• <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DenseNet的單目圖像深度估計

    2019-03-05 10:23:16,,
    計算機(jī)測量與控制 2019年2期
    關(guān)鍵詞:單目網(wǎng)絡(luò)結(jié)構(gòu)卷積

    ,,

    (浙江工業(yè)大學(xué) 信息工程學(xué)院,杭州 310023)

    0 引言

    隨著人工智能的迅猛發(fā)展,各類人工智能產(chǎn)品(如無人駕駛汽車、醫(yī)療機(jī)器人、巡檢機(jī)器人)應(yīng)運而生,在其工作過程中需要根據(jù)外界環(huán)境因素自動做出決策,通常的實現(xiàn)方法是利用計算機(jī)視覺技術(shù)對周圍環(huán)境3維結(jié)構(gòu)進(jìn)行感知,實現(xiàn)3維重建,從而進(jìn)行決策。因此,3D場景解析是人工智能領(lǐng)域目前最火熱、最重要的研究課題之一。3D場景解析的重要基礎(chǔ)為深度信息的獲取,而單目圖像獲取深度信息是其中的重要方法。

    當(dāng)前獲取場景深度信息主要有硬件實現(xiàn)與軟件實現(xiàn)兩種方法。硬件實現(xiàn)方法是利用傳感器技術(shù),例如微軟開發(fā)的3D體感攝像機(jī)Kinect,利用ToF(time of fly)原理,通過給不可見光打碼、測距光線強(qiáng)弱隨時間變化等手段,根據(jù)光線的反射時間計算距離,特點是實時性好,算法開發(fā)工作量低。但是,尚未成熟的傳感器技術(shù)導(dǎo)致輸出圖像的分辨率過低,僅僅適合室內(nèi)小范圍環(huán)境測量。

    軟件實現(xiàn)方法是通過圖像處理獲取深度信息。目前最為常見的為雙目立體標(biāo)定方法[1],通過算法匹配左、右兩幅圖像中相同的特征點得到視差,再根據(jù)幾何關(guān)系算出深度,但其匹配精度較低,受光線影響較大。在此基礎(chǔ)上提出了結(jié)構(gòu)光方法,其利用有編碼的光源,主動將光源特征打在圖像上進(jìn)行匹配,精度有顯著提升,但仍對環(huán)境光線等條件有一定要求。而單目圖像對設(shè)備數(shù)量、環(huán)境條件要求較低,因此,通過單目圖像獲取深度信息是最貼近實際情況、應(yīng)用場景最為靈活的方法。

    利用單目圖像獲取深度信息本身是一個病態(tài)問題,一張圖像理論上可以對應(yīng)無限張深度圖。因此,傳統(tǒng)的單目圖像獲取深度信息多是基于物體的移動、相機(jī)焦距變化[2]等方法,將深度估計作為一個概率模型來處理,精度相對較低。SFM(Structure-from-Motion)是其中經(jīng)典的方法之一[3],通過相機(jī)不同時間間隔的抓拍圖像,估計相機(jī)的姿態(tài),進(jìn)一步獲取場景中物體深度信息。

    隨著近些年深度學(xué)習(xí)的發(fā)展,卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)在圖像處理、語音識別等領(lǐng)域發(fā)揮著越來越重要的作用。CNN在特征提取、結(jié)果分類等方面無需人工干預(yù),大大提高了模型的通用性。因此,學(xué)者們開始廣泛使用CNN來研究單目圖像的深度信息估計課題。鑒于CRF((Conditional Random Fields)在語義分割上的優(yōu)異表現(xiàn),Liu等人[4]提出了將CRF應(yīng)用到單目圖像深度估計的方法,與通常直接設(shè)定CRF的一元、二元勢函數(shù)方法不同,他們將勢函數(shù)本身也作為學(xué)習(xí)對象之一,通過訓(xùn)練系數(shù)優(yōu)化勢函數(shù),從而優(yōu)化訓(xùn)練結(jié)果,但其文中提到的超像素仍需手工實現(xiàn)劃分。相比之下,Eigen等人[5]提出了一種基于多尺度網(wǎng)絡(luò)結(jié)構(gòu)的深度學(xué)習(xí)方法,通過兩個尺度對圖像分別進(jìn)行全局與局部的特征采樣,獲得最終輸出,此方法無需提供任何人工分類特征,直接在原始圖片上進(jìn)行訓(xùn)練并獲得像素級別的深度信息結(jié)果。在Eigen等人的基礎(chǔ)上,Laina等人[6]提出了一種應(yīng)用ResNet[7]的網(wǎng)絡(luò)模型,該模型利用ResNet特征前向傳遞高效的特性,并結(jié)合更深、更復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu),有效提高了結(jié)果精度。Godard等人[8]提出了一種利用左右圖一致性的無監(jiān)督學(xué)習(xí)方法,該方法原理類似雙目立體標(biāo)定,利用左圖樣本得到深度圖,再根據(jù)深度圖與右圖生成左圖預(yù)測結(jié)果,與左圖樣本進(jìn)行比較,實現(xiàn)了自編碼、自解碼,但上述方法在結(jié)果精度提升空間。

