• <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(guān)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(xué)人文科技學(xué)院,貴陽,550025;2.貴州民族大學(xué)數(shù)據(jù)科學(xué)與信息工程學(xué)院,貴陽,550025;3.北京大學(xué)深圳研究生院信息工程學(xué)院,深圳,518055)

    引 言

    近年來,隨著深度學(xué)習(xí)(Deep learning,DL)這股浪潮的興起,計(jì)算機(jī)視覺領(lǐng)域逐漸采用深度學(xué)習(xí)算法來研究目標(biāo)檢測。2013年,Sermanet等[1]提出一種基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional neural networks,CNN)的OverFeat算法,該算法主要采用滑窗來實(shí)現(xiàn)對目標(biāo)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(gè)可能包含目標(biāo)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(jìn)行特征提取;最后把提取到的特征送入支持向量機(jī)(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(gè)RoI,然后對整幅圖像進(jìn)行卷積計(jì)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(gè)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(luò)(Region proposal network,RPN)替代SS算法進(jìn)行候選框選擇,使整個(gè)目標(biāo)檢測實(shí)現(xiàn)了端到端的計(jì)算。深度學(xué)習(xí)目標(biāo)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(biāo)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(xué)習(xí)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(gè)聯(lián)合的深度學(xué)習(xí)框架。2016年,Zhang等[9]提出一種結(jié)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(gè)限制:處理小實(shí)例的特征映射的分辨率不足和缺乏用于挖掘難例的引導(dǎo)策略。2017年,Mao等[10]提出一種HyperLearner網(wǎng)絡(luò)架構(gòu),其聯(lián)合學(xué)習(xí)行人檢測以及給定的額外特征。通過多任務(wù)訓(xùn)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(luò)[11](Feature pyramid networks,F(xiàn)PN)和Faster R-CNN進(jìn)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(luò)結(jié)構(gòu)圖如圖1所示,該網(wǎng)絡(luò)結(jié)構(gòu)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(gè)候選區(qū)域輸入給行人檢測網(wǎng)絡(luò)Fast RCNN,考慮到RPN和Fast R-CNN網(wǎng)絡(luò)的前部分都采用若干卷積層來計(jì)算特征圖。因此,此網(wǎng)絡(luò)結(jié)構(gòu)把這兩個(gè)網(wǎng)絡(luò)統(tǒng)一成一個(gè)網(wǎng)絡(luò),使得RPN和Fast R-CNN卷積層參數(shù)共享,最終形成一個(gè)端到端的目標(biāo)檢測網(wǎng)絡(luò)結(jié)構(gòu)。

    圖1 基于Faster R-CNN的行人檢測的整體網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.1 Overall network structure diagram of pedestrian detection based on Faster R-CNN

    1.1 特征提取

    當(dāng)前,用于圖像特征提取的主流網(wǎng)絡(luò)有 AlexNet,GoogLeNet,VGGNet,ResNet和 DenseNet。綜合考慮網(wǎng)絡(luò)的復(fù)雜度以及分類精度,本文采用VGG16網(wǎng)絡(luò)來提取圖像特征,即采用在ImageNet數(shù)據(jù)集上預(yù)訓(xùn)練的權(quán)值作為初始值進(jìn)行網(wǎng)絡(luò)訓(xùn)練。

    1.2 區(qū)域建議網(wǎng)絡(luò)

    Faster R-CNN使用CNN直接生成候選區(qū)域,該網(wǎng)絡(luò)稱之為RPN,如圖2所示。在RPN中,最后一個(gè)卷積層有512個(gè)卷積核,因此,特征圖有512個(gè),特征維度為512維,每個(gè)特征圖的大小約為40×60。采用3×3的滑窗來滑動(dòng)特征圖,當(dāng)滑窗滑到每個(gè)位置時(shí),預(yù)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(gè)滑動(dòng)的位置有k=9個(gè)候選區(qū)域,一幅圖像會(huì)生成約40×60×9個(gè)候選區(qū)域。在卷積層之后接有兩個(gè)全連接層,一個(gè)為分類層(Cls-layer),其輸出2k個(gè)得分,用于判定候選區(qū)域是行人還是背景;另一個(gè)為邊界回歸層(Reg-layer),其輸出4k個(gè)坐標(biāo),用于對候選區(qū)域的邊界進(jìn)行微調(diào)。雖然由RPN選取的候選區(qū)域約有2 000個(gè),但是,該網(wǎng)絡(luò)結(jié)構(gòu)依據(jù)候選區(qū)域的得分高低篩選出前300個(gè)輸入到行人檢測網(wǎng)絡(luò)中。

