• <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 ?

    基于多區(qū)域中心加權卷積特征的圖像檢索

    2019-10-15 02:21:53楊海龍張娜包曉安桂江生
    軟件導刊 2019年8期
    關鍵詞:圖像檢索特征提取

    楊海龍 張娜 包曉安 桂江生

    摘 要:針對圖像特征局部信息描述不足問題,提出一種基于多區(qū)域中心加權深度卷積特征提取方法。首先通過卷積神經(jīng)網(wǎng)絡提取輸入圖像的卷積層激活特征圖,然后通過計算不同通道特征圖的差異,選擇具有區(qū)分性的區(qū)域特征圖,最后通過多區(qū)域權重進行加權聚合,生成用于檢索圖像特征向量。在不同的建筑物數(shù)據(jù)集進行實驗,結果表明檢索精度分別提升了1.2%、0.9%。

    關鍵詞:卷積特征;特征加權;特征提取;圖像檢索

    DOI:10. 11907/rjdk. 182855 開放科學(資源服務)標識碼(OSID):

    中圖分類號:TP317.4 文獻標識碼:A 文章編號:1672-7800(2019)008-0204-04

    Image Retrieval Based on Multi-region Center Weighted Convolution Feature

    YANG Hai-long, ZHANG Na, BAO Xiao-an, GUI Jiang-sheng

    (School of Information Science and Technology, Zhejiang Sci-Tech University, Hangzhou 310018, China)

    Abstract:Aiming at the problem of insufficient description of image feature local information, a multi-region center weighted depth convolution feature extraction method is proposed. Firstly, the convolutional layer activation feature map of the input image is extracted by the convolutional neural network, and then the discriminative regional feature map is selected by calculating the difference of the different channel feature maps. Finally, the multi-region weights are used for weighted aggregation to generate the image feature vector for retrieval. After experiments in the image dataset, the retrieval accuracy was increased by 1.2% and 0.9%.

    Key Words:convolution feature; feature weighting; feature extraction; image retrieval

    基金項目:國家自然科學基金項目(61502430,61562015)

    作者簡介:楊海龍(1993-),男,浙江理工大學信息學院碩士研究生,研究方向為圖像處理。

    0 引言

    伴隨著計算機及互聯(lián)網(wǎng)技術的發(fā)展,各種便攜設備逐步普及,圖像數(shù)據(jù)日益增加,如何從海量的圖像數(shù)據(jù)中高效、準確地檢索出用戶所需要的相似圖像成為圖像檢索研究熱點。

    以傳統(tǒng)手工特征SIFT(Scale-Invariant Feature Transform)為代表[1],出現(xiàn)了如詞袋模型(Bag-of-Words,BoW)[2]、費雪向量(Fisher Vector,F(xiàn)V)[3]以及局部聚合向量(Vector of locally aggregated descriptors,VLAD)[4]等局部特征編碼方法,BoW局部特征視為視覺詞,隨后使用K-Means無監(jiān)督聚類算法“視覺詞典”,最后將統(tǒng)計圖像中關鍵視覺詞出現(xiàn)頻率的直方圖作為圖像的全局視覺描述。FV算法通過高斯混合模型對不同的局部特征進行聚類,構建需要的視覺特征詞典,并使用關鍵視覺詞的均值和方差梯度信息表示圖像的全局特征,同等長度的特征檢索性能優(yōu)于BoW算法[5]。VLAD改進了BoW全局特征編碼過程,將局部特征與字典中心距離信息累積編碼作為圖像特征向量。

    隨著深度學習的發(fā)展,深度卷積神經(jīng)網(wǎng)絡(Convolutional Neural Network,CNN)在圖像檢索領域效果卓著[6]。早期Babenko 等[7]將CNN用于圖像檢索,提出使用預先訓練的CNN提取全連接層特征作為圖像特征用語檢索,取得了優(yōu)于傳統(tǒng)特征的精度。隨后分析了卷積特征包含的局部信息,提出對CNN特征進行池化SPoC(Sum Pooled Convolutional Features)[8],檢索精度優(yōu)于全連接層特征,結果表明卷積層特征比全連接層特征包含更多的圖像局部信息;Tolias 等[9]提出了基于區(qū)域卷積激活特征最大化的R-MAC(Regional Maximum Activation of Convolutions)特征提取算法,采用不同尺度的區(qū)域池化生成圖像的全局特征;Kalantidis 等[10]提出了CROW方法(Cross Dimensional Weighting),將卷積層特征按照通道、空間分解,分別計算卷積層特征對應的權重值,最后將其累加求和獲取圖像描述特征,提升了檢索性能;王利卿等[11]為了克服圖像尺度變化問題,提出了多尺度神經(jīng)網(wǎng)絡提取特征,并通過壓縮模型降低計算復雜度,在商品數(shù)據(jù)集上精度良好;Li等[12]提出了對多個卷積層特征進行融合的方法,檢索精度有所提升;Jimenez 等[13]將CAM(Class Activation Map)中學習的類別信息融合進圖像特征中,通過提取每個類別中判別性語義區(qū)域?qū)μ卣骷訖嗖僮鳌?/p>

