• <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 ?

    基于機(jī)器學(xué)習(xí)的奶牛深度圖像身體區(qū)域精細(xì)分割方法

    2017-06-05 15:00:27趙凱旋李國(guó)強(qiáng)何東健
    關(guān)鍵詞:識(shí)別率決策樹(shù)像素點(diǎn)

    趙凱旋 李國(guó)強(qiáng) 何東健

    (西北農(nóng)林科技大學(xué)機(jī)械與電子工程學(xué)院, 楊凌 712100)

    基于機(jī)器學(xué)習(xí)的奶牛深度圖像身體區(qū)域精細(xì)分割方法

    趙凱旋 李國(guó)強(qiáng) 何東健

    (西北農(nóng)林科技大學(xué)機(jī)械與電子工程學(xué)院, 楊凌 712100)

    奶牛目標(biāo)各區(qū)域的精細(xì)分割和識(shí)別能夠提供精確的奶牛形體細(xì)節(jié)信息,是奶牛體形評(píng)價(jià)、姿態(tài)檢測(cè)、行為分析和理解的前提和基礎(chǔ)。為實(shí)現(xiàn)深度圖像中奶牛頭、頸、軀干和四肢等身體區(qū)域的精確分割,提出一種基于深度圖像特征和機(jī)器學(xué)習(xí)的奶牛目標(biāo)各區(qū)域精細(xì)分割方法。該方法以每個(gè)像素點(diǎn)在不同采樣半徑下的帶閾值LBP序列為深度特征值,設(shè)置分類約束條件,用決策樹(shù)森林機(jī)器學(xué)習(xí)方法實(shí)現(xiàn)奶牛各區(qū)域的精細(xì)分類。對(duì)10頭奶牛的288幅側(cè)視深度圖像進(jìn)行試驗(yàn),結(jié)果表明,當(dāng)采樣半徑分段數(shù)為30,決策樹(shù)訓(xùn)練至20層時(shí),奶牛整體各像素點(diǎn)的平均識(shí)別率為95.15%,較傳統(tǒng)深度圖像特征值有更強(qiáng)的細(xì)節(jié)信息提取能力,可以用較少參數(shù)實(shí)現(xiàn)對(duì)復(fù)雜結(jié)構(gòu)的精確識(shí)別。

    奶牛; 目標(biāo)檢測(cè); 肢干分割; 深度圖像; 機(jī)器學(xué)習(xí)

    引言

    視頻分析技術(shù)能夠?qū)?dòng)物的行為進(jìn)行自動(dòng)監(jiān)測(cè)和理解,是提高養(yǎng)殖管理智能化水平的重要手段[1],已越來(lái)越多地應(yīng)用于奶牛智能化養(yǎng)殖[2-4]。近年來(lái),奶牛疫病檢測(cè)[5-7]、身體評(píng)分[8-9]、行為信息智能獲取[10-13]等受到了研究人員的廣泛關(guān)注。奶牛目標(biāo)捕捉是行為理解、智能監(jiān)控等領(lǐng)域的技術(shù)基礎(chǔ)和前提[14]。然而受環(huán)境背景、光照變化等因素的影響[15-16],目標(biāo)檢測(cè)仍是一個(gè)具有挑戰(zhàn)性的課題[17]。近年來(lái)發(fā)展的深度圖像為實(shí)現(xiàn)奶牛目標(biāo)跟蹤與分割提供了新的思路和方法。微軟公司發(fā)布的基于結(jié)構(gòu)光技術(shù)的多傳感器3D圖像采集設(shè)備Kinect,能夠同時(shí)獲取目標(biāo)像素點(diǎn)RGBD數(shù)據(jù)。由于其具有成本低、精度高、布設(shè)方便等優(yōu)點(diǎn),已在奶牛姿態(tài)檢測(cè)和識(shí)別等相關(guān)研究中應(yīng)用[18]。

    用深度圖像進(jìn)行姿態(tài)檢測(cè)和識(shí)別時(shí),首先需要分割頭部、頸、軀干、四肢等區(qū)域,然后觀測(cè)頭部和四肢的動(dòng)作,并對(duì)前后肢進(jìn)行更細(xì)致的分析以識(shí)別姿態(tài)和行為。此外,奶牛身體區(qū)域的精細(xì)分割能夠提高奶牛體形評(píng)價(jià)的自動(dòng)化程度和精度。因此,需要一個(gè)魯棒性強(qiáng)的奶牛肢干分割算法以區(qū)分奶牛身體各部分區(qū)域。目前針對(duì)奶牛的目標(biāo)檢測(cè)方法只能將視頻圖像中的奶牛作為一個(gè)整體進(jìn)行分割[17],奶牛身體區(qū)域的精細(xì)識(shí)別未見(jiàn)報(bào)道。人體區(qū)域精細(xì)分割的相關(guān)研究為解決這一問(wèn)題提供了思路。SHOTTON等[19]提出一種基于深度圖像的人體肢干檢測(cè)方法,該方法用預(yù)設(shè)的像素點(diǎn)深度值約束算子訓(xùn)練隨機(jī)森林,然后預(yù)測(cè)未知像素點(diǎn)所屬的身體區(qū)域,最后用mean shift方法估計(jì)人體關(guān)節(jié)并繪制骨架。ANTONIO等[20]對(duì)上述方法進(jìn)行了補(bǔ)充,使用圖割理論(Graph-cuts theory)對(duì)隨機(jī)森林算法得到的肢干分類結(jié)果進(jìn)行了優(yōu)化,且將時(shí)間和空間上鄰近數(shù)據(jù)點(diǎn)的深度值用于確定目標(biāo)邊界。

    上述2種算法中均使用同一種深度圖像特征進(jìn)行像素點(diǎn)識(shí)別,圖像特征值原理簡(jiǎn)單易于實(shí)現(xiàn),但每個(gè)特征值均包含4個(gè)未知量,每個(gè)像素點(diǎn)均需要多組偏置量進(jìn)行約束性檢測(cè),因此導(dǎo)致分類器中可變參數(shù)較多、訓(xùn)練收斂速度慢。且該特征不具備旋轉(zhuǎn)不變性,為得到較好的識(shí)別效果,需要大量不同姿態(tài)人體圖像對(duì)模型進(jìn)行訓(xùn)練。

    為降低奶牛肢干分割與識(shí)別過(guò)程中模型訓(xùn)練的難度并提高識(shí)別精度,本文提出一種基于局部二值模式(Local binary patterns,LBP)原理的深度圖像特征,該特征使用深度歸一化后的帶閾值LBP序列,具有深度圖像目標(biāo)細(xì)節(jié)信息提取能力。首先計(jì)算每個(gè)像素點(diǎn)在不同采樣半徑下的統(tǒng)一LBP序列值,并以此作為分類條件,用決策樹(shù)森林方法實(shí)現(xiàn)奶牛肢干的精細(xì)分類。

    1 材料和方法

    1.1 深度圖像采集

    2015年8月在陜西楊凌科元克隆股份有限公司奶牛養(yǎng)殖場(chǎng),以荷斯坦奶牛為對(duì)象獲取試驗(yàn)圖像。奶牛擠奶結(jié)束后經(jīng)過(guò)窄道行走至飲水池飲水,窄道兩側(cè)有高度為1.4 m的欄桿,奶牛、攝像機(jī)與圍欄的相對(duì)位置如圖1所示。在窄道一側(cè)欄桿處布設(shè)Kinect V2體感器(Microsoft, 美國(guó)),Kinect V2安裝于三角架上,傳感器中心距離地面1.45 m,且深度圖像傳感器與奶牛行走方向平行。沿窄道邊放置高度為0.1 m的長(zhǎng)條形導(dǎo)向阻擋物,以保證奶牛行走至視野中心時(shí)與攝像機(jī)的距離約為2.5 m。由于奶牛從擠奶室行走至飲水池過(guò)程中已形成直線行走的習(xí)性,因此奶牛通過(guò)視野時(shí)始終與攝像機(jī)平行。阻擋物對(duì)后續(xù)圖像分析與處理的影響可忽略不計(jì)。