    圖2 區(qū)域建議網(wǎng)絡(luò)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(gè)RoI作為一幅圖像輸入到網(wǎng)絡(luò)中進(jìn)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(gè)RoI的特征圖。由RoI在原始圖像的位置到特征圖映射任務(wù)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(gè)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(luò)結(jié)構(gòu)對文獻(xiàn)[12]中SPP-Layer進(jìn)行了改進(jìn),采用單尺度輸出7×7的特征圖,若輸入的候選區(qū)域?yàn)?r,c,h,w),RoI pooling layer首先產(chǎn)生7× 7個(gè)r×c×(h/7)×(w/7)的塊,然后利用Max pooling方式求出每一個(gè)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(luò)

    對于多尺度行人檢測的問題,傳統(tǒng)的方法是先構(gòu)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(jìn)行預(yù)測(如圖4(a)),其缺點(diǎn)是計(jì)算開銷比較大。神經(jīng)網(wǎng)絡(luò)的方法僅需要在最后一層特征圖上進(jìn)行預(yù)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(jìn)行預(yù)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(gòu)建金字塔,同時(shí)還往后增加了幾層,以分別抽取每一層特征進(jìn)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(jié)合在一起,使每一個(gè)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(luò)的前饋計(jì)算便是自下而上路徑,特征圖經(jīng)卷積核計(jì)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(luò)階段。對于本文的特征金字塔,首先為每個(gè)階段定義一個(gè)金字塔等級(jí);然后把每個(gè)階段的最后一層的輸出當(dāng)成特征圖的參考集。具體而言,對于VGG16網(wǎng)絡(luò),首先使用每個(gè)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(yīng),同時(shí)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(qiáng)的高層特征圖進(jìn)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(qiáng)。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(xì)節(jié)信息。

    構(gòu)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(fù)迭代此過程,直到產(chǎn)生最精細(xì)的特征圖。為了使迭代開始,在C5后附加一個(gè)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(gè)合并的圖上附加一個(gè)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(yīng)。最終的特征映射集為{P2,P3,P4,P5},對應(yīng)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(gè)特征圖中固定特征維度(即通道數(shù),記為d)。本文中,設(shè)定d=256,因而所有額外的卷積層具有256個(gè)通道的輸出。

    圖5 構(gòu)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(gòu)成,對FPN和Faster R-CNN進(jìn)行融合時(shí),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(yù)訓(xùn)練圖像大小,k0表示映射到w×h=2242的RoI的目標(biāo)水平,本文中將k0設(shè)置為4。式(1)意味著若RoI的尺度變?。ㄈ纾?24的1/2),則其應(yīng)該被映射到更精細(xì)的級(jí)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(gè)小的子網(wǎng)絡(luò),同時(shí)在單尺度的卷積特征圖的頂部執(zhí)行目標(biāo)或非目標(biāo)二進(jìn)制分類以及邊界框回歸。它是使用一個(gè)3×3卷積層后跟兩個(gè)用于分類、回歸的1×1卷積實(shí)現(xiàn)的,稱為網(wǎng)絡(luò)頭部。目標(biāo)或非目標(biāo)標(biāo)準(zhǔn)以及邊界框回歸目標(biāo)是相對于一組稱為錨的參考框定義的。錨具有多個(gè)預(yù)定義的比例尺和縱橫比,以覆蓋不同形狀的目標(biāo)。

    本文使用FPN替代單尺度特征圖以適應(yīng)RPN。在特征金字塔的每個(gè)等級(jí)上附加一個(gè)一樣設(shè)計(jì)的頭。由于頭部在每一個(gè)金字塔等級(jí)的每一個(gè)位置密集地滑動(dòng),故不需要在特定水平上有多尺度的錨點(diǎn)。相反,本文為每一個(gè)等級(jí)分配一個(gè)單尺度的錨點(diǎn)。在形式上,{P2,P3,P4,P5}所對應(yīng)的錨點(diǎn)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(gè)錨點(diǎn)。

