• <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
    欧美日韩av久久| 侵犯人妻中文字幕一二三四区| 天天躁夜夜躁狠狠躁躁| 久热这里只有精品99| 香蕉丝袜av| 视频区图区小说| 一级毛片电影观看| 黄色成人免费大全| 他把我摸到了高潮在线观看 | 黄色a级毛片大全视频| 老司机亚洲免费影院| 亚洲国产成人一精品久久久| 捣出白浆h1v1| 视频区图区小说| 亚洲 欧美一区二区三区| 欧美性长视频在线观看| 在线观看免费视频网站a站| 91av网站免费观看| av又黄又爽大尺度在线免费看| 精品卡一卡二卡四卡免费| 欧美 日韩 精品 国产| 日韩欧美一区视频在线观看| 中亚洲国语对白在线视频| 婷婷丁香在线五月| 一边摸一边抽搐一进一出视频| 欧美+亚洲+日韩+国产| 久久久久精品人妻al黑| 人人妻人人澡人人看| 亚洲精品久久午夜乱码| 亚洲 国产 在线| 亚洲精品粉嫩美女一区| e午夜精品久久久久久久| 成人精品一区二区免费| 丁香六月天网| 18禁美女被吸乳视频| 日韩大片免费观看网站| 国产老妇伦熟女老妇高清| 国产日韩欧美在线精品| 国产精品 国内视频| 国产成人免费观看mmmm| 国产亚洲午夜精品一区二区久久| 亚洲avbb在线观看| 大片电影免费在线观看免费| av天堂久久9| 黑人欧美特级aaaaaa片| 看免费av毛片| 99国产精品99久久久久| 搡老熟女国产l中国老女人| 在线观看舔阴道视频| 无限看片的www在线观看| 亚洲自偷自拍图片 自拍| 97人妻天天添夜夜摸| 国产精品免费视频内射| 999精品在线视频| 亚洲全国av大片| 国产xxxxx性猛交| 欧美日韩亚洲综合一区二区三区_| 极品人妻少妇av视频| 中文字幕高清在线视频| 精品人妻1区二区| 成年人免费黄色播放视频| 久久天躁狠狠躁夜夜2o2o| 在线永久观看黄色视频| 亚洲成人免费电影在线观看| 免费在线观看影片大全网站| 成人特级黄色片久久久久久久 | 91成人精品电影| 亚洲三区欧美一区| 蜜桃国产av成人99| 好男人电影高清在线观看| 99re在线观看精品视频| 亚洲精品一二三| 老汉色av国产亚洲站长工具| 亚洲国产av影院在线观看| 亚洲午夜理论影院| 精品国产一区二区三区四区第35| a在线观看视频网站| 伦理电影免费视频| 少妇粗大呻吟视频| 丝袜美腿诱惑在线| 国产精品 欧美亚洲| 亚洲欧美精品综合一区二区三区| 欧美激情 高清一区二区三区| 大香蕉久久成人网| 男男h啪啪无遮挡| 国产深夜福利视频在线观看| 中文字幕人妻丝袜制服| 成人18禁在线播放| 成人av一区二区三区在线看| 叶爱在线成人免费视频播放| 法律面前人人平等表现在哪些方面| 变态另类成人亚洲欧美熟女 | 亚洲 欧美一区二区三区| 日韩免费av在线播放| 精品久久久久久久毛片微露脸| 亚洲伊人久久精品综合| 国产精品久久久久久精品电影小说| av欧美777| 日韩人妻精品一区2区三区| 成人18禁在线播放| 狠狠精品人妻久久久久久综合| 性高湖久久久久久久久免费观看| 亚洲精品乱久久久久久| 黑人巨大精品欧美一区二区mp4| 国产伦理片在线播放av一区| 精品国产一区二区久久| 老熟妇乱子伦视频在线观看| 日韩欧美三级三区| 性少妇av在线| 国产精品免费视频内射| 成人亚洲精品一区在线观看| av网站在线播放免费| 国产精品99久久99久久久不卡| 另类亚洲欧美激情| 一进一出抽搐动态| 欧美精品啪啪一区二区三区| 日韩欧美三级三区| 亚洲成a人片在线一区二区| 老司机深夜福利视频在线观看| 精品国产一区二区三区四区第35| 久久性视频一级片| 