• <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 ?

    中心損失與Softmax損失聯(lián)合監(jiān)督下的人臉識別

    2018-11-30 02:53余成波田桐熊遞恩許琳英
    重慶大學學報(社會科學版) 2018年5期
    關(guān)鍵詞:動量人臉識別深度學習

    余成波 田桐 熊遞恩 許琳英

    摘要:深度學習在人臉識別領(lǐng)域已經(jīng)取得了巨大的成就,針對當前大多數(shù)卷積神經(jīng)網(wǎng)絡(luò)采用Softmax損失函數(shù)進行特征分類,增加新的類別樣本會減小類間距離的增長趨勢,影響網(wǎng)絡(luò)對特征判別的問題,采用了一種基于中心損失與Softmax損失聯(lián)合監(jiān)督的人臉識別算法,來提高網(wǎng)絡(luò)對特征的識別能力。在Softmax基礎(chǔ)上,首先,分別對訓練集每個類別在特征空間維護一個類中心,訓練過程新增加樣本時,網(wǎng)絡(luò)會約束樣本的分類中心距離,從而兼顧了類內(nèi)聚合與類間分離。其次,引入動量概念,在分類中心更新的時候,通過保留之前的更新方向,同時利用當前批次的梯度微調(diào)最終的更新方向,該方法可以在一定程度上增加穩(wěn)定性,提高網(wǎng)絡(luò)的學習效率。最后,在人臉識別基準庫LFW上的測試實驗證明:所提的聯(lián)合監(jiān)督算法,在較小的網(wǎng)絡(luò)訓練集上,獲得了99.31%的人臉識別精度。

    關(guān)鍵詞:深度學習;中心損失;Softmax損失;動量;人臉識別

    中圖分類號:TP391.4

    文獻標志碼:A文章編號:1000-582X(2018)05-092-09

    Abstract: Nowadays, deep learning has made great achievements in face recognition. Most of the convolutional neural network uses the Softmax loss function to increase the distance between classes. However, adding samples of new classes will reduce the distance between classes and the performance of the network. In order to improve the recognition ability of the network characteristics, a face recognition approach based on joint supervision of center loss and Softmax loss is proposed. On the basis of Softmax, first of all, a class center is maintained in the feature space for each class of the training set. When a new sample is added to the training process, the network will constrain the distance of the classification center of the sample, and thus both intra-class aggregation and inter-class separation are considered. Secondly, the concept of momentum is introduced. When the classification center is updated, by retaining the previous update direction and using the gradient of the current batch to fine-tune the final update direction, the method can increase the stability and improve the learning efficiency of the network. Finally, the test experiments on the face recognition benchmark library LFW (labeled faces in the wild) prove that the proposed joint supervision algorithm achieves 99.31% of face recognition accuracy on a small network training set.

    Keywords: deep learning; central loss; Softmax loss; momentum; face recognition

    近年來,隨著深度學習的不斷發(fā)展,人臉識別技術(shù)已經(jīng)獲得了飛躍式的發(fā)展[1]。相較于傳統(tǒng)的人臉識別技術(shù),如:特征臉、局部特征分析法、基于幾何特征法等,深度卷積神經(jīng)網(wǎng)絡(luò)(CNNs, convolutional neural networks)進行的人臉識別,能有效的克服諸如光照、多姿態(tài)、面部遮擋等干擾。深度卷積神經(jīng)網(wǎng)絡(luò)是通過不斷的訓練從圖片中提取特征,克服了手動選擇中人為的主觀性[2]。對于CNNs的常用人臉識別框架如圖1所述。

    早期的人臉識別通過不斷的研究網(wǎng)絡(luò)結(jié)構(gòu)來提升人臉的識別精度,其中較著名的網(wǎng)絡(luò)有Lenet[3]、Alexnet[4]、Googlenet[4]、VGG[5]、Deep Residual Learning[6]等,其研究結(jié)果表現(xiàn)在網(wǎng)絡(luò)越深,獲得的識別精度就越高。然而,這些網(wǎng)絡(luò)結(jié)構(gòu)需要大量的人臉數(shù)據(jù)庫、較大的計算資源及消耗大量的計算時間,而讓許多研究者望而卻步,并成為人臉識別的研究瓶頸。為了解決這個問題,文獻[7]提出了遷移學習方法,并得到迅速發(fā)展,被廣大研究者廣泛使用。遷移學習可以利用現(xiàn)有的訓練好的網(wǎng)絡(luò)模型,在樣本數(shù)據(jù)不是特別充足的情況下獲得較好的結(jié)果。但遷移學習的前提是訓練數(shù)據(jù)具有相似性,否則性能將會降低。

    由于相似性的訓練數(shù)據(jù)不具有普遍性,而簡單的網(wǎng)絡(luò)結(jié)構(gòu)不能滿足需求,因此研究者將目光轉(zhuǎn)向了對數(shù)據(jù)特征關(guān)系的研究。在2005年,文獻[8]中就提出可通過計算2幅人臉圖像的相似距離來識別人臉,孿生網(wǎng)絡(luò)[9]被廣泛使用,孿生網(wǎng)絡(luò)能夠很好的提取2個輸入獲取到的特征的相似性。2014年,Taigman等人[10]通過對人臉進行三維對稱處理,使用DeepFace孿生網(wǎng)絡(luò)結(jié)構(gòu)進行訓練,該方法在LFW(labeled faces in the wild)人臉數(shù)據(jù)庫上進行測試的精度達到了97.25,接近人眼識別精度。Sun等人[11]在DeepFace的基礎(chǔ)上提出了DeepID(deep hidden identity features)網(wǎng)絡(luò),采用Softmax損失函數(shù)作為監(jiān)督信號,通過在CelebFaces 和 WDRef結(jié)合的較大的人臉數(shù)據(jù)庫上進行訓練,最終在LFW上達到了97.35%的精度。

