• <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 ?

    基于生成對(duì)抗網(wǎng)絡(luò)的圖像盲去運(yùn)動(dòng)模糊算法

    2019-10-15 02:21陳富成陳華華
    軟件導(dǎo)刊 2019年8期

    陳富成 陳華華

    摘 要:針對(duì)運(yùn)動(dòng)圖像盲去模糊問(wèn)題,基于生成對(duì)抗網(wǎng)絡(luò),提出利用一種端對(duì)端方式恢復(fù)模糊圖像算法。運(yùn)用生成對(duì)抗神經(jīng)網(wǎng)絡(luò)方法對(duì)運(yùn)動(dòng)模糊圖像直接復(fù)原,跳過(guò)估計(jì)模糊核過(guò)程,增加感知損失作為損失項(xiàng),使圖片內(nèi)容和全局結(jié)構(gòu)接近。此外,增加結(jié)構(gòu)相似性損失函數(shù)作為約束項(xiàng),進(jìn)一步提升生成圖片與清晰圖片的相似性。實(shí)驗(yàn)結(jié)果表明,新算法可有效去除運(yùn)動(dòng)圖像模糊。與其它算法相比,所提算法獲得的圖像更加清晰。

    關(guān)鍵詞:生成對(duì)抗網(wǎng)絡(luò);去運(yùn)動(dòng)模糊;感知損失;結(jié)構(gòu)相似性損失

    DOI:10. 11907/rjdk. 182666 開放科學(xué)(資源服務(wù))標(biāo)識(shí)碼(OSID):

    中圖分類號(hào):TP317.4 文獻(xiàn)標(biāo)識(shí)碼:A 文章編號(hào):1672-7800(2019)008-0208-04

    Image Blind Motion Deblur Algorithm Based on Generative Adversarial Network

    CHEN Fu-cheng,CHEN Hua-hua

    (School of Communication Engineering, Hangzhou Dianzi University, Hangzhou 310018,China)

    Abstract: Non-uniform blind deblurring of motion scenes has been a challenging problem in the field of image processing. Aiming at the blind deblurring problem of moving images, we propose a neural network based on conditional generation confrontation to recover the motion blur algorithm caused by motion in an end-to-end manner. The method of generative adversarial network is used to directly recover the motion blurred image, and the process of estimating the blur kernel is skipped. Increasing the perceptual loss as a loss term makes the content of the picture close to the global structure. In addition, the structural similarity loss function is added as a constraint term to further constrain and enhance the similarity between the generated image and the clear picture. The experimental results verify that the proposed new algorithm can effectively remove the blur of moving images. Compared with other algorithms, the proposed algorithm can obtain clearer images.

    Key Words: generative adversarial network; motion deblur; perceptual loss; structural similarity loss

    作者簡(jiǎn)介:陳富成(1993-),男,杭州電子科技大學(xué)通信工程學(xué)院碩士研究生,研究方向?yàn)閳D像處理;陳華華(1976-),杭州電子科技大學(xué)通信工程學(xué)院副教授,研究方向?yàn)閳D像處理、計(jì)算機(jī)視覺、模式識(shí)別。本文通訊作者:陳華華。

    0 引言

    在醫(yī)學(xué)成像[1-2]、交通安全[3-4]、攝影學(xué)[5-6]、目標(biāo)識(shí)別與追蹤[7-8]、天文探測(cè)[9-10]等領(lǐng)域,獲得一幅清晰圖像尤為重要。但在圖像成像過(guò)程中,拍攝設(shè)備與成像物體之間很難保持相對(duì)靜止?fàn)顟B(tài),會(huì)造成圖像模糊。運(yùn)動(dòng)圖像的模糊過(guò)程可看作是清晰圖像和一個(gè)二維線性函數(shù)卷積運(yùn)算后,受到加性噪聲污染得到的。該線性函數(shù)稱為點(diǎn)擴(kuò)散函數(shù)[11]或卷積核,包含圖像的模糊信息。圖像的盲去模糊指在模糊方式未知(即模糊核未知)的情況下,僅依靠模糊圖像本身信息還原出原始清晰圖像。

    針對(duì)圖像盲去模糊問(wèn)題,文獻(xiàn)[12]基于自然圖像梯度服從重尾效應(yīng)的統(tǒng)計(jì)規(guī)律,推演出模糊核;文獻(xiàn)[13]根據(jù)模糊圖像的突出邊緣與低秩先驗(yàn),為模糊核估計(jì)提供可靠的邊緣信息,低秩先驗(yàn)為中間圖像提供數(shù)據(jù)可靠的先驗(yàn)。但這些方法對(duì)模糊核的估計(jì)仍然不準(zhǔn)確,尤其是在運(yùn)動(dòng)遮擋或不連續(xù)情況下,這種不準(zhǔn)確的核估計(jì)會(huì)導(dǎo)致振鈴效應(yīng)。

    傳統(tǒng)方法在解決函數(shù)逼近問(wèn)題時(shí)存在不足,導(dǎo)致圖像去模糊效果不理想。大數(shù)據(jù)時(shí)代,深度學(xué)習(xí)得到了迅猛發(fā)展,其在圖像盲去運(yùn)動(dòng)模糊中的應(yīng)用越來(lái)越廣泛。文獻(xiàn)[14]提出了一種準(zhǔn)確估計(jì)模糊核算法:首先訓(xùn)練一個(gè)卷積神經(jīng)網(wǎng)絡(luò),把模糊圖像恢復(fù)成中間圖像,然后結(jié)合模糊圖像與中間圖像準(zhǔn)確估計(jì)單個(gè)全局模糊核;文獻(xiàn)[15]提出一種連續(xù)去模糊方法,通過(guò)似然項(xiàng)和平滑先驗(yàn)優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)得到模糊核。以上方法都需要結(jié)合傳統(tǒng)的優(yōu)化方法進(jìn)行,所以需要精確的核估計(jì)步驟;文獻(xiàn)[16]采用條件對(duì)抗網(wǎng)絡(luò),以端到端方式直接生成清晰圖像,其在損失函數(shù)中加入感知損失以提高生成圖像與輸入圖像在內(nèi)容和全局結(jié)構(gòu)上的相似性。

