• <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
    国产精品国产三级专区第一集| 人妻人人澡人人爽人人| 日韩熟女老妇一区二区性免费视频| 国语对白做爰xxxⅹ性视频网站| 搡老乐熟女国产| 尾随美女入室| 亚洲丝袜综合中文字幕| 国语对白做爰xxxⅹ性视频网站| 成人国产av品久久久| 亚洲伊人久久精品综合| 黄色视频在线播放观看不卡| 午夜福利视频精品| 欧美日韩成人在线一区二区| 永久网站在线| 看免费成人av毛片| 亚洲欧美一区二区三区国产| 中文字幕av电影在线播放| 久久久国产一区二区| 国产麻豆69| 国产精品一区www在线观看| 亚洲综合色网址| 久久久久精品久久久久真实原创| 一级毛片黄色毛片免费观看视频| 国产亚洲av片在线观看秒播厂| 欧美成人午夜精品| 一级毛片我不卡| 黑人高潮一二区| 国产极品粉嫩免费观看在线| 国产永久视频网站| 国产白丝娇喘喷水9色精品| 国产在线视频一区二区| www.av在线官网国产| 夜夜骑夜夜射夜夜干| 日韩成人av中文字幕在线观看| 肉色欧美久久久久久久蜜桃| 九草在线视频观看| 精品人妻在线不人妻| 亚洲国产成人一精品久久久| 久久久久久人妻| 天天躁夜夜躁狠狠躁躁| 超碰97精品在线观看| a 毛片基地| 国产片特级美女逼逼视频| 久久韩国三级中文字幕| 欧美性感艳星| 2018国产大陆天天弄谢| 女的被弄到高潮叫床怎么办| 日韩 亚洲 欧美在线| 51国产日韩欧美| 精品一区二区三区视频在线| 超碰97精品在线观看| 99热全是精品| 男人爽女人下面视频在线观看| 欧美日韩国产mv在线观看视频| 男男h啪啪无遮挡| 日本爱情动作片www.在线观看| 在线观看国产h片| 亚洲色图综合在线观看| av在线播放精品| 国产亚洲午夜精品一区二区久久| 久久久久视频综合| 亚洲欧美成人综合另类久久久| 成人国产麻豆网| 国产福利在线免费观看视频| 人人妻人人澡人人爽人人夜夜| 国产毛片在线视频| 亚洲三级黄色毛片| 精品亚洲成a人片在线观看| 内地一区二区视频在线| 久久久久国产精品人妻一区二区| 2021少妇久久久久久久久久久| 日日摸夜夜添夜夜爱| av天堂久久9| 日本wwww免费看| 免费观看a级毛片全部| 母亲3免费完整高清在线观看 | 中文字幕最新亚洲高清| 五月玫瑰六月丁香| 日韩大片免费观看网站| 亚洲国产精品专区欧美| 欧美精品国产亚洲| 亚洲综合色网址| 亚洲国产欧美在线一区| 久久这里只有精品19| 日本午夜av视频| 超色免费av| 肉色欧美久久久久久久蜜桃| 久久久国产精品麻豆| 免费大片黄手机在线观看| 亚洲性久久影院| 午夜免费男女啪啪视频观看| tube8黄色片| 午夜视频国产福利| 久久久a久久爽久久v久久| 久久精品国产a三级三级三级| 亚洲欧美日韩另类电影网站| 人妻人人澡人人爽人人| 亚洲欧美日韩另类电影网站| 国产日韩欧美视频二区| 国产乱来视频区| 99热这里只有是精品在线观看| 女性被躁到高潮视频| 曰老女人黄片| 欧美国产精品va在线观看不卡| 久久精品夜色国产| 热re99久久精品国产66热6| 日本91视频免费播放| 久久精品国产亚洲av涩爱| 你懂的网址亚洲精品在线观看| 男人操女人黄网站| 国产亚洲欧美精品永久| 国国产精品蜜臀av免费| 日韩中文字幕视频在线看片| av片东京热男人的天堂| 七月丁香在线播放| 搡女人真爽免费视频火全软件| 