• <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 ?

    基于卷積神經(jīng)網(wǎng)絡(luò)和池化算法的表情識(shí)別研究

    2019-01-21 00:56:38邱曉暉
    關(guān)鍵詞:池化特征值卷積

    陳 航,邱曉暉

    (南京郵電大學(xué) 通信與信息工程學(xué)院,江蘇 南京 210003)

    0 引 言

    面部表情是人類用來表達(dá)個(gè)人情緒和心理的主要方式之一,在人際間的相互交往中發(fā)揮著重要的作用,而且往往比語言、動(dòng)作更加生動(dòng)真實(shí),在虛擬現(xiàn)實(shí)、醫(yī)學(xué)、心理學(xué)等領(lǐng)域有著廣闊的應(yīng)用前景。在表情識(shí)別中特征提取是影響表情識(shí)別的重要步驟,傳統(tǒng)的表情識(shí)別方法有主元分析法(PCA)[1]、Gabor小波法[2]和局部二值模式(LBP)[3-4]等,這些方法都是通過某種人工精心設(shè)計(jì)的算法提取具有特定分類信息的特征,但是這種方法并不能完全提取圖像中的所有信息,或者這些提取的特征都有特定的使用領(lǐng)域,往往不能適應(yīng)復(fù)雜的現(xiàn)實(shí)環(huán)境。在2006年G E Hinton[5]提出深度學(xué)習(xí)的概念以后,這個(gè)方向就成為了克服傳統(tǒng)方法的突破點(diǎn),并且在計(jì)算機(jī)視覺和模式識(shí)別等領(lǐng)域已經(jīng)取得了顯著的成就,其中卷積神經(jīng)網(wǎng)絡(luò)[6-7]由于其局部響應(yīng)、權(quán)值共享等優(yōu)點(diǎn),在表情識(shí)別方面獲得了大量的應(yīng)用。它不同于傳統(tǒng)的依靠人工設(shè)計(jì)的特征提取方式,而是構(gòu)建多層的深度神經(jīng)網(wǎng)絡(luò),讓機(jī)器自主地從樣本數(shù)據(jù)中提取信息,并通過每層的網(wǎng)絡(luò)參數(shù)逐層抽象、提取特征信息,從而獲得更具有推廣性和表征能力的特征。

    從2012年,Krizhevsky等[8]首次將CNN應(yīng)用于ILSVRC中,并在ILSVRC-2012挑戰(zhàn)賽中他們所訓(xùn)練的深度卷積網(wǎng)絡(luò)在圖像分類和目標(biāo)定位任務(wù)中都取得第一名,并打破了圖像分類的世界記錄。憑借在圖像分類中的突出表現(xiàn),越來越多的研究人員把CNN運(yùn)用到更為細(xì)致的分類中,例如人臉識(shí)別[9-10]、表情識(shí)別[11-12]等等,并取得了一定的成果。

    除輸入和輸出層以外,卷積神經(jīng)網(wǎng)絡(luò)主要由卷積層、池化層、全連接層構(gòu)成,其中池化層的作用是對(duì)卷積層的輸出特征進(jìn)行聚合統(tǒng)計(jì),目的就是提高特征的表征能力、減少特征維度。此外,池化層通過池化算法還可以有效避免網(wǎng)絡(luò)在訓(xùn)練過程中因參數(shù)過多、模型過于復(fù)雜產(chǎn)生的過擬合現(xiàn)象。但是傳統(tǒng)的池化算法并不能適用于所有情況,最大值池化算法未能考慮池化域中特征值之間的關(guān)系,而均值池化算法在特征信息較為集中的情況下會(huì)減弱特征信息,隨機(jī)池化算法雖然考慮了特征值之間的關(guān)系但是傳給下一層神經(jīng)網(wǎng)絡(luò)時(shí),并未包含所有的特征信息。文中在現(xiàn)有池化算法的基礎(chǔ)上,結(jié)合人工神經(jīng)網(wǎng)絡(luò)的特點(diǎn)提出一種自適應(yīng)池化算法,并應(yīng)用于表情識(shí)別的卷積神經(jīng)網(wǎng)絡(luò)中,以提高表情識(shí)別的準(zhǔn)確率。

    1 卷積神經(jīng)網(wǎng)絡(luò)

    卷積神經(jīng)網(wǎng)絡(luò)是一種結(jié)構(gòu)上由輸入層、隱層、輸出層構(gòu)成的深度神經(jīng)網(wǎng)絡(luò),如圖1所示,其隱層主要由卷積層、池化層、全連接層組成,卷積層主要通過卷積操作實(shí)現(xiàn)局部特征響應(yīng),然后使用相同的卷積核掃描整幅圖像,提取整幅圖像的特征,實(shí)現(xiàn)權(quán)值共享。一般每個(gè)卷積層都會(huì)對(duì)應(yīng)多個(gè)不同的卷積核,每個(gè)卷積核提取出的圖像特征稱之為特征圖譜,具體計(jì)算如下:

    (1)

    圖1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)

