• <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 ?

    端到端增強特征神經(jīng)網(wǎng)絡(luò)的視頻表情識別

    2019-10-16 00:59:00曹雪虹
    關(guān)鍵詞:人臉卷積神經(jīng)網(wǎng)絡(luò)

    陳 樂,童 瑩,陳 瑞,曹雪虹

    (1.南京郵電大學(xué) 通信與信息工程學(xué)院,南京 210003;2.南京工程學(xué)院 信息與通信工程學(xué)院,南京 211167)

    表情是人類情緒的直觀反應(yīng),多指面部肌肉及五官形成的狀態(tài),表情識別作為人機交互重要的一環(huán)一直是計算機視覺的重要研究課題之一。隨著計算機技術(shù)的進步、大數(shù)據(jù)時代的到來以及 GPU 等電腦硬件的發(fā)展,表情識別在軟硬件上都得到了長足的發(fā)展,相應(yīng)的研究機構(gòu)與表情數(shù)據(jù)庫以及新的算法越來越多。

    在傳統(tǒng)機器學(xué)習(xí)表情識別領(lǐng)域,特征提取是人臉表情識別中最核心的部分,從圖片中提取出人臉的有用信息能很大程度上影響最終表情識別的準確率。傳統(tǒng)的特征提取方法使用手工制作的特征,如局部二值模式(LBP)[1]、Gabor特征[1],用于表示圖像的離散余弦變換以及線性預(yù)測編碼系數(shù)(LPC)等[2]。影響表情識別率高低的另一關(guān)鍵是如何選取合適的分類器對特征進行分類。分類算法常見的有SVM分類算法[3]、K-NN分類算法[4]、Adaboost分類算法等[5]。以上傳統(tǒng)機器學(xué)習(xí)算法經(jīng)過不斷發(fā)展,目前已經(jīng)相對成熟。

    近年來,深度學(xué)習(xí)憑借優(yōu)良的信息處理能力及在分類、識別、目標檢測等方面取得的重大突破,成為國內(nèi)外人工智能領(lǐng)域的研究熱點。在表情識別研究中,深度學(xué)習(xí)也表現(xiàn)出了出色的性能,不僅有更強的特征提取能力,而且對光照、姿態(tài)、遮擋物等干擾場景下的表情識別率更好。其中基于卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,CNN)的方法[6-8]在眾多計算機視覺任務(wù)中取得了突破,這些方法也成為表情識別中的入門解決方案。Moez Baccouche[9]第一個提出依賴深度卷積神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)特征來代替手工特征。Emoti W表情識別競賽15年的冠軍Anbang Yao[2]構(gòu)建了多個卷積網(wǎng)絡(luò)模型,闡明了人臉各個區(qū)域的表情特征與表情識別的相關(guān)性。基于卷積神經(jīng)網(wǎng)絡(luò)在單張圖片的表情識別上優(yōu)良的表現(xiàn),Pooya Khorrami[10]考慮使用深度學(xué)習(xí)對視頻進行情感識別。由于在連續(xù)的視頻數(shù)據(jù)上卷積神經(jīng)網(wǎng)絡(luò)無法提取視頻片段中的連續(xù)時間信息及運動特征,他們第一次提出了卷積神經(jīng)網(wǎng)絡(luò)與循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network,RNN)相結(jié)合,取得了比單純CNN模型更好的效果。Huai-Qian Khor[11]提出了一種豐富長期循環(huán)卷積網(wǎng)絡(luò)(enriched long-term recurrent convolutional network,ELRCN)用于微表情識別,通過在空間和時間維度上堆疊輸入數(shù)據(jù)來增強對人臉特征的提取。

    本文受ELRCN啟發(fā),結(jié)合深度學(xué)習(xí)中的卷積神經(jīng)網(wǎng)絡(luò)和長短期記憶網(wǎng)絡(luò)(long short-term memory,LSTM),在AFEW(acted facial expressionsinthewild)[12]數(shù)據(jù)集上對連續(xù)幀中人臉進行表情識別。由于ELRCN框架中CNN與LSTM模型獨立進行訓(xùn)練,最終的分類結(jié)果無法影響CNN模型的權(quán)重更新,于是使用keras深度學(xué)習(xí)庫復(fù)現(xiàn)了ELRCN論文中的框架,并在此基礎(chǔ)上提出了一種端到端特征增強的CNN-LSTM混合網(wǎng)絡(luò),最終在實驗分析后得到了更好的效果。

    1 數(shù)據(jù)集

    人類表情有明確的分類是在20世紀70年代,Ekman和Friesen[13]對現(xiàn)代人臉表情識別做了開創(chuàng)性的工作,他們研究了人類的6種基本表情(即高興、悲傷、驚訝、恐懼、憤怒、厭惡),確定識別對象的類別,并系統(tǒng)地建立了有上千幅不同表情的人臉表情圖像數(shù)據(jù)庫。隨后他們又在此基礎(chǔ)上通過大量研究,建立不同的臉部肌肉運動與相應(yīng)的面部表情映射關(guān)系,提出基于面部運動單元(44個運動單元)的面部表情編碼系統(tǒng)(facial action coding system,FACS)[14]。

