• <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
    能在线免费观看的黄片| 日本与韩国留学比较| .国产精品久久| 日韩欧美一区视频在线观看 | 中文天堂在线官网| 亚洲丝袜综合中文字幕| 午夜爱爱视频在线播放| 亚洲乱码一区二区免费版| 高清午夜精品一区二区三区| 免费无遮挡裸体视频| 欧美人与善性xxx| 精品一区二区三卡| 日日啪夜夜爽| 日韩一区二区三区影片| 91久久精品国产一区二区成人| 午夜激情久久久久久久| 国产 一区精品| 一区二区三区高清视频在线| 久久精品国产亚洲av涩爱| 亚洲人成网站高清观看| 高清毛片免费看| 久久人人爽人人片av| 2021少妇久久久久久久久久久| 久久99热这里只频精品6学生| 2018国产大陆天天弄谢| 亚洲成人中文字幕在线播放| 天天躁夜夜躁狠狠久久av| 精品国产一区二区三区久久久樱花 | 极品少妇高潮喷水抽搐| 韩国av在线不卡| 婷婷色综合www| 六月丁香七月| 亚洲欧洲日产国产| 亚洲18禁久久av| 美女黄网站色视频| 高清日韩中文字幕在线| 美女大奶头视频| 国内揄拍国产精品人妻在线| 国产高清国产精品国产三级 | 2021天堂中文幕一二区在线观| 日韩三级伦理在线观看| 69人妻影院| 精品欧美国产一区二区三| 亚洲一区高清亚洲精品| 中文在线观看免费www的网站| 国产伦一二天堂av在线观看| av福利片在线观看| 亚洲激情五月婷婷啪啪| 亚洲成色77777| kizo精华| 日韩一区二区视频免费看| 国产高清三级在线| 尤物成人国产欧美一区二区三区| 蜜桃久久精品国产亚洲av| 超碰97精品在线观看| 国产老妇伦熟女老妇高清| 成人性生交大片免费视频hd| 51国产日韩欧美| 春色校园在线视频观看| 青青草视频在线视频观看| 国产亚洲最大av| 亚州av有码| 美女国产视频在线观看| 亚洲怡红院男人天堂| 亚洲精品乱久久久久久| 亚洲成人av在线免费| 免费观看精品视频网站| 国产69精品久久久久777片| 国产精品一二三区在线看| 少妇熟女欧美另类| 亚洲人与动物交配视频| 亚洲精品第二区| 麻豆乱淫一区二区| 亚洲精品456在线播放app| 亚洲人成网站在线播| 久久精品国产亚洲av天美| 日日啪夜夜爽| 成人美女网站在线观看视频| 国产成人a区在线观看| 老女人水多毛片| 99热这里只有是精品50| 精品久久久噜噜| 尤物成人国产欧美一区二区三区| 国产在线一区二区三区精| av黄色大香蕉| 又爽又黄a免费视频| 成人综合一区亚洲| 久久这里有精品视频免费| 啦啦啦韩国在线观看视频| 免费少妇av软件| 日韩在线高清观看一区二区三区| 国产一区二区三区综合在线观看 | 91精品一卡2卡3卡4卡| 成人欧美大片| 欧美潮喷喷水| 一区二区三区四区激情视频| 乱人视频在线观看| 免费大片18禁| 乱人视频在线观看| 69av精品久久久久久| 国产人妻一区二区三区在| 最近手机中文字幕大全| 卡戴珊不雅视频在线播放| 久久国内精品自在自线图片| 欧美日韩视频高清一区二区三区二| 亚洲三级黄色毛片| 男人舔女人下体高潮全视频| 国产精品久久久久久av不卡| 午夜福利成人在线免费观看| 久久99精品国语久久久| 欧美xxⅹ黑人| 日韩一本色道免费dvd| 男女边摸边吃奶| 国产精品无大码| 色综合亚洲欧美另类图片| 午夜激情久久久久久久| 观看美女的网站| 嫩草影院入口| 男插女下体视频免费在线播放| 精品人妻熟女av久视频| 51国产日韩欧美| 免费黄网站久久成人精品| av在线老鸭窝| 