• <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
    夫妻性生交免费视频一级片| 狠狠精品人妻久久久久久综合| 丰满人妻一区二区三区视频av| 高清午夜精品一区二区三区| 啦啦啦韩国在线观看视频| 少妇人妻精品综合一区二区| 嫩草影院新地址| 在线免费观看的www视频| 亚洲精品乱码久久久久久按摩| 久久鲁丝午夜福利片| 大又大粗又爽又黄少妇毛片口| 成年免费大片在线观看| 国产高清有码在线观看视频| 精品久久久久久久久av| 日韩不卡一区二区三区视频在线| 亚洲av国产av综合av卡| 网址你懂的国产日韩在线| 91狼人影院| 高清在线视频一区二区三区| 午夜爱爱视频在线播放| 69av精品久久久久久| 日本猛色少妇xxxxx猛交久久| 最新中文字幕久久久久| 日韩av在线免费看完整版不卡| 波野结衣二区三区在线| 国产伦精品一区二区三区四那| 免费在线观看成人毛片| 一区二区三区四区激情视频| 国产成人91sexporn| 一区二区三区高清视频在线| 久久久久久久久中文| 啦啦啦啦在线视频资源| 六月丁香七月| 听说在线观看完整版免费高清| 日本wwww免费看| 成人毛片a级毛片在线播放| 熟妇人妻久久中文字幕3abv| 观看免费一级毛片| 简卡轻食公司| 午夜福利在线观看吧| 国产高清国产精品国产三级 | 日本一二三区视频观看| 中国国产av一级| 久久久久久久久大av| 亚洲真实伦在线观看| 天天一区二区日本电影三级| 可以在线观看毛片的网站| 国产在视频线在精品| 超碰97精品在线观看| 国产亚洲精品久久久com| 日本爱情动作片www.在线观看| 久久久国产一区二区| 久久这里只有精品中国| 午夜福利高清视频| 欧美激情久久久久久爽电影| 可以在线观看毛片的网站| 99热这里只有精品一区| 水蜜桃什么品种好| 亚洲婷婷狠狠爱综合网| 亚洲最大成人av| 久久久精品欧美日韩精品| 舔av片在线| 国产亚洲午夜精品一区二区久久 | 九九久久精品国产亚洲av麻豆| 搡女人真爽免费视频火全软件| 亚洲综合色惰| 嫩草影院精品99| 国内精品宾馆在线| 国产中年淑女户外野战色| 国产亚洲一区二区精品| 亚洲婷婷狠狠爱综合网| 久久久久精品性色| 麻豆乱淫一区二区| 午夜福利成人在线免费观看| 一级爰片在线观看| 国产激情偷乱视频一区二区| 80岁老熟妇乱子伦牲交| 国产精品人妻久久久久久| 欧美潮喷喷水| 免费少妇av软件| 日韩国内少妇激情av| 高清午夜精品一区二区三区| 2021天堂中文幕一二区在线观| 久久久成人免费电影| 久久久精品94久久精品| 毛片一级片免费看久久久久| 精品久久久久久久末码| 美女国产视频在线观看| 日本免费在线观看一区| 欧美日韩一区二区视频在线观看视频在线 | 亚洲欧美成人精品一区二区| 黄色配什么色好看| 熟妇人妻久久中文字幕3abv| 精品一区二区三区人妻视频| 久久99精品国语久久久| 97超视频在线观看视频| 卡戴珊不雅视频在线播放| 亚洲精品日本国产第一区| 色视频www国产| 国产淫语在线视频| 亚洲最大成人中文| 天堂中文最新版在线下载 | 日韩一区二区视频免费看| av在线亚洲专区| 大陆偷拍与自拍| 日韩人妻高清精品专区| 国产精品无大码| 亚洲美女视频黄频| 日日撸夜夜添| 最近最新中文字幕免费大全7| 九色成人免费人妻av| 欧美一区二区亚洲| 青春草亚洲视频在线观看| 青青草视频在线视频观看| 大片免费播放器 马上看| 亚洲精品久久午夜乱码| 深爱激情五月婷婷| 男女国产视频网站| 高清av免费在线| 日韩三级伦理在线观看| 在线免费观看的www视频| 国产成人免费观看mmmm| www.