    針對上述問題,在此提出了一種基于深度學(xué)習(xí)的單目圖像深度估計方法,根據(jù)輸入的RGB圖像,直接得到圖中各個像素對應(yīng)的深度信息。本文的主要創(chuàng)新點是:首先,提出了一種新的CNN結(jié)構(gòu),對圖像進(jìn)行3個尺度的特征提取與融合,兼顧全局特征與局部特征,優(yōu)化輸出結(jié)果;其次,網(wǎng)絡(luò)結(jié)構(gòu)中融合了DenseNet[9],加強(qiáng)了特征前向傳播,緩解了深層網(wǎng)絡(luò)梯度消失問題,并且加強(qiáng)了特征重用,實現(xiàn)多級綜合高效利用,同時還減少了參數(shù)數(shù)量。最后,通過實驗證明,多尺度的網(wǎng)絡(luò)結(jié)構(gòu)與DenseNet的加入有效提升了輸出深度圖的精度。

    1 網(wǎng)絡(luò)模型

    1.1 模型概述

    為了進(jìn)一步研究單目圖像深度估計方法,本文提出了一種基于DenseNet的多尺度CNN網(wǎng)絡(luò)模型。首先,將網(wǎng)絡(luò)結(jié)構(gòu)分為三個尺度,各個尺度對數(shù)據(jù)集進(jìn)行不同程度的縮放,其中第一個尺度(Scale1)輸入圖像尺寸最大,第三個尺度(Scale3)最小。第一個尺度對圖像特征進(jìn)行全局粗糙采樣,其輸出結(jié)果與第二個尺度(Scale2)的輸入圖像尺寸相同。Scale2的輸入圖像在原數(shù)據(jù)集基礎(chǔ)上結(jié)合了Scale1的輸出,Scale2更注重圖像中局部信息的采集,在上一尺度全局、粗糙的結(jié)果上進(jìn)行優(yōu)化,獲得更具局部特征的結(jié)果。類似的,Scale3的輸入是由原數(shù)據(jù)集與Scale2的輸出相結(jié)合,在進(jìn)一步優(yōu)化輸出深度圖的同時,提高了深度圖的分辨率,獲得高分辨率的輸出結(jié)果。具體網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

    圖1 網(wǎng)絡(luò)模型結(jié)構(gòu)

    1.2 多尺度網(wǎng)絡(luò)結(jié)構(gòu)

    1.2.1 全局特征粗糙采樣

    Scale1的主要目的是對圖像進(jìn)行全局的采樣,在全局的層面提取圖像特征,網(wǎng)絡(luò)由DenseNet模塊、上采樣模塊與卷積層組成。Scale1的輸入圖像尺寸為240×320,首先通過兩個卷積層豐富信息特征采集,隨后利用卷積核3×3,步長為2的卷積層(簡稱3×3卷積層)代替?zhèn)鹘y(tǒng)的池化層對圖片進(jìn)行降采樣,得到的結(jié)果作為DenseNet模塊輸入。圖像通過DenseNet模塊后,由上采樣模塊對輸出結(jié)果進(jìn)行上采樣,最終圖像輸出尺寸為64×80,與Scale2輸入尺寸相同。由于Scale1的輸入圖像尺寸最大,因此Scale1的視野更廣,采集到的特征最為豐富、最為原始,在全局層面對圖像完成了一個粗糙的采樣。

    1.2.2 局部特征細(xì)致采樣

    Scale2通過連接層(concatenate layer)將縮放的數(shù)據(jù)集與Scale1的結(jié)果輸出組合,擴(kuò)展了輸入樣本數(shù)量,輸入圖像尺寸為64×80。與Scale1相比,Scale2考慮到圖像中像素與周邊像素深度信息的相關(guān)性,更注重局部信息,利用局部特征優(yōu)化輸出深度圖。Scale2網(wǎng)絡(luò)結(jié)構(gòu)由卷積層、上采樣模塊組成,卷積層負(fù)責(zé)豐富特征信息采樣,上采樣模塊負(fù)責(zé)獲得合適分辨率的輸出。對于卷積層部分,采用了多個3×3卷積核替換傳統(tǒng)5×5、7×7卷積核的做法,在獲得相同感受野的情況下,多個3×3卷積核相比大尺寸卷積核存在更多的非線性因子,使得判決函數(shù)更有判決性。同時,3×3卷積核的實現(xiàn)方式可以顯著減少參數(shù)量,提升訓(xùn)練速度。最終,Scale2輸出尺寸為128×160的深度圖像,與Scale3輸入尺寸相同。

    1.2.3 提高分辨率,獲得預(yù)測結(jié)果

    Scale3通過concatenate layer將縮放的數(shù)據(jù)集與Scale2的結(jié)果輸出組合,網(wǎng)絡(luò)結(jié)構(gòu)與Scale2類似。Scale3負(fù)責(zé)進(jìn)一步優(yōu)化圖像輸出并提高分辨率,得到空間上連貫、詳細(xì)的輸出結(jié)果。

    1.3 DenseNet模塊

    隨著深度學(xué)習(xí)的發(fā)展,各類CNN網(wǎng)絡(luò)模型被提出,從開始的AlexNet、VGGNet,到后來的ResNet等等。DenseNet于2017年由劉壯等人提出,網(wǎng)絡(luò)結(jié)構(gòu)具有以下特點:第一,DenseNet有效地緩解了網(wǎng)絡(luò)過深帶來的梯度彌散問題,DenseNet每層都能獲取前面各層的損失函數(shù),有效加強(qiáng)了特征前向傳播,因此可以訓(xùn)練更深的網(wǎng)絡(luò)。第二,相比ResNet采用求和的方式傳播特征,DenseNet采用拼接的方式,將前面所有層輸出拼接在一起作為當(dāng)前輸入,顯著提高特征傳播效率,其非線性變換方程如式1所示。第三,DenseNet有效減少了網(wǎng)絡(luò)參數(shù),從特征重用的角度提升網(wǎng)絡(luò)性能。例如,基于ResNet的網(wǎng)絡(luò)模型通過隨機(jī)丟棄層防止過擬合,表明并非所有層都是必須的,網(wǎng)絡(luò)中存在大量冗余,造成運算量的浪費。通常,對于同樣的預(yù)測精度,DenseNet只需要ResNet一半的參數(shù)量。

    xl=Hl([x0,x1....,xl-1])

