• <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
    tocl精华| 99热这里只有是精品50| 亚洲精品久久国产高清桃花| 久久精品综合一区二区三区| 99久久精品热视频| 日本与韩国留学比较| 精品一区二区三区视频在线观看免费| 久久精品国产综合久久久| 国产高清三级在线| 久久草成人影院| 日韩亚洲欧美综合| 最后的刺客免费高清国语| 国产精品自产拍在线观看55亚洲| 九九久久精品国产亚洲av麻豆| 日韩免费av在线播放| 黄色日韩在线| 91在线观看av| 天堂影院成人在线观看| 精品午夜福利视频在线观看一区| 可以在线观看的亚洲视频| 成人午夜高清在线视频| 欧美一区二区亚洲| 日本精品一区二区三区蜜桃| 国产高清激情床上av| 午夜福利在线在线| 日本黄大片高清| 国产精品久久久久久久电影 | 亚洲 国产 在线| 成年版毛片免费区| 欧美乱色亚洲激情| 国产伦精品一区二区三区四那| 级片在线观看| 国产真实伦视频高清在线观看 | 一本一本综合久久| 国内少妇人妻偷人精品xxx网站| av女优亚洲男人天堂| 日韩欧美国产一区二区入口| 在线播放国产精品三级| 91久久精品国产一区二区成人 | 亚洲男人的天堂狠狠| 变态另类丝袜制服| 又紧又爽又黄一区二区| svipshipincom国产片| 一边摸一边抽搐一进一小说| 午夜福利欧美成人| 天天一区二区日本电影三级| av片东京热男人的天堂| 欧美激情在线99| 婷婷六月久久综合丁香| 欧美+日韩+精品| 国产精品久久久久久久久免 | 亚洲欧美精品综合久久99| 国产不卡一卡二| 成人一区二区视频在线观看| 一边摸一边抽搐一进一小说| 免费高清视频大片| 老熟妇仑乱视频hdxx| 成人永久免费在线观看视频| 精品久久久久久成人av| 天堂av国产一区二区熟女人妻| 校园春色视频在线观看| 波野结衣二区三区在线 | 国产精品女同一区二区软件 | 亚洲av成人av| 夜夜看夜夜爽夜夜摸| 国产亚洲av嫩草精品影院| 他把我摸到了高潮在线观看| 一个人看的www免费观看视频| 成熟少妇高潮喷水视频| 老司机福利观看| 在线观看日韩欧美| 最近最新中文字幕大全免费视频| 宅男免费午夜| 一级a爱片免费观看的视频| 熟女电影av网| 国产激情偷乱视频一区二区| 可以在线观看毛片的网站| 久久久久性生活片| 日本一二三区视频观看| 18禁美女被吸乳视频| 一二三四社区在线视频社区8| 三级国产精品欧美在线观看| 久久久精品大字幕| 成年女人毛片免费观看观看9| 日本 欧美在线| 亚洲av美国av| 欧美bdsm另类| 国产视频一区二区在线看| 看黄色毛片网站| 人妻久久中文字幕网| 欧美成狂野欧美在线观看| 一边摸一边抽搐一进一小说| 黄色视频,在线免费观看| 女人高潮潮喷娇喘18禁视频| 欧美日韩综合久久久久久 | 蜜桃亚洲精品一区二区三区| 一夜夜www| 十八禁网站免费在线| 亚洲片人在线观看| 精品久久久久久,| 精品一区二区三区视频在线观看免费| 国语自产精品视频在线第100页| av福利片在线观看| 免费大片18禁| 国产精品免费一区二区三区在线| 中文字幕av成人在线电影| 午夜免费成人在线视频| 亚洲国产日韩欧美精品在线观看 | 一个人看视频在线观看www免费 | 国产黄片美女视频| svipshipincom国产片| 久久草成人影院| 在线观看日韩欧美| 精品欧美国产一区二区三| 国内毛片毛片毛片毛片毛片| 亚洲av美国av| 色在线成人网| 亚洲精品亚洲一区二区| 日韩中文字幕欧美一区二区| 欧美日本视频| 亚洲在线自拍视频| 一级黄片播放器| 青草久久国产| 99久久无色码亚洲精品果冻| 欧美zozozo另类| 久久精品夜夜夜夜夜久久蜜豆| 91麻豆精品激情在线观看国产| 国产真实伦视频高清在线观看 | 97人妻精品一区二区三区麻豆| 人妻夜夜爽99麻豆av| 国产探花极品一区二区| 亚洲国产欧美网| 国产高清videossex| 熟女少妇亚洲综合色aaa.