色视频.com| 日韩精品有码人妻一区| av播播在线观看一区| 亚洲真实伦在线观看| 成人毛片60女人毛片免费| 久久久久久久久久人人人人人人| 日韩,欧美,国产一区二区三区| 国产午夜精品论理片| 波多野结衣巨乳人妻| 中文字幕av在线有码专区| 欧美97在线视频| 一级爰片在线观看| 十八禁国产超污无遮挡网站| 国产欧美日韩精品一区二区| 久久久精品免费免费高清| 欧美日本视频| 搞女人的毛片| 亚洲无线观看免费| 久久精品国产亚洲av涩爱| 国产又色又爽无遮挡免| 欧美高清成人免费视频www| 亚洲国产日韩欧美精品在线观看| 国产亚洲精品av在线| 欧美日本视频| 亚洲欧美成人精品一区二区| 赤兔流量卡办理| 国产午夜精品一二区理论片| 日日摸夜夜添夜夜添av毛片| 伦精品一区二区三区| 欧美激情国产日韩精品一区| 国产探花极品一区二区| 女人久久www免费人成看片| 国产一级毛片七仙女欲春2| 国产高潮美女av| 午夜福利高清视频| 蜜臀久久99精品久久宅男| 日韩欧美精品v在线| 成人国产麻豆网| 亚洲av成人精品一二三区| 最新中文字幕久久久久| 一级毛片久久久久久久久女| 欧美成人一区二区免费高清观看| 中文字幕亚洲精品专区| 中国美白少妇内射xxxbb| av在线蜜桃| av在线蜜桃| 只有这里有精品99| 成人国产麻豆网| 日韩三级伦理在线观看| 一级毛片电影观看| 一级毛片电影观看| 两个人视频免费观看高清| 欧美成人a在线观看| 午夜福利视频1000在线观看| 亚洲av免费高清在线观看| 狂野欧美白嫩少妇大欣赏| 91精品国产九色| 欧美 日韩 精品 国产| 日日啪夜夜爽| 亚洲精品一二三| 成人毛片60女人毛片免费| 爱豆传媒免费全集在线观看| 一级毛片久久久久久久久女| 亚洲人与动物交配视频| 婷婷色av中文字幕| 亚洲三级黄色毛片| 男女视频在线观看网站免费| 91在线精品国自产拍蜜月| 国产精品久久视频播放| 亚洲va在线va天堂va国产| 午夜福利视频1000在线观看| 国产精品久久久久久精品电影小说 | 国产老妇伦熟女老妇高清| 午夜福利视频1000在线观看| 久久久久精品性色| 99热6这里只有精品| 久久精品久久久久久久性| 别揉我奶头 嗯啊视频| 乱码一卡2卡4卡精品| 国产色婷婷99| 看黄色毛片网站| 亚洲性久久影院| 黄色一级大片看看| 成人毛片60女人毛片免费| 日韩av在线免费看完整版不卡| 91av网一区二区| 国产黄a三级三级三级人| 六月丁香七月| 欧美日韩亚洲高清精品| 国产伦一二天堂av在线观看| 两个人的视频大全免费| 高清日韩中文字幕在线| 搡老乐熟女国产| 国产淫片久久久久久久久| 免费黄频网站在线观看国产| 国产精品99久久久久久久久| 亚洲欧美精品自产自拍| 男人舔女人下体高潮全视频| 2018国产大陆天天弄谢| 18禁裸乳无遮挡免费网站照片| 狂野欧美白嫩少妇大欣赏| 大又大粗又爽又黄少妇毛片口| 久久久久久久久久久免费av| 国产精品无大码| 少妇裸体淫交视频免费看高清| 少妇人妻精品综合一区二区| 赤兔流量卡办理| 亚洲激情五月婷婷啪啪| 亚洲av福利一区| 一本一本综合久久| 直男gayav资源| 欧美不卡视频在线免费观看| 亚洲熟女精品中文字幕| 国产av不卡久久| 欧美日韩国产mv在线观看视频 | 国产 亚洲一区二区三区 | 欧美成人a在线观看| 一本一本综合久久| 欧美日韩亚洲高清精品| 人妻一区二区av| 久久精品人妻少妇| 国产精品人妻久久久影院| 