo)志檢測(cè)帶來(lái)了挑戰(zhàn)。本文對(duì)訓(xùn)練數(shù)據(jù)的顏色和梯度特征進(jìn)行聚類,通過(guò)聚類學(xué)習(xí)得到一個(gè)整體的模型[5],可以有效地處理物體遮擋以及方向變化等造成的問(wèn)題。采用的譜聚類算法具體過(guò)程描述如下:

    輸入:數(shù)據(jù)樣本集,尺度參數(shù)集, 聚類個(gè)數(shù)K;

    輸出:聚類結(jié)果。

    1)獲取給定訓(xùn)練樣本的ICF特征描述子,然后選取高斯核函數(shù)計(jì)算任意樣本數(shù)據(jù)xi和xj之間的相似度并得到相似度矩陣W∈Rm×n,Wij=exp(-‖xi-xj‖2/2σ2)為相似度矩陣中的元素,其中,σ為尺度參數(shù)。

    2)根據(jù)度矩陣D來(lái)構(gòu)建標(biāo)準(zhǔn)化圖拉普拉斯矩陣L=D-1/2WD-1/2,其中度矩陣D是由相似性矩陣Wij計(jì)算得到,即將Wij的每一列元素相加得到的數(shù)作為度矩陣主對(duì)角線元素(其他位置上的元素均等于0)。

    3)對(duì)矩陣L進(jìn)行特征值分解,并計(jì)算前k個(gè)特征值對(duì)應(yīng)的特征向量,得到矩陣X=[x1,x2,x3,…,xk]。

    5)將矩陣Y中的每一行看作為k維空間中的一個(gè)向量,并應(yīng)用c-means經(jīng)典聚類算法對(duì)訓(xùn)練樣本的ICF向量進(jìn)行聚類,并輸出聚類結(jié)果。

    1.3 基于譜聚類特征的SICF檢測(cè)器實(shí)現(xiàn)

    針對(duì)自適應(yīng)譜聚類后的ICF,本文運(yùn)用Adaboost算法[6]學(xué)習(xí)一個(gè)2層決策樹(shù)進(jìn)行分類判別,其中每個(gè)節(jié)點(diǎn)是一個(gè)簡(jiǎn)單的樹(shù)樁分類器。樹(shù)樁分類器由矩形區(qū)域,通道類型和閾值共同決定。通過(guò)不斷增加弱分類器的數(shù)量來(lái)執(zhí)行4個(gè)回合(32,128 ,512 ,2 048)的訓(xùn)練,訓(xùn)練完成后將若干個(gè)不同的弱分類器進(jìn)行線性加權(quán)組合得到最終的強(qiáng)分類器。訓(xùn)練開(kāi)始時(shí),有5 000個(gè)正樣本和5 000個(gè)負(fù)樣本,在每個(gè)回合中將較難分類的負(fù)樣本再加入到負(fù)樣本訓(xùn)練集中重新進(jìn)行訓(xùn)練。由于樹(shù)樁的數(shù)目比較大,采用隨機(jī)抽樣子集訓(xùn)練分類器,最后該特征池隨機(jī)抽樣總共產(chǎn)生30 000個(gè)候選矩陣。

    2 基于SVM的形狀分類器精檢

    為了達(dá)到較高的檢測(cè)準(zhǔn)確率,需要在第一階段提取目標(biāo)ROI中保持較高的召回率。這使得提取后的ROI中包含大量的假陽(yáng)性區(qū)域。為了濾除這些假陽(yáng)性區(qū)域,結(jié)合交通標(biāo)志規(guī)則的形狀信息并運(yùn)用SVM訓(xùn)練形狀分類器,在第二階段將形狀不規(guī)則的干擾區(qū)域排除,以進(jìn)一步去除誤檢標(biāo)志。

    2.1 直方圖均衡化處理

    在自然環(huán)境中,由于存在光照強(qiáng)度不同、霧霾天氣等因素的影響,導(dǎo)致第一階段提取的ROI存在亮度過(guò)低或者背景與前景對(duì)比不明顯的交通標(biāo)志圖像,所以,需要對(duì)候選ROI進(jìn)行直方圖均衡化的預(yù)處理操作[7],通過(guò)擴(kuò)大圖像中背景與前景灰度值的差別以提高圖像對(duì)比度,從而獲得更清晰的圖像輪廓,其結(jié)果如圖2所示。

