• <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 ?

    基于融合FPN和Faster R-CNN的行人檢測算法

    2019-06-15 02:13:50張儒良王全紅
    數(shù)據(jù)采集與處理 2019年3期
    關鍵詞:特征檢測

    王 飛 王 林 張儒良 趙 勇 王全紅

    (1.貴州民族大學人文科技學院,貴陽,550025;2.貴州民族大學數(shù)據(jù)科學與信息工程學院,貴陽,550025;3.北京大學深圳研究生院信息工程學院,深圳,518055)

    引 言

    近年來,隨著深度學習(Deep learning,DL)這股浪潮的興起,計算機視覺領域逐漸采用深度學習算法來研究目標檢測。2013年,Sermanet等[1]提出一種基于卷積神經(jīng)網(wǎng)絡(Convolutional neural networks,CNN)的OverFeat算法,該算法主要采用滑窗來實現(xiàn)對目標的定位檢測。2014年,Girshick等[2]提出RCNN(Region convolutional neural network)算法。該算法首先采用選擇性搜索(Selective search,SS)[3]從圖像中提取2 000個可能包含目標的候選區(qū)域,即感興趣區(qū)域(Region of interest,RoI);然后將這些RoI壓縮到統(tǒng)一大?。?27×227),并傳遞給CNN進行特征提取;最后把提取到的特征送入支持向量機(Supported vector machine,SVM)分類器,以獲得該RoI的種類。2015年,Girshick等[4]提出Fast R-CNN算法,該算法首先采用SS算法從原始圖像中提取2 000個RoI,然后對整幅圖像進行卷積計算,得到卷積特征圖,最后使用感興趣區(qū)域池化層從卷積特征圖中提取每個候選框的特征向量。2015年,Ren等[5]提出Faster R-CNN算法,該算法采用區(qū)域建議網(wǎng)絡(Region proposal network,RPN)替代SS算法進行候選框選擇,使整個目標檢測實現(xiàn)了端到端的計算。深度學習目標檢測也可以采用回歸的思想。最具有代表性的是YOLO[6](You only look once)和SSD[7](Single shot multibox detector)兩種算法。

    行人檢測是通用目標檢測的一種特例。針對行人檢測自身的特性,研究人員提出一些基于深度學習的行人檢測算法。2013年,Ouyang等[8]提出Joint deep算法,該算法將行人檢測的特征提取、變形處理、遮擋處理和分類組合成一個聯(lián)合的深度學習框架。2016年,Zhang等[9]提出一種結合RPN和RF(Roosted forests)的行人檢測算法,該算法有效地克服了R-CNN用于行人檢測的兩個限制:處理小實例的特征映射的分辨率不足和缺乏用于挖掘難例的引導策略。2017年,Mao等[10]提出一種HyperLearner網(wǎng)絡架構,其聯(lián)合學習行人檢測以及給定的額外特征。通過多任務訓練,其能夠利用給定特征的信息來提高檢測性能,而不需要額外的推理輸入。

    針對多尺度行人檢測的問題,本文對特征金字塔網(wǎng)絡[11](Feature pyramid networks,F(xiàn)PN)和Faster R-CNN進行融合,提出一種基于融合FPN和Faster R-CNN的行人檢測算法。

    1 基于Faster R-CNN的行人檢測

    基于Faster R-CNN的行人檢測的整體網(wǎng)絡結構圖如圖1所示,該網(wǎng)絡結構的輸入是一幅包含行人的圖像,輸出是行人的概率得分和邊界框。RPN生成300個候選區(qū)域輸入給行人檢測網(wǎng)絡Fast RCNN,考慮到RPN和Fast R-CNN網(wǎng)絡的前部分都采用若干卷積層來計算特征圖。因此,此網(wǎng)絡結構把這兩個網(wǎng)絡統(tǒng)一成一個網(wǎng)絡,使得RPN和Fast R-CNN卷積層參數(shù)共享,最終形成一個端到端的目標檢測網(wǎng)絡結構。

    圖1 基于Faster R-CNN的行人檢測的整體網(wǎng)絡結構圖Fig.1 Overall network structure diagram of pedestrian detection based on Faster R-CNN

    1.1 特征提取

    當前,用于圖像特征提取的主流網(wǎng)絡有 AlexNet,GoogLeNet,VGGNet,ResNet和 DenseNet。綜合考慮網(wǎng)絡的復雜度以及分類精度,本文采用VGG16網(wǎng)絡來提取圖像特征,即采用在ImageNet數(shù)據(jù)集上預訓練的權值作為初始值進行網(wǎng)絡訓練。