    在卷積神經(jīng)網(wǎng)絡(luò)中卷積層的輸出是圖像的特征,有時(shí)在卷積層之后會(huì)緊跟著池化層,而池化層的主要作用就是對(duì)特征進(jìn)行聚合統(tǒng)計(jì),目的就是提高特征的表征能力、減少特征維度,而參數(shù)過多、模型過于復(fù)雜也是產(chǎn)生過擬合現(xiàn)象的重要原因之一,因此池化算法還可以有效避免訓(xùn)練過程中的過擬合現(xiàn)象。例如,在獲得上一層卷積層的輸出之后特征維度為n*n*m(m為特征圖譜的數(shù)量,n為特征圖譜的大小),可以采用2*2的池化窗口進(jìn)行池化操作,每個(gè)2*2的窗口區(qū)域得到一個(gè)池化后的特征值,然后對(duì)每個(gè)特征圖譜都進(jìn)行池化操作,最后得到的池化層的輸出維度為(n/2)*(n/2)*m,和池化之前相比特征維度只有原來的1/4。一般常用的池化算法有隨機(jī)池化、最大值池化、平均池化等。

    隱層的最后部分一般為全連接層,相當(dāng)于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)中多層感知機(jī)中的隱層,即前一層的每個(gè)神經(jīng)元都與后一層的每個(gè)神經(jīng)元相連。具體公式為:

    (2)

    其中,hW,b(x)表示全連接層的輸出;xi表示上一層神經(jīng)元的輸出即全連接層的輸入;Wi表示神經(jīng)元之間連接的權(quán)值;b表示偏置量,θ()表示激活函數(shù)。

    2 基于卷積神經(jīng)網(wǎng)絡(luò)的常用池化算法

    在卷積神經(jīng)網(wǎng)絡(luò)中最常用的池化算法有最大值池化、平均池化和隨機(jī)池化等。很容易理解,最大值池化算法就是對(duì)池化域中的特征值取最大值即可,而平均池化算法就是對(duì)池化域中的特征值取均值。最大值池化和平均池化的表達(dá)式分別為:

    (3)

    (4)

    其中,c為池化域的大小和步長,池化操作后的特征圖為矩陣S。

    2013年,Zeiler提出隨機(jī)池化操作,并得到廣泛的應(yīng)用。和最大值池化、平均池化不一樣的是,同樣地輸入特征圖譜通過隨機(jī)池化操作后得到的特征輸出并不一定是完全一樣的,減少了訓(xùn)練過程中可能出現(xiàn)的過擬合現(xiàn)象。在隨機(jī)池化操作中池化所輸出的值是根據(jù)池化區(qū)域特征值的概率分布來選取的,特征值大被選中的概率也大,但并不能確定一定會(huì)選取最大值。在訓(xùn)練過程中的操作步驟為:設(shè)給定某個(gè)池化域的輸入特征值為x,首先計(jì)算每個(gè)特征被選中的概率值P,按照每個(gè)特征的概率值分布在0-1中,然后取0-1的隨機(jī)數(shù)r,則r處于哪個(gè)特征值的概率區(qū)間內(nèi)則選取此特征為池化后的值S如圖2所示。

    圖2 隨機(jī)池化過程

    而在使用網(wǎng)絡(luò)模型對(duì)表情進(jìn)行分類預(yù)測時(shí),則采用概率加權(quán)的方式,即把池化域的特征值和特征值對(duì)應(yīng)的概率值加權(quán)作為池化后的特征值。

    3 改進(jìn)的自適應(yīng)池化算法

    3.1 常用池化算法的缺陷

    池化算法可以看作卷積運(yùn)算,不同池化算法的區(qū)別僅是選取的卷積核不同,即:

    (5)

    假設(shè)有兩種不同情況的池化域,如圖3所示。圖3(a)中v陰影部分表示不同的特征值,其余特征值為0,可以很明顯地看出圖3(a)中的特征信息集中在v處,所以如果此情況使用平均池化算法則會(huì)明顯地減弱特征信息。同理,在圖3(b)中v1,v2,v3分別代表不同的特征值,如果此情況采用最大值池化算法直接選取最大值v3,而不顧v1,v2特征所包含的信息,也不管v1,v2,v3之間是否有關(guān)聯(lián),則明顯會(huì)丟失很多重要的特征信息。所以使用經(jīng)典的最大值池化算法和平均池化算法對(duì)池化域中特征的聚合表示,會(huì)對(duì)全局的特征表示有一定的弱化。

    (a) (b)

    而采用隨機(jī)池化算法,可以避免圖3(a)的情況,而且也考慮了圖3(b)中v1,v2,v3之間的關(guān)系,通過計(jì)算概率的方式選取最終的特征值,但是最終的特征值并沒有包含v1,v2,v3中所有的特征信息,而在池化層中通過池化得到的特征值還是需要傳給下一層神經(jīng)網(wǎng)絡(luò)繼續(xù)進(jìn)行運(yùn)算,所以隨機(jī)池化算法在傳給下一層的過程中還是會(huì)丟失一部分重要的信息,并沒有完全解決圖3(b)中出現(xiàn)的問題。

    3.2 改進(jìn)的自適應(yīng)池化算法原理

    通過以上分析可以知道,傳統(tǒng)池化算法中的卷積核參數(shù)不僅在卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練過程中取值固定,而且也不能根據(jù)具體樣本及訓(xùn)練過程變化情況選取合適參數(shù),存在特征信息提取模糊,甚至丟失等缺陷。

