• <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)

    日韩av免费高清视频| 老司机影院毛片| 亚洲美女搞黄在线观看| 啦啦啦啦在线视频资源| 国产成人aa在线观看| 久久国内精品自在自线图片| 国产av国产精品国产| 日韩大片免费观看网站| av免费观看日本| 制服诱惑二区| 国产极品天堂在线| 91午夜精品亚洲一区二区三区| 国产成人精品久久久久久| 全区人妻精品视频| 尾随美女入室| h视频一区二区三区| 亚洲国产精品国产精品| 亚洲少妇的诱惑av| 国产精品久久久久久久久免| 一级黄片播放器| 免费观看的影片在线观看| 亚洲婷婷狠狠爱综合网| 男男h啪啪无遮挡| 久久 成人 亚洲| 日日摸夜夜添夜夜爱| 免费大片18禁| 天美传媒精品一区二区| 国产精品女同一区二区软件| 青春草亚洲视频在线观看| 狂野欧美激情性xxxx在线观看| 99久久中文字幕三级久久日本| 日日撸夜夜添| 一级毛片 在线播放| 少妇人妻 视频| 国产伦精品一区二区三区视频9| 午夜av观看不卡| 国产欧美日韩综合在线一区二区| 大香蕉久久成人网| 天天躁夜夜躁狠狠久久av| 午夜福利在线观看免费完整高清在| 成人毛片60女人毛片免费| 永久网站在线| 这个男人来自地球电影免费观看 | 国产av一区二区精品久久| 青春草视频在线免费观看| 免费少妇av软件| 久久狼人影院| 午夜免费男女啪啪视频观看| 国产又色又爽无遮挡免| 国产精品99久久久久久久久| 国产在线免费精品| 国产在线视频一区二区| 日本黄色日本黄色录像| 精品酒店卫生间| 久久精品人人爽人人爽视色| 欧美日韩综合久久久久久| 在线看a的网站| 国产永久视频网站| a级毛片在线看网站| 国产午夜精品久久久久久一区二区三区| 蜜臀久久99精品久久宅男| 国产精品一国产av| 69精品国产乱码久久久| 亚洲伊人久久精品综合| 精品久久蜜臀av无| 多毛熟女@视频| 国产精品女同一区二区软件| 国产av国产精品国产| 亚洲国产最新在线播放| 国产亚洲精品久久久com| 亚洲欧美中文字幕日韩二区| 亚洲精品第二区| 国产一区二区三区综合在线观看 | 免费看av在线观看网站| 国产亚洲一区二区精品| 国产精品久久久久久久久免| 亚洲av在线观看美女高潮| 久久久久久久亚洲中文字幕| 久久精品熟女亚洲av麻豆精品| 成人午夜精彩视频在线观看| a级片在线免费高清观看视频| 国产探花极品一区二区| www.av在线官网国产| 美女脱内裤让男人舔精品视频| 日本黄大片高清| 三级国产精品欧美在线观看| 久久久亚洲精品成人影院| 亚洲av国产av综合av卡| av福利片在线| 十分钟在线观看高清视频www| 欧美国产精品一级二级三级| 久久精品久久精品一区二区三区| 少妇猛男粗大的猛烈进出视频| 美女cb高潮喷水在线观看| 九色亚洲精品在线播放| 人妻系列 视频| 精品99又大又爽又粗少妇毛片| 久热这里只有精品99| 国产成人一区二区在线| 伦理电影大哥的女人| 永久免费av网站大全| av免费观看日本| 五月玫瑰六月丁香| 久久影院123| 国产免费一区二区三区四区乱码| 久久久久精品性色| 飞空精品影院首页| 男人添女人高潮全过程视频| 日韩在线高清观看一区二区三区| videosex国产| 九草在线视频观看| 亚洲欧美一区二区三区黑人 | 99久国产av精品国产电影| 下体分泌物呈黄色| 另类精品久久| 乱码一卡2卡4卡精品| 国产成人午夜福利电影在线观看| 国产探花极品一区二区| 亚洲成色77777| 