    但此前的研究忽略了目標位置信息,對此,Wei等[14]提出了選擇性卷積描述聚合SCDA(Selective Convolutional Descriptor Aggregation),通過獲取檢索目標物體位置區(qū)域,丟棄無關的背景區(qū)域,最終根據(jù)篩選后的特征區(qū)域經(jīng)過池化形成圖像特征向量。董榮勝等[15]受此啟發(fā)對Crow進行了改進,先提取出區(qū)域位置,再對該區(qū)域卷積特征進行空間和通道加權,提升了特征的判別性。

    為提升特征局部信息描述能力,本文提出一種基于多區(qū)域中心加權的卷積特征提取方法,通過對卷積激活響應,從通道維度的卷積特征圖進行篩選,去除差異較小的特征圖,提取具有代表性的語義區(qū)域卷積特征圖,丟棄不相關的噪聲圖像區(qū)域,最終根據(jù)篩選后的特征進行加權生成圖像特征向量。在不同的建筑物數(shù)據(jù)集上進行實驗,結果表明提出的算法取得了較優(yōu)的檢索精度。

    1 提取方法

    1.1 符號定義

    如圖1所示,將尺寸大小為[H×W]的圖像I作為整個網(wǎng)絡的輸入數(shù)據(jù),輸入圖像經(jīng)過CNN網(wǎng)絡處理后,抽取出圖像的卷積層激活響應(Activations),其為 [h×w×c] 大小的三維卷積特征張量T。從通道維度劃分,張量T視為包含c個二維卷積特征圖(Feature Map),將卷積特征圖記為[Fk=Tk?,k=1,?,c]。從空間維度劃分,張量T視為具有 [h×w] 個維度為c的卷積通道向量,記為[C(i,j)=T(i,j)?,][i∈1,?,h,j∈1,?,w],其中i,j對應卷積激活響應中的位置坐標。

    圖1 卷積激活特征

    1.2 圖像特征提取流程

    卷積特征圖篩選階段,先將數(shù)據(jù)庫中圖像傳入卷積神經(jīng)網(wǎng)絡進行處理,抽取所有圖像的卷積激活響應。然后空間維度求和獲取c維向量,對所有求和后的向量獲取標準差數(shù)據(jù),選取偏差較大的卷積核作為選取后的區(qū)域特征提取器,最后對選擇后的區(qū)域提取器等信息進行保存,見圖2。

    圖2 特征提取流程

    在特征加權階段,先通過提取器提取語義區(qū)域特征圖中的響應值進行排序,然后通過響應值計算語義區(qū)域中心位置,最后根據(jù)位置生成權重對卷積激活響應進行加權操作,獲取圖像的全局特征描述。

    1.3 區(qū)域特征圖選擇策略

    卷積層不同的卷積核可被特定的模式(Pattern)激活,多個卷積核非線性組合可以提取特定的圖像語義區(qū)域信息。通過對卷積特征圖進行篩選,可以提取出包含語義區(qū)域的響應值。篩選具有區(qū)別性語義區(qū)域的特征圖,去除部分無關的卷積特征圖,減少信息冗余和噪聲。卷積核在不同目標上的響應存在顯著差異,因此特征圖之間的差異可以衡量響應值中目標的信息。以此為基礎,采用計算c個通道二維特征圖之間的數(shù)值標準差[s∈Rc],保留偏離值較大的通道特征圖,計算公式如下:

    其中,[s,N,xk] 分別代表所求的標準差向量、訓練數(shù)據(jù)集中圖像的數(shù)量、通道維度c對其它維度進行求和得到的c維特征向量。

    隨后對獲取的標準差向量進行排序,獲取偏離程度大的通道位置。該通道對應的卷積核在不同圖像上的響應值有顯著差異,提供了目標的相關判別性信息,將此卷積核稱之為區(qū)域特征提取器。為查看選取的區(qū)域特征提取器的有效性,對相同位置卷積核產(chǎn)生的卷積特征進行可視化操作。

    可視化后的特征圖像素點越白表示響應值越大,越黑則響應值越小。從圖3可看出,具有檢索目標的位置顏色偏白,而沒有的顏色則較黑。經(jīng)過篩選后的卷積特征圖能有效抑制背景噪聲并突出該特征圖中包含的檢索目標。隨后對提取器的選取數(shù)量進行實驗,分析對比選取方式與數(shù)量對檢索精度的影響。

    圖3 卷積特征圖可視化

    1.4 多區(qū)域中心加權聚合方法

    SPoC算法假定高斯中心處于圖像幾何中心,沒有考慮目標空間位置的關聯(lián)性。因此本文提出了多區(qū)域中心的高斯權重生成方法。區(qū)域特征圖選擇策略能去除不相關的噪聲干擾,突出了判別性目標位置信息和其近鄰關系。高斯權重記為[wk(i,j)∈Rh×w]:

    其中,[xk,σ,(i0,j0)] 分別表示選取的卷積特征圖、高斯函數(shù)的標準方差函數(shù)和幾何中心坐標。將標準方差設定為卷積特征圖幾何中心與邊界距離的一半,由特征圖響應值排序,選取響應值較大的確定中心點坐標,選取的百分比由參數(shù) [α] 表示。提取特征圖,選取排序后較大的響應值作為基準獲取高斯函數(shù)的幾何中心。獲取區(qū)域中心后對卷積激活響應進行加權操作,獲得圖像的加權特征描述[f]:

    最后在求得多個區(qū)域中心特征權重加權操作后,根據(jù)Crow方法對通道維度進行加權,最后將加權特征拼接成圖像全局特征描述。為了方便后續(xù)特征間相似度計算,對圖像全局特征進行了歸一化和PCA特征降維操作。

    2 實驗

    2.1 實驗設計

    為評估算法性能,本實驗采用常用的建筑圖像檢索數(shù)據(jù)集:牛津Oxford5K、巴黎Paris6K以及增加了干擾數(shù)據(jù)的Oxford105k和Paris106k[17]。Oxford5k和Paris6k為研究者從網(wǎng)站上搜集的Oxford和Paris兩地的著名城市地標建筑物圖片。其中Oxford和Paris建筑數(shù)據(jù)集包含五千多張圖像樣本,所有的圖像樣本均對應一個類別標簽,共11種不同的地標標簽;每類地標圖像包含5個相關的檢索樣本,總共包含55個檢索圖像樣本,其余的圖像為不包含目標的干擾樣本。

    實驗采用keras搭建 VGG Net 16層網(wǎng)絡模型[16],去除卷積層后的全連接層,提取最后一層卷積層的輸出作為卷積激活響應。首先保留輸入圖像的原始尺寸,隨后進行預處理操作。采用深度卷積網(wǎng)絡模型提取實驗圖像樣本的卷積激活響應,按照特征圖篩選算法和多區(qū)域中心加權算法提取圖像的全局特征描述。

    實驗評估步驟:先提取待查詢圖像全局特征描述,并計算與圖像全局特征之間的距離,然后采用余弦相似度計算方法對得到的圖像之間的相似度依據(jù)從大到小順序進行排序,最后選取排名靠前的圖像作為檢索結果。

    將平均精確度均值mAP作為圖像檢索性能評價指標[18]。為進一步提升檢索精度,還進行了查詢拓展QE(Query Expansion)[19],即對初步查詢后得到的結果求平均特征,并使用該特征再進行檢索,將其結果作為最后的查詢結果。

    2.2 實驗結果與分析

    2.2.1 區(qū)域提取器數(shù)量對比實驗

    為評估不同數(shù)量的提取器對檢索性能產(chǎn)生的影響,進行排序后選擇與隨機選擇方法對比實驗,如圖4所示。

    圖4 區(qū)域數(shù)目對比

    圖4對比了隨機選擇和排序選擇兩種策略,圖中實線代表牛津數(shù)據(jù)集實驗結果,虛線為巴黎數(shù)據(jù)集實驗結果,實驗結果表明排序選擇優(yōu)于隨機選擇策略。當選取的區(qū)域特征提取器數(shù)量較少時,檢索精度較低,原因可能是丟失了過多的圖像目標位置信息,在加權后產(chǎn)生判別性較弱的特征描述。與之相反,當提取器數(shù)量超過50%時,兩種策略檢索精度無明顯差異,說明提取器過多產(chǎn)生了一定的噪聲,檢索精度也隨之下降。實驗結果表明特征篩選能夠降低噪聲干擾,提升特征描述能力,并且取得優(yōu)于隨機方法的精度。隨后的實驗中將提取器數(shù)值設定為通道總數(shù)的15%。

    2.2.2 CNN算法對比

    實驗分別對比同等特征維度下的各種圖像特征提取方法的性能,如表1所示,加黑的數(shù)字為性能表現(xiàn)最優(yōu)的檢索精度。從表1可以看出,采用提取全連接層的檢索算法檢索性能最低,而采用卷積層特征的算法性能上有一定優(yōu)勢。由于SPoC算法的特征維數(shù)較低,所以精度較低。在Paris數(shù)據(jù)集上,本文提出的算法比次優(yōu)的 R-MAC 算法 mAP 超出一個百分點,在拓展的干擾數(shù)據(jù)集上高出兩個百分點,而在Oxford數(shù)據(jù)集上,檢索精度優(yōu)于其它同類卷積特征算法。由于 R-MAC 算法進行了近似最大池化定位(Approximate Max-Pooling Localization,AML)操作,在Paris建筑物數(shù)據(jù)集上,本文方法的檢索精度相差0.3%,但在Oxford數(shù)據(jù)集上,本文的算法依舊高于次優(yōu)算法1%。實驗證實,通過簡單的查詢拓展操作后,不同的特征提取算法性能都有所提升。

    表1 不同算法檢索mAP比較

    3 結語

    本文提出了一種新穎的圖像卷積特征加權方法,區(qū)域特征圖選擇策略和卷積特征加權策略是本算法核心。實驗結果表明,提出的圖像特征提取算法在相同條件下取得了優(yōu)于其它同類別CNN算法的檢索性能。未來研究工作中將繼續(xù)對圖像特征提取方法進行改進,從增加網(wǎng)絡深度、采用成對的樣本微調(diào)網(wǎng)絡參數(shù)等方向進行深入研究。

    參考文獻:

    [1] LOWE D G. Distinctive image features from scale-invariant keypoints[J]. International Journal of Computer Vision, 2004, 60(2):91-110.