    訓(xùn)練過程中,本文將重疊率(Intersection over union,IoU)大于0.7的當(dāng)作正樣本,小于0.3的當(dāng)作負(fù)樣本。由于FPN之間有參數(shù)共享,故使所有層級(jí)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(jí)。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(luò))的RoI分配給特征金字塔的等級(jí)Pk,即有

    4 實(shí)驗(yàn)結(jié)果與分析

    4.1 Caltech數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果與分析

    Caltech數(shù)據(jù)集是一個(gè)使用車載攝像機(jī)所拍攝的行人視頻數(shù)據(jù)集,視頻時(shí)長約為10 h,分辨率是640×480,幀率是30幀/s。該數(shù)據(jù)集標(biāo)注了約250 000幀,350 000個(gè)矩形框,2 300個(gè)行人,其包含11個(gè)子集(Set00~Set10),6個(gè)子集(Set00~Set05)用作訓(xùn)練集,剩余的子集用作測試集,訓(xùn)練集、測試集都給定了標(biāo)注信息??紤]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(xùn)練集、測試集上間隔3幀選取1幀當(dāng)作訓(xùn)練圖像、測試圖像。本文的訓(xùn)練圖像為42 782幅,測試圖像為4 024幅。

    在Caltech數(shù)據(jù)集的訓(xùn)練集上進(jìn)行訓(xùn)練時(shí),將初始學(xué)習(xí)率設(shè)定為0.000 2,當(dāng)?shù)螖?shù)達(dá)到50 000次時(shí),學(xué)習(xí)率變?yōu)?.000 02,繼續(xù)迭代20 000次;動(dòng)量為0.9,權(quán)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(xùn)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(jìn)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(shí)驗(yàn)結(jié)果Tab.1 Caltech dataset test comparison experiment results

    4.2 KITTI數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果與分析

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

    在KITTI數(shù)據(jù)集的訓(xùn)練集上進(jìn)行訓(xùn)練時(shí),將初始學(xué)習(xí)率設(shè)定為0.000 25,當(dāng)?shù)螖?shù)達(dá)到50 000次時(shí),學(xué)習(xí)率變?yōu)?.000 025,繼續(xù)迭代40 000次;動(dòng)量為0.9,權(quán)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(xùn)練集、測試集的情況下,本文算法與Faster R-CNN,SSD和PVANET等算法進(jìn)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(shí)驗(yàn)結(jié)果Tab.2 KITTI dataset test comparison experiment results

    4.3 ETC數(shù)據(jù)集的實(shí)驗(yàn)結(jié)果與分析

    ETC數(shù)據(jù)集是一個(gè)由多個(gè)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(gè)數(shù)據(jù)集進(jìn)行組合的原因:(1)ETH數(shù)據(jù)集和TudBrussels數(shù)據(jù)集給定標(biāo)注信息的圖像數(shù)量比較少,ETH數(shù)據(jù)集給定標(biāo)注信息的圖像有1 804幅,而TudBrussels數(shù)據(jù)集給定標(biāo)注信息的圖像有508幅,若單獨(dú)進(jìn)行訓(xùn)練,則可能會(huì)產(chǎn)生過擬合現(xiàn)象。(2)對多個(gè)數(shù)據(jù)集進(jìn)行組合,可以增加數(shù)據(jù)集的多樣性,這樣有利于CNN進(jìn)行特征學(xué)習(xí),但是,由于Caltech數(shù)據(jù)集的圖像分辨率比較低,檢測復(fù)雜度比較高,因此,本文只選擇Caltech數(shù)據(jù)集的1個(gè)子集(Set00)進(jìn)行組合,并且間隔30幀選取1幀。本文的訓(xùn)練圖像為2 646幅,測試圖像為515幅。

    在ETC數(shù)據(jù)集的訓(xùn)練集上進(jìn)行訓(xùn)練時(shí),將初始學(xué)習(xí)率設(shè)定為0.000 25,當(dāng)?shù)螖?shù)達(dá)到50 000次時(shí),學(xué)習(xí)率變?yōu)?.000 025,繼續(xù)迭代30 000次;動(dòng)量為0.9,權(quán)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(xùn)練集、測試集的情況下,本文算法與Faster R-CNN,SSD和PVANET等算法進(jìn)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(shí)驗(yàn)結(jié)果Tab.3 ETC dataset test comparison experiment results