    1.2 區(qū)域建議網(wǎng)絡

    Faster R-CNN使用CNN直接生成候選區(qū)域,該網(wǎng)絡稱之為RPN,如圖2所示。在RPN中,最后一個卷積層有512個卷積核,因此,特征圖有512個,特征維度為512維,每個特征圖的大小約為40×60。采用3×3的滑窗來滑動特征圖,當滑窗滑到每個位置時,預測輸入圖像3種尺度{128,256,512}和3種長寬比{1∶1,1∶2,2∶1}的候選區(qū)域,因此,每個滑動的位置有k=9個候選區(qū)域,一幅圖像會生成約40×60×9個候選區(qū)域。在卷積層之后接有兩個全連接層,一個為分類層(Cls-layer),其輸出2k個得分,用于判定候選區(qū)域是行人還是背景;另一個為邊界回歸層(Reg-layer),其輸出4k個坐標,用于對候選區(qū)域的邊界進行微調。雖然由RPN選取的候選區(qū)域約有2 000個,但是,該網(wǎng)絡結構依據(jù)候選區(qū)域的得分高低篩選出前300個輸入到行人檢測網(wǎng)絡中。

    圖2 區(qū)域建議網(wǎng)絡Fig.2 Region proposal network

    1.3 感興趣區(qū)域池化層

    R-CNN是將提前生成好的每個RoI作為一幅圖像輸入到網(wǎng)絡中進行后續(xù)操作。本文先對整幅圖像提取一次卷積層特征,接著把RoI在原始圖像的位置映射到卷積層的特征圖上,以獲得各個RoI的特征圖。由RoI在原始圖像的位置到特征圖映射任務的層,稱之為感興趣區(qū)域池化層(RoI pooling layer),如圖3所示。在映射出每一個RoI的特征圖后,需要把它們輸入給全連接層,但是,全連接層要求大小一樣的特征輸入,而RoI的大小卻是不相同的,為了通過該層映射輸出大小一樣的特征,本文網(wǎng)絡結構對文獻[12]中SPP-Layer進行了改進,采用單尺度輸出7×7的特征圖,若輸入的候選區(qū)域為(r,c,h,w),RoI pooling layer首先產(chǎn)生7× 7個r×c×(h/7)×(w/7)的塊,然后利用Max pooling方式求出每一個塊的最大值,這樣輸出的都是7×7的特征圖。

    圖3 感興趣區(qū)域池化層Fig.3 Region of interest pooling layer

    2 特征金字塔網(wǎng)絡

    對于多尺度行人檢測的問題,傳統(tǒng)的方法是先構建一幅圖像的金字塔,然后通過提取特征來形成特征金字塔,最后在每一層特征圖上進行預測(如圖4(a)),其缺點是計算開銷比較大。神經(jīng)網(wǎng)絡的方法僅需要在最后一層特征圖上進行預測(如圖4(b)),也能夠獲得較好的效果,但是,對于小的行人,其表現(xiàn)還是不太好,因此,仍然需要考慮金字塔。SSD采用從多層的特征圖上進行預測(如圖4(c)),為了避免利用太低層的特征,SSD選擇從CNN中的高層開始構建金字塔,同時還往后增加了幾層,以分別抽取每一層特征進行綜合利用。SSD未再使用高分辨率的低層特征,而這些層對于檢測小的行人卻是十分重要的。FPN使用自下而上路徑(Bottom-up pathway)、自上而下路徑(Top-down pathway)以及橫向連接(Lateral connections)的方式(如圖4(d))將低分辨率、高語義信息的高層特征與高分辨率、低語義信息的低層特征結合在一起,使每一個尺度下的特征均擁有十分豐富的語義信息。

    圖4 4種特征金字塔Fig.4 Four feature pyramids

    2.1 自下而上路徑

    卷積神經(jīng)網(wǎng)絡的前饋計算便是自下而上路徑,特征圖經(jīng)卷積核計算后,往往越變越小。不過,也存在一些特征層的輸出與原來大小相同,稱之為相同網(wǎng)絡階段。對于本文的特征金字塔,首先為每個階段定義一個金字塔等級;然后把每個階段的最后一層的輸出當成特征圖的參考集。具體而言,對于VGG16網(wǎng)絡,首先使用每個階段的最后一層的特征激活輸出;然后把它們表示為{C2,C3,C4,C5},其與Conv2,Conv3,Conv4以及Conv5的輸出相對應,同時相對于輸入圖像具有{4,8,16,32}像素的步長。由于內(nèi)存占用比較大,故沒有將Conv1包含于金字塔。

    2.2 自上而下路徑和橫向連接

    自上而下路徑,即先將更抽象、語義更強的高層特征圖進行上采樣,然后將此特征橫向連接到前一層特征。因此,高層特征得以加強。橫向連接的兩層特征在空間尺寸上要相同,主要是為了利用低層的定位細節(jié)信息。

    構建自上而下路徑和橫向連接的示意圖如圖5所示。首先,使用較粗糙的分辨率特征圖將空間分辨率上采樣為2倍;然后,按照元素相加的方式將上采樣圖和自下而上圖合并。重復迭代此過程,直到產(chǎn)生最精細的特征圖。為了使迭代開始,在C5后附加一個1×1的卷積核層,用于產(chǎn)生最粗糙的分辨率圖。最后,需要在每個合并的圖上附加一個3×3的卷積,用于產(chǎn)生最終的特征圖,以減少上采樣的混疊效應。最終的特征映射集為{P2,P3,P4,P5},對應于具有相同空間大小的{C2,C3,C4,C5}。