    2.2SIFT-SVM去除誤檢

    基于尺度空間的SIFT[8],對(duì)圖像尺度縮放,空間旋轉(zhuǎn),光照強(qiáng)度變化以及仿射變換都具有很強(qiáng)的魯棒性。SIFT已經(jīng)被證明是目前匹配性能最好的方法之一。通過(guò)檢測(cè)尺度空間極值準(zhǔn)確定位關(guān)鍵點(diǎn)的位置,這些關(guān)鍵點(diǎn)通常包含進(jìn)行特征匹配的重要信息。本文選取SVM作為分類器,通過(guò)非線性映射將輸入空間向量x映射到高維空間中,在高維空間中確定能夠正確劃分?jǐn)?shù)據(jù)集的最優(yōu)決策函數(shù)。在第二階段使用SVM形狀分類器的目的是有效地去除在第一階段被錯(cuò)誤地認(rèn)為是交通標(biāo)志的區(qū)域。SIFT局部描述子與SVM分類器的結(jié)合可以有效地去除誤檢[9]。訓(xùn)練階段,從正負(fù)樣本中提取128維的SIFT局部特征描述子,然后將提取后的SIFT局部特征送入線性SVM分類器中進(jìn)行訓(xùn)練。檢測(cè)階段,提取待檢測(cè)樣本的SIFT特征,然后將其傳遞到訓(xùn)練好的SVM二分類器中。如果輸入為正樣本,則輸出為+1;反之,則輸出為-1。

    2.3 形狀分類器設(shè)計(jì)

    本文建立4個(gè)形狀(三角形、倒三角形、圓形、菱形)分類器。4個(gè)分類器訓(xùn)練結(jié)束后,每一個(gè)輸入ROI的局部特征描述子在這4個(gè)分類器上都有一個(gè)輸出結(jié)果。如果待輸入的區(qū)域?yàn)榻煌?biāo)志,則輸出為1;否則,為-1。然后,對(duì)這4個(gè)輸出結(jié)果進(jìn)行投票選擇,即將輸出結(jié)果相加。只有當(dāng)投票結(jié)果為-2時(shí),表示4個(gè)分類器中有一個(gè)輸出為1,即輸入的ROI屬于這個(gè)分類器的形狀,而其他3個(gè)形狀分類器的輸出結(jié)果都為-1,不屬于其余3個(gè)分類器時(shí),才判定為交通標(biāo)志;其它的情況將判定為噪聲區(qū)域,并將其濾除。

    3 交通標(biāo)志檢測(cè)算法實(shí)驗(yàn)與分析

    3.1 實(shí) 驗(yàn)

    本文采用的是GTSDB。在第一階段ICF檢測(cè)器的訓(xùn)練中,正樣本選取的是GTSDB中的600張交通標(biāo)志圖像,每張圖像為1 360像素×800像素;負(fù)樣本選取Inria行人數(shù)據(jù)庫(kù)中1 300張圖像。在第二階段4種形狀分類器的訓(xùn)練中,正樣本選取來(lái)自GTSRB中4×500張交通標(biāo)志圖像,其中每個(gè)形狀的樣本數(shù)為500;負(fù)樣本選取Inria行人數(shù)據(jù)庫(kù)中500張圖像。本文采用有監(jiān)督學(xué)習(xí),將正樣本標(biāo)簽置為1,負(fù)樣本標(biāo)簽置為-1。 這樣對(duì)于每一個(gè)分類器都有2 500張訓(xùn)練樣本(正樣本500張、負(fù)樣本2 000張)。訓(xùn)練前需要對(duì)每張圖像進(jìn)行歸一化處理,每張圖像被調(diào)整為64像素×64像素。測(cè)試圖像選取GTSDB測(cè)試集,均為自然環(huán)境下高速公路和城市道路上采集的圖像,共300幅。訓(xùn)練測(cè)試流程圖如圖3所示。

    圖3 訓(xùn)練測(cè)試流程

    用于交通標(biāo)志檢測(cè)器性能評(píng)價(jià)的實(shí)驗(yàn)平臺(tái)為戴爾工作站,其主要配置為:Intel(R)Core(TM) i7-3770 CPU @ 3.40 GHz的處理器,8 G內(nèi)存,操作系統(tǒng)為Windows 7,編程軟件為Matlab 2015a。

    3.2 實(shí)驗(yàn)結(jié)果與分析

    為了驗(yàn)證本文提出算法的有效性,在采用相同的訓(xùn)練樣本和測(cè)試樣本情況下,分別采用ICF-Adaboost[4],SICF-Adaboost[3],SICF-Adaboost+SIFT-SVM(下面分別稱為算法一、算法二和本文算法)3種不同的算法,進(jìn)行對(duì)比實(shí)驗(yàn)。選取分類器檢測(cè)率RD和誤檢率RF作為評(píng)價(jià)指標(biāo),其中RD=Tp/Ap,RF=Fp/As,Tp為正確識(shí)別交通標(biāo)志數(shù);Ap為總交通標(biāo)志數(shù);Fp為錯(cuò)誤識(shí)別交通標(biāo)志數(shù);As為總樣本數(shù)。