    人工神經(jīng)網(wǎng)絡(luò)的最大特點(diǎn)就是能夠模仿人腦自主學(xué)習(xí)的功能,人腦學(xué)習(xí)的過程是通過人的閱讀、聽等吸收外界信息的過程,而人工神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)過程靠的是在樣本集上的訓(xùn)練過程,即尋找復(fù)雜函數(shù)關(guān)系式的過程。當(dāng)神經(jīng)網(wǎng)絡(luò)所定義的函數(shù)式滿足訓(xùn)練樣本集時(shí),則此網(wǎng)絡(luò)模型訓(xùn)練完成,相反如果不滿足訓(xùn)練樣本集,則重新調(diào)整網(wǎng)絡(luò)模型的參數(shù),直到所定義的函數(shù)關(guān)系式能夠滿足訓(xùn)練樣本集。

    因此針對(duì)傳統(tǒng)池化算法的缺陷,利用人工神經(jīng)網(wǎng)絡(luò)能夠基于大量訓(xùn)練集、通過監(jiān)督訓(xùn)練不斷修正參數(shù)的特點(diǎn),得到適用于不同場景的、自適應(yīng)動(dòng)態(tài)修正的卷積核參數(shù)。

    3.3 自適應(yīng)池化算法實(shí)現(xiàn)步驟

    提出一種自適應(yīng)改進(jìn)池化算法。首先初始化池化參數(shù),也就是卷積核的參數(shù)p,訓(xùn)練過程中通過卷積操作得到池化值,然后在訓(xùn)練迭代過程中使用梯度下降法更新參數(shù)p,通過不斷的迭代學(xué)習(xí)不斷的優(yōu)化參數(shù),最終實(shí)現(xiàn)自適應(yīng)池化操作。

    文中的自適應(yīng)池化算法主要分為三個(gè)階段。

    (1)輸入人臉圖像灰度矩陣,通過卷積神經(jīng)網(wǎng)絡(luò)的映射關(guān)系輸出對(duì)人臉表情類別的預(yù)測值。

    (2)根據(jù)預(yù)測值和真實(shí)的結(jié)果值,通過損失函數(shù)計(jì)算出二者差值。一般在卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練過程中常用的損失函數(shù)有SVMLoss和SoftmaxLoss,文中采用后者,具體表達(dá)式為:

    (6)

    其中,y為最終的預(yù)測值;θ為神經(jīng)元之間的權(quán)值;1{}為示性函數(shù),當(dāng){}內(nèi)的表達(dá)式為真則取1,否則取0,表達(dá)式第二項(xiàng)為權(quán)重衰減項(xiàng)。

    在每次訓(xùn)練迭代的過程中,根據(jù)Loss值調(diào)整網(wǎng)絡(luò)模型參數(shù)達(dá)到損失函數(shù)的最小值,也就是神經(jīng)網(wǎng)絡(luò)的預(yù)測值能夠最接近實(shí)際的結(jié)果。

    (3)根據(jù)損失函數(shù)通過梯度下降法更新池化參數(shù)p,目的是找到最優(yōu)的池化參數(shù),即損失函數(shù)的極小值。具體公式為:

    pn+1=pn-γn·f(pn)

    (7)

    其中,γ為步長或?qū)W習(xí)率;f()為損失函數(shù)。

    這樣通過不斷的迭代更新逐步收斂到損失函數(shù)的極值,也就得到了池化算法的參數(shù)值。

    4 池化算法性能的仿真分析

    4.1 卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)

    根據(jù)表情識(shí)別的具體情況設(shè)計(jì)了一種卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),其中整個(gè)網(wǎng)絡(luò)模型由輸入層、隱層、輸出層組成,其中隱層包括4層卷積層、2層池化層、1層全連接層共7層。首先數(shù)據(jù)層的輸入數(shù)據(jù)為96*96的人臉灰度矩陣,前2層卷積層(C1和C2)都是使用步長為1,大小為5*5的卷積核,后兩層卷積層(C3和C4)的卷積核步長為1,大小為3*3,兩層池化層(S1和S2)的池化窗口大小為2*2,步長也為2。從第一層卷積層開始每層神經(jīng)網(wǎng)絡(luò)輸出的特征圖譜數(shù)量分別為32、64、64、128、128、128,然后還包括擁有300個(gè)神經(jīng)元的全連接層。最后的輸出層為Softmax層,包含7個(gè)神經(jīng)元,分別對(duì)應(yīng)7種表情。

    4.2 基于CK+人臉表情數(shù)據(jù)集的仿真數(shù)據(jù)選取

    在CK+[13]人臉表情數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn)。首先在CK+數(shù)據(jù)集中每個(gè)樣本的不同表情有一個(gè)漸變過程,為了保證數(shù)據(jù)的有效性,對(duì)每個(gè)樣本的不同表情最多只選取表情達(dá)到峰值的三張圖像。最終在整個(gè)CK+數(shù)據(jù)集中一共選取了981張表情圖像,其中高興(354張)、驚訝(249張)、憤怒(135張)、厭惡(177張)、悲傷(84張)、蔑視(54張)、恐懼(75張)。然后對(duì)選取后的數(shù)據(jù)集按照1∶5的比例,將數(shù)據(jù)分為訓(xùn)練集和測試集,其中為了加強(qiáng)實(shí)驗(yàn)數(shù)據(jù)的有效性,在區(qū)分訓(xùn)練集和測試集時(shí),必須確保同一個(gè)樣本的表情不會(huì)同時(shí)出現(xiàn)在訓(xùn)練集和測試集中。