    (1)

    DenseNet由Dense Block、Transition Layer、池化層、卷積層以及全連接層組合,Dense Block為稠密連接的highway模塊,是各層Bottleneck Layer輸出的集合。Bottleneck Layer包括卷積層、激活函數(shù)、歸一化函數(shù)以及Dropout組成。Transition Layer負(fù)責(zé)連接相鄰Dense Block,對Dense Block的輸出進(jìn)一步執(zhí)行歸一化、Dropout等處理。

    本文中的DenseNet模塊由4個Dense Block和3個Transition Layer組成,并在DenseNet原有結(jié)構(gòu)上對其進(jìn)行了一定改善,是Scale1網(wǎng)絡(luò)的主要結(jié)構(gòu)。首先,對于圖像初始化部分,用多個3×3卷積層替換7×7卷積層、池化層,用小卷積核替換大卷積核,減少參數(shù)與計算量;其次,針對各個Dense Block的輸出通道數(shù),通過實驗對比,最終將各層輸出通道數(shù)從上至下確定為6、12、48、32;然后,對于Transition Layer,采用了3×3卷積層替換池化層;最后,刪除了DenseNet網(wǎng)絡(luò)結(jié)構(gòu)末尾的全局池化層和用于分類的全連接層,替換為性能更好的1×1的卷積層。

    1.4 上采樣模塊

    上采樣的主要目的是放大原圖像,獲得分辨率更高的輸出結(jié)果。放大圖像基本都是采用內(nèi)插值的方法,在原有圖像像素的基礎(chǔ)上在像素點之間采用插值算法插入新的像素。

    在深度學(xué)習(xí)模型中,傳統(tǒng)的上采樣實現(xiàn)方式大多是先將圖像分辨率擴(kuò)展為2倍,用0填充沒有數(shù)據(jù)的像素,然后用5×5卷積層處理擴(kuò)展后的圖像實現(xiàn)插值,由于有很多0值,因此存在很多無用計算。本文中的上采樣模塊將5×5卷積核拆分為4個大小為3×3、2×3、3×2、2×2的卷積核[6],直接在原圖上進(jìn)行操作,跳過0值的處理,然后將4個輸出結(jié)果進(jìn)行交錯連接,獲得輸出結(jié)果。同時,在此基礎(chǔ)上,添加了激活函數(shù)(Relu)、歸一化函數(shù)以及卷積層,組合成上采樣模塊,有效提高了上采樣的效率。

    1.5 損失函數(shù)

    損失函數(shù)的選擇是深度學(xué)習(xí)網(wǎng)絡(luò)模型訓(xùn)練過程重要環(huán)節(jié)之一,選擇正確的損失函數(shù)能提供更好的收斂方向,獲得更好的訓(xùn)練結(jié)果。目前通用的損失函數(shù)為L2損失函數(shù),以最小化預(yù)測結(jié)果與真實值差的歐式范數(shù)平方作為收斂方向,函數(shù)定義如式(2)所示:

    (2)

    容易看出,當(dāng)預(yù)測值與真實值差異較大時,L2損失函數(shù)能夠迅速下降梯度,收斂速度很快,但是當(dāng)預(yù)測值接近真實值時,L2損失函數(shù)收斂速度大大減小,梯度下降緩慢。因此,本文采用了BerHu損失函數(shù)[6],巧妙地將L1損失函數(shù)與L2損失函數(shù)結(jié)合,獲得了更好的收斂性能。其定義如式(3)所示:

    (3)

    (4)

    表1 損失函數(shù)比較

    2 結(jié)果與分析

    2.1 實驗設(shè)置

    為了驗證此模型的優(yōu)化效果,本文選擇在NYU Depth V2官方數(shù)據(jù)集上對模型進(jìn)行訓(xùn)練、測試。NYU Depth V2是微軟Kinect相機(jī)采集的室內(nèi)場景的視頻幀序列,由1449對深度信息與RGB像素對應(yīng)的圖片組成。該數(shù)據(jù)集含有3個城市的464個場景,共分為26種場景類型,1000多種對象。本文訓(xùn)練集與測試集的劃分比例為官方的249:215,將原始的480×640RGB圖與深度圖降采樣至240×320作為模型輸入,并通過預(yù)處理忽略圖片中深度信息缺省的像素。根據(jù)官方劃分,經(jīng)49個場景作為驗證集, 200個場景作為訓(xùn)練集,訓(xùn)練完成后在官方654張標(biāo)準(zhǔn)驗證圖像上對模型進(jìn)行測試。本文對訓(xùn)練圖像進(jìn)行隨機(jī)縮放、目標(biāo)平面內(nèi)旋轉(zhuǎn)、水平翻轉(zhuǎn)以及改變顏色和對比度等處理來擴(kuò)充數(shù)據(jù)集,避免模型過擬合,提升泛化能力。

