• <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 ?

    基于深度卷積特征的影像關(guān)系表創(chuàng)建方法

    2018-06-25 03:14:08AlperYILMAZ
    測繪學(xué)報 2018年6期
    關(guān)鍵詞:深度特征方法

    萬 杰,Alper YILMAZ

    1. 北京大學(xué)地球與空間科學(xué)學(xué)院遙感與地理信息系統(tǒng)研究所,空間信息集成與3S工程應(yīng)用北京市重點(diǎn)實(shí)驗(yàn)室,北京 100871; 2. 俄亥俄州立大學(xué)土木與環(huán)境工程系, 美國 俄亥俄 43210

    1 簡 介

    基于影像的三維重建是攝影測量學(xué)、機(jī)器人、同步定位和構(gòu)圖及文物保護(hù)等領(lǐng)域的研究熱點(diǎn)?;诙S影像的三維重建主要包含兩個主要步驟,如圖1所示。第一個步驟是從運(yùn)動恢復(fù)結(jié)構(gòu)(structure from motion,SfM)。通過特征提取算法提取影像上的特征點(diǎn),計算影像上同名像點(diǎn)對,計算相機(jī)間的相對運(yùn)動從而獲取到相機(jī)的外方位元素和重建稀疏點(diǎn)云。第二個步驟是影像的多視角立體匹配?;诘谝粋€步驟后獲取到的圖像內(nèi)外方位元素,采用立體匹配算法獲取稠密的三維點(diǎn)云。本文不展開討論這部分內(nèi)容。

    圖1 標(biāo)準(zhǔn)的三維重建流程Fig.1 The standard 3D reconstruction pipeline

    SfM的主要過程如下。首先通過特征提取算法在影像上提取興趣點(diǎn),通過不同的特征描述符算法對以興趣點(diǎn)為中心的圖像塊進(jìn)行描述,比如SIFT[1]、SURF[2]、ORB[3]和BRISK[4]。然后通過比較興趣點(diǎn)的描述符,從而獲取到影像上的初始同名像點(diǎn)對。這些初始的同名像點(diǎn)對中包含了一部分錯誤的同名像點(diǎn)對。根據(jù)影像間的單應(yīng)矩陣或基礎(chǔ)矩陣表征的像點(diǎn)間的對應(yīng)關(guān)系,通過RANSAC算法剔除影像間的錯點(diǎn),保留正確的同名像點(diǎn)對。通過相對定向,依據(jù)同名像點(diǎn)對獲取相機(jī)間的相對位置和朝向。最后,光束法平差被用來優(yōu)化相機(jī)的位置和姿態(tài)。這整個過程被稱為SfM。SfM可分為增量SfM和全局SfM。其中,前者是指逐一計算相機(jī)的姿態(tài),后者是同時計算所有相機(jī)的姿態(tài)[5]。

    圖像匹配是整個SfM階段中最耗時的部分。主要原因是特征和描述符的提取以及描述符的匹配本身就是非常耗時,比如攝影測量中常用的經(jīng)典SIFT算子。為了提高特征提取匹配的效率,文獻(xiàn)[6]提出了基于GPU的SIFT算子。但是圖像匹配耗時的另外一個原因是通常情況下圖像間匹配是窮舉匹配,比如常見的開源軟件Bundler[7]、VisualSFM[8]和MVE[9]等。當(dāng)二維影像是高分辨率影像時,直接使用圖像的特征來逐一進(jìn)行所有圖像對的特征匹配的效率非常低。在攝影測量中,許多工程在獲取影像的同時也會獲取GPS數(shù)據(jù)。這種情況下圖像間的關(guān)系表可以通過GPS數(shù)據(jù)來估計,從而避免窮舉匹配。

    隨著計算機(jī)性能的不斷提升及大數(shù)據(jù)時代的到來,深度學(xué)習(xí)技術(shù)已經(jīng)在計算機(jī)視覺、自然語言處理和語音識別等領(lǐng)域取得了巨大的成功[10]。深度學(xué)習(xí)是由多層神經(jīng)網(wǎng)絡(luò)構(gòu)成。神經(jīng)網(wǎng)絡(luò)中的一層,就是一個線性變換加上一個簡單的非線性操作,而多層神經(jīng)網(wǎng)絡(luò)就是多個簡單的非線性函數(shù)的組合。卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,CNN)是深度學(xué)習(xí)中神經(jīng)網(wǎng)絡(luò)的一種,已大量用于檢測、分割、物體識別及圖像處理的各個領(lǐng)域。Fischer(arXiv Preprint arXin:1405.5769,2014)通過比較CNN特征和SIFT特征,發(fā)現(xiàn)通過AlexNet[11]提取的特征描述符遠(yuǎn)遠(yuǎn)超過SIFT。AlexNet神經(jīng)網(wǎng)絡(luò)是在包含有超過1400萬張影像的數(shù)據(jù)集上訓(xùn)練而成。在沒有大量的數(shù)據(jù)集時,需要采用遷移學(xué)習(xí)。遷移學(xué)習(xí)是指把在特定的數(shù)據(jù)集上訓(xùn)練好的模型運(yùn)用到新的領(lǐng)域中,它可以解決訓(xùn)練樣本不足的問題[12]。本文提出了基于遷移學(xué)習(xí)的深度卷積特征的影像關(guān)系表創(chuàng)建方法。

    2 研究現(xiàn)狀

    圖像匹配是SfM過程中非常耗時的階段。如果采用窮舉匹配,那么整個過程的計算復(fù)雜度約為O(n2),其中n為影像數(shù)。為解決影像對匹配耗時的問題,文獻(xiàn)[13]在2011年提出了基于SIFT特征的詞匯樹算法。該算法通過層次K均值樹來量化每張影像上提取到的特征描述符,通過TD-IDF對特征進(jìn)行加權(quán),用于描述每張影像。通過影像檢索的方式避免窮舉匹配。文獻(xiàn)[14]通過一個包含1600萬視覺單詞的視覺字典把所有的影像轉(zhuǎn)化到一個逆文件上,進(jìn)而區(qū)分出有連接關(guān)系的圖像像對。為了提高詞匯書構(gòu)建的效率,文獻(xiàn)[15]提出了基于GPU的多層詞匯樹構(gòu)建影像關(guān)系表方法。最近開源的COLMAP[16]上為避免窮舉匹配,提出一種在圖像檢索時,構(gòu)建詞匯樹,并使用Vote-and-Verify策略[17]。這類方法本質(zhì)上均屬于通過構(gòu)建視覺字典,然后通過圖像檢索來避免無效匹配的方法。