免费观看无遮挡的男女| 女的被弄到高潮叫床怎么办| www.av在线官网国产| 91aial.com中文字幕在线观看| 夫妻午夜视频| 日韩一区二区三区影片| 国产午夜精品一二区理论片| 三级经典国产精品| 在线观看av片永久免费下载| 看非洲黑人一级黄片| 亚洲av免费在线观看| 久久99热这里只频精品6学生| 一本一本综合久久| 一级毛片aaaaaa免费看小| 伊人久久精品亚洲午夜| 成年女人看的毛片在线观看| 菩萨蛮人人尽说江南好唐韦庄| 久久综合国产亚洲精品| 亚洲国产色片| 十八禁国产超污无遮挡网站| 成年女人看的毛片在线观看| 又粗又硬又长又爽又黄的视频| 99久久精品国产国产毛片| 天堂影院成人在线观看| 人妻制服诱惑在线中文字幕| 亚洲精品日韩av片在线观看| 成人特级av手机在线观看| 国产精品嫩草影院av在线观看| 99久久人妻综合| 国产毛片a区久久久久| 黄片无遮挡物在线观看| 国产亚洲最大av| 免费观看的影片在线观看| 中文字幕免费在线视频6| 麻豆国产97在线/欧美| 日韩一区二区三区影片| 免费黄频网站在线观看国产| 99re6热这里在线精品视频| 日日啪夜夜撸| 天堂√8在线中文| 免费在线观看成人毛片| 人人妻人人看人人澡| 久久99蜜桃精品久久| 亚洲aⅴ乱码一区二区在线播放| av在线老鸭窝| 国产黄频视频在线观看| 日韩欧美精品免费久久| 看黄色毛片网站| 国产女主播在线喷水免费视频网站 | 在线观看av片永久免费下载| 国产亚洲91精品色在线| 麻豆成人午夜福利视频| 久久久久久久亚洲中文字幕| 国产女主播在线喷水免费视频网站 | 老司机影院成人| 丝袜喷水一区| 你懂的网址亚洲精品在线观看| 日韩欧美三级三区| 人妻少妇偷人精品九色| 久久久久免费精品人妻一区二区| 国产永久视频网站| 久久久久久久午夜电影| 麻豆乱淫一区二区| 亚洲国产日韩欧美精品在线观看| 一区二区三区高清视频在线| 成人特级av手机在线观看| 三级毛片av免费| 欧美日本视频| 街头女战士在线观看网站| 亚洲国产精品成人综合色| 午夜精品一区二区三区免费看| 午夜日本视频在线| 亚洲av一区综合| 免费看日本二区| 国产精品.久久久| 爱豆传媒免费全集在线观看| 99久国产av精品国产电影| 看黄色毛片网站| 蜜臀久久99精品久久宅男| 国产精品女同一区二区软件| 91精品国产九色| 国产精品.久久久| 国产精品一及| 久久99热这里只频精品6学生| 亚洲精品456在线播放app| 国产精品久久久久久久电影| 国产欧美另类精品又又久久亚洲欧美| 69av精品久久久久久| 久久99热6这里只有精品| 国产探花在线观看一区二区| 成人毛片60女人毛片免费| 777米奇影视久久| 国产精品美女特级片免费视频播放器| 九九爱精品视频在线观看| 熟妇人妻久久中文字幕3abv| 九九久久精品国产亚洲av麻豆| 亚洲国产最新在线播放| 欧美潮喷喷水| 97人妻精品一区二区三区麻豆| 亚洲av一区综合| 欧美丝袜亚洲另类| 国产成人a区在线观看| 免费无遮挡裸体视频| 国产亚洲5aaaaa淫片| 国产高清国产精品国产三级 | 国产伦理片在线播放av一区| 日韩人妻高清精品专区| 日韩大片免费观看网站| 日日干狠狠操夜夜爽| 亚洲成人久久爱视频| 美女被艹到高潮喷水动态| 国内精品美女久久久久久| 日韩制服骚丝袜av| 春色校园在线视频观看| 欧美97在线视频| 男人舔奶头视频| 91精品伊人久久大香线蕉| 国产在视频线在精品| 大话2 男鬼变身卡| 欧美另类一区| 99热全是精品| 久久久久久久久久成人| 精华霜和精华液先用哪个| 在线观看免费高清a一片| 蜜桃亚洲精品一区二区三区| av专区在线播放| 91久久精品电影网| 日本猛色少妇xxxxx猛交久久| 免费在线观看成人毛片| 天天一区二区日本电影三级| 欧美精品国产亚洲| 日本黄色片子视频| 国产精品1区2区在线观看.