国产又色又爽无遮挡免| 伦精品一区二区三区| 一个人看视频在线观看www免费| 91狼人影院| 熟妇人妻久久中文字幕3abv| 成年版毛片免费区| 全区人妻精品视频| 大话2 男鬼变身卡| 日韩av在线免费看完整版不卡| 亚洲欧美日韩无卡精品| 国产伦精品一区二区三区视频9| 亚洲国产欧美在线一区| 超碰av人人做人人爽久久| 性插视频无遮挡在线免费观看| 嫩草影院入口| 亚洲国产精品成人久久小说| 国产精品国产三级国产专区5o| 精品99又大又爽又粗少妇毛片| 午夜精品一区二区三区免费看| kizo精华| 亚洲成人av在线免费| 熟女电影av网| 午夜日本视频在线| eeuss影院久久| 国产 亚洲一区二区三区 | 免费不卡的大黄色大毛片视频在线观看 | 99久久中文字幕三级久久日本| 亚洲内射少妇av| 少妇猛男粗大的猛烈进出视频 | 免费观看无遮挡的男女| 亚洲四区av| 啦啦啦啦在线视频资源| 久久久a久久爽久久v久久| 中文字幕av在线有码专区| 日本熟妇午夜| av.在线天堂| 97人妻精品一区二区三区麻豆| xxx大片免费视频| 精品一区在线观看国产| 一级二级三级毛片免费看| 午夜亚洲福利在线播放| 美女内射精品一级片tv| 亚洲精品第二区| videos熟女内射| 久久这里有精品视频免费| 欧美日本视频| 亚洲成人av在线免费| 只有这里有精品99| 搡女人真爽免费视频火全软件| 中文精品一卡2卡3卡4更新| 超碰av人人做人人爽久久| 午夜老司机福利剧场| 免费在线观看成人毛片| 亚洲美女搞黄在线观看| 国产日韩欧美在线精品| www.av在线官网国产| 日韩欧美 国产精品| 自拍偷自拍亚洲精品老妇| 亚洲综合色惰| 中国国产av一级| 午夜老司机福利剧场| 国产精品国产三级国产专区5o| 国产乱人偷精品视频| 亚洲性久久影院| 国产成人精品福利久久| 麻豆久久精品国产亚洲av| 日韩中字成人| 精品久久国产蜜桃| 午夜免费激情av| 91精品国产九色| 国产淫语在线视频| 伦理电影大哥的女人| 边亲边吃奶的免费视频| 少妇丰满av| 一级a做视频免费观看| 日韩av不卡免费在线播放| 久久久午夜欧美精品| 精品国产三级普通话版| 免费看美女性在线毛片视频| 国产老妇伦熟女老妇高清| 色尼玛亚洲综合影院| 国产午夜精品论理片| 熟女电影av网| av免费观看日本| 国产精品av视频在线免费观看| 男女国产视频网站| 欧美日韩国产mv在线观看视频 | 久久久亚洲精品成人影院| 国产成人91sexporn| 综合色丁香网| 亚洲精品久久午夜乱码| 免费黄色在线免费观看| 国产一区有黄有色的免费视频 | 亚洲欧美精品自产自拍| 看非洲黑人一级黄片| 国产精品爽爽va在线观看网站| 国产精品久久久久久av不卡| 国产中年淑女户外野战色| 午夜精品一区二区三区免费看| 色综合色国产| 97人妻精品一区二区三区麻豆| 男女边吃奶边做爰视频| 插阴视频在线观看视频| 国产熟女欧美一区二区| 淫秽高清视频在线观看| 日日摸夜夜添夜夜添av毛片| 国产探花在线观看一区二区| 一级爰片在线观看| 天堂俺去俺来也www色官网 | 精品久久久久久久末码| 欧美激情在线99| 一区二区三区四区激情视频| 精品久久久久久久末码| 简卡轻食公司| 熟女人妻精品中文字幕| 国产在视频线精品| 春色校园在线视频观看| 18禁在线无遮挡免费观看视频| 亚洲av电影在线观看一区二区三区 | 九九爱精品视频在线观看| 国产淫片久久久久久久久| 男人爽女人下面视频在线观看| 免费看日本二区| 波多野结衣巨乳人妻| 成人亚洲精品一区在线观看 | 日韩精品青青久久久久久| 麻豆久久精品国产亚洲av| 成人毛片a级毛片在线播放| 永久免费av网站大全| 免费观看在线日韩| 亚洲精品,欧美精品| 国内揄拍国产精品人妻在线| 只有这里有精品99| 菩萨蛮人人尽说江南好唐韦庄| 七月丁香在线播放| 97超视频在线观看视频| 最近视频中文字幕2019在线8| 一二三四中文在线观看免费高清| 午夜精品在线福利| 久久精品国产亚洲网站| 日本三级黄在线观看| 国产在视频线在精品| 美女被艹到高潮喷水动态| 尾随美女入室| 久久久久久久久久久免费av| 插逼视频在线观看| 91午夜精品亚洲一区二区三区| 国产亚洲5aaaaa淫片| 日本午夜av视频| 免费电影在线观看免费观看| 一级a做视频免费观看| 国产精品女同一区二区软件| 成人午夜高清在线视频| 久久午夜福利片| 99久国产av精品国产电影| 国产精品嫩草影院av在线观看| av女优亚洲男人天堂| 日韩一区二区三区影片| 午夜福利成人在线免费观看| 国产av码专区亚洲av| 91久久精品国产一区二区三区| 国产v大片淫在线免费观看| 欧美最新免费一区二区三区| 中文精品一卡2卡3卡4更新| 国产成人aa在线观看| 91精品一卡2卡3卡4卡| eeuss影院久久| 美女内射精品一级片tv| 欧美高清性xxxxhd video| 久久鲁丝午夜福利片| 亚洲伊人久久精品综合| 欧美成人a在线观看| 又爽又黄a免费视频| 最近中文字幕2019免费版| 菩萨蛮人人尽说江南好唐韦庄| 午夜福利在线观看吧| 黄色欧美视频在线观看| 免费观看在线日韩| 少妇被粗大猛烈的视频| 激情 狠狠 欧美| 三级国产精品片| 一级毛片aaaaaa免费看小| 黄色日韩在线| 亚洲精品亚洲一区二区| 爱豆传媒免费全集在线观看| 青青草视频在线视频观看| 精品欧美国产一区二区三| 亚洲国产精品国产精品| 免费看不卡的av| 特级一级黄色大片| 午夜福利在线在线| 天堂√8在线中文| 免费观看无遮挡的男女| 亚洲欧美一区二区三区国产| 最近最新中文字幕大全电影3| 丰满乱子伦码专区| 免费观看无遮挡的男女| 非洲黑人性xxxx精品又粗又长| 日本三级黄在线观看| av在线亚洲专区| 欧美精品一区二区大全| 精品久久久久久电影网| 国产黄色小视频在线观看| 国产片特级美女逼逼视频| 亚洲精品乱码久久久v下载方式| av专区在线播放| 寂寞人妻少妇视频99o| 成人国产麻豆网| 免费观看性生交大片5| 亚洲欧美一区二区三区国产| 亚洲国产精品国产精品| 国产成人精品福利久久| 又大又黄又爽视频免费| 视频中文字幕在线观看| 免费观看av网站的网址| 国产精品福利在线免费观看| 最近最新中文字幕免费大全7| 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| 欧美xxxx性猛交bbbb| 国产探花在线观看一区二区| av福利片在线观看| 91av网一区二区| 国产亚洲最大av| av女优亚洲男人天堂| 久久精品国产鲁丝片午夜精品| 成人一区二区视频在线观看| 精品国产一区二区三区久久久樱花 | 成人亚洲精品一区在线观看 | www.