    與傳統(tǒng)的圖像特征金字塔一樣,本文金字塔的每一層均采用共享的分類器或回歸器,需要在每一個特征圖中固定特征維度(即通道數(shù),記為d)。本文中,設定d=256,因而所有額外的卷積層具有256個通道的輸出。

    圖5 構建自上而下路徑和橫向連接的示意圖Fig.5 Diagram of building top-down pathway and lateral connections

    3 融合FPN和Faster R-CNN的行人檢測

    Faster R-CNN主要由RPN和Fast RCNN構成,對FPN和Faster R-CNN進行融合時,可以將FPN分別融合到RPN和Fast RCNN中。

    式中:224表示ImageNet數(shù)據(jù)集預訓練圖像大小,k0表示映射到w×h=2242的RoI的目標水平,本文中將k0設置為4。式(1)意味著若RoI的尺度變?。ㄈ纾?24的1/2),則其應該被映射到更精細的級別(如:k=3)。

    3.1 融合FPN和RPN

    RPN是在密集的3×3的滑窗上評估一個小的子網(wǎng)絡,同時在單尺度的卷積特征圖的頂部執(zhí)行目標或非目標二進制分類以及邊界框回歸。它是使用一個3×3卷積層后跟兩個用于分類、回歸的1×1卷積實現(xiàn)的,稱為網(wǎng)絡頭部。目標或非目標標準以及邊界框回歸目標是相對于一組稱為錨的參考框定義的。錨具有多個預定義的比例尺和縱橫比,以覆蓋不同形狀的目標。

    本文使用FPN替代單尺度特征圖以適應RPN。在特征金字塔的每個等級上附加一個一樣設計的頭。由于頭部在每一個金字塔等級的每一個位置密集地滑動,故不需要在特定水平上有多尺度的錨點。相反,本文為每一個等級分配一個單尺度的錨點。在形式上,{P2,P3,P4,P5}所對應的錨點的尺度為{642,1282,2562,5122}。本文仍然使用這3種長寬比{1∶1,1∶2,2∶1},因此在金字塔中共有12個錨點。

    訓練過程中,本文將重疊率(Intersection over union,IoU)大于0.7的當作正樣本,小于0.3的當作負樣本。由于FPN之間有參數(shù)共享,故使所有層級具有相似的語義信息。

    3.2 融合FPN和Fast R-CNN

    Fast R-CNN采用RoI pooling layer來提取特征,其通常在單尺度特征圖上執(zhí)行。如果要將其與FPN一起使用,那么需要把不同尺度的RoI分配給金字塔等級。在形式上,可以通過式(1)將寬度w和高度h(在輸入圖像上的網(wǎng)絡)的RoI分配給特征金字塔的等級Pk,即有

    4 實驗結果與分析

    4.1 Caltech數(shù)據(jù)集的實驗結果與分析

    Caltech數(shù)據(jù)集是一個使用車載攝像機所拍攝的行人視頻數(shù)據(jù)集,視頻時長約為10 h,分辨率是640×480,幀率是30幀/s。該數(shù)據(jù)集標注了約250 000幀,350 000個矩形框,2 300個行人,其包含11個子集(Set00~Set10),6個子集(Set00~Set05)用作訓練集,剩余的子集用作測試集,訓練集、測試集都給定了標注信息。考慮到該行人數(shù)據(jù)集是視頻形式,連續(xù)兩幅圖像之間的相似度比較大,故本文分別在訓練集、測試集上間隔3幀選取1幀當作訓練圖像、測試圖像。本文的訓練圖像為42 782幅,測試圖像為4 024幅。

    在Caltech數(shù)據(jù)集的訓練集上進行訓練時,將初始學習率設定為0.000 2,當?shù)螖?shù)達到50 000次時,學習率變?yōu)?.000 02,繼續(xù)迭代20 000次;動量為0.9,權重衰減為0.000 1。

    本文算法在Caltech數(shù)據(jù)集的測試集上的mAP如表1所示。在相同訓練集、測試集的情況下,本文算法與Faster R-CNN,SSD和PVANET[13]等算法進行了比較。由表1可知,本文算法在Caltech數(shù)據(jù)集的測試集上的mAP比PVANET算法高0.62%,比SSD算法高10.13%,比Faster R-CNN算法高1.15%。

    表1 Caltech數(shù)據(jù)集測試對比實驗結果Tab.1 Caltech dataset test comparison experiment results

    4.2 KITTI數(shù)據(jù)集的實驗結果與分析

    KITTI數(shù)據(jù)集由7 481幅訓練圖像和7 518幅測試圖像構成,其主要包含汽車(Car)、行人(Pedestrian)和自行車(Cyclist)等目標類別。由于測試圖像沒有給定標注信息,故在進行訓練、測試時,需要將7 481幅訓練圖像分為訓練和測試兩部分。本文的訓練圖像為3 740幅,測試圖像為3 741幅。

    在KITTI數(shù)據(jù)集的訓練集上進行訓練時,將初始學習率設定為0.000 25,當?shù)螖?shù)達到50 000次時,學習率變?yōu)?.000 025,繼續(xù)迭代40 000次;動量為0.9,權重衰減為0.000 1。