    4.3 不同池化算法的對(duì)比仿真結(jié)果

    為了驗(yàn)證提出的動(dòng)態(tài)自適應(yīng)池化算法的有效性,在相同卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)中采用不同的池化算法,在訓(xùn)練集和數(shù)據(jù)集上分別進(jìn)行實(shí)驗(yàn)并比較,其結(jié)果如表1所示。

    表1 不同池化策略和表情識(shí)別率

    表1中自適應(yīng)池化算法的初始化參數(shù)為1/c2(c為池化域的大小),可以知道在訓(xùn)練開始時(shí),自適應(yīng)池化算法本質(zhì)上就是平均池化算法,原本平均池化算法在三種經(jīng)典的池化策略中準(zhǔn)確率最低只有82.6%,但是自適應(yīng)池化算法經(jīng)過不停的參數(shù)優(yōu)化,最終卷積神經(jīng)網(wǎng)絡(luò)模型的預(yù)測結(jié)果不僅要高于原本的平均池化策略,而且還略高于隨機(jī)池化策略(83.17%),僅次于最大值池化策略(86.53%)。經(jīng)過訓(xùn)練后不同池化域的參數(shù)如圖4所示。

    圖4 訓(xùn)練后不同池化域的參數(shù)

    由圖4可知,經(jīng)過訓(xùn)練后的池化域參數(shù)并不是固定的1/c2,而是根據(jù)訓(xùn)練過程中的損失函數(shù),不斷優(yōu)化得到,不同的池化區(qū)域參數(shù)都不相同??梢钥闯?,文中提出的動(dòng)態(tài)自適應(yīng)池化對(duì)于卷積神經(jīng)網(wǎng)絡(luò)在表情識(shí)別中是切實(shí)有效的,并且當(dāng)初始化條件等價(jià)于平均池化時(shí),可以明顯看出自適應(yīng)池化算法的優(yōu)越性。

    當(dāng)使用自適應(yīng)池化算法時(shí),在池化域大小為2*2的情況下,分別使用不同的初始化參數(shù)進(jìn)行多次實(shí)驗(yàn),其結(jié)果如表2所示。

    表2 不同初始池化參數(shù)和表情識(shí)別率

    在表2中可以明顯看出,當(dāng)初始化池化參數(shù)取1時(shí),表情識(shí)別的最終識(shí)別率達(dá)到最高值為94.23%,遠(yuǎn)遠(yuǎn)超出表1中使用最大值池化操作的86.53%。結(jié)合表1和表2可以知道,提出的基于動(dòng)態(tài)自適應(yīng)池化的卷積神經(jīng)網(wǎng)絡(luò)在表情識(shí)別中,相對(duì)于使用傳統(tǒng)的池化算法具有更好的表情識(shí)別率。

    5 結(jié)束語

    在卷積神經(jīng)網(wǎng)絡(luò)中池化操作的主要作用有兩個(gè):降低特征維度;聚合上層特征,避免過擬合現(xiàn)象。而傳統(tǒng)池化方法中最大值池化和隨機(jī)池化在聚合上層特征過程中存在丟失信息嚴(yán)重的情況,平均池化操作則會(huì)弱化特征信息,缺乏靈活性。針對(duì)傳統(tǒng)池化策略存在的缺點(diǎn),提出一種自適應(yīng)池化算法,不僅能夠完全考慮到池化域中所有的特征信息,并且能夠根據(jù)損失函數(shù)不斷優(yōu)化池化參數(shù)?;谧赃m應(yīng)池化算法構(gòu)建了卷積神經(jīng)網(wǎng)絡(luò)并用于表情識(shí)別,在CK+數(shù)據(jù)集上的實(shí)驗(yàn)證明,使用動(dòng)態(tài)自適應(yīng)算法相比較傳統(tǒng)的池化算法,在表情識(shí)別中具有明顯的優(yōu)勢(shì),能夠顯著提高表情識(shí)別率。