夜夜骑夜夜射夜夜干| 欧美在线黄色| 国产色视频综合| 亚洲色图综合在线观看| 91成人精品电影| 人成视频在线观看免费观看| 91大片在线观看| 欧美日韩黄片免| 国产一区二区激情短视频| 国产区一区二久久| 国产亚洲av高清不卡| 99re6热这里在线精品视频| 精品国产乱码久久久久久小说| 亚洲欧美一区二区三区久久| 日韩欧美一区二区三区在线观看 | 国产区一区二久久| 亚洲欧美精品综合一区二区三区| 国产精品香港三级国产av潘金莲| 久久精品aⅴ一区二区三区四区| 老司机深夜福利视频在线观看| 一区二区三区激情视频| 国产日韩欧美亚洲二区| 国产精品二区激情视频| 高清毛片免费观看视频网站 | av天堂久久9| 国产亚洲精品一区二区www | 每晚都被弄得嗷嗷叫到高潮| 国产成人系列免费观看| 亚洲,欧美精品.| 亚洲欧美一区二区三区黑人| 波多野结衣一区麻豆| 成年女人毛片免费观看观看9 | 精品午夜福利视频在线观看一区 | 91成人精品电影| 日本黄色日本黄色录像| 中文字幕另类日韩欧美亚洲嫩草| 91国产中文字幕| 亚洲人成伊人成综合网2020| 欧美久久黑人一区二区| 免费日韩欧美在线观看| 久久久久久人人人人人| 精品一区二区三卡| 性高湖久久久久久久久免费观看| 丝袜人妻中文字幕| 人人妻人人澡人人看| 黄片播放在线免费| www日本在线高清视频| 国产欧美日韩一区二区三区在线| 蜜桃在线观看..| 99热国产这里只有精品6| 久久精品亚洲精品国产色婷小说| 精品乱码久久久久久99久播| 18禁裸乳无遮挡动漫免费视频| 国产视频一区二区在线看| 国产精品九九99| av又黄又爽大尺度在线免费看| 建设人人有责人人尽责人人享有的| 91成年电影在线观看| 亚洲成国产人片在线观看| 久久精品国产综合久久久| 日韩免费高清中文字幕av| 欧美中文综合在线视频| 一区二区三区乱码不卡18| 美女视频免费永久观看网站| 久久精品国产亚洲av香蕉五月 | 涩涩av久久男人的天堂| 女人被躁到高潮嗷嗷叫费观| 亚洲第一av免费看| 亚洲精品国产精品久久久不卡| 欧美亚洲 丝袜 人妻 在线| 亚洲第一欧美日韩一区二区三区 | 大型av网站在线播放| 两个人看的免费小视频| 亚洲伊人色综图| 日韩人妻精品一区2区三区| 免费在线观看日本一区| 80岁老熟妇乱子伦牲交| 在线av久久热| 久久人人97超碰香蕉20202| 亚洲一码二码三码区别大吗| 搡老乐熟女国产| av线在线观看网站| 亚洲熟女精品中文字幕| 天堂8中文在线网| 国产精品国产高清国产av | 精品久久久久久电影网| 在线播放国产精品三级| 美国免费a级毛片| 人人妻,人人澡人人爽秒播| 99国产综合亚洲精品| 夜夜夜夜夜久久久久| 欧美国产精品va在线观看不卡| 亚洲伊人色综图| 免费观看av网站的网址| 国产激情久久老熟女| 欧美国产精品va在线观看不卡| 国产深夜福利视频在线观看| 国产一区二区三区综合在线观看| 免费看十八禁软件| 91麻豆av在线| 国产成+人综合+亚洲专区| 99久久人妻综合| 亚洲成av片中文字幕在线观看| 精品一区二区三区四区五区乱码| 超碰97精品在线观看| 亚洲欧美一区二区三区黑人| 亚洲午夜理论影院| 99在线人妻在线中文字幕 | 老司机亚洲免费影院| 十八禁网站网址无遮挡| 高清在线国产一区| 日本欧美视频一区| 亚洲伊人久久精品综合| 在线亚洲精品国产二区图片欧美| 久久亚洲真实| 欧美国产精品va在线观看不卡| 久久久久精品人妻al黑| 搡老乐熟女国产| 少妇精品久久久久久久| 三级毛片av免费| 欧美成人午夜精品| 久久久久久久久久久久大奶| 精品卡一卡二卡四卡免费| 