    [2] WU J,LI Z,QU W, et al. A new bag-of-words model using multi-cue integration for image retrieval[J]. International Journal of Computational Science & Engineering, 2016, 13(1):80-86.

    [3] QI C,SHI C,XU J,et al. Spatial weighted fisher vector for image retrieval[C]. IEEE International Conference on Multimedia & Expo, 2017.

    [4] 顏文,金煒, 符冉迪. 結合VLAD特征和稀疏表示的圖像檢索[J]. 電信科學, 2016, 32(12):80-85.

    [5] 周文罡, 周文罡, 李厚強, 等. 圖像檢索技術研究進展 [J]. 南京信息工程大學學報:自然科學版, 2017, 9(6):613-634.

    [6] ZHENG L,YANG Y,TIAN Q. Sift meets cnn: a decade survey of instance retrieval[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2016, 40(5):1224-1244.

    [7] BABENKO A, SLESAREV A, CHIGORIN A, et al. Neural codes for image retrieval[C].European conference on computer vision. Springer, Cham, 2014: 584-599.

    [8] BABENKO A V,VICTOR L. Aggregating local deep features for image retrieval[C].IEEE International Conference on Computer Vision, 2016.

    [9] TOLIAS G,SICRE R,JéGOU? HERVé. Particular object retrieval with integral max-pooling of CNN activations[J]. Computer Science, 2015(9):2254-2261.

    [10] KALANTIDIS Y,MELLINA C,OSINDERO S. Cross-dimensional weighting for aggregated deep convolutional features[C].European Conference on Computer Vision. Springer, Cham, 2016.

    [11] 王利卿, 黃松杰. 基于多尺度卷積神經(jīng)網(wǎng)絡的圖像檢索算法[J]. 軟件導刊, 2016, 15(2):38-40.

    [12] LI Y,XU Y,WANG J,et al. MS-RMAC: multiscale regional maximum activation of convolutions for image retrieval[J]. IEEE Signal Processing Letters, 2017, 24(5):609-613.

    [13] JIMENEZ A,ALVAREZ J M,GIRO-I-NIETO X. Class-weighted convolutional features for visual instance search[J]. arXiv preprint , 2017(1): 1707-2581.

    [14] WEI X S,LUO J H,WU J,et al. Selective convolutional descriptor aggregation for fine-grained image retrieval[J]. IEEE Transactions on Image Processing, 2017, 26(6):2868-2881.

    [15] 董榮勝,程德強,李鳳英. 用于圖像檢索的多區(qū)域交叉加權聚合深度卷積特征[J]. 計算機輔助設計與圖形學學報, 2018(4):2011-2021.

    [16] SIMONYAN K, ZISSERMAN A. Very deep convolutional networks for large-scale image recognition[J]. arXiv preprint,2014(5):1409-1556.

    [17] RADENOVI? F, ISCEN A, TOLIAS G, et al. Revisiting Oxford and paris: large-scale image retrieval benchmarking[J]. arXiv preprint ,2018(2):1524-1530.

    [18] 于俊清, 吳澤斌, 吳飛,等. 多媒體工程:圖像檢索研究進展與發(fā)展趨勢[J]. 中國圖象圖形學報, 2017, 22(11):1467-1485.

    [19] 柯圣財, 李弼程, 陳剛,等. 一種基于視覺詞典優(yōu)化和查詢擴展的圖像檢索方法[J]. 自動化學報, 2018, 44(1):2141-2148.

    [20] ARANDJELOVIC R, GRONAT P, TORII A, et al. Netvlad: CNN architecture for weakly supervised place recognition[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence,2017(99):1-2.

    (責任編輯:杜能鋼)