    本文算法在KITTI數(shù)據(jù)集的測試集上的mAP如表2所示。在相同訓練集、測試集的情況下,本文算法與Faster R-CNN,SSD和PVANET等算法進行了比較。由表2可知,本文算法在KITTI數(shù)據(jù)集的測試集上的mAP比PVANET算法高1.92%,比SSD算法高9.53%,比Faster RCNN算法高2.49%。

    表2 KITTI數(shù)據(jù)集測試對比實驗結果Tab.2 KITTI dataset test comparison experiment results

    4.3 ETC數(shù)據(jù)集的實驗結果與分析

    ETC數(shù)據(jù)集是一個由多個數(shù)據(jù)集組合而成的數(shù)據(jù)集,其包含ETH數(shù)據(jù)集、TudBrussels數(shù)據(jù)集和部分Caltech數(shù)據(jù)集。本文對多個數(shù)據(jù)集進行組合的原因:(1)ETH數(shù)據(jù)集和TudBrussels數(shù)據(jù)集給定標注信息的圖像數(shù)量比較少,ETH數(shù)據(jù)集給定標注信息的圖像有1 804幅,而TudBrussels數(shù)據(jù)集給定標注信息的圖像有508幅,若單獨進行訓練,則可能會產(chǎn)生過擬合現(xiàn)象。(2)對多個數(shù)據(jù)集進行組合,可以增加數(shù)據(jù)集的多樣性,這樣有利于CNN進行特征學習,但是,由于Caltech數(shù)據(jù)集的圖像分辨率比較低,檢測復雜度比較高,因此,本文只選擇Caltech數(shù)據(jù)集的1個子集(Set00)進行組合,并且間隔30幀選取1幀。本文的訓練圖像為2 646幅,測試圖像為515幅。

    在ETC數(shù)據(jù)集的訓練集上進行訓練時,將初始學習率設定為0.000 25,當?shù)螖?shù)達到50 000次時,學習率變?yōu)?.000 025,繼續(xù)迭代30 000次;動量為0.9,權重衰減為0.000 1。

    本文算法在ETC數(shù)據(jù)集的測試集上的mAP如表3所示。在相同訓練集、測試集的情況下,本文算法與Faster R-CNN,SSD和PVANET等算法進行了比較。由表3可知,本文算法在ETC數(shù)據(jù)集的測試集上的mAP比PVANET算法高0.42%,比SSD算法高0.72%,比Faster R-CNN算法高8.44%。

    表3 ETC數(shù)據(jù)集測試對比實驗結果Tab.3 ETC dataset test comparison experiment results

    本文給出了3個數(shù)據(jù)集上的部分行人檢測效果圖,如圖6所示。由圖6可知,本文算法在多尺度行人檢測的問題上獲得了較為滿意的檢測效果,并且將目標判定為行人的概率得分也比較高。

    圖6 本文算法的行人檢測效果圖Fig.6 Pedestrian detection effect diagram of this algorithm

    5 結束語

    本文針對多尺度行人檢測的問題,將FPN和Faster R-CNN進行融合,提出一種基于融合FPN和Faster R-CNN的行人檢測算法。該算法在Caltech數(shù)據(jù)集、KITTI數(shù)據(jù)集和ETC數(shù)據(jù)集上的mAP分別達到69.72%,69.76%和89.74%。在多尺度行人檢測的問題上,該算法獲得了較為滿意的檢測效果。但是,本文算法對于遮擋的行人還存在漏檢的問題。因此,下一步準備將高質量、高精度的雙目視差圖與RGB圖像進行融合,實現(xiàn)基于深度學習的3D行人檢測以解決該問題。