    本文使用數(shù)據(jù)集AFEW,它取材自從不同電影收集的剪輯視頻,其中包含自發(fā)的表情、各種頭部姿勢、遮擋和照明等各種現(xiàn)實場景,相對于實驗室控制的采集數(shù)據(jù)存在著許多挑戰(zhàn)性的問題。AFEW中每個視頻分配1個表情標簽(圖1),其表情種類除了6種基本表情外,還有一類中性無表情類(neutral)。該數(shù)據(jù)集有3個子集:訓(xùn)練集(773個視頻)、驗證集(371個視頻)和測試集(653個視頻),為保證互不相關(guān),3個集取材的電影和演員互斥。數(shù)據(jù)集還提供了每個視頻對應(yīng)的剪切人臉圖片、LBP特征信息和人臉面部關(guān)鍵點信息。SFEW(static facial expressionsinthe wild)[15]數(shù)據(jù)集是通過基于面部點聚類計算關(guān)鍵幀從AFEW數(shù)據(jù)集中提取靜態(tài)幀組成的,標簽和分集方式相同,必要時可以作為AFEW的輔助數(shù)據(jù)集。本文主要關(guān)注CNN-LSTM網(wǎng)絡(luò)框架的優(yōu)化,直接使用數(shù)據(jù)集自身提供的連續(xù)視頻幀的人臉剪輯圖片作為訓(xùn)練數(shù)據(jù),并未做進一步的圖像處理。圖1中,每行表示1種情緒。

    2 CNN-LSTM網(wǎng)絡(luò)

    2.1 CNN提取人臉特征

    卷積神經(jīng)網(wǎng)絡(luò)近年來在視覺識別任務(wù)上取得了巨大的成功,其中包括經(jīng)典的CNN包括AlexNet[6]、VGG[7]、GoogLeNet[16]和ResNet[17-19]。訓(xùn)練一個好的網(wǎng)絡(luò)模型需要大量的數(shù)據(jù),這些經(jīng)典網(wǎng)絡(luò)框架都有開源且在各種大數(shù)據(jù)訓(xùn)練集上訓(xùn)練好的模型權(quán)重,把預(yù)訓(xùn)練好的的模型權(quán)重作為后續(xù)研究者的初始模型參數(shù)大大節(jié)約了重新訓(xùn)練模型的時間。Yin Fan[18]在選擇表情識別CNN框架時,對已經(jīng)預(yù)訓(xùn)練的經(jīng)典框架(GoogLeNet、VGG-16、ResNet等)進行了實驗對比,發(fā)現(xiàn)在人臉數(shù)據(jù)集上預(yù)訓(xùn)練的VGG-16-Face模型有著最高的準確率。本文框架中的CNN部分也采用經(jīng)典的VGG-16-Face模型,如圖2所示。

    圖1 AFEW數(shù)據(jù)集的7種情緒

    圖2 端到端VGG-16部分模型

    圖2中①處是對卷積層輸出進行池化、拉伸后連接輸出為4 096的全連接層;②處是輸出為4 096的全連接層。VGG-16模型由牛津大學(xué)VGG組提出,該網(wǎng)絡(luò)在2014年的 ILSVRC localization and classification 兩個問題上分別取得了第1名和第2名的網(wǎng)絡(luò)架構(gòu),證明了增加網(wǎng)絡(luò)的深度能一定程度地影響網(wǎng)絡(luò)的性能。VGG-16擁有5段卷積,每段內(nèi)有2~3個卷積層,同時每段尾部會連接1個最大池化層用來縮小圖片尺寸。每段內(nèi)的卷積核數(shù)量一樣,越靠后的段的卷積核數(shù)量越多。在有些卷積組中會出現(xiàn)連續(xù)的幾個卷積層堆疊,2個3×3的卷積層串聯(lián)相當于1個5×5的卷積層,即一個像素會跟周圍5×5的像素產(chǎn)生關(guān)聯(lián),感受野大小為5×5,既可以保證感受視野,又能減少卷積層的參數(shù)。由于數(shù)據(jù)量較少,為降低模型的過擬合問題,全連接層后面加入了丟失層(dropout),丟失率設(shè)為50%,使得模型中的神經(jīng)網(wǎng)絡(luò)單元在訓(xùn)練過程時按照一定概率暫時從網(wǎng)絡(luò)中丟棄。

    2.2 LSTM模型

    CNN處理單幀圖片時十分有效,但面對視頻幀這種時序數(shù)據(jù),其中的幀間的時序關(guān)系、運動信息等時,循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural networks,RNN)則更加有效。RNN模型的循環(huán)特性使得它允許信息保留一段時間,但隨著序列的增長,前后幀間隔增大,梯度爆炸和梯度消失使得RNN無法捕獲這種長期依賴。

    圖3 LSTM記憶單元

    為了解決上述問題,研究人員提出了許多解決辦法,其中應(yīng)用最廣泛的是門限RNN(gated RNN),而LSTM就是門限RNN中最著名的一種。LSTM最早由Sepp Hochreiter和Jürgen Schmidhuber提出,它能夠處理長期依賴關(guān)系的問題。LSTM記憶的單元包含3個門:遺忘門、輸入門和輸出門,如圖3所示。LSTM通過這3個門實現(xiàn)信息的保護和控制。LSTM記憶單元的數(shù)學(xué)公式如下:

    it=σ(Wxi+Whiht-1+bi)

    (1)

    ft=σ(Wxfxt+Whfht-1+bf)

    (2)

    ot=σ(Wxoxt+Whht-1+bo)

