• <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 ?

    結(jié)合運動矢量的分權(quán)快速壓縮跟蹤算法

    2017-10-14 00:25:23羅會蘭張文賽鐘睿孔繁勝
    關(guān)鍵詞:跟蹤目標(biāo)置信分類器

    羅會蘭,張文賽,鐘睿,孔繁勝

    ?

    結(jié)合運動矢量的分權(quán)快速壓縮跟蹤算法

    羅會蘭1,張文賽1,鐘睿1,孔繁勝2

    (1. 江西理工大學(xué)信息工程學(xué)院,江西贛州,341000;2. 浙江大學(xué)計算機科學(xué)技術(shù)學(xué)院,浙江杭州,310027)

    針對跟蹤過程中目標(biāo)移動過快產(chǎn)生跟蹤漂移問題,提出一種結(jié)合超像素運動矢量的候選目標(biāo)位置搜尋策略;在跟蹤框架內(nèi)分塊提取特征并根據(jù)區(qū)域分配置信權(quán)值,弱化跟蹤框架內(nèi)邊緣背景對分類結(jié)果的干擾,提高分類器分類魯棒性;針對當(dāng)目標(biāo)出現(xiàn)嚴(yán)重遮擋時,分類器仍對正負(fù)樣本特征進行學(xué)習(xí)而導(dǎo)致的學(xué)習(xí)不準(zhǔn)確問題,提出增加目標(biāo)遮擋檢測機制,避免錯誤分類,有效解決目標(biāo)遮擋問題。實驗結(jié)果表明:提出的算法與當(dāng)前先進目標(biāo)跟蹤算法相比,效果較好,克服目標(biāo)快速移動、目標(biāo)形變、復(fù)雜背景干擾、目標(biāo)遮擋、光線變化等一系列挑戰(zhàn)性的跟蹤難點,實現(xiàn)目標(biāo)長時間有效跟蹤的同時,跟蹤效率滿足實時性的要求。

    目標(biāo)跟蹤;運動矢量;置信值;遮擋檢測

    目標(biāo)跟蹤一直是機器視覺領(lǐng)域一個十分活躍的研究方向,在人機交互,視頻監(jiān)控,車輛行人跟蹤等領(lǐng)域有著廣泛的應(yīng)用[1?2]。近年來,基于稀疏矩陣的壓縮感知(簡稱CS)理論[3?4]表明:高維空間特征向量可以通過1個隨機矩陣投射到低維空間,并保留原始圖像特征空間的信息。ZHANG等[5]提出的為壓縮跟蹤算法(簡稱CT)采用滿足有限等距(簡稱RIP)性質(zhì)[6]的隨機感知矩陣對多尺度圖像特征進行降維,利用1個非常稀疏的矩陣,將采集到的目標(biāo)和背景樣本特征輸入樸素貝葉斯分類器進行分類,輸出分類分值最大的目標(biāo)位置即為目標(biāo)當(dāng)前位置,并在線對采集到的正負(fù)樣本進行分類進而更新分類器。該算法以其跟蹤魯棒性較高、運算速度快、能滿足實際應(yīng)用的特點廣受關(guān)注。采用壓縮感知理論思想實現(xiàn)目標(biāo)跟蹤的算法中,普遍存在跟蹤漂移和對背景干擾敏感的問題。該類算法由于始終在前一幀目標(biāo)位置的基礎(chǔ)上開始搜索,當(dāng)目標(biāo)劇烈運動時,在跟蹤過程中就會很容易出現(xiàn)跟蹤漂移。Mean shift算法是一種通過不斷迭代接近目標(biāo)準(zhǔn)確位置的算法,通過合理的目標(biāo)預(yù)測,可以大大降低迭代次數(shù),減少搜索過程中的計算量。王魯平等[7]提出一種基于距離加權(quán)平均絕對差的模板漂移抑制算法,來抑制跟蹤過程中的漂移現(xiàn)象,但在復(fù)雜環(huán)境下效果不穩(wěn)定。田綱等[8]提出一種基于運動矢量分析模型的Mean Shift算法,針對跟蹤框架內(nèi)像素點的運動矢量進行概率統(tǒng)計分析,得到目標(biāo)移動方向和移動速度的估值,在目標(biāo)快速移動的過程中跟蹤效果更加魯棒,但像素點統(tǒng)計運算量較大。目標(biāo)跟蹤算法的分類器設(shè)計關(guān)系到目標(biāo)與背景分開的最優(yōu)邊界,是跟蹤算法是否能在跟蹤過程中長時有效的關(guān)鍵。目前先進的跟蹤算法中,分類器的設(shè)計也不盡相同。壓縮跟蹤(CT)[5]算法中,利用樸素貝葉斯分類器對候選目標(biāo)區(qū)域采集到的特征壓縮后的正負(fù)樣本進行分類,但對于邊緣相似度高的背景干擾容易出現(xiàn)錯誤分類。ZHANG等[9]提出的加權(quán)多實例學(xué)習(xí)(簡稱WMIL)算法中,根據(jù)提出的正負(fù)包概念,依據(jù)正包中正示例的重要程度分配權(quán),在一定程度上提高了分類器的魯棒性。ZHANG等[10]提出的實時在線特征選擇(簡稱ODFS)實現(xiàn)自動選擇區(qū)分度較高的特征,得到較為魯棒的分類器。ZHANG等[11]提出的動態(tài)特征選擇(簡稱AFS)動態(tài)選擇分類能力較強的特征,可以實現(xiàn)在復(fù)雜背景下對目標(biāo)和背景的區(qū)分。本文作者提出一種結(jié)合運動矢量判斷目標(biāo)位置的模型,針對跟蹤過程中可能出現(xiàn)的跟蹤漂移問題,對跟蹤框架內(nèi)圖像進行超像素分割,對跟蹤目標(biāo)區(qū)域的超像素進行運動矢量編碼統(tǒng)計分析,得到目標(biāo)運動速度和方向的估值,修正候選目標(biāo)的搜索位置,有效降低因跟蹤目標(biāo)移動劇烈或速度過快而導(dǎo)致的跟蹤漂移問題。利用生物視覺系統(tǒng)的focus on attention理論對跟蹤框架內(nèi)分塊提取特征并分配置信權(quán)值,可改善樸素貝葉斯分類器在復(fù)雜背景下的分類魯棒性,降低跟蹤框架內(nèi)因相似背景的干擾而導(dǎo)致分類器錯誤分類的情況。增加目標(biāo)檢測機制,當(dāng)目標(biāo)存在嚴(yán)重遮擋時,停止學(xué)習(xí)正負(fù)樣本,避免目標(biāo)重新回到畫面后跟蹤丟失的問題。

    1 結(jié)合運動矢量的分權(quán)快速壓縮跟蹤算法

    本文提出一種結(jié)合運動矢量的分權(quán)快速壓縮跟蹤算法。在基于壓縮感知理論的目標(biāo)跟蹤算法中,通過引入目標(biāo)運動矢量模型,修正算法搜索中心,防止目標(biāo)移動過快產(chǎn)生跟蹤漂移;改進搜索策略;對跟蹤框不同位置塊的特征分配置信值,弱化背景干擾,改善樸素貝葉斯分類器分類的魯棒性;提出一種新的正負(fù)樣本更新機制,有效防止目標(biāo)遮擋后的跟蹤丟失問題。為方便描述,將本文提出的結(jié)合運動矢量的分權(quán)快速壓縮跟蹤算法命名為FCTMA。

    1.1 結(jié)合運動矢量的快速搜索

    ZHANG等[5]將壓縮感知理論應(yīng)用到目標(biāo)跟蹤中,提出一種基于壓縮感知理論的壓縮跟蹤算法(CT)。該算法主要利用了1個×的隨機矩陣提取多尺度目標(biāo)的特征向量,其公式為