    實驗設(shè)備是一臺顯卡為Tesla K40C的服務(wù)器,使用TensorFlow框架。網(wǎng)絡(luò)訓(xùn)練使用隨機(jī)訓(xùn)練梯度下降優(yōu)化模型參數(shù),具體的超參數(shù)如下:批處理大小(batch size)為8,最大迭代輪數(shù)(max epoch)為1000,學(xué)習(xí)率(learning rate)為0.001,學(xué)習(xí)率每經(jīng)過10輪迭代衰90%,直至網(wǎng)絡(luò)收斂。整個模型訓(xùn)練耗時約為72個小時,CNN前向過程占時約為每張圖0.06 s,整個模型每張圖預(yù)測時間約為0.23 s,訓(xùn)練時的loss曲線如圖2所示。

    在此將模型的實驗結(jié)果與同樣在NYU Depth V2數(shù)據(jù)集上進(jìn)行訓(xùn)練的相關(guān)工作進(jìn)行對比,采用了常用的衡量指標(biāo)評估結(jié)果[10]:

    1)平均相對誤差(average relative error,Rel):

    (5)

    2)均方根誤差(root mean squared error,RMS):

    (6)

    圖2 各模型深度預(yù)測結(jié)果圖

    3)對數(shù)空間平均誤差(average log10error,log10):

    (7)

    4)準(zhǔn)確率:

    整個訓(xùn)練模型的學(xué)習(xí)過程為:

    步驟1:輸入RGB圖像L=(x1,xj,...xn)與真實深度圖,并對數(shù)據(jù)集進(jìn)行數(shù)據(jù)擴(kuò)充。

    步驟2:RGB圖像經(jīng)過網(wǎng)絡(luò)模型后得到輸出y,與真實深度值y*比較,計算di=|y-y*|。

    步驟3:根據(jù)di大小,計算損失函數(shù),并更新參數(shù)。

    步驟4:達(dá)到收斂條件或迭代次數(shù)上限時終止模型運行,否則重復(fù)步驟2)、3)。

    2.2 實驗結(jié)果

    通過實驗將得到的輸出結(jié)果與make3D、Eigen以及Laina的訓(xùn)練方法輸出結(jié)果進(jìn)行對比,其結(jié)果如表2所示。首先,可以看出利用CNN卷積網(wǎng)絡(luò)模型的輸出結(jié)果明顯優(yōu)于傳統(tǒng)利用先驗的幾何假設(shè)等方法,這主要得益于CNN結(jié)構(gòu)在圖像處理方面的強(qiáng)大能力,CNN結(jié)構(gòu)能夠從圖像中提取出足夠多的特征信息,且特征提取和統(tǒng)計分類都不需要人工干預(yù)。在利用CNN結(jié)構(gòu)的網(wǎng)絡(luò)模型中,輸出結(jié)果略優(yōu)于Eigen與Laina的模型輸出結(jié)果,這主要得益于DenseNet的網(wǎng)絡(luò)特性與多尺度的網(wǎng)絡(luò)結(jié)構(gòu),深度預(yù)測圖結(jié)果對比如圖2所示。

    表2 NYU Depth V2數(shù)據(jù)集上實驗結(jié)果對比

    3 結(jié)論

    針對單目圖像深度預(yù)測問題,提出了基于深度學(xué)習(xí)的多尺度網(wǎng)絡(luò)結(jié)構(gòu)模型,利用DenseNet的強(qiáng)化特征前向傳播、特征重用以及減少參數(shù)等特性,以及多尺度網(wǎng)絡(luò)結(jié)構(gòu)提供的全局預(yù)測、局部預(yù)測結(jié)果結(jié)合特性,有效提高了單目圖像深度預(yù)測精度,其結(jié)果顯著優(yōu)于傳統(tǒng)的處理方法,且在與其他CNN網(wǎng)絡(luò)模型對比中也取得更好的輸出結(jié)果。

    但目前此模型仍是在有監(jiān)督的條件下訓(xùn)練,需要提供真實深度信息,因此對數(shù)據(jù)集提出了很高的要求,筆者正在嘗試構(gòu)建無監(jiān)督的訓(xùn)練模型,加大模型適用范圍。同時,此模型是直接由RGB圖訓(xùn)練得到深度結(jié)果,下一步考慮在模型中融入傳統(tǒng)的深度獲取方法,例如利用雙目標(biāo)定原理等,進(jìn)一步提升預(yù)測精度。