    圖1 試驗(yàn)設(shè)置與攝像機(jī)位置示意圖Fig.1 Sketch of experiment setup and location of video camera

    在室外晴天20:00—20:30時(shí)段對(duì)奶牛進(jìn)行拍攝。通過(guò)便捷式計(jì)算機(jī)用Microsoft公司提供的Kinect Studio v2.0軟件控制Kinect攝像機(jī)錄制深度數(shù)據(jù)。奶牛個(gè)體全部出現(xiàn)在視頻左側(cè)時(shí)開(kāi)始采集,持續(xù)采集到奶牛行走至視野右側(cè)邊緣。采集得到的碼流數(shù)據(jù)保存在計(jì)算機(jī)硬盤內(nèi),該數(shù)據(jù)流文件中包含了每幀中顏色、深度、紅外圖像等信息。視頻幀率為20 幀/s,深度圖像分辨率為512像素(水平)×424像素(垂直)。

    數(shù)據(jù)處理計(jì)算機(jī)處理器為Intel Core I5-2400,主頻為3.2 GHz,8 GB內(nèi)存,500 GB硬盤。首先在Visual Studio 2012平臺(tái)上將Kinect采集的數(shù)據(jù)流解析成深度數(shù)據(jù)文件并保存在硬盤中,然后用Matlab 2012a讀取數(shù)據(jù)文件并進(jìn)行后續(xù)算法的開(kāi)發(fā)。

    1.2 供試數(shù)據(jù)

    對(duì)不同體形的奶牛,拍攝其在直線行走過(guò)程中的深度圖像,奶牛經(jīng)過(guò)通道耗時(shí)2 s左右。由于幀率為20 幀/s,每頭奶牛通過(guò)視野過(guò)程中將產(chǎn)生約40幅圖像。拍攝持續(xù)7 d,挑選出無(wú)異常行為并連續(xù)行走的10頭奶牛,剔除奶牛進(jìn)入和離開(kāi)視野時(shí)不完整的圖像,最終共得到奶牛側(cè)視深度圖像288幅,平均每頭奶牛約30幅。10頭奶牛中高大體形有2頭、中等體形5頭和矮小體形3頭;嚴(yán)重跛行1頭,中等跛行3頭,正常行走6頭。奶牛橫穿攝像機(jī)視野的過(guò)程中,奶牛在圖像中所處的位置以及四肢相對(duì)位置均不斷發(fā)生變化。因此采集的數(shù)據(jù)對(duì)于奶牛體形、姿態(tài)和在圖像中的位置均具有一定的多樣性。

    深度圖像中奶牛與攝像機(jī)的距離固定為2.5 m左右,且攝像機(jī)與目標(biāo)之間無(wú)前景遮擋。因此使用深度閾值分割出奶牛整體目標(biāo)。然后參照奶牛肢體分類方法手工將288幅圖像中的奶牛標(biāo)識(shí)為頭、頸、前肢(包括左前肢和右前肢)、后肢(包括左后肢和右后肢)、尾巴、軀干等區(qū)域,從中隨機(jī)選取150幅作為訓(xùn)練集樣本,其余圖像作為測(cè)試集樣本。

    1.3 傳統(tǒng)的深度圖像特征

    傳統(tǒng)方法中,用被檢測(cè)像素點(diǎn)2個(gè)偏移位置的深度差值作為該像素點(diǎn)的特征值[19-20],其計(jì)算公式為

    (1)

    式中dI(x)——圖像I中像素點(diǎn)x處的深度u、v——2個(gè)相對(duì)于x的偏置向量φ——u和v的一組值

    圖2為2個(gè)特征在不同像素點(diǎn)上的檢測(cè)原理。圖中特征值fφ1向上檢測(cè)該像素點(diǎn)與鄰近點(diǎn)的關(guān)系。假設(shè)背景點(diǎn)的深度為+∞,由于偏移點(diǎn)分別在目標(biāo)和背景上,則fφ1的值為+∞。fφ2能夠檢測(cè)出類似于四肢的細(xì)長(zhǎng)形結(jié)構(gòu),對(duì)于圖中檢測(cè)薄片結(jié)構(gòu)的fφ2特征值,2個(gè)偏移點(diǎn)均落到背景上,因此fφ2的值為零。但對(duì)于同一特征值,當(dāng)奶牛肢體發(fā)生旋轉(zhuǎn)時(shí),其值將發(fā)生變化,因此傳統(tǒng)的深度圖像特征值不具備旋轉(zhuǎn)不變性。此外,傳統(tǒng)方法中u、v值的選取具有很強(qiáng)的盲目性,通常使用隨時(shí)數(shù)生成其取值空間里的可能值,然后對(duì)其進(jìn)行檢視和篩選,以確定有效的u、v,選取過(guò)程耗時(shí)耗力。

    圖2 傳統(tǒng)深度圖像特征值的檢測(cè)原理Fig.2 Detection principle of original depth image features

    由式(1)可知,該深度圖像特征值包含2個(gè)偏置向量共4個(gè)變量,用以計(jì)算目標(biāo)像素點(diǎn)鄰近的2個(gè)點(diǎn)的深度差值,以評(píng)估目標(biāo)像素點(diǎn)所在的身體區(qū)域。結(jié)合式(1)和圖2可知,傳統(tǒng)的圖像特征值只能提供目標(biāo)區(qū)域的微弱信息,對(duì)分類器的性能要求較高,且需要大量訓(xùn)練數(shù)據(jù)以覆蓋各結(jié)構(gòu)的不同旋轉(zhuǎn)角度,模型訓(xùn)練成本較高,難以保證精度。

    1.4 基于LBP的深度圖像特征

    考慮到式(1)中傳統(tǒng)深度圖像特征值不具備旋轉(zhuǎn)不變性,且采樣精度難以實(shí)現(xiàn)細(xì)小結(jié)構(gòu)的識(shí)別,為更有效地提取深度圖像中的像素點(diǎn)信息,本文提出使用基于LBP原理的深度圖像局部二值模式(Deep image LBP,DILBP)。LBP是一種典型的紋理特征值,其衡量了某一點(diǎn)鄰近區(qū)域內(nèi)灰度值跳變的模式[16],原始的LBP算子定義為:在采樣半徑p×p的窗口內(nèi),以窗口中心像素為閾值,將相鄰的2p個(gè)像素的灰度與其進(jìn)行比較,若周圍像素值大于中心像素值,則該像素點(diǎn)的位置被標(biāo)記為1,否則為0。

    本文對(duì)原始LBP中的判定原則加以改進(jìn)以提高LBP對(duì)幾何結(jié)構(gòu)的敏感性,同時(shí)對(duì)采樣半徑進(jìn)行深度歸一化處理,使其具有深度不變性。改進(jìn)后的DILBP為

    (2)

    式中DP,R——深度圖像局部二值模式(DILBP)P——采樣點(diǎn)數(shù)R——采樣半徑dp——第p個(gè)采樣點(diǎn)的深度dc——中心點(diǎn)的深度s——判定函數(shù)

    由于攝像機(jī)成像平面與奶牛側(cè)身基本平行,因此在深度圖像中屬于奶牛同一身體區(qū)域像素點(diǎn)的深度差異較小,而目標(biāo)與背景之間的差值較大。故本文用帶閾值的判定函數(shù),以判定采樣點(diǎn)與中心點(diǎn)是否同屬于奶牛身體區(qū)域。

    (3)

    式中T——同一身體區(qū)域內(nèi)的深度差異度閾值

    本文使用統(tǒng)一的LBP模式,因此特征值計(jì)算結(jié)果為58個(gè)固定的模式之一[21]。DILBP模式中的采樣半徑為

    (4)