    猜你喜歡
    池化特征值卷積
    基于緊湊型雙線性網(wǎng)絡(luò)的野生茵識(shí)別方法研究
    無線電工程(2024年8期)2024-09-16 00:00:00
    面向神經(jīng)網(wǎng)絡(luò)池化層的靈活高效硬件設(shè)計(jì)
    基于Sobel算子的池化算法設(shè)計(jì)
    卷積神經(jīng)網(wǎng)絡(luò)中的自適應(yīng)加權(quán)池化
    一類帶強(qiáng)制位勢(shì)的p-Laplace特征值問題
    基于3D-Winograd的快速卷積算法設(shè)計(jì)及FPGA實(shí)現(xiàn)
    單圈圖關(guān)聯(lián)矩陣的特征值
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    基于傅里葉域卷積表示的目標(biāo)跟蹤算法
    基于商奇異值分解的一類二次特征值反問題
    熟女人妻精品中文字幕| 一区二区av电影网| 久久 成人 亚洲| 亚洲国产av新网站| 日韩一本色道免费dvd| 三级国产精品欧美在线观看| 免费av不卡在线播放| 久久久久久久久久成人| 国产精品.久久久| 免费av不卡在线播放| 插逼视频在线观看| 寂寞人妻少妇视频99o| 日韩人妻高清精品专区| 国产永久视频网站| av播播在线观看一区| 日韩精品有码人妻一区| 亚洲成人手机| 蜜桃亚洲精品一区二区三区| 久久亚洲国产成人精品v| 久久热精品热| 日韩伦理黄色片| 有码 亚洲区| videossex国产| 嘟嘟电影网在线观看| 在线播放无遮挡| 亚洲欧美一区二区三区黑人 | 在线看a的网站| 国产伦精品一区二区三区视频9| 亚洲国产欧美人成| 亚洲综合精品二区| 亚洲第一av免费看| 欧美xxⅹ黑人| 男女边吃奶边做爰视频| 在线免费观看不下载黄p国产| 中文在线观看免费www的网站| 国产精品人妻久久久久久| av网站免费在线观看视频| 在线观看三级黄色| 国产精品嫩草影院av在线观看| 亚洲精品乱码久久久v下载方式| 精品少妇黑人巨大在线播放| 日韩伦理黄色片| 国精品久久久久久国模美| 亚洲精品中文字幕在线视频 | 尾随美女入室| av播播在线观看一区| 成人漫画全彩无遮挡| 一级黄片播放器| 精品视频人人做人人爽| av在线蜜桃| 我的女老师完整版在线观看| 亚洲综合精品二区| 国产伦精品一区二区三区四那| 老司机影院毛片| 国产精品秋霞免费鲁丝片| 91久久精品国产一区二区成人| 最近的中文字幕免费完整| 秋霞伦理黄片| 国产男女超爽视频在线观看| 亚洲第一区二区三区不卡| 亚洲精品视频女| 街头女战士在线观看网站| 日本av免费视频播放| 国产黄色免费在线视频| 亚洲欧美一区二区三区黑人 | 日韩欧美 国产精品| 亚洲性久久影院| 男人添女人高潮全过程视频| 超碰97精品在线观看| 热99国产精品久久久久久7| 天堂8中文在线网| av一本久久久久| 黑人高潮一二区| 日韩中字成人| 国产高潮美女av| 国产探花极品一区二区| 成人综合一区亚洲| 久久久久久久久久久丰满| 国产69精品久久久久777片| 精品久久久久久久末码| 男女边吃奶边做爰视频| 色吧在线观看| 婷婷色麻豆天堂久久| av福利片在线观看| 欧美日本视频| 五月开心婷婷网| 欧美三级亚洲精品| 一级毛片黄色毛片免费观看视频| 成人免费观看视频高清| 看十八女毛片水多多多| 日本av免费视频播放| 午夜福利在线观看免费完整高清在| 人妻制服诱惑在线中文字幕| 日本黄色日本黄色录像| 中文资源天堂在线| 国产在线男女| a级一级毛片免费在线观看| 又爽又黄a免费视频| 久久精品国产a三级三级三级| 欧美成人a在线观看| 在线观看国产h片| 色视频在线一区二区三区| 少妇的逼好多水| 精品久久久久久电影网| av免费在线看不卡| 亚洲伊人久久精品综合| 久久国产乱子免费精品| 少妇人妻久久综合中文| 日本av免费视频播放| 国产精品福利在线免费观看| 免费高清在线观看视频在线观看| 国产av一区二区精品久久 | 嘟嘟电影网在线观看| 中文字幕亚洲精品专区| 欧美成人精品欧美一级黄| 特大巨黑吊av在线直播| 水蜜桃什么品种好| 亚洲国产色片| 国产精品久久久久久久久免| 超碰97精品在线观看| 一本一本综合久久| 日本一二三区视频观看| 国产精品久久久久久av不卡| 国产成人aa在线观看| 狂野欧美激情性bbbbbb| 超碰97精品在线观看| av线在线观看网站| 高清毛片免费看| 国产日韩欧美在线精品| 