亚洲一区二区三区欧美精品| 国产成人91sexporn| 一级毛片电影观看| 91久久精品国产一区二区成人| 夜夜骑夜夜射夜夜干| 一边摸一边做爽爽视频免费| 久热久热在线精品观看| 十八禁高潮呻吟视频| 在线观看免费视频网站a站| 精品酒店卫生间| 国产精品 国内视频| 亚洲熟女精品中文字幕| 成人国语在线视频| 美女xxoo啪啪120秒动态图| 一本一本综合久久| 国产无遮挡羞羞视频在线观看| 十八禁高潮呻吟视频| 97超碰精品成人国产| 亚洲成人av在线免费| 蜜臀久久99精品久久宅男| 亚洲av男天堂| 亚洲国产精品一区三区| av国产久精品久网站免费入址| 国产精品国产三级国产专区5o| 国产亚洲av片在线观看秒播厂| 亚洲国产日韩一区二区| 国产精品一区二区三区四区免费观看| 欧美激情极品国产一区二区三区 | 色网站视频免费| 国产永久视频网站| 欧美人与性动交α欧美精品济南到 | 看十八女毛片水多多多| 国产女主播在线喷水免费视频网站| 国产极品天堂在线| 色吧在线观看| 亚洲国产精品一区三区| 插阴视频在线观看视频| 亚洲精品第二区| 丁香六月天网| a级片在线免费高清观看视频| 亚洲欧美一区二区三区黑人 | 极品少妇高潮喷水抽搐| 97超碰精品成人国产| 男女免费视频国产| 欧美bdsm另类| 97在线视频观看| 午夜老司机福利剧场| 欧美丝袜亚洲另类| 精品一品国产午夜福利视频| 精品酒店卫生间| 最新的欧美精品一区二区| 99久久中文字幕三级久久日本| 久久青草综合色| 中文乱码字字幕精品一区二区三区| 久久精品国产a三级三级三级| 日韩在线高清观看一区二区三区| 草草在线视频免费看| 夫妻午夜视频| 最近手机中文字幕大全| 久热久热在线精品观看| 80岁老熟妇乱子伦牲交| 久久久久久久久久人人人人人人| 欧美精品一区二区免费开放| 亚洲精品乱久久久久久| 人人妻人人添人人爽欧美一区卜| 日本欧美国产在线视频| 如何舔出高潮| 99久久精品一区二区三区| 99视频精品全部免费 在线| 制服诱惑二区| 黑人猛操日本美女一级片| av电影中文网址| 日本黄色片子视频| 国产一区有黄有色的免费视频| 久久鲁丝午夜福利片| 日韩一本色道免费dvd| 国产一区二区在线观看av| 国产精品欧美亚洲77777| 亚洲高清免费不卡视频| 丰满饥渴人妻一区二区三| 赤兔流量卡办理| 久久久久久久久久人人人人人人| 国产熟女午夜一区二区三区 | 18禁动态无遮挡网站| 中国美白少妇内射xxxbb| 国产精品 国内视频| 一本色道久久久久久精品综合| 日日摸夜夜添夜夜爱| 久久精品久久久久久久性| 免费人成在线观看视频色| 熟女电影av网| 亚洲伊人久久精品综合| 亚洲色图综合在线观看| 欧美3d第一页| 日韩在线高清观看一区二区三区| 交换朋友夫妻互换小说| 亚洲精品色激情综合| 一区二区三区免费毛片| 蜜桃久久精品国产亚洲av| 免费看不卡的av| 边亲边吃奶的免费视频| 一本色道久久久久久精品综合| 99九九在线精品视频| 蜜桃久久精品国产亚洲av| 人妻制服诱惑在线中文字幕| 大香蕉久久成人网| 中文字幕最新亚洲高清| a级毛片黄视频| 美女中出高潮动态图| av.