    本文給出了3個(gè)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(biāo)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(jié)束語

    本文針對多尺度行人檢測的問題,將FPN和Faster R-CNN進(jìn)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(dá)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(zhǔn)備將高質(zhì)量、高精度的雙目視差圖與RGB圖像進(jìn)行融合,實(shí)現(xiàn)基于深度學(xué)習(xí)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(xué)特征認(rèn)識(shí)
    如何表達(dá)“特征”
    不忠誠的四個(gè)特征
    抓住特征巧觀察
    一级av片app| 边亲边吃奶的免费视频| 人妻久久中文字幕网| 少妇裸体淫交视频免费看高清| 国产午夜精品久久久久久一区二区三区| 精品人妻一区二区三区麻豆| 免费观看的影片在线观看| 国产男人的电影天堂91| 精品不卡国产一区二区三区| 成年版毛片免费区| 男人狂女人下面高潮的视频| 又爽又黄a免费视频| 精品久久久久久成人av| 非洲黑人性xxxx精品又粗又长| 国产单亲对白刺激| 国产久久久一区二区三区| 国产精品美女特级片免费视频播放器| 国产精品美女特级片免费视频播放器| 插阴视频在线观看视频| 国产片特级美女逼逼视频| 熟女人妻精品中文字幕| 观看美女的网站| 卡戴珊不雅视频在线播放| 午夜老司机福利剧场| 99久久精品国产国产毛片| а√天堂www在线а√下载| av在线播放精品| 亚洲中文字幕日韩| 黄色配什么色好看| 国产精品乱码一区二三区的特点| 少妇高潮的动态图| 人体艺术视频欧美日本| 欧美三级亚洲精品| 国产精品无大码| 丰满人妻一区二区三区视频av| 久久久精品欧美日韩精品| 最近手机中文字幕大全| 国产黄色视频一区二区在线观看 | 国产成人aa在线观看| 国产精品一二三区在线看| 老女人水多毛片| 午夜视频国产福利| 老熟妇乱子伦视频在线观看| 亚洲中文字幕一区二区三区有码在线看| 日本色播在线视频| 中文精品一卡2卡3卡4更新| av在线播放精品| 亚洲av免费高清在线观看| 久久午夜亚洲精品久久| 亚洲欧美中文字幕日韩二区| 国产精品一二三区在线看| 蜜桃久久精品国产亚洲av| 一级黄片播放器| 久99久视频精品免费| 久久精品久久久久久久性| 国产在视频线在精品| 成人综合一区亚洲| 午夜视频国产福利| 国产白丝娇喘喷水9色精品| 国产成人精品久久久久久| 欧美又色又爽又黄视频| 亚洲av.av天堂| 狂野欧美激情性xxxx在线观看| 丝袜美腿在线中文| 美女 人体艺术 gogo| 亚洲国产精品久久男人天堂| 日韩欧美国产在线观看| 特级一级黄色大片| 插逼视频在线观看| 久久精品国产亚洲av涩爱 | 亚洲七黄色美女视频| 国产亚洲精品久久久com| 亚洲av电影不卡..在线观看| 国产精品野战在线观看| 亚洲av二区三区四区| 日本熟妇午夜| 女同久久另类99精品国产91| 22中文网久久字幕| 亚洲欧洲国产日韩| 欧美一区二区国产精品久久精品| 精品免费久久久久久久清纯| 可以在线观看的亚洲视频| 99热6这里只有精品| 国产成人a区在线观看| 国产激情偷乱视频一区二区| 国产精品一区二区三区四区免费观看| 老熟妇乱子伦视频在线观看| 91午夜精品亚洲一区二区三区| 精品久久久久久久久亚洲| 男女做爰动态图高潮gif福利片| 中文字幕熟女人妻在线| 天天躁日日操中文字幕| 简卡轻食公司| 中文在线观看免费www的网站| a级一级毛片免费在线观看| 国产精品.