    式中Rt——真實(shí)空間內(nèi)的采樣半徑

    真實(shí)空間內(nèi)的半徑Rt乘以1/dI(x)以確保圖像特征具有深度不變性,能夠消除目標(biāo)與攝像機(jī)之間距離對(duì)檢測(cè)結(jié)果的影響。本文DILBP序列中的1和0分別表示該采樣點(diǎn)與中心點(diǎn)是否屬于同一肢干。如圖3所示,對(duì)于某一肢干,其內(nèi)部的像素點(diǎn)在特定的采樣半徑R下,計(jì)算得到的DILBP序列基本相同。然而不同肢干之間,其特定的采樣半徑和DILBP序列均不同。因此,多個(gè)采樣半徑下的DILBP序列值,能夠?qū)⒉煌眢w區(qū)域內(nèi)的像素點(diǎn)進(jìn)行分類。

    圖3 基于DILBP模式的深度圖像特征檢測(cè)原理Fig.3 Detection principle of depth image features based on DILBP

    由圖3可知,當(dāng)被檢測(cè)的四肢發(fā)生旋轉(zhuǎn)時(shí),特定的采樣點(diǎn)總是落在肢干區(qū)域內(nèi),由于統(tǒng)一的LBP模式計(jì)算LBP序列內(nèi)0和1的跳變次數(shù),因此本文提出的基于LBP的深度圖像特征值繼承了LBP的旋轉(zhuǎn)不變性。

    傳統(tǒng)的深度圖像特征使用4個(gè)參數(shù)檢測(cè)目標(biāo)點(diǎn)與鄰近2個(gè)偏置點(diǎn)的位置關(guān)系。而本文提出的DILBP圖像特征僅通過(guò)一個(gè)參數(shù)即可對(duì)目標(biāo)點(diǎn)周圍的8個(gè)點(diǎn)進(jìn)行檢測(cè),且檢測(cè)結(jié)果為固定的58個(gè)模式值,降低了參數(shù)值的選取難度。

    1.5 隨機(jī)決策森林

    隨機(jī)決策森林是一種經(jīng)典的機(jī)器學(xué)習(xí)方法??紤]到奶牛目標(biāo)肢干分割屬于先驗(yàn)的模式識(shí)別問(wèn)題,因此用DILBP特征構(gòu)建隨機(jī)決策森林。對(duì)于給定的帶分類標(biāo)簽的奶牛目標(biāo)深度圖像,決策樹(shù)的構(gòu)建過(guò)程如下[20]:

    (1)決策樹(shù)中第i個(gè)分支節(jié)點(diǎn)包含一組判定參數(shù)Ri和Li,其值為各自取值空間內(nèi)的隨機(jī)數(shù)。決策樹(shù)訓(xùn)練完成后,每個(gè)分支節(jié)點(diǎn)參數(shù)的R和L將取得最優(yōu)值,能夠?qū)⒘魅朐摴?jié)點(diǎn)的樣本點(diǎn)劃分成2組,且分類前后的熵增益最大。

    (2)設(shè)Q為訓(xùn)練圖像數(shù)據(jù)集中所有參與訓(xùn)練樣的像素點(diǎn)的集合,Q對(duì)于分類標(biāo)簽c的概率分布計(jì)算公式為

    (5)

    式中hQ(c)——集合Q相對(duì)于標(biāo)簽c的直方圖 |Q|——集合Q中元素的個(gè)數(shù)PQ——集合Q的概率分布函數(shù)C——Q中的標(biāo)簽集合

    (3)對(duì)于第i個(gè)未被處理的節(jié)點(diǎn),若該節(jié)點(diǎn)內(nèi)的樣本點(diǎn)屬于同一類,說(shuō)明該節(jié)點(diǎn)是葉子節(jié)點(diǎn),直接跳過(guò)處理;否則該節(jié)點(diǎn)為分支節(jié)點(diǎn)。假設(shè)流入該節(jié)點(diǎn)的樣本集為Qi,則隨機(jī)選取一組R和L參數(shù)值將Qi劃分為QL和QR2部分,即

    (6)

    式中 DILBPP,R(I,x)——按式(2)計(jì)算圖像I中像素點(diǎn)x處的深度圖像局部二值模式特征值

    CQi(QL)——計(jì)算QL在Qi中補(bǔ)集的函數(shù)

    然后用式(5)分別計(jì)算QL和QR的概率分布函數(shù)得到PQL和PQR。

    (4)估計(jì)當(dāng)前節(jié)點(diǎn)的最佳分類參數(shù)φ*,該參數(shù)保證分類前后的信息熵增益取得最大值。分類前后的信息熵增益計(jì)算公式為

    (7)

    式中H(Q)——集合Q的信息熵GQ(φ)——使用參數(shù)φ對(duì)集合Q進(jìn)行劃分前后的信息熵增益

    將φ的所有可能值代入式(7),最終通過(guò)比較得到最佳的分類參數(shù)φ*,其值使得GQ(φ)在其定義域內(nèi)取得最大值。

    (5)在每個(gè)新生成的節(jié)點(diǎn)中執(zhí)行步驟(3)、(4),直到?jīng)Q策樹(shù)層數(shù)達(dá)到預(yù)設(shè)值時(shí)中止訓(xùn)練,未處理的節(jié)點(diǎn)視為葉子節(jié)點(diǎn),并保存該節(jié)點(diǎn)樣本的概率分布函數(shù)。

    一旦訓(xùn)練完成,對(duì)于某一個(gè)待識(shí)別的像素點(diǎn),從樹(shù)的根節(jié)點(diǎn)開(kāi)始,根據(jù)式(6)和該節(jié)點(diǎn)所保存的分類參數(shù)判定該像素點(diǎn)的路徑,直到該像素點(diǎn)到達(dá)某一葉子節(jié)點(diǎn),并得出分類結(jié)果。

    當(dāng)參與決策樹(shù)訓(xùn)練的樣本數(shù)過(guò)多時(shí),訓(xùn)練過(guò)程將消耗大量的計(jì)算資源。故將訓(xùn)練數(shù)據(jù)隨機(jī)劃分為奇數(shù)組,分別訓(xùn)練多個(gè)決策樹(shù)構(gòu)成決策森林。將待檢測(cè)樣本分別輸入每個(gè)決策樹(shù),得到每棵樹(shù)最終葉子節(jié)點(diǎn)處的概率分布函數(shù),然后對(duì)其進(jìn)行合并

    (8)

    式中Pt(c|I,x)——圖像I中像素點(diǎn)x在第t棵樹(shù)中最終達(dá)到的葉子節(jié)點(diǎn)所保存概率分布函數(shù)

    最終,樣本的識(shí)別結(jié)果為合并后的概率分布函數(shù)中所占比例最大的類。

    2 試驗(yàn)結(jié)果與分析

    2.1 奶牛各區(qū)域識(shí)別結(jié)果

    將訓(xùn)練集中150幅圖像平均分成3組分別訓(xùn)練3棵決策樹(shù),每幅圖像中奶牛目標(biāo)上的像素點(diǎn)均參與訓(xùn)練。測(cè)試集圖像中每個(gè)像素點(diǎn)均進(jìn)入3棵樹(shù)進(jìn)行決策得到的結(jié)果按式(8)進(jìn)行合并后,得到最終的分類結(jié)果。構(gòu)建決策樹(shù)過(guò)程中,采樣半徑的最大值為奶牛的體高,采樣半徑的分段數(shù)B決定了深度特征值的精度。分段數(shù)最大,候選的分類含參數(shù)越多。決策樹(shù)的最大層數(shù)Y決定了分類的精度,層數(shù)越大則決策樹(shù)對(duì)于訓(xùn)練樣本的識(shí)別精度越高,但決策樹(shù)的泛化能力將會(huì)降低。為確定最優(yōu)訓(xùn)練參數(shù),對(duì)不同參數(shù)組合進(jìn)行了比較試驗(yàn),表1為本文算法在不同參數(shù)下的平均識(shí)別率。