亚洲第一青青草原| 久久久精品94久久精品| av在线播放免费不卡| 欧美日韩福利视频一区二区| 国产无遮挡羞羞视频在线观看| 狠狠狠狠99中文字幕| 啦啦啦中文免费视频观看日本| 久久亚洲精品不卡| 色综合欧美亚洲国产小说| 国产高清视频在线播放一区| 欧美亚洲 丝袜 人妻 在线| 亚洲va日本ⅴa欧美va伊人久久| 亚洲精品粉嫩美女一区| 国产成人av激情在线播放| 精品一区二区三卡| 狂野欧美激情性xxxx| 18禁观看日本| 美女主播在线视频| 亚洲自偷自拍图片 自拍| 考比视频在线观看| 欧美亚洲日本最大视频资源| 成年动漫av网址| 国产一区二区三区综合在线观看| 一夜夜www| 成人18禁高潮啪啪吃奶动态图| 水蜜桃什么品种好| 久久毛片免费看一区二区三区| 丝袜人妻中文字幕| 黑人猛操日本美女一级片| 亚洲熟女毛片儿| 日韩欧美三级三区| 欧美人与性动交α欧美精品济南到| 亚洲中文日韩欧美视频| 国产日韩欧美在线精品| 久久午夜亚洲精品久久| 国产亚洲一区二区精品| 视频在线观看一区二区三区| 一边摸一边抽搐一进一出视频| 日韩熟女老妇一区二区性免费视频| 最近最新中文字幕大全电影3 | 欧美+亚洲+日韩+国产| 一区二区三区精品91| 国产精品久久久久久精品电影小说| 国产av精品麻豆| 精品少妇久久久久久888优播| 少妇被粗大的猛进出69影院| 国产亚洲午夜精品一区二区久久| 日韩精品免费视频一区二区三区| 99热网站在线观看| 自线自在国产av| 久久午夜亚洲精品久久| 妹子高潮喷水视频| 两性夫妻黄色片| 精品福利观看| 天堂中文最新版在线下载| 一区二区三区国产精品乱码| 91精品三级在线观看| 正在播放国产对白刺激| 久久精品国产亚洲av香蕉五月 | 在线 av 中文字幕| 男女免费视频国产| 又黄又粗又硬又大视频| 久久中文字幕人妻熟女| 女人爽到高潮嗷嗷叫在线视频| 在线天堂中文资源库| 亚洲欧洲精品一区二区精品久久久| 亚洲欧美色中文字幕在线| aaaaa片日本免费| 亚洲国产欧美日韩在线播放| 后天国语完整版免费观看| 国产精品亚洲一级av第二区| 久久精品成人免费网站| 国产日韩欧美视频二区| 嫁个100分男人电影在线观看| 久久久久网色| 大型av网站在线播放| 高清欧美精品videossex| 亚洲av日韩精品久久久久久密| 免费在线观看日本一区| 久久精品熟女亚洲av麻豆精品| 又大又爽又粗| 亚洲av片天天在线观看| 亚洲全国av大片| 中文字幕人妻丝袜制服| 老司机福利观看| 蜜桃国产av成人99| 波多野结衣一区麻豆| 久久久精品区二区三区| 欧美成狂野欧美在线观看| 麻豆乱淫一区二区| 一区二区三区精品91| 亚洲五月色婷婷综合| 国产成人精品无人区| 在线十欧美十亚洲十日本专区| 俄罗斯特黄特色一大片| 9191精品国产免费久久| 99精国产麻豆久久婷婷| 香蕉久久夜色| 中文字幕人妻丝袜制服| 五月天丁香电影| 天堂中文最新版在线下载| 美国免费a级毛片| 精品国产一区二区三区久久久樱花| 亚洲中文日韩欧美视频| 亚洲性夜色夜夜综合| 国产成人免费无遮挡视频| 在线天堂中文资源库| 看免费av毛片| 欧美日韩中文字幕国产精品一区二区三区 | 老司机午夜十八禁免费视频| www.自偷自拍.com| 亚洲国产av新网站| 男女午夜视频在线观看| 成人国语在线视频| 精品国产一区二区三区四区第35| 亚洲欧洲日产国产| 热99久久久久精品小说推荐| 国产一区二区 视频在线| 亚洲,欧美精品.