色视频.com| 69人妻影院| 国产视频内射| 精品久久久久久久人妻蜜臀av| 亚洲成人av在线免费| av免费观看日本| 搡老妇女老女人老熟妇| 久久精品国产亚洲网站| 亚洲无线观看免费| 亚洲精品,欧美精品| 夫妻午夜视频| 国产亚洲精品久久久com| 亚洲图色成人| 久久久久国产网址| 亚洲精品视频女| 91久久精品国产一区二区三区| 国产成人aa在线观看| 青春草视频在线免费观看| 在线天堂最新版资源| 免费av毛片视频| 亚洲综合精品二区| 青春草视频在线免费观看| 国产三级在线视频| 久久6这里有精品| 亚洲三级黄色毛片| 日韩av不卡免费在线播放| 久久久国产一区二区| 人妻少妇偷人精品九色| 国产成人a区在线观看| 欧美xxⅹ黑人| 午夜激情久久久久久久| 国产在视频线精品| a级一级毛片免费在线观看| 久久久午夜欧美精品| 国产精品女同一区二区软件| 国产精品久久久久久久久免| 女人久久www免费人成看片| 国产伦精品一区二区三区视频9| 在线观看免费高清a一片| 日本三级黄在线观看| 女人久久www免费人成看片| 日日撸夜夜添| 五月天丁香电影| 国产伦理片在线播放av一区| 国产亚洲5aaaaa淫片| 一区二区三区四区激情视频| 蜜桃久久精品国产亚洲av| 美女脱内裤让男人舔精品视频| 国产一区二区在线观看日韩| 亚洲婷婷狠狠爱综合网| 丝袜喷水一区| 精品人妻偷拍中文字幕| 色综合站精品国产| 青春草国产在线视频| 国产成人freesex在线| 精品国产三级普通话版| 一本久久精品| 日韩电影二区| 亚洲av中文av极速乱| 亚洲欧美日韩卡通动漫| 国产成人精品一,二区| 久久久午夜欧美精品| 少妇猛男粗大的猛烈进出视频 | 欧美日韩亚洲高清精品| 一个人看的www免费观看视频| 在线免费观看的www视频| 18禁裸乳无遮挡免费网站照片| 欧美97在线视频| 蜜臀久久99精品久久宅男| 久久99热这里只频精品6学生| 狠狠精品人妻久久久久久综合| 国产高清不卡午夜福利| 亚洲av成人av| 国产成人aa在线观看| 麻豆成人av视频| 久久精品夜夜夜夜夜久久蜜豆| 2021少妇久久久久久久久久久| 日韩一区二区视频免费看| 中文欧美无线码| 日本av手机在线免费观看| 大又大粗又爽又黄少妇毛片口| 成人亚洲欧美一区二区av| 亚洲怡红院男人天堂| 久久人人爽人人片av| 久久久久久久久久久免费av| 2018国产大陆天天弄谢| 国产亚洲一区二区精品| 亚洲经典国产精华液单| 亚洲内射少妇av| 男人狂女人下面高潮的视频| 你懂的网址亚洲精品在线观看| 噜噜噜噜噜久久久久久91| 又爽又黄a免费视频| 亚洲乱码一区二区免费版| 天天躁日日操中文字幕| 国产精品麻豆人妻色哟哟久久 | 男女视频在线观看网站免费| 男女那种视频在线观看| 亚洲精品久久久久久婷婷小说| 日日干狠狠操夜夜爽| videos熟女内射| 亚洲精品视频女| 午夜免费激情av| 亚洲av中文字字幕乱码综合| 哪个播放器可以免费观看大片| 午夜老司机福利剧场| 中文字幕av在线有码专区| 久久久久精品久久久久真实原创| 久久久色成人| 九草在线视频观看| 在线免费观看的www视频| 女人被狂操c到高潮| 天堂中文最新版在线下载 | 亚洲av成人精品一二三区| 国产麻豆成人av免费视频| 日本三级黄在线观看| 午夜精品一区二区三区免费看| 国产黄频视频在线观看| 嫩草影院入口| 亚洲丝袜综合中文字幕| 精品久久久久久久久亚洲| 高清欧美精品videossex| 国产伦在线观看视频一区| 黑人高潮一二区| 欧美 日韩 精品 国产| 免费观看av网站的网址| 超碰av人人做人人爽久久| 直男gayav资源| 汤姆久久久久久久影院中文字幕 | 狂野欧美白嫩少妇大欣赏| 亚洲色图av天堂| 91久久精品国产一区二区三区| 尤物成人国产欧美一区二区三区| 午夜日本视频在线| 精品久久久久久久末码| 亚洲人成网站在线观看播放| 搡女人真爽免费视频火全软件| 国产麻豆成人av免费视频| 国产男女超爽视频在线观看| 