    理想情況下,該輸出目標(biāo)應(yīng)該與輸入樣本相似,但是生成對(duì)抗網(wǎng)絡(luò)[17]并不會(huì)限制生成器輸出,這就造成很多時(shí)候生成器的輸出不穩(wěn)定。本文在文獻(xiàn)[16]的基礎(chǔ)上引入結(jié)構(gòu)相似性作為生成器約束項(xiàng),以限制生成器輸出。將訓(xùn)練好的模型在幾個(gè)不同的運(yùn)動(dòng)模糊場(chǎng)景中測(cè)試,結(jié)果表明該模型能高效恢復(fù)模糊圖像。

    1 盲去運(yùn)動(dòng)模糊模型

    生成對(duì)抗網(wǎng)絡(luò)模型基本框架如圖1所示,將由運(yùn)動(dòng)造成的模糊圖像B輸入到生成器G得到生成圖像G(B),生成圖像G(B)與清晰圖像S一同輸入判別器D中,分別將其映射為一個(gè)判別器,以判別為真的概率值。生成對(duì)抗網(wǎng)絡(luò)是一個(gè)互相博弈的過(guò)程,生成器依據(jù)判別器的判別結(jié)果進(jìn)行優(yōu)化,而判別器則努力去判別清晰圖像與生成圖像,直到判別器無(wú)法區(qū)分清晰圖像與生成圖像為止,此時(shí)生成器的去模糊效果達(dá)到最好。

    圖1 生成對(duì)抗網(wǎng)絡(luò)GAN的基本模型

    本文在生成對(duì)抗網(wǎng)絡(luò)的圖像盲去運(yùn)動(dòng)模糊模型中,訓(xùn)練一個(gè)CNN作為生成器G, 判別器由卷積層、全連接層和激活層構(gòu)成,對(duì)抗網(wǎng)絡(luò)的目標(biāo)函數(shù)為:

    式(1)中,[S~psharp(S)]表示清晰圖像S取自真實(shí)清晰圖像集,[B~pblurry(B)]表示模糊圖像,B取自模糊圖像集,E表示期望,D表示判別器對(duì)輸入圖像為真的概率。該損失函數(shù)存在判別器越好生成器梯度消失越嚴(yán)重的問(wèn)題,故采用WGAN[18]方法,將損失函數(shù)改為:

    [l=n=1N-DθD(GθD(IB))] (2)

    為提高生成圖像、輸入圖像內(nèi)容與全局結(jié)構(gòu)的相似性,引入感知損失函數(shù)[19]。為限制生成器輸出,引入結(jié)構(gòu)相似性函數(shù)作為生成器G的約束項(xiàng)。

    1.1 總損失函數(shù)

    總損失函數(shù)由對(duì)抗損失、感知損失、結(jié)構(gòu)相似性損失組合而成。

    [L=lGAN+λ?lX+κ?LSSIM(P)]? (3)

    1.2 感知損失函數(shù)

    理論上生成圖像I與清晰圖像S在內(nèi)容及全局結(jié)構(gòu)上的相似性應(yīng)盡可能接近,故以感知損失函數(shù)表示生成圖像I與清晰圖像S之間的差異。

    [lX=1Wi,jHi,jx=1Wi,jy=1Hi,j(φi,j(S)x,y-φi,j(I)x,y)2]? (4)

    式(4)中,[φi,j]是在VGG19[20]網(wǎng)絡(luò)下第i層最大池化之前通過(guò)第j層卷積層獲得的特征映射,[Wi,j]和[Hi,j]是特征映射的寬度和高度。

    1.3 結(jié)構(gòu)相似性(SSIM)損失函數(shù)

    原始GAN在生成圖像時(shí)是沒有約束的,故生成器很容易失去訓(xùn)練方向,導(dǎo)致訓(xùn)練不穩(wěn)定、梯度消失和模式崩潰問(wèn)題,故引入圖像結(jié)構(gòu)相似性損失函數(shù)[21]作為約束項(xiàng),約束生成器的訓(xùn)練。結(jié)構(gòu)相似性定義為:

    [SSIM(p)=2μxμy+c1μx2+μy2+c1?2σxy+c2σ2x+σ2y+c2]? (5)

    式(5)中,[μx]、[μy]是圖像塊像素的平均值,[σx]、[σy]是圖像像素值的標(biāo)準(zhǔn)差,[σxy]是兩個(gè)圖像像素的協(xié)方差,[c1]、[c2]為常數(shù)。

    SSIM越大越好,所以把損失函數(shù)改寫成:

    [LSSIM(P)=1Np∈P1-SSIM(P)] (6)

    即求[LSSIM]的最小值。但是這樣無(wú)法解決圖像像素的邊界問(wèn)題,所以重寫損失函數(shù)如下:

    [LSSIM(P)=1-SSIM(p)] (7)

    [p]表示像素塊的中間像素值。

    2 網(wǎng)絡(luò)模型

    2.1 生成器網(wǎng)絡(luò)