| aaaaa片日本免费| 国产真实乱freesex| 香蕉丝袜av| 淫秽高清视频在线观看| 久久久精品欧美日韩精品| 99国产精品一区二区蜜桃av| 中文字幕熟女人妻在线| 国产精品一区二区三区四区久久| 国产伦精品一区二区三区视频9 | 波多野结衣巨乳人妻| 熟女少妇亚洲综合色aaa.| 亚洲欧美日韩高清在线视频| 精品人妻一区二区三区麻豆 | 日韩国内少妇激情av| 国产av麻豆久久久久久久| 精品一区二区三区av网在线观看| 亚洲不卡免费看| 日本三级黄在线观看| 首页视频小说图片口味搜索| 狂野欧美白嫩少妇大欣赏| 亚洲不卡免费看| 亚洲精品乱码久久久v下载方式 | 久久国产精品人妻蜜桃| 亚洲欧美日韩高清在线视频| 精品一区二区三区av网在线观看| 亚洲久久久久久中文字幕| aaaaa片日本免费| 亚洲成av人片免费观看| 五月玫瑰六月丁香| 叶爱在线成人免费视频播放| 亚洲精品国产精品久久久不卡| 九色成人免费人妻av| 免费高清视频大片| 免费高清视频大片| 99国产精品一区二区蜜桃av| 日日干狠狠操夜夜爽| 制服丝袜大香蕉在线| 国产一区二区三区在线臀色熟女| 久久久久久大精品| 日韩av在线大香蕉| 午夜亚洲福利在线播放| 国产精品女同一区二区软件 | 亚洲一区高清亚洲精品| 非洲黑人性xxxx精品又粗又长| 少妇人妻精品综合一区二区 | 午夜精品在线福利| 国产亚洲av嫩草精品影院| 桃红色精品国产亚洲av| 最近最新免费中文字幕在线| 国产伦一二天堂av在线观看| 美女被艹到高潮喷水动态| 一区二区三区国产精品乱码| 国产亚洲精品综合一区在线观看| 国产高清三级在线| 九色国产91popny在线| 一个人看视频在线观看www免费 | 最好的美女福利视频网| 久久精品人妻少妇| 老熟妇仑乱视频hdxx| 又黄又爽又免费观看的视频| 1000部很黄的大片| 午夜福利在线在线| 欧美又色又爽又黄视频| 婷婷精品国产亚洲av在线| 我的老师免费观看完整版| 欧美一区二区精品小视频在线| 黄色女人牲交| 岛国视频午夜一区免费看| 麻豆国产97在线/欧美| 噜噜噜噜噜久久久久久91| 琪琪午夜伦伦电影理论片6080| 色精品久久人妻99蜜桃| 久久性视频一级片| 欧美日韩福利视频一区二区| 国内精品久久久久久久电影| 老司机午夜十八禁免费视频| 最新美女视频免费是黄的| 最近最新中文字幕大全电影3| 国产色爽女视频免费观看| 国产精品野战在线观看| 国产欧美日韩精品一区二区| 内射极品少妇av片p| 国产精品亚洲一级av第二区| 国产精品98久久久久久宅男小说| 窝窝影院91人妻| 9191精品国产免费久久| 欧美乱码精品一区二区三区| 久久久久免费精品人妻一区二区| 人妻丰满熟妇av一区二区三区| 级片在线观看| 久久精品国产亚洲av涩爱 | 最近在线观看免费完整版| 成人无遮挡网站| 欧美色视频一区免费| 国产单亲对白刺激| 亚洲国产中文字幕在线视频| 欧美极品一区二区三区四区| 亚洲第一欧美日韩一区二区三区| 国产精品 欧美亚洲| 看免费av毛片| 小说图片视频综合网站| 亚洲人成网站在线播放欧美日韩| 亚洲成人久久性| 国产av在哪里看| 少妇丰满av| 亚洲片人在线观看| 国内毛片毛片毛片毛片毛片| 国产精品三级大全| 