    回環(huán)檢測是同步定位和構(gòu)圖領(lǐng)域的研究問題,其是解決移動機(jī)器人的閉環(huán)重定位,提高系統(tǒng)穩(wěn)定性的必要步驟。雖然,構(gòu)建影像關(guān)系表和回環(huán)檢測是兩個不同領(lǐng)域的問題,但二者有一定的相似性,均可以計算影像的相似度。因此,了解回環(huán)檢測的研究現(xiàn)狀有助于研究影像關(guān)系表的構(gòu)建。其中大量的方法是通過提取影像上的特征,構(gòu)建視覺字典,然后通過概率模型來實(shí)現(xiàn)回環(huán)檢測。該類方法可以統(tǒng)稱為詞袋法(bag-of-visual-words,BoVW)[18-20]。其中,DBoW2[20]是目前最先進(jìn)的SLAM系統(tǒng)之一,ORB-SLAM2[21]上所采用的回環(huán)檢測方法。隨著深度學(xué)習(xí)的涌現(xiàn),有研究人員利用深度學(xué)習(xí)的方法來解決回環(huán)檢測的問題。文獻(xiàn)[22]提出利用多層的自編碼器來表征影像特征,然后通過自編碼器提取的特征計算影像間的相似度。文獻(xiàn)[23]提出利用已經(jīng)訓(xùn)練好的深度學(xué)習(xí)模型OverFeat的全鏈接層的信息表征影像特征,進(jìn)而計算影像的相似度。通過設(shè)置閾值來計算回環(huán)檢測。

    受深度學(xué)習(xí)及SLAM回環(huán)檢測領(lǐng)域的研究啟發(fā),本文提出基于遷移學(xué)習(xí)的深度卷積層特征的影像關(guān)系表創(chuàng)建方法。

    3 基于遷移學(xué)習(xí)的深度卷積層特征的影像關(guān)系表創(chuàng)建方法

    目前主流的開源SfM和SLAM系統(tǒng)均采用基于視覺字典的方法來創(chuàng)建影像關(guān)系,本文則提出基于VGG網(wǎng)絡(luò)的卷積層特征來創(chuàng)建影像關(guān)系表方法。本文算法的流程如圖2所示。首先用已經(jīng)在ImageNet上訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)VGG提取給定影像的三維特征圖,然后對特征圖進(jìn)行操作,提取其卷積層特征,根據(jù)提取的特征,計算影像間的相似度。通過計算每一張影像和其余所有影像的相似度,這樣可以獲取數(shù)據(jù)集的相似性矩陣,通過設(shè)置閾值,獲取影像的關(guān)系表。

    圖2 基于遷移學(xué)習(xí)的深度卷積層特征的影像相似度計算流程Fig.2 Flowchart of image similarity calculation based on deep convolutional features through transfer learning

    3.1 VGG-16模型簡介

    VGG網(wǎng)絡(luò)是牛津大學(xué)的Simonyan在2014年提出的卷積神經(jīng)網(wǎng)絡(luò),并在該年ImageNet的定位和分類比賽中分別排名第一和第二。與之前的模型相比,該模型加寬和加深了網(wǎng)絡(luò)結(jié)構(gòu),它的核心是5組卷積操作,每二組之間采用2×2最大池化(max pooling)空間降維。同一組內(nèi)采用多層次連續(xù)的3×3卷積,卷積核的數(shù)目由開始的64層變?yōu)樽詈蟮?12層卷積核,同一組內(nèi)的卷積核的數(shù)目是一樣的。卷積層之后是兩個結(jié)點(diǎn)數(shù)為4096的全連接層,最后一層為結(jié)點(diǎn)數(shù)為1000的分類層。由于每組內(nèi)卷積層的不同,因此,VGG模型有11、13、16和19層等多種模型結(jié)構(gòu)。16層和19層網(wǎng)絡(luò)的VGG模型的性能明顯優(yōu)于11層和13層網(wǎng)絡(luò)的模型,但二者的性能區(qū)別不大(arXiv preprint arXiv:1409.1556,2014)。對于一張分辨率為224的3通道圖像,其總參數(shù)超過138萬個。本文在這里選用VGG-16的網(wǎng)絡(luò)模型,其模型結(jié)構(gòu)如下圖3所示。

    圖3 VGG-16網(wǎng)絡(luò)的模型結(jié)構(gòu)Fig.3 The structure of VGG-16 network model

    3.2 基于VGG-16模型的卷積層特征的圖像表達(dá)

    VGG-16網(wǎng)絡(luò)的每一層均可以用來表達(dá)圖像。最初研究人員利用第一層全連接層特征表達(dá)圖像[24-25]。卷積神經(jīng)網(wǎng)絡(luò)全連接層特征在各種圖像分類和檢索的領(lǐng)域中都比傳統(tǒng)的手工設(shè)計的SIFT和SURF等算子提取的特征要好。隨后,研究人員發(fā)現(xiàn)在圖像檢索領(lǐng)域,最后一層卷積層后的池化層表達(dá)的特征比全連接層的特征效果要好,因?yàn)榫矸e層仍然保留了圖像原始的空間語義信息[26](arXiv preprint arXiv:1511.05879,2015)。因此,本文選用了VGG網(wǎng)絡(luò)中第13層后的池化層后的特征作為圖像的特征表達(dá),具體計算方法如下。

    假定ζ∈R(K×W×H)是從第l層網(wǎng)絡(luò)中提取的三維特征張量。其中,K是卷積核的數(shù)目,W和H分別是特征張量的空間維度。顯然,W和H的值依賴于原始影像的大小。如果定義ζkij為在第k個卷積核上空間位置(i,j)的特征。

    (1) 和池化。首先,采用和池化作為該卷積核的深度特征。第l層網(wǎng)絡(luò)上的第k個卷積核表征的圖像特征則可以定義為

    (2) 基于和池化特征的圖像表達(dá)。包含有K個卷積核網(wǎng)絡(luò)的第l層網(wǎng)絡(luò)中的圖像特征則可以表達(dá)為

    Il={V1,…Vk,…VK}=

    k∈(1,K)

    然后,把圖像特征歸一化,則可以得到歸一化圖像特征:

    k∈(1,K)

    3.3 影像關(guān)系表的構(gòu)建

    假定兩張影像i、j的深度特征分別為Ii和Ij,本文采用兩個向量間的夾角的余弦來衡量兩個特征的相似度S(i,j)

