• <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 ?

    基于協(xié)方差矩陣的壓縮感知跟蹤算法

    2017-06-20 08:56:02黃慶俊何儒漢
    軟件導(dǎo)刊 2017年4期
    關(guān)鍵詞:重合協(xié)方差底層

    黃慶俊+何儒漢

    摘要:壓縮感知是信號處理領(lǐng)域的新理論,用于目標(biāo)跟蹤算法時可在大量底層特征中提取出少量重要信息,減少計算量,提高算法速度。傳統(tǒng)的基于壓縮感知的跟蹤算法,為了保證算法速度,對壓縮后的特征簡單建模,準(zhǔn)確性還有待提高。提出一種基于協(xié)方差矩陣的壓縮感知跟蹤算法,先利用壓縮感知原理獲取壓縮后的Haar特征,再利用協(xié)方差矩陣融合Haar特征區(qū)域內(nèi)的底層多維特征,以此構(gòu)建目標(biāo)模型,并通過搜索當(dāng)前目標(biāo)區(qū)域的鄰域,利用流形空間上的距離度量算法匹配最佳目標(biāo),從而提高算法準(zhǔn)確性。關(guān)鍵詞:壓縮感知;特征融合;協(xié)方差矩陣;Haar特征;LogEuclidean黎曼測度DOI:10.11907/rjdk.162874 中圖分類號: TP312 文獻標(biāo)識碼: A 文章編號: 16727800(2017)004003104

    0引言 壓縮感知(Compressive Sensing,CS)理論是信號處理領(lǐng)域最近幾年才提出的新理論[13]。信號處理包括4個基本過程:采樣、壓縮、傳輸以及恢復(fù)。壓縮感知理論將采樣與壓縮過程結(jié)合在一起,在采樣過程中對信號進行壓縮,可以低于香農(nóng)定理的頻率獲取采樣數(shù)據(jù),簡化信號處理過程,因而得到了信號處理領(lǐng)域的廣泛關(guān)注。同時,該理論在應(yīng)用科學(xué)的諸多領(lǐng)域,如統(tǒng)計學(xué)、信息學(xué)、編碼領(lǐng)域等也有著相當(dāng)重要的應(yīng)用,推動了這些領(lǐng)域的基礎(chǔ)研究發(fā)展。 目標(biāo)跟蹤是計算機視覺等熱點研究領(lǐng)域的核心課題之一[47],其主要過程可分為目標(biāo)建模和目標(biāo)匹配。使用大量底層特征建模目標(biāo)可以使匹配結(jié)果更準(zhǔn)確,但會犧牲算法效率。壓縮感知理論在信號采集過程中提出的新方法為目標(biāo)跟蹤領(lǐng)域帶來了啟發(fā)。Zhang等[8]在基于CS理論的實時跟蹤系統(tǒng)研究,使用壓縮感知理論對高維原始特征集降維,減少底層特征計算量,從而提高算法速度。另外,在目標(biāo)跟蹤領(lǐng)域,基于協(xié)方差矩陣的跟蹤算法獲得了廣泛研究[1016]。協(xié)方差矩陣可以融合多種底層特征,同時保持低維特性,從而減輕了目標(biāo)匹配過程的計算復(fù)雜度,保持了算法效率與魯棒性之間的平衡。 傳統(tǒng)的基于壓縮感知的跟蹤算法(Compress Sensing Tracking,CT)利用壓縮感知理論對原始數(shù)據(jù)中大量的Haar特征采樣壓縮,得到壓縮后的特征。隨后簡單計算Haar特征的區(qū)域積分作為特征值,以保證算法具有較快的處理速度。最后通過構(gòu)造多組貝葉斯分類器來提高跟蹤結(jié)果的準(zhǔn)確性。由于特征模型較為簡單,算法面對復(fù)雜場景如光照、干擾等狀況不能保持較好的魯棒性。基于此,提出一種基于協(xié)方差矩陣的壓縮感知跟蹤算法。使用協(xié)方差矩陣對壓縮后的Haar特征進行進一步處理,強化目標(biāo)模型的表征能力,從而提高傳統(tǒng)壓縮感知跟蹤算法的準(zhǔn)確度。1基于協(xié)方差矩陣的壓縮感知跟蹤算法原理及實現(xiàn)在CT基礎(chǔ)上,使用協(xié)方差矩陣描述算子融合多種底層點特征構(gòu)造基本特征模型,改善算法適應(yīng)能力,基本過程如下: ①應(yīng)用協(xié)方差矩陣構(gòu)造壓縮后的特征模型;②對搜索區(qū)域的待定目標(biāo)計算相應(yīng)的匹配模型;③根據(jù)匹配模型選擇合適的相似度算法,以決定最優(yōu)的待定目標(biāo);④更新特征模型,轉(zhuǎn)②繼續(xù)跟蹤或者結(jié)束算法。1.1壓縮特征提取 Haar特征是計算機視覺等領(lǐng)域中常用的特征描述方法,若直接使用Haar特征來構(gòu)建特征模型,則對于一個20*20的目標(biāo)區(qū)域,可選的特征矩形將超過80 000個。盡管計算簡單,但由于數(shù)量較大,使得最終仍需要較多計算時間。因此,結(jié)合壓縮感知理論構(gòu)造特定的壓縮矩陣,當(dāng)選擇合適的觀測矩陣后,可以減少大量不必要的計算量,同時保留必要的Haar特征。 假設(shè)X={X1,X2…XN}表示目標(biāo)區(qū)域內(nèi)所有的Haar特征,V={V1,V2…VM}為降維后的特征,N>>M。壓縮過程為V=RX。 采用傳統(tǒng)壓縮感知跟蹤算法[8]中使用的隨機測量矩陣:rij=〖JB({〗1 概率1/s0 概率1-1/s在公式(1)中,當(dāng)s取值為2或3時,所構(gòu)造出的測量矩陣滿足Johnson-Lindenstrauss推論。最后得到的矩陣會非常稀疏,很方便進行后續(xù)處理。算法中,s取值為m/4,最終的低維觀測值中不超過3個非零值,即用不超過3個矩形區(qū)域的組合(稱為Haarlike特征)對目標(biāo)區(qū)域建模,從而大大減輕了計算量。1.2協(xié)方差矩陣特征計算傳統(tǒng)的壓縮感知跟蹤算法在獲取壓縮后的矩形特征后,對矩形區(qū)域內(nèi)的單一點特征取積分值,以此構(gòu)建目標(biāo)模型。該處理可以使算法具有很高的速度,但魯棒性不夠優(yōu)秀。為提高魯棒性,使用協(xié)方差矩陣進一步處理壓縮后的區(qū)域特征,融合區(qū)域內(nèi)的多種點特征,同時保持較低維度。選定Haar特征組合即Haarlike特征后,可以得到2~3個矩形特征區(qū)域。對每一個矩形區(qū)域,提取區(qū)域內(nèi)的點特征(坐標(biāo)、顏色分類、梯度等),建立相應(yīng)的協(xié)方差矩陣模型。設(shè)I為視頻序列的某一幀圖像,R是待定目標(biāo)區(qū)域,F(xiàn)是對當(dāng)前目標(biāo)區(qū)域的建模,F(xiàn)(x,y)=(I,x,y),即F是對當(dāng)前圖像上目標(biāo)區(qū)域內(nèi)所有像素的某種變換,表示區(qū)域中所有像素的d維底層特征向量,C表示計算的d×d的協(xié)方差矩陣,即:其中,μ表示區(qū)域內(nèi)底層特征的均值向量,根據(jù)該公式可以得到區(qū)域R上的協(xié)方差矩陣。該協(xié)方差矩陣融合了d維的底層特征,底層特征可以任意選擇每個像素點的位置、梯度、顏色以及其它點特征。協(xié)方差矩陣中的每一個分量都表示相應(yīng)的兩個底層特征之間的關(guān)聯(lián)信息。實際過程中,通過公式(2)計算協(xié)方差矩陣的過程往往過于繁瑣,計算速度相對較慢,文獻[4]提出的一種基于整體圖像的積分圖快速計算方法可以提高運算速度。同時考慮到目標(biāo)運動過程中的時空連續(xù)性,在計算積分過程中只需對局部區(qū)域進行計算,從而進一步提高計算速度。

