• <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HOG與卷積神經(jīng)網(wǎng)絡(luò)的人臉識別研究

    2019-06-06 04:21顧江鵬袁和金
    軟件導(dǎo)刊 2019年3期
    關(guān)鍵詞:卷積神經(jīng)網(wǎng)絡(luò)人臉識別特征提取

    顧江鵬 袁和金

    摘 要:為了獲取更加全面的整體與局部人臉特征,得到更高的人臉識別率,提出一種基于方向梯度直方圖(HOG)特征與卷積神經(jīng)網(wǎng)絡(luò)的人臉識別新方法。該方法首先提取人臉圖像的HOG特征,然后將HOG特征圖像作為卷積網(wǎng)絡(luò)的輸入數(shù)據(jù)進行訓(xùn)練,改進網(wǎng)絡(luò)結(jié)構(gòu),在全連接層之后采用Softmax loss和center loss兩個損失函數(shù)進行監(jiān)督,最后在訓(xùn)練得到的網(wǎng)絡(luò)模型上對人臉圖像進行識別操作。實驗結(jié)果表明,該方法在ORL人臉集上的識別率達到97.5%,相比于其它人臉識別算法具有一定優(yōu)越性。

    關(guān)鍵詞:HOG;卷積神經(jīng)網(wǎng)絡(luò);人臉識別;特征提取

    DOI:10. 11907/rjdk. 181859

    中圖分類號:TP301文獻標(biāo)識碼:A文章編號:1672-7800(2019)003-0020-05

    0 引言

    人臉識別屬于生物識別領(lǐng)域的研究內(nèi)容之一,與傳統(tǒng)生物識別手段相比,人臉識別具有無接觸、交互性強、更友好直觀,且更方便安全等優(yōu)勢[1]。國外手機廠商蘋果公司首次將人臉識別應(yīng)用于手機解鎖,國內(nèi)支付平臺支付寶首次實現(xiàn)刷臉支付,公安部門的天眼系統(tǒng)可根據(jù)人臉檢測實現(xiàn)實時安全監(jiān)測及疑犯追蹤,這些都是人臉識別的典型應(yīng)用,人臉識別同樣在門禁系統(tǒng)、檔案管理等領(lǐng)域應(yīng)用廣泛。目前,人臉識別技術(shù)已經(jīng)成為計算機視覺與人工智能領(lǐng)域的研究熱點[2]。

    如何提高人臉識別率一直是研究人員的研究重點,而影響人臉識別準確率的主要因素在于特征提取。定向梯度直方圖特征最初主要用于在計算機視覺與圖像處理中檢測物體的特征描述子,近年來HOG描述符也被應(yīng)用于人臉檢測。Zheng等[3]提出一種基于密集網(wǎng)格直方圖的人臉識別方法,將人臉圖像均分為很多密集網(wǎng)格,從中提取HOG特征,然后構(gòu)造HOG網(wǎng)格特征向量,實現(xiàn)整個人臉的特征表達,最后利用最近鄰算法進行分類識別,該方法可有效表示復(fù)雜環(huán)境下的人臉特征;Cuan[4]提出改進的面向梯度直方圖與稀疏表示的混合識別方法,可以保持光照與幾何不變性,對表情、姿勢和角度變化不敏感,從而消除了許多不必要的干擾信息,提高了面部識別準確性;Xie & Sujata等[5-7]從不同角度采用LBP與HOG融合算法進行人臉識別,在有遮擋、姿態(tài)變化及光照變化等條件下取得了較好效果。然而這些方法在特征提取過程中介入了太多主觀因素,過度依賴于人工選擇,對識別準確性造成一定負面影響。

    近年來,深度學(xué)習(xí)在計算機視覺與物體識別領(lǐng)域取得了突出進展,卷積神經(jīng)網(wǎng)絡(luò)算法逐漸被引入到人臉識別相關(guān)研究中。LeCun[8]首次提出LeNet-5,其傾向于將CNN稱為卷積網(wǎng)絡(luò),將網(wǎng)絡(luò)中的節(jié)點稱為單元,自此開啟了現(xiàn)代卷積網(wǎng)絡(luò)研究;Facebook團隊[9]與香港中文大學(xué)團隊[10]分別在LFW數(shù)據(jù)集上報告了97.35%和97.45%的平均分類精度,其在人臉識別技術(shù)路線上,由基于DCNN的端到端自主學(xué)習(xí)特征替代了傳統(tǒng)的人工設(shè)計特征與分類識別;Google團隊提出的FaceNet[11]框架在LFW數(shù)據(jù)集上的平均分類精度達到99.63%。雖然上文提到的各種深度卷積神經(jīng)網(wǎng)絡(luò)算法及其改進算法能夠獲得很高的識別準確率,但其均采取了更深的網(wǎng)絡(luò)結(jié)構(gòu),在獲得更好特征抽象能力的同時,也意味著訓(xùn)練難度的增大、訓(xùn)練參數(shù)的增多以及更大的計算量,而傳統(tǒng)的CNN網(wǎng)絡(luò)對圖像局部結(jié)構(gòu)特征不敏感,難以學(xué)習(xí)到人臉局部特征,同時網(wǎng)絡(luò)還會因光照等因素學(xué)習(xí)到不利特征?;谝陨戏治?,本文提出一種基于HOG特征與卷積神經(jīng)網(wǎng)絡(luò)的人臉識別新方法,在網(wǎng)絡(luò)輸入原始人臉圖像基礎(chǔ)上,加入人臉的HOG特征,使卷積神經(jīng)網(wǎng)絡(luò)在自動學(xué)習(xí)原始圖像信息的同時,也可以學(xué)習(xí)到HOG人臉局部特征。實驗結(jié)果表明,在卷積神經(jīng)網(wǎng)絡(luò)中加入HOG特征可一定程度上提高人臉識別準確率。