    表1 本文算法在不同參數(shù)組合下的平均識(shí)別率

    注:*識(shí)別率最高的前4種組合。

    由表1可知,提高采樣半徑R的分段數(shù)B能提高檢測(cè)精度,但在訓(xùn)練層數(shù)為10層時(shí),分段數(shù)40相對(duì)分段數(shù)30的識(shí)別效果提升并不明顯。這是由于分段數(shù)較多導(dǎo)致決策樹(shù)中待訓(xùn)練的參數(shù)增加,而較淺的決策樹(shù)難以訓(xùn)練出最優(yōu)分類參數(shù)。為進(jìn)一步分析分段數(shù)和訓(xùn)練層數(shù)對(duì)識(shí)別結(jié)果的影響,表2給出了平均識(shí)別率最高的前4種組合下的奶牛身體各區(qū)域識(shí)別結(jié)果。

    由表2可知,當(dāng)決策樹(shù)由15層訓(xùn)練到20層后,奶牛頭部識(shí)別精度有微小提升,頸、軀干等簡(jiǎn)單粗大結(jié)構(gòu)的識(shí)別率均有所下降,前肢、后肢和尾巴等細(xì)小復(fù)雜結(jié)構(gòu)的識(shí)別率得到明顯提升。尤其是尾巴的識(shí)別率提高超過(guò)10個(gè)百分點(diǎn)。表明多層決策樹(shù)對(duì)細(xì)小結(jié)構(gòu)的識(shí)別能力較強(qiáng),但對(duì)粗大結(jié)構(gòu)的泛化能力受到影響。

    表2 4種組合下奶牛各區(qū)域的識(shí)別結(jié)果

    在相同的訓(xùn)練層數(shù)下,分段數(shù)分別為30和40時(shí),各區(qū)域的識(shí)別精度差異很小,然而后肢的識(shí)別率反而下降,表明分段數(shù)越多,決策樹(shù)泛化能力隨層數(shù)的下降速度越快。

    由于尾巴所包含的奶牛身體及行為信息較少,故本文以分段數(shù)為30、層數(shù)為20作為最優(yōu)參數(shù),進(jìn)一步研究決策樹(shù)的分割性能。圖4為對(duì)不同體形和姿態(tài)下的奶牛各肢干人工分割及決策樹(shù)分割結(jié)果。從上到下分別為高體深壯碩正常行走奶牛A、低體深瘦小中等跛行奶牛B、樣本中較少的嚴(yán)重跛行奶牛C。

    圖4 不同奶牛的分割效果示例圖Fig.4 Recognition results of different cows

    圖4中A、C奶牛尾巴已經(jīng)被人工去除,而奶牛B由于尾巴過(guò)于靠近軀干,故人工分割時(shí)均未將其分割出來(lái)。但決策樹(shù)能正確地將奶牛B大部分尾巴像素點(diǎn)識(shí)別出來(lái)。奶牛A、B、C體深、頭部位置均不同,用決策樹(shù)均得到較高的識(shí)別精度,表明本文算法對(duì)于奶牛的體形、姿態(tài)具有很好的魯棒性。四肢錯(cuò)誤識(shí)別的像素點(diǎn)主要集中于四肢與軀干接合處的過(guò)渡區(qū)域。

    2.2 識(shí)別率與各區(qū)域樣本比例的關(guān)系

    表3為奶牛身體各區(qū)域的識(shí)別率與該區(qū)域所占奶牛整體目標(biāo)比例的比較結(jié)果。

    由表3可知,奶牛身體各區(qū)域所占比例和識(shí)別率呈正相關(guān)關(guān)系,占奶牛目標(biāo)比例最大的軀干區(qū)域識(shí)別率最高;占奶牛目標(biāo)比例最小的尾巴區(qū)域識(shí)別率最低。這是由于在訓(xùn)練分類器時(shí),各個(gè)類別內(nèi)樣本數(shù)分布不均造成的。當(dāng)訓(xùn)練決策樹(shù)時(shí),訓(xùn)練圖像中所有像素點(diǎn)均參與訓(xùn)練,因此流入第1個(gè)節(jié)點(diǎn)的數(shù)據(jù)中軀干區(qū)域樣本點(diǎn)比例最大,由于決策樹(shù)總是以最大熵增加值作為評(píng)估依據(jù),因此占絕對(duì)數(shù)量的軀干類將在前幾層被優(yōu)先分割出來(lái)。雖然頸部所占比例略高于頭部,但識(shí)別率比頭部低4.21個(gè)百分點(diǎn)。這是由于頸部作為頭部和軀干的連接區(qū)域,形狀復(fù)雜且變形度較大,同時(shí)頸部靠近軀干區(qū)域,受大容量樣本的影響大,因此識(shí)別率低于頭部。后肢受尾巴的影響,識(shí)別率略低于前肢。此外,由于四肢、尾巴等區(qū)域自身的像素點(diǎn)數(shù)較少,少量錯(cuò)誤識(shí)別的像素點(diǎn)即會(huì)導(dǎo)致較大的識(shí)別錯(cuò)誤率。

    表3 奶牛身體各區(qū)域所占比例和識(shí)別率

    尾巴區(qū)域的識(shí)別率低于55%,這是由于參與訓(xùn)練的尾巴區(qū)域的像素點(diǎn)太少所致。

    2.3 與Kinect原始方法的比較

    為比較本文方法相對(duì)于Kinect原始方法的目標(biāo)分割效果,根據(jù)文獻(xiàn)[14]中的深度圖像特征值,用相同的訓(xùn)練數(shù)據(jù)和測(cè)試數(shù)據(jù)進(jìn)行對(duì)比試驗(yàn)。為保證與本文算法相近的參數(shù)數(shù)量,試驗(yàn)中傳統(tǒng)方法的偏置點(diǎn)為40組,待比較閾值為20個(gè)。2種方法的分割結(jié)果如表4所示。

    表4 傳統(tǒng)方法與本文方法識(shí)別結(jié)果比較

    如表4所示,傳統(tǒng)方法中頭部的識(shí)別精度高于本文方法,軀干識(shí)別精度與本文接近。本文方法中頸、前肢的識(shí)別精度提高了10個(gè)百分點(diǎn)以上。尤其是尾巴識(shí)別精度由13.14%提高到54.97%。2種方法的識(shí)別效果示例如圖5所示。

    圖5 傳統(tǒng)方法和本文方法識(shí)別效果示例Fig.5 Two examples of recognition results of two methods

    由圖5可知,傳統(tǒng)方法中雖然頭部的識(shí)別精度較高,但頭與頸結(jié)合處出現(xiàn)了較多的交叉分割,不利于定位頭頸結(jié)合關(guān)節(jié)。兩頭奶牛的識(shí)別結(jié)果顯示,傳統(tǒng)方法均將尾巴錯(cuò)誤識(shí)別為軀干。綜上所述,本文方法交叉識(shí)別少,較傳統(tǒng)方法具有更強(qiáng)的細(xì)節(jié)信息提取能力,能夠以較少的參數(shù),實(shí)現(xiàn)對(duì)復(fù)雜結(jié)構(gòu)的精確識(shí)別。

    為比較傳統(tǒng)方法與本文方法的效率,每個(gè)像素點(diǎn)進(jìn)入決策樹(shù)森林到得出識(shí)別結(jié)果所需要的時(shí)間定義為單個(gè)像素點(diǎn)的識(shí)別耗時(shí),奶牛目標(biāo)上的所有像素點(diǎn)的總體耗時(shí)定義為奶牛目標(biāo)的識(shí)別耗時(shí)。傳統(tǒng)方法與本文算法的平均訓(xùn)練耗時(shí)、決策樹(shù)節(jié)點(diǎn)數(shù)量以及平均識(shí)別耗時(shí)如表5所示。

    表5 傳統(tǒng)方法與本文方法訓(xùn)練與識(shí)別效率比較

    由于本文方法中圖像特征較傳統(tǒng)方法復(fù)雜,因此訓(xùn)練耗時(shí)較長(zhǎng)。但由于參數(shù)利用率高,決策樹(shù)中的節(jié)點(diǎn)數(shù)量較少,因此能夠以較短路徑達(dá)到葉子節(jié)點(diǎn),故識(shí)別效率更高。由于單幅圖像中所有的像素點(diǎn)均參與識(shí)別,故圖像的識(shí)別耗時(shí)為15 s左右。實(shí)際進(jìn)行奶牛各區(qū)域?qū)崟r(shí)檢測(cè)時(shí),可隨機(jī)選取圖像中10%的像素點(diǎn)進(jìn)行檢測(cè),即可得到奶牛各區(qū)域的大體輪廓,則可將單幅圖像識(shí)別耗時(shí)降低至1.5 s,且用C++語(yǔ)言實(shí)現(xiàn)識(shí)別算法可進(jìn)一步提高識(shí)別效率。