    猜你喜歡
    特征檢測
    抓住特征巧觀察
    “不等式”檢測題
    “一元一次不等式”檢測題
    “一元一次不等式組”檢測題
    “幾何圖形”檢測題
    “角”檢測題
    新型冠狀病毒及其流行病學特征認識
    如何表達“特征”
    不忠誠的四個特征
    當代陜西(2019年10期)2019-06-03 10:12:04
    抓住特征巧觀察
    av线在线观看网站| 午夜老司机福利片| 新久久久久国产一级毛片| 国产精品乱码一区二三区的特点 | 久9热在线精品视频| 日本黄色日本黄色录像| 极品少妇高潮喷水抽搐| 欧美国产精品va在线观看不卡| 最新在线观看一区二区三区| 一区二区三区精品91| 精品久久久久久久毛片微露脸| 久久久精品免费免费高清| 亚洲av成人不卡在线观看播放网| 99国产精品一区二区三区| 午夜成年电影在线免费观看| aaaaa片日本免费| 欧美日韩视频精品一区| 视频在线观看一区二区三区| 久久久久精品人妻al黑| 99re在线观看精品视频| 亚洲专区中文字幕在线| 91在线观看av| 老司机福利观看| 久99久视频精品免费| 交换朋友夫妻互换小说| 亚洲av日韩精品久久久久久密| 日韩欧美一区视频在线观看| 丝袜在线中文字幕| 欧美乱色亚洲激情| 黄色a级毛片大全视频| 精品一区二区三区四区五区乱码| 久久精品成人免费网站| 人人妻人人澡人人爽人人夜夜| 免费少妇av软件| 黄色成人免费大全| 午夜91福利影院| 91老司机精品| av网站在线播放免费| 波多野结衣一区麻豆| 亚洲一区二区三区欧美精品| 免费女性裸体啪啪无遮挡网站| 老汉色av国产亚洲站长工具| tube8黄色片| 男人舔女人的私密视频| 又紧又爽又黄一区二区| 亚洲成人手机| 淫妇啪啪啪对白视频| 欧美成人免费av一区二区三区 | 中文字幕人妻熟女乱码| 国产精品九九99| 日韩欧美一区视频在线观看| 亚洲精品久久成人aⅴ小说| www.自偷自拍.com| 又黄又粗又硬又大视频| 热re99久久国产66热| 人妻丰满熟妇av一区二区三区 | 最新美女视频免费是黄的| 女人被狂操c到高潮| 男女免费视频国产| 久久香蕉国产精品| 色在线成人网| 亚洲国产精品sss在线观看 | 天堂√8在线中文| 麻豆成人av在线观看| 亚洲综合色网址| 日本wwww免费看| av片东京热男人的天堂| 欧美日韩一级在线毛片| 久久精品熟女亚洲av麻豆精品| 美女福利国产在线| 黄片播放在线免费| 9色porny在线观看| 中出人妻视频一区二区| 亚洲一区高清亚洲精品| 视频区图区小说| 国产成人一区二区三区免费视频网站| 一区二区三区精品91| 天天操日日干夜夜撸| 男女之事视频高清在线观看| 露出奶头的视频| 国产亚洲精品久久久久5区| 欧美黑人欧美精品刺激| 国产精品影院久久| 999久久久精品免费观看国产| 好看av亚洲va欧美ⅴa在| 高清在线国产一区| 久久久久视频综合| 日韩一卡2卡3卡4卡2021年| 99久久国产精品久久久| 亚洲人成电影观看| 高清毛片免费观看视频网站 | 成人影院久久| 久久久国产一区二区| 久久这里只有精品19| 国产av又大| 欧美精品一区二区免费开放| 男女之事视频高清在线观看| 国产精品自产拍在线观看55亚洲 | 视频区图区小说| 别揉我奶头~嗯~啊~动态视频| 久久精品91无色码中文字幕| 俄罗斯特黄特色一大片| 美女高潮到喷水免费观看| 久久久久久久午夜电影 | 欧美激情久久久久久爽电影 | 免费在线观看视频国产中文字幕亚洲| 日本wwww免费看| x7x7x7水蜜桃| 亚洲av成人不卡在线观看播放网| 久久国产精品大桥未久av| 不卡av一区二区三区| 色尼玛亚洲综合影院| 午夜老司机福利片| 国产极品粉嫩免费观看在线| 国产极品粉嫩免费观看在线| 免费在线观看黄色视频的| 亚洲熟女精品中文字幕| 一夜夜www| 欧美日韩亚洲综合一区二区三区_| 国产免费现黄频在线看| 99re6热这里在线精品视频| 日韩欧美一区视频在线观看| 午夜福利一区二区在线看| 男人舔女人的私密视频| 天天躁夜夜躁狠狠躁躁| 黄色 视频免费看| 日韩中文字幕欧美一区二区| 免费日韩欧美在线观看| 在线观看舔阴道视频| 色播在线永久视频| 日日爽夜夜爽网站| 国产在线精品亚洲第一网站| 国产精品一区二区免费欧美| 两个人看的免费小视频| 久久青草综合色| 国产激情欧美一区二区| 淫妇啪啪啪对白视频| 人妻丰满熟妇av一区二区三区 | 丰满人妻熟妇乱又伦精品不卡| 日本vs欧美在线观看视频| 久久久国产成人精品二区 | 亚洲色图 