    Softmax損失監(jiān)督網(wǎng)絡(luò)在面對未訓練過的新標簽樣本時,由于網(wǎng)絡(luò)對特征的泛化能力不足,其識別效果不佳。為了解決這個問題,文獻[12]中提出使用識別信號和驗證信號進行聯(lián)合監(jiān)督,其中識別信號能增大不同人臉的差異性,驗證信號能減小人臉類內(nèi)差異,使得在LFW上識別精度達到99.15%。與選取某一層直接使用損失進行分類的方法不同,文獻[13]提出了triplet損失函數(shù)作為監(jiān)督信號,直接學習圖像到歐式空間上點的映射,2張圖像所對應(yīng)的特征的歐式空間上的點的距離直接對應(yīng)著2個圖像是否相似,來獲得更好的分類效果,該方法在LFW上達到了99.63%的精度。

    文獻[13]中的方法對訓練樣本數(shù)量要求很高,并且計算量增大,訓練步驟也變得復雜。為了解決這個問題,研究采用了一種中心損失與Softmax損失進行聯(lián)合監(jiān)督的方法,該方法在增大不同人臉間距離的同時,減小同一個人臉內(nèi)部的距離,從而使學習到的特征具有更好的泛化性和辨別能力,提高深度卷積網(wǎng)絡(luò)對特征的識別能力。其優(yōu)點是收斂速度更快、所需樣本數(shù)量比其他方法少,最后,通過在基準LFW庫的實驗也證明了算法的有效性,獲得了99.31%的人臉識別精度。

    1 損失函數(shù)及算法步驟

    在卷積神經(jīng)網(wǎng)絡(luò)的前向傳播中,通過網(wǎng)絡(luò)最后一層預測結(jié)果與真實結(jié)果的比較得到損失,計算誤差更新值,通過反向傳播對網(wǎng)絡(luò)的所有權(quán)值進行更新。其中,損失層是前向傳播的終點,也是反向傳播的起點。通過對預測值和真實值的計算,得到損失函數(shù)(loss function)的值,而分類中的優(yōu)化過程實質(zhì)就是對損失函數(shù)進行最小化的過程??梢圆捎锰荻认陆捣ǖ葍?yōu)化算法計算最小值。

    1.1 Softmax損失

    Softmax 函數(shù)是 Logistic 函數(shù)[14]的推廣,主要用于解決多分類問題。Softmax所獲得的結(jié)果代表輸入圖像被分到每一類的概率,若是一個K分類器,則輸出是一個K維的向量(向量中元素的和為1)。

    通過聯(lián)合監(jiān)督方法不僅解決了對比損失中無法采集合適的樣本對的問題,同時也解決了三重損失中復雜采樣的問題。在該中心損失中,采用了對比損失中同類樣本損失公式,用同類樣本中的類中心替換了其中的一個同類樣本,而異類時,是直接采用Softmax損失進行計算。

    1.4 網(wǎng)絡(luò)參數(shù)配置及算法步驟

    為了有效的實現(xiàn)非限制條件下的人臉識別,將Softmax損失與中心損失相結(jié)合,其聯(lián)合損失的監(jiān)督示意圖如圖3所示,對于整個訓練網(wǎng)絡(luò)的具體參數(shù)的配置見實驗部分。

    通過對網(wǎng)絡(luò)結(jié)構(gòu)的研究,構(gòu)建網(wǎng)絡(luò),對于聯(lián)合監(jiān)督算法部分,將算法的輸入抽象為:訓練數(shù)據(jù)集{xi},分別初始化池化層和loss層的參數(shù)θc、W及{cjj=1,2,…,n},同時輸入?yún)?shù):λ、α和學習率μt,其中迭代的次數(shù)t初始化為0。輸出則抽象為輸出參數(shù)θc,因此歸納聯(lián)合監(jiān)督的人臉識別算法步驟如下所示。

    2 實驗及結(jié)果分析

    為驗證算法的有效性,選用人臉基準庫LFW人臉庫進行人臉識別實驗。實驗選用網(wǎng)絡(luò)中單獨使用Softmax損失監(jiān)督的Model A、Softmax損失與對比損失聯(lián)合監(jiān)督的Model B幾個使用最廣泛的網(wǎng)絡(luò)模型與算法的Model C進行對比分析。

    2.1 網(wǎng)絡(luò)模型及數(shù)據(jù)集

    2.1.1 網(wǎng)絡(luò)模型

    VGGNet[17]是Andrew Zisserman 教授研究團隊(Oxford)提出的一種CNN,該網(wǎng)絡(luò)相較于AlexNet具有更深的網(wǎng)絡(luò)結(jié)構(gòu),通常有16~19層,且其所有卷積層都使用了同樣的大小的卷積核,大小為3×3。VGGNet在2014年的ILSVRC定位和分類2個問題上分別取得了第一名和第二名。因此,全部采用3×3的網(wǎng)絡(luò)結(jié)構(gòu)來組建網(wǎng)絡(luò)。此外,受Resnet[18]的啟發(fā),在VGGNet基礎(chǔ)上添加殘差網(wǎng)絡(luò)結(jié)構(gòu),其網(wǎng)絡(luò)結(jié)構(gòu)如圖4所示。其卷積層由一個3×3的步長為1的卷積網(wǎng)絡(luò)和一個PReLU激活函數(shù)組成。對于圖4中的LC層,其結(jié)構(gòu)如圖5所示。其中,特征圖大小分別為128,256,521,2個全連接層的輸出維度都為512。