    3 結(jié)論

    (1)提出一種深度歸一化后的帶閾值LBP序列作為深度圖像特征,與傳統(tǒng)深度特征值[14]相比,該特征值具有平移和旋轉(zhuǎn)不變性,且參數(shù)利用率高,能以較少的訓(xùn)練圖像實(shí)現(xiàn)較高識(shí)別精度。

    (2)用本文深度圖像特征值作為分類條件構(gòu)建決策樹(shù)森林,可實(shí)現(xiàn)奶牛肢干的精細(xì)分割和識(shí)別。奶牛各身體區(qū)域平均識(shí)別率為95.15%,除尾巴外的奶牛各個(gè)主要身體區(qū)域均保持較高的識(shí)別率。

    (3)本文方法交叉識(shí)別少,較Kinect原始方法[14]具有更強(qiáng)的細(xì)節(jié)信息提取能力,能夠?qū)崿F(xiàn)對(duì)復(fù)雜結(jié)構(gòu)的精確識(shí)別。

    1 何東健,劉冬,趙凱旋. 精準(zhǔn)畜牧業(yè)中動(dòng)物信息智能感知與行為檢測(cè)研究進(jìn)展[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2016, 47(5): 231-244.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20160532&journal_id=jcsam.DOI: 10.6041/j.issn.1000-1298.2016.05.032. HE Dongjian, LIU Dong, ZHAO Kaixuan. Review of perceiving animal information and behavior in precision livestock farming[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(5): 231-244.(in Chinese)

    2 HOFFMANN G, SCHMIDT M, AMMON C, et al. Monitoring the body temperature of cows and calves using video recordings from an infrared thermography camera[J]. Veterinary Research Communications, 2013, 37(2): 91-99.

    3 CHAPINAL N, TUCKER C B. Validation of an automated method to count steps while cows stand on a weighing platform and its application as a measure to detect lameness[J]. Journal of Dairy Science, 2012, 95(11): 6523-6528.

    4 BRUYERE P, HETREAU T, PONSART C, et al. Can video cameras replace visual estrus detection in dairy cows[J]. Theriogenology, 2012, 77(3): 525-530.

    5 VIAZZI S, BAHR C, SCHLAGETER-TELLO A, et al. Analysis of individual classification of lameness using automatic measurement of back posture in dairy cattle[J]. Journal of Dairy Science, 2013, 96(1): 257-266.

    6 PLUK A, BAHR C, POURSABERI A, et al. Automatic measurement of touch and release angles of the fetlock joint for lameness detection in dairy cattle using vision techniques[J]. Journal of Dairy Science, 2012, 95(4): 1738-1748.

    7 POURSABERI A, BAHR C, PLUK A, et al. Real-time automatic lameness detection based on back posture extraction in dairy cattle: shape analysis of cow with image processing techniques[J]. Computer and Electronics in Agriculture, 2010, 74(1): 110-119.

    8 AZZARO G, CACCAMO M, FERGUSON J D, et al. Objective estimation of body condition score by modeling cow body shape from digital images[J]. Journal of Dairy Science, 2011, 94(4): 2126-2137.

    9 BEWLEY J M, PEACOCK A M, LEWIS O, et al. Potential for estimation of body condition scores in dairy cattle from digital images[J]. Journal of Dairy Science, 2008, 91(9): 3439-3453.

    10 PORTO S M C, ARCIDIACONO C, ANGUZZA U, et al. A computer vision-based system for the automatic detection of lying behaviour of dairy cows in free-stall barns[J]. Biosystems Engineering, 2013, 115(2): 184-194.

    11 MIEDEMA H, COCKRAM M, DWYER C, et al. Behavioural predictors of the start of normal and dystocic calving in dairy cows and heifers[J]. Applied Animal Behaviour Science, 2011, 132(1-2): 14-19.

    12 CANGAR O, LEROY T, GUARINO M, et al. Automatic real-time monitoring of locomotion and posture behaviour of pregnant cows prior to calving using online image analysis[J]. Computers and Electronics in Agriculture, 2008, 64(1): 53-60.

    13 趙凱旋,何東健,王恩澤. 基于視頻分析的奶牛呼吸頻率與異常檢測(cè)[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2014, 45(10): 258-263.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20141040&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2014.10.040. ZHAO Kaixuan, HE Dongjian, WANG Enze.Detection of breathing rate and abnormity of dairy cattle based on video analysis[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2014, 45(10): 258-263.(in Chinese)

    14 趙凱旋,何東健. 基于卷積神經(jīng)網(wǎng)絡(luò)的奶牛個(gè)體身份識(shí)別方法[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2015, 31(5): 181-187. ZHAO Kaixuan, HE Dongjian. Recognition of individual dairy cattle based on convolutional neural networks[J]. Transactions of the CSAE,2015, 31(5): 181-187. (in Chinese)

    15 劉冬,趙凱旋,何東健. 基于混合高斯模型的移動(dòng)奶牛目標(biāo)實(shí)時(shí)檢測(cè)[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2016, 47(5): 288-294.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20160539&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2016.05.039. LIU Dong, ZHAO Kaixuan, HE Dongjian.Real-time target detection for moving cows based on gaussian mixture model[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(5): 288-294. (in Chinese)

    16 何東健,孟凡昌,趙凱旋,等. 基于視頻分析的犢牛基本行為識(shí)別[J/OL]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2016, 47(9): 294-300.http:∥www.j-csam.org/jcsam/ch/reader/view_abstract.aspx?flag=1&file_no=20160940&journal_id=jcsam.DOI:10.6041/j.issn.1000-1298.2016.09.040. HE Dongjian, MENG Fanchang, ZHAO Kaixuan, et al.Recognition of calf basic behaviors based on video analysis[J/OL]. Transactions of the Chinese Society for Agricultural Machinery, 2016, 47(9): 294-300. (in Chinese)

    17 ZHAO K, HE D. Target detection method for moving cows based on background subtraction[J]. International Journal of Agricultural and Biological Engineering, 2015, 8(1): 42-49.

    18 VIAZZI S, BAHR C, Van HERTEM T, et al. Comparison of a three-dimensional and two-dimensional camera system for automated measurement of back posture in dairy cows[J]. Computers and Electronics in Agriculture, 2014, 100(1): 139-147.

    19 SHOTTON J, SHARP T, KIPMAN A, et al.Real-time human pose recognition in parts from single depth images[J]. Communications of the ACM, 2013, 56(1): 116-124.

    20 ANTONIO H V, NADEZHDA Z, ALEXANDER M, et al. Graph cuts optimization for multi-limb human segmentation in depth maps[C]∥2012 IEEE Conference on Computer Vision & Pattern Recognition,2012:726-732.

    21 NANNI L, BRAHNAM S, LUMINI A. A simple method for improving local binary patterns by considering non-uniform patterns[J].Pattern Recognition, 2012, 45(10): 3844-3852.