国产精品无大码| 国产黄色免费在线视频| 纵有疾风起免费观看全集完整版| 国产熟女欧美一区二区| 免费高清在线观看日韩| 久久久国产精品麻豆| 国产一区二区激情短视频 | 最新的欧美精品一区二区| 男女啪啪激烈高潮av片| 男女下面插进去视频免费观看 | 黄色怎么调成土黄色| 国产日韩一区二区三区精品不卡| 欧美精品av麻豆av| av一本久久久久| 亚洲欧洲精品一区二区精品久久久 | 久久久国产精品麻豆| 91精品三级在线观看| 另类亚洲欧美激情| 99热这里只有是精品在线观看| 在线观看三级黄色| 日韩制服骚丝袜av| www.色视频.com| 国产成人免费观看mmmm| 日本vs欧美在线观看视频| 少妇人妻久久综合中文| 亚洲av成人精品一二三区| 欧美bdsm另类| 亚洲综合色惰| 一本—道久久a久久精品蜜桃钙片| 精品一区二区三区四区五区乱码 | 国产精品麻豆人妻色哟哟久久| 91成人精品电影| videos熟女内射| 精品国产一区二区三区四区第35| tube8黄色片| 亚洲国产毛片av蜜桃av| 国产精品久久久av美女十八| 黑人巨大精品欧美一区二区蜜桃 | 五月伊人婷婷丁香| 久久精品国产自在天天线| 国产精品秋霞免费鲁丝片| 日韩不卡一区二区三区视频在线| www.色视频.com| 亚洲精品色激情综合| 久久久国产一区二区| 国产精品欧美亚洲77777| 欧美少妇被猛烈插入视频| 一级毛片电影观看| 丰满迷人的少妇在线观看| 免费大片18禁| av国产精品久久久久影院| 免费大片18禁| 高清不卡的av网站| 高清不卡的av网站| 日韩欧美精品免费久久| 亚洲av免费高清在线观看| www日本在线高清视频| 精品一区二区三区视频在线| 国产精品一区www在线观看| 啦啦啦啦在线视频资源| 香蕉精品网在线| 涩涩av久久男人的天堂| 久久国产精品男人的天堂亚洲 | 视频区图区小说| 99久久中文字幕三级久久日本| 最近最新中文字幕免费大全7| 如日韩欧美国产精品一区二区三区| a级毛片在线看网站| 在线天堂中文资源库| 色5月婷婷丁香| videosex国产| 99视频精品全部免费 在线| 男女啪啪激烈高潮av片| av片东京热男人的天堂| av天堂久久9| 成人无遮挡网站| 一边摸一边做爽爽视频免费| 亚洲国产毛片av蜜桃av| 国产av一区二区精品久久| 十八禁网站网址无遮挡| 欧美日韩一区二区视频在线观看视频在线| 久久99一区二区三区| 免费观看a级毛片全部| 日韩中文字幕视频在线看片| 天堂8中文在线网| 在线 av 中文字幕| 国产乱来视频区| 亚洲伊人色综图| 少妇的逼水好多| 女性生殖器流出的白浆| 欧美日韩一区二区视频在线观看视频在线| 婷婷色麻豆天堂久久| 日韩制服骚丝袜av| 9色porny在线观看| 在现免费观看毛片| 三上悠亚av全集在线观看| 久热这里只有精品99| 国产一区二区激情短视频 | 亚洲人与动物交配视频| 亚洲美女搞黄在线观看| 久久精品aⅴ一区二区三区四区 | 高清毛片免费看| a级片在线免费高清观看视频| 人体艺术视频欧美日本| 亚洲精品,欧美精品| 国产成人91sexporn| 制服人妻中文乱码| 日韩免费高清中文字幕av| 久久精品国产鲁丝片午夜精品| 久久毛片免费看一区二区三区| 国产白丝娇喘喷水9色精品| 亚洲av中文av极速乱| 亚洲伊人久久精品综合| 日本av手机在线免费观看| a级毛片黄视频| 内地一区二区视频在线| 久久av网站| 天天操日日干夜夜撸| 