    1.3目標(biāo)匹配方法 在傳統(tǒng)的壓縮感知跟蹤算法中,取得目標(biāo)模型后,在目標(biāo)區(qū)域周圍采樣構(gòu)造貝葉斯分類器,利用分類器對待定目標(biāo)進行匹配識別。盡管需要多次采樣計算,但由于目標(biāo)模型相對簡單,總計算量并不大。當(dāng)選擇使用協(xié)方差矩陣來構(gòu)造目標(biāo)模型時,由于協(xié)方差矩陣本身計算量較大,采樣后的總計算量過于龐大,即使能完成跟蹤任務(wù),算法已不具有實際應(yīng)用意義。因此,有必要選擇其它方法來匹配目標(biāo)。由于協(xié)方差矩陣模型已經(jīng)融合了多種底層特征,因此可以簡單地通過計算目標(biāo)模型之間的距離來判斷相似度。協(xié)方差矩陣是個正定矩陣,歐式空間中的相關(guān)算法并不適用于協(xié)方差矩陣,可以采用黎曼流形領(lǐng)域中的距離測度方法計算協(xié)方差矩陣之間的距離。文獻[17]中的log-Euclidean度量方法計算量相對較少,計算速度相對較快,因此本文采用該方法。首先對正定矩陣X進行奇異值分解,得到X=U*S*UT,隨后對X進行l(wèi)og運算,可以得到:對每個待定目標(biāo),計算目標(biāo)的Haarlike特征的協(xié)方差矩陣值,應(yīng)用流形距離度量算法,計算目標(biāo)Haarlike特征的協(xié)方差矩陣與當(dāng)前目標(biāo)Haarlike特征的協(xié)方差矩陣之間的流形距離。在Haarlike特征中選擇2~3個矩形特征,最后會得到2~3個協(xié)方差矩陣距離。將這些距離值累加,最終可以得到待定目標(biāo)與當(dāng)前目標(biāo)之間的相似度關(guān)系。最后選擇最接近的待定目標(biāo)作為最終結(jié)果。在傳統(tǒng)的壓縮感知跟蹤算法中,通過使用多種壓縮后的HaarLike特征構(gòu)造分類模型,利用多個分類模型同時對待定目標(biāo)進行分類,以提高識別準(zhǔn)確性。本文中同樣采用多個Haarlike特征,分別計算對應(yīng)特征下的流形空間距離,將多個距離累加,得到最終的待定目標(biāo)相似度,并以此選擇最優(yōu)目標(biāo)作為跟蹤結(jié)果。〖JP+2〗考慮到在實際應(yīng)用場景中,并不是所有特征都對跟蹤具有正反饋效果,如某些特征可以很好地匹配人物的正面姿態(tài),而某些特征則對側(cè)面姿態(tài)具有更好的識別能力。因此,可以在跟蹤過程中為不同特征賦予不同權(quán)重,以更好地適應(yīng)人物當(dāng)前的狀態(tài)變化。特征權(quán)重調(diào)整過程如下:〖JP〗(1)初始化M個Haarlike特征,每個特征的權(quán)值均為1/M。(2)在T幀時,計算當(dāng)前目標(biāo)Haarlike特征的協(xié)方差矩陣模型。(3)對搜索窗的每一個待定目標(biāo)計算相應(yīng)的M個Haarlike特征的協(xié)方差矩陣模型。(4)for i=1:M 計算待定目標(biāo)與當(dāng)前目標(biāo)的第i個Haarlike特征協(xié)方差矩陣之間的流形距離 若距離超過閾值,則其它M-1個Haarlike特征的權(quán)值增加1/M end(5)歸一化權(quán)重,計算加權(quán)距離值,取距離最近的待定目標(biāo)作為最終目標(biāo)。同時以當(dāng)前權(quán)值作為當(dāng)前M個Haarlike特征的權(quán)重。最后整個算法的主要流程如圖1所示。1.4 協(xié)方差矩陣特征模型更新假設(shè)當(dāng)前已有前T幀視頻序列的目標(biāo)模型,需要獲取下一幀所需要的目標(biāo)模型。最直觀的想法是使用已有目標(biāo)模型的均值作為新的目標(biāo)模型,由于協(xié)方差矩陣事實上是黎曼流形中的一點,因此可以使用黎曼流形中相應(yīng)的均值計算方法。Li等[17]提出了一種基于log-Euclidean黎曼測度的均值算法。該算法只需經(jīng)過基于矩陣的對數(shù)和指數(shù)運算即可得到協(xié)方差矩陣均值。相比于其它方法,該算法計算量少,計算速度快。其公式如下:

    1.5基于協(xié)方差矩陣的壓縮感知跟蹤算法實現(xiàn)

    (1)應(yīng)用協(xié)方差矩陣構(gòu)造壓縮后的基本特征模型。在利用CS理論選擇2~3個隨機矩形作為特征后,計算相應(yīng)矩形區(qū)域的協(xié)方差矩陣;計算協(xié)方差矩陣時,選擇每個像素的位置、梯度和顏色值來構(gòu)造7*7的CM;重復(fù)操作以得到多個壓縮后的特征模型。本文選擇重復(fù)100次。 (2)計算多組Haarlike特征的協(xié)方差矩陣特征值。 (3)檢索目標(biāo),確認最優(yōu)結(jié)果。對每一個待定目標(biāo),計算相應(yīng)Haarlike特征的協(xié)方差矩陣值,根據(jù)流形距離度量算法計算多個流形距離,應(yīng)用加權(quán)距離算法計算待定目標(biāo)距離,最終確定最優(yōu)目標(biāo)。 (4)若需要繼續(xù)跟蹤,則返回(2);否則,算法結(jié)束。

    2實驗 對比算法包括傳統(tǒng)的壓縮感知算法(CT)、基于局部搜索的協(xié)方差矩陣跟蹤算法(COV)和基于全局搜索的協(xié)方差矩陣跟蹤算法(GLOCOV)以及本文算法(WCTCOV),使用trackerbenchmark平臺的標(biāo)準(zhǔn)視頻幀序列basketball進行實驗。 實驗中,CT算法在首次發(fā)生干擾后丟失目標(biāo),且隨后不能自動找回;由于全局范圍內(nèi)干擾,GLOCOV多次丟失目標(biāo),但可以將其自動找回;COV算法則僅在局部搜索目標(biāo),跟蹤穩(wěn)定,準(zhǔn)確性不高;本文算法保持穩(wěn)定,且效果更好。實驗過程如圖2所示(彩圖見封三),青色為人工標(biāo)定的結(jié)果,紅色為本文算法結(jié)果,綠色為CT跟蹤結(jié)果,藍色為COV跟蹤結(jié)果,黑色為GLOCOV跟蹤結(jié)果。 圖3所示(彩圖見封三)為每一幀的目標(biāo)與人工標(biāo)定目標(biāo)的重合率。如圖所示,CT重合度很快下降,丟失目標(biāo),隨后跟蹤失??;WCTCOV算法始終保持較高的重合度,具有較好的魯棒性;COV與GLOCOV由于僅有搜索區(qū)域的差別,兩者在局部有相同的匹配結(jié)果,即圖中兩者多次重合;GLOCOV在全局搜索目標(biāo),當(dāng)干擾較多時,會匹配錯誤結(jié)果丟失目標(biāo),但可以快速將其找回。 表1所示為4種算法的有效目標(biāo)占比,以及有效目標(biāo)的平均重合率。其中有效目標(biāo)占比表示與標(biāo)定目標(biāo)有重合的幀數(shù)與視頻序列長度的比值。重合率表示重合區(qū)域占標(biāo)定目標(biāo)的百分比范圍。有效目標(biāo)占比可以直觀地說明算法跟蹤對目標(biāo)的識別能力,顯然,應(yīng)用協(xié)方差矩陣后,算法可以更多地識別到目標(biāo)。重合率可以說明算法跟蹤結(jié)果是否足夠準(zhǔn)確,顯然重合率高的更為準(zhǔn)確。因此,本文算法對目標(biāo)識別的準(zhǔn)確度同樣相對較高。 通過實驗可以得出結(jié)論,相較于原始的壓縮感知算法,使用協(xié)方差矩陣后,算法對于干擾、目標(biāo)快速運動等狀況有了更強的適應(yīng)能力,可以更多、更準(zhǔn)確地檢索到目標(biāo)。盡管如此,在實驗中當(dāng)干擾超過一定限度后,本文算法同樣會丟失目標(biāo)。當(dāng)前算法通過在上一幀目標(biāo)周圍的局部范圍內(nèi)搜索目標(biāo),以提高算法搜索速度,當(dāng)目標(biāo)超過該局部范圍時,算法并不能正確地尋找到目標(biāo)。因此,當(dāng)遮擋出現(xiàn)時,目標(biāo)丟失。在后續(xù)工作中,可以在目標(biāo)丟失時適當(dāng)增加搜索范圍,從而在一定程度上提高算法魯棒性。