    3種不同算法在GTSDB測(cè)試數(shù)據(jù)集上的標(biāo)志檢測(cè)結(jié)果分別如表1所示??梢钥闯?在檢測(cè)率方面算法二低于算法一。因?yàn)镾ICF-Adaboost算法在訓(xùn)練之前對(duì)訓(xùn)練數(shù)據(jù)的ICF特征進(jìn)行譜聚類能夠有效提高檢測(cè)率。將本文算法與算法二進(jìn)行比較可知,檢測(cè)率相同,但是本文算法誤檢率小于算法二。這是由于本文算法增加了基于SVM的形狀分類器設(shè)計(jì)階段,對(duì)第一階段的候選目標(biāo)區(qū)域進(jìn)行了精檢,有效地降低了誤檢率。測(cè)試所用的圖像分辨率為1 360像素×800像素。圖4分別給出了3種不同算法的ROC曲線圖,從中可以看出:基于SICF-Adaboost+SIFT-SVM檢測(cè)算法有著最佳的交通標(biāo)志檢測(cè)效果。圖5為本文算法在復(fù)雜場(chǎng)景下的檢測(cè)結(jié)果,其中正確檢測(cè)到的交通標(biāo)志用矩形框框出。

    表1 交通標(biāo)志檢測(cè)結(jié)果

    圖4 3種算法的ROC曲線

    圖5 不同實(shí)景下的交通標(biāo)志檢測(cè)結(jié)果示例

    4 結(jié)束語(yǔ)

    為了解決傳統(tǒng)基于ICF-Adaboost交通標(biāo)志檢測(cè)算法檢測(cè)率過(guò)低的問(wèn)題,提出了SICF-Adaboost+SIFT-SVM兩階段的級(jí)聯(lián)分類器。實(shí)驗(yàn)結(jié)果表明:本文算法能夠正確確定標(biāo)志位置并將其切割出來(lái),同時(shí),對(duì)光照、天氣變化等因素帶來(lái)的影響有較好的抑制作用。另外,對(duì)比4種形狀類別的檢測(cè)結(jié)果,發(fā)現(xiàn)倒三角形的檢測(cè)率較低,如何提高倒三角形交通標(biāo)志的檢測(cè)率,將是下一步研究工作的重點(diǎn)。

    [1] Wang G,Ren G,Wu Z,et al.A robust,coarse-to-fine traffic sign detection method[C]∥International Joint Conference on Neural Networks,IEEE,2013:1-5.

    [2] Yang Y,Wu F.Real-time traffic sign detection via color probabi-lity model and integral channel features[C]∥Pattern Recogni-tion,2014:545-554.

    [3] Ohn-Bar E,Trivedi M M.Learning to detect vehicles by cluste-ring appearance patterns[J].IEEE Transactions on Intelligent Transportation Systems,2015,16(5):2511-2521.

    [4] Dollár Piotr,Tu Zhuowen,Perona Pietro,et al.Integral channel features[C]∥Proceedings of 2009 British Machine Vision Conference,BMVC 2009,London,UK,2009.

    [5] 李文杰,廖曉緯,束仁義,等.基于ZigBee和模糊C均值聚類方法在火警中的應(yīng)用[J].傳感器與微系統(tǒng),2012,31(10):143-145.

    [6] Fleyeh H,Biswas R,Davami E.Traffic sign detection based on AdaBoost color segmentation and SVM classification[C]∥Eurocon,IEEE,2013:2005-2010.

    [7] Pizer S M,Amburn E P,et al.Adaptive histogram equalization and its variations [J].Computer Vision Graphics & Image Processing,1987,39(3):355 -368.

    [8] 王程冬,程筱勝,崔海華,等.SIFT算法在點(diǎn)云配準(zhǔn)中的應(yīng)用[J].傳感器與微系統(tǒng),2012,31(2):149-152.

    [9] Moranduzzo T,Melgani F.A SIFT-SVM method for detecting cars in UAV images[C]∥Geoscience and Remote Sensing Symposium,IEEE,2012:6868 -6871.