    2.1.2 數(shù)據(jù)集

    ①訓練數(shù)據(jù)集

    選取CASIA-WebFace作為訓練數(shù)據(jù)集,其包含10 575人的約500 K張圖片。由于該數(shù)據(jù)庫與LFW有3個人臉是重復的,選取了10 572個人的人臉圖像,對其進行剪切、對齊處理(圖像剪切為112×96),采用4∶1的比例拆分訓練數(shù)據(jù)和驗證數(shù)據(jù)。在訓練過程中,對訓練和驗證數(shù)據(jù)做鏡像處理。其訓練數(shù)據(jù)和驗證數(shù)據(jù)如圖6所示。

    ②測試數(shù)據(jù)集

    選取目前廣泛使用的LFW標準人臉識別數(shù)據(jù)集,該數(shù)據(jù)集是是專門用來研究人臉識別問題的數(shù)據(jù)集。該數(shù)據(jù)集包含5 749人,共13 233張人臉圖像。LFW定義了3個標準的協(xié)議(無監(jiān)督、限制與非限制)去評估人臉識別的性能。這里選取了6 000組測試比對集,其中3 000組為相同人的比對集,3 000組為不同人的比對集。經(jīng)過對人臉進行矯正和剪切的預處理后[19-20],其人臉如圖7所示,其中綠色方框中的人臉表示2組中的人臉是同一個人,紅色方框中的人臉表示2組中的人臉不是同一個人。

    2.2 不同參數(shù)下人臉識別精度的影響

    研究所提算法中,通過使用ρ來控制中心的學習率,λ用來平衡Softmax及中心2個損失,從而加強網(wǎng)絡(luò)對特征的識別能力。η則用來校正特征中心的更新,因此這3個參數(shù)對所述算法起著至關(guān)重要的作用,下面分別對其進行討論。

    1)參數(shù)λ對人臉識別精度的影響

    本實驗,通過固定ρ及動量η,改變λ參數(shù)的方式進行試驗,從參考文獻[15]中知道,當ρ=0.5的時候,能夠獲得較高的中心學習率。因此,第一個試驗,固定ρ=0.5,η=0.5,而使λ從0變化到1,從而學習到不同的網(wǎng)絡(luò)模型。

    在LFW數(shù)據(jù)集上的測試結(jié)果如圖8所示,由圖可知,所提Softmax損失及中心損失聯(lián)合監(jiān)督算法的優(yōu)越性,其人臉識別測試精度,要高于僅Softmax損失監(jiān)督下(當λ=0時,訓練網(wǎng)絡(luò)僅有Softmax損失監(jiān)督)的測試精度。同時,從圖8中也可以得到,一個合適的λ值有助于提高人臉識別精度,參數(shù)λ的最佳結(jié)果為0.003。

    2)學習率ρ對人臉識別精度的影響

    根據(jù)本章實驗(1)中獲得的最優(yōu)結(jié)果,本節(jié)實驗固定λ=0.003,η=0.5,而讓ρ從0.01變化到1,從而學習到不同的模型。

    分別采用這些模型在精準庫LFW上做人臉識別測試,可以得到該實驗的人臉識別精度如圖9所示。由圖9分析得出,選擇合適的ρ值,同樣有助于提高訓練網(wǎng)絡(luò)的人臉識別精度。根據(jù)實驗分析,參數(shù)ρ的最佳結(jié)果為0.6。

    3)參數(shù)η對人臉識別精度的影響

    根據(jù)實驗(1)、(2)獲得的最優(yōu)結(jié)果,本節(jié)實驗通過固定ρ=0.6,λ=0.003,而讓參數(shù)η在0到1之間η發(fā)生變化,從而訓練到不同的網(wǎng)絡(luò)模型。通過LFW數(shù)據(jù)集上的測試,得到該實驗的人臉識別精度,其實驗結(jié)果如圖10所示。

    由圖10分析得出,一個合適的動量選擇,能夠提高訓練網(wǎng)絡(luò)的人臉識別精度,從實驗結(jié)果來看,當η取0.9時,人臉識別精度最高。同時,將其與圖9、圖10對比發(fā)現(xiàn),最佳的λ、ρ及η值,能夠在總體上提高人臉識別精度。

    2.3 不同網(wǎng)絡(luò)模型下的人臉識別精度比較

    ROC(receiver operating characteristic)曲線和AUC(area under curve)常被用來評價一個二值分類器(binary classifier)的優(yōu)劣[21]。其中,AUC被定義為ROC曲線下的面積。為了說明所提聯(lián)合監(jiān)督算法在人臉識別精度中的優(yōu)勢,將其與目前獲得了最高人臉識別精度的幾種經(jīng)典網(wǎng)絡(luò)模型比較分析,其中,網(wǎng)絡(luò)模型是在CAISA-webface數(shù)據(jù)集上訓練而來的,該數(shù)據(jù)集中的任何一張人臉都與LFW上的人臉不同,并且所采用的參數(shù)ρ=0.6,λ=0.003,η=0.9。

    在實驗中,通過人臉驗證試驗繪制ROC曲線,從而評價算法訓練下的分類特征的好壞。人臉驗證試驗是:對于LFW中給定的6 000組測試人臉,分別判斷他們是否是同一個人。經(jīng)過試驗,在LFW測試集中達到了99.31%的平均精度,與表1中所列方法的平均精度和ROC曲線的比較分別如表1和圖11所示,其中用Model A表示僅使用Softmax損失函數(shù)監(jiān)視的模型,Model B表示Softmax損失和對比損失聯(lián)合監(jiān)視的模型,而Model C則表示所提模型。