    參考文獻:[1]DO T T,GAN L,NGUYEN N,et al.Sparsity adaptive matching pursuit algorithm for practical compressed sensing[C].Asilomar Conference on Signals,Systems and Computers,2008:581587.

    [2]BARANIUK R,DAVENPORT M,DEVORE R,et al.A simple proof of the restricted isometry property for random matrices[J].Constructive Approximation,2008,28(3):253263.

    [3]EMMANUEL C,LAURENT D,DAVID D,et al.Fast discrete curvelet transforms[J].Multiscale Modeling & Simulation,2006,5(3):861899.

    [4]YILMAZ A,JAVED O,SHAH M.Object tracking: a survey[J].Acm Computing Surveys,2006,38(4):8193.

    [5]侯志強,韓崇昭.視覺跟蹤技術(shù)綜述[J].Acta Automatica Sinica,2006,32(4):603617.

    [6]K CANNONS.A review of visual tracking[R].Technical Report.Computer Science and Engineering,York University,2008.

    [7]YANG H,SHAO L,ZHENG F,et al.Recent advances and trends in visual tracking: a review[J].Neurocomputing,2011,74(18):38233831.

    [8]ZHANG K,ZHANG L,YANG M H.Realtime compressive tracking[C].Computer Vision,2012:864877.

    [9]TUZEL O,PORIKLI F,MEER P.Region covariance: a fast descriptor for detection and classification[C].Computer VisionECCV 2006,European Conference on Computer Vision,Graz,Austria,2006:589600.〖ZK)〗[10]〖ZK(#〗GUO Q,WU C,F(xiàn)ENG Y,et al.Conjugate gradient algorithm for efficient covariance tracking with JensenBregman LogDet metric[J].Computer Vision Iet,2015,9(6):814820.

    [11]WANG D,LI L,LIU W,et al.Bayesian covariance tracking with adaptive feature selection[M].Advances in Neural Networks – ISNN 2014,2014:516523.

    [12]XIE Y H,WU C D.Covariance tracking algorithm on bilateral filtering under lie group structure[J].Applied Mechanics & Materials,2014 (6):682686.

    [13]ROMERO A,LACASSAGNE L,GOUIFFS M,et al.Covariance tracking: architecture optimizations for embedded systems[J].EURASIP Journal on Advances in Signal Processing,2014(1):115.

    [14]顧鑫,王華,李喆,等.基于積分協(xié)方差矩陣的粒子濾波目標(biāo)跟蹤[J].激光與紅外,2014(12):13841386.

    [15]謝英紅,吳成東.基于投影群和協(xié)方差流形雙重建模的目標(biāo)跟蹤[J].儀器儀表學(xué)報,2014,35(2):374379.

    [16]蘆鴻雁,趙方舟.基于協(xié)方差描述子的紅外目標(biāo)粒子濾波跟蹤算法[J].微電子學(xué)與計算機,2013,30(4):7174.

    [17]LI X,HU W,ZHANG Z,et al.Visual tracking via incremental logeuclidean riemannian subspace learning[C].Proc of IEEE Conference on Computer Version and Pattern Recognition,2008:18(責(zé)任編輯:黃?。?/p>

    Abstract:Compressed sensing is a new theory in the signal processing.It can extract the important features from lots of lowlevel features when it is used for object tracking.Traditional tracking algorithm based on compressed sensing used a simple target model to keep the speed.To improve its accuracy,a compressed sensing tracking algorithm based on covariance matrix has been proposed.First,Haar features are compressed.by compressed sensing.Second,based on covariance matrix,a new target model with more lowlevel features is obtained.Then,the neighborhood of the current target is searched and the best target is matched using the manifold distance measure.Finally,the proposed algorithm gets a better accuracy.Key Words:Compressed Sensing; Feature Fusion; Covariance Matrix; Haar Feature; LogEuclidean Riemann Measure