男人天堂 中文字幕| 午夜精品在线福利| av网站在线播放免费| 一级片'在线观看视频| 亚洲avbb在线观看| 两个人看的免费小视频| 日日摸夜夜添夜夜添小说| 久久国产亚洲av麻豆专区| 两性午夜刺激爽爽歪歪视频在线观看 | 少妇的丰满在线观看| 国产欧美日韩一区二区精品| 国产精品美女特级片免费视频播放器 | 久久久国产欧美日韩av| 国产成人系列免费观看| 国产又爽黄色视频| 人妻 亚洲 视频| 日本黄色日本黄色录像| 成在线人永久免费视频| 啪啪无遮挡十八禁网站| 嫁个100分男人电影在线观看| 如日韩欧美国产精品一区二区三区| 国产熟女午夜一区二区三区| 精品国产一区二区久久| aaaaa片日本免费| 老司机福利观看| 搡老乐熟女国产| 成人影院久久| 真人做人爱边吃奶动态| 一本综合久久免费| 9热在线视频观看99| 欧美日韩黄片免| 新久久久久国产一级毛片| 日韩精品免费视频一区二区三区| 少妇被粗大的猛进出69影院| 久久久国产精品麻豆| 成人亚洲精品一区在线观看| 中文字幕人妻丝袜一区二区| 99在线人妻在线中文字幕 | 欧美日韩福利视频一区二区| 欧美成狂野欧美在线观看| 亚洲熟女精品中文字幕| 免费观看a级毛片全部| 女警被强在线播放| 两性夫妻黄色片| 欧美成狂野欧美在线观看| 国产麻豆69| 免费不卡黄色视频| 人妻久久中文字幕网| 正在播放国产对白刺激| 淫妇啪啪啪对白视频| 看片在线看免费视频| 久久久久国产精品人妻aⅴ院 | 亚洲国产精品sss在线观看 | 国产成人av激情在线播放| 亚洲情色 制服丝袜| 91老司机精品| 99精品在免费线老司机午夜| 一级毛片高清免费大全| 国产在视频线精品| 免费在线观看视频国产中文字幕亚洲| 精品少妇久久久久久888优播| 欧美久久黑人一区二区| 精品第一国产精品| 看免费av毛片| 国产成+人综合+亚洲专区| 麻豆成人av在线观看| 精品人妻1区二区| 搡老岳熟女国产| 国产精品二区激情视频| 黄频高清免费视频| 亚洲精品自拍成人| 别揉我奶头~嗯~啊~动态视频| 日本vs欧美在线观看视频| 欧美日韩亚洲国产一区二区在线观看 | 亚洲美女黄片视频| 在线视频色国产色| 久久中文看片网| 国产精品.久久久| 狠狠狠狠99中文字幕| 久久性视频一级片| 久久久久久亚洲精品国产蜜桃av| 熟女少妇亚洲综合色aaa.| 黄色怎么调成土黄色| 岛国在线观看网站| 激情视频va一区二区三区| 99国产极品粉嫩在线观看| 午夜免费成人在线视频| 人人妻人人爽人人添夜夜欢视频| 成在线人永久免费视频| 精品福利永久在线观看| tocl精华| 国产成人啪精品午夜网站| 一级毛片高清免费大全| 在线十欧美十亚洲十日本专区| 激情在线观看视频在线高清 | 亚洲精品中文字幕一二三四区| 日本一区二区免费在线视频| 亚洲综合色网址| 欧美大码av| 王馨瑶露胸无遮挡在线观看| 美国免费a级毛片| 看黄色毛片网站| www日本在线高清视频| 超碰成人久久| 女人爽到高潮嗷嗷叫在线视频| 91在线观看av| 少妇 在线观看| 三上悠亚av全集在线观看| 午夜福利欧美成人| 五月开心婷婷网| 99riav亚洲国产免费| 亚洲精品乱久久久久久| 国产精品一区二区在线不卡| 在线观看免费高清a一片| 激情在线观看视频在线高清 | 国产精品av久久久久免费| 午夜福利免费观看在线| 这个男人来自地球电影免费观看| 黄色片一级片一级黄色片| 亚洲精品国产一区二区精华液| 欧美最黄视频在线播放免费 | 亚洲中文av在线| 欧美日韩亚洲综合一区二区三区_| 久久性视频一级片| √禁漫天堂资源中文www| 咕卡用的链子| 精品国产亚洲在线| 999久久久国产精品视频| 欧美av亚洲av综合av国产av| 国产精品二区激情视频| 满18在线观看网站| 99香蕉大伊视频| 中文字幕最新亚洲高清| 久久精品亚洲熟妇少妇任你| 亚洲精品成人av观看孕妇| 99国产极品粉嫩在线观看| 美女高潮喷水抽搐中文字幕| 男女下面插进去视频免费观看| 亚洲一卡2卡3卡4卡5卡精品中文| 正在播放国产对白刺激| 亚洲午夜理论影院| 国产精品乱码一区二三区的特点 | 久久中文字幕人妻熟女| 成年人黄色毛片网站| 日韩欧美在线二视频 | 亚洲av日韩精品久久久久久密| 一级片免费观看大全| 精品一区二区三区四区五区乱码| 国产激情欧美一区二区| 欧美日韩黄片免| 久久精品国产清高在天天线| 久久99一区二区三区| 国产97色在线日韩免费| 日日夜夜操网爽| 亚洲精品在线美女| 美女午夜性视频免费| 99精国产麻豆久久婷婷| 在线观看日韩欧美| 高潮久久久久久久久久久不卡| 成年人午夜在线观看视频| 自线自在国产av| 亚洲久久久国产精品| 亚洲av熟女| 成人黄色视频免费在线看| 国产精品 欧美亚洲| 一级毛片高清免费大全| 999久久久精品免费观看国产| 亚洲片人在线观看| 日本精品一区二区三区蜜桃| 极品教师在线免费播放| 一级片免费观看大全| 成年人黄色毛片网站| 欧美另类亚洲清纯唯美| 不卡av一区二区三区| 久久久久久人人人人人| 欧美午夜高清在线| 色94色欧美一区二区| a级毛片在线看网站| www.