    式中,θ為兩向量間的夾角。計算每張影像和其余所有影像的相似度,這樣就獲取了整個數(shù)據(jù)集的相似性矩陣。因?yàn)槊繌堄跋癫豢赡芘c其余所有影像都有重疊關(guān)系,通過設(shè)置閾值,即設(shè)置每張影像和剩余多少張影像有重疊區(qū)域。本文把閾值設(shè)置為10,即每張影像和其相似度最大的10張影像構(gòu)成影像關(guān)系表。

    4 試驗(yàn)過程

    4.1 試驗(yàn)數(shù)據(jù)

    本文選取了兩組數(shù)據(jù)來驗(yàn)證本文提出的方法的有效性。兩組數(shù)據(jù)的基本情況如下表1所示。第1組數(shù)據(jù)Urban來自武漢某公司,該數(shù)據(jù)集包含387張分辨率為4608×2592像素的DMC-GH4影像。該影像集均為俯視圖。該次飛行試驗(yàn)共包括9條航帶。數(shù)據(jù)的航向重疊度和旁向重疊度分別約為75%和65%。該試驗(yàn)的無人機(jī)的軌跡符合攝影測量中的作業(yè)規(guī)范,相鄰攝站的間距較為一致。該試驗(yàn)場地主要包含裸地、草地、道路、房屋和湖泊等。第2組數(shù)據(jù)來自蘇黎世理工大學(xué)的South Building數(shù)據(jù)集[15]。該數(shù)據(jù)集為128張高分辨率的DMC-TZ3影像。相機(jī)圍繞著北卡羅納大學(xué)教堂山分校的South Building建筑進(jìn)行拍攝,該影像集均為側(cè)視圖。攝站間沒有很強(qiáng)的規(guī)律性。該試驗(yàn)場地主要包含房屋和植被。

    表1 兩組試驗(yàn)數(shù)據(jù)

    利用商業(yè)軟件Agisoft LLC公司發(fā)布的軟件Photoscan生成的兩組數(shù)據(jù)的軌跡和相機(jī)的位置信息如圖4所示。可以發(fā)現(xiàn)Urban數(shù)據(jù)集相機(jī)的分布呈現(xiàn)明顯的規(guī)律性,相機(jī)拍攝地點(diǎn)均勻地分布在9條軌跡上。而South Building數(shù)據(jù)集的相機(jī)分布則沒有明顯的規(guī)律,整個數(shù)據(jù)集由兩次分布疊合而成。

    (圓點(diǎn)表示相機(jī)的相對位置,線段表示無人機(jī)的軌跡。)圖4 試驗(yàn)中兩組數(shù)據(jù)Fig.4 The top view of camera distributions in the experiments

    4.2 試驗(yàn)結(jié)果

    本文將利用基于深度卷積特征創(chuàng)建的影像關(guān)系表(為方便表述,將本文提出的方法簡稱為DCF)同目前最先進(jìn)的SLAM系統(tǒng)ORB-SLAM2中的DBoW3算法的結(jié)果進(jìn)行了對比。為進(jìn)一步驗(yàn)證關(guān)系表能夠適用于SfM,本文使用開源軟件MicMac[27]比較了窮舉匹配(exhaustive matching,EM),利用本文提出的基于用深度特征創(chuàng)建的影像關(guān)系表和利用DBoW3創(chuàng)建的關(guān)系表后的SfM重建結(jié)果。

    4.2.1 數(shù)據(jù)集Urban

    本文提出的DCF和DBoW算法生成的關(guān)系表如下圖5所示??傮w上看,兩種方法建立的關(guān)系表較為一致,都能夠較好地鑒別出在航向和旁向上有重疊的影像對。但是,DBoW3方法建立的影像關(guān)系表存在大量的噪點(diǎn),即兩張影像明顯不是相鄰關(guān)系,但該方法卻將兩張影像檢測成相鄰關(guān)系。

    圖5 基于(a)本文提出DCF和(b)DBoW3方法計算的Urban數(shù)據(jù)集的影像關(guān)系表。淺色的像素塊表示兩張影像有重疊關(guān)系,而深色的像素塊表示影像無重疊關(guān)系Fig.5 The correlation graph of the Urban dataset determined by (a) the proposed DCF and (b) DBoW3 approaches. The light color squares denote that two images are connected, and the dark are not

    MicMac軟件提供了多種重建模式,其中包括窮舉匹配模式和提供影像關(guān)系表的重建模式。圖6展示了(a)EM窮舉匹配,(b)基于本文提出的DCF關(guān)系表的匹配和(c)基于DBoW3關(guān)系表的匹配的Urban數(shù)據(jù)集SfM重建的點(diǎn)云圖。從中可以看出,這3種方法都能夠較好地重建場景,目視效果差別不大。

    本文也比較了3種不同模式的SfM重建后的相機(jī)相對位置和姿態(tài)。圖7和圖8分別表示3種方法重建后獲取的角元素(Phi,Omega和Kappa)和線元素(X,Y和Z)的對比圖。從中可以看出3種方法獲取的相機(jī)姿態(tài)較為接近,差別不大。可以發(fā)現(xiàn),3種方法都能夠較好地重建Urban場景,且差別不大。

    圖7 3種不同模式SfM重建后的相機(jī)的角元素Fig.7 SfM Camera orientations for the Urban dataset

    圖8 3種不同模式SfM 重建后的相機(jī)的線元素Fig.8 SfM Camera positions for the Urban dataset

    4.2.2 數(shù)據(jù)集South Building

    本文提出的DCF和DBoW算法生成的關(guān)系表如圖9所示。總體上看,兩種方法建立的關(guān)系表有一定的相似性,大致輪廓比較接近。但兩種方法建立的關(guān)系表有明顯的不同,DBoW3方法建立的影像關(guān)系表存在大量的噪點(diǎn),即兩張影像明顯不是相鄰關(guān)系,但該方法卻將兩張影像檢測成相鄰關(guān)系。

    圖10展示了(a)EM窮舉匹配,(b)基于本文提出的DCF關(guān)系表的匹配和(c)基于DBoW3關(guān)系表的匹配的Urban數(shù)據(jù)集SfM重建的點(diǎn)云圖。從中可以看出,這3種方法都能夠較好地重建場景。但DBoW3的方法重建的建筑右側(cè)的樹木的位置明顯偏離了原有位置,同其余兩種方法存在一定的差異。本文提出的DCF方法重建結(jié)果和EM窮舉匹配的結(jié)果則非常接近。