    猜你喜歡
    重合協(xié)方差底層
    2種SOFC-MGT底層循環(huán)系統(tǒng)性能對比分析
    論新感覺派小說的底層書寫
    名作欣賞(2021年24期)2021-08-30 07:02:32
    電力系統(tǒng)單回線自適應(yīng)重合閘的研究
    電子制作(2017年10期)2017-04-18 07:23:07
    不確定系統(tǒng)改進的魯棒協(xié)方差交叉融合穩(wěn)態(tài)Kalman預(yù)報器
    一種基于廣義協(xié)方差矩陣的欠定盲辨識方法
    考慮暫態(tài)穩(wěn)定優(yōu)化的自適應(yīng)重合閘方法
    回到現(xiàn)實底層與悲憫情懷
    小說林(2014年5期)2014-02-28 19:51:47
    220kV線路重合閘運行分析
    縱向數(shù)據(jù)分析中使用滑動平均Cholesky分解對回歸均值和協(xié)方差矩陣進行同時半?yún)?shù)建模
    關(guān)于協(xié)方差的U統(tǒng)計量檢驗法
    午夜激情欧美在线| 精品不卡国产一区二区三区| 三级国产精品欧美在线观看| 变态另类成人亚洲欧美熟女| 午夜a级毛片| 免费大片18禁| 俺也久久电影网| 高清毛片免费看| 日本一本二区三区精品| 亚洲成av人片在线播放无| 两个人的视频大全免费| 九色成人免费人妻av| 中国美女看黄片| 人妻久久中文字幕网| 欧美+日韩+精品| 变态另类成人亚洲欧美熟女| 日韩欧美三级三区| 国产黄色小视频在线观看| 美女 人体艺术 gogo| 亚洲国产精品久久男人天堂| 日韩精品中文字幕看吧| 午夜福利高清视频| 久久久久久大精品| 热99re8久久精品国产| 免费观看精品视频网站| 91久久精品电影网| a级毛片免费高清观看在线播放| 给我免费播放毛片高清在线观看| 亚洲欧美日韩高清在线视频| 91久久精品电影网| 久久久久久久午夜电影| av视频在线观看入口| 久久精品国产99精品国产亚洲性色| 精品久久久久久久人妻蜜臀av| av在线蜜桃| 亚洲熟妇中文字幕五十中出| 麻豆成人午夜福利视频| 亚洲人成网站在线观看播放| 2021天堂中文幕一二区在线观| 国产黄a三级三级三级人| 亚洲欧美日韩高清专用| 麻豆一二三区av精品| 久久热精品热| av在线天堂中文字幕| 一级黄片播放器| 亚洲人成网站在线观看播放| 精华霜和精华液先用哪个| 国产黄色小视频在线观看| 欧美中文日本在线观看视频| 熟妇人妻久久中文字幕3abv| 一a级毛片在线观看| 女人十人毛片免费观看3o分钟| 欧美中文日本在线观看视频| 国产高清不卡午夜福利| 国产高清视频在线观看网站| 麻豆国产av国片精品| 日本一本二区三区精品| 国产精品一区二区性色av| 天堂动漫精品| 久久人人爽人人片av| 人人妻人人看人人澡| 97碰自拍视频| 男女之事视频高清在线观看| 一级av片app| 国产探花极品一区二区| 久久精品夜夜夜夜夜久久蜜豆| 亚洲av一区综合| 久久精品国产99精品国产亚洲性色| 久久精品国产亚洲av涩爱 | 日韩av不卡免费在线播放| 国产一区二区在线av高清观看| 在线免费十八禁| 精品国内亚洲2022精品成人| 免费看a级黄色片| 18禁在线播放成人免费| 成年av动漫网址| 两性午夜刺激爽爽歪歪视频在线观看| 久久婷婷人人爽人人干人人爱| 淫秽高清视频在线观看| 午夜福利成人在线免费观看| 国产精品乱码一区二三区的特点| 最新中文字幕久久久久| 一本久久中文字幕| 亚洲人成网站在线观看播放| 久久国产乱子免费精品| 午夜福利在线观看吧| 亚洲天堂国产精品一区在线| 免费在线观看影片大全网站| 美女xxoo啪啪120秒动态图| 成年免费大片在线观看| 亚洲欧美日韩东京热| 少妇被粗大猛烈的视频| 亚洲va在线va天堂va国产| 国产精品一区二区免费欧美| 久久热精品热| 18禁在线播放成人免费| av黄色大香蕉| 亚洲一级一片aⅴ在线观看| 午夜福利在线观看吧| 久久人妻av系列| 身体一侧抽搐| 国产精品女同一区二区软件| 日本三级黄在线观看| 小说图片视频综合网站| 有码 亚洲区| 精品无人区乱码1区二区| 欧美人与善性xxx| 精品久久久久久久久亚洲| 欧美在线一区亚洲| 成人美女网站在线观看视频| 亚洲乱码一区二区免费版| 日韩成人av中文字幕在线观看 | 色吧在线观看| 国产淫片久久久久久久久| 小蜜桃在线观看免费完整版高清| 18禁黄网站禁片免费观看直播| 国产成人a∨麻豆精品| 中文在线观看免费www的网站| 午夜福利在线观看免费完整高清在 | 色噜噜av男人的天堂激情| 国产精品久久久久久av不卡| 久久久久久久久久久丰满| 