    從表1及圖11的實驗數(shù)據(jù)分析來看,所提算法(Softmax損失與center損失聯(lián)合監(jiān)督)比單一的損失監(jiān)督Model A,在相同訓練數(shù)據(jù)圖片的情況下獲得了較高的識別精度,在LFW基準庫上識別精度從97.35%提高到99.31%。該對比結(jié)果可以證明,聯(lián)合監(jiān)督方法相比單一監(jiān)督方法,在對特征的分類能力上有顯著的提升。其次,研究還將算法與當前使用最為廣泛的聯(lián)合監(jiān)督Model B進行比較,從實驗結(jié)果來看,表1顯示Model C的人臉識別精度從原來的99.28%提高到99.31%,表2可見其訓練時間已經(jīng)縮短。實驗表明網(wǎng)絡(luò)收斂速度已經(jīng)加快,在減小類內(nèi)距離上有更加顯著的優(yōu)勢。最后,表1還列出了當前表現(xiàn)最好的幾種經(jīng)典模型,結(jié)合圖11的ROC曲線??梢娝崴惴P偷淖R別結(jié)果,能夠在使用較小訓練數(shù)據(jù)集的情況下,獲得較高的人臉識別精度。

    3 結(jié) 論

    筆者提出了一種基于中心損失與Softmax損失聯(lián)合監(jiān)督的人臉識別算法,在LFW人臉庫上的實驗結(jié)果表明:算法能夠提高網(wǎng)絡(luò)對特征的識別能力,將中心損失與Softmax損失相結(jié)合,克服了Softmax損失在面對未訓練過的新標簽樣本時,泛化能力不足的問題。同時,重點引入動量的概念,在分類中心更新的時候,通過保留之前的更新方向,同時利用當前批次的梯度微調(diào)最終的更新方向,該方法可以在一定程度上增加穩(wěn)定性,提高網(wǎng)絡(luò)的學習效率。

    最后,實驗表明:在較小的網(wǎng)絡(luò)訓練集的基礎(chǔ)上,算法獲得了99.31%的人臉識別精度,從而驗證了算法在提高網(wǎng)絡(luò)對特征的識別能力上的優(yōu)越性。

    參考文獻:

    [1] Parkhi O M, Vedaldi A, Zisserman A, et al. Deep face recognition[C]∥British Machine Vision Conference. Swansea, UK: British Machine Vision Association, 2015: 41-42.

    [2] Mufti H N, Abidi S, Abidi S R, et al. Predictors of post-operative delirium in cardiac surgery patients; a machine learning approach[J]. Canadian Journal of Cardiology, 2014, 30(10): 237-238.

    [3] LeCun L, Bottou Y, Bengio P, et al. Gradient-based learning applied to document recognition[J]. Proceedings of the IEEE, 1998, 86(11): 2278-2323.

    [4] Ballester P, Araujo R M. On the performance of GoogLeNet and alexNet applied to sketches[C]∥Thirtieth AAAI Conference on Artificial Intelligence. Phoenix, USA: AAAI Press, 2016: 1124-1128.

    [5] Day M J, Horzinek M C, Schultz R D, et al. Guidelines for the vaccination of dogs and cats[J]. Journal of Small Animal Practice, 2007, 48(9): 528.

    [6] He K, Zhang X, Ren S, et al. Deep residual learning for image recognition[G]∥Computer Vision and Pattern Recognition, Las Vegas, USA: IEEE, 2015: 770-778.

    [7] Sinno J, Yang Q. A survey on transfer learning[J]. IEEE Transactions on Knowledge & Data Engineering, 2010, 22(10):1345-1359.

    [8] Hadsell R, Chopra S, Lecun Y, et al. Dimensionality reduction by learning an invariant mapping[C]∥Computer Vision and Pattern Recognition, Conference on 2006 IEEE Computer Society. New York: IEEE, 2006: 1735-1742.

    [9] Chopra S, Hadsell R, Lecun Y, et al. Learning a similarity metric discriminatively, with application to face verification[C]∥Computer Vision and Pattern Recognition, 2005. New York: IEEE, 2005: 539-546.

    [10] Taigman Y, Yang M. Deepface: closing the gap to human-level performance in face verification[C]∥Computer Vision and Pattern Recognition. Columbus, USA: IEEE, 2014: 1701-1708.

    [11] Sun Y, Wang X, Tang X. Deep learning face representation from predicting 10,000 classes[C]∥IEEE Conference on Computer Vision and Pattern Recognition. Columbus, USA: IEEE Computer Society, 2014: 1891-1898.

    [12] Sun Y, Wang X, Tang X, et al. Deep learning face representation by joint identification-verification[C]∥NIPS Montred, CANADA: MIT Press, 2014, 27: 1988-1996.

    [13] Cheng D, Gong Y, Zhou S, et al. Person reidentification by multi-channel parts-based CNN with improved triplet loss function[C]∥Computer Vision and Pattern Recognition. Las Vega S, USA: IEEE, 2016: 1335-1344.

    [14] King G, Zeng L. Logistic regression in rare events data[J]. Political Analysis, 2001, 9(2): 137-163.

    [15] Wen Y, Zhang K, Li Z, et al. A discriminative feature learning approach for deep face recognition[C]∥Computer Vision-ECCV 2016. Amsterdam: Springer International Publishing, 2016: 11-26.

    [16] Qian N. On the momentum term in gradient descent learning algorithms[J]. Neural Networks the Official Journal of the International Neural Network Society, 1999, 12(1): 145-151.