    本文也比較了3種不同模式的SfM重建后的相機(jī)相對位置和姿態(tài)。圖11和圖12分別表示3種方法重建后獲取的角元素(Phi,Omega和Kappa)和線元素(X,Y和Z)的對比圖。從中可以看出3種方法獲取的相機(jī)角元素較為接近,差別不大,但DBoW3獲取的相機(jī)的線元素同其余兩種方法的差異非常大,而本文提出的DCF方法則同窮舉匹配的方法獲取的相機(jī)位置和姿態(tài)基本一致。

    4.2.3 討 論

    從上文的試驗(yàn)中,可以看出3種匹配模式,包括EM窮舉匹配、基于DCF與DBoW3關(guān)系表匹配下的Urban場景重建的結(jié)果比較接近,沒有明顯差別。在South Building場景下,基于DCF關(guān)系表匹配與EM窮舉匹配的結(jié)果比較接近,而DBoW3重建的結(jié)果和前二者差別較大。

    圖9 基于(a)本文提出DCF和(b)DBoW3方法計算的South Building數(shù)據(jù)集的影像關(guān)系表,淺色的像素塊表示兩張影像有重疊關(guān)系,而深色的像素塊表示影像無重疊關(guān)系Fig.9 The correlation graph of the South Building dataset determined by (a) the proposed DCF and (b) DBoW3 approaches. The light color squares denote that two images are connected, and dark blues are not

    圖10 SfM重建South Building數(shù)據(jù)集的三維點(diǎn)云Fig.10 SfM reconstruction results for the South Building dataset

    圖11 3種不同模式對South Building數(shù)據(jù)集SfM重建后的相機(jī)的角元素Fig.11 SfM camera orientations for the South Building dataset

    表2對比了3種匹配模式包括EM窮舉匹配、基于DCF和DBoW3關(guān)系表匹配下的匹配次數(shù)和三維點(diǎn)云個數(shù)??梢?,EM窮舉匹配的次數(shù)遠(yuǎn)遠(yuǎn)超過了基于DCF和DBoW3關(guān)系表匹配次數(shù)。假定數(shù)據(jù)集包含N張影像,那么EM窮舉匹配則需要匹配N×(N-1)次,而基于DCF關(guān)系表匹配則需要N×n(n為每張影像需要匹配的次數(shù),在本文中為10。可見,基于關(guān)系表的匹配能明顯減少匹配次數(shù),提高重建效率。但是,基于窮舉匹配的場景重建的點(diǎn)云數(shù)量最多,基于DCF關(guān)系表重建的數(shù)量次之,基于DBow3關(guān)系表重建的點(diǎn)云數(shù)量最少。這也從側(cè)面反映出基于DCF重建的關(guān)系表比DBoW3方法效果更好,因?yàn)樵摲椒軌蛘页龈嗟钠ヅ湎駥?,而DBoW3方法則丟失了相對更多的潛在影像對。另外,基于DCF和DBoW3關(guān)系表的匹配,均丟失了一定數(shù)量的潛在匹配相對,因此,重建出的點(diǎn)云個數(shù)比窮舉匹配要少。

    圖12 3種不同模式對South Building數(shù)據(jù)集SfM 重建后的相機(jī)的線元素Fig.12 SfM Camera positions for the South Building dataset

    表23種匹配模式下的Urban和SouthBuilding場景重建的匹配次數(shù)和三維點(diǎn)云個數(shù)對比

    Tab.2Comparisonofthenumberofmatchingtimesandnumberof3DpointcloudsforurbanandSouthBuildinddateset

    方法匹配次數(shù)/(次)三維點(diǎn)云數(shù)/(個)UrbanSouth BuildingUrbanSouth BuildingEM1493821625655301654249623DCF3870128049635054003618DBoW33870128046442283528917

    5 結(jié) 論

    本文提出了一種適用于從運(yùn)動恢復(fù)結(jié)構(gòu)的基于深度卷積層特征的影像關(guān)系表構(gòu)建方法。該方法能夠高效快速地從大量無序的數(shù)據(jù)集中構(gòu)建影像關(guān)系表,找出潛在的匹配像對。相比于傳統(tǒng)的基于人工設(shè)計特征的詞袋法,本文提出的基于深度卷積層特征能更好地表達(dá)影像特征。同窮舉匹配相比,本文算法在Urban和South Building數(shù)據(jù)集上都能夠明顯地減少匹配次數(shù),加快重建效率,而且保持重建的效果基本一致。同主流的ORB-SLAM2系統(tǒng)中的DBoW3算法相比,本文提出的基于深度卷積特征的DCF算法構(gòu)建的影像關(guān)系表明顯優(yōu)于DBoW3算法,能夠更好地找出潛在的匹配像對,這一優(yōu)勢在South Building數(shù)據(jù)集上得到了明顯的體現(xiàn)。綜上,本文提出的基于深度卷積特征DCF算法能夠在包含大量影像的數(shù)據(jù)集上快速創(chuàng)建影像關(guān)系表,減少影像匹配次數(shù),在提高SfM重建的效率的基礎(chǔ)上同時保持了SfM重建的精度。

    致謝:感謝晏磊教授對本文的試驗(yàn)提供的指導(dǎo),感謝俄亥俄州立大學(xué)的Photogrammetric Computer Vision提供的試驗(yàn)設(shè)備。

    參考文獻(xiàn):

    [1] LOWE D G. Object Recognition from Local Scale-invariant Features[C]∥Proceedings of the Seventh IEEE International Conference on Computer Vision. Kerkyra, Greece: IEEE, 1999.

    [2] BAY H, ESS A, TUYTELAARS T, et al, Speeded-up Robust Features (SURF)[J]. Computer Vision and Image Understanding, 2008, 110(3): 346-359.

    [3] RUBLEE E, RABAUD V, KONOLIGE K, et al. ORB: An Efficient Alternative to SIFT or SURF[C]∥IEEE International Conference on Computer Vision. Barcelona, Spain: IEEE, 2011.

    [4] LEUTENEGGER S, CHLI M, SIEGWART R Y. BRISK: Binary Robust Invariant Scalable Keypoints[C]∥IEEE International Conference on Computer Vision. Barcelona, Spain: IEEE, 2011.

    [5] CRANDALL D, OWENS A, SNAVELY N, et al. Discrete-continuous Optimization for Large-scale Structure from Motion[C]∥IEEE Conference on Computer Vision and Pattern Recognition. Providence, RI: IEEE, 2011.

    [6] WU Changchang. SiftGPU: A GPU Implementation of Scale Invariant Feature Transform (SIFT).(2007). URL http:∥cs.unc.edu/~ccwu/siftgpu.