    1 HOG特征提取

    HOG特征最早被應(yīng)用于行人檢測,是一種由SIFT算子發(fā)展演變而來的特征描述子,用于描述圖像局部差分信息,因其具有對圖像幾何和光學(xué)變化保持不變性的特點,并且受噪聲影響小,對人臉表情變化、場景變化具有很好的魯棒性,因而被廣泛應(yīng)用于人臉識別領(lǐng)域。HOG 特征由HOG算子通過計算圖像局部區(qū)域梯度,統(tǒng)計分布在不同方向的梯度幅值得到的梯度方向直方圖構(gòu)成,具體特征提取過程如下:

    (1)Gamma校正。對輸入圖像作顏色歸一化處理,從而提高圖像整體亮度,減弱圖像局部陰影與光照變化帶來的影響,也可以抑制噪聲干擾。

    Gamma壓縮公式為:

    (2)圖像梯度值計算。分別計算圖像橫縱坐標(biāo)梯度,具體為:采用中心對稱梯度算子[-1,0,1]對圖像作卷積操作,可得到[x]方向梯度分量;采用算子[1,0,-1T]對圖像作卷積操作,可得到[y]方向梯度分量,據(jù)此可計算每個像素點的梯度方向值。該操作可捕捉人影、輪廓與一些紋理信息,并進一步減弱光照影響。

    像素點[(x,y)]梯度為:

    (3)構(gòu)建局部方向梯度直方圖。將圖像分成若干單元格,稱為細胞單元(cell),對每個cell的梯度方向進行統(tǒng)計。將[0,π]之間分為9個區(qū)間,平均每個區(qū)間占[20°],由此可得每個單元的一個9維梯度方向直方圖。

    (4)將block中的局部梯度直方圖歸一化。將相鄰不重疊的k個cell組合成一個block,然后將該block塊內(nèi)所有cell的直方圖進行拼接,采用[L2]范數(shù)對block中的直方圖進行歸一化處理,得到該block塊對應(yīng)的梯度直方圖。

    (5)HOG特征形成。收集圖像中全部block的HOG特征,依次級聯(lián)全部block的直方圖特征,從而得到圖像的整體HOG特征。HOG特征提取過程如圖1所示。

    針對同一張圖像,采用不同cell_size得到的HOG特征如圖2所示(圖像經(jīng)過反相處理)。

    由圖2對比可以看出,適當(dāng)增大cell大小得到的特征圖更加注重圖像基本輪廓與邊緣,而忽略了圖像中的一些細節(jié),從而在一定程度上降低了噪聲。

    本實驗中HOG特征提取參數(shù)設(shè)置為:2*2細胞/區(qū)間,8*8像素/細胞,8個直方圖通道,步長為1。

    2 卷積神經(jīng)網(wǎng)絡(luò)

    卷積神經(jīng)網(wǎng)絡(luò)[12-13]最早是由日本學(xué)者Fukushima基于Hubel&Wiesel感受野概念提出的神經(jīng)認知機,其本質(zhì)上是一種為處理二維輸入數(shù)據(jù)設(shè)計的多層神經(jīng)網(wǎng)絡(luò)。與傳統(tǒng)神經(jīng)網(wǎng)絡(luò)相比,卷積神經(jīng)網(wǎng)絡(luò)的每一層有許多二維平面,而每個二維平面都由多個獨立神經(jīng)元組成,其中相鄰兩層神經(jīng)元間互相連接,處于同一層的神經(jīng)元間沒有連接。權(quán)值共享的結(jié)構(gòu)特征使卷積神經(jīng)網(wǎng)絡(luò)更加類似于生物神經(jīng)網(wǎng)絡(luò),同時網(wǎng)絡(luò)模型容量可通過網(wǎng)絡(luò)廣度與深度加以調(diào)整[14]。因而與全連接網(wǎng)絡(luò)相比,卷積神經(jīng)網(wǎng)絡(luò)具有更少的網(wǎng)絡(luò)連接數(shù)與權(quán)值參數(shù),從而有效簡化了網(wǎng)絡(luò)模型的學(xué)習(xí)復(fù)雜度。

    (1)卷積層。卷積層主要對輸入層或上一采樣層輸出的特征圖像進行卷積操作,然后通過激勵函數(shù)的作用得到相應(yīng)特征圖。經(jīng)過卷積層的一系列操作后可以提取圖像局部區(qū)域特征,相應(yīng)每一個卷積核即是特征提取器。例如第l層卷積層中第j個特征圖計算公式[15]為:

    (2)池化層。池化層設(shè)置在兩個卷積層之間,主要對上一層卷積層得到的特征圖進行降采樣操作,通過該步驟可以有效縮小矩陣尺寸、降低卷積特征維數(shù),并大幅減少訓(xùn)練參數(shù)數(shù)量,以減輕分類器負擔(dān),從而在一定程度上加快了計算速度,防止數(shù)據(jù)出現(xiàn)過擬合問題。設(shè)第[l]層為池化層,該層某個特征圖的計算公式為:

    (3)全連接層。圖像在經(jīng)過上述兩步操作后,將上一層所有神經(jīng)元與全連接層的神經(jīng)元相連。該層依據(jù)具體任務(wù)情況對高層特征進行映射,主要是將卷積輸出的二維特征圖轉(zhuǎn)化成一維特征向量,計算公式[15]為:

    (4)輸出層。卷積網(wǎng)絡(luò)中的輸出層通常作為分類器存在,常用分類器主要有sigmoid函數(shù)與softmax函數(shù)。以分類能力較強的softmax[16]函數(shù)為例,該函數(shù)可對多個類別進行分類。softmax回歸中將[x]劃分為類別[j]的概率為:

    3 本文算法

    目前在大部分卷積神經(jīng)網(wǎng)絡(luò)中,經(jīng)常使用softmax loss作為損失函數(shù)進行模型訓(xùn)練,因為softmax loss能夠使特征可分。然而在人臉識別中,深度學(xué)習(xí)特征不僅具有可分性,還應(yīng)具有可判別性。Wen等[17]提出一種新的損失函數(shù)center loss,其能夠在最小化類內(nèi)距離的同時保證特征的可判別性。center loss公式定義如下:

    故本研究在傳統(tǒng)卷積網(wǎng)絡(luò)基礎(chǔ)上,結(jié)合softmax loss與center loss兩種損失函數(shù)進行類別監(jiān)測,取參數(shù)[λ]為1進行實驗。同時對于網(wǎng)絡(luò)輸入,首先對人臉圖像提取HOG特征,可降低人臉表情、光照與噪聲的影響。

    本實驗的卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計如圖4所示。

    其中,輸入圖片大小為57[×]47,包含2個卷積層、2個池化層和1個全連接層,最后用softmax loss與center loss聯(lián)合監(jiān)測分類。卷積層C1有5個3[×]3的卷積核,padding為same,步長為2,得到輸出為57[×]47[×]5;池化層S1對C1每個2[×]2的區(qū)域采樣,步長為2,輸出為28[×]23[×]5;卷積層C2采用10個3[×]3的卷積核,padding為same,步長為2,得到輸出為28[×]23[×]10;池化層S2對C2每個2[×]2的區(qū)域采樣,步長同樣為2,輸出為14[×]11[×]10;全連接層FC的輸入來自S2,將多維輸入一維化,最后利用分類器進行分類。

    4 仿真實驗及分析

    為了驗證本文算法的可行性與優(yōu)越性,采用ORL人臉庫作為實驗數(shù)據(jù)集。實驗運行環(huán)境為:Ubuntu16.04操作系統(tǒng)、Theano開發(fā)工具與NVIDIA GTX950M顯卡。

    4.1 實驗數(shù)據(jù)集

    ORL人臉庫共包含40個不同年齡、性別與種族的對象,每個對象有10幅圖像,總計400張灰度圖,圖像尺寸為[92×112px],圖像背景全為單一黑色,人臉部分的表情和細節(jié)都有變化,如笑與不笑、睜眼與閉眼、戴或不戴眼鏡等,人臉姿態(tài)同樣有變化,人臉深度與平面旋轉(zhuǎn)可達到將近20°,尺寸也有近10%的變化。該人臉庫的部分人臉圖像如圖5所示。

    4.2 實驗方法及參數(shù)設(shè)置

    實驗過程中對數(shù)據(jù)集作以下處理:首先提取圖像的HOG特征,得到處理后的HOG特征圖集,將處理后的數(shù)據(jù)集作為輸入;依次選取同一個人的前6張圖像作為訓(xùn)練集,第7~8張圖像作為驗證集,第9~10張圖像作為測試集,從而分別得到訓(xùn)練集、驗證集、測試集的320張、40張、40張圖像。實驗中主要參數(shù)設(shè)定為:學(xué)習(xí)率為0.05,批次大小為40,訓(xùn)練步數(shù)為40,卷積核個數(shù)依次是5、10,池化大小為(2,2)。使用訓(xùn)練數(shù)據(jù)訓(xùn)練得到網(wǎng)絡(luò)模型,然后加載模型對測試數(shù)據(jù)進行測試,從而得到相應(yīng)的人臉識別率。

    對于實驗?zāi)P蛥?shù)的討論如下:

    (1)調(diào)節(jié)batch_size。本實驗采用minibatch SGD算法進行優(yōu)化,即batch連續(xù)將數(shù)據(jù)輸入CNN模型中,然后計算該batch所有樣本的平均損失,即代價函數(shù)是所有樣本平均值,batch_size是一個batch包含的樣本數(shù)。

    本實驗訓(xùn)練集數(shù)據(jù)為320,驗證集和測試集都為40,所以最好設(shè)置batch_size能被40整除,否則會浪費一些樣本。當(dāng)batch_size設(shè)置為1、2、5、10、20時,驗證錯誤率一直是97.5%,沒有下降。由于實驗中每個類別的10個樣本連續(xù)排列在一起,故若batch_size過小,則類別覆蓋率偏低,最終將其設(shè)置為40。

    (2)調(diào)節(jié)learning_rate。學(xué)習(xí)率learning_rate是運用SGD算法時梯度之前的系數(shù),若該系數(shù)設(shè)置過大,算法可能無法進行優(yōu)化;若設(shè)置過小,則算法優(yōu)化太慢,而且可能陷入局部最優(yōu)。