久久久| 欧美日本亚洲视频在线播放| 欧美日韩精品成人综合77777| 久久久久久国产a免费观看| 国产精品久久视频播放| 久久精品久久久久久久性| 午夜精品一区二区三区免费看| 国语自产精品视频在线第100页| 国产极品天堂在线| 久久婷婷人人爽人人干人人爱| 有码 亚洲区| 六月丁香七月| 韩国av在线不卡| 国产乱人偷精品视频| 亚洲,欧美,日韩| 久久久久久九九精品二区国产| 久久久成人免费电影| 一个人免费在线观看电影| 插阴视频在线观看视频| 欧美高清性xxxxhd video| 内射极品少妇av片p| 国产极品精品免费视频能看的| 成人国产麻豆网| 丰满乱子伦码专区| 在线观看午夜福利视频| 熟女人妻精品中文字幕| 丝袜喷水一区| 三级经典国产精品| 婷婷色综合大香蕉| 精品免费久久久久久久清纯| 一本一本综合久久| 国产91av在线免费观看| 午夜免费男女啪啪视频观看| 在线天堂最新版资源| 国产精品综合久久久久久久免费| 久久精品国产清高在天天线| 成人午夜高清在线视频| 日韩高清综合在线| 直男gayav资源| 欧美高清成人免费视频www| 日本黄色视频三级网站网址| 精品一区二区三区人妻视频| 亚洲真实伦在线观看| 国产视频内射| 欧美3d第一页| 日韩成人伦理影院| 欧美精品一区二区大全| 少妇的逼好多水| 老司机影院成人| 老女人水多毛片| 免费av观看视频| 欧美日韩一区二区视频在线观看视频在线 | 女人十人毛片免费观看3o分钟| 在线免费观看不下载黄p国产| 99热精品在线国产| 日本熟妇午夜| 亚洲精品亚洲一区二区| 亚州av有码| 久久韩国三级中文字幕| 成人鲁丝片一二三区免费| 亚洲欧美日韩高清在线视频| 精品一区二区三区人妻视频| 国内揄拍国产精品人妻在线| 色哟哟·www| 亚洲精品久久国产高清桃花| 亚洲天堂国产精品一区在线| 大香蕉久久网| 亚洲激情五月婷婷啪啪| 亚洲18禁久久av| 插阴视频在线观看视频| 美女高潮的动态| 亚洲精华国产精华液的使用体验 | 久久国内精品自在自线图片| 精品久久久久久成人av| 波多野结衣巨乳人妻| 久久久久久九九精品二区国产| 亚洲av男天堂| 天美传媒精品一区二区| 亚洲欧美中文字幕日韩二区| 久久人妻av系列| 人妻夜夜爽99麻豆av| 亚洲国产欧美在线一区| 精品免费久久久久久久清纯| 女的被弄到高潮叫床怎么办| 婷婷亚洲欧美| 丰满的人妻完整版| 99九九线精品视频在线观看视频| 午夜免费激情av| 级片在线观看| 亚洲国产精品合色在线| av国产免费在线观看| 美女内射精品一级片tv| 国产精品久久电影中文字幕| 看黄色毛片网站| 欧美精品一区二区大全| 国产精品,欧美在线| 一边摸一边抽搐一进一小说| 少妇熟女欧美另类| 18+在线观看网站| 男女啪啪激烈高潮av片| 亚洲综合色惰| 亚洲高清免费不卡视频| 亚洲图色成人| 亚洲最大成人中文| 3wmmmm亚洲av在线观看| 丰满乱子伦码专区| 夜夜夜夜夜久久久久| 色综合色国产| 国产不卡一卡二| 国产高清有码在线观看视频| 精品日产1卡2卡| 尾随美女入室| 村上凉子中文字幕在线| 少妇的逼好多水| 在线观看午夜福利视频| 国产亚洲欧美98| 国产成人一区二区在线| 国产真实伦视频高清在线观看| 国产私拍福利视频在线观看| 国产成人a∨麻豆精品| 亚洲第一电影网av| 婷婷精品国产亚洲av| 看非洲黑人一级黄片| 免费大片18禁| 精品99又大又爽又粗少妇毛片| 在线播放无遮挡| 亚洲成人精品中文字幕电影| 少妇猛男粗大的猛烈进出视频 | 