    猜你喜歡
    圖像檢索特征提取
    特征提取和最小二乘支持向量機的水下目標識別
    基于Gazebo仿真環(huán)境的ORB特征提取與比對的研究
    電子制作(2019年15期)2019-08-27 01:12:00
    基于Daubechies(dbN)的飛行器音頻特征提取
    電子制作(2018年19期)2018-11-14 02:37:08
    Bagging RCSP腦電特征提取算法
    基于卷積神經(jīng)網(wǎng)絡的車輛檢索方法研究
    圖像特征在區(qū)域范圍內(nèi)提取方法的研究
    基于Hadoop平臺的圖像檢索模型
    基于顏色特征的行李箱檢索系統(tǒng)設計與實現(xiàn)
    軟件導刊(2016年11期)2016-12-22 21:42:53
    基于內(nèi)容的圖像檢索算法技術研究
    基于分塊顏色核特征的圖像檢索方法
    av天堂中文字幕网| 亚洲精品456在线播放app| 午夜久久久久精精品| 大香蕉久久网| 村上凉子中文字幕在线| 有码 亚洲区| 国产亚洲av嫩草精品影院| 欧美成人免费av一区二区三区| 亚洲精华国产精华液的使用体验 | 国产高清视频在线播放一区| 国产成人福利小说| 国产片特级美女逼逼视频| 国产大屁股一区二区在线视频| 少妇高潮的动态图| 亚洲乱码一区二区免费版| or卡值多少钱| 在线免费观看不下载黄p国产| 午夜精品一区二区三区免费看| 欧美日韩综合久久久久久| 少妇被粗大猛烈的视频| 中国国产av一级| 可以在线观看的亚洲视频| 亚洲在线自拍视频| 日本免费一区二区三区高清不卡| 日韩欧美三级三区| 午夜精品在线福利| 天堂网av新在线| 欧美日韩一区二区视频在线观看视频在线 | 日韩大尺度精品在线看网址| ponron亚洲| 欧美精品国产亚洲| 99久国产av精品国产电影| 尤物成人国产欧美一区二区三区| 白带黄色成豆腐渣| 99久久中文字幕三级久久日本| 国产精品久久久久久av不卡| 中文字幕人妻熟人妻熟丝袜美| 黄色日韩在线| 日韩欧美一区二区三区在线观看| 日本一二三区视频观看| 可以在线观看毛片的网站| 三级国产精品欧美在线观看| 色哟哟·www| 99在线视频只有这里精品首页| 亚洲av成人精品一区久久| 成人特级黄色片久久久久久久| 亚洲av.av天堂| 国模一区二区三区四区视频| 国产aⅴ精品一区二区三区波| 欧美最新免费一区二区三区| 国产精品一及| 国产精华一区二区三区| 又黄又爽又刺激的免费视频.| 欧美日韩综合久久久久久| 免费av毛片视频| 国模一区二区三区四区视频| 亚洲在线自拍视频| 在线观看av片永久免费下载| 91久久精品国产一区二区三区| 简卡轻食公司| 欧美激情国产日韩精品一区| 亚洲欧美成人综合另类久久久 | 欧美性感艳星| 精品日产1卡2卡| 亚洲人成网站在线观看播放| 又黄又爽又免费观看的视频| 天天躁夜夜躁狠狠久久av| 欧美精品国产亚洲| 日本撒尿小便嘘嘘汇集6| 国产精品不卡视频一区二区| 看非洲黑人一级黄片| 99国产精品一区二区蜜桃av| 久久久a久久爽久久v久久| 高清午夜精品一区二区三区 | 毛片女人毛片| 看片在线看免费视频| 久久热精品热| 综合色丁香网| 尤物成人国产欧美一区二区三区| 22中文网久久字幕| 黄色视频,在线免费观看| 热99re8久久精品国产| av专区在线播放| 大型黄色视频在线免费观看| 级片在线观看| 久久亚洲国产成人精品v| 日韩av不卡免费在线播放| 久久久久久久午夜电影| 搡老熟女国产l中国老女人| 大型黄色视频在线免费观看| 亚洲无线在线观看| 色av中文字幕| 精品一区二区三区视频在线观看免费| 亚洲无线在线观看| 免费黄网站久久成人精品| 黄色日韩在线| 国产男人的电影天堂91| 久久精品夜色国产| 网址你懂的国产日韩在线| 国产成人91sexporn| 国产精华一区二区三区| 久久亚洲国产成人精品v| 亚洲欧美日韩无卡精品| 久久综合国产亚洲精品| 特大巨黑吊av在线直播| 亚洲国产高清在线一区二区三| АⅤ资源中文在线天堂| 又爽又黄无遮挡网站| 久久久久国产网址| 黑人高潮一二区| 人妻少妇偷人精品九色| 久久亚洲国产成人精品v| 搡老岳熟女国产| 99久久无色码亚洲精品果冻| 亚洲人成网站高清观看| 日韩一本色道免费dvd| 一级毛片电影观看 | 久久久久久伊人网av| 在线观看午夜福利视频| 18+在线观看网站| 精品人妻视频免费看| 99国产精品一区二区蜜桃av| 欧美一级a爱片免费观看看| 日本免费一区二区三区高清不卡| 日日摸夜夜添夜夜爱| 亚洲第一电影网av| 国产免费一级a男人的天堂| 97在线视频观看| 久久99热6这里只有精品| 国内精品一区二区在线观看| 