    [17] Simonyan K, Zisserman A. Very deep convolutional networks for large-scale image recognition[J]. Computer Science, 2014, 6(1): 1409-1556.

    [18] Szegedy C, Ioffe S, Vanhoucke V, et al. Inception-v4, Inception-ResNet and the impact of residual connections on learning[C]∥AAAI. Palo Alto, California: AAAI, 2017: 4278-4284.

    [19] Kazemi V, Sullivan J. One millisecond face alignment with an ensemble of regression trees[C]∥Computer Vision and Pattern Recognition. Columbus, USA: IEEE, 2014: 1867-1874.

    [20] Klawonn F, Hppner F, May S. An alternative to ROC and AUC analysis of classifiers[C]∥International Conference on Advances in Intelligent Data Analysis X. Berlin: Springer, 2011: 210-221.

    (編輯 侯 湘)

    猜你喜歡
    動量人臉識別深度學習
    人臉識別 等
    應(yīng)用動量守恒定律解題之秘訣
    原子物理與動量、能量的結(jié)合
    揭開人臉識別的神秘面紗
    動量相關(guān)知識的理解和應(yīng)用
    MOOC與翻轉(zhuǎn)課堂融合的深度學習場域建構(gòu)
    大數(shù)據(jù)技術(shù)在反恐怖主義中的應(yīng)用展望
    基于類獨立核稀疏表示的魯棒人臉識別
    基于K-L變換和平均近鄰法的人臉識別
    動量守恒定律的推廣與應(yīng)用
    亚洲真实伦在线观看| 欧美精品一区二区免费开放| 免费观看在线日韩| 男女边摸边吃奶| 亚洲欧美日韩无卡精品| 一级a做视频免费观看| 能在线免费看毛片的网站| 国产综合精华液| 丰满迷人的少妇在线观看| 精品久久久久久久末码| 亚洲精品久久午夜乱码| 成人国产麻豆网| 久久精品久久久久久噜噜老黄| 一区在线观看完整版| 少妇的逼好多水| 午夜福利影视在线免费观看| 国产日韩欧美亚洲二区| 欧美日韩一区二区视频在线观看视频在线| 高清日韩中文字幕在线| 久久 成人 亚洲| 欧美xxxx黑人xx丫x性爽| 国产v大片淫在线免费观看| 小蜜桃在线观看免费完整版高清| freevideosex欧美| 免费av中文字幕在线| 女性被躁到高潮视频| 极品少妇高潮喷水抽搐| 国产精品久久久久久久电影| 菩萨蛮人人尽说江南好唐韦庄| 综合色丁香网| 特大巨黑吊av在线直播| 男女无遮挡免费网站观看| 人人妻人人爽人人添夜夜欢视频 | 十八禁网站网址无遮挡 | 精品久久久久久久久av| a 毛片基地| 国产成人精品一,二区| 欧美日韩综合久久久久久| 久久久久精品久久久久真实原创| 国产av国产精品国产| 人妻系列 视频| 午夜视频国产福利| 午夜福利网站1000一区二区三区| 777米奇影视久久| av国产久精品久网站免费入址| 欧美日韩亚洲高清精品| 精品少妇黑人巨大在线播放| 日韩中字成人| 美女内射精品一级片tv| 99热这里只有是精品50| 国产男女超爽视频在线观看| av在线蜜桃| 免费看不卡的av| 久久精品国产亚洲网站| 国产欧美日韩一区二区三区在线 | 在线观看美女被高潮喷水网站| 一区二区三区乱码不卡18| 韩国av在线不卡| 久久久久久久大尺度免费视频| 一级毛片aaaaaa免费看小| 成人亚洲精品一区在线观看 | 色婷婷av一区二区三区视频| 校园人妻丝袜中文字幕| 国产一级毛片在线| 高清视频免费观看一区二区| 五月伊人婷婷丁香| 日韩欧美精品免费久久| 亚洲图色成人| 夜夜看夜夜爽夜夜摸| 日韩三级伦理在线观看| 国产精品一区www在线观看| 精品久久久噜噜| 成年美女黄网站色视频大全免费 | 男女下面进入的视频免费午夜| 日本爱情动作片www.在线观看| 免费看av在线观看网站| 伦理电影大哥的女人| 99热国产这里只有精品6| 亚洲色图综合在线观看| 亚洲美女搞黄在线观看| 亚洲,一卡二卡三卡| 在线免费观看不下载黄p国产| 久久这里有精品视频免费| 永久免费av网站大全| 欧美精品国产亚洲| 国产淫片久久久久久久久| 大又大粗又爽又黄少妇毛片口| 纵有疾风起免费观看全集完整版| 五月玫瑰六月丁香| 最近的中文字幕免费完整| 在线观看免费视频网站a站| 两个人的视频大全免费| 国产精品爽爽va在线观看网站| 51国产日韩欧美| 国产伦精品一区二区三区四那| 日韩一本色道免费dvd| 久久影院123| 建设人人有责人人尽责人人享有的 | 蜜桃在线观看..