国产精品麻豆人妻色哟哟久久| 国产爽快片一区二区三区| 久久久久久久大尺度免费视频| 国产黄色视频一区二区在线观看| 97精品久久久久久久久久精品| 国产无遮挡羞羞视频在线观看| 18禁动态无遮挡网站| 中文字幕人妻熟人妻熟丝袜美| 精品99又大又爽又粗少妇毛片| 国产成人a区在线观看| 黑丝袜美女国产一区| 国产一区亚洲一区在线观看| 51国产日韩欧美| 亚洲欧美成人精品一区二区| 美女国产视频在线观看| 国产乱来视频区| 亚洲欧美日韩东京热| 3wmmmm亚洲av在线观看| 18禁裸乳无遮挡免费网站照片| 又爽又黄a免费视频| 国产高潮美女av| 精品一区在线观看国产| av线在线观看网站| 这个男人来自地球电影免费观看 | 精品人妻偷拍中文字幕| 久久ye,这里只有精品| 久热久热在线精品观看| av在线蜜桃| 97在线视频观看| 亚洲av综合色区一区| 黄色日韩在线| 色哟哟·www| 国产视频内射| 黄色一级大片看看| 精品久久国产蜜桃| 高清毛片免费看| 精品国产一区二区三区久久久樱花 | 身体一侧抽搐| 精品少妇久久久久久888优播| 免费黄网站久久成人精品| 日本免费在线观看一区| 视频中文字幕在线观看| 男人添女人高潮全过程视频| 日韩中字成人| 久久久久国产精品人妻一区二区| www.av在线官网国产| 亚洲av男天堂| 国产无遮挡羞羞视频在线观看| 女性生殖器流出的白浆| 久久久久人妻精品一区果冻| 国产色爽女视频免费观看| 22中文网久久字幕| 日韩欧美精品免费久久| 久久久精品免费免费高清| 少妇人妻一区二区三区视频| 午夜老司机福利剧场| 国产色婷婷99| 日韩中字成人| 一级黄片播放器| 看免费成人av毛片| 一级毛片电影观看| 乱码一卡2卡4卡精品| 久久久午夜欧美精品| 国产精品久久久久久av不卡| 成人午夜精彩视频在线观看| 日本vs欧美在线观看视频 | 老师上课跳d突然被开到最大视频| 我的老师免费观看完整版| 噜噜噜噜噜久久久久久91| 国产精品蜜桃在线观看| 亚洲av中文av极速乱| 亚洲成人手机| 欧美日本视频| 日韩av免费高清视频| 欧美丝袜亚洲另类| av在线老鸭窝| 免费观看在线日韩| 一级毛片 在线播放| 国产免费一区二区三区四区乱码| 美女视频免费永久观看网站| 欧美变态另类bdsm刘玥| 亚洲第一区二区三区不卡| 欧美性感艳星| 国产日韩欧美在线精品| 日本wwww免费看| a 毛片基地| 国产成人精品福利久久| 一级a做视频免费观看| 亚洲av不卡在线观看| 国产av码专区亚洲av| 国产视频首页在线观看| 国产乱人偷精品视频| 国产熟女欧美一区二区| 日日撸夜夜添| 男男h啪啪无遮挡| 欧美 日韩 精品 国产| av视频免费观看在线观看| 日韩一本色道免费dvd| 国产视频首页在线观看| 国产乱来视频区| 久久亚洲国产成人精品v| 国产午夜精品久久久久久一区二区三区| 国产一区亚洲一区在线观看| 成年人午夜在线观看视频| 大又大粗又爽又黄少妇毛片口| 插逼视频在线观看| 亚州av有码| 五月天丁香电影| 99久久精品一区二区三区| 亚洲欧美精品自产自拍| 男女国产视频网站| 国产亚洲一区二区精品| 国产成人一区二区在线| 亚洲精品,欧美精品| 精品午夜福利在线看| 久久99热这里只频精品6学生| 精品久久久精品久久久| 人妻系列 视频| videos熟女内射| 99国产精品免费福利视频| 高清午夜精品一区二区三区| 一区二区三区精品91| 各种免费的搞黄视频| 青春草亚洲视频在线观看| 99久久综合免费| 青春草国产在线视频| 99热这里只有是精品50| 国产伦精品一区二区三区四那| 精品少妇黑人巨大在线播放| 国产免费一级a男人的天堂| 亚洲真实伦在线观看| 国产精品av视频在线免费观看| 日韩大片免费观看网站| 成人18禁高潮啪啪吃奶动态图 | 毛片一级片免费看久久久久| 欧美精品亚洲一区二区| 中文字幕免费在线视频6| 日韩,欧美,国产一区二区三区| 人妻夜夜爽99麻豆av| 日本wwww免费看| 免费观看无遮挡的男女| 日本黄色片子视频| h视频一区二区三区| 夜夜看夜夜爽夜夜摸| 3wmmmm亚洲av在线观看| 国产亚洲最大av| 2021少妇久久久久久久久久久| 成人二区视频| 在线精品无人区一区二区三 | 午夜老司机福利剧场| 久久人人爽人人片av| 日本欧美视频一区| .