    [7] SNAVELY N, SEITZ S M, SZELISKI R. Modeling the World from Internet Photo Collections[J]. International Journal of Computer Vision, 2008, 80(2): 189-210.

    [8] Wu Changchang. VisualSFM: A Visual Structure from Motion System[EB/OL].[2017-12-12]. http:∥www.cs.washington.edu/homes/ccwu/vsfm.

    [9] FUHRMANN S, LANGGUTH F, MOEHRLE N, et al. MVE:An Image-based Reconstruction Environment[J]. Computers & Graphics, 2015, 53: 44-53.

    [10] LECUN Y, BENGIO Y, HINTON G. Deep Learning[J]. Nature, 2015, 521(7553): 436-444.

    [11] KRIZHEVSKY A, SUTSKEVER I, HINTON G E. Imagenet Classification with Deep Convolutional Neural Networks[J]. Communications of the ACM, 2017, 60(6): 84-90.

    [12] BENGIO Y. Deep Learning of Representations for Unsupervised and Transfer Learning[C]∥ Proceedings of 2011 International Conference on Unsupervised and Transfer Learning workshop. Washington, USA: JMLR, 2012.

    [13] AGARWAL S, FURUKAWA Y, SNAVELY N, et al. Building Rome in a Day[J]. Communications of the ACM, 2011, 54(10): 105-112.

    [14] HAVLENA M, SCHINDLER K. VocMatch: Efficient Multiview Correspondence for Structure from Motion[M]∥FLEET D, PAJDLA T, SCHIELE B, et al. Computer Vision-ECCV 2014. Cham: Springer, 2014.

    [15] ZHAN Zongqian, WANG Xin, WEI Minglu. Fast Method of Constructing Image Correlations to Build a Free Network Based on Image Multivocabulary Trees[J]. Journal of Electronic Imaging, 2015, 24(3): 033029.

    [16] SCH?NBERGER J L, FRAHM J M. Structure-from-Motion Revisited[C]∥Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas, NV: IEEE, 2016.

    [17] SCH?NBERGER J L, PRICE T, SATTLER T, et al. A Vote-and-verify Strategy for Fast Spatial Verification in Image Retrieval[M]∥LAI S H, LEPETIT V, NISHINO K, et al. Computer Vision-ACCV 2016. Cham: Springer, 2016.

    [18] ANGELI A, FILLIAT D, DONCIEUX S, et al. Fast and Incremental Method for Loop-closure Detection Using Bags of Visual Words[J]. IEEE Transactions on Robotics, 2008, 24(5): 1027-1037.

    [19] CUMMINS M,NEWMAN P. Appearance-only SLAM at Large Scale with FAB-MAP 2.0[J]. The International Journal of Robotics Research, 2011, 30(9): 1100-1123.

    [21] MUR-ARTAL R, TARDS J D. ORB-SLAM2: An Open-source SLAM System for Monocular, Stereo, and RGB-D Cameras[J]. IEEE Transactions on Robotics, 2017, 33(5): 1255-1262.

    [22] GAO Xiang, ZHANG Tao. Unsupervised Learning to Detect Loops Using Deep Neural Networks for Visual Slam System[J]. Autonomous Robots, 2017, 41(1): 1-18.

    [23] ZHANG Xiwu, SU Yan, ZHU Xinhua. Loop Closure Detection for Visual SLAM Systems Using Convolutional Neural Network[C]∥The 23rd International Conference on Automation and Computing. Huddersfield, UK: IEEE, 2017.

    [24] BABENKO A, SLESAREV A, CHIGORIN A, et al. Neural Codes for Image Retrieval[M]∥FLEET D, PAJDLA T, SCHIELE B, et al. Computer Vision-ECCV 2014. Cham: Springer, 2014.

    [25] RAZAVIAN A S, AZIZPOUR H, SULLIVAN J, et al. CNN Features Off-the-shelf: An Astounding Baseline for Recognition[C]∥IEEE Conference on Computer Vision and Pattern Recognition Workshops. Columbus, OH: IEEE, 2014.

    [26] YANDE A B, LEMPITSKY V. Aggregating Local Deep Features for Image Retrieval[C]∥Proceedings of the IEEE International Conference on Computer Vision. Santiago, Chile: IEEE, 2015.

    [27] DESEILLIGNY M P, CLéRY I. Apero, An Open Source Bundle Adjusment Software for Automatic Calibration and Orientation of Set of Images[C]∥Proceedings of the ISPRS Symposium. [S.l.]: ISPRS, 2011: 269-276.