| 黄片wwwwww| 一区二区三区免费毛片| 国产精品麻豆人妻色哟哟久久 | 看非洲黑人一级黄片| 97热精品久久久久久| 亚洲av中文字字幕乱码综合| 精华霜和精华液先用哪个| 禁无遮挡网站| 小蜜桃在线观看免费完整版高清| 自拍偷自拍亚洲精品老妇| 亚洲欧美日韩卡通动漫| 天堂影院成人在线观看| 在线观看av片永久免费下载| 青青草视频在线视频观看| 国产亚洲av片在线观看秒播厂 | 久久热精品热| 日韩三级伦理在线观看| 午夜福利视频1000在线观看| 男女那种视频在线观看| 欧美日韩一区二区视频在线观看视频在线 | 丰满少妇做爰视频| 精品久久久久久久久久久久久| 精品国产一区二区三区久久久樱花 | 免费观看无遮挡的男女| 欧美 日韩 精品 国产| 亚洲最大成人中文| 久久国产乱子免费精品| 欧美zozozo另类| 午夜精品国产一区二区电影 | 干丝袜人妻中文字幕| 精品熟女少妇av免费看| 亚洲国产精品成人综合色| 赤兔流量卡办理| 国产男人的电影天堂91| 国产一区有黄有色的免费视频 | 99久国产av精品国产电影| av天堂中文字幕网| 久久6这里有精品| 18+在线观看网站| 亚洲综合色惰| 男人狂女人下面高潮的视频| 国产精品.久久久| 精品久久国产蜜桃| 亚洲美女搞黄在线观看| 欧美三级亚洲精品| 超碰av人人做人人爽久久| 丝瓜视频免费看黄片| 午夜福利网站1000一区二区三区| 日韩强制内射视频| 久久久久性生活片| 免费看光身美女| 99久久精品热视频| 久久久色成人| 国产午夜精品一二区理论片| 黄片wwwwww| 97热精品久久久久久| a级一级毛片免费在线观看| 亚洲欧美精品专区久久| 久久午夜福利片| 亚洲人成网站在线观看播放| 免费观看a级毛片全部| 国内精品宾馆在线| 伦精品一区二区三区| 天堂√8在线中文| 国产在线一区二区三区精| 成人毛片60女人毛片免费| 日本av手机在线免费观看| 大又大粗又爽又黄少妇毛片口| 国产真实伦视频高清在线观看| 日韩欧美精品免费久久| 免费av观看视频| 少妇被粗大猛烈的视频| 国产老妇伦熟女老妇高清| 国产一区二区三区综合在线观看 | 在线观看av片永久免费下载| 综合色丁香网| 国产成人a区在线观看| 黄片无遮挡物在线观看| 插阴视频在线观看视频| 免费大片黄手机在线观看| 国产一区有黄有色的免费视频 | 看免费成人av毛片| 国产一区二区亚洲精品在线观看| 男女那种视频在线观看| 99热网站在线观看| 精品人妻一区二区三区麻豆| 美女国产视频在线观看| av黄色大香蕉| 日日撸夜夜添| 老师上课跳d突然被开到最大视频| 欧美bdsm另类| 免费看日本二区| 亚洲精品成人久久久久久| 欧美3d第一页| 亚洲精品,欧美精品| 国产精品一区www在线观看| 精品国产一区二区三区久久久樱花 | 日本色播在线视频| 久99久视频精品免费| av福利片在线观看| 欧美激情在线99| 亚洲国产日韩欧美精品在线观看| 亚洲av.av天堂| 亚洲成人一二三区av| 精品熟女少妇av免费看| 一区二区三区四区激情视频| 大又大粗又爽又黄少妇毛片口| 久久久久精品久久久久真实原创| 日韩 亚洲 欧美在线| 老司机影院毛片| 超碰av人人做人人爽久久| 夜夜爽夜夜爽视频| 色综合亚洲欧美另类图片| 