亚洲无线在线观看| 女人十人毛片免费观看3o分钟| 亚洲黑人精品在线| 精品无人区乱码1区二区| 热99re8久久精品国产| e午夜精品久久久久久久| 亚洲男人的天堂狠狠| 亚洲久久久久久中文字幕| 丰满人妻熟妇乱又伦精品不卡| 观看免费一级毛片| 国产黄片美女视频| 国语自产精品视频在线第100页| 精品国产超薄肉色丝袜足j| ponron亚洲| 在线视频色国产色| 国产精品精品国产色婷婷| 少妇的逼好多水| 国内毛片毛片毛片毛片毛片| 欧美zozozo另类| 久久久久国内视频| 美女cb高潮喷水在线观看| 高清毛片免费观看视频网站| a在线观看视频网站| 亚洲第一欧美日韩一区二区三区| 丰满人妻熟妇乱又伦精品不卡| 亚洲av成人精品一区久久| 国产探花在线观看一区二区| 国产伦精品一区二区三区四那| 亚洲午夜理论影院| 成年女人看的毛片在线观看| 久久久久久九九精品二区国产| 在线视频色国产色| 久久这里只有精品中国| 国产主播在线观看一区二区| 久久久久久久久久黄片| 成年女人永久免费观看视频| 好男人在线观看高清免费视频| 无遮挡黄片免费观看| 日本 av在线| 国产黄a三级三级三级人| 叶爱在线成人免费视频播放| 免费搜索国产男女视频| 淫妇啪啪啪对白视频| 高潮久久久久久久久久久不卡| 久久草成人影院| 色av中文字幕| 久久久精品大字幕| 麻豆一二三区av精品| 国产午夜精品论理片| av天堂中文字幕网| 国产一区二区三区视频了| 老汉色∧v一级毛片| 国产精品,欧美在线| 黄片小视频在线播放| 国产国拍精品亚洲av在线观看 | 麻豆久久精品国产亚洲av| 日韩欧美国产一区二区入口| 男人舔奶头视频| 国产成人系列免费观看| 丰满的人妻完整版| 亚洲国产欧洲综合997久久,| 最后的刺客免费高清国语| 国产中年淑女户外野战色| 校园春色视频在线观看| 日日摸夜夜添夜夜添小说| 好看av亚洲va欧美ⅴa在| 小说图片视频综合网站| 中文字幕av成人在线电影| 在线观看一区二区三区| 美女黄网站色视频| 床上黄色一级片| 久久久久久大精品| 超碰av人人做人人爽久久 | 欧美黑人巨大hd| 精品久久久久久久末码| 最近最新免费中文字幕在线| 亚洲成人久久爱视频| 精品日产1卡2卡| 人妻丰满熟妇av一区二区三区| 欧美最新免费一区二区三区 | 午夜老司机福利剧场| 美女cb高潮喷水在线观看| 久久久国产成人精品二区| 99riav亚洲国产免费| 久久精品国产99精品国产亚洲性色| 久99久视频精品免费| 欧美黄色淫秽网站| 国产在视频线在精品| 亚洲成人免费电影在线观看| 日本免费一区二区三区高清不卡| eeuss影院久久| АⅤ资源中文在线天堂| 日日干狠狠操夜夜爽| 男插女下体视频免费在线播放| 老师上课跳d突然被开到最大视频 久久午夜综合久久蜜桃 | 亚洲电影在线观看av| 最好的美女福利视频网| 午夜免费观看网址| 欧美zozozo另类| 久久久国产成人免费| 国产亚洲欧美98| 国产日本99.免费观看| 欧美大码av| 少妇的逼水好多| 日韩欧美 国产精品| 久久精品夜夜夜夜夜久久蜜豆| 久久久久久久午夜电影| 男女视频在线观看网站免费| 久久久国产成人免费| 国产久久久一区二区三区| 少妇高潮的动态图| 午夜影院日韩av| 成年女人永久免费观看视频| 午夜福利视频1000在线观看| 老司机午夜福利在线观看视频| 久久精品亚洲精品国产色婷小说| 久久久久久人人人人人| 国内揄拍国产精品人妻在线| 欧美性感艳星| 久久久国产成人免费| 老司机午夜十八禁免费视频| 观看免费一级毛片| 熟妇人妻久久中文字幕3abv| 人妻夜夜爽99麻豆av| 午夜福利18| 