看十八女毛片水多多多| 我的女老师完整版在线观看| 亚洲欧美清纯卡通| 色尼玛亚洲综合影院| 免费av不卡在线播放| 高清日韩中文字幕在线| av卡一久久| 午夜福利成人在线免费观看| 亚洲色图av天堂| 黄片wwwwww| 听说在线观看完整版免费高清| 精品人妻熟女av久视频| 大又大粗又爽又黄少妇毛片口| 免费av不卡在线播放| 26uuu在线亚洲综合色| 观看美女的网站| 99热6这里只有精品| 99久久精品一区二区三区| 1000部很黄的大片| 偷拍熟女少妇极品色| 久久精品夜色国产| 久久久久久久久中文| 日韩中字成人| 久久精品久久久久久久性| 天堂中文最新版在线下载 | 欧美最黄视频在线播放免费| 亚洲一级一片aⅴ在线观看| 91精品国产九色| 男的添女的下面高潮视频| 亚洲五月天丁香| 亚洲无线观看免费| 国产一区二区激情短视频| 国产乱人偷精品视频| 村上凉子中文字幕在线| 久久人人爽人人片av| 亚洲人成网站在线播放欧美日韩| 亚洲aⅴ乱码一区二区在线播放| 波多野结衣巨乳人妻| 亚洲av.av天堂| 男人狂女人下面高潮的视频| av在线观看视频网站免费| 一级毛片电影观看 | 欧美高清成人免费视频www| 久久99热这里只有精品18| 桃色一区二区三区在线观看| 此物有八面人人有两片| av女优亚洲男人天堂| 在线观看66精品国产| 综合色丁香网| 国产成人一区二区在线| 舔av片在线| 亚洲在线观看片| 亚洲美女视频黄频| 成人亚洲精品av一区二区| 国产精品久久久久久亚洲av鲁大| 一边摸一边抽搐一进一小说| h日本视频在线播放| 一级二级三级毛片免费看| 青春草视频在线免费观看| 亚洲欧美成人综合另类久久久 | 国产探花极品一区二区| 一级毛片久久久久久久久女| 国产成人午夜福利电影在线观看| 精品午夜福利在线看| 欧美高清性xxxxhd video| 国产精品福利在线免费观看| 少妇熟女欧美另类| 久久久久久九九精品二区国产| 一本久久精品| 国产亚洲精品久久久久久毛片| 嫩草影院新地址| 国产在线男女| 亚洲欧洲日产国产| 99久久精品一区二区三区| 日韩三级伦理在线观看| 男女那种视频在线观看| av免费在线看不卡| 天堂影院成人在线观看| www日本黄色视频网| 桃色一区二区三区在线观看| 免费看a级黄色片| 可以在线观看的亚洲视频| 天堂中文最新版在线下载 | 少妇熟女aⅴ在线视频| 综合色av麻豆| 波多野结衣巨乳人妻| 欧美精品国产亚洲| 中文字幕久久专区| 国产高清视频在线观看网站| 国内精品久久久久精免费| 亚洲av男天堂| 老女人水多毛片| 久久久成人免费电影| 午夜精品国产一区二区电影 | 精品人妻熟女av久视频| 日本免费一区二区三区高清不卡| 国产片特级美女逼逼视频| 亚洲电影在线观看av| 国模一区二区三区四区视频| 在线观看66精品国产| 欧美激情在线99| 成人永久免费在线观看视频| 免费看美女性在线毛片视频| 欧美人与善性xxx| 国产视频首页在线观看| 18+在线观看网站| 亚洲国产欧美人成| 小蜜桃在线观看免费完整版高清| 哪里可以看免费的av片| 日韩一区二区视频免费看| 精品午夜福利在线看| 老师上课跳d突然被开到最大视频| 国产精品av视频在线免费观看| 中出人妻视频一区二区| 少妇被粗大猛烈的视频| 九九爱精品视频在线观看| 少妇被粗大猛烈的视频| 亚洲人成网站在线播| 婷婷色综合大香蕉| 99热这里只有精品一区| 九九久久精品国产亚洲av麻豆| 亚洲人成网站在线播| 日韩中字成人| 欧洲精品卡2卡3卡4卡5卡区| 久久99热这里只有精品18| 九九爱精品视频在线观看| 国产一区二区在线观看日韩| 免费黄网站久久成人精品| 色噜噜av男人的天堂激情| 久久精品国产99精品国产亚洲性色| 