    生成器網(wǎng)絡(luò)模型如圖2所示。生成器網(wǎng)絡(luò)共由14塊組成,其中每一塊里面包含了卷積層、Instance歸一化層、Relu激活函數(shù)層。在每個(gè)殘差塊的第一個(gè)卷積層后面添加概率為0.5的Dropout正則化。第一塊卷積層為3通道,卷積核大小為7×7,步長(zhǎng)為1。第二塊與第三塊的卷積核大小為3×3,步長(zhǎng)為2,補(bǔ)零寬度為1。后面接入9個(gè)卷積核大小為3×3、步長(zhǎng)為2、padding為2的殘差塊。最后是兩個(gè)卷積核為3×3、步長(zhǎng)為2、padding為1、output_padding為1的反卷積塊。第一層卷積核大小為4×4×3,步長(zhǎng)為2,共有128個(gè)卷積核生成128張輸出;第二層卷積核大小為3×3×128,卷積步長(zhǎng)為2,共有512個(gè)卷積核生成512張輸出;第三層卷積核大小為3×3×512,卷積步長(zhǎng)為2,共有1 024個(gè)卷積核生成1 024張輸出;接著連接一個(gè)1 024維輸出的全連接層,再連接一個(gè)一維的全連接層和sigmoid函數(shù)得到輸出。此外,引入全局跳躍連接使生成器可從模糊圖像學(xué)習(xí)到殘差校正。

    2.2 判別器網(wǎng)絡(luò)

    判別器是在生成器訓(xùn)練完畢后對(duì)生成器生成的圖像判定為真的概率。當(dāng)概率大于0.5時(shí),將輸入圖像判為清晰圖像,反之將其判定為生成圖像。判別器網(wǎng)絡(luò)前面由4個(gè)卷積塊組成,其中每塊包含卷積塊、Instance歸一化層和LeakyReLU激活層。第一層卷積核大小為4×4×3,步長(zhǎng)為2,共有128個(gè)卷積核生成128張輸出;第二層卷積核大小為3×3×128,卷積步長(zhǎng)為2,共有512個(gè)卷積核生成512張輸出;第三層卷積核大小為3×3×512,卷積步長(zhǎng)為2,共有1 024個(gè)卷積核生成1 024張輸出;接著連接一個(gè)1 024維輸出的全連接層,再連接一個(gè)一維全連接層和sigmoid得到輸出。

    2.3 網(wǎng)絡(luò)結(jié)構(gòu)

    該模型的網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。將模糊圖像B作為生成器輸入,并輸出恢復(fù)的模糊圖像G(B)。在生成器訓(xùn)練期間,恢復(fù)圖像G(B)和清晰圖像S作為輸入并估計(jì)它們之間的結(jié)構(gòu)相似性差異與特征差異。完整的損失函數(shù)有對(duì)抗損失、結(jié)構(gòu)相似性損失和感知損失。

    圖3 算法模型

    3 實(shí)驗(yàn)結(jié)果分析

    3.1 實(shí)驗(yàn)設(shè)計(jì)

    本實(shí)驗(yàn)在Linux操作系統(tǒng)下基于PyTorch深度學(xué)習(xí)框架實(shí)現(xiàn)。計(jì)算機(jī)配置參數(shù)如下:3.4GHz的i3處理器臺(tái)式機(jī),NVIDA GTX1060顯卡,16GB RAM。模型在隨機(jī)剪裁的256×256像素的GoPro數(shù)據(jù)集上訓(xùn)練。因?yàn)樵撃P褪侨矸e,又是在剪裁的圖像塊上訓(xùn)練,故可應(yīng)用在任意大小的圖像中。將生成器和判別器的學(xué)習(xí)速率設(shè)置為1×10-4效果最好。經(jīng)過(guò)150次迭代后,后150次迭代的學(xué)習(xí)速率呈線性衰減。本模型參數(shù)經(jīng)過(guò)多次實(shí)驗(yàn)調(diào)整,將[λ]設(shè)置為100,[κ]設(shè)置為0.84,[C1]、[C2]分別設(shè)置為2.55、 6.75。經(jīng)過(guò)實(shí)驗(yàn)優(yōu)化,選擇自適應(yīng)矩估計(jì)優(yōu)化策略。驗(yàn)證表明,將batch size設(shè)置為1時(shí)效果最好。

    3.2 數(shù)據(jù)集預(yù)處理

    GoPro數(shù)據(jù)集分訓(xùn)練集和測(cè)試集。該數(shù)據(jù)集內(nèi)含有車輛、行人等多個(gè)運(yùn)動(dòng)場(chǎng)景造成的圖像模糊,所以在運(yùn)動(dòng)去模糊領(lǐng)域應(yīng)用較為廣泛。訓(xùn)練集含有2 103張運(yùn)動(dòng)模糊圖片和與之相對(duì)應(yīng)的清晰圖片,測(cè)試集內(nèi)含有1 000張運(yùn)動(dòng)模糊圖像和與之對(duì)應(yīng)的清晰圖像。將訓(xùn)練集尺寸隨機(jī)剪裁為256×256,把模糊圖像與對(duì)應(yīng)的清晰圖像相匹配同時(shí)作為生成器的輸入。

    3.3 實(shí)驗(yàn)結(jié)果

    該模型在GoPro數(shù)據(jù)集上訓(xùn)練迭代60萬(wàn)次后達(dá)到收斂狀態(tài)。在不同的運(yùn)動(dòng)模糊場(chǎng)景中進(jìn)行測(cè)試,本文模型的輸出結(jié)果與文獻(xiàn)[16]模型的輸出結(jié)果對(duì)比見圖4。