    分別設(shè)置learn_rate為0.1、0.01、0.05,對應(yīng)的驗證錯誤率分別為97.5%、5%、2.5%,故本實驗選取學(xué)習(xí)率為0.05進行實驗。

    (3)調(diào)節(jié)pool_size。本實驗中pool_size大小為(2,2),即在4個像素中保留1個像素,由于實驗樣本圖像大小為57*47,對于小圖像而言,大小為(2,2)時比較合適。

    4.3 實驗結(jié)果與分析

    隨著實驗步數(shù)的增加,驗證集錯誤率與分類的對數(shù)損失變化如圖6所示。

    采用本文算法與其它算法獲得的人臉識別率對比如表1所示[18]。

    由表1可以看出,采用HOG特征與卷積神經(jīng)網(wǎng)絡(luò)相結(jié)合的算法相比于主成分分析法及BP神經(jīng)網(wǎng)絡(luò),識別率得到明顯提高,同時相對于傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò),本文算法在識別率上也具有一定優(yōu)勢。

    5 結(jié)語

    本文提出一種基于HOG特征與卷積神經(jīng)網(wǎng)絡(luò)的人臉識別方法。HOG算子可以很好地描述圖像局部信息,同時也具有對圖像幾何與光學(xué)變化的不變性,受噪聲影響較小。通過在卷積網(wǎng)絡(luò)中加入HOG圖像信息,使卷積神經(jīng)網(wǎng)絡(luò)能夠提取到區(qū)分性更強的人臉特征信息。根據(jù)ORL人臉庫的實驗結(jié)果表明,本文方法能夠有效提高人臉識別率。

    然而,本文提出的方法雖然能夠有效提高人臉識別率,但是人臉數(shù)據(jù)集背景較為簡單,在更復(fù)雜的人臉圖像環(huán)境中,相比于限制環(huán)境下的數(shù)據(jù)集,算法識別率有所下降。因此,如何在更復(fù)雜的非限制環(huán)境中進一步提高人臉識別率是將來的主要研究方向。

    參考文獻:

    [1] 景晨凱,宋濤,莊雷,等. 基于深度卷積神經(jīng)網(wǎng)絡(luò)的人臉識別技術(shù)綜述[J]. 計算機應(yīng)用與軟件,2018,35(1):223-231.

    [2] 何春. 人臉識別技術(shù)綜述[J]. 智能計算機與應(yīng)用,2016,6(5):112-114.

    [3] XIANG Z,TAN H,YE W. The excellent properties of a dense grid- based hog feature on face recognition compared to Gabor and LBP[J]. IEEE Access, 2018,6: 29306-29319.

    [4] YING C,SHI Y. Face recognition of the rhinopithecus roxellana qinlingensis based on improved HOG and sparse representation[C]. International Conference on Computer Network, Electronic and Automation, 2017:499-503.

    [5] XIE Z, JIANG P, ZHANG S. Fusion of LBP and HOG using multiple kernel learning for infrared face recognition[C]. IEEE/ACIS International Conference on Computer and Information Science,2017:81-84.

    [6] BHELE S G,MANKAR V H. Recognition of faces using discriminative features of LBP and HOG descriptor in varying environment[C]. International Conference on Computational Intelligence and Communication Networks, 2016:426-432.

    [7] GHORBANI M, TARGHI A T, DEHSHIBI M M. HOG and LBP: towards a robust face recognition system[C]. Tenth International Conference on Digital Information Management, 2016:138-141.

    [8] LECUN Y,BOTTOU L,BENGIO Y,et al. Gradient-based learning applied to document recognition[J].? Proceedings of the IEEE,1998, 86(11):2278-2324.

    [9] TAIGMAN Y,YANG M,RANZATO M,et al. Deepface: closing the gap to human-level performance in face verification[C]. IEEE Conference on Computer Vision and Pattern Recognition,2014:1701-1708.

    [10] SUN Y, WANG X, TANG X. Deep learning face representation from predicting 10000 classes[C]. Computer Vision and Pattern Recognition, 2014:1891-1898.

    [11] SCHROFF F,KALENICHENKO D,PHILBIN J. FaceNet: a unified embedding for face recognition and clustering[C]. 2015 IEEE Conference on Computer Vision and Pattern Recognition (CVPR), 2015:815-823.

    [12] 鄒國鋒,傅桂霞,李海濤,等. 多姿態(tài)人臉識別綜述[J]. 模式識別與人工智能,2015,28(7):613-625.

    [13] 吳堯,邱衛(wèi)根. 基于改進的深度卷積神經(jīng)網(wǎng)絡(luò)的人臉識別[J]. 計算機工程與設(shè)計,2017,38(8):2246-2250.

    [14] 周飛燕,金林鵬,董軍. 卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J]. 計算機學(xué)報,2017,40(6):1229-1251.

    [15] SYAFEEZA A R, KHALIL-HANI M, S S, et al. Convolutional neural network for face recognition with pose and illumination variation[J]. International Journal of Computational Intelligerce & Applications,2015,14(3):1-18.

    [16] 汪海波,陳雁翔,李艷秋. 基于主成分分析和Softmax回歸模型的人臉識別方法[J]. 合肥工業(yè)大學(xué)學(xué)報:自然科學(xué)版,2015,38(6):759-763.

    [17] WEN Y, ZHANG K, LI Z, et al. A discriminative feature learning approach for deep face recognition[C]. European Conference on Computer Vision, 2016:499-515.