免费看a级黄色片| a级毛色黄片| 只有这里有精品99| 免费看日本二区| 亚洲欧美精品专区久久| 如何舔出高潮| 国产高清激情床上av| 精品99又大又爽又粗少妇毛片| 国产一区二区在线观看日韩| 亚洲国产精品久久男人天堂| 亚洲av.av天堂| 级片在线观看| 国产精品人妻久久久影院| 亚洲av成人精品一区久久| 国产成年人精品一区二区| 国产成人a区在线观看| 国产成年人精品一区二区| 精品久久久久久久久久免费视频| 波多野结衣高清作品| 国产色婷婷99| 国产精品日韩av在线免费观看| 免费一级毛片在线播放高清视频| 亚洲无线在线观看| 麻豆成人av视频| 亚洲av一区综合| 亚洲,欧美,日韩| 校园人妻丝袜中文字幕| 少妇高潮的动态图| 性色avwww在线观看| 全区人妻精品视频| 亚洲国产色片| 99国产极品粉嫩在线观看| 国产精品一二三区在线看| 黄片无遮挡物在线观看| 91精品国产九色| 3wmmmm亚洲av在线观看| 亚洲国产精品国产精品| 五月玫瑰六月丁香| a级一级毛片免费在线观看| a级毛片免费高清观看在线播放| 免费一级毛片在线播放高清视频| 黄色视频,在线免费观看| 伦精品一区二区三区| 日本爱情动作片www.在线观看| www.av在线官网国产| 夜夜爽天天搞| 小说图片视频综合网站| 好男人在线观看高清免费视频| 色哟哟哟哟哟哟| 能在线免费观看的黄片| 日产精品乱码卡一卡2卡三| 色视频www国产| 国产精品无大码| 午夜福利成人在线免费观看| 亚洲av.av天堂| 亚洲在线观看片| 精品久久久久久久久av| 欧美高清成人免费视频www| 99九九线精品视频在线观看视频| 黄色一级大片看看| 一本久久精品| 22中文网久久字幕| 免费看av在线观看网站| 国产精品av视频在线免费观看| 午夜久久久久精精品| 亚洲精品色激情综合| 大又大粗又爽又黄少妇毛片口| 国产一区二区亚洲精品在线观看| 欧美人与善性xxx| 丝袜美腿在线中文| 欧美日韩一区二区视频在线观看视频在线 | 国产 一区 欧美 日韩| 中文精品一卡2卡3卡4更新| 国产精品野战在线观看| 在线观看美女被高潮喷水网站| 日韩,欧美,国产一区二区三区 | 老师上课跳d突然被开到最大视频| 精品午夜福利在线看| 亚洲av中文字字幕乱码综合| 免费大片18禁| 熟妇人妻久久中文字幕3abv| 国产精品日韩av在线免费观看| 啦啦啦观看免费观看视频高清| 国产av麻豆久久久久久久| 日韩av不卡免费在线播放| 国产精品久久久久久精品电影小说 | 国产精品女同一区二区软件| 免费观看精品视频网站| 国产成人91sexporn| 久久人人爽人人片av| 我的老师免费观看完整版| 中文字幕久久专区| 亚洲欧洲国产日韩| 一级av片app| 国产av在哪里看| 麻豆乱淫一区二区| 亚洲精品亚洲一区二区| 亚洲人与动物交配视频| 全区人妻精品视频| 成人无遮挡网站| 99久久九九国产精品国产免费| 18禁在线播放成人免费| 国产亚洲av片在线观看秒播厂 | a级毛片a级免费在线| 亚洲欧美精品综合久久99| 男的添女的下面高潮视频| 国产亚洲精品久久久com| 国产亚洲精品久久久久久毛片| 日韩高清综合在线| 在线观看66精品国产| 精品久久久久久久末码| 亚洲av二区三区四区| 亚洲国产精品成人综合色| 国产成人午夜福利电影在线观看| 国产精品,欧美在线| 欧美极品一区二区三区四区| 男女啪啪激烈高潮av片| 国产真实乱freesex| 色哟哟哟哟哟哟| 99久国产av精品国产电影| 九九在线视频观看精品| 美女内射精品一级片tv| 黄色配什么色好看| 天美传媒精品一区二区| 欧美激情国产日韩精品一区| 成人漫画全彩无遮挡| 天堂av国产一区二区熟女人妻| 深夜精品福利| 久久人妻av系列| 