    =(1)

    隨機矩陣的遠(yuǎn)遠(yuǎn)小于,滿足有限等距RIP性質(zhì)。如果是可壓縮的(或者說是稀疏的),利用該性質(zhì)可以通過最小化誤差從中恢復(fù),壓縮程度取決于隨機矩陣的稀疏程度。為降低目標(biāo)特征計算復(fù)雜度,采用了1個非常稀疏的隨機測量矩陣,定義 如下:

    式中:=/4,矩陣的每一行只需要計算(小于4)個元素的值,計算復(fù)雜度()。利用該隨機測量稀疏矩陣可以將1個高維圖像空間(維)變換到1個低維空間(維)。

    當(dāng)采用該稀疏矩陣提取下一幀目標(biāo)樣本時,在當(dāng)前幀目標(biāo)位置,設(shè)置搜索半徑,對搜索半徑范圍內(nèi)所有像素點產(chǎn)生的跟蹤矩形框逐個進行特征提取,并輸入分類器進行分析比較。這一搜索策略使得算法在總的特征提取和計算時間上開銷較大,不利于目標(biāo)的實時跟蹤。ZHANG等[12]針對提取樣本特征的搜索策略進行改進,當(dāng)+1幀圖像到來時,根據(jù)第幀目標(biāo)所在位置,對周圍半徑c范圍內(nèi),間距步長c的像素點產(chǎn)生的矩形框進行樣本特征提取并計算得到分?jǐn)?shù)最大的點,大致確定目標(biāo)位置t′。然后在t′周圍設(shè)置更小搜索半徑,通過以更小間距像素點產(chǎn)生的矩形跟蹤框,進行樣本特征提取并輸入分類器,得分最大者即為目標(biāo)的準(zhǔn)確位置。本文也采用這種由粗到精的搜索策略,但這一改進的搜索策略雖然降低了搜索目標(biāo)過程中的時間開銷,提高了目標(biāo)跟蹤的實時性,但不能解決跟蹤過程中的漂移問題。

    跟蹤過程中的漂移問題主要源于目標(biāo)移動過快,而搜索目標(biāo)范圍仍然停留在上一幀圖像中目標(biāo)位置周圍。要保證實時跟蹤,搜索半徑不宜過大,若增大搜索半徑,一方面會增加算法復(fù)雜度,另一方面引入更多的冗余候選目標(biāo)位置,增加背景干擾以及一些奇點,將對分類器的正確分類產(chǎn)生干擾。當(dāng)目標(biāo)真實位置不在搜索半徑內(nèi)時將導(dǎo)致跟蹤漂移,嚴(yán)重的將導(dǎo)致跟蹤失敗。ACHANTA等[13]提出一種基于簡單線性迭代聚類(簡稱SLIC)的超像素圖像分割算法,利用LAB顏色空間和目標(biāo)區(qū)域紋理特征對框定范圍內(nèi)的像素進行聚類,生成固定數(shù)量且具有適應(yīng)邊界、貼合性和緊湊性較好、大小一致且形狀均勻的超像素。由于SLIC分割圖像的方法,只需給定分割超像素的數(shù),運行快速,只需要線性的存儲空間和運行時間即可,因此,廣泛應(yīng)用于圖像處理中代替像素點的運算。本文作者提出基于超像素的運動矢量來預(yù)測目標(biāo)位置,修正跟蹤目標(biāo)候選區(qū)域,使得搜索初始位置更接近目標(biāo)真實位置。首先,人為設(shè)定分割后超像素的個數(shù),對跟蹤框架內(nèi)圖像進行超像素分割,按照從左到右從上到下的順序?qū)Τ袼剡M行編號。然后建立超像素運動矢量模型并對其進行編碼,如圖1所示,運動矢量方向角范圍為0~2π,劃分為8個區(qū)間,其量化系數(shù)為π/4。

    圖1 運動矢量方向編碼示意圖

    其中:C∈{0,1,2,3,4,5,6,7},為量化系數(shù);。求得運動目標(biāo)區(qū)域所有超像素運動矢量方向編碼,得到目標(biāo)區(qū)域運動矢量方向編碼直方圖。在得到目標(biāo)區(qū)域運動矢量方向編碼直方圖,即運動方向統(tǒng)計信息的基礎(chǔ)上,求得具有最大分布的方向編碼區(qū)間,計算出具有最大分布的方向編碼區(qū)間內(nèi)所有超像素的平均運動矢量,其在軸和軸方向上的分量分別表示為,。目標(biāo)運動速度和方向的估計值為

    (4)

    根據(jù)上一幀目標(biāo)位置l和平均運動矢量,修正當(dāng)前候選區(qū)域中心位置為

    1.2 置信值分權(quán)

    在提取樣本壓縮特征后,將其輸入到樸素貝葉斯分類器,進行背景與目標(biāo)的分類,得分最高的即為新一幀中目標(biāo)位置。假設(shè)低維特征空間中各個元素是獨立分布的,則樸素貝葉斯分類器模型為

    其中:f為每一個樣本的第個低維空間特征;,為二元變量,其值分別代表正、負(fù)樣本標(biāo)簽。DIACONIS等[14]中證明高維隨機向量的空間隨機投影幾乎都符合高斯分布,并且可用4個參數(shù)進行描述,如下式所示:

    (7)

    由于跟蹤目標(biāo)的形狀通常是不規(guī)則的,跟蹤窗口邊緣處往往會夾雜大量背景,這時分類器對采集到的正負(fù)樣本分類將產(chǎn)生干擾,影響到分類器的魯棒性,若在錯誤的分類基礎(chǔ)上對分類器進行更新,則必將影響跟蹤過程的準(zhǔn)確性。TORRALBA[15]將生物視覺focus of attention理論引入到目標(biāo)檢測中并取得了很好的效果。圖2所示為生物視覺系統(tǒng)focus of attention。該理論表明高級動物的視覺系統(tǒng)會聚焦于一個確定的圖像區(qū)域,離該區(qū)域越近的點,受到的關(guān)注度較高;反之,離聚焦區(qū)域越遠(yuǎn)的點,受到的關(guān)注度較低。受此啟發(fā),考慮到跟蹤框架中心位置通常背景信息較少,置信度較高,相反邊緣處含有相對較多的背景信息,置信度較低,本文在提取目標(biāo)低維特征時,將跟蹤框按照自上而下從左到右均分為×共塊。然后將每一小塊的灰度特征輸入式(1),求得每小塊的壓縮特征,再輸入到式(6)中的樸素貝葉斯分類器分類并計算得分,對跟蹤框內(nèi)靠近中心處塊的特征得分賦予較大的置信權(quán)值,對跟蹤框邊緣塊的特征得分賦予較小的置信權(quán)值,以弱化邊緣復(fù)雜背景對分類器的干擾,其中第塊的置信權(quán)值函數(shù)定義如下:

    (=1,…,) (8)

    式中:(l,l)為分割生成塊的中心塊位置坐標(biāo), (k,k)為第塊的二維中心坐標(biāo)。根據(jù)式(8),跟蹤框架內(nèi)中心位置賦予較大權(quán)值,表明其對特征提取得分的置信度較高,反之,邊緣位置賦予較小的權(quán)值,表明其對特征提取的得分置信度較低。本文提出的置信值分權(quán)樸素貝葉斯分類器如下:

    圖2 生物視覺系統(tǒng)focus of attention

    (9)

    式中:f為跟蹤框第塊的第個低維空間特征,共有個特征。對跟蹤框架內(nèi)所有塊的分類得分乘以各自對應(yīng)的權(quán)值加權(quán)求和。得分最大的跟蹤框即為目標(biāo)位置。對式(9)中4個參數(shù)進行增量更新,以適應(yīng)目標(biāo)和背景的更新,更新公式為