    [18] 張國云,向燦群,羅百通,等. 一種改進的人臉識別CNN結(jié)構(gòu)研究[J]. 計算機工程與應(yīng)用,2017,53(17):180-185,191.

    (責(zé)任編輯:黃 健)

    猜你喜歡
    卷積神經(jīng)網(wǎng)絡(luò)人臉識別特征提取
    人臉識別 等
    揭開人臉識別的神秘面紗
    基于Daubechies(dbN)的飛行器音頻特征提取
    Bagging RCSP腦電特征提取算法
    基于深度卷積神經(jīng)網(wǎng)絡(luò)的物體識別算法
    基于類獨立核稀疏表示的魯棒人臉識別
    基于MED和循環(huán)域解調(diào)的多故障特征提取
    基于K-L變換和平均近鄰法的人臉識別
    Walsh變換在滾動軸承早期故障特征提取中的應(yīng)用
    一二三四中文在线观看免费高清| 亚洲一码二码三码区别大吗| 国产免费又黄又爽又色| 成年av动漫网址| 黄色 视频免费看| 在线亚洲精品国产二区图片欧美| 韩国av在线不卡| 欧美xxxx性猛交bbbb| 久久人人爽人人片av| 国产精品国产三级国产专区5o| 亚洲欧美一区二区三区国产| 欧美人与性动交α欧美软件 | 秋霞在线观看毛片| 最近2019中文字幕mv第一页| 亚洲人与动物交配视频| 日韩欧美精品免费久久| 日日爽夜夜爽网站| 精品少妇内射三级| 毛片一级片免费看久久久久| 老司机亚洲免费影院| 五月天丁香电影| 大香蕉97超碰在线| 毛片一级片免费看久久久久| av电影中文网址| 亚洲av免费高清在线观看| 99九九在线精品视频| 日韩欧美精品免费久久| 国产av国产精品国产| 久久精品久久精品一区二区三区| 看免费av毛片| 久久韩国三级中文字幕| videossex国产| 一本久久精品| 国产精品嫩草影院av在线观看| 在线 av 中文字幕| 欧美日韩av久久| 一级黄片播放器| 热re99久久精品国产66热6| 欧美 日韩 精品 国产| 99热全是精品| 国产精品蜜桃在线观看| 亚洲精品一区蜜桃| 免费黄频网站在线观看国产| 国产淫语在线视频| 午夜福利乱码中文字幕| 亚洲欧美成人精品一区二区| 深夜精品福利| 国产一区二区激情短视频 | 国产亚洲精品久久久com| 免费日韩欧美在线观看| a级毛片黄视频| 下体分泌物呈黄色| 国产亚洲一区二区精品| 三上悠亚av全集在线观看| 九九爱精品视频在线观看| 久久久久久人妻| 久久人人97超碰香蕉20202| 免费黄频网站在线观看国产| 赤兔流量卡办理| 少妇精品久久久久久久| 精品亚洲成a人片在线观看| 男女无遮挡免费网站观看| 赤兔流量卡办理| 国产在线视频一区二区| 最近中文字幕2019免费版| 日本免费在线观看一区| 永久免费av网站大全| 午夜日本视频在线| 欧美日韩视频精品一区| 亚洲av成人精品一二三区| 亚洲av.av天堂| 免费不卡的大黄色大毛片视频在线观看| 一本—道久久a久久精品蜜桃钙片| 国产精品欧美亚洲77777| 男女国产视频网站| av在线播放精品| 亚洲婷婷狠狠爱综合网| 亚洲精品国产av成人精品| 狂野欧美激情性bbbbbb| 亚洲精品成人av观看孕妇| 久久久久精品性色| av不卡在线播放| 一级a做视频免费观看| 国产国拍精品亚洲av在线观看| 国产亚洲最大av| 亚洲,一卡二卡三卡| 最后的刺客免费高清国语| 亚洲人与动物交配视频| 美女视频免费永久观看网站| 中文字幕制服av| 久久婷婷青草| 欧美激情极品国产一区二区三区 | 久久影院123| av卡一久久| 国产亚洲精品久久久com| 青春草国产在线视频| 亚洲国产成人一精品久久久| 男女午夜视频在线观看 | 亚洲欧洲日产国产| 久久久久久久精品精品| 丰满少妇做爰视频| 最近2019中文字幕mv第一页| 国产爽快片一区二区三区| 少妇精品久久久久久久| 伦精品一区二区三区| 一级毛片黄色毛片免费观看视频| a级毛片在线看网站| 久久精品国产自在天天线| 18禁裸乳无遮挡动漫免费视频| 国产亚洲最大av| 国产免费一区二区三区四区乱码| 久久人人爽人人片av| 精品亚洲成a人片在线观看| 高清视频免费观看一区二区| 九九在线视频观看精品| 国产精品偷伦视频观看了| 18在线观看网站| 一级,二级,三级黄色视频| 久久精品国产自在天天线| 高清av免费在线| 久久国产亚洲av麻豆专区| 侵犯人妻中文字幕一二三四区| 高清毛片免费看| 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | 亚洲精品456在线播放app| 日韩视频在线欧美| 日韩,欧美,国产一区二区三区| 亚洲第一区二区三区不卡| 久久精品国产自在天天线| 久久午夜综合久久蜜桃| 啦啦啦中文免费视频观看日本| 久久国内精品自在自线图片| 黄网站色视频无遮挡免费观看| 亚洲精品一区蜜桃| 亚洲欧美成人精品一区二区| 成人亚洲欧美一区二区av| 亚洲精品日韩在线中文字幕| 精品一区二区免费观看| 校园人妻丝袜中文字幕| 人妻少妇偷人精品九色| 亚洲精品一区蜜桃| 亚洲,欧美精品.