    (3)

    gt=tanh(Wxcxt+Whcht-1+bc)

    (4)

    ct=ft⊙ct-1+it⊙gt

    (5)

    hto=ttan h⊙(ct)

    (6)

    其中:

    σ(x)=(1+e-x)-1

    (7)

    (8)

    記憶單元中的關(guān)鍵是細胞狀態(tài)Ct,首先遺忘門控制著細胞狀態(tài)中的信息選擇性遺忘,其次輸入門決定把哪些新的信息加入細胞狀態(tài),最后輸出門決定輸出的信息,并輸出信息ht和當前的細胞狀態(tài)ct傳送給下一個LSTM記憶單元。在本模型中連續(xù)的人臉特征序列順序輸入LSTM,記憶單元中的細胞狀態(tài)不斷更新記錄人臉特征序列中的有用信息,序列結(jié)束后輸出給下一層網(wǎng)絡(luò)。

    圖4所示為端到端增強特征神經(jīng)網(wǎng)絡(luò)模型。根據(jù)LSTM的結(jié)構(gòu)特性要求輸入需為序列信息,同時要實現(xiàn)端到端的模型需要CNN模型部分提供不少于2個連續(xù)人臉特征。設(shè)計該模型每次輸入為n幀連續(xù)人臉圖像,每張人臉圖像共用相同的CNN權(quán)重進行特征提取。由于每次輸入多張人臉圖像增加了模型的復(fù)雜度和參數(shù)量,為避免訓(xùn)練時出現(xiàn)內(nèi)存溢出的問題,最終n設(shè)置為10,并且為擴增訓(xùn)練數(shù)據(jù)強化模型學(xué)習(xí),同一個視頻中的子視頻段與前后視頻段有5幀的重合。如圖2所示,CNN部分輸出為長度4 096的特征向量,則第1層LSTM輸入數(shù)據(jù)維度為(10,4 096)。

    圖4 端到端增強特征神經(jīng)網(wǎng)絡(luò)模型

    針對LSTM網(wǎng)絡(luò)部分,對單層和雙層LSTM進行實驗比對,發(fā)現(xiàn)在本數(shù)據(jù)集上雙層的效果更好。同時,對比了多組LSTM層的輸出長度,最終設(shè)定LSTM輸出長度為2 048。對于3層及以上的LSTM模型效果,由于本實驗室深度學(xué)習(xí)主機的硬件水平有限,故暫未驗證其有效性。

    作為端到端模型,VGG-16連接雙層LSTM使得網(wǎng)絡(luò)加深,而神經(jīng)網(wǎng)絡(luò)的加深會導(dǎo)致信息的損耗等問題。著名的ResNet[21]網(wǎng)絡(luò)在神經(jīng)網(wǎng)絡(luò)中增加直連通道在一定程度上解決了信息損耗的問題。本文據(jù)此提出了增強特征的方法,把CNN模型提取的人臉特征再次傳輸?shù)降?層LSTM(如圖4所示),以保證人臉特征信息的完整性,與第1層LSTM的輸出融合再次通過LSTM層進行特征精煉。實驗結(jié)果證明了該方法的可行性。

    3 實驗分析

    3.1 實驗條件

    實驗硬件設(shè)備為搭載2塊1080TiGPU的深度學(xué)習(xí)主機,Ubuntu 16.04 Linux系統(tǒng),CNN-LSTM模型使用基于Tensorflow的Keras平臺搭建訓(xùn)練。VGG-16模型預(yù)加載VGG-16-FACE權(quán)重。訓(xùn)練數(shù)據(jù)取自AFEW數(shù)據(jù)集提供的視頻幀人臉圖像,由于該數(shù)據(jù)集源自Emotiw競賽,其中的測試集視頻并沒有對應(yīng)的表情標簽,所以訓(xùn)練過程中把訓(xùn)練集按照8:2分為訓(xùn)練集和驗證集,把驗證集作為實驗的測試集。

    3.2 實驗樣本分析

    圖5中展示了AFEW數(shù)據(jù)集的復(fù)雜性和多樣性。第1行是AFEW數(shù)據(jù)集中人物面部特征較為清晰連貫的人臉圖像,與CK+等拍攝自環(huán)境可控的實驗室的數(shù)據(jù)集樣本類似。但AFEW數(shù)據(jù)集取材自接近無約束現(xiàn)實場景的影視資源,視頻中的人臉存在著不同的旋轉(zhuǎn)角度、由運動造成的模糊、光照下的陰影或過曝、攝影手法產(chǎn)生的模糊、各種遮擋等,而且影視劇中人臉表情也更加自然多樣,如圖6中的第2~3行。復(fù)雜多樣的實驗樣本增加了提取人臉特征的難度,也使得模型的學(xué)習(xí)速度大大降低。同時,訓(xùn)練集包含了773個視頻片段,相對于深度網(wǎng)絡(luò)中的巨量參數(shù),訓(xùn)練模型時需要關(guān)注過擬合的問題。本模型中主要使用丟失層(dropout layer),加載預(yù)訓(xùn)練權(quán)重且只訓(xùn)練全連接層和LSTM層權(quán)重。

    圖5 AFEW數(shù)據(jù)集的復(fù)雜性和多樣性

    3.3 實驗結(jié)果

    3.3.1評分標準

    F1評分是分類問題的一個衡量標準,常用于多分類問題的競賽。它是精確率(precision)和召回率(recall)的調(diào)和平均數(shù),最大為1,最小為0。