在线天堂| 国产男人的电影天堂91| 日韩免费高清中文字幕av| 国产日韩欧美亚洲二区| 女性生殖器流出的白浆| 欧美人与性动交α欧美精品济南到 | 色视频在线一区二区三区| 秋霞在线观看毛片| 欧美变态另类bdsm刘玥| 边亲边吃奶的免费视频| 中文精品一卡2卡3卡4更新| 美女cb高潮喷水在线观看| 乱人伦中国视频| 国产男女超爽视频在线观看| 免费播放大片免费观看视频在线观看| 亚洲色图综合在线观看| 嘟嘟电影网在线观看| 人妻一区二区av| 亚洲精品亚洲一区二区| 91久久精品国产一区二区三区| 国产精品一区www在线观看| 日韩视频在线欧美| 你懂的网址亚洲精品在线观看| 成人国产麻豆网| 美女福利国产在线| 热re99久久精品国产66热6| 人妻一区二区av| av播播在线观看一区| 在线观看美女被高潮喷水网站| 国产精品一二三区在线看| 国产精品99久久久久久久久| 最黄视频免费看| 亚洲精品国产色婷婷电影| 国产精品99久久99久久久不卡 | 免费高清在线观看日韩| 少妇人妻久久综合中文| 国产免费一区二区三区四区乱码| av黄色大香蕉| 黄色配什么色好看| 亚洲精品日韩av片在线观看| 日韩成人av中文字幕在线观看| 丰满饥渴人妻一区二区三| 国产伦理片在线播放av一区| 汤姆久久久久久久影院中文字幕| 精品久久国产蜜桃| 97精品久久久久久久久久精品| 久久狼人影院| 纵有疾风起免费观看全集完整版| 大码成人一级视频| 日本欧美国产在线视频| 国产色婷婷99| 男女免费视频国产| 精品久久国产蜜桃| 欧美精品亚洲一区二区| 人妻 亚洲 视频| 亚洲精品视频女| 亚洲精品国产色婷婷电影| 国产精品国产三级国产专区5o| 伊人久久精品亚洲午夜| 亚洲天堂av无毛| 天美传媒精品一区二区| 晚上一个人看的免费电影| 国产免费现黄频在线看| 亚洲伊人久久精品综合| 一级毛片我不卡| 亚洲av成人精品一区久久| 亚洲欧美精品自产自拍| 亚洲综合色网址| 午夜激情福利司机影院| 国产精品国产av在线观看| 久久久久久久久久成人| 男的添女的下面高潮视频| 免费av中文字幕在线| 国产日韩欧美视频二区| 欧美+日韩+精品| 又大又黄又爽视频免费| 一区二区三区免费毛片| 欧美97在线视频| 午夜日本视频在线| 亚洲精品国产色婷婷电影| 少妇 在线观看| a级片在线免费高清观看视频| 国产一区二区在线观看日韩| av国产久精品久网站免费入址| 中文字幕人妻熟人妻熟丝袜美| 亚洲av日韩在线播放| 久久久久人妻精品一区果冻| 纯流量卡能插随身wifi吗| 国产精品一区二区三区四区免费观看| 视频区图区小说| 免费观看的影片在线观看| 大又大粗又爽又黄少妇毛片口| 汤姆久久久久久久影院中文字幕| 久久久久久久精品精品| 久久精品国产亚洲av天美| 亚洲成人av在线免费| 黑人高潮一二区| 水蜜桃什么品种好| 日日摸夜夜添夜夜添av毛片| 3wmmmm亚洲av在线观看| 成人无遮挡网站| 国产淫语在线视频| 免费人妻精品一区二区三区视频| 午夜免费鲁丝| 99热这里只有精品一区| 人体艺术视频欧美日本| 国产男女内射视频| 天堂俺去俺来也www色官网| 国产探花极品一区二区| 欧美日韩精品成人综合77777| 一本大道久久a久久精品| 久久这里有精品视频免费| 国产极品天堂在线| 精品少妇久久久久久888优播| 中文字幕制服av| 色网站视频免费| 国产精品三级大全| 婷婷色av中文字幕| 日韩熟女老妇一区二区性免费视频| 一本色道久久久久久精品综合| 五月天丁香电影| 国产精品国产av在线观看| 亚洲精品日韩av片在线观看| 成人无遮挡网站| 久久狼人影院| 国产 一区精品| 欧美日韩国产mv在线观看视频| 久久婷婷青草| 日本午夜av视频| 丰满少妇做爰视频| 一区二区日韩欧美中文字幕 | 人妻一区二区av| 久久久久精品久久久久真实原创| 中文字幕精品免费在线观看视频 | 久久av网站| 日日撸夜夜添| 少妇人妻精品综合一区二区| 精品少妇黑人巨大在线播放| 色吧在线观看| 国产黄色视频一区二区在线观看| 人人妻人人爽人人添夜夜欢视频| 视频区图区小说| 简卡轻食公司| 国产在线视频一区二区| 久久久久久伊人网av| 在线免费观看不下载黄p国产| 岛国毛片在线播放| 成人国产av品久久久| 爱豆传媒免费全集在线观看| 欧美xxxx性猛交bbbb| 亚洲久久久国产精品| 十分钟在线观看高清视频www| 亚洲精品第二区| .