    圖4 原模糊圖像與各類算法去模糊結(jié)果

    結(jié)果表明,本文算法模型的去模糊效果比文獻(xiàn)[16]在細(xì)節(jié)方面有明顯提升,該模型可解決由拍攝設(shè)備與物體間相對(duì)運(yùn)動(dòng)造成的模糊,而不僅僅是人為的模糊。表1列出了幾種算法比較,可以看出,平均PSNR與SSIM表現(xiàn)得更為突出。

    表1 GoPro測(cè)試集下的平均值

    實(shí)驗(yàn)結(jié)果表明,本文模型對(duì)運(yùn)動(dòng)模糊圖像有較好的去模糊效果,但是圖像細(xì)節(jié)部分依然存在模糊現(xiàn)象。由于圖像運(yùn)動(dòng)是一個(gè)連續(xù)的過(guò)程,而圖像的成像是在曝光時(shí)間內(nèi)所有影像的集合。所以,硬件設(shè)備越差,成像過(guò)程丟失的信息就越多,這對(duì)去運(yùn)動(dòng)圖像模糊來(lái)說(shuō)是個(gè)很大的難題。若要降低圖像成像過(guò)程中信息丟失對(duì)圖像去模糊的不利影響,可采用高幀數(shù)拍攝設(shè)備。

    4 結(jié)語(yǔ)

    本文提出的圖像盲去運(yùn)動(dòng)模糊算法,針對(duì)GAN網(wǎng)絡(luò)模型訓(xùn)練不穩(wěn)定問(wèn)題,引入結(jié)構(gòu)相似性損失函數(shù)作為約束項(xiàng)進(jìn)行創(chuàng)新。實(shí)驗(yàn)證明本文方法優(yōu)于其它算法,提高了圖像去模糊效果。但是本文提出的算法訓(xùn)練參數(shù)過(guò)多,增加了訓(xùn)練復(fù)雜度,而且在實(shí)際處理運(yùn)動(dòng)模糊圖像時(shí)仍存在不足,下一步將重點(diǎn)研究如何在去模糊效果不降低的情況下減少訓(xùn)練參數(shù)、降低訓(xùn)練復(fù)雜度。因?yàn)檎鎸?shí)運(yùn)動(dòng)模糊圖像一般都具有多種模糊情況,所以要考慮適當(dāng)增加卷積核的感受野大小。

    參考文獻(xiàn):

    [1] MICHAILOVICH O V, ADAM D. A novel approach to the 2-D blind deconvolution problem in medical ultrasound[J]. IEEE Transactions on Medical Imaging, 2005, 24(1):86-87.

    [2] MICHAILOVICH O, TANNENBAUM A. Blind deconvolution of medical ultrasound images: a parametric inverse filtering approach.[J]. IEEE Transactions on Image Processing, 2007, 16(12):3005-3019.

    [3] 隋曄,馬鉞. 交通監(jiān)控系統(tǒng)中運(yùn)動(dòng)目標(biāo)分類和跟蹤研究[J]. 信息與控制, 2003, 32(1):61-64.

    [4] 張敏. 視頻監(jiān)控中運(yùn)動(dòng)目標(biāo)檢測(cè)與清晰化方法的研究[D]. 鎮(zhèn)江:江蘇大學(xué),2010.

    [5] YOU Y L, KAVEH M. A regularization approach to joint blur identification and image restoration[M]. Piscataway:IEEE Press, 1996.

    [6] SROUBEK F,F(xiàn)LUSSER J. Multichannel blind deconvolution of spatially misaligned images[J]. IEEE Transactions on Image Processing,2005,14(7):874-875.

    [7] WU Y. Blurred target tracking by blur-driven tracker[C]. IEEE International Conference on Computer Vision. IEEE, 2011:1100-1107.

    [8] DAI S, YANG M, WU Y, et al. Tracking motion-blurred targets in video[C].IEEE International Conference on Image Processing, 2006:2389-2392.

    [9] SCHULZ T J. Multiframe blind deconvolution of astronomical images[J]. Journal of the Optical Society of America A, 1993, 10(5):1064 - 1073.

    [10] HANISCH R J, JACOBY G H. Astronomical data analysis software and systems x[J]. Publications of the Astronomical Society of the Pacific, 2001, 113(784):772-773.

    [11] 郎銳. 數(shù)字圖像處理學(xué)[M]. 北京:希望電子出版社, 2002.

    [12] FERGUS R, SINGH B, HERTZMANN A, et al. Removing camera shake from a single photograph [J]. ACM Transactions on Graphics, 2006, 25(3):787-794.

    [13] PAN J, LIU R, SU Z, et al. Motion blur kernel estimation via salient edges and low rank prior[C].IEEE International Conference on Multimedia and Expo, 2014:1-6.

    [14] CHAKRABARTI A. A neural approach to blind motion deblurring[C]. European Conference on Computer Vision. Springer, Cham, 2016:221-235.

    [15] SUN J, CAO W, XU Z, et al. Learning a convolutional neural network for non-uniform motion blur removal[C].IEEE Conference on Computer Vision and Pattern Recognition,2015:769-777.

    [16] KUPYN O,BUDZAN V,MYKHAILYCH M,et al. Deblurgan: blind motion deblurring using conditional adversarial networks[EB/OL]. https://cloud.tencent.com/developer/article/1096122

    [17] GOODFELLOW I J, POUGET-ABADIE J, MIRZA M, et al. Generative adversarial nets[C]. International Conference on Neural Information Processing Systems,2014:2672-2680.

    [18] ARJOVSKY M, CHINTALA S, BOTTOU L. Wasserstein gan[J].? arXiv preprint,2017(3):1701-1711 .