    Traffic signs detection based on ICF and multi-class classifier*

    ZHENG Tian-yu, WANG Nian, TANG Jun

    (School of Electronics & Information Engineering,Anhui University,Hefei 230601,China)

    Aiming at problem of low recall rate and high error rate of traditional traffic sign detection algorithm based on integral channel feature(ICF) and Adaboost,propose a two-stage traffic sign detection method.In the first stage,using spectral clustered integral channel features obtained by spectral clustering are combined with Adaboost to learn the overall detection model,which is applied to the input image to obtain region of interest(ROI).In the second stage,histogram equalization is imposed on ROI,and then a shape classifier using support vector machine(SVM) is employed to filter candidate object regions obtained in the former stage to remove the false positives.Experimental results show that the proposed SICF-Adaboost +SIFT-SVM detection algorithm method built upon a cascade classifier framework possesses higher detection rate compared with the traditional ICF Adaboost detect algorithm in dealing with high light intensity,motion blur,fog,and noisy similar object,which is suitable for traffic sign detection in real-world scenes.

    traffic sign detection; shape classifier; spectral clustering ; integral channel feature(ICF); region of interest(ROI)

    2017—01—19

    國(guó)家自然科學(xué)基金資助項(xiàng)目(61172127); 安徽省自然科學(xué)基金資助項(xiàng)目(1508085MF120)

    10.13873/J.1000—9787(2017)06—0134—04

    TP 391

    A

    1000—9787(2017)06—0134—04

    鄭天宇(1992-),男,碩士研究生,研究方向?yàn)闄C(jī)器學(xué)習(xí)與模式識(shí)別,E—mail:780876068@qq.com。