    (9)

    (10)

    (11)

    其中:TP(true positive)為預(yù)測正確的個數(shù);FP(false positive)為把其他類錯誤預(yù)測為本類的個數(shù);FN(false negative)為本類預(yù)測錯誤的個數(shù)。

    準確率(accuray)也是一種常用的分類評判標準:

    (12)

    其中TN(true negative)為其他類預(yù)測正確的個數(shù)。

    3.3.2VGG-16與LSTM獨立訓(xùn)練

    實驗中VGG-16與LSTM獨立訓(xùn)練。VGG-16獨立訓(xùn)練時,預(yù)加載VGG-16-FACE模型權(quán)重,在圖2模型尾部加上softmax層進行最后的分類,每一幀圖片的表情標簽與視頻的標簽相同。訓(xùn)練完成后,去除最后1層softmax層,以第2個全連接層輸出作為LSTM輸入,在LSTM模型中繼續(xù)訓(xùn)練??紤]到數(shù)據(jù)集樣本數(shù)量不大,訓(xùn)練LSTM模型時,每10幀作為一個小片段,即前文圖4中所說的n設(shè)為10,步長為5向后依次取10幀作為輸入。LSTM模塊訓(xùn)練完成后,按照訓(xùn)練時的順序,依次把驗證集數(shù)據(jù)送入VGG-16和LSTM模型,由LSTM給出測試結(jié)果。

    表1為獨立訓(xùn)練時對LSTM調(diào)整的各個模型的測試結(jié)果,其中VGG-16未做調(diào)整,前2個模型為1層LSTM,且LSTM層輸出分別為長度3 000、2 048的特征向量。根據(jù)實驗結(jié)果,兩層LSTM層比單層效果更好,且在準確率相差不大的情況下,VGG-16-LSTM(2 048,2 048)模型效果最佳。此時,并沒有圖5中的增強特征部分。

    表1 VGG與LSTM獨立訓(xùn)練最終結(jié)果

    3.3.3端到端VGG-16-LSTM模型

    如圖4所示,在獨立訓(xùn)練CNN-LSTM模型的基礎(chǔ)上先后搭建端到端和端到端增強特征的模型進行比對。訓(xùn)練時以10幀連續(xù)面部圖像為單位,固定LSTM模塊部分為2層LSTM(2 048,2 048)。

    為了驗證端到端增強特征的有效性,將本文算法與ELRCN進行比較,實驗結(jié)果如表2所示。表2中,第1~2行為ELRCN在雙層模型上得到的2條最優(yōu)結(jié)果,第3行為端到端未加增強特征的結(jié)果,第4行為端到端增強特征模型的結(jié)果。由此可見,本文提出的端到端的模型效果明顯,準確率介于ELRCN模型2次最優(yōu)結(jié)果之間,但F1分數(shù)均高于ELRCN模型,端到端增強模型的F1分數(shù)高于ELRCN兩個模型,分別為0.02和0.069。對比表1中非端到端的最終結(jié)果,端到端和端到端增強特征也有著明顯的提升。最終預(yù)測結(jié)果的混淆矩陣如表3所示。

    表2 端到端VGG-16-LSTM模型優(yōu)化結(jié)果

    表3 增強端到端模型在測試集上的預(yù)測結(jié)果

    4 結(jié)束語

    本文提出一種視頻人臉表情識別的模型,將VGG-16和LSTM連接組合對AFEW數(shù)據(jù)集中連續(xù)視頻幀的人物進行表情識別,并嘗試多種組合方式提升識別準確率,比較其在測試集上的F1分數(shù)和準確率,證明了雙層LSTM和增強特征的可行性。由于本數(shù)據(jù)集不同于常用的實驗室采集的數(shù)據(jù)集,存在較多遮擋、光線、面部角度等因素干擾,甚至數(shù)據(jù)集提供的剪切人臉圖像存在部分誤剪(非人臉及臉部不完整),因此今后的工作將會在人臉識別和數(shù)據(jù)預(yù)處理的基礎(chǔ)上繼續(xù)優(yōu)化模型,以得到更好的視頻表情識別模型。