99久久中文字幕三级久久日本| 免费黄网站久久成人精品| 26uuu在线亚洲综合色| 一级av片app| 日本与韩国留学比较| 国产中年淑女户外野战色| 男的添女的下面高潮视频| 在现免费观看毛片| 国产精品一区二区性色av| 午夜免费激情av| 全区人妻精品视频| 亚洲va在线va天堂va国产| 小说图片视频综合网站| 夜夜爽天天搞| 国产精品一区二区三区四区免费观看| 一夜夜www| 黄色欧美视频在线观看| 丰满的人妻完整版| 一本精品99久久精品77| 最新中文字幕久久久久| 国产亚洲欧美98| 国产亚洲5aaaaa淫片| 国产精品一二三区在线看| 日韩一本色道免费dvd| 能在线免费观看的黄片| 欧美三级亚洲精品| 久久九九热精品免费| 亚洲中文字幕一区二区三区有码在线看| 国模一区二区三区四区视频| 九九在线视频观看精品| 欧美成人一区二区免费高清观看| 99久久九九国产精品国产免费| 国产精品人妻久久久影院| 中文字幕制服av| 国产av在哪里看| 精品人妻熟女av久视频| 插逼视频在线观看| 日本av手机在线免费观看| 看片在线看免费视频| 免费不卡的大黄色大毛片视频在线观看 | 人妻少妇偷人精品九色| 变态另类丝袜制服| 精品久久久久久久久久免费视频| 亚洲欧美成人综合另类久久久 | 午夜激情福利司机影院| 在线a可以看的网站| 午夜老司机福利剧场| 天堂中文最新版在线下载 | 欧美日韩综合久久久久久| 三级毛片av免费| 久久亚洲精品不卡| 中文字幕av在线有码专区| 嫩草影院入口| 亚洲精品久久久久久婷婷小说 | 99久久精品一区二区三区| 日韩av在线大香蕉| 日韩av不卡免费在线播放| 亚洲不卡免费看| 久久久久久久午夜电影| 变态另类成人亚洲欧美熟女| 久久人人爽人人片av| 久久精品国产清高在天天线| 久久久久免费精品人妻一区二区| 免费观看的影片在线观看| 国产精品无大码| 天堂网av新在线| 国产黄片视频在线免费观看| 身体一侧抽搐| 精品久久久久久成人av| a级毛片免费高清观看在线播放| 波野结衣二区三区在线| 少妇熟女欧美另类| 美女黄网站色视频| 免费看光身美女| 国产真实乱freesex| 久久亚洲精品不卡| kizo精华| 国产精华一区二区三区| av免费观看日本| 成人欧美大片| 欧美xxxx黑人xx丫x性爽| 亚洲真实伦在线观看| 真实男女啪啪啪动态图| а√天堂www在线а√下载| 成人毛片a级毛片在线播放| 成人亚洲精品av一区二区| 色综合站精品国产| 插逼视频在线观看| 中出人妻视频一区二区| 男女边吃奶边做爰视频| 日本成人三级电影网站| 免费看av在线观看网站| 99在线人妻在线中文字幕| h日本视频在线播放| 国产人妻一区二区三区在| 日日啪夜夜撸| 成熟少妇高潮喷水视频| 变态另类丝袜制服| av天堂中文字幕网| 久久精品夜色国产| 国产一区二区在线观看日韩| 国产色爽女视频免费观看| 久久综合国产亚洲精品| 不卡一级毛片| 亚洲美女搞黄在线观看| 我要看日韩黄色一级片| av.在线天堂| 亚洲av电影不卡..在线观看| 国产精品爽爽va在线观看网站| 夜夜看夜夜爽夜夜摸| 亚洲av不卡在线观看| 综合色av麻豆| 亚洲第一区二区三区不卡| 校园春色视频在线观看| 嫩草影院精品99| 精品熟女少妇av免费看| 校园春色视频在线观看| 激情 狠狠 欧美| 色哟哟哟哟哟哟| 日本在线视频免费播放| 少妇裸体淫交视频免费看高清| 国产精品综合久久久久久久免费| av黄色大香蕉| 91在线精品国自产拍蜜月| 国产三级中文精品| 国产日韩欧美在线精品| 色播亚洲综合网| 欧美又色又爽又黄视频| 黄色欧美视频在线观看| 好男人视频免费观看在线| 国产 一区精品| 日韩一区二区视频免费看| 高清毛片免费观看视频网站|