    王 年(1966-),男,教授,博士生導(dǎo)師,主要從事數(shù)字信號(hào)處理工作。

    猜你喜歡
    特征檢測(cè)
    抓住特征巧觀察
    “不等式”檢測(cè)題
    “一元一次不等式”檢測(cè)題
    “一元一次不等式組”檢測(cè)題
    “幾何圖形”檢測(cè)題
    “角”檢測(cè)題
    新型冠狀病毒及其流行病學(xué)特征認(rèn)識(shí)
    如何表達(dá)“特征”
    不忠誠(chéng)的四個(gè)特征
    抓住特征巧觀察
    两个人视频免费观看高清| 麻豆精品久久久久久蜜桃| 男人和女人高潮做爰伦理| 午夜老司机福利剧场| 欧美黑人巨大hd| 久久午夜福利片| 狠狠狠狠99中文字幕| 在线观看免费视频日本深夜| 中出人妻视频一区二区| 美女 人体艺术 gogo| 99热6这里只有精品| 成人鲁丝片一二三区免费| 久久精品国产99精品国产亚洲性色| 日本撒尿小便嘘嘘汇集6| 亚洲人成伊人成综合网2020| 国产精品久久久久久久久免| 欧美高清性xxxxhd video| 亚洲av成人精品一区久久| 看片在线看免费视频| 亚洲成av人片在线播放无| 欧美人与善性xxx| 看黄色毛片网站| 韩国av一区二区三区四区| 成人美女网站在线观看视频| 欧美日韩国产亚洲二区| 免费看光身美女| 成年女人看的毛片在线观看| 亚洲成人精品中文字幕电影| 久久精品国产清高在天天线| 一夜夜www| 午夜激情福利司机影院| 午夜福利成人在线免费观看| 午夜久久久久精精品| 女的被弄到高潮叫床怎么办 | 国产在线男女| 尤物成人国产欧美一区二区三区| 很黄的视频免费| 日韩亚洲欧美综合| 一个人免费在线观看电影| 美女高潮喷水抽搐中文字幕| 国产精品国产三级国产av玫瑰| 亚洲乱码一区二区免费版| 日韩中文字幕欧美一区二区| 在线观看舔阴道视频| 亚洲国产精品合色在线| 国产伦在线观看视频一区| 18+在线观看网站| 日韩国内少妇激情av| 国产乱人伦免费视频| 在线观看免费视频日本深夜| 动漫黄色视频在线观看| 变态另类成人亚洲欧美熟女| 国产老妇女一区| av在线蜜桃| 日韩精品青青久久久久久| 免费av毛片视频| 超碰av人人做人人爽久久| 91久久精品国产一区二区成人| 日本 欧美在线| 亚洲欧美清纯卡通| 午夜福利视频1000在线观看| 久久九九热精品免费| 成年人黄色毛片网站| 国产人妻一区二区三区在| 久久精品国产99精品国产亚洲性色| 亚洲欧美激情综合另类| 久久久久九九精品影院| 国产美女午夜福利| 热99re8久久精品国产| 久久午夜福利片| or卡值多少钱| 亚洲内射少妇av| 久久久久久久久大av| 深夜精品福利| 亚洲熟妇熟女久久| 亚洲av.av天堂| 婷婷六月久久综合丁香| 神马国产精品三级电影在线观看| 国产极品精品免费视频能看的| 国产探花极品一区二区| 日韩精品中文字幕看吧| 国产乱人视频| 村上凉子中文字幕在线| 97人妻精品一区二区三区麻豆| 亚洲成人精品中文字幕电影| 亚洲精品成人久久久久久| 日本 av在线| 久久久成人免费电影| 国产精品三级大全| 69av精品久久久久久| 春色校园在线视频观看| 桃色一区二区三区在线观看| 亚洲人成网站在线播| 国产大屁股一区二区在线视频| 精品99又大又爽又粗少妇毛片 | 午夜日韩欧美国产| netflix在线观看网站| 赤兔流量卡办理| 麻豆一二三区av精品| 欧美最黄视频在线播放免费| 国产综合懂色| 久久精品国产亚洲av天美| 夜夜夜夜夜久久久久| 精品人妻熟女av久视频| 亚洲欧美日韩高清专用| 99国产精品一区二区蜜桃av| 18禁在线播放成人免费| 老师上课跳d突然被开到最大视频| 亚洲天堂国产精品一区在线| 淫妇啪啪啪对白视频| 中文字幕av在线有码专区| 久久精品国产亚洲av涩爱 | 狠狠狠狠99中文字幕| 亚洲精品粉嫩美女一区| 亚洲av免费在线观看| 久久婷婷人人爽人人干人人爱| 久久这里只有精品中国| 亚洲精品成人久久久久久| 免费看a级黄色片| 免费看a级黄色片| 国产精品久久久久久久久免| 亚洲精品影视一区二区三区av| 国模一区二区三区四区视频| 午夜福利在线观看吧| 性插视频无遮挡在线免费观看| 久久久久久久精品吃奶| 性插视频无遮挡在线免费观看| 69av精品久久久久久| 成人无遮挡网站| 男人的好看免费观看在线视频| 亚洲国产色片| 两人在一起打扑克的视频| 国产69精品久久久久777片| 九色国产91popny在线| 搞女人的毛片| 亚洲第一区二区三区不卡| 免费看a级黄色片| 黄片wwwwww| 