熟女人妻精品国产| 亚洲午夜精品一区,二区,三区| 精品久久久久久,| 欧美日韩乱码在线| 女人被狂操c到高潮| 天天躁日日躁夜夜躁夜夜| 精品电影一区二区在线| 天堂动漫精品| 亚洲色图 男人天堂 中文字幕| 黄色丝袜av网址大全| 美女国产高潮福利片在线看| 精品亚洲成a人片在线观看| 人人妻人人爽人人添夜夜欢视频| 18在线观看网站| 丰满人妻熟妇乱又伦精品不卡| 国产在视频线精品| 十八禁高潮呻吟视频| 国产精品自产拍在线观看55亚洲 | 色婷婷久久久亚洲欧美| 亚洲精品在线观看二区| 国产精品自产拍在线观看55亚洲 | 少妇粗大呻吟视频| 国产午夜精品久久久久久| 欧美精品一区二区免费开放| 脱女人内裤的视频| 三上悠亚av全集在线观看| 国产欧美日韩精品亚洲av| tocl精华| 亚洲在线自拍视频| 久久久精品区二区三区| 99精品欧美一区二区三区四区| 色精品久久人妻99蜜桃| 久久草成人影院| 精品第一国产精品| 我的亚洲天堂| 国产精品亚洲一级av第二区| 国产91精品成人一区二区三区| 亚洲精华国产精华精| 高清在线国产一区| 亚洲精品国产区一区二| 天堂动漫精品| 亚洲欧美一区二区三区黑人| 国产亚洲欧美精品永久| 一级a爱视频在线免费观看| 在线永久观看黄色视频| 中文欧美无线码| 久久青草综合色| 久久人人97超碰香蕉20202| 黄频高清免费视频| 久久久国产一区二区| av免费在线观看网站| 日韩欧美一区二区三区在线观看 | 久久久精品国产亚洲av高清涩受| 搡老熟女国产l中国老女人| 男女午夜视频在线观看| 亚洲av日韩在线播放| 午夜成年电影在线免费观看| 日韩中文字幕欧美一区二区| 人妻一区二区av| 欧美成狂野欧美在线观看| 免费一级毛片在线播放高清视频 | 午夜精品在线福利| 怎么达到女性高潮| 日韩欧美国产一区二区入口| 亚洲九九香蕉| 国产成人啪精品午夜网站| 成人特级黄色片久久久久久久| 啦啦啦 在线观看视频| 免费在线观看黄色视频的| 中文字幕精品免费在线观看视频| 国产精品香港三级国产av潘金莲| 国产av又大| 香蕉久久夜色| 国产蜜桃级精品一区二区三区 | av不卡在线播放| 两个人免费观看高清视频| 桃红色精品国产亚洲av| 黄色毛片三级朝国网站| av中文乱码字幕在线| 午夜亚洲福利在线播放| 男女高潮啪啪啪动态图| 美女视频免费永久观看网站| 五月开心婷婷网| 亚洲欧美激情综合另类| 激情在线观看视频在线高清 | av网站在线播放免费| 日韩中文字幕欧美一区二区| 国产精品.久久久| 久久草成人影院| 亚洲中文字幕日韩| 成在线人永久免费视频| 亚洲第一欧美日韩一区二区三区| 亚洲欧美日韩另类电影网站| 成年人免费黄色播放视频| 亚洲成a人片在线一区二区| 免费在线观看视频国产中文字幕亚洲| 老熟女久久久| 国产一区二区三区视频了| 国产精品国产高清国产av | 纯流量卡能插随身wifi吗| 久久青草综合色| 精品午夜福利视频在线观看一区| 欧美乱码精品一区二区三区| 村上凉子中文字幕在线| 亚洲av欧美aⅴ国产| 亚洲欧美日韩高清在线视频| 黑人巨大精品欧美一区二区蜜桃| 精品免费久久久久久久清纯 | 国产精品久久久av美女十八| 天天操日日干夜夜撸| 精品国内亚洲2022精品成人 | 免费高清在线观看日韩| 女警被强在线播放| 美女扒开内裤让男人捅视频| 精品国产超薄肉色丝袜足j| 人人妻人人澡人人爽人人夜夜| 日韩欧美在线二视频 | 在线观看午夜福利视频| 日日爽夜夜爽网站| 一区福利在线观看| 99香蕉大伊视频| 亚洲一区中文字幕在线| 欧美日本中文国产一区发布| 精品午夜福利视频在线观看一区| 精品一区二区三区视频在线观看免费 | √禁漫天堂资源中文www| 少妇 在线观看| 天天添夜夜摸| 国产男女内射视频| 国产高清视频在线播放一区| 人成视频在线观看免费观看| 亚洲成人手机| 日韩欧美一区视频在线观看| 三级毛片av免费| 黑人巨大精品欧美一区二区mp4| 亚洲精品国产精品久久久不卡| 精品久久蜜臀av无| 在线观看www视频免费| а√天堂www在线а√下载 | 