国产91av在线免费观看| 3wmmmm亚洲av在线观看| 国产亚洲一区二区精品| 纵有疾风起免费观看全集完整版 | 97精品久久久久久久久久精品| 在线a可以看的网站| 国产高清国产精品国产三级 | 97超视频在线观看视频| 精品久久久久久成人av| 亚洲国产精品sss在线观看| 天堂俺去俺来也www色官网 | 搡老乐熟女国产| 成人一区二区视频在线观看| 菩萨蛮人人尽说江南好唐韦庄| 日本黄色片子视频| 永久免费av网站大全| 丰满少妇做爰视频| 久久鲁丝午夜福利片| 久久久精品欧美日韩精品| 成人综合一区亚洲| 国产欧美另类精品又又久久亚洲欧美| av在线老鸭窝| 久久久久精品久久久久真实原创| 色视频www国产| 男的添女的下面高潮视频| 日韩欧美精品免费久久| 国产毛片a区久久久久| 偷拍熟女少妇极品色| 日韩欧美一区视频在线观看 | 亚洲av成人av| 中文字幕免费在线视频6| 自拍偷自拍亚洲精品老妇| 男人爽女人下面视频在线观看| 国产成人精品福利久久| 乱人视频在线观看| 亚洲精华国产精华液的使用体验| 搡老乐熟女国产| 18+在线观看网站| 久久久国产一区二区| 国产在视频线在精品| 精华霜和精华液先用哪个| 三级毛片av免费| 国内精品美女久久久久久| 美女cb高潮喷水在线观看| 夫妻性生交免费视频一级片| 成人午夜高清在线视频| 日韩在线高清观看一区二区三区| 国产成人精品婷婷| 丝袜喷水一区| av免费在线看不卡| 久久精品国产亚洲av天美| 黄片wwwwww| 如何舔出高潮| 久久精品夜夜夜夜夜久久蜜豆| 久久久久久久国产电影| 国产午夜精品久久久久久一区二区三区| 在线免费十八禁| 亚洲欧美一区二区三区黑人 | 亚洲真实伦在线观看| av女优亚洲男人天堂| 国产黄片美女视频| 久久97久久精品| 久久精品国产亚洲av涩爱| 女人十人毛片免费观看3o分钟| 看十八女毛片水多多多| 欧美zozozo另类| 看免费成人av毛片| 一级毛片久久久久久久久女| 免费av观看视频| or卡值多少钱| kizo精华| 偷拍熟女少妇极品色| 国产一区二区三区综合在线观看 | 91在线精品国自产拍蜜月| 欧美不卡视频在线免费观看| 国产精品久久视频播放| 精品一区二区三区人妻视频| 国内精品宾馆在线| 亚洲欧美精品自产自拍| 禁无遮挡网站| 免费观看在线日韩| 久久国内精品自在自线图片| 精品国产一区二区三区久久久樱花 | 久久97久久精品| 伊人久久精品亚洲午夜| 观看美女的网站| 国产伦一二天堂av在线观看| 久久久精品欧美日韩精品| 中文字幕av在线有码专区| 听说在线观看完整版免费高清| 国产午夜精品论理片| 偷拍熟女少妇极品色| 国产伦在线观看视频一区| 免费大片18禁| 99re6热这里在线精品视频| 超碰av人人做人人爽久久| 日韩国内少妇激情av| 天天躁日日操中文字幕| 99视频精品全部免费 在线| 国产精品久久视频播放| 岛国毛片在线播放| 日日摸夜夜添夜夜爱| 人妻制服诱惑在线中文字幕| 91在线精品国自产拍蜜月| 黄色一级大片看看| 国产在视频线精品| 精品久久久精品久久久| 五月天丁香电影| 日本黄大片高清| 精品一区二区三区视频在线| ponron亚洲| 99热全是精品| 亚洲国产精品sss在线观看| 18禁动态无遮挡网站| 亚洲欧洲国产日韩| 观看免费一级毛片| 五月玫瑰六月丁香| 99久久精品一区二区三区| a级毛片免费高清观看在线播放| 大又大粗又爽又黄少妇毛片口| 国产av不卡久久| 日韩成人伦理影院| 午夜福利视频精品| 国内精品美女久久久久久| 国产中年淑女户外野战色|