欧美一区二区国产精品久久精品| 舔av片在线| 欧美中文日本在线观看视频| 国产aⅴ精品一区二区三区波| 少妇熟女aⅴ在线视频| 亚洲中文字幕一区二区三区有码在线看| 午夜影院日韩av| 国产一区二区激情短视频| 免费大片18禁| 亚洲精品久久国产高清桃花| 久久午夜亚洲精品久久| 久久久久九九精品影院| 国产美女午夜福利| svipshipincom国产片| 欧美乱色亚洲激情| 国产三级中文精品| 美女黄网站色视频| 国产精品久久久久久人妻精品电影| 国产色爽女视频免费观看| 国产精品1区2区在线观看.| 亚洲国产精品sss在线观看| 久久久国产精品麻豆| 99久久无色码亚洲精品果冻| 国产精品美女特级片免费视频播放器| 亚洲第一欧美日韩一区二区三区| 最近最新免费中文字幕在线| 热99re8久久精品国产| 亚洲av电影不卡..在线观看| 在线国产一区二区在线| 少妇熟女aⅴ在线视频| 亚洲成人久久性| 丰满乱子伦码专区| 美女cb高潮喷水在线观看| 老司机福利观看| 小蜜桃在线观看免费完整版高清| 国产探花极品一区二区| 动漫黄色视频在线观看| 91麻豆精品激情在线观看国产| 亚洲性夜色夜夜综合| 精品熟女少妇八av免费久了| 欧美一级a爱片免费观看看| 国产精品99久久99久久久不卡| 人人妻,人人澡人人爽秒播| 色精品久久人妻99蜜桃| 亚洲久久久久久中文字幕| 内射极品少妇av片p| 久久久久亚洲av毛片大全| 88av欧美| 69av精品久久久久久| 最新在线观看一区二区三区| 99国产精品一区二区三区| 12—13女人毛片做爰片一| 国产高潮美女av| 精品国产三级普通话版| 18禁在线播放成人免费| 真人一进一出gif抽搐免费| 中文资源天堂在线| 日韩人妻高清精品专区| 热99在线观看视频| 狠狠狠狠99中文字幕| 一级黄片播放器| 高潮久久久久久久久久久不卡| 99国产极品粉嫩在线观看| 少妇的逼好多水| 99在线视频只有这里精品首页| xxxwww97欧美| 啦啦啦观看免费观看视频高清| 大型黄色视频在线免费观看| 亚洲专区国产一区二区| 搡老岳熟女国产| 男女之事视频高清在线观看| 首页视频小说图片口味搜索| 国产激情偷乱视频一区二区| 亚洲成人久久性| 麻豆国产97在线/欧美| 国产淫片久久久久久久久 | 在线免费观看不下载黄p国产 | 精品久久久久久久人妻蜜臀av| 我的老师免费观看完整版| 国产私拍福利视频在线观看| 综合色av麻豆| 可以在线观看的亚洲视频| 好男人在线观看高清免费视频| 高清在线国产一区| 亚洲男人的天堂狠狠| 欧美精品啪啪一区二区三区| 亚洲精品美女久久久久99蜜臀| 精品欧美国产一区二区三| 国产成人av激情在线播放| 日本黄色视频三级网站网址| 欧美黄色片欧美黄色片| www.www免费av| svipshipincom国产片| 免费无遮挡裸体视频| avwww免费| 在线观看美女被高潮喷水网站 | 夜夜躁狠狠躁天天躁| 亚洲不卡免费看| 男女那种视频在线观看| 久久精品91无色码中文字幕| 高清日韩中文字幕在线| 日韩欧美 国产精品| 国产免费一级a男人的天堂| 一进一出抽搐gif免费好疼| 亚洲精品美女久久久久99蜜臀| 男女之事视频高清在线观看| 亚洲不卡免费看| 欧美区成人在线视频| 免费av毛片视频| 最新在线观看一区二区三区| 亚洲va日本ⅴa欧美va伊人久久| 亚洲真实伦在线观看| 欧美日韩乱码在线| 亚洲va日本ⅴa欧美va伊人久久| 精品人妻偷拍中文字幕| 欧美性感艳星| 少妇的丰满在线观看| 国产精品乱码一区二三区的特点| 国产真人三级小视频在线观看| 中亚洲国语对白在线视频| 午夜福利成人在线免费观看| 