| 中文字幕另类日韩欧美亚洲嫩草| 人人妻人人澡人人看| 亚洲国产av新网站| 成人18禁高潮啪啪吃奶动态图| 美国免费a级毛片| 欧美丝袜亚洲另类| 精品国产一区二区三区四区第35| 国产探花极品一区二区| av.在线天堂| 欧美人与性动交α欧美精品济南到 | 午夜91福利影院| 少妇熟女欧美另类| 日本91视频免费播放| 大香蕉久久网| 只有这里有精品99| 国产男人的电影天堂91| 成人无遮挡网站| 飞空精品影院首页| 精品人妻在线不人妻| 久久国产精品大桥未久av| 久久99精品国语久久久| 日产精品乱码卡一卡2卡三| 爱豆传媒免费全集在线观看| 久久人人爽av亚洲精品天堂| 一级毛片我不卡| 国产精品蜜桃在线观看| 亚洲精华国产精华液的使用体验| 永久网站在线| 国产麻豆69| av天堂久久9| 精品一区二区三区视频在线| 99久久人妻综合| 人人妻人人爽人人添夜夜欢视频| 国产免费一级a男人的天堂| 搡女人真爽免费视频火全软件| 人人澡人人妻人| 欧美精品亚洲一区二区| 一个人免费看片子| 亚洲经典国产精华液单| 制服诱惑二区| 中文字幕最新亚洲高清| 久久久久精品性色| 乱码一卡2卡4卡精品| 久久久久久久久久久免费av| 蜜臀久久99精品久久宅男| 自拍欧美九色日韩亚洲蝌蚪91| 亚洲婷婷狠狠爱综合网| 欧美日韩亚洲高清精品| 国产成人一区二区在线| 边亲边吃奶的免费视频| 久久久久视频综合| 又黄又粗又硬又大视频| 天天躁夜夜躁狠狠躁躁| 亚洲性久久影院| 欧美日韩成人在线一区二区| 久久久久视频综合| 亚洲精品国产av成人精品| av黄色大香蕉| 欧美最新免费一区二区三区| 人人妻人人澡人人看| 亚洲av电影在线观看一区二区三区| 国产黄色视频一区二区在线观看| 夜夜爽夜夜爽视频| 国产高清不卡午夜福利| 午夜av观看不卡| 国产日韩一区二区三区精品不卡| 下体分泌物呈黄色| 天天影视国产精品| 国产精品一区二区在线观看99| 五月伊人婷婷丁香| 天美传媒精品一区二区| 一二三四在线观看免费中文在 | 亚洲第一区二区三区不卡| 亚洲av.av天堂| 热re99久久国产66热| 999精品在线视频| 色5月婷婷丁香| 亚洲精品,欧美精品| 狂野欧美激情性xxxx在线观看| 9热在线视频观看99| 久久久久久久亚洲中文字幕| 国产白丝娇喘喷水9色精品| 久久精品久久久久久噜噜老黄| 黄色怎么调成土黄色| 一边摸一边做爽爽视频免费| 午夜免费男女啪啪视频观看| 视频在线观看一区二区三区| 国产成人av激情在线播放| 黑人欧美特级aaaaaa片| 亚洲国产色片| 午夜影院在线不卡| 插逼视频在线观看| 日本vs欧美在线观看视频| 国产成人a∨麻豆精品| 18禁观看日本| 亚洲精品美女久久av网站| 亚洲天堂av无毛| 久久久久久久精品精品| 日韩一区二区三区影片| 国产不卡av网站在线观看| 男女免费视频国产| 精品午夜福利在线看| 久久久久网色| 人妻 亚洲 视频| 婷婷色麻豆天堂久久| 久久综合国产亚洲精品| 久久人人爽人人片av| 91精品三级在线观看| 一区在线观看完整版| 高清不卡的av网站| 亚洲国产欧美日韩在线播放| 在线天堂中文资源库| 草草在线视频免费看| 成人无遮挡网站| 一个人免费看片子| 亚洲国产精品一区二区三区在线| 精品久久国产蜜桃| 黄色视频在线播放观看不卡| 97超碰精品成人国产| 在线观看免费日韩欧美大片| 成人18禁高潮啪啪吃奶动态图| 中文字幕亚洲精品专区| 在线天堂中文资源库| 少妇被粗大猛烈的视频| 亚洲色图综合在线观看| 国内精品宾馆在线| 高清在线视频一区二区三区| 久久久精品免费免费高清| 日本免费在线观看一区| 777米奇影视久久| 国产 精品1| 深夜精品福利| 观看av在线不卡| 午夜福利视频精品| 国产乱人偷精品视频| 欧美日韩综合久久久久久| 色吧在线观看| 成人无遮挡网站| 巨乳人妻的诱惑在线观看| 中文天堂在线官网| 一级a做视频免费观看| 三级国产精品片| 免费看光身美女| 国产一区二区在线观看av| 咕卡用的链子| 日本欧美视频一区| 亚洲精品乱码久久久久久按摩| 亚洲精品国产色婷婷电影| 国产精品一二三区在线看| 黄色配什么色好看| 日本色播在线视频| 