    猜你喜歡
    人臉卷積神經(jīng)網(wǎng)絡(luò)
    基于3D-Winograd的快速卷積算法設(shè)計及FPGA實現(xiàn)
    有特點的人臉
    神經(jīng)網(wǎng)絡(luò)抑制無線通信干擾探究
    電子制作(2019年19期)2019-11-23 08:42:00
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    三國漫——人臉解鎖
    動漫星空(2018年9期)2018-10-26 01:17:14
    基于傅里葉域卷積表示的目標跟蹤算法
    基于神經(jīng)網(wǎng)絡(luò)的拉矯機控制模型建立
    重型機械(2016年1期)2016-03-01 03:42:04
    復(fù)數(shù)神經(jīng)網(wǎng)絡(luò)在基于WiFi的室內(nèi)LBS應(yīng)用
    基于支持向量機回歸和RBF神經(jīng)網(wǎng)絡(luò)的PID整定
    馬面部與人臉相似度驚人
    久久欧美精品欧美久久欧美| 国产aⅴ精品一区二区三区波| 啪啪无遮挡十八禁网站| 精品国产美女av久久久久小说| 熟女电影av网| 最新美女视频免费是黄的| av女优亚洲男人天堂 | 久久天躁狠狠躁夜夜2o2o| 草草在线视频免费看| 亚洲电影在线观看av| 99国产精品99久久久久| 中出人妻视频一区二区| 日本a在线网址| 99久久精品热视频| 国产爱豆传媒在线观看| 99国产精品一区二区三区| 国产av一区在线观看免费| 久久午夜亚洲精品久久| 国产精品精品国产色婷婷| 国产真人三级小视频在线观看| 欧美日韩综合久久久久久 | 日本一二三区视频观看| 日韩三级视频一区二区三区| 色在线成人网| 久久香蕉精品热| 中文字幕高清在线视频| 色综合欧美亚洲国产小说| 十八禁人妻一区二区| 黄色视频,在线免费观看| 婷婷六月久久综合丁香| 麻豆久久精品国产亚洲av| 精品久久久久久久人妻蜜臀av| 欧美成人免费av一区二区三区| 久久久久九九精品影院| 噜噜噜噜噜久久久久久91| 亚洲片人在线观看| 国产高清视频在线播放一区| 少妇熟女aⅴ在线视频| 两个人看的免费小视频| 亚洲欧美激情综合另类| a级毛片在线看网站| 亚洲中文av在线| 日韩 欧美 亚洲 中文字幕| 国产亚洲av高清不卡| 亚洲国产欧美网| 高清在线国产一区| 热99re8久久精品国产| 久久亚洲真实| a级毛片a级免费在线| 男女做爰动态图高潮gif福利片| 免费在线观看影片大全网站| 亚洲国产精品合色在线| 免费在线观看日本一区| 精品午夜福利视频在线观看一区| 18禁裸乳无遮挡免费网站照片| 最近视频中文字幕2019在线8| 香蕉av资源在线| 国产av在哪里看| 亚洲电影在线观看av| 两性午夜刺激爽爽歪歪视频在线观看| 亚洲在线观看片| 91麻豆av在线| 可以在线观看的亚洲视频| 亚洲五月天丁香| 久久久精品欧美日韩精品| 欧美午夜高清在线| 亚洲精品一区av在线观看| 全区人妻精品视频| 熟妇人妻久久中文字幕3abv| 在线十欧美十亚洲十日本专区| 国产爱豆传媒在线观看| 91麻豆精品激情在线观看国产| 成人特级av手机在线观看| 亚洲黑人精品在线| 女人被狂操c到高潮| 免费一级毛片在线播放高清视频| 亚洲国产精品合色在线| 欧美一区二区精品小视频在线| 色综合亚洲欧美另类图片| 99在线人妻在线中文字幕| 国产高清激情床上av| 哪里可以看免费的av片| 午夜免费成人在线视频| 黄色女人牲交| 亚洲av免费在线观看| 丰满人妻一区二区三区视频av | 日韩人妻高清精品专区| 久久久成人免费电影| 欧美一区二区国产精品久久精品| 中文字幕熟女人妻在线| av视频在线观看入口| 午夜福利视频1000在线观看| 97超级碰碰碰精品色视频在线观看| 制服人妻中文乱码| 国产欧美日韩精品一区二区| 一个人看的www免费观看视频| 国产野战对白在线观看| 国产主播在线观看一区二区| 亚洲精品中文字幕一二三四区| 三级毛片av免费| 观看免费一级毛片| 国内精品一区二区在线观看| 国产毛片a区久久久久| 99国产精品一区二区三区| 好男人电影高清在线观看| 亚洲av成人av| 一本久久中文字幕| 老司机福利观看| 无限看片的www在线观看| 国产乱人视频| 男女床上黄色一级片免费看| 少妇裸体淫交视频免费看高清| 久99久视频精品免费| 国产成人av激情在线播放| 欧美激情久久久久久爽电影| 国产亚洲精品久久久久久毛片| 久久人人精品亚洲av| 亚洲av成人av| 黄片大片在线免费观看| 欧美另类亚洲清纯唯美| 国产探花在线观看一区二区| 国产精品国产高清国产av| 午夜免费成人在线视频| 