国产精品久久| 中国国产av一级| 乱人伦中国视频| 一级,二级,三级黄色视频| 欧美日韩视频高清一区二区三区二| 午夜福利视频在线观看免费| freevideosex欧美| 一区二区三区免费毛片| 国产成人午夜福利电影在线观看| 精品一区二区免费观看| 秋霞在线观看毛片| 久久人妻熟女aⅴ| 狂野欧美激情性xxxx在线观看| 成人二区视频| 中文字幕人妻丝袜制服| 天堂8中文在线网| 日本91视频免费播放| 久久热精品热| 久久 成人 亚洲| 成年女人在线观看亚洲视频| 日本与韩国留学比较| 国模一区二区三区四区视频| 国产不卡av网站在线观看| 人人妻人人澡人人看| 亚洲人与动物交配视频| 欧美激情极品国产一区二区三区 | 黑人高潮一二区| 少妇 在线观看| 国产男女超爽视频在线观看| 亚洲国产精品一区三区| 国产亚洲精品第一综合不卡 | 美女主播在线视频| 色婷婷久久久亚洲欧美| 日韩,欧美,国产一区二区三区| 高清av免费在线| 蜜桃久久精品国产亚洲av| 一级,二级,三级黄色视频| 午夜免费鲁丝| 久久精品熟女亚洲av麻豆精品| 久久久久精品久久久久真实原创| 国产片特级美女逼逼视频| 看十八女毛片水多多多| 午夜久久久在线观看| 老熟女久久久| 一区二区三区精品91| 国产精品熟女久久久久浪| 国产在线视频一区二区| 国产精品欧美亚洲77777| 亚洲国产精品国产精品| 亚洲精品亚洲一区二区| 精品久久久精品久久久| 99re6热这里在线精品视频| 午夜久久久在线观看| 亚洲图色成人| 最新的欧美精品一区二区| 99久久精品国产国产毛片| 国产在线视频一区二区| 亚洲欧洲日产国产| 韩国av在线不卡| 精品人妻熟女毛片av久久网站| 午夜激情久久久久久久| 精品亚洲乱码少妇综合久久| 欧美精品一区二区免费开放| 中文乱码字字幕精品一区二区三区| .国产精品久久| 国产成人av激情在线播放 | 在线天堂最新版资源| 亚洲情色 制服丝袜| 国产淫语在线视频| 草草在线视频免费看| 超碰97精品在线观看| 精品人妻偷拍中文字幕| 午夜福利影视在线免费观看| 亚洲国产日韩一区二区| 日韩强制内射视频| 午夜福利视频在线观看免费| 免费观看a级毛片全部| 人妻少妇偷人精品九色| 特大巨黑吊av在线直播| 女人久久www免费人成看片| 中文精品一卡2卡3卡4更新| 国产在线一区二区三区精| 中文欧美无线码| 最近2019中文字幕mv第一页| 一级毛片黄色毛片免费观看视频| 在线观看美女被高潮喷水网站| 精品一品国产午夜福利视频| 成人国产麻豆网| 国产黄色视频一区二区在线观看| 国产精品99久久久久久久久| 日本色播在线视频| 激情五月婷婷亚洲| 韩国av在线不卡| av视频免费观看在线观看| 国产有黄有色有爽视频| 欧美bdsm另类| 最近中文字幕高清免费大全6| 秋霞在线观看毛片| av有码第一页| 综合色丁香网| 成年女人在线观看亚洲视频| 草草在线视频免费看| 亚洲精品中文字幕在线视频| 亚洲精品视频女| 成年人午夜在线观看视频| 肉色欧美久久久久久久蜜桃| 久久久久久久精品精品| a级片在线免费高清观看视频| 日韩av免费高清视频| 免费黄频网站在线观看国产| 