国产精品一区二区三区四区久久| 干丝袜人妻中文字幕| 99久久九九国产精品国产免费| 一进一出好大好爽视频| 非洲黑人性xxxx精品又粗又长| 欧美日韩国产亚洲二区| 香蕉av资源在线| 国产片特级美女逼逼视频| 午夜日韩欧美国产| 看非洲黑人一级黄片| 国产精品久久视频播放| 成人精品一区二区免费| 婷婷精品国产亚洲av在线| 91在线精品国自产拍蜜月| 精品人妻一区二区三区麻豆 | 91久久精品国产一区二区成人| 国产av一区在线观看免费| 国产午夜福利久久久久久| 欧美一区二区国产精品久久精品| 欧美成人精品欧美一级黄| 在线观看免费视频日本深夜| 国产一区二区激情短视频| 国产亚洲欧美98| 亚洲av成人精品一区久久| 你懂的网址亚洲精品在线观看 | 欧美不卡视频在线免费观看| 长腿黑丝高跟| 欧美中文日本在线观看视频| 日本黄色视频三级网站网址| 狂野欧美激情性xxxx在线观看| 中出人妻视频一区二区| 在线观看66精品国产| 少妇的逼好多水| 国产亚洲欧美98| 国产精品一区二区三区四区免费观看 | 国产黄色视频一区二区在线观看 | 久久久a久久爽久久v久久| 国产极品精品免费视频能看的| 十八禁网站免费在线| 一级黄片播放器| 国产精品国产高清国产av| 色吧在线观看| 亚洲精品456在线播放app| 免费av不卡在线播放| 国产一区二区在线av高清观看| 男人狂女人下面高潮的视频| 国产极品精品免费视频能看的| 舔av片在线| 亚洲国产精品久久男人天堂| 神马国产精品三级电影在线观看| 最近手机中文字幕大全| 亚洲最大成人中文| 国产一区二区亚洲精品在线观看| 精品久久久久久久久久久久久| 在线观看av片永久免费下载| 18禁裸乳无遮挡免费网站照片| 人人妻人人看人人澡| 最新中文字幕久久久久| 在现免费观看毛片| 日韩精品中文字幕看吧| 色综合站精品国产| 色av中文字幕| 国产乱人视频| 春色校园在线视频观看| 在线播放无遮挡| 九九久久精品国产亚洲av麻豆| 可以在线观看的亚洲视频| 黄色一级大片看看| 激情 狠狠 欧美| 直男gayav资源| 日韩一本色道免费dvd| 久久韩国三级中文字幕| 中国美白少妇内射xxxbb| 99热网站在线观看| 久久精品国产亚洲网站| 国产极品精品免费视频能看的| 我要搜黄色片| 久久久久久久亚洲中文字幕| 成人国产麻豆网| 国产精品美女特级片免费视频播放器| 女同久久另类99精品国产91| 亚洲欧美日韩卡通动漫| 久久久久久久亚洲中文字幕| 国产真实伦视频高清在线观看| 国产成人影院久久av| 91狼人影院| 国产精品国产三级国产av玫瑰| 97超级碰碰碰精品色视频在线观看| 免费av不卡在线播放| 国产一区二区三区在线臀色熟女| 人妻丰满熟妇av一区二区三区| 日本色播在线视频| 非洲黑人性xxxx精品又粗又长| 亚洲专区国产一区二区| 嫩草影院新地址| 日本一本二区三区精品| 男人舔女人下体高潮全视频| 在线免费观看不下载黄p国产| 日本成人三级电影网站| 18禁在线播放成人免费| 一级毛片aaaaaa免费看小| 久久精品久久久久久噜噜老黄 | 久久九九热精品免费| 熟妇人妻久久中文字幕3abv| 亚洲18禁久久av| 精品午夜福利视频在线观看一区| 欧美又色又爽又黄视频| 午夜免费激情av| 欧美激情国产日韩精品一区| 综合色av麻豆| 精品久久久噜噜| 欧美日韩精品成人综合77777| 别揉我奶头~嗯~啊~动态视频| 免费无遮挡裸体视频| a级毛片免费高清观看在线播放| 国产久久久一区二区三区| 国产精品久久久久久亚洲av鲁大| 在线免费十八禁| 国产高清不卡午夜福利| 欧美zozozo另类| 亚洲中文日韩欧美视频| 波多野结衣高清作品| 中文字幕免费在线视频6| 大型黄色视频在线免费观看| 99在线视频只有这里精品首页| 精品福利观看| 91在线精品国自产拍蜜月| a级一级毛片免费在线观看| 久久久久久伊人网av| 亚洲精品456在线播放app| 国内少妇人妻偷人精品xxx网站| 毛片一级片免费看久久久久| 国产免费男女视频| 噜噜噜噜噜久久久久久91| 精品一区二区三区av网在线观看| 国产成人91sexporn| 国产精品久久久久久久久免| 久久久午夜欧美精品| 99久久精品国产国产毛片| 又黄又爽又免费观看的视频| 嫩草影院新地址| 在线国产一区二区在线| 黑人高潮一二区| 免费黄网站久久成人精品| 最好的美女福利视频网| 美女 人体艺术 gogo| 国产极品精品免费视频能看的| 国产成人a∨麻豆精品| 国产午夜精品论理片| АⅤ资源中文在线天堂| 国产综合懂色| avwww免费| 99热这里只有是精品在线观看| 12—13女人毛片做爰片一| 一边摸一边抽搐一进一小说| 中国美白少妇内射xxxbb| 少妇被粗大猛烈的视频| 亚洲va在线va天堂va国产| 