免费电影在线观看免费观看| 少妇的逼好多水| 日本免费a在线| 少妇猛男粗大的猛烈进出视频 | 国产高清有码在线观看视频| 久久精品综合一区二区三区| 亚洲av熟女| 精品一区二区三区视频在线| 精品人妻熟女av久视频| 韩国av在线不卡| 亚洲成a人片在线一区二区| 两人在一起打扑克的视频| 色视频www国产| 直男gayav资源| 亚洲无线观看免费| 国产精品不卡视频一区二区| 动漫黄色视频在线观看| 深夜a级毛片| 国产成年人精品一区二区| 中文字幕熟女人妻在线| 好男人在线观看高清免费视频| 欧美中文日本在线观看视频| 精品午夜福利视频在线观看一区| 午夜精品一区二区三区免费看| 欧美日韩瑟瑟在线播放| 精品一区二区三区人妻视频| 97人妻精品一区二区三区麻豆| 国产精品一区二区三区四区久久| 国产精品女同一区二区软件 | 免费看光身美女| 国产女主播在线喷水免费视频网站 | 国产精品av视频在线免费观看| 日韩中文字幕欧美一区二区| 人人妻,人人澡人人爽秒播| 免费观看在线日韩| 国产精品av视频在线免费观看| 香蕉av资源在线| 日本爱情动作片www.在线观看 | 99久久无色码亚洲精品果冻| 国产精品一区www在线观看 | 黄片wwwwww| 久久久久久国产a免费观看| 性插视频无遮挡在线免费观看| 成人无遮挡网站| 国产美女午夜福利| 精品午夜福利视频在线观看一区| 大又大粗又爽又黄少妇毛片口| 中文字幕av在线有码专区| 日本熟妇午夜| 12—13女人毛片做爰片一| 亚洲成人中文字幕在线播放| 亚州av有码| 欧美性猛交黑人性爽| 欧美日韩乱码在线| 俺也久久电影网| 欧美色欧美亚洲另类二区| 天堂av国产一区二区熟女人妻| 不卡一级毛片| 欧美日本亚洲视频在线播放| 少妇的逼好多水| 亚洲精品久久国产高清桃花| 啦啦啦啦在线视频资源| 精品国内亚洲2022精品成人| 久久精品国产亚洲av天美| 成人性生交大片免费视频hd| 亚洲成人久久爱视频| 精品日产1卡2卡| 国产 一区 欧美 日韩| 日日夜夜操网爽| 不卡视频在线观看欧美| 国产视频一区二区在线看| 成人国产一区最新在线观看| 色噜噜av男人的天堂激情| 久久精品国产清高在天天线| 国产高清视频在线观看网站| 成人特级av手机在线观看| 嫩草影院新地址| www.www免费av| 非洲黑人性xxxx精品又粗又长| 特大巨黑吊av在线直播| 久久久精品大字幕| 国产激情偷乱视频一区二区| 欧美激情国产日韩精品一区| 国产久久久一区二区三区| 日本三级黄在线观看| 特大巨黑吊av在线直播| 男女那种视频在线观看| 久久精品国产亚洲av涩爱 | 男女边吃奶边做爰视频| 欧美成人一区二区免费高清观看| 亚洲人成伊人成综合网2020| 黄色欧美视频在线观看| h日本视频在线播放| 日日啪夜夜撸| 久久精品国产清高在天天线| 琪琪午夜伦伦电影理论片6080| 少妇猛男粗大的猛烈进出视频 | 特大巨黑吊av在线直播| 中文字幕av在线有码专区| 亚洲电影在线观看av| 国内揄拍国产精品人妻在线| 88av欧美| 日本免费a在线| 日本撒尿小便嘘嘘汇集6| 亚洲欧美日韩高清在线视频| 免费av不卡在线播放| 一级a爱片免费观看的视频| 久久久久久久午夜电影| 给我免费播放毛片高清在线观看| 成年免费大片在线观看| 国产 一区 欧美 日韩| 亚洲人成网站在线播放欧美日韩| 精品人妻1区二区| 久久精品国产亚洲av香蕉五月| 免费看美女性在线毛片视频| 午夜精品久久久久久毛片777| 久久久久久久久久久丰满 | 一级黄色大片毛片| 日韩一本色道免费dvd| 欧美bdsm另类| 有码 亚洲区| 欧美成人性av电影在线观看| 成年人黄色毛片网站| 中出人妻视频一区二区| 免费在线观看日本一区| 成人高潮视频无遮挡免费网站| 悠悠久久av| 搡女人真爽免费视频火全软件 | 免费观看在线日韩| 国产一区二区三区av在线 | 精品久久久久久久久久久久久| 国产伦一二天堂av在线观看| 国内少妇人妻偷人精品xxx网站| 五月伊人婷婷丁香| 校园人妻丝袜中文字幕| 毛片女人毛片| 韩国av在线不卡| 国产又黄又爽又无遮挡在线| 天堂av国产一区二区熟女人妻| 亚洲性久久影院| 12—13女人毛片做爰片一| 亚洲av免费在线观看| 免费观看的影片在线观看| 亚洲人成网站在线播| 国产伦在线观看视频一区| 国产精品久久久久久久电影| 亚洲精品成人久久久久久| 亚洲av日韩精品久久久久久密| 欧美色视频一区免费| 国产 一区 欧美 日韩| 白带黄色成豆腐渣| 日韩一本色道免费dvd| 精华霜和精华液先用哪个| 久久精品影院6| 亚洲va在线va天堂va国产| 日本黄色片子视频| 国产精品一区二区免费欧美| 