国产精品久久| 五月伊人婷婷丁香| 啦啦啦在线观看免费高清www| 亚洲内射少妇av| 国产av国产精品国产| 香蕉精品网在线| 国产又色又爽无遮挡免| 成人毛片60女人毛片免费| 亚洲国产精品专区欧美| 美女福利国产在线 | 国产成人精品一,二区| 夫妻性生交免费视频一级片| 日产精品乱码卡一卡2卡三| 在线观看美女被高潮喷水网站| 简卡轻食公司| 亚洲,欧美,日韩| 久久精品久久久久久噜噜老黄| 欧美性感艳星| 国产一级毛片在线| 日韩国内少妇激情av| 色吧在线观看| a 毛片基地| 色5月婷婷丁香| 精品一区二区免费观看| 老司机影院成人| 久久久精品免费免费高清| 亚洲激情五月婷婷啪啪| 高清av免费在线| 色视频www国产| xxx大片免费视频| 成年人午夜在线观看视频| 欧美日本视频| 国产一区二区三区av在线| 国产精品久久久久久av不卡| 成年女人在线观看亚洲视频| 久久久午夜欧美精品| 人人妻人人添人人爽欧美一区卜 | 成人一区二区视频在线观看| 最近中文字幕2019免费版| 爱豆传媒免费全集在线观看| 国产亚洲精品久久久com| 夜夜爽夜夜爽视频| 日本av免费视频播放| 一本久久精品| 中国美白少妇内射xxxbb| 亚洲精品,欧美精品| 久久97久久精品| 国产精品无大码| 久久久久久久精品精品| 免费黄网站久久成人精品| 一级毛片黄色毛片免费观看视频| 亚洲熟女精品中文字幕| 多毛熟女@视频| 中文字幕精品免费在线观看视频 | 国产精品99久久99久久久不卡 | 久久精品熟女亚洲av麻豆精品| 边亲边吃奶的免费视频| 噜噜噜噜噜久久久久久91| 建设人人有责人人尽责人人享有的 | 日日啪夜夜爽| 交换朋友夫妻互换小说| 18禁在线播放成人免费| 中文字幕亚洲精品专区| 国产欧美亚洲国产| 日日撸夜夜添| 亚洲综合精品二区| 免费人成在线观看视频色| 国产av码专区亚洲av| 国产国拍精品亚洲av在线观看| 中文乱码字字幕精品一区二区三区| 午夜免费男女啪啪视频观看| 国产一区二区在线观看日韩| 热99国产精品久久久久久7| 黄色配什么色好看| 七月丁香在线播放| 亚洲成人一二三区av| 在线看a的网站| 久久韩国三级中文字幕| 99热这里只有是精品50| 午夜福利在线观看免费完整高清在| 亚洲欧洲日产国产| 韩国av在线不卡| 伦理电影大哥的女人| 久久久久视频综合| 国产乱来视频区| 大陆偷拍与自拍| 99九九线精品视频在线观看视频| 特大巨黑吊av在线直播| 国产精品久久久久久久电影| 一级二级三级毛片免费看| 最近最新中文字幕大全电影3| 中文字幕av成人在线电影| 国产高清有码在线观看视频| 免费黄频网站在线观看国产| freevideosex欧美| 一本久久精品| 久久精品国产亚洲av涩爱| 国产一区亚洲一区在线观看| 一级av片app| 国内少妇人妻偷人精品xxx网站| 2021少妇久久久久久久久久久| 国产男女超爽视频在线观看| 我要看黄色一级片免费的| 欧美日韩一区二区视频在线观看视频在线| 一级毛片我不卡| 人体艺术视频欧美日本| 久久久色成人| 亚洲精品aⅴ在线观看| 亚洲欧美中文字幕日韩二区| 国产黄色免费在线视频| 亚洲精品中文字幕在线视频 | 国产永久视频网站| 国产视频内射| 中文欧美无线码| 久久精品久久久久久久性| 日本与韩国留学比较| 久久精品国产亚洲网站| 日本色播在线视频| 高清毛片免费看| 久久久久久伊人网av| 国产色爽女视频免费观看| av免费在线看不卡| 成人一区二区视频在线观看| 国产精品欧美亚洲77777| av视频免费观看在线观看| 国产精品一区二区在线不卡| 看免费成人av毛片| 日韩欧美精品免费久久| 午夜福利网站1000一区二区三区| 在线免费十八禁| 国产爱豆传媒在线观看| 亚洲精品第二区| 亚洲精品久久久久久婷婷小说| 在线免费观看不下载黄p国产| 亚洲精品乱码久久久久久按摩| 水蜜桃什么品种好| 91aial.com中文字幕在线观看| 欧美丝袜亚洲另类| 久久精品国产自在天天线| 纯流量卡能插随身wifi吗| 日韩制服骚丝袜av| 久久国产精品男人的天堂亚洲 | 国产精品国产av在线观看| 18禁在线播放成人免费| 国产精品不卡视频一区二区| 亚洲精品久久午夜乱码| 女人久久www免费人成看片| 成人无遮挡网站| 黑丝袜美女国产一区| 国内精品宾馆在线| 亚洲一区二区三区欧美精品| 成人二区视频| 日韩不卡一区二区三区视频在线| 国产日韩欧美亚洲二区| 精品久久国产蜜桃| 99国产精品免费福利视频| 卡戴珊不雅视频在线播放| 人体艺术视频欧美日本| 熟女人妻精品中文字幕| 午夜福利在线在线| 国产一级毛片在线| 七月丁香在线播放| av视频免费观看在线观看| 综合色丁香网| 99精国产麻豆久久婷婷| 国产人妻一区二区三区在| 免费人妻精品一区二区三区视频| 国产一级毛片在线| 我的女老师完整版在线观看| 一级毛片aaaaaa免费看小| 欧美性感艳星| 