| 久久人妻av系列| kizo精华| 色视频在线一区二区三区| 欧美激情 高清一区二区三区| 久久午夜综合久久蜜桃| 91精品三级在线观看| 日本av手机在线免费观看| 日本精品一区二区三区蜜桃| 日日爽夜夜爽网站| 老司机影院毛片| 咕卡用的链子| 男女免费视频国产| 国产精品99久久99久久久不卡| 夜夜爽天天搞| 亚洲欧美日韩另类电影网站| 汤姆久久久久久久影院中文字幕| 蜜桃国产av成人99| 无人区码免费观看不卡 | 久久久国产一区二区| 午夜福利欧美成人| svipshipincom国产片| 两个人免费观看高清视频| 亚洲国产中文字幕在线视频| 国产一卡二卡三卡精品| 50天的宝宝边吃奶边哭怎么回事| 亚洲精品国产精品久久久不卡| 啦啦啦视频在线资源免费观看| 日韩三级视频一区二区三区| 真人做人爱边吃奶动态| 久久人妻福利社区极品人妻图片| 成年人午夜在线观看视频| 啪啪无遮挡十八禁网站| 日韩中文字幕欧美一区二区| 99香蕉大伊视频| 中文字幕制服av| 精品国产一区二区久久| 欧美精品高潮呻吟av久久| 中文字幕色久视频| 成年动漫av网址| 多毛熟女@视频| 午夜福利一区二区在线看| 黄色丝袜av网址大全| 亚洲视频免费观看视频| 精品国内亚洲2022精品成人 | 最近最新中文字幕大全免费视频| 国产精品免费视频内射| 国产av又大| 18禁观看日本| 国产成人欧美在线观看 | 亚洲av欧美aⅴ国产| 国产精品免费视频内射| 欧美日韩视频精品一区| 日韩欧美国产一区二区入口| 亚洲精品乱久久久久久| 80岁老熟妇乱子伦牲交| 午夜免费鲁丝| 久久久国产精品麻豆| 99九九在线精品视频| 久久人妻福利社区极品人妻图片| 亚洲色图av天堂| a在线观看视频网站| 999精品在线视频| 日韩有码中文字幕| 无遮挡黄片免费观看| 欧美成人免费av一区二区三区 | 国产一区二区三区综合在线观看| 午夜91福利影院| 免费观看人在逋| 激情在线观看视频在线高清 | 国产高清国产精品国产三级| 在线天堂中文资源库| 精品卡一卡二卡四卡免费| 91av网站免费观看| 免费在线观看视频国产中文字幕亚洲| 国产成人精品无人区| 国产91精品成人一区二区三区 | 国产精品1区2区在线观看. | 欧美日韩视频精品一区| 亚洲精品在线观看二区| 精品午夜福利视频在线观看一区 | 久久精品国产99精品国产亚洲性色 | 久久久水蜜桃国产精品网| 成人精品一区二区免费| 亚洲精品中文字幕一二三四区 | 一进一出抽搐动态| 国产日韩欧美在线精品| 久久人妻av系列| 国产一区二区激情短视频| 女人爽到高潮嗷嗷叫在线视频| 国产福利在线免费观看视频| 麻豆乱淫一区二区| 午夜老司机福利片| 日本欧美视频一区| 久久国产精品人妻蜜桃| videosex国产| 757午夜福利合集在线观看| 一级,二级,三级黄色视频| 超碰97精品在线观看| 亚洲人成伊人成综合网2020| 成年动漫av网址| 黄片播放在线免费| 极品教师在线免费播放| 欧美精品亚洲一区二区| 日本av免费视频播放| 国产在线一区二区三区精| av网站在线播放免费| 精品乱码久久久久久99久播| 精品卡一卡二卡四卡免费| 国产成人精品久久二区二区91| 精品少妇一区二区三区视频日本电影| 99热国产这里只有精品6| 亚洲国产毛片av蜜桃av| 久久久久精品国产欧美久久久| 日本精品一区二区三区蜜桃| 一区二区三区乱码不卡18| 国产精品 国内视频| 美女视频免费永久观看网站| 亚洲精品乱久久久久久| 国产一区有黄有色的免费视频| 操美女的视频在线观看| 国产精品一区二区精品视频观看| 亚洲成人免费电影在线观看| cao死你这个sao货| 高清欧美精品videossex| 性高湖久久久久久久久免费观看| 色视频在线一区二区三区| 国产伦理片在线播放av一区| 国产高清videossex| 