欧美日韩一区二区视频在线观看视频在线 | 久久久午夜欧美精品| 久久综合国产亚洲精品| 久久久久精品国产欧美久久久| 久久精品91蜜桃| 欧美精品国产亚洲| 又爽又黄无遮挡网站| 亚洲色图av天堂| 一进一出好大好爽视频| 国产淫片久久久久久久久| 国产激情偷乱视频一区二区| av在线观看视频网站免费| 搡老妇女老女人老熟妇| 级片在线观看| 中文字幕av成人在线电影| 国产精品女同一区二区软件| 中文在线观看免费www的网站| 99久久久亚洲精品蜜臀av| 久久久精品94久久精品| 欧美另类亚洲清纯唯美| 午夜福利在线观看免费完整高清在 | 国产一区二区在线观看日韩| 最近手机中文字幕大全| 亚洲无线观看免费| 久久99热这里只有精品18| 好男人在线观看高清免费视频| 午夜日韩欧美国产| 99热网站在线观看| 最新在线观看一区二区三区| 欧美激情久久久久久爽电影| 成年女人永久免费观看视频| 直男gayav资源| 国产精品亚洲一级av第二区| 欧美性感艳星| 国产av一区在线观看免费| 我的老师免费观看完整版| 亚洲无线在线观看| 国产久久久一区二区三区| 国产熟女欧美一区二区| 18禁在线播放成人免费| 亚洲在线观看片| 最好的美女福利视频网| 国内精品宾馆在线| 亚洲国产精品合色在线| 亚洲精品粉嫩美女一区| 如何舔出高潮| 国产乱人视频| 夜夜爽天天搞| 波多野结衣巨乳人妻| 日本色播在线视频| 久久九九热精品免费| 亚洲国产日韩欧美精品在线观看| 我的女老师完整版在线观看| 成人鲁丝片一二三区免费| 国产黄片美女视频| 激情 狠狠 欧美| 成熟少妇高潮喷水视频| 国产乱人视频| 久久久久国内视频| 亚洲成av人片在线播放无| 草草在线视频免费看| 亚洲国产色片| 成人高潮视频无遮挡免费网站| www.色视频.com| 好男人在线观看高清免费视频| 日韩欧美在线乱码| 香蕉av资源在线| 99热6这里只有精品| 国产伦一二天堂av在线观看| 村上凉子中文字幕在线| 超碰av人人做人人爽久久| 亚洲国产精品成人久久小说 | 日本熟妇午夜| 看十八女毛片水多多多| 自拍偷自拍亚洲精品老妇| 亚洲av成人av| 我要搜黄色片| 美女cb高潮喷水在线观看| 亚洲美女搞黄在线观看 | 免费大片18禁| 一级黄片播放器| 搡老熟女国产l中国老女人| 99国产极品粉嫩在线观看| 国产一区二区三区在线臀色熟女| 在线免费观看不下载黄p国产| 中文在线观看免费www的网站| 国产伦在线观看视频一区| 变态另类成人亚洲欧美熟女| avwww免费| 亚洲最大成人av| 1024手机看黄色片| 国产乱人偷精品视频| 天天一区二区日本电影三级| 日本色播在线视频| 乱人视频在线观看| 国产淫片久久久久久久久| 又爽又黄a免费视频| 亚洲av二区三区四区| 日韩中字成人| 人妻少妇偷人精品九色| 免费观看在线日韩| 亚洲高清免费不卡视频| 亚洲最大成人中文| 国产成人福利小说| 十八禁国产超污无遮挡网站| 三级毛片av免费| 白带黄色成豆腐渣| 变态另类丝袜制服| 午夜精品国产一区二区电影 | 深夜a级毛片| 毛片女人毛片| 欧美日韩综合久久久久久| 久久久久久国产a免费观看| 欧美国产日韩亚洲一区| 五月伊人婷婷丁香| 在线免费观看不下载黄p国产| 国产老妇女一区| 中国国产av一级| 亚洲天堂国产精品一区在线| 热99在线观看视频| 麻豆精品久久久久久蜜桃| 欧美日韩一区二区视频在线观看视频在线 | 看非洲黑人一级黄片| 熟女人妻精品中文字幕| 精品一区二区三区视频在线观看免费| 两个人视频免费观看高清| 日日摸夜夜添夜夜添小说| 国产高清激情床上av| aaaaa片日本免费| 欧美不卡视频在线免费观看| 男女之事视频高清在线观看| 中国美白少妇内射xxxbb| 国产一区亚洲一区在线观看| 国产av一区在线观看免费| 国产精品无大码| 亚洲av免费高清在线观看| 国内精品一区二区在线观看| 我要看日韩黄色一级片| 99热这里只有是精品50| 日日撸夜夜添| 免费看日本二区| 在线观看av片永久免费下载| 男插女下体视频免费在线播放| 日韩,欧美,国产一区二区三区 | 99热只有精品国产| 国内久久婷婷六月综合欲色啪| 久久人人精品亚洲av| 99在线视频只有这里精品首页| 国产毛片a区久久久久| 亚洲无线在线观看| 丝袜喷水一区| 久久精品国产清高在天天线| 亚洲精品456在线播放app| 日韩av不卡免费在线播放| 午夜福利视频1000在线观看| 一级黄色大片毛片| 亚洲高清免费不卡视频| 精品福利观看| 欧美zozozo另类| 亚洲精华国产精华液的使用体验 | 一级毛片我不卡| 黄色配什么色好看| 日本爱情动作片www.