    [19] JUSTIN JOHNSON,ALEXANDRE ALAHI,LI F F. Perceptual losses for real-time style transfer and super-resolution[EB/OL]. https://github.com/jcjohnson/fast-neural-style.

    [20] KAREN SIMONYAN,ANDREW ZISSERMAN.Very deep convolutional networks for large-scale image recognition[EB/OL]. https://arxiv.org/abs/1409.1556.

    [21] ZHAO H,GALLO O,F(xiàn)ROSIO I,et al. Loss functions for neural networks for image processing[J]. Computer Science,2015(3):2411-2419.

    [22] NAH S, KIM T H, LEE K M. Deep multi-scale convolutional neural network for dynamic scene deblurring[DB/OL]. https://arxiv.ogr/abs/1612.02177.

    [23] KIM T H,LEE K M. Segmentation-free dynamic scene deblurring[C]. Columbus:IEEE Conference on Computer Vision and Pattern Recognition, 2014.

    (責(zé)任編輯:杜能鋼)

    男女边吃奶边做爰视频| 黄色a级毛片大全视频| 精品国产乱码久久久久久小说| 精品国产一区二区三区久久久樱花| 午夜福利,免费看| 久久狼人影院| 精品一区二区三卡| 久久人人97超碰香蕉20202| 黄色视频在线播放观看不卡| 我要看黄色一级片免费的| 99久久综合免费| 亚洲成人手机| 亚洲中文日韩欧美视频| 午夜91福利影院| 国产1区2区3区精品| 丰满迷人的少妇在线观看| 欧美精品av麻豆av| 国产激情久久老熟女| av网站在线播放免费| 色婷婷av一区二区三区视频| 别揉我奶头~嗯~啊~动态视频 | 精品国产一区二区三区四区第35| 亚洲av在线观看美女高潮| 韩国精品一区二区三区| 久久久久久久国产电影| 热re99久久精品国产66热6| 国产视频一区二区在线看| 欧美人与性动交α欧美软件| 丰满少妇做爰视频| 一本久久精品| 2021少妇久久久久久久久久久| 中文字幕高清在线视频| 精品卡一卡二卡四卡免费| 丰满少妇做爰视频| av不卡在线播放| 久久久久网色| 亚洲成人免费电影在线观看 | 欧美xxⅹ黑人| 男女下面插进去视频免费观看| 伊人亚洲综合成人网| 久久久亚洲精品成人影院| 1024视频免费在线观看| a级毛片在线看网站| 汤姆久久久久久久影院中文字幕| 精品福利永久在线观看| 免费看十八禁软件| 亚洲一区二区三区欧美精品| 麻豆av在线久日| 久久精品亚洲av国产电影网| 国产精品一国产av| 老司机午夜十八禁免费视频| 久久久精品国产亚洲av高清涩受| 午夜老司机福利片| 日韩伦理黄色片| 国产一区二区三区av在线| 视频在线观看一区二区三区| 久久免费观看电影| 免费看十八禁软件| 欧美人与性动交α欧美精品济南到| 国产精品偷伦视频观看了| 国产黄色免费在线视频| 成人手机av| 后天国语完整版免费观看| 精品熟女少妇八av免费久了| 亚洲欧美成人综合另类久久久| 久久久久久亚洲精品国产蜜桃av| 18禁黄网站禁片午夜丰满| 久久久精品国产亚洲av高清涩受| 国产麻豆69| 性少妇av在线| 午夜老司机福利片| 一本—道久久a久久精品蜜桃钙片| 桃花免费在线播放| 日韩制服骚丝袜av| 午夜激情久久久久久久| 久久久精品94久久精品| 天堂8中文在线网| 真人做人爱边吃奶动态| 精品卡一卡二卡四卡免费| 国产老妇伦熟女老妇高清| 黄色视频在线播放观看不卡| 建设人人有责人人尽责人人享有的| 蜜桃国产av成人99| 欧美成人精品欧美一级黄| 黑人巨大精品欧美一区二区蜜桃| 丝瓜视频免费看黄片| 嫩草影视91久久| tube8黄色片| h视频一区二区三区| 亚洲成人国产一区在线观看 | 亚洲国产中文字幕在线视频| 国产视频首页在线观看| 精品少妇久久久久久888优播| 一区二区三区激情视频| 伊人久久大香线蕉亚洲五| tube8黄色片| 久久精品aⅴ一区二区三区四区| 99re6热这里在线精品视频| 性高湖久久久久久久久免费观看| 久久中文字幕一级| 亚洲黑人精品在线| a级毛片在线看网站| 久9热在线精品视频| e午夜精品久久久久久久| 亚洲国产中文字幕在线视频| 日本av手机在线免费观看| 99九九在线精品视频| av不卡在线播放| 欧美成人午夜精品| 久久久久久久大尺度免费视频| 新久久久久国产一级毛片| 国产av一区二区精品久久| 人人妻人人澡人人爽人人夜夜| 女性生殖器流出的白浆| 90打野战视频偷拍视频| 肉色欧美久久久久久久蜜桃| 国产女主播在线喷水免费视频网站| 国产精品一国产av| 日本wwww免费看| 色综合欧美亚洲国产小说| www.