    (9)

    式中:學(xué)習(xí)因子0<<1,其大小表示參數(shù)更新速度的快慢;和的定義分別為,,其中為正樣本的個數(shù),和分別為本幀正樣本第塊的第個特征向量的均值和標(biāo)準(zhǔn)差。

    1.3 目標(biāo)遮擋檢測機制

    由于缺少目標(biāo)檢測機制,在跟蹤過程中目標(biāo)出現(xiàn)嚴(yán)重遮擋時,如果仍然利用此時得到的正負(fù)樣本進行分類器模型參數(shù)的實時更新,勢必將錯誤的正負(fù)樣本信息帶到下一幀,極有可能導(dǎo)致目標(biāo)跟蹤失敗。石武楨等[16]認(rèn)為通過CT算法中樸素貝葉斯分類器()是否小于零判斷跟蹤目標(biāo)是否出現(xiàn)嚴(yán)重遮擋。而當(dāng)背景與目標(biāo)相似度較高時極容易出現(xiàn)錯誤的判斷,進而導(dǎo)致錯誤的正負(fù)樣本學(xué)習(xí)和分類。鑒于此,本文提出一種新的目標(biāo)檢測機制,并將該機制看做一個二元分類問題,結(jié)合置信值分配權(quán)值以弱化背景干擾,當(dāng)跟蹤框架周圍出現(xiàn)與跟蹤目標(biāo)高度相似的背景時,能將背景干擾降低到最小。利用改進后的分類響應(yīng)函數(shù)()檢測目標(biāo)是否存在嚴(yán)重遮擋,當(dāng)發(fā)生嚴(yán)重遮擋時停止樣本模板更新。在此基礎(chǔ)上結(jié)合運動矢量模型,在目標(biāo)被遮擋的情況下,根據(jù)目標(biāo)先前的運動矢量,預(yù)測目標(biāo)的運動軌跡,在目標(biāo)重新出現(xiàn)時,重新捕捉到目標(biāo),可以有效解決因目標(biāo)遮擋而導(dǎo)致目標(biāo)跟蹤丟失的問題。

    由于本文提出的分類器弱化背景干擾并不能完全消除背景干擾,所以,不能簡單地認(rèn)為分類器計分小于零即為目標(biāo)出現(xiàn)嚴(yán)重遮擋。因此,本文通過大量實驗對修正后的分類器()設(shè)置合適閾值,當(dāng)檢測的所有樣本得分均低于()設(shè)定閾值時,即認(rèn)定跟蹤目標(biāo)發(fā)生嚴(yán)重遮擋,此時不更新樣本模板。假設(shè)所有待檢測樣本的分類器得分的最大值為

    當(dāng)max小于設(shè)定閾值時,停止樣本更新。

    1.4 FCTMA算法流程

    本文提出的結(jié)合目標(biāo)運動矢量的分權(quán)壓縮跟蹤算法流程圖如圖3所示。根據(jù)目標(biāo)運動矢量,調(diào)整目標(biāo)搜索位置,有效防止跟蹤過程中跟蹤漂移問題;提出一種置信值分權(quán)模型,根據(jù)特征在跟蹤框架內(nèi)的位置分配置信權(quán)值,減少因邊緣背景的引入而導(dǎo)致錯誤分類的模型;改變目標(biāo)樣本更新機制,實現(xiàn)當(dāng)目標(biāo)被遮擋重新出現(xiàn)在畫面中時快速重新定位目標(biāo)位置,增強算法的魯棒性。本文提出的FCTMA跟蹤算法的具體步驟如下。

    輸入:當(dāng)前第幀圖像,目標(biāo)候選區(qū)域0~,正樣本目標(biāo)位置范圍0~pos,負(fù)樣本位置半徑范圍minneg~maxneg,上一幀目標(biāo)位置l?1。

    1) 采用運動矢量模型,修正當(dāng)前目標(biāo)候選的位置,以修正后的候選位置pre為搜索中心點。

    2) 以搜索中心點pre為中心,在半徑范圍內(nèi),進行步長c的搜索并生成跟蹤框,采用式(2)中的稀疏矩陣提取每個小塊的低維特征向量,輸入分類器()計算正負(fù)樣本分類得分,通過分類器最大響應(yīng)值粗略定位目標(biāo)位置l′。

    3) 在粗跟蹤定位的位置l′周圍范圍內(nèi),間隔步長生成矩形框,進行精確搜索,將每個跟蹤框內(nèi)的小塊提取低維壓縮特征輸入分類器(),根據(jù)得分最大準(zhǔn)確定位目標(biāo)位置t。

    4) 判斷檢測目標(biāo)是否被遮擋。若存在遮擋,則停止正負(fù)樣本更新;否則進行樣本更新。在靠近當(dāng)前幀目標(biāo)位置t周圍采集正樣本,遠(yuǎn)離目標(biāo)位置周圍采集負(fù)樣本,并通過稀疏矩陣降維,分別計算正負(fù)樣本壓縮特征和。

    輸出:本幀目標(biāo)位置t。

    圖3 FCTMA算法流程圖

    2 實驗結(jié)果與分析

    2.1 實驗環(huán)境

    (英特爾)Pentium(R) Dual-Core CPU E6500 @ 2.93 GHz,內(nèi)存4G,顯卡ATI Radeon HD 4350 (512MB)。操作系統(tǒng)為64位WINDOWS 7,仿真軟件為MATLAB 2014a。選取7個視頻數(shù)據(jù)進行測試(視頻數(shù)據(jù)來自http://cmp.felk.cvut.cz/~vojirtom/dataset/ index.html),采用具有挑戰(zhàn)性的7組圖片序列,并對它們進行長時間跟蹤,實驗中使用的圖像序列信息如表1所示。

    表1 測試視頻序列信息

    2.2 參數(shù)設(shè)置

    實驗中,正樣本范圍pos=4表示在修正的候選目標(biāo)周圍4個像素范圍內(nèi)選取正樣本,生成45個正樣本;負(fù)樣本范圍minneg=8和maxneg=30,隨機生成50個負(fù)樣本。中心點修正因子=0.5,在粗跟蹤中搜索目標(biāo)范圍c=25,搜索步長c=4;精確跟蹤中搜索目標(biāo)范圍=10,搜索步長=1。的取值越大,跟蹤框架內(nèi)背景的干擾越小,但是會大幅增加算法運算時間開銷,因此,不能取值過大,本文取=5,即跟蹤框架內(nèi)分成25個小塊。由于不能完全克服跟蹤框架內(nèi)的相似度較高的背景干擾,若將max閾值設(shè)置為零,則在背景與目標(biāo)相似度較大時分類器會出現(xiàn)誤判斷max,通過實驗設(shè)置閾值設(shè)定為?10。參與對比的算法代碼均來自于相應(yīng)作者個人網(wǎng)站,相應(yīng)算法參數(shù)也均采用作者代碼中設(shè)置的參數(shù)值。

    2.3 效果對比

    將本文提出的結(jié)合運動矢量的分權(quán)快速壓縮跟蹤算法FCTMA分別與當(dāng)下3種主流目標(biāo)跟蹤算法:快速壓縮跟蹤(FCT)[12]、分權(quán)多示例學(xué)習(xí)(WMIL)[9]、實時在線特征選擇(ODFS)[10]和動態(tài)特征選擇(AFS)[11]的跟蹤結(jié)果繪制于每組序列圖片的同一幀中,在animal,skating1,skating2,pedestrian3,girl_mov,bird2和david序列集上的部分跟蹤效果對比如圖4所示。