在线观看 | 我要搜黄色片| 国产午夜精品论理片| 精品久久久久久久久av| 成人综合一区亚洲| 亚洲av美国av| 十八禁国产超污无遮挡网站| 久久中文看片网| 亚洲美女搞黄在线观看 | 国产色爽女视频免费观看| 看非洲黑人一级黄片| 久久99热6这里只有精品| 成人毛片a级毛片在线播放| 亚洲精品久久国产高清桃花| 一个人看的www免费观看视频| 日本免费a在线| 免费一级毛片在线播放高清视频| 精品乱码久久久久久99久播| 亚洲国产精品国产精品| 菩萨蛮人人尽说江南好唐韦庄 | 男女视频在线观看网站免费| 亚洲色图av天堂| 99久久成人亚洲精品观看| 欧美又色又爽又黄视频| 非洲黑人性xxxx精品又粗又长| 国产极品精品免费视频能看的| 夜夜爽天天搞| 亚洲av二区三区四区| 男女之事视频高清在线观看| 搡老熟女国产l中国老女人| 久久久精品94久久精品| 少妇的逼水好多| 天堂动漫精品| 免费观看精品视频网站| 亚洲熟妇熟女久久| 国产精品电影一区二区三区| 色哟哟·www| 精品99又大又爽又粗少妇毛片| 91久久精品电影网| 久久久久久久午夜电影| 九九在线视频观看精品| 亚洲无线在线观看| 午夜精品在线福利| 免费看光身美女| 国产午夜精品久久久久久一区二区三区 | 国国产精品蜜臀av免费| 麻豆精品久久久久久蜜桃| 免费av不卡在线播放| 国产精品女同一区二区软件| 天堂影院成人在线观看| ponron亚洲| 日本一二三区视频观看| 不卡一级毛片| 男人和女人高潮做爰伦理| 全区人妻精品视频| 午夜精品在线福利| 12—13女人毛片做爰片一| 日本欧美国产在线视频| 人妻夜夜爽99麻豆av| 国产亚洲av嫩草精品影院| 日本成人三级电影网站| 日韩高清综合在线| 国产午夜福利久久久久久| videossex国产| .国产精品久久| 99久久无色码亚洲精品果冻| 国产精品1区2区在线观看.| 夜夜爽天天搞| 国产精品亚洲一级av第二区| 国产亚洲精品久久久com| 成人特级黄色片久久久久久久| 午夜老司机福利剧场| 亚洲精品一卡2卡三卡4卡5卡| 卡戴珊不雅视频在线播放| 国产精品乱码一区二三区的特点| 卡戴珊不雅视频在线播放| 99久久九九国产精品国产免费| av视频在线观看入口| 少妇熟女aⅴ在线视频| 一个人免费在线观看电影| av在线亚洲专区| 超碰av人人做人人爽久久| 成人永久免费在线观看视频| 日本a在线网址| 两性午夜刺激爽爽歪歪视频在线观看| 亚洲aⅴ乱码一区二区在线播放| 久久鲁丝午夜福利片| 国产黄色小视频在线观看| 欧美绝顶高潮抽搐喷水| 少妇猛男粗大的猛烈进出视频 | 久久久久久久久大av| 在线播放国产精品三级| 97超视频在线观看视频| 啦啦啦韩国在线观看视频| 色哟哟·www| 波多野结衣巨乳人妻| 日韩强制内射视频| 色噜噜av男人的天堂激情| 一级av片app| www日本黄色视频网| 色av中文字幕| 色综合亚洲欧美另类图片| 中文在线观看免费www的网站| 国产精品免费一区二区三区在线| 成人美女网站在线观看视频| 久久精品综合一区二区三区| 欧美高清成人免费视频www| 黄色视频,在线免费观看| 国产伦在线观看视频一区| 校园人妻丝袜中文字幕| 亚洲av二区三区四区| 一边摸一边抽搐一进一小说| 日本黄色视频三级网站网址| 国产精品一区www在线观看| 91午夜精品亚洲一区二区三区| 精品无人区乱码1区二区| 免费看a级黄色片| 成年女人毛片免费观看观看9| 欧美日韩精品成人综合77777| 欧美成人免费av一区二区三区| 色噜噜av男人的天堂激情| 色尼玛亚洲综合影院| 免费av毛片视频| 真实男女啪啪啪动态图| 精品久久国产蜜桃| 国产伦一二天堂av在线观看| 夜夜爽天天搞| 永久网站在线| 99热6这里只有精品| 亚洲自拍偷在线| 干丝袜人妻中文字幕| 婷婷色综合大香蕉| 一本精品99久久精品77| 九色成人免费人妻av| 午夜免费男女啪啪视频观看 | 国产高清不卡午夜福利| 欧美色视频一区免费| 91午夜精品亚洲一区二区三区| 久久99热6这里只有精品| av国产免费在线观看| 亚洲图色成人| 国产精品人妻久久久影院| av专区在线播放| 亚洲性夜色夜夜综合| 久久久久久久久久成人| 中国美女看黄片| 精品一区二区三区人妻视频| 麻豆精品久久久久久蜜桃| 五月伊人婷婷丁香| 国产综合懂色| 成人特级av手机在线观看| 91狼人影院| 亚洲av熟女| 欧美区成人在线视频| 国产片特级美女逼逼视频| 亚洲av中文av极速乱| 国产69精品久久久久777片| 久久精品久久久久久噜噜老黄 | 国产精品久久久久久久久免| 日日撸夜夜添| 成人精品一区二区免费| 嫩草影院新地址| 在线a可以看的网站| 国产亚洲av嫩草精品影院| 中文字幕av成人在线电影| 免费看av在线观看网站| 久久久成人免费电影| 成人综合一区亚洲| 