国产乱人视频| 欧美性感艳星| 亚洲欧美精品综合久久99| 波野结衣二区三区在线 | 欧美最黄视频在线播放免费| 国产精品亚洲一级av第二区| 老熟妇仑乱视频hdxx| 国产三级黄色录像| 又爽又黄无遮挡网站| 757午夜福利合集在线观看| 国产极品精品免费视频能看的| 国产一区二区在线观看日韩 | 亚洲美女黄片视频| 黄色视频,在线免费观看| 两人在一起打扑克的视频| 国产精品99久久久久久久久| 日韩欧美一区二区三区在线观看| 精品欧美国产一区二区三| 一级毛片女人18水好多| 在线观看av片永久免费下载| 久久久久九九精品影院| 日日摸夜夜添夜夜添小说| 美女大奶头视频| 母亲3免费完整高清在线观看| 天堂影院成人在线观看| 丁香欧美五月| 青草久久国产| 国产激情欧美一区二区| 大型黄色视频在线免费观看| or卡值多少钱| 欧美成人免费av一区二区三区| 99视频精品全部免费 在线| 99精品欧美一区二区三区四区| 午夜激情欧美在线| 国产午夜精品论理片| 手机成人av网站| 99在线人妻在线中文字幕| x7x7x7水蜜桃| 亚洲精品亚洲一区二区| 成人性生交大片免费视频hd| 一区二区三区激情视频| 最后的刺客免费高清国语| 手机成人av网站| 亚洲黑人精品在线| 国产探花极品一区二区| or卡值多少钱| 啦啦啦韩国在线观看视频| 日韩欧美三级三区| 久久国产精品人妻蜜桃| www.色视频.com| 一本精品99久久精品77| 草草在线视频免费看| 亚洲男人的天堂狠狠| 美女免费视频网站| а√天堂www在线а√下载| 国产精品久久久久久久久免 | 九九在线视频观看精品| 69av精品久久久久久| 国产成人啪精品午夜网站| 女同久久另类99精品国产91| 国产精品三级大全| 一进一出抽搐动态| 9191精品国产免费久久| 少妇的逼好多水| 色视频www国产| 在线观看66精品国产| 欧美bdsm另类| 久久久国产成人免费| 精品国内亚洲2022精品成人| 国产三级在线视频| 在线观看午夜福利视频| 亚洲人成网站高清观看| 国产91精品成人一区二区三区| 99热6这里只有精品| 亚洲国产精品合色在线| 哪里可以看免费的av片| 一本精品99久久精品77| 亚洲乱码一区二区免费版| 夜夜爽天天搞| 国产精品野战在线观看| 午夜福利在线观看免费完整高清在 | 两个人看的免费小视频| 三级国产精品欧美在线观看| 观看美女的网站| 久久人妻av系列| 午夜免费成人在线视频| 国产精品一区二区三区四区久久| 99精品久久久久人妻精品| 亚洲欧美日韩东京热| 亚洲av成人av| 蜜桃亚洲精品一区二区三区| 欧美日韩国产亚洲二区| 亚洲无线在线观看| 精品人妻一区二区三区麻豆 | 欧美日韩一级在线毛片| 国产探花极品一区二区| 亚洲18禁久久av| 国产97色在线日韩免费| av天堂在线播放| 免费观看的影片在线观看| 特级一级黄色大片| 99精品欧美一区二区三区四区| 天堂网av新在线| avwww免费| av片东京热男人的天堂| 欧美最新免费一区二区三区 | 黄色日韩在线| 男女床上黄色一级片免费看| 久久草成人影院| 身体一侧抽搐| or卡值多少钱| 最近最新中文字幕大全电影3| 亚洲精品一区av在线观看| 午夜福利视频1000在线观看| 香蕉久久夜色| 欧美成人性av电影在线观看| 国产av麻豆久久久久久久| 91麻豆精品激情在线观看国产| 无人区码免费观看不卡| 亚洲真实伦在线观看| 黄片大片在线免费观看| 一个人看的www免费观看视频| 久久精品综合一区二区三区| 韩国av一区二区三区四区| 亚洲av美国av| 婷婷丁香在线五月| 亚洲专区中文字幕在线|