    圖4(a)animal序列中,跟蹤難點主要在于目標(biāo)快速移動,F(xiàn)CT算法在第6,7和8共3幀出現(xiàn)跟蹤漂移,未能很好地定位跟蹤目標(biāo),WMIL和ODFS在跟蹤過程中也多次出現(xiàn)跟蹤漂移的現(xiàn)象,AFS則未能實現(xiàn)目標(biāo)跟蹤,本文提出的FCTMA算法全程均未出現(xiàn)跟蹤漂移現(xiàn)象,這表明本文提出的結(jié)合運動矢量模型對預(yù)測快速移動的目標(biāo)運動軌跡具有良好的預(yù)判性,可以有效地解決因目標(biāo)移動過快而產(chǎn)生的跟蹤漂移現(xiàn)象。圖4(b)所示的skating1序列中,跟蹤難點主要在于目標(biāo)自身形變和復(fù)雜的背景燈光變換,AFS,ODFS和WMIL共3種算法相繼在第6,48和80幀出現(xiàn)目標(biāo)跟蹤丟失,F(xiàn)CT也在第309幀出現(xiàn)跟蹤失敗,本文提出的FCTMA算法實現(xiàn)全程無漂移目標(biāo)跟蹤,這說明本文提出的算法對因跟蹤目標(biāo)自身形變和背景復(fù)雜、燈源干擾具有良好的魯棒性;圖4(c)所示的skating2序列中,跟蹤難點主要包括目標(biāo)快速旋轉(zhuǎn)和形變以及背景干擾和遮擋等,第82幀中,目標(biāo)自身形變并有大量背景干擾,本文提出的FCTMA對跟蹤目標(biāo)的跟蹤效果最佳,說明本文提出的置信值分權(quán)分類器對跟蹤框架內(nèi)的背景有良好的抗干擾性。第119幀中,目標(biāo)被完全遮擋,只有FCTMA算法仍然能夠很好的定位到目標(biāo)位置實現(xiàn)跟蹤,說明本文提出的當(dāng)目標(biāo)被遮擋時停止正負(fù)樣本更新機制對跟蹤過程中出現(xiàn)的目標(biāo)遮擋情況具有很好的魯棒性。第212幀中,目標(biāo)快速旋轉(zhuǎn),F(xiàn)CTMA算法仍然能準(zhǔn)確地跟蹤到目標(biāo),586幀中,目標(biāo)快速移動,只有本文算法FCTMA未出現(xiàn)跟蹤漂移的現(xiàn)象,再次證明了本文提出的運動矢量模型對快速移動目標(biāo)的跟蹤漂移現(xiàn)象具有良好的修復(fù)作用。圖4(d)所示的pedestrian3序列是一組接近日常生活的目標(biāo)跟蹤序列,主要跟蹤困難在于背景中有與跟蹤目標(biāo)顏色相近的物體干擾。前期跟蹤過程中,本文提出的FCTMA算法和其他4種算法效果接近,105幀過后,只有本文算法FCTMA沒有受到背景的干擾,實現(xiàn)全程準(zhǔn)確跟蹤,其他4種算法均被背景干擾而導(dǎo)致跟蹤失敗,說明本文提出的對跟蹤框架內(nèi)的置信值分權(quán)對因背景過于相似而導(dǎo)致的跟蹤丟失問題具有良好的魯棒性。圖4(e)所示的girl_mov序列中,跟蹤難點是目標(biāo)遮擋問題,由于本文加入了目標(biāo)檢測機制,在120幀和395幀目標(biāo)被遮擋,此時沒有正樣本,本文提出的算法FCTMA停止正負(fù)樣本的學(xué)習(xí),避免分類器錯誤的分類,從而在目標(biāo)遮擋后再次出現(xiàn)時能重新找到跟蹤目標(biāo)。其他4種算法均未能找回跟蹤目標(biāo),導(dǎo)致后續(xù)跟蹤過程漂移和跟蹤失敗,再次證明本文提出的對目標(biāo)出現(xiàn)遮擋后停止正負(fù)樣本的學(xué)習(xí)機制對跟蹤過程中目標(biāo)出現(xiàn)嚴(yán)重的遮擋有著良好的適應(yīng)性。圖4(f)所示的bird2序列中,跟蹤目標(biāo)形狀不規(guī)則,跟蹤窗口內(nèi)包含大量背景,由于本文算法FCTMA對跟蹤框架范圍內(nèi)目標(biāo)進行置信值分權(quán),從而避免跟蹤框架內(nèi)周圍大量背景干擾,而FCT算法則出現(xiàn)嚴(yán)重漂移和丟失目標(biāo)的情況,本文提出的FCTMA和其他3種算法跟蹤準(zhǔn)確。圖4(g)所示的david序列中,跟蹤人臉的過程中,存在的挑戰(zhàn)有背景光線的變化和跟蹤框架的邊緣背景干擾。ODFS算法跟蹤失敗,其余4種算法中,本文提出的FCTMA算法跟蹤效果最理想,如圖4(g)中david序列第391,431和449幀所示。

    (a) animal;(b) skating1;(c) skating2;(d) pedestrian3;(e) bird2;(f) david

    2.4 跟蹤準(zhǔn)確率比較

    為衡量算法的跟蹤準(zhǔn)確性,借鑒文獻[17]中做法,采取跟蹤成功率這一評價指標(biāo)來衡量跟蹤的準(zhǔn)確率。首先,計算每一幀跟蹤目標(biāo)位置與真實目標(biāo)位置的重合率:

    式中:T為目標(biāo)跟蹤算法求得的目標(biāo)位置的矩形跟蹤框;G為真實的目標(biāo)所在位置的矩形跟蹤框;為面積運算。重合率的大小表明跟蹤目標(biāo)的準(zhǔn)確度高低。若重合率小于9%則認(rèn)為該幀跟蹤失敗,否則認(rèn)為算法跟蹤成功。最后將算法跟蹤成功的幀數(shù)除以相應(yīng)序列集總的幀數(shù)得出各算法的跟蹤成功率。將本文提出的FCTMA算法與4種主流跟蹤先進算法在7個挑戰(zhàn)性視頻序列上的跟蹤成功率進行統(tǒng)計,結(jié)果如表2所示。

    表2 跟蹤成功率(取整)比較

    注:黑體代表該組序列集上的最大值;下劃線代表該組序列集上的次大值。下同。

    表2所示的實驗結(jié)果中,本文提出的FCTMA算法在其中6個序列集上的跟蹤效果最佳,且在全部7個序列集上的平均跟蹤成功率比次好的跟蹤算法WMIL高近22%。特別在跟蹤難度較大的skating1, skating2和girl_mov 3個序列集上都獲得了最大成功率,且比次好的跟蹤算法成功率分別高23%,22%和17%。在相對簡單的跟蹤序列集bird2和david上的跟蹤準(zhǔn)確率達到99%和100%。

    2.5 跟蹤時間效率

    為了驗證本文提出的FCTMA算法是否滿足跟蹤實時性要求,將本文FCTMA算法與主流跟蹤算法進行跟蹤效率比較。本文提出的結(jié)合運動矢量的分權(quán)快速壓縮跟蹤算法FCTMA與快速壓縮跟蹤(FCT)[12]、分權(quán)多示例學(xué)習(xí)(WMIL)[9]、實時在線特征選擇(ODFS)[10]和動態(tài)特征選擇(AFS)[11],在animal,skating1,skating2,pedestrian3,girl_mov,bird2和david 序列集上的平均每幀跟蹤時間對比如表3所示。實驗結(jié)果表明:本文提出的FCTMA算法在全部7個序列集中的4個序列上效率排在第2,但仍可以達到跟蹤實時性的要求。