    猜你喜歡
    深度特征方法
    深度理解一元一次方程
    如何表達(dá)“特征”
    不忠誠的四個特征
    深度觀察
    深度觀察
    深度觀察
    抓住特征巧觀察
    可能是方法不對
    用對方法才能瘦
    Coco薇(2016年2期)2016-03-22 02:42:52
    四大方法 教你不再“坐以待病”!
    Coco薇(2015年1期)2015-08-13 02:47:34
    综合色丁香网| 亚洲精品日韩av片在线观看| 大又大粗又爽又黄少妇毛片口| a级毛色黄片| 91精品国产国语对白视频| 久久精品久久久久久噜噜老黄| 22中文网久久字幕| 久久精品国产自在天天线| √禁漫天堂资源中文www| 精品少妇久久久久久888优播| 91精品国产国语对白视频| 少妇人妻精品综合一区二区| 精品人妻熟女av久视频| 三级国产精品片| 一个人免费看片子| 一个人免费看片子| 国产精品国产av在线观看| 欧美老熟妇乱子伦牲交| 免费av不卡在线播放| 人体艺术视频欧美日本| 超色免费av| 日日撸夜夜添| 一级二级三级毛片免费看| 青春草亚洲视频在线观看| 久久午夜福利片| 日本黄色片子视频| 亚洲精品国产av蜜桃| 亚洲精品日本国产第一区| 少妇人妻精品综合一区二区| 如何舔出高潮| 久久狼人影院| 夜夜爽夜夜爽视频| 欧美激情国产日韩精品一区| 人妻制服诱惑在线中文字幕| 午夜福利在线观看免费完整高清在| 午夜福利在线观看免费完整高清在| 亚洲精品自拍成人| 99热网站在线观看| av又黄又爽大尺度在线免费看| 国产精品免费大片| 亚洲欧美日韩卡通动漫| 久久精品久久精品一区二区三区| videossex国产| 欧美xxxx性猛交bbbb| 亚洲精品国产av蜜桃| 热99久久久久精品小说推荐| 日韩熟女老妇一区二区性免费视频| 你懂的网址亚洲精品在线观看| 观看av在线不卡| 亚洲一级一片aⅴ在线观看| 国国产精品蜜臀av免费| 少妇猛男粗大的猛烈进出视频| 成年人午夜在线观看视频| 免费日韩欧美在线观看| 日韩一区二区三区影片| 国产精品99久久99久久久不卡 | 99热网站在线观看| av福利片在线| 人人妻人人澡人人看| av又黄又爽大尺度在线免费看| 亚洲色图综合在线观看| 一级黄片播放器| 免费人成在线观看视频色| 国产欧美亚洲国产| 欧美日韩在线观看h| av一本久久久久| 热99国产精品久久久久久7| 在线 av 中文字幕| 欧美 日韩 精品 国产| 亚洲在久久综合| 国产有黄有色有爽视频| 只有这里有精品99| 中国三级夫妇交换| 校园人妻丝袜中文字幕| 在现免费观看毛片| 亚洲精品国产av蜜桃| 欧美变态另类bdsm刘玥| 欧美人与善性xxx| 免费看光身美女| 亚洲在久久综合| 91久久精品电影网| 国产精品秋霞免费鲁丝片| 91久久精品国产一区二区三区| 国语对白做爰xxxⅹ性视频网站| 国产无遮挡羞羞视频在线观看| 蜜桃国产av成人99| a级毛色黄片| 亚洲图色成人| 国产精品国产av在线观看| 亚洲成人av在线免费| 中文欧美无线码| 自拍欧美九色日韩亚洲蝌蚪91| 日日摸夜夜添夜夜爱| 高清欧美精品videossex| 午夜福利影视在线免费观看| 水蜜桃什么品种好| 久久久久久久久久久丰满| 国产精品人妻久久久久久| 国产av精品麻豆| 精品久久久久久久久亚洲| 一级毛片电影观看| av卡一久久| 亚洲国产最新在线播放| 街头女战士在线观看网站| 国产一区二区在线观看日韩| 欧美少妇被猛烈插入视频| 人妻人人澡人人爽人人| 丝袜在线中文字幕| 考比视频在线观看| 午夜福利在线观看免费完整高清在| 久久99蜜桃精品久久| 国产精品秋霞免费鲁丝片| 人人妻人人添人人爽欧美一区卜| 熟女人妻精品中文字幕| 日韩视频在线欧美| 91精品三级在线观看| 这个男人来自地球电影免费观看 | 91精品国产国语对白视频| a级毛色黄片| 久热这里只有精品99| 永久网站在线| 日日撸夜夜添| 91在线精品国自产拍蜜月| 亚洲国产欧美日韩在线播放| 久久亚洲国产成人精品v| 91久久精品电影网| 日日撸夜夜添| 亚洲高清免费不卡视频| 午夜精品国产一区二区电影| 80岁老熟妇乱子伦牲交| 亚洲国产精品一区二区三区在线| av免费观看日本| av天堂久久9| 日本欧美国产在线视频| 蜜桃国产av成人99| 青春草视频在线免费观看| 国产免费一级a男人的天堂| 亚洲国产av影院在线观看| √禁漫天堂资源中文www| 久久97久久精品| 亚洲五月色婷婷综合| 亚洲图色成人| 日本91视频免费播放| 伊人久久精品亚洲午夜| 久久99一区二区三区| 欧美精品一区二区免费开放| 亚洲av福利一区| 国产成人免费无遮挡视频| 一区二区三区乱码不卡18| 老司机亚洲免费影院| 久久久久精品性色| 亚洲美女搞黄在线观看| 老熟女久久久| 精品人妻在线不人妻| 成人亚洲精品一区在线观看| 国产精品 国内视频| 亚洲色图 男人天堂 中文字幕 | 这个男人来自地球电影免费观看 | 亚洲第一区二区三区不卡| 国国产精品蜜臀av免费| 日日啪夜夜爽| 日本与韩国留学比较| 一二三四中文在线观看免费高清| 在线观看免费视频网站a站| 亚洲色图 男人天堂 中文字幕 | 亚洲精品成人av观看孕妇| 免费大片黄手机在线观看| 97超视频在线观看视频| 亚洲精品456在线播放app| 99国产综合亚洲精品| 亚洲欧洲日产国产| 高清在线视频一区二区三区| 男的添女的下面高潮视频| 午夜免费鲁丝| 久久国产精品男人的天堂亚洲 | 在线观看美女被高潮喷水网站| 乱人伦中国视频| 午夜福利网站1000一区二区三区| 亚洲精品av麻豆狂野| 国产色爽女视频免费观看| 国产精品国产三级专区第一集| 国产高清有码在线观看视频| 少妇的逼水好多| 26uuu在线亚洲综合色| 国产精品嫩草影院av在线观看| 国产精品不卡视频一区二区| 亚州av有码| 国产亚洲一区二区精品| 三级国产精品欧美在线观看| 久久韩国三级中文字幕| 中国美白少妇内射xxxbb| 色婷婷av一区二区三区视频| 美女视频免费永久观看网站| 欧美精品人与动牲交sv欧美| 