舔av片在线| 国产日韩欧美在线精品| 日韩中字成人| 51国产日韩欧美| 欧美日韩一区二区视频在线观看视频在线 | 99热6这里只有精品| 精品不卡国产一区二区三区| 深爱激情五月婷婷| 午夜精品一区二区三区免费看| 少妇被粗大猛烈的视频| 国产美女午夜福利| 插逼视频在线观看| 一个人免费在线观看电影| 一级毛片aaaaaa免费看小| 成人国产麻豆网| 国产69精品久久久久777片| 国产一级毛片七仙女欲春2| 成人午夜高清在线视频| 久久亚洲国产成人精品v| 久久久久久久久久黄片| 精品久久久久久成人av| 亚洲精品视频女| 2021少妇久久久久久久久久久| 黄色配什么色好看| 最近视频中文字幕2019在线8| 99热这里只有是精品50| 男女下面进入的视频免费午夜| 少妇熟女欧美另类| 免费观看在线日韩| 卡戴珊不雅视频在线播放| 91狼人影院| 丰满乱子伦码专区| 免费少妇av软件| 亚洲综合色惰| 国产一级毛片在线| 亚洲精品自拍成人| 精品欧美国产一区二区三| 国产精品一区二区在线观看99 | 亚洲精品日本国产第一区| av天堂中文字幕网| av在线播放精品| 精品一区二区三卡| 少妇丰满av| 在线免费观看不下载黄p国产| 成人亚洲欧美一区二区av| 97在线视频观看| 精品亚洲乱码少妇综合久久| 亚洲精品,欧美精品| 99久国产av精品国产电影| 久久鲁丝午夜福利片| 2018国产大陆天天弄谢| 久久精品国产亚洲av天美| 国产av在哪里看| 日本欧美国产在线视频| 国产成人freesex在线| 成人特级av手机在线观看| 国产久久久一区二区三区| 国产精品国产三级专区第一集| 亚洲综合精品二区| 国产成人freesex在线| 高清av免费在线| 精品99又大又爽又粗少妇毛片| 午夜福利网站1000一区二区三区| 91久久精品国产一区二区成人| 久久久久久久久中文| 一级毛片 在线播放| 99久国产av精品| av网站免费在线观看视频 | 午夜老司机福利剧场| 国产一区二区三区综合在线观看 | 精品久久久久久久人妻蜜臀av| 搡女人真爽免费视频火全软件| 建设人人有责人人尽责人人享有的 | 亚洲av免费高清在线观看| 大香蕉久久网| 欧美性猛交╳xxx乱大交人| 国产成人a区在线观看| 久久99热这里只有精品18| 久久久久久久国产电影| 又大又黄又爽视频免费| 国产69精品久久久久777片| 寂寞人妻少妇视频99o| 最后的刺客免费高清国语| 看免费成人av毛片| 色综合站精品国产| 亚洲人成网站高清观看| 日韩欧美精品v在线| 久久久久性生活片| 中文字幕av成人在线电影| 亚洲四区av| 黄色日韩在线| 亚洲aⅴ乱码一区二区在线播放| 国产午夜精品一二区理论片| 高清av免费在线| 亚洲三级黄色毛片| 亚洲av免费在线观看| 久久精品国产亚洲av天美| 男女边摸边吃奶| 毛片女人毛片| 一级毛片黄色毛片免费观看视频| 91久久精品国产一区二区成人| 人妻一区二区av| 一边亲一边摸免费视频| 国产一区有黄有色的免费视频 | 777米奇影视久久| 天堂网av新在线| 亚洲精品色激情综合| 国产激情偷乱视频一区二区| 少妇的逼好多水| 午夜免费观看性视频| 久久精品综合一区二区三区| 久久这里有精品视频免费| 噜噜噜噜噜久久久久久91| 国产伦在线观看视频一区| 日韩成人av中文字幕在线观看| 免费大片黄手机在线观看| 美女内射精品一级片tv| 国产老妇女一区| 久久久色成人| 男女边摸边吃奶| 国产乱来视频区| 亚洲国产精品sss在线观看| 成人鲁丝片一二三区免费| 国产av在哪里看|