少妇被粗大的猛进出69影院| 欧美另类亚洲清纯唯美| 免费少妇av软件| 亚洲成国产人片在线观看| 一个人免费看片子| 亚洲精品一卡2卡三卡4卡5卡| 男女之事视频高清在线观看| 在线观看舔阴道视频| 国产一区二区三区在线臀色熟女 | 啦啦啦 在线观看视频| 咕卡用的链子| 国产黄色免费在线视频| av线在线观看网站| av一本久久久久| videosex国产| 黄色成人免费大全| 操出白浆在线播放| 精品视频人人做人人爽| 啦啦啦在线免费观看视频4| 国产亚洲精品久久久久5区| 亚洲三区欧美一区| 久久久久久亚洲精品国产蜜桃av| 国产免费av片在线观看野外av| 久久国产亚洲av麻豆专区| 国产免费福利视频在线观看| 黄色 视频免费看| av又黄又爽大尺度在线免费看| 午夜福利,免费看| 精品久久久精品久久久| 一区二区三区精品91| 国产亚洲精品第一综合不卡| 欧美精品av麻豆av| 一个人免费在线观看的高清视频| 一级黄色大片毛片| 国产精品秋霞免费鲁丝片| 成年动漫av网址| 日日爽夜夜爽网站| 电影成人av| 自线自在国产av| 免费av中文字幕在线| 久久精品人人爽人人爽视色| 变态另类成人亚洲欧美熟女 | 国产主播在线观看一区二区| 真人做人爱边吃奶动态| 男女边摸边吃奶| 99久久人妻综合| 亚洲精品国产色婷婷电影| 国产一区二区三区在线臀色熟女 | 曰老女人黄片| 亚洲人成电影免费在线| 一区二区日韩欧美中文字幕| 久久国产亚洲av麻豆专区| 日韩人妻精品一区2区三区| 午夜精品国产一区二区电影| 久久久国产一区二区| 国产三级黄色录像| 欧美日韩av久久| 日本一区二区免费在线视频| 欧美变态另类bdsm刘玥| 丰满少妇做爰视频| 中文欧美无线码| 无遮挡黄片免费观看| 人人妻人人添人人爽欧美一区卜| 久久99一区二区三区| 免费在线观看影片大全网站| 大片电影免费在线观看免费| 国产欧美亚洲国产| 成年版毛片免费区| 精品久久久久久电影网| 日韩欧美三级三区| 欧美精品啪啪一区二区三区| 欧美日韩一级在线毛片| av视频免费观看在线观看| 亚洲av片天天在线观看| 在线观看免费日韩欧美大片| 亚洲国产毛片av蜜桃av| 国产av国产精品国产| a级毛片在线看网站| 十八禁高潮呻吟视频| 国产在线精品亚洲第一网站| 久久99一区二区三区| 好男人电影高清在线观看| 正在播放国产对白刺激| 狠狠婷婷综合久久久久久88av| 亚洲精品中文字幕在线视频| 亚洲精品国产一区二区精华液| 91成年电影在线观看| 黄网站色视频无遮挡免费观看| 老司机午夜福利在线观看视频 | 国产高清videossex| 精品国产乱码久久久久久男人| 美女视频免费永久观看网站| 法律面前人人平等表现在哪些方面| 国产精品一区二区在线观看99| 天堂俺去俺来也www色官网| 自拍欧美九色日韩亚洲蝌蚪91| 最近最新免费中文字幕在线| 国产成人欧美| 国产精品欧美亚洲77777| 黄色视频,在线免费观看| 亚洲精品中文字幕在线视频| 国产亚洲午夜精品一区二区久久| 大陆偷拍与自拍| 国产成人欧美| 男女高潮啪啪啪动态图| 中文字幕另类日韩欧美亚洲嫩草| 少妇粗大呻吟视频| 国产精品 欧美亚洲| 欧美激情高清一区二区三区| 亚洲精品中文字幕在线视频| 欧美国产精品一级二级三级| 91av网站免费观看| 三上悠亚av全集在线观看| www.熟女人妻精品国产| 国产伦人伦偷精品视频| 午夜视频精品福利| 久久午夜综合久久蜜桃| 国产成人精品无人区| 精品亚洲乱码少妇综合久久| 青青草视频在线视频观看| 99国产精品一区二区蜜桃av | 狠狠婷婷综合久久久久久88av| 纯流量卡能插随身wifi吗| 国产精品一区二区在线不卡|