    猜你喜歡
    單目網(wǎng)絡(luò)結(jié)構(gòu)卷積
    基于3D-Winograd的快速卷積算法設(shè)計及FPGA實現(xiàn)
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    一種單目相機(jī)/三軸陀螺儀/里程計緊組合導(dǎo)航算法
    基于傅里葉域卷積表示的目標(biāo)跟蹤算法
    單目SLAM直線匹配增強(qiáng)平面發(fā)現(xiàn)方法
    基于CAD模型的單目六自由度位姿測量
    基于互信息的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)
    知識網(wǎng)絡(luò)結(jié)構(gòu)維對于創(chuàng)新績效的作用機(jī)制——遠(yuǎn)程創(chuàng)新搜尋的中介作用
    滬港通下A+ H股票網(wǎng)絡(luò)結(jié)構(gòu)演化的實證分析
    復(fù)雜網(wǎng)絡(luò)結(jié)構(gòu)比對算法研究進(jìn)展
    欧美97在线视频| 看十八女毛片水多多多| 久久久亚洲精品成人影院| 亚洲欧洲国产日韩| 制服人妻中文乱码| 狂野欧美激情性bbbbbb| 在线观看一区二区三区激情| 国产男女超爽视频在线观看| 少妇人妻久久综合中文| 91精品伊人久久大香线蕉| 侵犯人妻中文字幕一二三四区| 少妇精品久久久久久久| 99精国产麻豆久久婷婷| 亚洲av男天堂| av电影中文网址| 蜜桃国产av成人99| 国产欧美亚洲国产| 国产欧美日韩综合在线一区二区| 日日摸夜夜添夜夜爱| 热re99久久精品国产66热6| 午夜福利一区二区在线看| 男女免费视频国产| 啦啦啦在线观看免费高清www| 欧美日韩国产mv在线观看视频| 超碰97精品在线观看| 精品人妻在线不人妻| 国产免费福利视频在线观看| 久久久久久久久久久久大奶| 国产亚洲av片在线观看秒播厂| 91精品伊人久久大香线蕉| 美女福利国产在线| 国产99久久九九免费精品| 丁香六月欧美| 99九九在线精品视频| 久久 成人 亚洲| 天天躁日日躁夜夜躁夜夜| 国产精品久久久久久精品电影小说| 亚洲欧美一区二区三区国产| 亚洲三区欧美一区| 建设人人有责人人尽责人人享有的| 国产一级毛片在线| 日本91视频免费播放| 欧美黑人精品巨大| 18在线观看网站| www.熟女人妻精品国产| 又紧又爽又黄一区二区| 国产精品久久久人人做人人爽| 亚洲av欧美aⅴ国产| 色综合欧美亚洲国产小说| 老司机深夜福利视频在线观看 | 国产精品久久久久久精品古装| 蜜桃在线观看..| 电影成人av| 成人三级做爰电影| 2018国产大陆天天弄谢| 国产日韩欧美在线精品| 精品国产超薄肉色丝袜足j| 国产爽快片一区二区三区| 国产又爽黄色视频| 丁香六月天网| 国产av一区二区精品久久| 亚洲国产精品999| 国产精品二区激情视频| 国产欧美亚洲国产| 精品久久久久久久毛片微露脸 | 在线观看一区二区三区激情| 国产精品国产av在线观看| 在线天堂中文资源库| 国产精品久久久久久人妻精品电影 | 国产男女超爽视频在线观看| 国产av精品麻豆| 大型av网站在线播放| 母亲3免费完整高清在线观看| 十八禁人妻一区二区| 国产97色在线日韩免费| 热99国产精品久久久久久7| 少妇精品久久久久久久| 丝袜人妻中文字幕| 少妇猛男粗大的猛烈进出视频| 中文字幕制服av| 黄色一级大片看看| 老司机午夜十八禁免费视频| 99国产精品一区二区三区| av天堂在线播放| 色94色欧美一区二区| 99热国产这里只有精品6| 国产99久久九九免费精品| 一级黄色大片毛片| 日本黄色日本黄色录像| 桃花免费在线播放| 水蜜桃什么品种好| 成年人免费黄色播放视频| 人人妻人人澡人人看| 精品少妇内射三级| 美女午夜性视频免费| 国产成人精品久久二区二区91| 大片电影免费在线观看免费| 亚洲精品成人av观看孕妇| 黄片小视频在线播放| 只有这里有精品99| 一级毛片 在线播放| 男女高潮啪啪啪动态图| 天堂8中文在线网| 校园人妻丝袜中文字幕| 成人18禁高潮啪啪吃奶动态图| 精品久久久精品久久久| 国产亚洲一区二区精品| 蜜桃国产av成人99| 日韩视频在线欧美| 午夜免费观看性视频| 90打野战视频偷拍视频| 国产免费福利视频在线观看| 美女主播在线视频| 啦啦啦在线观看免费高清www| 丰满迷人的少妇在线观看| 高潮久久久久久久久久久不卡| 热99国产精品久久久久久7| 国产真人三级小视频在线观看| 母亲3免费完整高清在线观看| 男女国产视频网站| 男人舔女人的私密视频| 国产成人精品久久久久久| 久久久国产一区二区| 日韩 亚洲 欧美在线| 