尾随美女入室| 久久99一区二区三区| 视频区图区小说| 久久综合国产亚洲精品| 春色校园在线视频观看| 成人二区视频| 赤兔流量卡办理| 高清黄色对白视频在线免费看| 亚洲国产av影院在线观看| 日本av手机在线免费观看| 99热全是精品| 精品一区二区三卡| 国产av精品麻豆| 久久99蜜桃精品久久| 国产男人的电影天堂91| 国产免费视频播放在线视频| 韩国高清视频一区二区三区| 一个人免费看片子| 欧美激情极品国产一区二区三区 | 亚洲精品国产av成人精品| 晚上一个人看的免费电影| 国产av一区二区精品久久| 久久人妻熟女aⅴ| 免费在线观看黄色视频的| 国产视频首页在线观看| 99久国产av精品国产电影| 免费黄网站久久成人精品| 欧美激情国产日韩精品一区| 亚洲精品自拍成人| 国产激情久久老熟女| 婷婷色综合www| 久久精品国产鲁丝片午夜精品| 十八禁网站网址无遮挡| 国产极品天堂在线| 丰满乱子伦码专区| 免费日韩欧美在线观看| 蜜桃国产av成人99| 亚洲国产毛片av蜜桃av| 不卡视频在线观看欧美| 男的添女的下面高潮视频| 少妇人妻 视频| av天堂久久9| 99热6这里只有精品| 亚洲精品一二三| 久久精品人人爽人人爽视色| 日韩人妻精品一区2区三区| 精品一区二区三区四区五区乱码 | 满18在线观看网站| 国产熟女午夜一区二区三区| 有码 亚洲区| 美女福利国产在线| 免费黄色在线免费观看| 一个人免费看片子| 狠狠婷婷综合久久久久久88av| 成人国产麻豆网| av天堂久久9| 五月天丁香电影| 精品人妻一区二区三区麻豆| 欧美激情国产日韩精品一区| 22中文网久久字幕| 亚洲精品乱码久久久久久按摩| 日韩中字成人| 国产片内射在线| 久久久久久久精品精品| 我要看黄色一级片免费的| 国产老妇伦熟女老妇高清| av不卡在线播放| 亚洲国产欧美日韩在线播放| 美女中出高潮动态图| 久久久久久久久久久免费av| 香蕉国产在线看| 亚洲国产精品一区三区| 麻豆乱淫一区二区| 久久亚洲国产成人精品v| 亚洲av欧美aⅴ国产| √禁漫天堂资源中文www| 色婷婷久久久亚洲欧美| 又黄又爽又刺激的免费视频.| 色网站视频免费| 我的女老师完整版在线观看| 中文字幕精品免费在线观看视频 | 91aial.com中文字幕在线观看| 日韩成人av中文字幕在线观看| 欧美3d第一页| 亚洲成av片中文字幕在线观看 | 秋霞伦理黄片| 高清黄色对白视频在线免费看| 久久久久视频综合| 午夜福利影视在线免费观看| 天天躁夜夜躁狠狠躁躁| 99国产精品免费福利视频| 日韩一本色道免费dvd| 日本猛色少妇xxxxx猛交久久| 99久国产av精品国产电影| 国产高清三级在线| 美女脱内裤让男人舔精品视频| 日韩精品有码人妻一区| 国产综合精华液| 国产精品国产三级国产专区5o| 日韩一区二区视频免费看| 你懂的网址亚洲精品在线观看| 搡女人真爽免费视频火全软件| 久久精品久久精品一区二区三区| 99热这里只有是精品在线观看| 在线观看免费视频网站a站| 香蕉丝袜av| 久久精品国产自在天天线| 国产精品女同一区二区软件| 亚洲国产成人一精品久久久| 中文字幕人妻丝袜制服| 色吧在线观看| 卡戴珊不雅视频在线播放| 久久久久久久大尺度免费视频| 高清视频免费观看一区二区| 超色免费av| 9色porny在线观看| 一级黄片播放器| 欧美变态另类bdsm刘玥| 纵有疾风起免费观看全集完整版| 在线 av 中文字幕| 中文字幕制服av| 