国产精品一区二区三区四区免费观看| 毛片一级片免费看久久久久| 在线看a的网站| 少妇熟女欧美另类| 国内揄拍国产精品人妻在线| 观看免费一级毛片| 少妇的逼好多水| 亚洲人成网站在线观看播放| av国产精品久久久久影院| 色网站视频免费| 下体分泌物呈黄色| 日本色播在线视频| 少妇精品久久久久久久| 激情五月婷婷亚洲| 黄色一级大片看看| 久久久色成人| 日日啪夜夜撸| 高清毛片免费看| 自拍欧美九色日韩亚洲蝌蚪91 | 在线观看三级黄色| 中文字幕久久专区| 观看美女的网站| 欧美xxⅹ黑人| 97热精品久久久久久| 伦精品一区二区三区| 久久综合国产亚洲精品| 久久久久久久久久成人| 日韩成人av中文字幕在线观看| 小蜜桃在线观看免费完整版高清| 欧美精品国产亚洲| 在线观看一区二区三区激情| 爱豆传媒免费全集在线观看| 少妇精品久久久久久久| 五月玫瑰六月丁香| 国产精品麻豆人妻色哟哟久久| 99热国产这里只有精品6| 欧美极品一区二区三区四区| 蜜臀久久99精品久久宅男| 青春草国产在线视频| 在线观看免费日韩欧美大片 | 亚洲怡红院男人天堂| 如何舔出高潮| 少妇人妻一区二区三区视频| 熟女人妻精品中文字幕| 九九在线视频观看精品| 日韩强制内射视频| 联通29元200g的流量卡| 国产亚洲欧美精品永久| 在线观看一区二区三区激情| 一本色道久久久久久精品综合| 亚洲不卡免费看| 街头女战士在线观看网站| 简卡轻食公司| 亚洲精品亚洲一区二区| 亚洲va在线va天堂va国产| 三级经典国产精品| 国产黄片视频在线免费观看| 国产成人午夜福利电影在线观看| 久久久久精品久久久久真实原创| 狂野欧美白嫩少妇大欣赏| 岛国毛片在线播放| 久久久久久久精品精品| 一个人看视频在线观看www免费| 亚洲国产精品专区欧美| 秋霞在线观看毛片| 亚洲精品视频女| 日韩一区二区三区影片| 国产女主播在线喷水免费视频网站| 大片免费播放器 马上看| 欧美激情国产日韩精品一区| 亚洲精品色激情综合| 晚上一个人看的免费电影| 一区二区三区精品91| 韩国av在线不卡| 只有这里有精品99| 国产精品久久久久久精品古装| 日韩一本色道免费dvd| 麻豆乱淫一区二区| 在线观看免费日韩欧美大片 | .国产精品久久| 精品久久久精品久久久| 制服丝袜香蕉在线| 下体分泌物呈黄色| 男女边摸边吃奶| 亚洲人与动物交配视频| 国产白丝娇喘喷水9色精品| 色视频在线一区二区三区| 免费看不卡的av| av又黄又爽大尺度在线免费看| 久久久久久久国产电影| 免费高清在线观看视频在线观看| 免费观看的影片在线观看| 久久久久国产网址| 国产男女内射视频| 久久精品国产鲁丝片午夜精品| av在线观看视频网站免费| av女优亚洲男人天堂| 国产成人精品福利久久| 亚洲高清免费不卡视频| 黄色一级大片看看| 欧美zozozo另类| 国产午夜精品一二区理论片| 一本色道久久久久久精品综合| 亚洲av不卡在线观看| 国产精品福利在线免费观看| 美女高潮的动态| 午夜福利网站1000一区二区三区| 能在线免费看毛片的网站| 网址你懂的国产日韩在线| 久久综合国产亚洲精品| 久久久欧美国产精品| 狂野欧美激情性xxxx在线观看| 又爽又黄a免费视频| 色婷婷av一区二区三区视频| 中文字幕制服av| 3wmmmm亚洲av在线观看| 最近2019中文字幕mv第一页| 久久人妻熟女aⅴ| 老司机影院成人| 中文字幕av成人在线电影| 欧美精品亚洲一区二区| 这个男人来自地球电影免费观看 | 久久久a久久爽久久v久久| 自拍欧美九色日韩亚洲蝌蚪91 | 精品一品国产午夜福利视频| 伦理电影免费视频| 亚洲在久久综合| 好男人视频免费观看在线| 国产精品一区二区性色av| 亚洲精品第二区| 精品人妻视频免费看| 少妇熟女欧美另类| 日本av免费视频播放| 成年av动漫网址| 99久久精品热视频| 啦啦啦啦在线视频资源| 久久久亚洲精品成人影院| 五月天丁香电影| 免费观看av网站的网址| 亚洲va在线va天堂va国产| 人体艺术视频欧美日本| 国产在视频线精品| 夜夜看夜夜爽夜夜摸| 我要看黄色一级片免费的| 成人亚洲欧美一区二区av| 99久久综合免费| 国产高清不卡午夜福利| 久久国产亚洲av麻豆专区| 黄色一级大片看看| 久久韩国三级中文字幕| 欧美区成人在线视频| 一级毛片我不卡| 在线看a的网站| 久久精品夜色国产| 久久国产乱子免费精品| 内地一区二区视频在线| 国产成人91sexporn| 精品亚洲成国产av| 九色成人免费人妻av| 日韩欧美一区视频在线观看 | 国产一区亚洲一区在线观看| 日韩欧美一区视频在线观看 | 婷婷色综合大香蕉|