亚洲精品一二三| 制服诱惑二区| 一本大道久久a久久精品| 日韩视频在线欧美| 免费人妻精品一区二区三区视频| 热re99久久国产66热| 在线观看人妻少妇| 亚洲精品久久久久久婷婷小说| 黄片播放在线免费| 亚洲成人免费av在线播放| 国产免费福利视频在线观看| 亚洲 欧美一区二区三区| 999久久久国产精品视频| 久久人妻福利社区极品人妻图片 | 国产亚洲精品第一综合不卡| 又大又爽又粗| 亚洲成人手机| 国产精品久久久人人做人人爽| 日韩av免费高清视频| 日日爽夜夜爽网站| 国产淫语在线视频| av福利片在线| 男人爽女人下面视频在线观看| 热99久久久久精品小说推荐| 久久精品久久久久久噜噜老黄| 午夜91福利影院| 日本欧美视频一区| 久9热在线精品视频| 亚洲成人手机| kizo精华| 精品国产一区二区久久| 亚洲精品一卡2卡三卡4卡5卡 | 色网站视频免费| 日韩av免费高清视频| 久久精品久久久久久久性| 精品久久久久久久毛片微露脸 | av在线播放精品| 精品人妻1区二区| 99国产综合亚洲精品| av福利片在线| 高清欧美精品videossex| 午夜两性在线视频| 亚洲精品在线美女| 欧美 亚洲 国产 日韩一| 亚洲专区中文字幕在线| 女人久久www免费人成看片| 美女主播在线视频| 国产一区二区 视频在线| 国产亚洲av高清不卡| 午夜影院在线不卡| 视频区欧美日本亚洲| 母亲3免费完整高清在线观看| 可以免费在线观看a视频的电影网站| netflix在线观看网站| 男女午夜视频在线观看| 日韩熟女老妇一区二区性免费视频| 亚洲熟女精品中文字幕| 中国国产av一级| 777久久人妻少妇嫩草av网站| 涩涩av久久男人的天堂| 80岁老熟妇乱子伦牲交| 久久av网站| 亚洲久久久国产精品| 黄频高清免费视频| 国产熟女午夜一区二区三区| 香蕉国产在线看| 久久性视频一级片| 日韩伦理黄色片| 欧美精品一区二区大全| 51午夜福利影视在线观看| 一本—道久久a久久精品蜜桃钙片| 免费观看a级毛片全部| 丝袜美腿诱惑在线| 欧美日韩成人在线一区二区| bbb黄色大片| 中文字幕色久视频| 欧美久久黑人一区二区| 中文字幕精品免费在线观看视频| 狂野欧美激情性bbbbbb| 99国产精品一区二区三区| 老司机靠b影院| 亚洲专区国产一区二区| 久久人人97超碰香蕉20202| 亚洲国产精品999| 男女免费视频国产| 99国产精品一区二区蜜桃av | 久久久欧美国产精品| 亚洲国产精品一区二区三区在线| 亚洲成国产人片在线观看| 久久精品亚洲熟妇少妇任你| 国产真人三级小视频在线观看| 女性生殖器流出的白浆| 女警被强在线播放| 咕卡用的链子| 国产在线观看jvid| 一级毛片黄色毛片免费观看视频| 久久99精品国语久久久| 婷婷丁香在线五月| 久久精品久久精品一区二区三区| 国产视频一区二区在线看| 性色av一级| 国产在线观看jvid| 51午夜福利影视在线观看| 精品久久久久久电影网| 欧美日韩视频高清一区二区三区二| 精品少妇一区二区三区视频日本电影| av天堂在线播放| 亚洲成色77777| 亚洲欧美成人综合另类久久久| 久久国产亚洲av麻豆专区| 欧美亚洲日本最大视频资源| 亚洲av美国av| 中文欧美无线码| 老司机亚洲免费影院| 亚洲精品美女久久久久99蜜臀 | 国产不卡av网站在线观看| 欧美黄色淫秽网站| 天天躁夜夜躁狠狠躁躁| 亚洲精品久久久久久婷婷小说| 亚洲精品国产av成人精品| 十八禁网站网址无遮挡| 国产日韩一区二区三区精品不卡| 亚洲国产看品久久| 欧美日韩福利视频一区二区| 亚洲中文字幕日韩| 美女大奶头黄色视频| 亚洲中文日韩欧美视频| 久久精品国产亚洲av涩爱| 国产成人啪精品午夜网站| 成人国产一区最新在线观看 | 伊人久久大香线蕉亚洲五| 一级片免费观看大全| 精品少妇内射三级| 男女床上黄色一级片免费看| www.精华液| videos熟女内射| 一区在线观看完整版| 一边摸一边抽搐一进一出视频| 五月开心婷婷网| 久久久久精品国产欧美久久久 | 亚洲成人国产一区在线观看 | 国产91精品成人一区二区三区 | 两人在一起打扑克的视频| 国产精品久久久久久精品古装| 亚洲黑人精品在线| 免费在线观看视频国产中文字幕亚洲 | 女人久久www免费人成看片| 国产人伦9x9x在线观看| 午夜福利一区二区在线看| 国产成人一区二区三区免费视频网站 | 狂野欧美激情性bbbbbb| 狠狠婷婷综合久久久久久88av| 久久ye,这里只有精品| 无遮挡黄片免费观看| 欧美精品一区二区免费开放| 水蜜桃什么品种好| 国产亚洲精品久久久久5区| 久久午夜综合久久蜜桃| 亚洲第一av免费看| 国产欧美日韩综合在线一区二区| 一级a爱视频在线免费观看| 性高湖久久久久久久久免费观看| 国产亚洲午夜精品一区二区久久| 亚洲国产精品国产精品| 别揉我奶头~嗯~啊~动态视频 | 一级毛片女人18水好多 | 久9热在线精品视频| 亚洲精品久久午夜乱码| 亚洲欧美色中文字幕在线| 中文欧美无线码| 无限看片的www在线观看| 精品少妇黑人巨大在线播放| 久久热在线av| 蜜桃在线观看..