国产成年人精品一区二区| 亚洲国产精品成人综合色| 亚洲欧美激情综合另类| 小蜜桃在线观看免费完整版高清| 国产高清视频在线播放一区| 丰满的人妻完整版| 99re在线观看精品视频| 国产三级在线视频| 精品人妻1区二区| 伊人久久大香线蕉亚洲五| 不卡一级毛片| 国产亚洲精品久久久久久毛片| 日韩精品中文字幕看吧| 少妇熟女aⅴ在线视频| 日日摸夜夜添夜夜添小说| 国产精品久久电影中文字幕| 桃色一区二区三区在线观看| 禁无遮挡网站| 99国产精品一区二区蜜桃av| 亚洲中文av在线| 18禁国产床啪视频网站| 99久久久亚洲精品蜜臀av| 精品久久久久久久人妻蜜臀av| 欧美成人免费av一区二区三区| 禁无遮挡网站| 一个人免费在线观看电影 | 国产午夜精品久久久久久| 欧美日本亚洲视频在线播放| av中文乱码字幕在线| 中文字幕人成人乱码亚洲影| 国产精品免费一区二区三区在线| 1024香蕉在线观看| 国产一区二区在线av高清观看| 久久中文字幕人妻熟女| 日韩av在线大香蕉| 国产亚洲av嫩草精品影院| 好男人在线观看高清免费视频| 后天国语完整版免费观看| 夜夜夜夜夜久久久久| 国产aⅴ精品一区二区三区波| 搡老熟女国产l中国老女人| 老司机在亚洲福利影院| 国产高清视频在线播放一区| www日本黄色视频网| 亚洲av成人av| 视频区欧美日本亚洲| 99国产综合亚洲精品| 性色av乱码一区二区三区2| 亚洲精品中文字幕一二三四区| cao死你这个sao货| 丝袜人妻中文字幕| 国产免费男女视频| 搞女人的毛片| 精品福利观看| 一级黄色大片毛片| 老熟妇仑乱视频hdxx| 巨乳人妻的诱惑在线观看| 亚洲美女视频黄频| 亚洲中文av在线| 亚洲av第一区精品v没综合| www.www免费av| 成年免费大片在线观看| 老司机午夜福利在线观看视频| 久久热在线av| 在线观看舔阴道视频| 每晚都被弄得嗷嗷叫到高潮| 国产精品久久久人人做人人爽| 他把我摸到了高潮在线观看| 天堂动漫精品| 综合色av麻豆| 亚洲精华国产精华精| 三级毛片av免费| 日本在线视频免费播放| 精品久久久久久久久久免费视频| 免费在线观看日本一区| 欧美日本视频| 少妇熟女aⅴ在线视频| 在线观看免费视频日本深夜| 国产极品精品免费视频能看的| 日韩欧美 国产精品| 婷婷精品国产亚洲av在线| 国产不卡一卡二| 亚洲av成人av| 叶爱在线成人免费视频播放| 欧美zozozo另类| 国产亚洲av嫩草精品影院| 国产97色在线日韩免费| 日本三级黄在线观看| 亚洲欧美日韩高清在线视频| 熟妇人妻久久中文字幕3abv| 欧美不卡视频在线免费观看| 亚洲电影在线观看av| 精品人妻1区二区| 久久天堂一区二区三区四区| 床上黄色一级片| 精品免费久久久久久久清纯| 狠狠狠狠99中文字幕| 俺也久久电影网| 三级毛片av免费| 国产精品久久电影中文字幕| 国产成人av激情在线播放| 日韩欧美在线乱码| 国语自产精品视频在线第100页| 国产99白浆流出| 2021天堂中文幕一二区在线观| 99精品欧美一区二区三区四区| 欧美性猛交黑人性爽| www.www免费av| 国产成人一区二区三区免费视频网站| 蜜桃久久精品国产亚洲av| 亚洲av成人精品一区久久| 99久久精品国产亚洲精品| 美女扒开内裤让男人捅视频| 国产aⅴ精品一区二区三区波| 国产熟女xx| 亚洲成人免费电影在线观看| av天堂在线播放| 欧美午夜高清在线| 久久中文字幕人妻熟女| 欧美成人一区二区免费高清观看 | 国产成+人综合+亚洲专区| 在线a可以看的网站| 999久久久国产精品视频| 热99在线观看视频| 欧美黑人巨大hd| 美女扒开内裤让男人捅视频| 看片在线看免费视频| 老司机在亚洲福利影院| 大型黄色视频在线免费观看| 国产主播在线观看一区二区| 国产黄a三级三级三级人| 久久精品91无色码中文字幕| 在线观看免费午夜福利视频| 欧美中文综合在线视频| 人人妻人人看人人澡| 黑人巨大精品欧美一区二区mp4| 亚洲成人中文字幕在线播放| 国产精品日韩av在线免费观看| 禁无遮挡网站| 亚洲国产精品久久男人天堂| 亚洲av片天天在线观看| 九九在线视频观看精品| 女人高潮潮喷娇喘18禁视频| 他把我摸到了高潮在线观看| 一夜夜www| 男人的好看免费观看在线视频| 欧美黄色淫秽网站| 国产成人av激情在线播放| 国产精品99久久久久久久久| 国产一级毛片七仙女欲春2| 午夜免费成人在线视频| 欧美黑人欧美精品刺激| 男插女下体视频免费在线播放| av片东京热男人的天堂| 午夜久久久久精精品| 好看av亚洲va欧美ⅴa在| 日本黄色视频三级网站网址| 久久国产乱子伦精品免费另类| 麻豆国产97在线/欧美| 夜夜爽天天搞| 亚洲人成伊人成综合网2020| 高清在线国产一区| 99国产精品一区二区三区| 