| 国产黄色免费在线视频| 美女福利国产在线 | 欧美精品一区二区免费开放| 欧美成人a在线观看| 亚洲国产精品国产精品| 在线看a的网站| 午夜激情久久久久久久| 国产亚洲一区二区精品| 一个人看视频在线观看www免费| 美女主播在线视频| 91久久精品国产一区二区成人| 午夜精品国产一区二区电影| 大陆偷拍与自拍| 自拍欧美九色日韩亚洲蝌蚪91 | 国产又色又爽无遮挡免| 久久99精品国语久久久| 天堂8中文在线网| 纯流量卡能插随身wifi吗| 99re6热这里在线精品视频| 一区在线观看完整版| 久久国产亚洲av麻豆专区| 九九爱精品视频在线观看| 久久久久久久久久人人人人人人| 一边亲一边摸免费视频| 麻豆乱淫一区二区| 亚洲欧美日韩东京热| 国产精品av视频在线免费观看| 大片免费播放器 马上看| 在线观看人妻少妇| 青春草视频在线免费观看| 香蕉精品网在线| 日韩中字成人| 亚洲成人中文字幕在线播放| 久久午夜福利片| 乱码一卡2卡4卡精品| 永久网站在线| 亚洲精品国产色婷婷电影| 99热全是精品| 女性生殖器流出的白浆| 一级a做视频免费观看| 久久精品国产亚洲网站| 黑丝袜美女国产一区| 成人国产av品久久久| 欧美精品国产亚洲| 国产高清有码在线观看视频| 国产成人a∨麻豆精品| 亚洲精品乱码久久久久久按摩| 最新中文字幕久久久久| 男女国产视频网站| 少妇人妻精品综合一区二区| 日韩欧美一区视频在线观看 | 伦精品一区二区三区| 欧美三级亚洲精品| 国产成人免费观看mmmm| 黄色怎么调成土黄色| 久久 成人 亚洲| 亚洲国产最新在线播放| 久久国产亚洲av麻豆专区| 晚上一个人看的免费电影| 在线观看免费视频网站a站| 肉色欧美久久久久久久蜜桃| 少妇人妻一区二区三区视频| 国产高清有码在线观看视频| 性色av一级| 日本欧美视频一区| 精品少妇黑人巨大在线播放| 人妻夜夜爽99麻豆av| 永久网站在线| 国产精品福利在线免费观看| 一本—道久久a久久精品蜜桃钙片| 搡老乐熟女国产| 久久 成人 亚洲| 亚洲精品日本国产第一区| 国产精品99久久99久久久不卡 | 一级毛片黄色毛片免费观看视频| 最近最新中文字幕免费大全7| 国产人妻一区二区三区在| av专区在线播放| 欧美精品一区二区大全| 偷拍熟女少妇极品色| 中文字幕免费在线视频6| 在线天堂最新版资源| 麻豆国产97在线/欧美| 三级国产精品片| 看十八女毛片水多多多| 国产精品免费大片| 欧美高清性xxxxhd video| 国产成人精品久久久久久| 成人特级av手机在线观看| 嘟嘟电影网在线观看| 大陆偷拍与自拍| 国产亚洲最大av| 亚洲国产成人一精品久久久| 国产有黄有色有爽视频| 久久综合国产亚洲精品| 免费少妇av软件| 91aial.com中文字幕在线观看| 亚洲高清免费不卡视频| 18+在线观看网站| 久久精品国产自在天天线| 亚洲欧美日韩东京热| 丰满人妻一区二区三区视频av| 少妇人妻精品综合一区二区| 亚洲成人av在线免费| 免费久久久久久久精品成人欧美视频 | 97在线人人人人妻| 免费人妻精品一区二区三区视频| 激情 狠狠 欧美| 久久韩国三级中文字幕| 美女脱内裤让男人舔精品视频| 国产精品久久久久久久电影| 亚洲综合色惰| 久久精品久久精品一区二区三区| 成人国产av品久久久| 欧美亚洲 丝袜 人妻 在线| 18禁在线播放成人免费| 涩涩av久久男人的天堂| 久久精品人妻少妇| 午夜福利影视在线免费观看| 亚洲最大成人中文| 国国产精品蜜臀av免费| 新久久久久国产一级毛片| 久久精品人妻少妇| 99久久精品国产国产毛片| 在线播放无遮挡| 久久久久久久久大av| 简卡轻食公司| 欧美日韩一区二区视频在线观看视频在线| 久久久久久久精品精品| 国产高清三级在线| 少妇被粗大猛烈的视频| 韩国av在线不卡| av福利片在线观看| 欧美日韩视频高清一区二区三区二| 新久久久久国产一级毛片| 免费高清在线观看视频在线观看| 亚洲综合精品二区| 欧美激情国产日韩精品一区| 精品久久国产蜜桃| 亚洲人成网站高清观看| 黄片wwwwww| 麻豆成人午夜福利视频| 亚洲成人av在线免费| 欧美一区二区亚洲| 人妻 亚洲 视频| 一区二区av电影网| 女的被弄到高潮叫床怎么办| 久久女婷五月综合色啪小说| av.