| 美女扒开内裤让男人捅视频| 免费少妇av软件| av福利片在线| 在线亚洲精品国产二区图片欧美| av福利片在线| 亚洲精品国产av蜜桃| 久久99精品国语久久久| 亚洲中文字幕日韩| 国产黄频视频在线观看| 久久久精品区二区三区| 婷婷色麻豆天堂久久| 欧美精品啪啪一区二区三区 | 天天躁夜夜躁狠狠久久av| 婷婷色综合www| 国产精品一区二区在线观看99| 欧美日韩视频高清一区二区三区二| 亚洲人成网站在线观看播放| 国产亚洲午夜精品一区二区久久| 一区二区日韩欧美中文字幕| 免费av中文字幕在线| 国产精品麻豆人妻色哟哟久久| 亚洲精品日韩在线中文字幕| 亚洲国产精品成人久久小说| 男的添女的下面高潮视频| 婷婷色综合www| 亚洲成色77777| 日日爽夜夜爽网站| 19禁男女啪啪无遮挡网站| 国产日韩一区二区三区精品不卡| 国产伦理片在线播放av一区| 亚洲精品国产色婷婷电影| 肉色欧美久久久久久久蜜桃| 午夜日韩欧美国产| 国产免费现黄频在线看| 精品国产国语对白av| 19禁男女啪啪无遮挡网站| 精品少妇久久久久久888优播| a级片在线免费高清观看视频| 国产精品免费大片| 久久精品熟女亚洲av麻豆精品| 亚洲国产欧美在线一区| 亚洲第一av免费看| 美女扒开内裤让男人捅视频| 久热这里只有精品99| 又粗又硬又长又爽又黄的视频| 亚洲欧美色中文字幕在线| 欧美黄色淫秽网站| 亚洲第一av免费看| 亚洲国产中文字幕在线视频| avwww免费| 2018国产大陆天天弄谢| 一区福利在线观看| 亚洲国产中文字幕在线视频| 欧美变态另类bdsm刘玥| 久久午夜综合久久蜜桃| 在线精品无人区一区二区三| av国产精品久久久久影院| 老汉色av国产亚洲站长工具| 啦啦啦视频在线资源免费观看| 亚洲国产日韩一区二区| 亚洲精品av麻豆狂野| 国产在线免费精品| 99久久99久久久精品蜜桃| 亚洲中文av在线| 久久精品久久精品一区二区三区| 女性生殖器流出的白浆| 咕卡用的链子| 国产成人精品久久久久久| 美国免费a级毛片| 久久中文字幕一级| 欧美乱码精品一区二区三区| 国产成人精品久久久久久| 99国产精品一区二区三区| 日本a在线网址| 免费日韩欧美在线观看| 国产女主播在线喷水免费视频网站| 久久久久网色| 麻豆av在线久日| 久久人人爽人人片av| 国产精品国产三级专区第一集| 亚洲专区国产一区二区| 久久性视频一级片| 久久久久久人人人人人| 精品久久久久久电影网| 国产成人系列免费观看| 2018国产大陆天天弄谢| 1024香蕉在线观看| xxxhd国产人妻xxx| 女性生殖器流出的白浆| 一本久久精品| 大话2 男鬼变身卡| 侵犯人妻中文字幕一二三四区| 这个男人来自地球电影免费观看| 黄网站色视频无遮挡免费观看| 最新的欧美精品一区二区| 建设人人有责人人尽责人人享有的| 国产黄频视频在线观看| 亚洲精品国产av蜜桃| 精品国产一区二区久久| 国产一区有黄有色的免费视频| 少妇的丰满在线观看| 亚洲国产毛片av蜜桃av| 国产精品欧美亚洲77777| 两个人免费观看高清视频| 成人影院久久| 亚洲成av片中文字幕在线观看| 免费在线观看日本一区| 日韩熟女老妇一区二区性免费视频| 丝袜美足系列| 你懂的网址亚洲精品在线观看| 免费日韩欧美在线观看| 国产黄色免费在线视频| 性色av一级| 中文字幕人妻熟女乱码| 亚洲图色成人| 成人三级做爰电影| 欧美老熟妇乱子伦牲交| 啦啦啦视频在线资源免费观看| 午夜福利免费观看在线| 婷婷色综合www| 大型av网站在线播放| 一级a爱视频在线免费观看| 欧美日韩成人在线一区二区| 国产欧美日韩一区二区三区在线| 国产97色在线日韩免费| 久久精品aⅴ一区二区三区四区| 多毛熟女@视频| 亚洲,欧美精品.| 啦啦啦中文免费视频观看日本| 看十八女毛片水多多多| 夜夜骑夜夜射夜夜干| 亚洲欧美一区二区三区黑人| 又紧又爽又黄一区二区| 别揉我奶头~嗯~啊~动态视频 | 精品国产一区二区三区久久久樱花| 欧美 亚洲 国产 日韩一| 一级片免费观看大全| 国产精品一二三区在线看| 美女主播在线视频| av在线app专区| 啦啦啦在线观看免费高清www| 丝袜美腿诱惑在线| 国产精品免费大片| 亚洲欧美色中文字幕在线| 午夜老司机福利片| 飞空精品影院首页| 18在线观看网站| 女性被躁到高潮视频| 久久精品人人爽人人爽视色| 欧美久久黑人一区二区| 天天躁狠狠躁夜夜躁狠狠躁| 制服诱惑二区| 亚洲精品第二区| 国产成人精品无人区| 