亚洲欧洲精品一区二区精品久久久| 免费看光身美女| 婷婷精品国产亚洲av在线| 久久中文看片网| 亚洲欧美日韩卡通动漫| 老司机福利观看| 国产精品亚洲美女久久久| 亚洲真实伦在线观看| 国产精品久久久人人做人人爽| 在线观看美女被高潮喷水网站 | av片东京热男人的天堂| 日日夜夜操网爽| 熟女电影av网| 国产精品久久久av美女十八| 一个人免费在线观看电影 | 国产精品久久久久久久电影 | 此物有八面人人有两片| 97超视频在线观看视频| 国产高清有码在线观看视频| 精品无人区乱码1区二区| 亚洲av片天天在线观看| 两个人的视频大全免费| 久久这里只有精品中国| 观看美女的网站| 亚洲人成伊人成综合网2020| 国内精品久久久久精免费| 999精品在线视频| 91麻豆精品激情在线观看国产| 国产成人精品久久二区二区91| 国产成人一区二区三区免费视频网站| 国产欧美日韩精品一区二区| 欧美日韩黄片免| 亚洲,欧美精品.| 日本 欧美在线| 亚洲欧美精品综合久久99| 黑人操中国人逼视频| 一进一出抽搐gif免费好疼| 九色成人免费人妻av| 欧美色视频一区免费| 国产精品永久免费网站| 免费无遮挡裸体视频| 欧美av亚洲av综合av国产av| 露出奶头的视频| 麻豆成人午夜福利视频| 国产aⅴ精品一区二区三区波| 白带黄色成豆腐渣| 99re在线观看精品视频| 久久中文字幕人妻熟女| 国产成人一区二区三区免费视频网站| 国内精品久久久久精免费| 久久精品91蜜桃| 亚洲激情在线av| 日本 欧美在线| svipshipincom国产片| 老熟妇乱子伦视频在线观看| 国产成人系列免费观看| 少妇裸体淫交视频免费看高清| av片东京热男人的天堂| 欧美乱码精品一区二区三区| 嫩草影视91久久| 亚洲国产欧美人成| 欧美成狂野欧美在线观看| 国产精品久久电影中文字幕| 亚洲自偷自拍图片 自拍| 午夜福利在线在线| 欧美日韩中文字幕国产精品一区二区三区| 亚洲欧美日韩高清专用| 国产成人av激情在线播放| 国产午夜福利久久久久久| 岛国视频午夜一区免费看| 十八禁人妻一区二区| 伦理电影免费视频| 一二三四在线观看免费中文在| 国产精品香港三级国产av潘金莲| 日日干狠狠操夜夜爽| 亚洲第一欧美日韩一区二区三区| 欧美精品啪啪一区二区三区| 国产高清激情床上av| 又大又爽又粗| 免费在线观看日本一区| 国产高清视频在线播放一区| 久久精品影院6| 午夜精品在线福利| 人妻丰满熟妇av一区二区三区| 日韩欧美 国产精品| 视频区欧美日本亚洲| 黄色片一级片一级黄色片| 看片在线看免费视频| 亚洲 国产 在线| 露出奶头的视频| 亚洲成a人片在线一区二区| 国产熟女xx| 无遮挡黄片免费观看| 日韩欧美免费精品| 久久草成人影院| 免费无遮挡裸体视频| 国产免费av片在线观看野外av| 国产精品久久视频播放| 欧美大码av| 亚洲一区二区三区色噜噜| 国产91精品成人一区二区三区| 久9热在线精品视频| 脱女人内裤的视频| 老熟妇仑乱视频hdxx| 国产精品av久久久久免费| 无人区码免费观看不卡| 国产精品电影一区二区三区| 无遮挡黄片免费观看| 色播亚洲综合网| 一本精品99久久精品77| 精品一区二区三区视频在线观看免费| 岛国视频午夜一区免费看| 男人和女人高潮做爰伦理| 黑人欧美特级aaaaaa片| 国产亚洲精品久久久久久毛片| 中文字幕人妻丝袜一区二区| 可以在线观看的亚洲视频| 国产亚洲精品一区二区www| 一级a爱片免费观看的视频| 免费搜索国产男女视频| svipshipincom国产片| 精品不卡国产一区二区三区| 美女高潮喷水抽搐中文字幕| 亚洲欧美日韩高清专用| 人人妻人人看人人澡| 无遮挡黄片免费观看| 夜夜爽天天搞| 99热这里只有是精品50| 伊人久久大香线蕉亚洲五| 我要搜黄色片| 成人18禁在线播放| 国产99白浆流出| 少妇裸体淫交视频免费看高清| 欧美性猛交╳xxx乱大交人| 亚洲国产看品久久| 黄片大片在线免费观看| 看免费av毛片| 国产欧美日韩一区二区三| 亚洲av电影不卡..在线观看| 国产欧美日韩一区二区三| 精品国产亚洲在线| 国产精品九九99| 成年女人毛片免费观看观看9| 亚洲电影在线观看av| 欧美日韩中文字幕国产精品一区二区三区| 精品日产1卡2卡| 精品一区二区三区视频在线观看免费| 午夜亚洲福利在线播放| 久久久精品大字幕| 天天躁狠狠躁夜夜躁狠狠躁| 久久性视频一级片| 欧美日韩瑟瑟在线播放| 午夜免费观看网址| 首页视频小说图片口味搜索| 一二三四在线观看免费中文在| 亚洲乱码一区二区免费版| 少妇人妻一区二区三区视频| 91在线精品国自产拍蜜月 | 亚洲精品美女久久av网站| 热99re8久久精品国产| 国产精品乱码一区二三区的特点| 国产91精品成人一区二区三区| 国产成人aa在线观看| 好看av亚洲va欧美ⅴa在| 一区福利在线观看| 亚洲色图 男人天堂 中文字幕| netflix在线观看网站| 丰满的人妻完整版| 亚洲欧美日韩高清专用| 欧美日本视频| 男女做爰动态图高潮gif福利片| 精品欧美国产一区二区三| 国产激情偷乱视频一区二区| 日本与韩国留学比较| 亚洲av成人av| www.