久久久久久久精品精品| 男人舔女人的私密视频| 免费高清在线观看日韩| 日韩中文字幕视频在线看片| 国产精品99久久99久久久不卡 | 免费观看无遮挡的男女| 九九爱精品视频在线观看| 国产熟女欧美一区二区| 大码成人一级视频| 亚洲国产精品成人久久小说| 少妇被粗大的猛进出69影院 | 亚洲成人手机| 99久久人妻综合| 国产精品 国内视频| 中文字幕av电影在线播放| 精品亚洲成a人片在线观看| 国产免费一级a男人的天堂| 久久久久人妻精品一区果冻| 丝袜在线中文字幕| 久久女婷五月综合色啪小说| 精品午夜福利在线看| 久久久久国产精品人妻一区二区| 亚洲国产精品999| 亚洲欧美成人综合另类久久久| 免费日韩欧美在线观看| 国产精品不卡视频一区二区| 99热国产这里只有精品6| 亚洲国产最新在线播放| 男人添女人高潮全过程视频| 国产极品天堂在线| 免费观看无遮挡的男女| 亚洲少妇的诱惑av| 国产精品 国内视频| 看免费av毛片| 少妇精品久久久久久久| 国产女主播在线喷水免费视频网站| 久久影院123| 女人被躁到高潮嗷嗷叫费观| 成人亚洲欧美一区二区av| 国产男女内射视频| 少妇熟女欧美另类| 亚洲中文av在线| 亚洲欧美成人综合另类久久久| 欧美人与性动交α欧美软件 | www.熟女人妻精品国产 | 91aial.com中文字幕在线观看| av国产久精品久网站免费入址| 男人添女人高潮全过程视频| 2022亚洲国产成人精品| 黄片播放在线免费| videos熟女内射| 日韩av不卡免费在线播放| 校园人妻丝袜中文字幕| 久久精品国产亚洲av天美| 伦精品一区二区三区| 超色免费av| 午夜91福利影院| 久久久精品免费免费高清| 男的添女的下面高潮视频| 美女国产视频在线观看| 曰老女人黄片| 免费黄频网站在线观看国产| 全区人妻精品视频| 97在线视频观看| 久久久久久人人人人人| 熟女电影av网| 久久影院123| 亚洲少妇的诱惑av| 91午夜精品亚洲一区二区三区| 九色亚洲精品在线播放| 午夜精品国产一区二区电影| 日本黄大片高清| 亚洲精品久久午夜乱码| 又黄又爽又刺激的免费视频.| freevideosex欧美| av卡一久久| 欧美变态另类bdsm刘玥| 中文字幕人妻熟女乱码| 一本大道久久a久久精品| 尾随美女入室| 久久久久久伊人网av| 51国产日韩欧美| www.av在线官网国产| 亚洲国产欧美在线一区| 国产亚洲一区二区精品| 99精国产麻豆久久婷婷| 中文字幕最新亚洲高清| 亚洲伊人色综图| 交换朋友夫妻互换小说| 天美传媒精品一区二区| 老熟女久久久| 这个男人来自地球电影免费观看 | 日本免费在线观看一区| 久久久精品94久久精品| 内地一区二区视频在线| 久久免费观看电影| 毛片一级片免费看久久久久| 久久久精品免费免费高清| 国产麻豆69| 侵犯人妻中文字幕一二三四区| 色网站视频免费| 久久综合国产亚洲精品| 日本欧美视频一区| 69精品国产乱码久久久| 丝袜脚勾引网站| 亚洲成色77777| 亚洲国产精品一区三区| 国产色爽女视频免费观看| 亚洲美女黄色视频免费看| 国产精品嫩草影院av在线观看| 深夜精品福利| 国产成人精品婷婷| 熟妇人妻不卡中文字幕| 一级片免费观看大全| 热re99久久国产66热| 亚洲欧美成人精品一区二区| 七月丁香在线播放| 久久99热6这里只有精品| 亚洲第一区二区三区不卡| 美女福利国产在线| 热99久久久久精品小说推荐| 女人精品久久久久毛片| 国产亚洲一区二区精品| 久久人妻熟女aⅴ| 啦啦啦视频在线资源免费观看| 在线观看免费视频网站a站| 又大又黄又爽视频免费| 久久精品夜色国产| 在线天堂最新版资源| 国产综合精华液| 男人添女人高潮全过程视频| 大香蕉久久成人网| 在现免费观看毛片| 黄色一级大片看看| 97在线视频观看| a级毛色黄片| 在线精品无人区一区二区三| 日本午夜av视频| 日韩免费高清中文字幕av| 在线观看人妻少妇| 香蕉丝袜av| 日韩大片免费观看网站| 国产成人免费无遮挡视频| 熟女人妻精品中文字幕| 国产一级毛片在线| 国产精品久久久av美女十八| 成人免费观看视频高清| 97在线视频观看| 国产深夜福利视频在线观看| a级毛片在线看网站| 国产成人a∨麻豆精品| 欧美老熟妇乱子伦牲交| 大片电影免费在线观看免费| 天天躁夜夜躁狠狠躁躁| 亚洲精品日韩在线中文字幕| 亚洲欧美清纯卡通| 亚洲国产日韩一区二区| 伦理电影免费视频| 国产精品麻豆人妻色哟哟久久| 26uuu在线亚洲综合色| 韩国av在线不卡| 成年美女黄网站色视频大全免费| 国产av国产精品国产| kizo精华| 亚洲国产欧美在线一区| 久热久热在线精品观看| 