中文字幕人妻熟人妻熟丝袜美| 国产精品久久电影中文字幕| 99久久精品一区二区三区| 国产一区二区在线观看日韩| 久久久色成人| 国产亚洲精品av在线| 国产精品无大码| 99久国产av精品国产电影| 欧美+日韩+精品| 午夜福利18| 男插女下体视频免费在线播放| 黄色欧美视频在线观看| 国产av在哪里看| 插阴视频在线观看视频| 看片在线看免费视频| 日本 av在线| 非洲黑人性xxxx精品又粗又长| 亚洲成人av在线免费| 嫩草影院精品99| 国产aⅴ精品一区二区三区波| 国产午夜精品久久久久久一区二区三区 | 国产精品日韩av在线免费观看| 高清毛片免费看| 三级国产精品欧美在线观看| 一夜夜www| 精品久久久噜噜| 精品久久久久久久久亚洲| 欧美色视频一区免费| 精品国内亚洲2022精品成人| 国产高清视频在线播放一区| 久久久精品欧美日韩精品| 成人鲁丝片一二三区免费| 夜夜看夜夜爽夜夜摸| 黄色视频,在线免费观看| 一卡2卡三卡四卡精品乱码亚洲| 亚洲中文字幕日韩| 深爱激情五月婷婷| 免费黄网站久久成人精品| 一级黄色大片毛片| 免费av毛片视频| 午夜爱爱视频在线播放| 色5月婷婷丁香| 一进一出好大好爽视频| 好男人在线观看高清免费视频| 久久亚洲国产成人精品v| 欧美bdsm另类| 午夜老司机福利剧场| 天堂av国产一区二区熟女人妻| 自拍偷自拍亚洲精品老妇| 久久天躁狠狠躁夜夜2o2o| 晚上一个人看的免费电影| 亚洲性久久影院| 国产蜜桃级精品一区二区三区| 在线免费观看不下载黄p国产| 大香蕉久久网| 国产男人的电影天堂91| 91精品国产九色| 三级男女做爰猛烈吃奶摸视频| 丰满乱子伦码专区| 色av中文字幕| 色哟哟哟哟哟哟| 欧美一区二区亚洲| 又爽又黄a免费视频| 久久欧美精品欧美久久欧美| 日日摸夜夜添夜夜爱| 欧美最黄视频在线播放免费| 亚洲熟妇熟女久久| 啦啦啦观看免费观看视频高清| 亚洲av美国av| 亚洲人成网站高清观看| 哪里可以看免费的av片| 日日摸夜夜添夜夜添小说| 99在线人妻在线中文字幕| 精品久久久久久久久久免费视频| 免费高清视频大片| 欧美最黄视频在线播放免费| 有码 亚洲区| 啦啦啦观看免费观看视频高清| 国产男人的电影天堂91| 成人一区二区视频在线观看| 欧美性猛交黑人性爽| 少妇的逼水好多| 久久精品综合一区二区三区| 欧美日本视频| 天美传媒精品一区二区| 搡女人真爽免费视频火全软件 | 97碰自拍视频| 成人性生交大片免费视频hd| 国产高清视频在线播放一区| 非洲黑人性xxxx精品又粗又长| 中文字幕av成人在线电影| 热99re8久久精品国产| 日韩一本色道免费dvd| 99久久精品国产国产毛片| 免费av观看视频| 午夜a级毛片| 国产精品美女特级片免费视频播放器| 午夜福利在线观看免费完整高清在 | 亚洲欧美中文字幕日韩二区| 国产免费一级a男人的天堂| 99久久精品国产国产毛片| 99视频精品全部免费 在线| 美女内射精品一级片tv| 亚洲欧美精品自产自拍| 日本欧美国产在线视频| 精品人妻偷拍中文字幕| 性色avwww在线观看| 国产老妇女一区| 国产成人影院久久av| 日本-黄色视频高清免费观看| 日韩欧美精品免费久久| 欧美三级亚洲精品| 最后的刺客免费高清国语| 九九在线视频观看精品| 在现免费观看毛片| 在线观看av片永久免费下载| 麻豆av噜噜一区二区三区| 最好的美女福利视频网| 晚上一个人看的免费电影| 成人国产麻豆网| 别揉我奶头 嗯啊视频| 99久久中文字幕三级久久日本| 精品久久久久久久久久免费视频| 成年女人永久免费观看视频| 亚洲无线观看免费| 日本爱情动作片www.在线观看 | 老司机影院成人| av在线蜜桃| 在线免费十八禁| 此物有八面人人有两片| 日本黄色片子视频| 热99在线观看视频| 精品久久久久久久久久免费视频| 国产黄a三级三级三级人| 18+在线观看网站| 一级毛片久久久久久久久女| 免费无遮挡裸体视频| 久久天躁狠狠躁夜夜2o2o| 欧美日韩一区二区视频在线观看视频在线 | 卡戴珊不雅视频在线播放| 国产白丝娇喘喷水9色精品| 亚洲五月天丁香| 欧美三级亚洲精品| 在线免费观看不下载黄p国产| av中文乱码字幕在线| 国产单亲对白刺激| 国内揄拍国产精品人妻在线| 老师上课跳d突然被开到最大视频| 日本精品一区二区三区蜜桃| 国产黄片美女视频| 欧美性感艳星| 国产精品国产高清国产av| 亚洲精品影视一区二区三区av| 国产亚洲精品久久久久久毛片| 99久国产av精品国产电影| 一进一出抽搐gif免费好疼| 亚洲人与动物交配视频| 亚洲成人精品中文字幕电影| 亚洲精品乱码久久久v下载方式| 婷婷六月久久综合丁香| 午夜精品一区二区三区免费看| 九色成人免费人妻av| 看黄色毛片网站| 久久综合国产亚洲精品| 