成人国产麻豆网| 午夜激情福利司机影院| 亚洲av欧美aⅴ国产| av不卡在线播放| 精品国产一区二区三区久久久樱花| 久久国产亚洲av麻豆专区| 成年人免费黄色播放视频| 人人澡人人妻人| 欧美变态另类bdsm刘玥| 国产男女内射视频| 免费少妇av软件| 三级国产精品欧美在线观看| 精品久久久精品久久久| 国产免费现黄频在线看| 国精品久久久久久国模美| 91精品三级在线观看| 免费av中文字幕在线| 一级毛片aaaaaa免费看小| 亚洲国产欧美在线一区| 久久国产精品男人的天堂亚洲 | 成人国产av品久久久| 欧美日韩国产mv在线观看视频| 国产精品一区二区在线观看99| 亚洲高清免费不卡视频| 久久鲁丝午夜福利片| 观看美女的网站| 国产伦理片在线播放av一区| 久久久精品94久久精品| 久热这里只有精品99| 一级片'在线观看视频| 国产色婷婷99| 亚洲综合色网址| 久久狼人影院| xxx大片免费视频| 国产色婷婷99| 自拍欧美九色日韩亚洲蝌蚪91| 一个人免费看片子| 成人国产av品久久久| 男女高潮啪啪啪动态图| 中文字幕久久专区| 亚洲国产欧美在线一区| 黄色欧美视频在线观看| 在线观看三级黄色| 日韩电影二区| 日韩av免费高清视频| 99久久精品一区二区三区| 夫妻午夜视频| 一个人免费看片子| 十分钟在线观看高清视频www| 乱码一卡2卡4卡精品| 国产成人免费观看mmmm| 新久久久久国产一级毛片| 日本vs欧美在线观看视频| 精品亚洲成a人片在线观看| 日韩大片免费观看网站| 国产精品麻豆人妻色哟哟久久| 亚洲精品乱久久久久久| 亚洲第一av免费看| 高清av免费在线| 精品人妻在线不人妻| 精品一区在线观看国产| 成人午夜精彩视频在线观看| 国产精品欧美亚洲77777| 国产不卡av网站在线观看| 亚洲情色 制服丝袜| 国产成人freesex在线| 久久97久久精品| 成人免费观看视频高清| 国产免费一区二区三区四区乱码| 最近中文字幕2019免费版| 最后的刺客免费高清国语| 免费观看av网站的网址| 在现免费观看毛片| av网站免费在线观看视频| 国产精品99久久99久久久不卡 | 18禁裸乳无遮挡动漫免费视频| 国产一区有黄有色的免费视频| 欧美精品国产亚洲| h视频一区二区三区| 伦理电影免费视频| 国产成人一区二区在线| 亚洲欧美日韩卡通动漫| 免费av不卡在线播放| 高清欧美精品videossex| 满18在线观看网站| 国产精品99久久99久久久不卡 | 桃花免费在线播放| 久久久国产欧美日韩av| 欧美精品国产亚洲| 久久精品国产亚洲av天美| 日韩伦理黄色片| 乱人伦中国视频| 亚洲精品乱久久久久久| 免费人成在线观看视频色| 国产视频首页在线观看| 在线播放无遮挡| 久久精品久久精品一区二区三区| 国产白丝娇喘喷水9色精品| 一区二区三区乱码不卡18| 我的老师免费观看完整版| 亚洲五月色婷婷综合| 欧美精品一区二区免费开放| 嘟嘟电影网在线观看| 九九久久精品国产亚洲av麻豆| videos熟女内射| av又黄又爽大尺度在线免费看| 久久精品熟女亚洲av麻豆精品| 中文字幕最新亚洲高清| 99国产精品免费福利视频| 卡戴珊不雅视频在线播放| 国产成人精品在线电影| 一本大道久久a久久精品| 人成视频在线观看免费观看| 在线免费观看不下载黄p国产| 国产 一区精品| 久久精品国产亚洲av天美| 亚州av有码| 99久久精品一区二区三区| 欧美性感艳星| 色94色欧美一区二区| 老司机影院成人| 婷婷色麻豆天堂久久| 亚洲国产成人一精品久久久| 成人国语在线视频|