熟女人妻精品国产| 啦啦啦在线免费观看视频4| 黄色毛片三级朝国网站| 免费日韩欧美在线观看| 国产精品国产三级国产专区5o| 国产野战对白在线观看| 国产伦理片在线播放av一区| 色网站视频免费| 大型av网站在线播放| 青草久久国产| 一级毛片 在线播放| 欧美精品av麻豆av| 国产成人精品久久二区二区免费| 免费日韩欧美在线观看| 亚洲精品国产区一区二| av线在线观看网站| 国产精品香港三级国产av潘金莲 | 黑人欧美特级aaaaaa片| 一本大道久久a久久精品| 国产黄色视频一区二区在线观看| 狠狠精品人妻久久久久久综合| 一区福利在线观看| 看十八女毛片水多多多| 视频在线观看一区二区三区| 老司机午夜十八禁免费视频| 日韩av免费高清视频| 人人妻人人添人人爽欧美一区卜| 一本久久精品| 97人妻天天添夜夜摸| 亚洲专区中文字幕在线| 国产淫语在线视频| 少妇被粗大的猛进出69影院| 国产成人一区二区在线| 久久国产精品大桥未久av| 色精品久久人妻99蜜桃| 美女主播在线视频| 国产精品亚洲av一区麻豆| 亚洲国产精品一区三区| 好男人视频免费观看在线| 少妇 在线观看| 老汉色∧v一级毛片| 亚洲少妇的诱惑av| 午夜免费观看性视频| 女性生殖器流出的白浆| 亚洲黑人精品在线| 婷婷色综合大香蕉| 久久久久国产一级毛片高清牌| 黑人猛操日本美女一级片| 高清不卡的av网站| 欧美日韩精品网址| av线在线观看网站| 18禁国产床啪视频网站| 久久鲁丝午夜福利片| 最近最新中文字幕大全免费视频 | 日韩 亚洲 欧美在线| 中文字幕制服av| 午夜福利一区二区在线看| 国产高清不卡午夜福利| 亚洲精品久久久久久婷婷小说| 国产精品秋霞免费鲁丝片| 欧美少妇被猛烈插入视频| 亚洲国产欧美网| 久久国产精品影院| 日韩制服丝袜自拍偷拍| 久久狼人影院| 黄色一级大片看看| 欧美在线一区亚洲| 菩萨蛮人人尽说江南好唐韦庄| 一级毛片电影观看| 日韩免费高清中文字幕av| 晚上一个人看的免费电影| 赤兔流量卡办理| 狠狠婷婷综合久久久久久88av| 亚洲一区二区三区欧美精品| 欧美黄色淫秽网站| 久久久久久久精品精品| 在现免费观看毛片| 久久人人97超碰香蕉20202| 亚洲久久久国产精品| 人成视频在线观看免费观看| 免费在线观看黄色视频的| 国产精品人妻久久久影院| 制服人妻中文乱码| 久久久国产一区二区| 欧美久久黑人一区二区| 精品福利观看| 国产一区有黄有色的免费视频| 国产一区二区三区综合在线观看| 美女大奶头黄色视频| 一本—道久久a久久精品蜜桃钙片| 久久国产亚洲av麻豆专区| 99热全是精品| 国产免费又黄又爽又色| 精品久久久久久久毛片微露脸 | 国产欧美亚洲国产| 狠狠婷婷综合久久久久久88av| 婷婷色综合大香蕉| 久久综合国产亚洲精品| 精品福利观看| 亚洲第一av免费看| 精品久久久久久久毛片微露脸 | 女性生殖器流出的白浆| 欧美日韩一级在线毛片| 成人影院久久| 亚洲欧美精品综合一区二区三区| 国产在线一区二区三区精| 国产精品.久久久| 欧美成狂野欧美在线观看| 又粗又硬又长又爽又黄的视频| 亚洲国产欧美网| 美女视频免费永久观看网站| a级片在线免费高清观看视频| 中文字幕人妻丝袜制服| 在线观看免费午夜福利视频| 看免费av毛片| 欧美日韩黄片免| 午夜福利一区二区在线看| 天天操日日干夜夜撸| 日韩一卡2卡3卡4卡2021年| 国产成人精品久久二区二区免费| 婷婷色av中文字幕| 亚洲男人天堂网一区| 欧美精品人与动牲交sv欧美| 国产精品人妻久久久影院| 丰满少妇做爰视频| 国产深夜福利视频在线观看| 久久久国产精品麻豆| 亚洲国产av影院在线观看| 中文字幕高清在线视频| 午夜视频精品福利| 欧美人与善性xxx| 国产精品偷伦视频观看了| 多毛熟女@视频| 午夜激情av网站| 久久精品aⅴ一区二区三区四区| 最近最新中文字幕大全免费视频 | 丝袜喷水一区| 叶爱在线成人免费视频播放| 黄色片一级片一级黄色片| 男男h啪啪无遮挡| 亚洲av在线观看美女高潮| 国产精品一区二区在线观看99| 欧美人与性动交α欧美精品济南到| 亚洲情色 制服丝袜| 亚洲 国产 在线| 丝袜美腿诱惑在线| 日韩av免费高清视频| 999精品在线视频| 国产精品一区二区在线观看99| 亚洲国产av影院在线观看| 精品卡一卡二卡四卡免费| 成年av动漫网址| 九草在线视频观看| 日韩一卡2卡3卡4卡2021年| 国产免费一区二区三区四区乱码| www.