亚洲一区二区三区欧美精品| 中文字幕精品免费在线观看视频 | 人人澡人人妻人| 秋霞伦理黄片| 成人国产av品久久久| 极品少妇高潮喷水抽搐| av在线观看视频网站免费| av女优亚洲男人天堂| 熟女电影av网| 欧美性感艳星| 婷婷成人精品国产| 永久免费av网站大全| a级毛片黄视频| 国产又爽黄色视频| 桃花免费在线播放| 亚洲精品国产av蜜桃| 午夜日本视频在线| 亚洲国产色片| 你懂的网址亚洲精品在线观看| 热re99久久国产66热| 精品少妇黑人巨大在线播放| 亚洲欧洲精品一区二区精品久久久 | 一级爰片在线观看| 少妇人妻久久综合中文| 18禁观看日本| 哪个播放器可以免费观看大片| 国产日韩欧美视频二区| av网站免费在线观看视频| 蜜桃在线观看..| xxx大片免费视频| 精品亚洲成国产av| 精品久久久久久电影网| 男人舔女人的私密视频| 国产精品偷伦视频观看了| 午夜激情av网站| 寂寞人妻少妇视频99o| 午夜福利影视在线免费观看| 岛国毛片在线播放| 色视频在线一区二区三区| 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | 丝袜人妻中文字幕| 欧美精品亚洲一区二区| 国产免费一级a男人的天堂| 高清欧美精品videossex| 99视频精品全部免费 在线| 咕卡用的链子| 亚洲av电影在线进入| 亚洲高清免费不卡视频| 久久久久久久久久久免费av| 中文字幕av电影在线播放| 国产欧美亚洲国产| 看免费av毛片| 日本黄色日本黄色录像| 久久精品久久精品一区二区三区| 国产精品不卡视频一区二区| 亚洲av电影在线观看一区二区三区| 18+在线观看网站| 欧美少妇被猛烈插入视频| 久久这里有精品视频免费| 国产国拍精品亚洲av在线观看| 亚洲三级黄色毛片| 国产男人的电影天堂91| 国产在线一区二区三区精| 亚洲av成人精品一二三区| 亚洲精品国产av蜜桃| 99热国产这里只有精品6| 九九爱精品视频在线观看| 日韩不卡一区二区三区视频在线| 高清毛片免费看| 日本vs欧美在线观看视频| 日日啪夜夜爽| 国产成人免费观看mmmm| 乱码一卡2卡4卡精品| 18禁裸乳无遮挡动漫免费视频| 国产日韩欧美在线精品| av又黄又爽大尺度在线免费看| 久久久久久久亚洲中文字幕| 亚洲精品乱久久久久久| 国产又爽黄色视频| 2018国产大陆天天弄谢| 精品一品国产午夜福利视频| 欧美另类一区| 亚洲性久久影院| 日本av手机在线免费观看| 久久鲁丝午夜福利片| 91精品国产国语对白视频| videosex国产| 亚洲国产最新在线播放| av.在线天堂| 亚洲国产色片| 1024视频免费在线观看| 久久久久国产精品人妻一区二区| 汤姆久久久久久久影院中文字幕| 一边摸一边做爽爽视频免费| 香蕉国产在线看| 男人舔女人的私密视频| 久久久久久伊人网av| 久久久久久久亚洲中文字幕| 国产亚洲欧美精品永久| 久久毛片免费看一区二区三区| 亚洲国产精品一区三区| 国产探花极品一区二区| 少妇猛男粗大的猛烈进出视频| 久久久久久久久久久免费av| 性色avwww在线观看| 国产成人精品久久久久久| 黄色视频在线播放观看不卡| 国产精品国产三级专区第一集| 超碰97精品在线观看| 又大又黄又爽视频免费| 日日啪夜夜爽| 一级片'在线观看视频| 国产午夜精品一二区理论片| 青青草视频在线视频观看| 亚洲中文av在线| av国产久精品久网站免费入址| 狠狠婷婷综合久久久久久88av| 成年人午夜在线观看视频| 国产黄色免费在线视频| 欧美3d第一页| 国产 一区精品| 美女视频免费永久观看网站| 少妇被粗大猛烈的视频| 男女午夜视频在线观看 | videos熟女内射| 中文精品一卡2卡3卡4更新| 午夜免费男女啪啪视频观看| 视频中文字幕在线观看| 国产精品.久久久| 春色校园在线视频观看| 亚洲av欧美aⅴ国产| 建设人人有责人人尽责人人享有的| 超色免费av| 午夜精品国产一区二区电影| av片东京热男人的天堂| 久久精品熟女亚洲av麻豆精品| av一本久久久久| 亚洲精品美女久久久久99蜜臀 | 麻豆精品久久久久久蜜桃| 一区在线观看完整版| 九九爱精品视频在线观看| 18禁裸乳无遮挡动漫免费视频| 男女无遮挡免费网站观看| 美女xxoo啪啪120秒动态图| 国产白丝娇喘喷水9色精品| 高清欧美精品videossex| 精品人妻偷拍中文字幕| 国产成人欧美| 99久久中文字幕三级久久日本| 久久狼人影院| 青青草视频在线视频观看| 亚洲人成77777在线视频| 五月天丁香电影| 免费人妻精品一区二区三区视频| 亚洲国产成人一精品久久久| 99久久中文字幕三级久久日本|