    Fine Segment Method of Cows’ Body Parts in Depth Images Based on Machine Learning

    ZHAO Kaixuan LI Guoqiang HE Dongjian

    (CollegeofMechanicalandElectronicEngineering,NorthwestA&FUniversity,Yangling,Shaanxi712100,China)

    The recognition of cows’ body parts is essential for providing accurate details of the cows’ shape, which is the fundamental prerequisite for locomotion scoring, posture detection and behavioral quantifications. The objective was to develop a robust depth feature in order to reduce the difficulty in building the classifier and detect cows’ body parts with higher accuracy. Therefore, a method for segmenting cows’ body parts was proposed, including the head, neck, body, forelimbs, hind limbs and tail, with high accuracy on the basis of depth image processing and machine learning. The local binary patterns of each pixel under several sampling radii were used as the features with which the filtering rules were designed, and a decision forest was trained and tested to classify the pixels into six groups. Furthermore, totally 288 depth images were captured from 30 cows; 150 images were randomly selected to build three decision trees, and the rest images were used for testing. The results showed that when the number of sampling radii and training layers were 30 and 20, respectively, the recognition rate reached 95.15%. Among the cows’ body parts, the recognition rate of tail was 54.97%, and the minimum recognition rate of other parts was 89.22%. In some cases that tail was too close to trunk to segment tail from trunk by human marker, the decision trees recognized the tail successfully. The average recognition time for pixel were 0.38 ms and 0.25 ms, and the recognition time for cow target were 20.30 s and 15.25 s for the conventional method and new method, respectively. This LBP-based depth image feature was translation-invariant and rotation-invariant and had fewer parameters. The results showed that the new method proposed was more effective in recognizing small and complex structures of the cow target with higher accuracy. Compared with the typical depth image features, the new feature employed was capable of extracting the details of cows’ body and recognizing complex parts more accurately with fewer parameters and simple model.

    cows; target detection; body segment; depth image; machine learning

    10.6041/j.issn.1000-1298.2017.04.023

    2017-01-02

    2017-02-11

    國(guó)家自然科學(xué)基金項(xiàng)目(61473235)

    趙凱旋(1989—),男,博士生,主要從事基于圖像處理的動(dòng)物行為分析方法研究,E-mail: zkx@nwsuaf.edu.cn

    何東健(1957—),男,教授,博士生導(dǎo)師,主要從事生物圖像分析及識(shí)別、智能化檢測(cè)與控制研究,E-mail: hdj168@nwsuaf.edu.cn