自偷自拍.com| 女人久久www免费人成看片| 亚洲美女黄色视频免费看| 久久青草综合色| 中文字幕制服av| 女人久久www免费人成看片| 国产麻豆69| 又黄又粗又硬又大视频| tube8黄色片| 美女大奶头黄色视频| 男女国产视频网站| 99热全是精品| 午夜福利,免费看| 亚洲色图 男人天堂 中文字幕| 一级毛片女人18水好多 | 亚洲美女黄色视频免费看| 国产日韩一区二区三区精品不卡| 曰老女人黄片| 人妻 亚洲 视频| 十八禁人妻一区二区| 黄片播放在线免费| 丝袜在线中文字幕| 捣出白浆h1v1| 精品熟女少妇八av免费久了| netflix在线观看网站| 天天躁狠狠躁夜夜躁狠狠躁| 天天躁夜夜躁狠狠久久av| 亚洲av电影在线观看一区二区三区| 日韩一区二区三区影片| 捣出白浆h1v1| 极品人妻少妇av视频| 午夜91福利影院| tube8黄色片| 久久精品成人免费网站| 制服人妻中文乱码| 久热爱精品视频在线9| 午夜视频精品福利| 国产精品一区二区在线观看99| 亚洲国产欧美一区二区综合| xxx大片免费视频| 一级a爱视频在线免费观看| 亚洲,欧美,日韩| 在线观看免费午夜福利视频| 亚洲欧美一区二区三区久久| 日韩视频在线欧美| 日韩人妻精品一区2区三区| 免费av中文字幕在线| 啦啦啦啦在线视频资源| 看十八女毛片水多多多| 久久久久国产一级毛片高清牌| 一二三四在线观看免费中文在| 国产精品二区激情视频| 最黄视频免费看| 亚洲,一卡二卡三卡| 新久久久久国产一级毛片| 欧美日韩综合久久久久久| 日韩制服骚丝袜av| 午夜福利影视在线免费观看| 国产成人系列免费观看| 日韩人妻精品一区2区三区| 久久影院123| 在线观看www视频免费| 午夜福利在线免费观看网站| 日韩中文字幕视频在线看片| 麻豆乱淫一区二区| 99国产精品免费福利视频| 午夜老司机福利片| 欧美人与性动交α欧美软件| 80岁老熟妇乱子伦牲交| 亚洲av国产av综合av卡| 亚洲国产精品一区三区| 老司机靠b影院| 国产免费现黄频在线看| 自拍欧美九色日韩亚洲蝌蚪91| 久久精品久久久久久久性| 亚洲中文av在线| 婷婷丁香在线五月| 国产亚洲av高清不卡| 亚洲,欧美,日韩| 国产成人一区二区三区免费视频网站 | 天天躁夜夜躁狠狠久久av| 国产一区二区 视频在线| 久久久久久久国产电影| 成人免费观看视频高清| 18禁黄网站禁片午夜丰满| 一本综合久久免费| 一区福利在线观看| 久久国产精品大桥未久av| 美女扒开内裤让男人捅视频| 啦啦啦啦在线视频资源| 色94色欧美一区二区| 可以免费在线观看a视频的电影网站| 国产精品一区二区精品视频观看| 国产欧美日韩精品亚洲av| 日韩中文字幕视频在线看片| 老司机在亚洲福利影院| 19禁男女啪啪无遮挡网站| 国产成人免费观看mmmm| 国产亚洲av高清不卡| 久久鲁丝午夜福利片| 国产精品人妻久久久影院| 啦啦啦啦在线视频资源| 香蕉丝袜av| 成人影院久久| 国产在线一区二区三区精| 电影成人av| 精品少妇内射三级| 美女中出高潮动态图| av福利片在线| 亚洲一区中文字幕在线| 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 | 天天躁狠狠躁夜夜躁狠狠躁| 亚洲av国产av综合av卡| 美女福利国产在线| 亚洲精品久久成人aⅴ小说| 亚洲熟女精品中文字幕| 国产精品熟女久久久久浪| 99re6热这里在线精品视频| 777米奇影视久久| 欧美日韩黄片免| 大话2 男鬼变身卡| 午夜免费鲁丝| 国产亚洲精品第一综合不卡| 中国美女看黄片| 无限看片的www在线观看| 亚洲av美国av| av片东京热男人的天堂| 欧美成人午夜精品| 国产成人精品久久久久久| 亚洲精品久久午夜乱码| 欧美97在线视频| 亚洲人成电影免费在线| 亚洲午夜精品一区,二区,三区| 国产精品av久久久久免费| svipshipincom国产片| 亚洲精品国产av蜜桃| 国产成人精品久久二区二区91| 国产高清国产精品国产三级| 男女无遮挡免费网站观看| 制服诱惑二区| 亚洲专区国产一区二区| 亚洲人成77777在线视频| 夫妻午夜视频| 成年av动漫网址| 99国产精品一区二区蜜桃av | 在线观看免费高清a一片| 日韩 欧美 亚洲 中文字幕| 午夜老司机福利片| 亚洲欧美中文字幕日韩二区| 岛国毛片在线播放| 18禁裸乳无遮挡动漫免费视频| 欧美乱码精品一区二区三区| 一边摸一边做爽爽视频免费| 狠狠精品人妻久久久久久综合| 国产精品三级大全| 亚洲,欧美精品.