99九九在线精品视频| 99久久精品一区二区三区| 日本午夜av视频| 日本欧美国产在线视频| 久久精品人人爽人人爽视色| 搡老乐熟女国产| 国产深夜福利视频在线观看| 国产精品无大码| 美女cb高潮喷水在线观看| 久久av网站| 免费不卡的大黄色大毛片视频在线观看| 亚洲欧美日韩另类电影网站| 久久久久久久久久久免费av| 亚洲欧洲日产国产| 亚洲av在线观看美女高潮| freevideosex欧美| 中文乱码字字幕精品一区二区三区| 精品少妇黑人巨大在线播放| √禁漫天堂资源中文www| 九九爱精品视频在线观看| 久久热精品热| 毛片一级片免费看久久久久| 人人妻人人爽人人添夜夜欢视频| 精品久久久久久久久av| 久久精品国产鲁丝片午夜精品| 国产精品 国内视频| 亚洲高清免费不卡视频| 亚洲欧美成人精品一区二区| 最近最新中文字幕免费大全7| 国产精品一二三区在线看| 夜夜看夜夜爽夜夜摸| 国产综合精华液| 久久久久久久亚洲中文字幕| 亚洲av成人精品一二三区| 亚洲人与动物交配视频| 日本-黄色视频高清免费观看| 青青草视频在线视频观看| 国产精品麻豆人妻色哟哟久久| 街头女战士在线观看网站| 国内精品宾馆在线| 大陆偷拍与自拍| 特大巨黑吊av在线直播| 汤姆久久久久久久影院中文字幕| 美女国产高潮福利片在线看| 久久国产精品大桥未久av| 亚洲欧洲精品一区二区精品久久久 | 婷婷成人精品国产| 国产成人精品无人区| 亚洲,一卡二卡三卡| 国产淫语在线视频| 菩萨蛮人人尽说江南好唐韦庄| 秋霞在线观看毛片| 成人毛片a级毛片在线播放| 国产黄片视频在线免费观看| 国产精品不卡视频一区二区| 国产精品人妻久久久影院| 女的被弄到高潮叫床怎么办| 欧美日韩成人在线一区二区| 日韩 亚洲 欧美在线| 免费av不卡在线播放| 成人漫画全彩无遮挡| 国产一区有黄有色的免费视频| 欧美日韩视频精品一区| 久久人人爽人人片av| 夜夜看夜夜爽夜夜摸| 国产高清有码在线观看视频| 麻豆成人av视频| 一边亲一边摸免费视频| 午夜福利视频在线观看免费| 欧美人与性动交α欧美精品济南到 | 日本黄大片高清| 夫妻午夜视频| 韩国av在线不卡| 九草在线视频观看| 草草在线视频免费看| 卡戴珊不雅视频在线播放| 大又大粗又爽又黄少妇毛片口| 人人妻人人澡人人看| 国产视频内射| 最新的欧美精品一区二区| 中文字幕精品免费在线观看视频 | av免费观看日本| 51国产日韩欧美| 精品国产一区二区三区久久久樱花| 精品少妇久久久久久888优播| 免费人成在线观看视频色| 美女国产视频在线观看| 乱人伦中国视频| 午夜av观看不卡| 少妇 在线观看| 亚洲国产精品一区二区三区在线| 夜夜骑夜夜射夜夜干| av有码第一页| 国产成人av激情在线播放 | 日韩大片免费观看网站| 亚洲美女搞黄在线观看| 久久精品久久久久久噜噜老黄| 国产亚洲一区二区精品| 久久99精品国语久久久| 97精品久久久久久久久久精品| 全区人妻精品视频| 美女内射精品一级片tv| 免费av不卡在线播放| 久久99热这里只频精品6学生| 人妻 亚洲 视频| 十分钟在线观看高清视频www| 在线亚洲精品国产二区图片欧美 | 伊人久久国产一区二区| 亚洲国产av影院在线观看| 欧美 日韩 精品 国产| av在线观看视频网站免费| 男人爽女人下面视频在线观看| 美女脱内裤让男人舔精品视频| 高清不卡的av网站| 国产成人精品福利久久| 视频中文字幕在线观看| 欧美人与善性xxx| 国产精品三级大全| 三上悠亚av全集在线观看| 我的老师免费观看完整版| 日韩成人av中文字幕在线观看| av黄色大香蕉| av播播在线观看一区| 丝袜美足系列| 色5月婷婷丁香| 日本vs欧美在线观看视频| 少妇熟女欧美另类| 亚洲av福利一区| 亚洲欧美一区二区三区国产| 精品人妻偷拍中文字幕| 国产精品嫩草影院av在线观看| 99视频精品全部免费 在线| 免费观看无遮挡的男女| 性高湖久久久久久久久免费观看| 亚洲,一卡二卡三卡| 欧美激情国产日韩精品一区| 午夜免费鲁丝| 欧美三级亚洲精品| 美女内射精品一级片tv| 亚洲成人av在线免费| 男男h啪啪无遮挡| 精品人妻熟女毛片av久久网站| 亚洲欧洲精品一区二区精品久久久 | av.在线天堂| 精品国产国语对白av| 性高湖久久久久久久久免费观看| av卡一久久| 少妇高潮的动态图| 好男人视频免费观看在线| 女人久久www免费人成看片| 观看美女的网站| 国产成人一区二区在线| 天美传媒精品一区二区| 伊人久久精品亚洲午夜| 久久 成人 亚洲| 免费大片黄手机在线观看| 色视频在线一区二区三区| a级片在线免费高清观看视频| 色哟哟·www| av专区在线播放| 有码 亚洲区| 久久婷婷青草| 一级a做视频免费观看| 国产淫语在线视频| av一本久久久久| 热99久久久久精品小说推荐| 欧美性感艳星| 十八禁网站网址无遮挡| 亚洲精品久久午夜乱码| 国产精品.久久久| 亚洲色图综合在线观看| 女性生殖器流出的白浆| 99久久综合免费| 久久久国产精品麻豆| 一二三四中文在线观看免费高清| 亚洲人成77777在线视频| 久久韩国三级中文字幕| 美女脱内裤让男人舔精品视频| 日韩欧美精品免费久久| 亚洲欧美一区二区三区黑人 | 国产成人免费无遮挡视频| www.av在线官网国产| 啦啦啦视频在线资源免费观看| 国产成人精品福利久久| 丰满少妇做爰视频| 狠狠婷婷综合久久久久久88av| 亚洲欧美清纯卡通| 亚洲国产精品一区二区三区在线| 欧美精品亚洲一区二区| 2022亚洲国产成人精品| 久久久精品区二区三区| 少妇被粗大猛烈的视频| 中文字幕亚洲精品专区| 亚洲综合色惰| 黄色欧美视频在线观看| 91久久精品国产一区二区三区| 亚洲精华国产精华液的使用体验| 校园人妻丝袜中文字幕| 国产免费现黄频在线看| 人妻人人澡人人爽人人| 纵有疾风起免费观看全集完整版| 最近2019中文字幕mv第一页| 成年美女黄网站色视频大全免费 | 国产精品一国产av| 自线自在国产av| 九九久久精品国产亚洲av麻豆| 高清在线视频一区二区三区| av又黄又爽大尺度在线免费看| 