    S24; S823.9+1

    A

    1000-1298(2017)04-0173-07

    猜你喜歡
    識(shí)別率決策樹(shù)像素點(diǎn)
    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(cè)
    一種針對(duì)不均衡數(shù)據(jù)集的SVM決策樹(shù)算法
    基于真耳分析的助聽(tīng)器配戴者言語(yǔ)可懂度指數(shù)與言語(yǔ)識(shí)別率的關(guān)系
    決策樹(shù)和隨機(jī)森林方法在管理決策中的應(yīng)用
    電子制作(2018年16期)2018-09-26 03:27:06
    提升高速公路MTC二次抓拍車牌識(shí)別率方案研究
    基于canvas的前端數(shù)據(jù)加密
    基于逐像素點(diǎn)深度卷積網(wǎng)絡(luò)分割模型的上皮和間質(zhì)組織分割
    基于決策樹(shù)的出租車乘客出行目的識(shí)別
    高速公路機(jī)電日常維護(hù)中車牌識(shí)別率分析系統(tǒng)的應(yīng)用
    基于肺癌CT的決策樹(shù)模型在肺癌診斷中的應(yīng)用
    美女视频免费永久观看网站| 国产人伦9x9x在线观看| 最黄视频免费看| 国产黄色免费在线视频| 哪个播放器可以免费观看大片| 欧美人与性动交α欧美精品济南到| 欧美日韩一级在线毛片| 亚洲av成人精品一二三区| 精品久久蜜臀av无| 国产日韩一区二区三区精品不卡| 久久影院123| 黑人欧美特级aaaaaa片| 啦啦啦中文免费视频观看日本| 午夜日韩欧美国产| 欧美国产精品一级二级三级| 国产成人av激情在线播放| 精品第一国产精品| 欧美少妇被猛烈插入视频| 日韩不卡一区二区三区视频在线| 超色免费av| 日本av免费视频播放| 极品人妻少妇av视频| 欧美少妇被猛烈插入视频| 搡老乐熟女国产| 久久97久久精品| 日韩欧美精品免费久久| 我要看黄色一级片免费的| 国产片特级美女逼逼视频| 我要看黄色一级片免费的| 丰满饥渴人妻一区二区三| 天堂俺去俺来也www色官网| 国产成人欧美| 国产深夜福利视频在线观看| 国产亚洲精品第一综合不卡| 午夜影院在线不卡| 久久婷婷青草| 欧美人与善性xxx| 久久久国产精品麻豆| 夫妻性生交免费视频一级片| 香蕉丝袜av| 最近最新中文字幕大全免费视频 | 涩涩av久久男人的天堂| 人人妻,人人澡人人爽秒播 | 下体分泌物呈黄色| 五月天丁香电影| 少妇人妻精品综合一区二区| 嫩草影视91久久| 韩国精品一区二区三区| 美女午夜性视频免费| 精品一品国产午夜福利视频| 亚洲人成网站在线观看播放| 国产精品99久久99久久久不卡 | 97在线人人人人妻| 在线观看人妻少妇| 涩涩av久久男人的天堂| 成人午夜精彩视频在线观看| 黄片小视频在线播放| 亚洲av日韩精品久久久久久密 | 久热这里只有精品99| 宅男免费午夜| 国产高清不卡午夜福利| 伊人亚洲综合成人网| 一区在线观看完整版| 欧美人与性动交α欧美精品济南到| 日韩一卡2卡3卡4卡2021年| 视频区图区小说| 十分钟在线观看高清视频www| 亚洲av成人精品一二三区| 2018国产大陆天天弄谢| 精品一区二区三区av网在线观看 | 国产99久久九九免费精品| av国产精品久久久久影院| 免费观看性生交大片5| 亚洲婷婷狠狠爱综合网| 夜夜骑夜夜射夜夜干| 国产精品熟女久久久久浪| 成年人午夜在线观看视频| 97精品久久久久久久久久精品| 亚洲专区中文字幕在线 | 99香蕉大伊视频| 波野结衣二区三区在线| 亚洲中文av在线| 男人添女人高潮全过程视频| 国产xxxxx性猛交| av视频免费观看在线观看| 国产一区二区激情短视频 | 欧美人与性动交α欧美软件| 最近的中文字幕免费完整| 国产精品久久久久久精品古装| 乱人伦中国视频| 涩涩av久久男人的天堂| 久久婷婷青草| 成年人免费黄色播放视频| 免费高清在线观看日韩| 日韩一本色道免费dvd| 亚洲精品,欧美精品| av福利片在线| 一级毛片 在线播放| 免费av中文字幕在线| 国产99久久九九免费精品| 老司机深夜福利视频在线观看 | 中文欧美无线码| 久久久久精品久久久久真实原创| 爱豆传媒免费全集在线观看| 国产成人av激情在线播放| 亚洲国产精品成人久久小说| av线在线观看网站| 国产毛片在线视频| 人体艺术视频欧美日本| 精品福利永久在线观看| 99热国产这里只有精品6| 亚洲av福利一区| www.精华液| 看免费av毛片| 久久久久国产精品人妻一区二区| 三上悠亚av全集在线观看| 精品亚洲成国产av| 亚洲av日韩精品久久久久久密 | 美女高潮到喷水免费观看| 欧美在线一区亚洲| 亚洲熟女精品中文字幕| 国产精品人妻久久久影院| 欧美久久黑人一区二区| 日本爱情动作片www.在线观看| 中文字幕av电影在线播放| 老司机亚洲免费影院| 黄网站色视频无遮挡免费观看| 成年av动漫网址| 亚洲精华国产精华液的使用体验| 欧美日韩综合久久久久久| 亚洲精品自拍成人| 国产国语露脸激情在线看| 中文字幕色久视频| 国产av国产精品国产| 国产精品一区二区精品视频观看| 久久精品国产a三级三级三级| 亚洲视频免费观看视频| 五月开心婷婷网| 亚洲av欧美aⅴ国产| 99热国产这里只有精品6| 丰满乱子伦码专区| 一本久久精品| 男人爽女人下面视频在线观看| 亚洲av综合色区一区| 欧美精品高潮呻吟av久久| 国产伦理片在线播放av一区| 最近中文字幕2019免费版| 国产精品一国产av| 国产精品欧美亚洲77777| 亚洲综合精品二区| 亚洲精品国产区一区二| 伊人久久大香线蕉亚洲五| 久久毛片免费看一区二区三区| 欧美激情极品国产一区二区三区| 黄频高清免费视频| 日韩精品有码人妻一区| 黑人欧美特级aaaaaa片| 国产黄色视频一区二区在线观看| 亚洲图色成人| 久久鲁丝午夜福利片| 国产精品久久久久久人妻精品电影 | av在线老鸭窝| 在线天堂中文资源库| 久久久久久久久久久久大奶| 十分钟在线观看高清视频www| 国产一区二区 视频在线| 亚洲精品日本国产第一区| 亚洲图色成人| 不卡视频在线观看欧美| 满18在线观看网站| 人人妻人人澡人人看| 国产99久久九九免费精品| 国产精品99久久99久久久不卡 | 少妇人妻 视频| 成人18禁高潮啪啪吃奶动态图| 欧美 亚洲 国产 日韩一| 国产爽快片一区二区三区| 亚洲欧美成人精品一区二区| 男女免费视频国产| 日韩一卡2卡3卡4卡2021年| 人人澡人人妻人| 亚洲欧美中文字幕日韩二区| 亚洲第一av免费看| 国产精品久久久人人做人人爽| 亚洲欧美精品自产自拍| 国产97色在线日韩免费| 啦啦啦在线免费观看视频4| 久久人人爽人人片av| 亚洲成人免费av在线播放| 国产欧美亚洲国产| 69精品国产乱码久久久| 制服人妻中文乱码| 久久久久精品性色| 午夜福利视频在线观看免费| 99国产综合亚洲精品| 婷婷色综合大香蕉| 精品卡一卡二卡四卡免费| 精品亚洲乱码少妇综合久久| 女人久久www免费人成看片| 美女主播在线视频| 男女边吃奶边做爰视频| 一级毛片我不卡| 亚洲少妇的诱惑av| 美女高潮到喷水免费观看| 波多野结衣一区麻豆| 国产精品欧美亚洲77777| 丝袜脚勾引网站| 美女中出高潮动态图| 中文天堂在线官网| 一级毛片 在线播放| 色播在线永久视频| 女的被弄到高潮叫床怎么办| 不卡视频在线观看欧美| 成人手机av| 欧美精品av麻豆av| 97精品久久久久久久久久精品| 日韩一区二区视频免费看| 在线看a的网站| 精品午夜福利在线看| 热99国产精品久久久久久7| 亚洲欧美色中文字幕在线| 精品国产一区二区三区久久久樱花| av片东京热男人的天堂| 卡戴珊不雅视频在线播放| 亚洲精品国产av蜜桃| 成人亚洲精品一区在线观看| 少妇人妻 视频| 啦啦啦视频在线资源免费观看| 丰满饥渴人妻一区二区三| 亚洲,欧美,日韩| 日本av免费视频播放| 观看美女的网站| 伊人久久大香线蕉亚洲五| 国产男女超爽视频在线观看| 久久久精品国产亚洲av高清涩受| av在线播放精品| 自线自在国产av| 欧美激情极品国产一区二区三区| 少妇人妻久久综合中文| av电影中文网址| 国产xxxxx性猛交| 国产成人精品久久二区二区91 | 欧美精品亚洲一区二区| 少妇被粗大的猛进出69影院| 亚洲av国产av综合av卡| 青青草视频在线视频观看| 国产无遮挡羞羞视频在线观看| 久久精品国产亚洲av涩爱| 哪个播放器可以免费观看大片| 国产免费视频播放在线视频| 九九爱精品视频在线观看| 国产免费现黄频在线看| 日韩伦理黄色片| 亚洲国产最新在线播放| 在线观看人妻少妇| 成年美女黄网站色视频大全免费| 精品午夜福利在线看| 一边摸一边抽搐一进一出视频| 成年动漫av网址| 在线看a的网站| 日韩av免费高清视频| 欧美 亚洲 国产 日韩一| 久久国产精品男人的天堂亚洲| 亚洲第一区二区三区不卡| 成人国产av品久久久| 国产av国产精品国产| 久久久久久免费高清国产稀缺| 午夜福利,免费看| 街头女战士在线观看网站| 精品一区二区三区av网在线观看 | 狂野欧美激情性bbbbbb| 天天躁狠狠躁夜夜躁狠狠躁| 欧美日韩一区二区视频在线观看视频在线| 在线观看三级黄色| 一边摸一边抽搐一进一出视频| 久久久精品免费免费高清| 国产极品天堂在线| 亚洲 欧美一区二区三区| 国产爽快片一区二区三区| 看十八女毛片水多多多| 亚洲伊人久久精品综合| 