久久久久久久久久成人| 成人av一区二区三区在线看| 国产精品一及| 免费大片18禁| 乱系列少妇在线播放| 国产色爽女视频免费观看| 日本熟妇午夜| av天堂在线播放| 国产亚洲91精品色在线| 一区二区三区免费毛片| 性色avwww在线观看| 精品一区二区三区视频在线| 听说在线观看完整版免费高清| 亚洲欧美日韩卡通动漫| 久9热在线精品视频| 国产精品一区二区免费欧美| 变态另类成人亚洲欧美熟女| 国产男靠女视频免费网站| 国产精品一区二区三区四区久久| 女人十人毛片免费观看3o分钟| 99热6这里只有精品| 九色国产91popny在线| 国内精品一区二区在线观看| 精品一区二区三区人妻视频| 97人妻精品一区二区三区麻豆| 亚洲av日韩精品久久久久久密| 亚洲精品久久国产高清桃花| 老司机福利观看| 国产精品野战在线观看| 久久精品91蜜桃| 国产精品,欧美在线| 好男人在线观看高清免费视频| 99热这里只有是精品50| 女同久久另类99精品国产91| 色吧在线观看| 春色校园在线视频观看| 中文字幕人妻熟人妻熟丝袜美| 精品福利观看| 久久精品国产清高在天天线| 毛片一级片免费看久久久久 | 午夜精品一区二区三区免费看| 久久香蕉精品热| 黄色女人牲交| 欧美成人a在线观看| 久久精品国产亚洲av天美| 成人国产综合亚洲| avwww免费| 国产黄色小视频在线观看| 99久国产av精品| 国产精品99久久久久久久久| 波多野结衣高清无吗| 日韩强制内射视频| 久久亚洲精品不卡| videossex国产| 男女那种视频在线观看| 日本黄色视频三级网站网址| 香蕉av资源在线| 能在线免费观看的黄片| 精品久久久噜噜| av天堂中文字幕网| eeuss影院久久| 亚洲av熟女| 日本三级黄在线观看| 一级黄色大片毛片| 一进一出好大好爽视频| 亚洲精品影视一区二区三区av| 亚洲美女搞黄在线观看 | 日日摸夜夜添夜夜添av毛片 | 日韩 亚洲 欧美在线| 中文字幕高清在线视频| 18禁黄网站禁片免费观看直播| 男女之事视频高清在线观看| 成熟少妇高潮喷水视频| 夜夜看夜夜爽夜夜摸| a级毛片免费高清观看在线播放| 日韩 亚洲 欧美在线| 免费av观看视频| 久久99热这里只有精品18| 久久九九热精品免费| 赤兔流量卡办理| 亚洲国产精品sss在线观看| 一区二区三区免费毛片| 亚洲欧美日韩高清在线视频| 亚洲真实伦在线观看| 在线观看午夜福利视频| 午夜免费男女啪啪视频观看 | 久久国产乱子免费精品| 最近在线观看免费完整版| 色综合色国产| 亚洲国产欧美人成| 欧美丝袜亚洲另类 | 免费高清视频大片| 99热这里只有是精品在线观看| 免费无遮挡裸体视频| 国产精品一区二区三区四区久久| 国产精品美女特级片免费视频播放器| 国产成人一区二区在线| 搡女人真爽免费视频火全软件 | 亚洲综合色惰| 亚洲av免费高清在线观看| 赤兔流量卡办理| 3wmmmm亚洲av在线观看| 亚洲av免费高清在线观看| 亚洲国产日韩欧美精品在线观看| 婷婷六月久久综合丁香| 真人一进一出gif抽搐免费| 色5月婷婷丁香| 亚洲自偷自拍三级| 精品无人区乱码1区二区| 99久久九九国产精品国产免费| 长腿黑丝高跟| 中出人妻视频一区二区| 国产午夜福利久久久久久| 色哟哟·www| 欧美日韩亚洲国产一区二区在线观看| 在线观看免费视频日本深夜| 免费高清视频大片| 18禁裸乳无遮挡免费网站照片| 国产 一区 欧美 日韩| 国产女主播在线喷水免费视频网站 | 天美传媒精品一区二区| av黄色大香蕉| 日韩人妻高清精品专区| 国模一区二区三区四区视频| 人妻丰满熟妇av一区二区三区| 日韩欧美精品v在线| 桃红色精品国产亚洲av| 欧美高清成人免费视频www| 久久精品国产自在天天线| 国产成人影院久久av| 日日摸夜夜添夜夜添av毛片 | 午夜激情福利司机影院| 国产白丝娇喘喷水9色精品| 国产欧美日韩精品亚洲av| 久久久国产成人精品二区| 夜夜看夜夜爽夜夜摸| 乱人视频在线观看| av黄色大香蕉| av黄色大香蕉| 免费看a级黄色片| 亚洲欧美日韩高清专用| 黄色一级大片看看| 国产一区二区三区在线臀色熟女| 欧美高清性xxxxhd video| 大型黄色视频在线免费观看| 欧美成人性av电影在线观看| 国产精品电影一区二区三区| 美女大奶头视频| 好男人在线观看高清免费视频| 日韩,欧美,国产一区二区三区 | 国产私拍福利视频在线观看| 国产69精品久久久久777片| 国产亚洲精品久久久久久毛片| av在线天堂中文字幕| 国产爱豆传媒在线观看| 丰满的人妻完整版| 国产中年淑女户外野战色| av.