    表3 各算法運行時間表

    2.6 實驗分析

    從上面實驗對比結(jié)果分析中,不難看出本文提出的FCTMA算法在面對跟蹤過程的各種挑戰(zhàn)中,與當(dāng)前先進的跟蹤算法相比,效果較好,準(zhǔn)確率較高。在animal和skating2 2組序列中,目標(biāo)快速劇烈移動,由于本文算法FCTMA加入運動矢量修正搜索位置,跟蹤全程抑制跟蹤漂移效果最佳。skating1,skating2和pedestrian3 3組序列集中,跟蹤過程伴隨各種背景干擾,本文提出的FCTMA算法,由于對分類器進行置信值分權(quán),弱化跟蹤過程中的背景干擾,大大提升了跟蹤的效果和準(zhǔn)確性。在skating1,skating2和girl_mov 3組序列集中,跟蹤目標(biāo)出現(xiàn)嚴(yán)重遮擋,由于本文加入目標(biāo)遮擋檢測,在檢測到遮擋后停止分類器繼續(xù)學(xué)習(xí),當(dāng)目標(biāo)遮擋后重新出現(xiàn)時均能成功重新找回跟蹤目標(biāo),并在跟蹤難度較大的skating1中實現(xiàn)跟蹤成功率100%,在girl_mov序列集上目標(biāo)遮擋過后的第120幀,只有本文算法重新找回跟蹤目標(biāo)。

    3 結(jié)論

    1) 提出的FCTMA算法基于CT跟蹤算法框架,通過加入目標(biāo)運動矢量模型,修正目標(biāo)候選區(qū)域位置,有效抑制了跟蹤漂移問題;通過對跟蹤框架分配置信值,對跟蹤框架內(nèi)中心處分配較大置信值,周圍分配較小置信值,弱化邊緣復(fù)雜背景的干擾并降低計算時間復(fù)雜度;修改正負(fù)樣本更新機制,通過引入目標(biāo)檢測機制,提高算法對于出現(xiàn)目標(biāo)遮擋時的跟蹤魯棒性,在目標(biāo)出現(xiàn)遮擋時,防止分類器錯誤分類。

    2) 通過實驗對比,在目標(biāo)快速劇烈移動,目標(biāo)快速旋轉(zhuǎn),復(fù)雜背景光照變換、相似背景物干擾,目標(biāo)遮擋等一系列目標(biāo)跟蹤挑戰(zhàn)中,表現(xiàn)出較好的跟蹤效果,具有較高的魯棒性和穩(wěn)定性。

    [1] JALAL A S, SINGH V. The State-of-the-art in Visual Object Tracking[J]. Informatica (slovenia), 2012, 36(3): 227?248.

    [2] 黃誠, 劉華平, 左小五, 等. 基于Kinect的人機協(xié)作[J].中南大學(xué)學(xué)報(自然科學(xué)版), 2013, 44(S1): 386?393. HUANG Cheng, LIU Huaping, ZUO Xiaowu, et al. Human-robot cooperation using Kinect[J]. Journal of Central South University (Science and Technology), 2013, 44(S1): 386?393.

    [3] CANDES E J, TAO T. Decoding by linear programming[J]. IEEE Transactions on Information Theory, 2005, 51(12): 4203?4215.

    [4] CANDES E J, TAO T. Near-optimal signal recovery from random projections: universal encoding strategies[J]. IEEE Transactions on Information Theory, 2006, 52(12): 5406?5425.

    [5] ZHANG K, ZHANG L, YANG M H. Real-time compressive tracking[M]//Berlin Heidelberg: Springer, 2012: 864?877.

    [6] Emmanuel J Candes. The restricted isometry property and its implications for compressed sensing[J]. Comptes Rendus Mathematique, 2008, 346(9): 589?592.

    [7] 王魯平, 馬峰, 韓建濤. 基于距離加權(quán)平均絕對差的模板漂移抑制算法[J]. 中南大學(xué)學(xué)報(自然科學(xué)版), 2012, 43(10): 3894?3899. WANG Luping, MA Feng, HAN Jiantao.A mean shift object tracking algorithm based on covariance estimation[J]. Journal of Central South University (Science and Technology), 2012, 43(10): 3894?3899.

    [8] 田綱, 胡瑞敏, 王中元. 一種基于運動矢量分析的Mean shift目標(biāo)跟蹤算法[J]. 中國圖象圖形學(xué)報, 2010, 15(1): 85?90. TIAN Gang, HU Ruimin, WANG Zhongyuan. A mean shift target tracking algorithm based on motion vector analysis[J]. Journal of Image and Graphics, 2010, 15(1): 85?90.

    [9] ZHANG Kaihua, SONG Huihui. Real-time visual tracking via online weighted multiple instance learning[J]. Pattern Recognition, 2013, 46(1): 397?411.

    [10] ZHANG Kaihua, ZHANG Lei, YANG M. Real-time object tracking via online discriminative feature selection[J]. IEEE Transactions on Image Processing, 2013, 22(12): 4664?4677.

    [11] ZHANG L, ZHANG K, YANG M, et al. Robust object tracking via active feature selection[J]. IEEE Transactions on Circuits and Systems for Video Technology, 2013, 23(11): 1957?1967.

    [12] ZHANG Kaihua, ZHANG Lei, YANG M. Fast compressive tracking[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2013, 36(10): 2002?2015.

    [13] ACHANTA R, SHAJI A, SMITH K, et al. SLIC Superpixels[EB/OL]. [2010?06]. http://ivrlwww.epfl.ch/supple- mentary_material/RK_SLICSuperpixels/index.html

    [14] DIACONIS P, FREEDMAN D. Asymptotics of graphical projection pursuit[J]. The Annals of Statistics, 1984, 12(3): 793?815.

    [15] TORRALBA A. Contextual priming for object detection[J]. International Journal of Computer Vision, 2003, 53(2): 169?191.

    [16] 石武禎, 寧紀(jì)鋒, 顏永豐. 壓縮感知跟蹤中的特征選擇與目標(biāo)模型更新[J]. 中國圖象圖形學(xué)報, 2014, 19(6): 932?939. SHI Wuzhen, NING Jifeng, YAN Yongfeng. Feature selection and target model updating in compressive tracking[J]. Journal of Image and Graphics, 2014, 19(6): 932?939.

    [17] CEHOVIN L, KRISTAN M, LEONARDIS A. An adaptive coupled-layer visual model for robust visual tracking[C]//2011 IEEE International Conference on Computer Vision (ICCV). Barcelona: IEEE, 2011: 1363?1370.

    (編輯 陳愛華)

    Fast compressive tracking algorithm based on motion vector and assigning weight value

    LUO Huilan1, ZHANG Wensai1, ZHONG Rui1, KONG Fansheng2

    (1. School of Information Engineering, Jiangxi University of Science and Technology, Ganzhou 341000, China;2. College of Computer Science and Technology, Zhejiang University, Hangzhou 310027, China)

    To reduce the drift phenomenon in object tracking, a candidate object location search method was proposed combining motion vector with super pixel. In order to weaken the influence of complex background and improve the tracking robustness, the features from the blocks in the tracking box were assigned different weights according to their locations. The classifier may get wrong information if it continues learning when the tracking object is largely occluded. A object detection approach was proposed to avoid the false classification in the situations of object occlusion. The experiment results show that the proposed algorithm has better performance and can track successfully and efficiently for a long time, compared with some state-of-the-art works in many complicated situations, e.g. swift movement, object deformation, complex background, occlusion and illumination variation.

    object tracking; motion vector; confidence value; occlusion detection

    10.11817/j.issn.1672?7207.2017.02.018

    TP391.4

    A

    1672?7207(2017)02?0395?09

    2016?03?05;