精品少妇内射三级| 人妻 亚洲 视频| av片东京热男人的天堂| av欧美777| 国产人伦9x9x在线观看| 五月开心婷婷网| 欧美人与性动交α欧美软件| 又大又爽又粗| 欧美+亚洲+日韩+国产| 成人国产av品久久久| 一边摸一边抽搐一进一出视频| 免费高清在线观看视频在线观看| 成人国产一区最新在线观看 | 国产成人一区二区在线| 色播在线永久视频| 亚洲av日韩在线播放| 亚洲欧美激情在线| 久久精品久久久久久噜噜老黄| 亚洲国产毛片av蜜桃av| 久久影院123| 亚洲av日韩精品久久久久久密 | 夫妻性生交免费视频一级片| 五月天丁香电影| 亚洲精品日韩在线中文字幕| 伊人久久大香线蕉亚洲五| 精品欧美一区二区三区在线| 国产成人一区二区在线| 欧美乱码精品一区二区三区| 亚洲激情五月婷婷啪啪| 91字幕亚洲| 少妇的丰满在线观看| kizo精华| 9191精品国产免费久久| 一级,二级,三级黄色视频| 国产高清视频在线播放一区 | 久久久久网色| 男人操女人黄网站| 亚洲国产毛片av蜜桃av| 久久人人爽av亚洲精品天堂| 国产高清不卡午夜福利| 又紧又爽又黄一区二区| 精品国产一区二区久久| 日韩欧美一区视频在线观看| 日本av手机在线免费观看| 欧美日韩亚洲综合一区二区三区_| 亚洲精品一卡2卡三卡4卡5卡 | 大片电影免费在线观看免费| 亚洲精品美女久久久久99蜜臀 | 嫁个100分男人电影在线观看 | 一级毛片电影观看| 日韩熟女老妇一区二区性免费视频| 国产老妇伦熟女老妇高清| 一区二区三区精品91| 国产在线一区二区三区精| 国产精品欧美亚洲77777| 19禁男女啪啪无遮挡网站| 老司机亚洲免费影院| 两性夫妻黄色片| 午夜免费成人在线视频| 男女国产视频网站| 午夜福利在线免费观看网站| 久久久久国产精品人妻一区二区| 国产成人一区二区三区免费视频网站 | 久久人妻福利社区极品人妻图片 | 在线观看国产h片| 午夜福利在线免费观看网站| 一二三四在线观看免费中文在| 在线观看免费午夜福利视频| 在线观看一区二区三区激情| 高潮久久久久久久久久久不卡| 欧美激情高清一区二区三区| a级毛片黄视频| 别揉我奶头~嗯~啊~动态视频 | 国产精品 国内视频| 国产精品一二三区在线看| 操美女的视频在线观看| 18禁国产床啪视频网站| 国产免费一区二区三区四区乱码| 亚洲精品日韩在线中文字幕| 亚洲少妇的诱惑av| 青春草亚洲视频在线观看| 精品国产一区二区三区久久久樱花| 国产亚洲av高清不卡| 日本vs欧美在线观看视频| 亚洲视频免费观看视频| 欧美日韩国产mv在线观看视频| 丝袜人妻中文字幕| 丁香六月天网| 国产成人av激情在线播放| 久久中文字幕一级| 另类精品久久| 成人三级做爰电影| 国产一区二区激情短视频 | 男女无遮挡免费网站观看| 亚洲 欧美一区二区三区| 99国产精品一区二区蜜桃av | 欧美日韩亚洲国产一区二区在线观看 | 中文字幕人妻熟女乱码| 日韩精品免费视频一区二区三区| 久久国产亚洲av麻豆专区| 亚洲国产欧美一区二区综合| 亚洲图色成人| 在线观看国产h片| 免费观看人在逋| 国产一级毛片在线| 欧美黄色淫秽网站| 91精品三级在线观看| 亚洲自偷自拍图片 自拍| 精品福利永久在线观看| 中文字幕制服av| 国产精品 欧美亚洲| 看十八女毛片水多多多| 亚洲精品第二区| 国产97色在线日韩免费| 99国产精品免费福利视频| 男人爽女人下面视频在线观看| 日本一区二区免费在线视频| 赤兔流量卡办理| 日日爽夜夜爽网站| 中国美女看黄片| 精品人妻1区二区| 久久人人爽av亚洲精品天堂| 最近最新中文字幕大全免费视频 | 中文字幕色久视频| 在线天堂中文资源库| 亚洲午夜精品一区,二区,三区| av福利片在线| 热99久久久久精品小说推荐| 日韩免费高清中文字幕av| 两性夫妻黄色片| 精品视频人人做人人爽| 99久久99久久久精品蜜桃| 青草久久国产| 久久精品熟女亚洲av麻豆精品| 99久久综合免费| 十八禁人妻一区二区| 国产又爽黄色视频| 男男h啪啪无遮挡| 免费看十八禁软件| 欧美av亚洲av综合av国产av| xxxhd国产人妻xxx| a级毛片在线看网站| 精品亚洲成国产av| 亚洲色图综合在线观看| 亚洲av国产av综合av卡| 国产亚洲av片在线观看秒播厂| 免费在线观看日本一区| 男女边摸边吃奶| 天天躁狠狠躁夜夜躁狠狠躁| 中文字幕av电影在线播放| 亚洲激情五月婷婷啪啪| 少妇精品久久久久久久| 91精品国产国语对白视频| 久久99精品国语久久久| 美女中出高潮动态图| av国产久精品久网站免费入址| 国产一区二区三区av在线| 久久狼人影院| 欧美日韩国产mv在线观看视频| 男人操女人黄网站| 少妇被粗大的猛进出69影院| 女人爽到高潮嗷嗷叫在线视频| 观看av在线不卡|