偷拍熟女少妇极品色| 国产精品一区二区三区四区免费观看 | 国产伦一二天堂av在线观看| 国产精品久久视频播放| 国产高清视频在线播放一区| 国产69精品久久久久777片| 久久精品夜夜夜夜夜久久蜜豆| 国产色爽女视频免费观看| 久久精品综合一区二区三区| 一个人看视频在线观看www免费| 亚洲av第一区精品v没综合| 三级男女做爰猛烈吃奶摸视频| 日本欧美国产在线视频| 自拍偷自拍亚洲精品老妇| 免费黄网站久久成人精品| 99热只有精品国产| 91在线观看av| 女人十人毛片免费观看3o分钟| 国产亚洲精品久久久久久毛片| 亚洲欧美中文字幕日韩二区| 国产午夜精品久久久久久一区二区三区 | 天天一区二区日本电影三级| 男人的好看免费观看在线视频| 大型黄色视频在线免费观看| 亚洲av不卡在线观看| 99热只有精品国产| 日日摸夜夜添夜夜添av毛片| 欧美成人一区二区免费高清观看| 国产高清视频在线播放一区| 如何舔出高潮| 亚洲熟妇中文字幕五十中出| 特级一级黄色大片| 男插女下体视频免费在线播放| 国产三级中文精品| 欧美极品一区二区三区四区| 久久人人爽人人爽人人片va| 两性午夜刺激爽爽歪歪视频在线观看| 日本一二三区视频观看| av在线观看视频网站免费| 亚洲图色成人| 色综合站精品国产| 国产黄片美女视频| 国产精品美女特级片免费视频播放器| 婷婷色综合大香蕉| 亚洲三级黄色毛片| 日日干狠狠操夜夜爽| 日本-黄色视频高清免费观看| 在线免费观看不下载黄p国产| 男女下面进入的视频免费午夜| 亚洲在线观看片| 久久综合国产亚洲精品| 夜夜看夜夜爽夜夜摸| 一级黄片播放器| 热99在线观看视频| 波多野结衣巨乳人妻| 卡戴珊不雅视频在线播放| 亚洲成人久久性| 欧美成人精品欧美一级黄| 国产精品一区二区三区四区久久| 尾随美女入室| 亚洲欧美清纯卡通| 久久欧美精品欧美久久欧美| 久久久久精品国产欧美久久久| 国产精品三级大全| 久久精品国产亚洲av涩爱 | 老师上课跳d突然被开到最大视频| 色综合站精品国产| 99久久九九国产精品国产免费| av女优亚洲男人天堂| 99国产极品粉嫩在线观看| 国产乱人偷精品视频| 国产一区二区亚洲精品在线观看| 国内精品一区二区在线观看| 简卡轻食公司| 精品国产三级普通话版| 亚洲av中文字字幕乱码综合| 丝袜美腿在线中文| 男女啪啪激烈高潮av片| 亚洲国产精品久久男人天堂| 国国产精品蜜臀av免费| 免费无遮挡裸体视频| 日韩 亚洲 欧美在线| 国产高清激情床上av| 午夜视频国产福利| 六月丁香七月| 久久久午夜欧美精品| 中文字幕人妻熟人妻熟丝袜美| 黄色视频,在线免费观看| 熟女电影av网| 性欧美人与动物交配| 国产成年人精品一区二区| 特级一级黄色大片| 1024手机看黄色片| avwww免费| 精品久久久久久久人妻蜜臀av| 嫩草影院入口| av中文乱码字幕在线| 国产综合懂色| 日韩成人av中文字幕在线观看 | 麻豆av噜噜一区二区三区| 国产精品国产三级国产av玫瑰| 国产精品99久久久久久久久| 最近在线观看免费完整版| 日韩中字成人| 午夜视频国产福利| 日韩欧美精品免费久久| 亚洲成人精品中文字幕电影| 啦啦啦观看免费观看视频高清| 日本爱情动作片www.在线观看 | 晚上一个人看的免费电影| 变态另类丝袜制服| 黄色日韩在线| 麻豆精品久久久久久蜜桃| 亚洲av美国av| 欧美激情久久久久久爽电影| 51国产日韩欧美| 久久久成人免费电影| av在线亚洲专区| 日韩亚洲欧美综合| 久久亚洲精品不卡| 国产亚洲精品综合一区在线观看| 春色校园在线视频观看| 亚洲精品成人久久久久久| 真人做人爱边吃奶动态| 插阴视频在线观看视频| 搡老岳熟女国产| 国产激情偷乱视频一区二区| 99riav亚洲国产免费| 97人妻精品一区二区三区麻豆| av专区在线播放| 日韩欧美精品免费久久| 亚洲国产精品sss在线观看| 亚洲丝袜综合中文字幕| 欧美成人一区二区免费高清观看| 午夜福利18| 99热精品在线国产| 嫩草影院入口| 村上凉子中文字幕在线| 丝袜喷水一区| 中文字幕熟女人妻在线| 成年版毛片免费区| 日韩 亚洲 欧美在线| 国产精品,欧美在线| 免费av观看视频| 卡戴珊不雅视频在线播放| 国产精品一区二区性色av| 精品午夜福利视频在线观看一区| 国产一区二区激情短视频| av天堂中文字幕网| eeuss影院久久| 国产亚洲精品综合一区在线观看| 亚洲四区av| 日韩精品有码人妻一区| 日日摸夜夜添夜夜添av毛片| 国产片特级美女逼逼视频| 丰满的人妻完整版| 国产精品亚洲美女久久久| 成人av在线播放网站| 日韩制服骚丝袜av| 精品少妇黑人巨大在线播放 | 99在线视频只有这里精品首页| 久久99热这里只有精品18| 日韩国内少妇激情av|