    2016?06?27

    國家自然科學(xué)基金資助項目(61462035);江西省青年科學(xué)家培養(yǎng)項目(20153BCB23010)(Project(61462035) supported by the National Natural Science Foundation of China; Project(20153BCB23010) supported by Young Scientist Training Project of Jiangxi Province)

    羅會蘭,博士,教授,從事機器學(xué)習(xí)、模式識別研究;E-mail:luohuilan@sina.com

    猜你喜歡
    跟蹤目標(biāo)置信分類器
    急診住院醫(yī)師置信職業(yè)行為指標(biāo)構(gòu)建及應(yīng)用初探
    基于置信職業(yè)行為的兒科住院醫(yī)師形成性評價體系的構(gòu)建探索
    基于模糊深度置信網(wǎng)絡(luò)的陶瓷梭式窯PID優(yōu)化控制
    核相關(guān)濾波與孿生網(wǎng)絡(luò)相結(jié)合的目標(biāo)跟蹤算法
    BP-GA光照分類器在車道線識別中的應(yīng)用
    電子測試(2018年1期)2018-04-18 11:52:35
    基于圖割理論的尺度自適應(yīng)人臉跟蹤算法
    連續(xù)同色調(diào)背景下運動目標(biāo)自適應(yīng)跟蹤
    加權(quán)空-譜與最近鄰分類器相結(jié)合的高光譜圖像分類
    結(jié)合模糊(C+P)均值聚類和SP-V-支持向量機的TSK分類器
    基于CUDA和深度置信網(wǎng)絡(luò)的手寫字符識別
    真人做人爱边吃奶动态| 精品一区二区三区av网在线观看| 精品欧美一区二区三区在线| 亚洲aⅴ乱码一区二区在线播放 | 老司机靠b影院| 黑人欧美特级aaaaaa片| 99riav亚洲国产免费| 国产精华一区二区三区| 手机成人av网站| 国产成人免费无遮挡视频| 久久婷婷成人综合色麻豆| 91成年电影在线观看| 日本免费一区二区三区高清不卡 | 好男人电影高清在线观看| 亚洲专区字幕在线| 欧洲精品卡2卡3卡4卡5卡区| 视频在线观看一区二区三区| 国产午夜精品久久久久久| 亚洲国产看品久久| 精品国产超薄肉色丝袜足j| 久久 成人 亚洲| 亚洲欧美日韩高清在线视频| 9热在线视频观看99| 欧美激情极品国产一区二区三区| 99久久99久久久精品蜜桃| 麻豆国产av国片精品| 99国产极品粉嫩在线观看| 精品第一国产精品| 视频区欧美日本亚洲| 成人国产综合亚洲| 免费不卡黄色视频| 日韩大码丰满熟妇| 久久精品91无色码中文字幕| 中文字幕另类日韩欧美亚洲嫩草| 国产亚洲欧美在线一区二区| 亚洲成av片中文字幕在线观看| 国产又爽黄色视频| 国产精品久久久久久精品电影 | 欧美在线黄色| 亚洲国产精品sss在线观看| 成人三级黄色视频| 国产成人系列免费观看| 一级a爱片免费观看的视频| 欧美av亚洲av综合av国产av| 午夜影院日韩av| 纯流量卡能插随身wifi吗| 亚洲精品在线美女| 一级a爱视频在线免费观看| 一级毛片高清免费大全| 两个人看的免费小视频| 法律面前人人平等表现在哪些方面| 日本vs欧美在线观看视频| 国产精品美女特级片免费视频播放器 | 国产乱人伦免费视频| 一级a爱视频在线免费观看| 777久久人妻少妇嫩草av网站| 一级a爱视频在线免费观看| 久热爱精品视频在线9| 一级a爱视频在线免费观看| 国产精品98久久久久久宅男小说| 精品少妇一区二区三区视频日本电影| 一二三四在线观看免费中文在| 中文亚洲av片在线观看爽| 亚洲av片天天在线观看| 性色av乱码一区二区三区2| 免费在线观看视频国产中文字幕亚洲| 亚洲九九香蕉| 身体一侧抽搐| 欧美成人性av电影在线观看| 亚洲国产中文字幕在线视频| 亚洲片人在线观看| 午夜福利在线观看吧| 欧美成人免费av一区二区三区| av中文乱码字幕在线| 日本撒尿小便嘘嘘汇集6| 人人澡人人妻人| 国产欧美日韩一区二区三区在线| 国产午夜福利久久久久久| 国产精品亚洲一级av第二区| 亚洲全国av大片| 一级毛片女人18水好多| 免费不卡黄色视频| 视频区欧美日本亚洲| 国产97色在线日韩免费| 亚洲最大成人中文| 午夜福利免费观看在线| 夜夜看夜夜爽夜夜摸| 久久青草综合色| 国内精品久久久久久久电影| 国产成人精品无人区| 久久精品国产亚洲av香蕉五月| 国产伦一二天堂av在线观看| 夜夜爽天天搞| 中文字幕人妻丝袜一区二区| 波多野结衣av一区二区av| 12—13女人毛片做爰片一| 麻豆久久精品国产亚洲av| 黄色 视频免费看| 人人妻,人人澡人人爽秒播| 国产又色又爽无遮挡免费看| 变态另类丝袜制服| 俄罗斯特黄特色一大片| 免费在线观看黄色视频的| 大码成人一级视频| 亚洲七黄色美女视频| 他把我摸到了高潮在线观看| 亚洲第一av免费看| 黄色女人牲交| 国产免费av片在线观看野外av| 午夜免费观看网址| 女性生殖器流出的白浆| 少妇裸体淫交视频免费看高清 | 色尼玛亚洲综合影院| 午夜亚洲福利在线播放| 久久久久久国产a免费观看| 两个人免费观看高清视频| 一区二区日韩欧美中文字幕| 国产精品一区二区三区四区久久 | 国产野战对白在线观看| 天堂动漫精品| 久久久久久久精品吃奶| 十八禁人妻一区二区| 午夜精品久久久久久毛片777| 国产精品久久久久久人妻精品电影| 精品人妻在线不人妻| 午夜影院日韩av| 精品不卡国产一区二区三区| 亚洲欧美日韩另类电影网站| 亚洲精品国产区一区二| 日本免费一区二区三区高清不卡 | 久久国产乱子伦精品免费另类| 久久久久久久午夜电影| 亚洲第一欧美日韩一区二区三区| 免费在线观看视频国产中文字幕亚洲| 国产午夜福利久久久久久| 国产成人精品久久二区二区免费| 在线av久久热| 国内精品久久久久久久电影| 亚洲黑人精品在线| 欧美午夜高清在线| 亚洲精品国产区一区二| www日本在线高清视频| 人妻久久中文字幕网| 脱女人内裤的视频| 亚洲av五月六月丁香网| 久久精品91蜜桃| 成人国产一区最新在线观看| 日本 av在线| АⅤ资源中文在线天堂| 亚洲av第一区精品v没综合| 在线观看免费午夜福利视频| 国产精品一区二区在线不卡| 人人妻,人人澡人人爽秒播| 日日干狠狠操夜夜爽| 熟女少妇亚洲综合色aaa.