在线天堂| 在线观看美女被高潮喷水网站| 国产综合懂色| av在线观看视频网站免费| 国产精品久久视频播放| 免费一级毛片在线播放高清视频| 日本 av在线| 亚洲人成伊人成综合网2020| 悠悠久久av| 亚洲av免费高清在线观看| 亚洲性久久影院| 国产精品,欧美在线| 夜夜夜夜夜久久久久| 在线a可以看的网站| 狂野欧美激情性xxxx在线观看| 人妻久久中文字幕网| 成人av一区二区三区在线看| 日本a在线网址| 成人美女网站在线观看视频| 少妇人妻一区二区三区视频| 嫁个100分男人电影在线观看| 成人精品一区二区免费| 一区福利在线观看| 很黄的视频免费| 在线观看av片永久免费下载| 日本一二三区视频观看| 国产白丝娇喘喷水9色精品| 99九九线精品视频在线观看视频| 又爽又黄a免费视频| 亚洲精品在线观看二区| 18禁裸乳无遮挡免费网站照片| 在线观看舔阴道视频| 高清日韩中文字幕在线| 国产69精品久久久久777片| 人妻夜夜爽99麻豆av| videossex国产| 亚洲va日本ⅴa欧美va伊人久久| 99在线人妻在线中文字幕| 观看免费一级毛片| 18禁黄网站禁片免费观看直播| 国产成人av教育| 国产高潮美女av| 18禁裸乳无遮挡免费网站照片| 免费看光身美女| 99九九线精品视频在线观看视频| 成人精品一区二区免费| 长腿黑丝高跟| av在线老鸭窝| 国产蜜桃级精品一区二区三区| aaaaa片日本免费| 999久久久精品免费观看国产| 狠狠狠狠99中文字幕| 18+在线观看网站| 精品久久久久久久久av| 国产在视频线在精品| 日韩中字成人| 无人区码免费观看不卡| 国产老妇女一区| 欧美性感艳星| 国产探花在线观看一区二区| 最新中文字幕久久久久| 热99re8久久精品国产| 免费观看在线日韩| 日本一二三区视频观看| 身体一侧抽搐| 国产精华一区二区三区| 在线a可以看的网站| 国产精品久久久久久av不卡| 不卡视频在线观看欧美| 偷拍熟女少妇极品色| 午夜免费男女啪啪视频观看 | 在线观看一区二区三区| 老司机午夜福利在线观看视频| 亚洲精品一区av在线观看| 中文字幕精品亚洲无线码一区| 麻豆久久精品国产亚洲av| 午夜福利视频1000在线观看| 少妇高潮的动态图| 美女xxoo啪啪120秒动态图| 久久久精品大字幕| 一进一出好大好爽视频| 尤物成人国产欧美一区二区三区| 亚洲成人中文字幕在线播放| xxxwww97欧美| 午夜福利在线在线| 三级毛片av免费| 大型黄色视频在线免费观看| 久9热在线精品视频| 国产精品一区二区性色av| 99riav亚洲国产免费| 黄色日韩在线| 天天躁日日操中文字幕| 亚洲av五月六月丁香网| 91久久精品国产一区二区成人| 国产黄片美女视频| 最近中文字幕高清免费大全6 | 国产一级毛片七仙女欲春2| 免费观看人在逋| netflix在线观看网站| 亚洲性夜色夜夜综合| 大又大粗又爽又黄少妇毛片口| 免费av毛片视频| 亚洲精品乱码久久久v下载方式| 久久国产乱子免费精品| 国产日本99.免费观看| 国产精品一区二区性色av| 禁无遮挡网站| 日本黄色视频三级网站网址| videossex国产| 免费无遮挡裸体视频| 日本免费a在线| av在线亚洲专区| 国产精品自产拍在线观看55亚洲| 国产激情偷乱视频一区二区| 国产精品日韩av在线免费观看| 精品国内亚洲2022精品成人| 床上黄色一级片| 啦啦啦韩国在线观看视频| 精品午夜福利在线看| 亚洲人成网站高清观看| 精品乱码久久久久久99久播| 亚洲图色成人| 热99在线观看视频| 色av中文字幕| 久久精品国产自在天天线| 精品午夜福利视频在线观看一区| 亚洲欧美日韩无卡精品| 成人鲁丝片一二三区免费| 国产精品福利在线免费观看| 日本撒尿小便嘘嘘汇集6| 国产精品久久久久久亚洲av鲁大| 欧美xxxx性猛交bbbb| 久久精品人妻少妇| 美女 人体艺术 gogo| 成人国产一区最新在线观看| 一进一出抽搐动态| 久久人人精品亚洲av| 成人鲁丝片一二三区免费| 亚洲自拍偷在线| 如何舔出高潮| 国产主播在线观看一区二区| 色尼玛亚洲综合影院| 亚洲综合色惰| av在线老鸭窝| АⅤ资源中文在线天堂| 免费一级毛片在线播放高清视频| 国国产精品蜜臀av免费| 免费一级毛片在线播放高清视频| 女生性感内裤真人,穿戴方法视频| av专区在线播放| 亚洲最大成人av| 久久久久久久久久成人| 嫩草影院新地址| 老熟妇乱子伦视频在线观看| 性插视频无遮挡在线免费观看| av天堂中文字幕网| 俺也久久电影网| 身体一侧抽搐| 三级毛片av免费| 欧美日本亚洲视频在线播放| 久久草成人影院| 婷婷六月久久综合丁香| 老女人水多毛片|