自偷自拍.com| 天堂av国产一区二区熟女人妻| 免费搜索国产男女视频| 欧美3d第一页| 中文字幕av在线有码专区| 午夜免费成人在线视频| 偷拍熟女少妇极品色| 色视频www国产| 老司机深夜福利视频在线观看| www日本黄色视频网| 亚洲aⅴ乱码一区二区在线播放| 国产人伦9x9x在线观看| 国产午夜福利久久久久久| 久久久精品欧美日韩精品| 国产视频内射| 久久久久免费精品人妻一区二区| 99国产极品粉嫩在线观看| 欧美在线一区亚洲| 高潮久久久久久久久久久不卡| 夜夜看夜夜爽夜夜摸| 午夜免费观看网址| 日韩有码中文字幕| 国产伦一二天堂av在线观看| 国产蜜桃级精品一区二区三区| 熟女人妻精品中文字幕| 亚洲最大成人中文| 美女高潮喷水抽搐中文字幕| 99热6这里只有精品| 欧美绝顶高潮抽搐喷水| 一进一出好大好爽视频| 一进一出抽搐动态| 欧美不卡视频在线免费观看| 国产精品一及| 精品久久蜜臀av无| 日本黄色视频三级网站网址| 综合色av麻豆| svipshipincom国产片| 动漫黄色视频在线观看| 久久久国产成人免费| 99热精品在线国产| 国产精品香港三级国产av潘金莲| 给我免费播放毛片高清在线观看| 国产激情偷乱视频一区二区| 欧美又色又爽又黄视频| 日本 欧美在线| 啦啦啦韩国在线观看视频| 午夜福利18| 欧美日韩福利视频一区二区| 不卡av一区二区三区| 色吧在线观看| 美女高潮的动态| 免费在线观看影片大全网站| 天天躁日日操中文字幕| 小蜜桃在线观看免费完整版高清| 少妇丰满av| 午夜激情欧美在线| 麻豆成人av在线观看| 露出奶头的视频| 精品久久久久久久久久久久久| 久久久久亚洲av毛片大全| 免费搜索国产男女视频| 制服人妻中文乱码| av天堂在线播放| 禁无遮挡网站| 日韩国内少妇激情av| 亚洲精品在线观看二区| 欧美日韩乱码在线| 脱女人内裤的视频| 国内揄拍国产精品人妻在线| 国产视频内射| 成人av一区二区三区在线看| 最近最新免费中文字幕在线| 欧美乱码精品一区二区三区| 国产精品免费一区二区三区在线| av片东京热男人的天堂| 欧美一区二区精品小视频在线| 18美女黄网站色大片免费观看| 99国产精品99久久久久| 99在线人妻在线中文字幕| 日本在线视频免费播放| 人人妻人人澡欧美一区二区| 久久午夜亚洲精品久久| 岛国在线观看网站| 99国产综合亚洲精品| 看黄色毛片网站| 99在线人妻在线中文字幕| 99热这里只有是精品50| 精品乱码久久久久久99久播| 欧美日韩亚洲国产一区二区在线观看| 久久欧美精品欧美久久欧美| 黄片大片在线免费观看| 激情在线观看视频在线高清| av在线天堂中文字幕| 国产探花在线观看一区二区| 18禁国产床啪视频网站| 亚洲男人的天堂狠狠| 日韩欧美精品v在线| 非洲黑人性xxxx精品又粗又长| 不卡一级毛片| 男插女下体视频免费在线播放| 婷婷精品国产亚洲av| 亚洲av熟女| 一个人看视频在线观看www免费 | 久久久久久大精品| 欧美最黄视频在线播放免费| 欧美午夜高清在线| 在线播放国产精品三级| 一a级毛片在线观看| 国产单亲对白刺激| 免费看a级黄色片| 国产成人av教育| 12—13女人毛片做爰片一| 男人和女人高潮做爰伦理| 亚洲中文字幕日韩| 成人无遮挡网站| 一个人看的www免费观看视频| 国产高清有码在线观看视频| 欧美不卡视频在线免费观看| 国产伦人伦偷精品视频| 韩国av一区二区三区四区| 亚洲中文av在线| 国产av麻豆久久久久久久| 天堂动漫精品| 亚洲人成网站高清观看| 国产91精品成人一区二区三区| 熟女少妇亚洲综合色aaa.| 啦啦啦免费观看视频1| 久久草成人影院| 丁香欧美五月| 欧美另类亚洲清纯唯美| 99久久精品热视频| 色尼玛亚洲综合影院| 中文字幕人成人乱码亚洲影| 美女扒开内裤让男人捅视频| 精品乱码久久久久久99久播| 99久久精品一区二区三区| 国产精品自产拍在线观看55亚洲| 无限看片的www在线观看| 日韩av在线大香蕉| 国产亚洲精品久久久久久毛片| 亚洲人成电影免费在线| 亚洲av成人不卡在线观看播放网| 亚洲一区高清亚洲精品| 亚洲片人在线观看| 国产在线精品亚洲第一网站| АⅤ资源中文在线天堂| 国产激情偷乱视频一区二区| 91av网站免费观看| 国产精品国产高清国产av| 男插女下体视频免费在线播放| av在线蜜桃| 岛国在线观看网站| 亚洲七黄色美女视频| 亚洲欧美精品综合一区二区三区|