青春草视频在线免费观看| 国产亚洲午夜精品一区二区久久| 日日摸夜夜添夜夜添av毛片| 精品少妇久久久久久888优播| 欧美激情极品国产一区二区三区 | 十八禁高潮呻吟视频| 亚洲av.av天堂| 亚洲国产毛片av蜜桃av| 国产精品欧美亚洲77777| 亚洲精华国产精华液的使用体验| 在线观看美女被高潮喷水网站| 久久鲁丝午夜福利片| 国产高清有码在线观看视频| 色网站视频免费| 国内精品宾馆在线| 亚洲精品日韩在线中文字幕| 欧美成人精品欧美一级黄| 日韩不卡一区二区三区视频在线| 国产日韩欧美亚洲二区| 欧美精品国产亚洲| 亚洲欧美成人精品一区二区| 亚洲欧美日韩卡通动漫| 国产有黄有色有爽视频| 欧美精品亚洲一区二区| 午夜日本视频在线| 亚洲国产成人一精品久久久| 一级毛片 在线播放| 男人添女人高潮全过程视频| 日韩强制内射视频| 十八禁网站网址无遮挡| 能在线免费看毛片的网站| 日本免费在线观看一区| 欧美xxxx性猛交bbbb| 22中文网久久字幕| 美女视频免费永久观看网站| 精品国产一区二区久久| 午夜影院在线不卡| av天堂久久9| 亚洲国产日韩一区二区| 最近手机中文字幕大全| 久久热精品热| 国产精品久久久久久久久免| 色吧在线观看| 午夜免费观看性视频| 美女xxoo啪啪120秒动态图| 人妻制服诱惑在线中文字幕| 一个人看视频在线观看www免费| 啦啦啦在线观看免费高清www| 热99久久久久精品小说推荐| 亚洲精品av麻豆狂野| 99视频精品全部免费 在线| 美女国产高潮福利片在线看| 欧美精品一区二区免费开放| 亚洲图色成人| 有码 亚洲区| 国产成人一区二区在线| 王馨瑶露胸无遮挡在线观看| 两个人的视频大全免费| 热re99久久精品国产66热6| 亚洲av成人精品一二三区| 极品少妇高潮喷水抽搐| 久久久精品94久久精品| 国产在线视频一区二区| 一本久久精品| 18在线观看网站| 嘟嘟电影网在线观看| 亚洲怡红院男人天堂| 久久久久久久亚洲中文字幕| 青春草亚洲视频在线观看| 国产精品.久久久| 99久国产av精品国产电影| 亚洲一区二区三区欧美精品| 成年av动漫网址| xxx大片免费视频| 热99久久久久精品小说推荐| 久久国产亚洲av麻豆专区| 亚洲欧美精品自产自拍| 欧美丝袜亚洲另类| 桃花免费在线播放| 午夜免费男女啪啪视频观看| 久久国产亚洲av麻豆专区| 制服丝袜香蕉在线| 国产69精品久久久久777片| 亚洲国产av新网站| 成人午夜精彩视频在线观看| 久久 成人 亚洲| 大话2 男鬼变身卡| 亚洲成人一二三区av| 国产伦精品一区二区三区视频9| 国产淫语在线视频| 一区二区三区四区激情视频| 亚洲av日韩在线播放| 国产69精品久久久久777片| 菩萨蛮人人尽说江南好唐韦庄| h视频一区二区三区| 最近中文字幕高清免费大全6| 熟女电影av网| 少妇熟女欧美另类| 亚洲伊人久久精品综合| 午夜视频国产福利| 亚洲成人手机| 亚洲激情五月婷婷啪啪| 黑人巨大精品欧美一区二区蜜桃 | a 毛片基地| 婷婷色综合大香蕉| 大又大粗又爽又黄少妇毛片口| 成人18禁高潮啪啪吃奶动态图 | 日本爱情动作片www.在线观看| 国产有黄有色有爽视频| 国产亚洲一区二区精品| 日韩大片免费观看网站| 国产毛片在线视频| 日韩免费高清中文字幕av| 国产极品天堂在线| 乱人伦中国视频| 欧美另类一区| 免费av不卡在线播放| 51国产日韩欧美| 精品国产一区二区久久| 欧美变态另类bdsm刘玥| 亚洲婷婷狠狠爱综合网| 婷婷色麻豆天堂久久| 国产爽快片一区二区三区| 一边亲一边摸免费视频| 大香蕉久久网| 九色亚洲精品在线播放| 亚洲av成人精品一二三区| 成人午夜精彩视频在线观看| 亚洲高清免费不卡视频| 18在线观看网站| 97在线人人人人妻| 成人18禁高潮啪啪吃奶动态图 | 久久 成人 亚洲| 男的添女的下面高潮视频| 中文字幕免费在线视频6| 精品久久国产蜜桃| 亚洲成色77777| 在线免费观看不下载黄p国产| 九九久久精品国产亚洲av麻豆| 少妇被粗大的猛进出69影院 | 最近2019中文字幕mv第一页| 亚洲怡红院男人天堂| 国产精品国产av在线观看| videossex国产| 蜜臀久久99精品久久宅男| 国产亚洲av片在线观看秒播厂| av天堂久久9| 国产精品久久久久久久电影| 国产精品久久久久久精品古装| 777米奇影视久久| 黄色配什么色好看| 国产黄色视频一区二区在线观看| 国产一区二区在线观看av| 97超碰精品成人国产| 一本久久精品| 国产 一区精品| 免费人成在线观看视频色| 美女福利国产在线| 婷婷色麻豆天堂久久| videos熟女内射| 综合色丁香网| 午夜福利网站1000一区二区三区| 99热这里只有精品一区| 91久久精品国产一区二区三区| 99视频精品全部免费 在线| 国产无遮挡羞羞视频在线观看| 亚洲综合色网址| 成人免费观看视频高清| 久久精品国产亚洲网站| 亚洲精品色激情综合| 人妻制服诱惑在线中文字幕| 国产成人aa在线观看| 精品久久久久久电影网| 亚洲无线观看免费| 女性被躁到高潮视频| 免费播放大片免费观看视频在线观看| 另类亚洲欧美激情| 精品久久久精品久久久| 成人黄色视频免费在线看| 亚洲精品久久成人aⅴ小说 | 久久久久国产网址| 亚洲欧美一区二区三区国产| 亚洲av.av天堂| 精品人妻熟女毛片av久久网站| 国产 精品1| 亚洲av男天堂| 亚洲精品美女久久av网站| 丝袜脚勾引网站| 亚洲综合色惰| 不卡视频在线观看欧美| 亚洲欧美一区二区三区国产| 女人精品久久久久毛片| 欧美日本中文国产一区发布| 久久精品夜色国产| 我的女老师完整版在线观看| 国产一区二区三区综合在线观看 | 亚洲欧美成人精品一区二区| 国内精品宾馆在线| 亚洲美女视频黄频| 麻豆成人av视频| 下体分泌物呈黄色| 日日撸夜夜添| 九草在线视频观看| 日韩一区二区三区影片| 国产成人精品婷婷| 波野结衣二区三区在线| 亚洲av综合色区一区| 多毛熟女@视频| 狠狠婷婷综合久久久久久88av| 国产欧美日韩一区二区三区在线 | 香蕉精品网在线| 国产亚洲最大av| 高清黄色对白视频在线免费看|