亚洲专区国产一区二区| 1024手机看黄色片| 日本与韩国留学比较| 99久国产av精品| 丰满的人妻完整版| 久久人妻av系列| 精品久久久久久久久av| 熟妇人妻久久中文字幕3abv| 精品久久久久久久末码| 久久久久久九九精品二区国产| 久久人人爽人人片av| 人人妻人人澡欧美一区二区| 别揉我奶头 嗯啊视频| 国产精品一区二区三区四区久久| 久久久久免费精品人妻一区二区| 卡戴珊不雅视频在线播放| 国产午夜福利久久久久久| 国产成人aa在线观看| 国产av在哪里看| 九九爱精品视频在线观看| 久久久久久久久久黄片| 久久久久久久久中文| 免费大片18禁| 亚洲精品一卡2卡三卡4卡5卡| 1024手机看黄色片| 2021天堂中文幕一二区在线观| 高清毛片免费看| 国产一区亚洲一区在线观看| 国产精品不卡视频一区二区| 午夜福利在线观看吧| 成人av一区二区三区在线看| 亚洲一区高清亚洲精品| 国产av在哪里看| 国产美女午夜福利| 国产高清视频在线播放一区| 熟女人妻精品中文字幕| 久久国产乱子免费精品| 国产在线精品亚洲第一网站| a级毛片免费高清观看在线播放| 国产探花极品一区二区| 久久久久九九精品影院| 欧美又色又爽又黄视频| 亚洲久久久久久中文字幕| 久久人人爽人人爽人人片va| 久久久久久久久久成人| 久久久久九九精品影院| 久久久午夜欧美精品| 亚洲国产精品久久男人天堂| 亚洲熟妇熟女久久| 两性午夜刺激爽爽歪歪视频在线观看| 18禁裸乳无遮挡免费网站照片| 国内少妇人妻偷人精品xxx网站| 成人二区视频| 五月玫瑰六月丁香| 国产成人一区二区在线| 午夜老司机福利剧场| 天天躁夜夜躁狠狠久久av| 国产精品久久久久久久久免| 国产高清视频在线观看网站| av在线亚洲专区| 在线观看午夜福利视频| 蜜臀久久99精品久久宅男| 国产久久久一区二区三区| 长腿黑丝高跟| 天天一区二区日本电影三级| 亚洲欧美清纯卡通| av天堂在线播放| 精品人妻一区二区三区麻豆 | 国产色爽女视频免费观看| 九九热线精品视视频播放| 黄色配什么色好看| 成人av在线播放网站| 91av网一区二区| 国产高清三级在线| 日韩成人av中文字幕在线观看 | 非洲黑人性xxxx精品又粗又长| 国产精品av视频在线免费观看| 精品国内亚洲2022精品成人| 亚洲七黄色美女视频| 麻豆久久精品国产亚洲av| 啦啦啦啦在线视频资源| 亚洲18禁久久av| 国产精品99久久久久久久久| 春色校园在线视频观看| 久久人人精品亚洲av| 老师上课跳d突然被开到最大视频| 最近视频中文字幕2019在线8| 亚洲性久久影院| 亚洲七黄色美女视频| 三级经典国产精品| 在线观看午夜福利视频| 大型黄色视频在线免费观看| 别揉我奶头 嗯啊视频| 男女边吃奶边做爰视频| 亚洲经典国产精华液单| 久久精品夜色国产| 日日撸夜夜添| 欧美+日韩+精品| 国产精品嫩草影院av在线观看| 2021天堂中文幕一二区在线观| 国产在视频线在精品| 乱人视频在线观看| 中文亚洲av片在线观看爽| 在线看三级毛片| 99久久精品热视频| 国产亚洲精品综合一区在线观看| 国模一区二区三区四区视频| 村上凉子中文字幕在线| 亚洲在线自拍视频| 久久6这里有精品| 天天躁夜夜躁狠狠久久av| 校园春色视频在线观看| 成年女人永久免费观看视频| 国产黄片美女视频| 三级毛片av免费| 免费电影在线观看免费观看| 欧美色视频一区免费| 日韩精品有码人妻一区| 看黄色毛片网站| 高清毛片免费观看视频网站| 最好的美女福利视频网| 国产又黄又爽又无遮挡在线| 日韩欧美免费精品| 国内精品美女久久久久久| 女的被弄到高潮叫床怎么办| a级毛片免费高清观看在线播放| 变态另类成人亚洲欧美熟女| a级毛色黄片| 精品午夜福利在线看| 欧美绝顶高潮抽搐喷水| 99久国产av精品国产电影| 男女下面进入的视频免费午夜| 亚洲av中文字字幕乱码综合| 男女视频在线观看网站免费| 久久欧美精品欧美久久欧美| 亚洲第一电影网av| 日本免费a在线| 成人av一区二区三区在线看| 久久久久久久久久久丰满| 亚洲最大成人av| 亚洲国产高清在线一区二区三| 久久久国产成人精品二区| 国产高清视频在线观看网站| 欧美激情久久久久久爽电影| 午夜激情福利司机影院| 亚洲一级一片aⅴ在线观看| 国内精品一区二区在线观看| 亚洲人与动物交配视频| 久久久久久久久久黄片| 国内精品一区二区在线观看| 秋霞在线观看毛片| 亚洲av美国av| 欧美激情久久久久久爽电影| 免费在线观看成人毛片| 亚洲精品色激情综合| 人妻制服诱惑在线中文字幕| 日韩 亚洲 欧美在线| 99久久中文字幕三级久久日本| 欧美+日韩+精品| 欧美xxxx性猛交bbbb| 国产高清激情床上av| 搡老熟女国产l中国老女人| 亚洲欧美日韩高清专用|