亚洲精品国产av成人精品| 国产精品久久久av美女十八| 亚洲av欧美aⅴ国产| 国产精品 欧美亚洲| 黄色视频在线播放观看不卡| 精品国产一区二区三区四区第35| 电影成人av| 精品第一国产精品| 在线亚洲精品国产二区图片欧美| 亚洲成av片中文字幕在线观看| 国产精品无大码| 久久韩国三级中文字幕| 在线观看人妻少妇| 国产成人精品久久二区二区91 | 国产日韩欧美视频二区| 成人亚洲精品一区在线观看| 日韩中文字幕视频在线看片| av女优亚洲男人天堂| 久久毛片免费看一区二区三区| 久久性视频一级片| 亚洲精品久久午夜乱码| 乱人伦中国视频| 欧美日韩一区二区视频在线观看视频在线| 成人国语在线视频| 免费日韩欧美在线观看| 一区二区日韩欧美中文字幕| av在线观看视频网站免费| 日韩成人av中文字幕在线观看| 极品少妇高潮喷水抽搐| 亚洲精品aⅴ在线观看| 国产一区二区 视频在线| 亚洲图色成人| 国产福利在线免费观看视频| 久久热在线av| 女人被躁到高潮嗷嗷叫费观| 黑丝袜美女国产一区| xxx大片免费视频| 九色亚洲精品在线播放| 无遮挡黄片免费观看| 男的添女的下面高潮视频| 精品少妇久久久久久888优播| 999久久久国产精品视频| 日韩熟女老妇一区二区性免费视频| 亚洲成国产人片在线观看| 欧美人与性动交α欧美软件| 另类亚洲欧美激情| 欧美日韩视频精品一区| 卡戴珊不雅视频在线播放| 一级爰片在线观看| 国产精品久久久久久人妻精品电影 | 亚洲精品,欧美精品| 看免费av毛片| 极品少妇高潮喷水抽搐| 男女下面插进去视频免费观看| 成人漫画全彩无遮挡| 午夜精品国产一区二区电影| 一级毛片黄色毛片免费观看视频| 自拍欧美九色日韩亚洲蝌蚪91| 青春草国产在线视频| 看免费成人av毛片| 极品人妻少妇av视频| 亚洲国产精品成人久久小说| 99re6热这里在线精品视频| 成人国产麻豆网| 国产在视频线精品| 欧美黑人精品巨大| 免费在线观看黄色视频的| 丝袜美足系列| 精品人妻在线不人妻| 69精品国产乱码久久久| 精品久久久精品久久久| h视频一区二区三区| 国产黄频视频在线观看| 亚洲情色 制服丝袜| 2021少妇久久久久久久久久久| 久久久久久久大尺度免费视频| 国产成人精品福利久久| 女人精品久久久久毛片| 狂野欧美激情性bbbbbb| 一本一本久久a久久精品综合妖精| 制服诱惑二区| 久久精品国产综合久久久| h视频一区二区三区| av免费观看日本| 久久韩国三级中文字幕| 建设人人有责人人尽责人人享有的| 97在线人人人人妻| 欧美黑人欧美精品刺激| 99国产精品免费福利视频| 成年人免费黄色播放视频| 香蕉国产在线看| 美女扒开内裤让男人捅视频| 丰满少妇做爰视频| 一个人免费看片子| 亚洲人成电影观看| 午夜福利视频精品| 成年动漫av网址| 视频区图区小说| 水蜜桃什么品种好| 久久久国产精品麻豆| 又粗又硬又长又爽又黄的视频| 亚洲国产成人一精品久久久| 国产精品久久久久久人妻精品电影 | 久久久精品94久久精品| 美女视频免费永久观看网站| 成年美女黄网站色视频大全免费| 欧美日韩视频高清一区二区三区二| 国产一区有黄有色的免费视频| 超色免费av| 一级毛片我不卡| 午夜福利,免费看| 大码成人一级视频| 如何舔出高潮| 天天操日日干夜夜撸| 久久精品久久精品一区二区三区| 国产色婷婷99| 99香蕉大伊视频| 老司机在亚洲福利影院| 国产一区二区激情短视频 | 国产一区二区激情短视频 | 国产免费现黄频在线看| 亚洲伊人久久精品综合| 黄色怎么调成土黄色| 精品视频人人做人人爽| 99热国产这里只有精品6| 日韩 亚洲 欧美在线| 老司机影院毛片| 精品一区二区三区av网在线观看 | 免费少妇av软件| 日本av免费视频播放| 热99国产精品久久久久久7| 看十八女毛片水多多多| 欧美另类一区| 97在线人人人人妻| 日本av免费视频播放| 亚洲国产精品成人久久小说| 国产一区二区激情短视频 | 国产男女超爽视频在线观看| 中文字幕最新亚洲高清| 国产一区有黄有色的免费视频| 99精品久久久久人妻精品| 水蜜桃什么品种好| 亚洲成人av在线免费| 国产成人av激情在线播放| 欧美精品高潮呻吟av久久| 如日韩欧美国产精品一区二区三区| 久久久久网色| 老司机影院毛片| 黑人欧美特级aaaaaa片| 欧美在线黄色| 日本wwww免费看| 亚洲欧美激情在线| 一级毛片黄色毛片免费观看视频| 最近中文字幕高清免费大全6| 国产淫语在线视频| 99热网站在线观看| 三上悠亚av全集在线观看| 亚洲精品日韩在线中文字幕| 久久精品亚洲熟妇少妇任你| 国产成人精品福利久久| 两个人看的免费小视频| 男女无遮挡免费网站观看| 日韩大片免费观看网站| 在线观看www视频免费| 国产精品久久久久久人妻精品电影 | 亚洲欧洲精品一区二区精品久久久 | 伦理电影大哥的女人| 你懂的网址亚洲精品在线观看| 国产精品一区二区在线不卡| 在线观看一区二区三区激情| 青草久久国产| 亚洲综合精品二区| 黄色视频不卡| 国产视频首页在线观看| 免费少妇av软件| 日韩制服骚丝袜av| 悠悠久久av| 国产成人精品久久久久久| 国产成人免费无遮挡视频| 在线观看免费视频网站a站| 色婷婷av一区二区三区视频| 老汉色∧v一级毛片| 电影成人av| 亚洲综合精品二区| 日韩一区二区视频免费看| 日韩大片免费观看网站| 女人被躁到高潮嗷嗷叫费观| 亚洲av中文av极速乱| 超碰成人久久| 午夜福利在线免费观看网站| 日韩成人av中文字幕在线观看| 成人午夜精彩视频在线观看| 日韩一卡2卡3卡4卡2021年| 亚洲精品中文字幕在线视频| 日韩人妻精品一区2区三区| 不卡av一区二区三区| 国产男女超爽视频在线观看| 亚洲 欧美一区二区三区| a级片在线免费高清观看视频| xxx大片免费视频| 十八禁高潮呻吟视频| 69精品国产乱码久久久| 午夜激情av网站| 国产有黄有色有爽视频| 最近中文字幕高清免费大全6| 国产精品国产av在线观看| 国产成人欧美在线观看 | 最近中文字幕高清免费大全6| 高清视频免费观看一区二区| svipshipincom国产片| 亚洲欧美色中文字幕在线| 免费不卡黄色视频| 欧美成人精品欧美一级黄| 91国产中文字幕| 少妇人妻精品综合一区二区| 永久免费av网站大全| 亚洲四区av| 国产精品一区二区在线观看99| 日韩成人av中文字幕在线观看| 1024香蕉在线观看| 国产精品人妻久久久影院| 十八禁高潮呻吟视频| 日韩伦理黄色片| 婷婷色av中文字幕| 亚洲av国产av综合av卡| 亚洲国产精品成人久久小说| 欧美日韩一区二区视频在线观看视频在线| 丝袜美足系列| 女性生殖器流出的白浆| 黄色怎么调成土黄色| 免费在线观看完整版高清| 搡老乐熟女国产| kizo精华| √禁漫天堂资源中文www| 久久精品熟女亚洲av麻豆精品| 七月丁香在线播放| 日日啪夜夜爽| 日本vs欧美在线观看视频| 亚洲国产精品国产精品| 极品人妻少妇av视频| 精品亚洲乱码少妇综合久久| 人人妻人人澡人人看| 亚洲精品国产av蜜桃| av免费观看日本| 亚洲成人一二三区av| 国产 一区精品| 亚洲av综合色区一区| 日本色播在线视频| 久久精品久久久久久久性| 国产精品成人在线| 99热全是精品| 18在线观看网站| 99热全是精品| av在线观看视频网站免费| 国产亚洲一区二区精品| 汤姆久久久久久久影院中文字幕| 少妇 在线观看| 亚洲精品自拍成人| 97精品久久久久久久久久精品| 母亲3免费完整高清在线观看| 下体分泌物呈黄色| 老鸭窝网址在线观看| 亚洲国产精品成人久久小说| 永久免费av网站大全| 下体分泌物呈黄色| 女性生殖器流出的白浆| 久久99热这里只频精品6学生| 亚洲成av片中文字幕在线观看| 久久热在线av| 亚洲久久久国产精品| 啦啦啦中文免费视频观看日本| 大香蕉久久网| 男男h啪啪无遮挡| 99精国产麻豆久久婷婷| 亚洲精品国产av成人精品| 免费观看av网站的网址| 人妻人人澡人人爽人人| 男女之事视频高清在线观看 | 亚洲欧洲日产国产| 秋霞伦理黄片| 精品一区在线观看国产| 午夜福利一区二区在线看| 久久ye,这里只有精品| 欧美黄色片欧美黄色片| 亚洲,一卡二卡三卡| 亚洲成色77777| 又黄又粗又硬又大视频| 纵有疾风起免费观看全集完整版| 午夜激情av网站| 超色免费av| 美女视频免费永久观看网站| 99热国产这里只有精品6| 人人妻,人人澡人人爽秒播 | a级毛片在线看网站| 亚洲欧美激情在线| 美女主播在线视频| 丝瓜视频免费看黄片| 亚洲成国产人片在线观看| 国产xxxxx性猛交| 久久久久视频综合| 欧美97在线视频| 亚洲欧洲精品一区二区精品久久久 | 成人午夜精彩视频在线观看| 国产高清国产精品国产三级| 国产探花极品一区二区| 国产av国产精品国产| 天天添夜夜摸| www日本在线高清视频| 老鸭窝网址在线观看| 国产精品一二三区在线看| 国产欧美日韩综合在线一区二区| 高清在线视频一区二区三区| 大码成人一级视频| 国产av一区二区精品久久| 久久久精品94久久精品| 99re6热这里在线精品视频| 啦啦啦在线免费观看视频4| 亚洲成人av在线免费| av女优亚洲男人天堂| 在线观看免费日韩欧美大片| 天天躁夜夜躁狠狠躁躁| 桃花免费在线播放| 久久婷婷青草| 久久人人爽av亚洲精品天堂| av有码第一页| 久久精品亚洲熟妇少妇任你| 人成视频在线观看免费观看| 国产亚洲av高清不卡| 日本一区二区免费在线视频| 午夜福利视频在线观看免费| √禁漫天堂资源中文www| 亚洲欧美成人精品一区二区| 啦啦啦中文免费视频观看日本| 大陆偷拍与自拍|