国产精品二区激情视频| aaaaa片日本免费| 久热爱精品视频在线9| 欧美激情极品国产一区二区三区| av网站在线播放免费| 成人av一区二区三区在线看| 国产黄色免费在线视频| 9191精品国产免费久久| 日韩欧美三级三区| 女人被狂操c到高潮| 不卡一级毛片| 在线看a的网站| 我的亚洲天堂| 国产精品国产av在线观看| 久久久久久亚洲精品国产蜜桃av| 国产一区二区三区视频了| 欧美日韩乱码在线| 久久人妻av系列| 国产又色又爽无遮挡免费看| 一进一出抽搐动态| 成人特级黄色片久久久久久久| av网站免费在线观看视频| 免费一级毛片在线播放高清视频 | 欧美人与性动交α欧美精品济南到| xxxhd国产人妻xxx| 巨乳人妻的诱惑在线观看| 国产极品粉嫩免费观看在线| 曰老女人黄片| 老司机影院毛片| 亚洲 欧美一区二区三区| 久久精品熟女亚洲av麻豆精品| 视频区图区小说| 建设人人有责人人尽责人人享有的| 俄罗斯特黄特色一大片| 久久国产精品人妻蜜桃| av在线播放免费不卡| bbb黄色大片| 激情视频va一区二区三区| 人成视频在线观看免费观看| 午夜日韩欧美国产| 欧美黑人欧美精品刺激| 亚洲精品国产一区二区精华液| 亚洲精品在线观看二区| 超色免费av| 成年人午夜在线观看视频| 露出奶头的视频| 高潮久久久久久久久久久不卡| 日韩 欧美 亚洲 中文字幕| 99久久精品国产亚洲精品| 国产成人欧美| 国产精品成人在线| 又黄又爽又免费观看的视频| 久久国产精品大桥未久av| 中文字幕av电影在线播放| 国产精品免费一区二区三区在线 | 9191精品国产免费久久| 欧美日本中文国产一区发布| 国产成人啪精品午夜网站| 天天躁狠狠躁夜夜躁狠狠躁| 视频区图区小说| 每晚都被弄得嗷嗷叫到高潮| 亚洲一区二区三区欧美精品| 国产成+人综合+亚洲专区| 国产免费现黄频在线看| 黄色a级毛片大全视频| 热99久久久久精品小说推荐| 首页视频小说图片口味搜索| 18禁观看日本| 一区在线观看完整版| 又紧又爽又黄一区二区| 亚洲aⅴ乱码一区二区在线播放 | 精品久久久久久久毛片微露脸| 50天的宝宝边吃奶边哭怎么回事| 一区二区日韩欧美中文字幕| 成人国语在线视频| 国产深夜福利视频在线观看| 在线观看免费午夜福利视频| 在线观看www视频免费| 久久久久国内视频| av不卡在线播放| 中文字幕另类日韩欧美亚洲嫩草| 丝袜美足系列| 在线天堂中文资源库| 伦理电影免费视频| 午夜福利欧美成人| 久久久国产成人精品二区 | 一进一出抽搐gif免费好疼 | 18在线观看网站| 亚洲欧美精品综合一区二区三区| 亚洲av第一区精品v没综合| 黑人操中国人逼视频| 午夜福利免费观看在线| 精品国内亚洲2022精品成人 | 天天操日日干夜夜撸| 国产精品乱码一区二三区的特点 | 韩国av一区二区三区四区| 啦啦啦 在线观看视频| xxxhd国产人妻xxx| 久久久久精品人妻al黑| 我的亚洲天堂| 亚洲成av片中文字幕在线观看| 久久热在线av| 91麻豆精品激情在线观看国产 | 老司机福利观看| 国产精品久久久av美女十八| 高清av免费在线| 亚洲片人在线观看| 国产成人啪精品午夜网站| 一区二区日韩欧美中文字幕| 国产精品久久电影中文字幕 | 中文字幕人妻丝袜制服| 欧美乱色亚洲激情| 日韩欧美免费精品| 搡老熟女国产l中国老女人| 精品久久久久久久毛片微露脸| 色综合婷婷激情| 亚洲人成77777在线视频| 王馨瑶露胸无遮挡在线观看| 国产免费现黄频在线看| 国产成人精品久久二区二区免费| 女人久久www免费人成看片| 久久 成人 亚洲| 女人久久www免费人成看片| 久久 成人 亚洲| 成人亚洲精品一区在线观看| 亚洲成人手机| 国产成人精品在线电影| 热re99久久国产66热| 国产免费现黄频在线看| 一区二区三区国产精品乱码| 欧美激情极品国产一区二区三区| 国产1区2区3区精品| 日韩熟女老妇一区二区性免费视频| 亚洲 欧美一区二区三区| 欧美日韩中文字幕国产精品一区二区三区 | 黑人欧美特级aaaaaa片| 午夜福利,免费看| 亚洲欧美日韩高清在线视频| 亚洲熟妇中文字幕五十中出 | 久久国产亚洲av麻豆专区| 黄色视频不卡| 色综合婷婷激情| 叶爱在线成人免费视频播放| 免费日韩欧美在线观看| 电影成人av| 亚洲欧美激情在线| 久久久国产成人免费| 嫩草影视91久久| 首页视频小说图片口味搜索| 久久国产精品男人的天堂亚洲| 国产亚洲欧美精品永久| 丰满的人妻完整版| 淫妇啪啪啪对白视频| 欧美激情极品国产一区二区三区| 9191精品国产免费久久| 大型av网站在线播放| 9热在线视频观看99|