| 精品福利观看| 亚洲人成77777在线视频| 精品午夜福利视频在线观看一区| 精品国产亚洲在线| 搡老妇女老女人老熟妇| 国产精品一区二区免费欧美| 亚洲自拍偷在线| 亚洲国产欧美一区二区综合| 久久国产亚洲av麻豆专区| 最好的美女福利视频网| 国产色视频综合| 99国产精品99久久久久| 一区二区日韩欧美中文字幕| 国内精品久久久久久久电影| 亚洲成人免费电影在线观看| 色播在线永久视频| 在线永久观看黄色视频| 亚洲人成伊人成综合网2020| 亚洲人成网站在线播放欧美日韩| 大陆偷拍与自拍| 成熟少妇高潮喷水视频| 欧美日韩瑟瑟在线播放| 午夜福利18| 999久久久精品免费观看国产| 悠悠久久av| 天堂动漫精品| 波多野结衣一区麻豆| 在线观看日韩欧美| 91在线观看av| 日韩成人在线观看一区二区三区| 日韩视频一区二区在线观看| 在线观看免费日韩欧美大片| √禁漫天堂资源中文www| 国产亚洲精品综合一区在线观看 | 久久久久国内视频| 精品无人区乱码1区二区| 国产99久久九九免费精品| 黄网站色视频无遮挡免费观看| 啦啦啦免费观看视频1| 亚洲黑人精品在线| 精品日产1卡2卡| 好看av亚洲va欧美ⅴa在| 日本五十路高清| 男女之事视频高清在线观看| 一区二区三区精品91| 成在线人永久免费视频| 少妇的丰满在线观看| 亚洲最大成人中文| 少妇被粗大的猛进出69影院| 欧美乱妇无乱码| 中文字幕高清在线视频| 91成人精品电影| а√天堂www在线а√下载| 校园春色视频在线观看| 日韩中文字幕欧美一区二区| 国产欧美日韩一区二区三| а√天堂www在线а√下载| 国产精品美女特级片免费视频播放器 | videosex国产| 老司机午夜十八禁免费视频| 欧美 亚洲 国产 日韩一| 日韩欧美一区视频在线观看| 午夜免费激情av| 可以在线观看毛片的网站| 日韩精品青青久久久久久| 精品国产乱码久久久久久男人| 午夜久久久在线观看| 9热在线视频观看99| 欧美老熟妇乱子伦牲交| 禁无遮挡网站| 精品久久久久久久久久免费视频| 999久久久精品免费观看国产| 国产精品九九99| 久9热在线精品视频| 午夜免费鲁丝| 大型黄色视频在线免费观看| 视频区欧美日本亚洲| 日本一区二区免费在线视频| 色综合婷婷激情| 老熟妇仑乱视频hdxx| 亚洲中文av在线| 女人被狂操c到高潮| 变态另类成人亚洲欧美熟女 | 亚洲成a人片在线一区二区| 一本综合久久免费| 在线永久观看黄色视频| 高清黄色对白视频在线免费看| 久久久久精品国产欧美久久久| 女人被躁到高潮嗷嗷叫费观| 久久人妻福利社区极品人妻图片| 国产成人av教育| 久久 成人 亚洲| 日韩大码丰满熟妇| 成人18禁在线播放| 亚洲中文字幕一区二区三区有码在线看 | 日韩精品青青久久久久久| 91精品三级在线观看| 香蕉国产在线看| 亚洲在线自拍视频| 97人妻天天添夜夜摸| 男女床上黄色一级片免费看| 两人在一起打扑克的视频| 无限看片的www在线观看| 国产高清激情床上av| 夜夜爽天天搞| 最近最新中文字幕大全电影3 | 欧美 亚洲 国产 日韩一| av在线播放免费不卡| 午夜福利在线观看吧| 午夜免费鲁丝| 好男人电影高清在线观看| 亚洲熟妇中文字幕五十中出| 国产精品美女特级片免费视频播放器 | 热99re8久久精品国产| 麻豆一二三区av精品| 午夜精品国产一区二区电影| 国产欧美日韩一区二区三| www.www免费av| 亚洲精品国产一区二区精华液| 欧美日韩瑟瑟在线播放| 1024香蕉在线观看| 欧美色视频一区免费| 日韩大尺度精品在线看网址 | tocl精华| 黑人操中国人逼视频| 免费少妇av软件| 国产成人影院久久av| 成人精品一区二区免费| 亚洲精品久久成人aⅴ小说| 高清毛片免费观看视频网站| 欧美最黄视频在线播放免费| 国产欧美日韩一区二区三区在线| 久久精品人人爽人人爽视色| 又大又爽又粗| 国产精品一区二区在线不卡| 亚洲成人久久性| 亚洲精品国产精品久久久不卡| av片东京热男人的天堂| 午夜日韩欧美国产| 亚洲国产看品久久| 午夜福利视频1000在线观看 | 亚洲五月婷婷丁香| 精品少妇一区二区三区视频日本电影| 久久亚洲真实| 国语自产精品视频在线第100页| 久久中文字幕一级| 啦啦啦韩国在线观看视频| 亚洲视频免费观看视频| 亚洲欧洲精品一区二区精品久久久| 亚洲国产精品999在线| 18禁黄网站禁片午夜丰满| 999久久久精品免费观看国产| 色精品久久人妻99蜜桃| 在线观看66精品国产| av视频在线观看入口| 91在线观看av| 99国产综合亚洲精品| 中文字幕av电影在线播放| 欧美老熟妇乱子伦牲交| 久久国产精品人妻蜜桃| 国产精品免费一区二区三区在线| 国产aⅴ精品一区二区三区波| 美女大奶头视频| 国产精品秋霞免费鲁丝片| 精品一区二区三区视频在线观看免费| 又大又爽又粗| 成人特级黄色片久久久久久久| 亚洲五月天丁香| 两性午夜刺激爽爽歪歪视频在线观看 | 每晚都被弄得嗷嗷叫到高潮| 69精品国产乱码久久久| 亚洲 欧美 日韩 在线 免费| 一边摸一边抽搐一进一小说| 欧美激情久久久久久爽电影 | 国产精品亚洲一级av第二区| a在线观看视频网站| 看黄色毛片网站| 午夜影院日韩av| 亚洲五月婷婷丁香| 亚洲无线在线观看| 国产色视频综合| 色老头精品视频在线观看| 欧美黑人欧美精品刺激| 日本一区二区免费在线视频| 中文字幕精品免费在线观看视频| 欧美黄色片欧美黄色片| 一a级毛片在线观看| 久久九九热精品免费| 9191精品国产免费久久| 久久国产乱子伦精品免费另类| 午夜免费激情av| 日日摸夜夜添夜夜添小说| 婷婷精品国产亚洲av在线| 日韩 欧美 亚洲 中文字幕| 国产成人影院久久av| 免费在线观看日本一区| av中文乱码字幕在线| 高清黄色对白视频在线免费看| 啦啦啦观看免费观看视频高清 | 国产极品粉嫩免费观看在线| 日韩免费av在线播放| 欧美日韩福利视频一区二区| 日韩精品青青久久久久久| bbb黄色大片| 日本免费一区二区三区高清不卡 | 啦啦啦免费观看视频1| 久久久久国产一级毛片高清牌| 国产成人系列免费观看| 国产成人欧美在线观看| 国产又色又爽无遮挡免费看| 国产精品永久免费网站| 99热只有精品国产| 99精品在免费线老司机午夜| 亚洲中文av在线| 看片在线看免费视频| 国产av在哪里看| 国内精品久久久久久久电影| 精品久久久久久,| 少妇的丰满在线观看| 成人三级黄色视频| 久久久久国产一级毛片高清牌| 一级a爱片免费观看的视频| 老司机午夜福利在线观看视频| 亚洲第一av免费看| 久久伊人香网站| 男女下面进入的视频免费午夜 | 免费在线观看日本一区| 久久精品人人爽人人爽视色| 亚洲一区二区三区不卡视频| 亚洲av成人av| 