| 婷婷成人精品国产| 99国产精品一区二区三区| 国产av国产精品国产| 亚洲精品久久成人aⅴ小说| 精品国产乱码久久久久久小说| 亚洲国产精品成人久久小说| 久久久国产精品麻豆| svipshipincom国产片| 久久久国产欧美日韩av| 欧美日韩一级在线毛片| 下体分泌物呈黄色| 欧美激情高清一区二区三区| 久久精品久久精品一区二区三区| av欧美777| 两人在一起打扑克的视频| 黄色 视频免费看| 一级,二级,三级黄色视频| 我要看黄色一级片免费的| 在线天堂中文资源库| av又黄又爽大尺度在线免费看| 91字幕亚洲| 国产色视频综合| 国产亚洲精品第一综合不卡| 晚上一个人看的免费电影| 男女下面插进去视频免费观看| 在线观看一区二区三区激情| 欧美日韩亚洲综合一区二区三区_| 制服人妻中文乱码| av在线老鸭窝| 欧美日韩福利视频一区二区| 建设人人有责人人尽责人人享有的| 国产成人精品久久久久久| 啦啦啦视频在线资源免费观看| 久久亚洲国产成人精品v| 婷婷丁香在线五月| 人人妻,人人澡人人爽秒播 | 搡老乐熟女国产| 老熟女久久久| 如日韩欧美国产精品一区二区三区| 狂野欧美激情性bbbbbb| 满18在线观看网站| 啦啦啦在线免费观看视频4| 久久久欧美国产精品| 一级片'在线观看视频| 久久久国产欧美日韩av| 在线观看免费午夜福利视频| 亚洲精品在线美女| 天天躁夜夜躁狠狠久久av| 最近手机中文字幕大全| 久久亚洲国产成人精品v| 日本vs欧美在线观看视频| 在线观看www视频免费| 亚洲精品自拍成人| 久久久久网色| 国产精品.久久久| 青青草视频在线视频观看| 巨乳人妻的诱惑在线观看| 国产极品粉嫩免费观看在线| 亚洲熟女毛片儿| 中文欧美无线码| 又紧又爽又黄一区二区| 免费观看人在逋| 色播在线永久视频| 欧美日本中文国产一区发布| 制服人妻中文乱码| 国产精品国产av在线观看| 中文字幕色久视频| 国产深夜福利视频在线观看| 亚洲人成电影免费在线| 国产精品久久久久久精品古装| 国产成人精品无人区| 少妇猛男粗大的猛烈进出视频| 午夜免费男女啪啪视频观看| 国产亚洲欧美精品永久| 天天躁狠狠躁夜夜躁狠狠躁| 操美女的视频在线观看| 欧美+亚洲+日韩+国产| 免费在线观看黄色视频的| 免费在线观看影片大全网站 | 啦啦啦在线观看免费高清www| 在线观看人妻少妇| 日本vs欧美在线观看视频| av天堂在线播放| 国产一区二区在线观看av| 老熟女久久久| 亚洲欧美成人综合另类久久久| 久久久久久人人人人人| 十八禁人妻一区二区| 国产片特级美女逼逼视频| 在线看a的网站| av不卡在线播放| 51午夜福利影视在线观看| 日本欧美国产在线视频| 男女免费视频国产| av不卡在线播放| 国产亚洲精品久久久久5区| 99九九在线精品视频| 久久精品人人爽人人爽视色| 日日爽夜夜爽网站| 久久久国产精品麻豆| 亚洲国产欧美网| 午夜福利免费观看在线| 中文字幕高清在线视频| 女人久久www免费人成看片| 久久99热这里只频精品6学生| 亚洲久久久国产精品| 50天的宝宝边吃奶边哭怎么回事| 国产伦理片在线播放av一区| 制服人妻中文乱码| 91麻豆精品激情在线观看国产 | 香蕉丝袜av| 丰满少妇做爰视频| 欧美日韩亚洲综合一区二区三区_| 精品国产国语对白av| 夫妻性生交免费视频一级片| 国精品久久久久久国模美| 久久久国产精品麻豆| 国产免费一区二区三区四区乱码| 精品久久久久久久毛片微露脸 | 国产亚洲午夜精品一区二区久久| 两个人免费观看高清视频| www.熟女人妻精品国产| 深夜精品福利| 日日爽夜夜爽网站| 人体艺术视频欧美日本| 亚洲一码二码三码区别大吗| 亚洲欧美一区二区三区久久| 99国产精品一区二区蜜桃av | 午夜影院在线不卡| 一本—道久久a久久精品蜜桃钙片| 国产在线观看jvid| av天堂久久9| 日韩,欧美,国产一区二区三区| 日本av手机在线免费观看| 国产免费现黄频在线看| 欧美人与性动交α欧美软件| a级毛片在线看网站| 另类精品久久| 日本wwww免费看| 欧美在线黄色| 欧美国产精品一级二级三级| 在线天堂中文资源库| 亚洲精品国产av成人精品| 日韩人妻精品一区2区三区| 妹子高潮喷水视频| 人人妻人人澡人人看| 日韩电影二区| 亚洲精品久久午夜乱码| 欧美激情极品国产一区二区三区| 我要看黄色一级片免费的| 免费高清在线观看视频在线观看| 黑人巨大精品欧美一区二区蜜桃| 国产亚洲欧美精品永久| 国产精品二区激情视频| 女人爽到高潮嗷嗷叫在线视频| 欧美精品一区二区大全| 精品国产超薄肉色丝袜足j| 亚洲国产av影院在线观看| 男人添女人高潮全过程视频| 亚洲精品久久午夜乱码| 国产av精品麻豆| 一二三四在线观看免费中文在| 亚洲人成电影免费在线| 欧美在线黄色| 亚洲欧美日韩高清在线视频 | 狂野欧美激情性bbbbbb| 欧美日韩视频精品一区| 欧美+亚洲+日韩+国产| 久久久国产一区二区| 1024香蕉在线观看| 欧美乱码精品一区二区三区| 久久免费观看电影| 亚洲精品国产av蜜桃| 少妇的丰满在线观看| 国产91精品成人一区二区三区 | 久久性视频一级片| 人人妻,人人澡人人爽秒播 | 国产精品一二三区在线看| 女警被强在线播放| 性色av一级| 亚洲av美国av| 中文字幕av电影在线播放| 波野结衣二区三区在线|