在线天堂| 老女人水多毛片| 国产av一区二区精品久久 | 欧美bdsm另类| 一级黄片播放器| 黑丝袜美女国产一区| 国产视频首页在线观看| 99热这里只有是精品50| 看非洲黑人一级黄片| 欧美xxxx性猛交bbbb| 免费av不卡在线播放| 激情五月婷婷亚洲| 亚洲图色成人| 又大又黄又爽视频免费| 色视频www国产| 全区人妻精品视频| 18禁在线无遮挡免费观看视频| 国产在线男女| 一本—道久久a久久精品蜜桃钙片| 亚洲精品中文字幕在线视频 | 日本与韩国留学比较| 最近手机中文字幕大全| 色网站视频免费| 欧美日韩视频高清一区二区三区二| 国产免费又黄又爽又色| 亚洲av.av天堂| 亚洲国产成人一精品久久久| 男人舔奶头视频| 亚洲va在线va天堂va国产| 十八禁网站网址无遮挡 | 日韩一区二区三区影片| 中文天堂在线官网| 午夜福利影视在线免费观看| 一个人看的www免费观看视频| 欧美另类一区| 亚洲三级黄色毛片| 久久久久视频综合| 免费在线观看成人毛片| 精品酒店卫生间| 国产精品欧美亚洲77777| 秋霞在线观看毛片| 免费大片黄手机在线观看| 精品久久国产蜜桃| 欧美97在线视频| 日韩制服骚丝袜av| 成年av动漫网址| 国产精品偷伦视频观看了| 国产老妇伦熟女老妇高清| 亚洲av二区三区四区| 成人18禁高潮啪啪吃奶动态图 | 国产成人aa在线观看| 国产av码专区亚洲av| 免费观看性生交大片5| 午夜免费观看性视频| 亚洲综合色惰| av在线app专区| 国产 一区精品| 欧美xxxx性猛交bbbb| 午夜福利在线观看免费完整高清在| 亚洲成人手机| 精品酒店卫生间| 18禁在线播放成人免费| 午夜免费男女啪啪视频观看| 国产精品欧美亚洲77777| 99热这里只有是精品50| 97超视频在线观看视频| 极品少妇高潮喷水抽搐| 我的女老师完整版在线观看| 丝瓜视频免费看黄片| 日本av免费视频播放| 少妇熟女欧美另类| 亚洲av欧美aⅴ国产| 一级毛片我不卡| 亚洲最大成人中文| 啦啦啦视频在线资源免费观看| 亚洲精品一二三| 一级a做视频免费观看| 欧美一级a爱片免费观看看| 亚洲国产精品专区欧美| 久久精品国产鲁丝片午夜精品| 国产一区二区三区av在线| 在线免费观看不下载黄p国产| 国产精品久久久久久久电影| 日韩免费高清中文字幕av| 亚洲色图av天堂| 最近中文字幕高清免费大全6| 久久亚洲国产成人精品v| 一级a做视频免费观看| 欧美一级a爱片免费观看看| 日日撸夜夜添| 精品亚洲成国产av| 少妇人妻久久综合中文| 涩涩av久久男人的天堂| 国产精品av视频在线免费观看| 久热久热在线精品观看| 日本午夜av视频| 成年免费大片在线观看| av在线观看视频网站免费| 日本欧美国产在线视频| 日韩在线高清观看一区二区三区| 成人毛片a级毛片在线播放| 国产极品天堂在线| 亚洲欧美成人综合另类久久久| 卡戴珊不雅视频在线播放| 亚洲精品乱码久久久v下载方式| 在线观看av片永久免费下载| a 毛片基地| 在线看a的网站| 2021少妇久久久久久久久久久| 国产色婷婷99| av福利片在线观看| 久久久久久久国产电影| h视频一区二区三区| 国产真实伦视频高清在线观看| 亚洲国产色片| 亚洲精品日韩在线中文字幕| 亚洲精品成人av观看孕妇| 欧美精品人与动牲交sv欧美| 简卡轻食公司| 亚洲精品自拍成人| 成年免费大片在线观看| 亚洲精品,欧美精品| 韩国av在线不卡| 国产极品天堂在线| 久久精品久久久久久久性| 2022亚洲国产成人精品| 久久精品久久久久久久性| 免费人妻精品一区二区三区视频| 国产一级毛片在线| 日本午夜av视频| 嘟嘟电影网在线观看| 深夜a级毛片| 国产一级毛片在线| 日韩伦理黄色片| 国产一级毛片在线| 久久久久精品久久久久真实原创| 伊人久久国产一区二区| 久久精品久久久久久噜噜老黄| 91精品国产九色| 欧美精品一区二区免费开放| 狠狠精品人妻久久久久久综合| 最黄视频免费看| 在线亚洲精品国产二区图片欧美 | 国产精品.久久久| 啦啦啦视频在线资源免费观看| www.av在线官网国产| 亚洲精品久久午夜乱码| 伦理电影大哥的女人| 亚洲婷婷狠狠爱综合网| 国产男女超爽视频在线观看| 亚洲高清免费不卡视频| 国产精品久久久久久久电影| 亚洲va在线va天堂va国产| 久久久久久久久久人人人人人人| 一本一本综合久久| 寂寞人妻少妇视频99o| 毛片女人毛片| 成人毛片a级毛片在线播放| 水蜜桃什么品种好| 亚洲精品亚洲一区二区| 热re99久久精品国产66热6| 国产 一区精品| 国产精品蜜桃在线观看| 久久久久精品久久久久真实原创| 精品亚洲成国产av| 国产亚洲欧美精品永久| 国产av一区二区精品久久 | 亚洲国产精品成人久久小说| 男人添女人高潮全过程视频| a级毛色黄片| 黄色一级大片看看| 菩萨蛮人人尽说江南好唐韦庄| 老司机影院成人| 亚洲久久久国产精品| 国产亚洲91精品色在线| 美女高潮的动态| 在线天堂最新版资源| a级毛片免费高清观看在线播放| 老熟女久久久| 午夜福利在线在线| 大片免费播放器 马上看| 18+在线观看网站| 97超视频在线观看视频| 如何舔出高潮| 纵有疾风起免费观看全集完整版| av卡一久久| 久久av网站| 五月玫瑰六月丁香| 黄色欧美视频在线观看| 91久久精品国产一区二区三区| 欧美+日韩+精品| 啦啦啦中文免费视频观看日本| 黄色一级大片看看| 插阴视频在线观看视频| 成人毛片a级毛片在线播放| 亚洲精品第二区| 亚洲美女黄色视频免费看| 蜜桃亚洲精品一区二区三区| 成人国产麻豆网| 中文在线观看免费www的网站| 国产国拍精品亚洲av在线观看| av视频免费观看在线观看| 18禁在线播放成人免费| 久久久久久久久久久免费av| 久久国内精品自在自线图片| 男的添女的下面高潮视频| 青春草国产在线视频| 亚洲欧美精品专区久久| 国产欧美日韩一区二区三区在线 | 国产免费福利视频在线观看| 我要看黄色一级片免费的| 九九在线视频观看精品| 国产美女午夜福利| 亚洲熟女精品中文字幕| 精品亚洲成国产av| 国产亚洲最大av| 99re6热这里在线精品视频| 男男h啪啪无遮挡| av.