亚洲第一欧美日韩一区二区三区| 国产视频一区二区在线看| 国产精品亚洲一级av第二区| 国产一区二区激情短视频| 久久久久久亚洲精品国产蜜桃av| 久久精品人人爽人人爽视色| 多毛熟女@视频| 女人高潮潮喷娇喘18禁视频| 在线观看免费午夜福利视频| 国产成人欧美| 大香蕉久久成人网| 亚洲欧美精品综合一区二区三区| 大陆偷拍与自拍| 欧美最黄视频在线播放免费| 亚洲精品久久成人aⅴ小说| 人妻久久中文字幕网| 国产精品久久久久久亚洲av鲁大| www国产在线视频色| 成人三级黄色视频| 日本在线视频免费播放| 日本精品一区二区三区蜜桃| 高潮久久久久久久久久久不卡| 黄色视频不卡| 午夜福利影视在线免费观看| 69av精品久久久久久| 黄色成人免费大全| 制服诱惑二区| 伊人久久大香线蕉亚洲五| 欧美色欧美亚洲另类二区 | 在线观看免费午夜福利视频| 涩涩av久久男人的天堂| 可以免费在线观看a视频的电影网站| 老汉色av国产亚洲站长工具| 欧美一级a爱片免费观看看 | 国产一区在线观看成人免费| 国产激情久久老熟女| 午夜免费观看网址| 窝窝影院91人妻| 国产一区二区三区在线臀色熟女| 色婷婷久久久亚洲欧美| 国产精品久久视频播放| 亚洲精品国产区一区二| 亚洲欧美激情综合另类| 中文字幕人成人乱码亚洲影| 国产激情久久老熟女| 国产一卡二卡三卡精品| 日日夜夜操网爽| 淫秽高清视频在线观看| 岛国在线观看网站| 午夜福利视频1000在线观看 | 色综合欧美亚洲国产小说| 美女午夜性视频免费| 日韩欧美在线二视频| 在线永久观看黄色视频| 亚洲国产中文字幕在线视频| 欧美av亚洲av综合av国产av| 99国产极品粉嫩在线观看| 亚洲精品粉嫩美女一区| 国产片内射在线| 午夜福利欧美成人| 很黄的视频免费| 欧美一区二区精品小视频在线| a在线观看视频网站| 精品国产国语对白av| 男女做爰动态图高潮gif福利片 | 99香蕉大伊视频| 99国产精品一区二区三区| 国产主播在线观看一区二区| 最近最新免费中文字幕在线| 亚洲午夜精品一区,二区,三区| 久久香蕉国产精品| 中文字幕高清在线视频| 亚洲av日韩精品久久久久久密| 老司机福利观看| 无遮挡黄片免费观看| 人人妻人人澡人人看| 国产精品久久久久久亚洲av鲁大| 午夜老司机福利片| 亚洲成人免费电影在线观看| 成人免费观看视频高清| 伦理电影免费视频| avwww免费| 国内久久婷婷六月综合欲色啪| 久久亚洲精品不卡| 国产亚洲欧美98| 国产男靠女视频免费网站| 欧美成狂野欧美在线观看| 麻豆成人av在线观看| 欧美激情高清一区二区三区| 国产激情欧美一区二区| 99热只有精品国产| 最近最新中文字幕大全电影3 | 老汉色∧v一级毛片| 又大又爽又粗| 久久国产精品影院| 久久精品91无色码中文字幕| 成年版毛片免费区| 色播亚洲综合网| 色老头精品视频在线观看| av视频在线观看入口| 色老头精品视频在线观看| 日日干狠狠操夜夜爽| 国产成人av激情在线播放| 精品高清国产在线一区| 国产蜜桃级精品一区二区三区| 操美女的视频在线观看| 一区二区三区高清视频在线| 久久久久国内视频| 成年版毛片免费区| 亚洲欧美一区二区三区黑人| 搞女人的毛片| 国内毛片毛片毛片毛片毛片| 日日摸夜夜添夜夜添小说| 国产午夜精品久久久久久| 成人18禁高潮啪啪吃奶动态图| 国产一卡二卡三卡精品| 亚洲精品国产色婷婷电影| 一进一出好大好爽视频| 婷婷丁香在线五月| 国产高清激情床上av| 淫妇啪啪啪对白视频| av在线天堂中文字幕| av免费在线观看网站| 精品欧美国产一区二区三| av中文乱码字幕在线| 黄色丝袜av网址大全| 久久久久久大精品| 国产精品免费视频内射| 日本一区二区免费在线视频| avwww免费| 成人欧美大片| 色播亚洲综合网| 午夜视频精品福利| 99久久综合精品五月天人人| 亚洲av成人av| 久久精品亚洲熟妇少妇任你| 后天国语完整版免费观看| 亚洲国产精品999在线| 9色porny在线观看| 91av网站免费观看| 妹子高潮喷水视频| 在线av久久热| 亚洲成av片中文字幕在线观看| 欧美乱色亚洲激情| 久久午夜亚洲精品久久| 在线视频色国产色| 人妻丰满熟妇av一区二区三区| 18禁美女被吸乳视频| 色哟哟哟哟哟哟| 中文字幕色久视频| 亚洲精品美女久久av网站| 757午夜福利合集在线观看| 91国产中文字幕| 在线视频色国产色| 一级毛片女人18水好多| 69av精品久久久久久| 午夜福利高清视频| 久久久久国产一级毛片高清牌| 亚洲精品美女久久久久99蜜臀| 欧美国产精品va在线观看不卡| 男人操女人黄网站| 男人舔女人下体高潮全视频| 国产成人免费无遮挡视频| 色综合站精品国产| 丁香六月欧美| 成人亚洲精品一区在线观看| 久久精品亚洲精品国产色婷小说| 欧美激情高清一区二区三区| 欧美精品啪啪一区二区三区| 日韩av在线大香蕉| 中文亚洲av片在线观看爽| 国产高清有码在线观看视频 | 女人爽到高潮嗷嗷叫在线视频| 丝袜美腿诱惑在线| 国产精品1区2区在线观看.| 精品欧美国产一区二区三| 日韩 欧美 亚洲 中文字幕| 国产成人免费无遮挡视频| 一级,二级,三级黄色视频| 韩国精品一区二区三区| 国产精品一区二区在线不卡| 午夜亚洲福利在线播放| 午夜视频精品福利| 日本在线视频免费播放| 嫩草影院精品99| 一区二区三区激情视频| 91麻豆av在线| 久久久久久久午夜电影| 国产精品亚洲一级av第二区| 亚洲成国产人片在线观看| 免费高清视频大片| 精品福利观看| 97超级碰碰碰精品色视频在线观看| 欧美黄色片欧美黄色片| 久久久久国产精品人妻aⅴ院| bbb黄色大片| 91麻豆精品激情在线观看国产| 91九色精品人成在线观看| 黄片大片在线免费观看| 亚洲欧美日韩无卡精品| 久久午夜综合久久蜜桃| 国产三级黄色录像| 女人精品久久久久毛片| 欧美国产精品va在线观看不卡| av网站免费在线观看视频| 欧美精品亚洲一区二区| 在线观看午夜福利视频| 欧美日韩精品网址| 日本一区二区免费在线视频| 日韩精品免费视频一区二区三区| 老司机福利观看| 亚洲熟妇中文字幕五十中出| 一级毛片女人18水好多| 日韩欧美免费精品| 一二三四在线观看免费中文在| 久99久视频精品免费| 自线自在国产av| 可以免费在线观看a视频的电影网站| 久久婷婷人人爽人人干人人爱 | 乱人伦中国视频| 人妻久久中文字幕网| 日韩欧美三级三区| 波多野结衣巨乳人妻| 男女之事视频高清在线观看| 在线观看免费视频日本深夜| 国产极品粉嫩免费观看在线| 亚洲第一av免费看| 两个人看的免费小视频| 成在线人永久免费视频| 亚洲专区国产一区二区|