在线天堂| 日韩 亚洲 欧美在线| 黄片无遮挡物在线观看| 国产在线一区二区三区精| av又黄又爽大尺度在线免费看| 男女无遮挡免费网站观看| 激情 狠狠 欧美| 国产欧美亚洲国产| 男人和女人高潮做爰伦理| 亚洲av中文av极速乱| 亚洲精品456在线播放app| 国产成人91sexporn| 中文字幕久久专区| 一级二级三级毛片免费看| 女人久久www免费人成看片| 插阴视频在线观看视频| 久久精品人妻少妇| 中文字幕亚洲精品专区| 国产男人的电影天堂91| 欧美高清成人免费视频www| 最近中文字幕高清免费大全6| 在线天堂最新版资源| 国产成人aa在线观看| 欧美日韩视频精品一区| 国产高清三级在线| 在线观看国产h片| 五月开心婷婷网| 在线 av 中文字幕| 日本av免费视频播放| 亚洲精品一区蜜桃| 激情五月婷婷亚洲| 女性生殖器流出的白浆| 亚洲精品日本国产第一区| 黄片无遮挡物在线观看| 新久久久久国产一级毛片| 日本猛色少妇xxxxx猛交久久| 国产精品不卡视频一区二区| 亚洲婷婷狠狠爱综合网| 22中文网久久字幕| 晚上一个人看的免费电影| 大码成人一级视频| 人人妻人人爽人人添夜夜欢视频 | 亚洲精品第二区| 精品国产乱码久久久久久小说| 精品亚洲成国产av| 深爱激情五月婷婷| 黑丝袜美女国产一区| 熟女人妻精品中文字幕| 成人国产麻豆网| 欧美97在线视频| 欧美日韩视频高清一区二区三区二| 久久国产精品大桥未久av | 欧美高清成人免费视频www| 91精品国产国语对白视频| 日韩欧美 国产精品| 嘟嘟电影网在线观看| 97超视频在线观看视频| 中国美白少妇内射xxxbb| 插阴视频在线观看视频| 国产精品国产三级专区第一集| 久久ye,这里只有精品| 91狼人影院| 18禁在线无遮挡免费观看视频| 91久久精品电影网| 国产欧美日韩一区二区三区在线 | 少妇高潮的动态图| 亚洲精品自拍成人| 国产片特级美女逼逼视频| 国产永久视频网站| 51国产日韩欧美| 交换朋友夫妻互换小说| 亚洲欧美中文字幕日韩二区| 两个人的视频大全免费| 亚洲国产色片| 三级国产精品欧美在线观看| 欧美xxxx黑人xx丫x性爽| 黄色一级大片看看| 久久青草综合色| 在线精品无人区一区二区三 | 亚洲av不卡在线观看| av免费观看日本| 久热久热在线精品观看| 观看av在线不卡| 少妇 在线观看| av网站免费在线观看视频| 亚洲国产色片| 久久精品人妻少妇| 午夜激情福利司机影院| 1000部很黄的大片| 中文乱码字字幕精品一区二区三区| 亚洲欧美一区二区三区黑人 | 亚洲av男天堂| 欧美成人午夜免费资源| 日本vs欧美在线观看视频 | 妹子高潮喷水视频| 亚洲欧美日韩无卡精品| 秋霞在线观看毛片| 街头女战士在线观看网站| 国产淫片久久久久久久久| 日韩av不卡免费在线播放| 在线免费十八禁| 在线观看av片永久免费下载| 狂野欧美激情性bbbbbb| 国产黄色免费在线视频| 美女视频免费永久观看网站| 国产黄色免费在线视频| 国产亚洲一区二区精品| 久久人妻熟女aⅴ| 乱系列少妇在线播放| 夜夜看夜夜爽夜夜摸| 久久韩国三级中文字幕| 国产在线免费精品| 亚洲色图综合在线观看| av福利片在线观看| 欧美一区二区亚洲| 久久女婷五月综合色啪小说| 男女边吃奶边做爰视频| 欧美日本视频| 国产黄片视频在线免费观看| 性高湖久久久久久久久免费观看| av卡一久久| 高清午夜精品一区二区三区| 男人爽女人下面视频在线观看| 这个男人来自地球电影免费观看 | 成人综合一区亚洲| 激情 狠狠 欧美| 亚洲欧美成人精品一区二区| 国产av国产精品国产| 国产午夜精品一二区理论片| 日韩成人av中文字幕在线观看| 九草在线视频观看| 最近手机中文字幕大全| 1000部很黄的大片| 久久精品久久久久久久性| 日本wwww免费看| av黄色大香蕉| 97超视频在线观看视频| 久久国产精品男人的天堂亚洲 | 成人亚洲精品一区在线观看 | 乱码一卡2卡4卡精品| 男女边吃奶边做爰视频| 在线播放无遮挡| 丰满少妇做爰视频| 亚洲精品乱码久久久久久按摩| 精品99又大又爽又粗少妇毛片| 各种免费的搞黄视频| 国产成人午夜福利电影在线观看| av国产精品久久久久影院| 国产av码专区亚洲av| 亚洲精品成人av观看孕妇|