黄色一级大片看看| 两性夫妻黄色片 | 午夜久久久在线观看| 热99国产精品久久久久久7| 伊人久久国产一区二区| 老司机影院毛片| 一级毛片 在线播放| 精品卡一卡二卡四卡免费| 久久久久久久大尺度免费视频| 免费av不卡在线播放| 亚洲综合色惰| 九色亚洲精品在线播放| 久久av网站| 久久这里只有精品19| 99久久精品国产国产毛片| 亚洲精华国产精华液的使用体验| 黄片无遮挡物在线观看| 看免费av毛片| 欧美成人午夜免费资源| 色网站视频免费| 精品午夜福利在线看| 国产精品一区www在线观看| 免费在线观看完整版高清| 久久这里只有精品19| 亚洲欧美清纯卡通| 国产免费又黄又爽又色| 亚洲精品自拍成人| 国产成人av激情在线播放| 中文字幕制服av| 久久久久久久久久人人人人人人| 亚洲一级一片aⅴ在线观看| 在线 av 中文字幕| 欧美激情 高清一区二区三区| 精品久久久久久电影网| 精品一区二区三区视频在线| 国产精品不卡视频一区二区| 美女主播在线视频| 亚洲欧美清纯卡通| 少妇被粗大的猛进出69影院 | 国产男女内射视频| 黄网站色视频无遮挡免费观看| 久久久久久久久久久免费av| 少妇的丰满在线观看| 国产 精品1| 久久久久久久久久成人| 99热网站在线观看| 丝袜脚勾引网站| kizo精华| 最黄视频免费看| 亚洲四区av| 欧美变态另类bdsm刘玥| 日本av免费视频播放| 毛片一级片免费看久久久久| 精品视频人人做人人爽| 国产 一区精品| 中文字幕精品免费在线观看视频 | 国产成人免费观看mmmm| 丝袜脚勾引网站| 欧美人与善性xxx| 极品人妻少妇av视频| 亚洲四区av| 免费在线观看完整版高清| 国产极品粉嫩免费观看在线| 大香蕉97超碰在线| 热99久久久久精品小说推荐| 少妇被粗大猛烈的视频| 婷婷色综合www| 成人午夜精彩视频在线观看| 欧美日韩视频精品一区| 午夜福利视频精品| 国产午夜精品一二区理论片| 欧美精品一区二区免费开放| 9191精品国产免费久久| h视频一区二区三区| 国产一区二区在线观看日韩| 美国免费a级毛片| 一区二区日韩欧美中文字幕 | 九色成人免费人妻av| 青春草国产在线视频| 亚洲av电影在线进入| 国产男人的电影天堂91| 久久人人爽人人片av| 性高湖久久久久久久久免费观看| 日韩中文字幕视频在线看片| 三级国产精品片| 久久女婷五月综合色啪小说| 九色成人免费人妻av| 啦啦啦啦在线视频资源| 免费高清在线观看日韩| 黄色配什么色好看| 亚洲少妇的诱惑av| 亚洲在久久综合| 日韩中字成人| 亚洲人与动物交配视频| 国产爽快片一区二区三区| 国产高清不卡午夜福利| 777米奇影视久久| 国产欧美日韩一区二区三区在线| 日韩,欧美,国产一区二区三区| 国产黄频视频在线观看| 亚洲欧洲日产国产| 亚洲精品中文字幕在线视频| 亚洲久久久国产精品| 日韩制服骚丝袜av| 国产精品99久久99久久久不卡 | 香蕉国产在线看| 欧美 亚洲 国产 日韩一| 亚洲性久久影院| 最近最新中文字幕免费大全7| 麻豆乱淫一区二区| 日本黄大片高清| 中文字幕av电影在线播放| 亚洲三级黄色毛片| 午夜av观看不卡| 欧美日韩国产mv在线观看视频| 成人免费观看视频高清| 国产福利在线免费观看视频| 一二三四中文在线观看免费高清| 免费看不卡的av| 亚洲国产精品专区欧美| 人妻系列 视频| 中文字幕另类日韩欧美亚洲嫩草| 亚洲色图综合在线观看| 亚洲人成网站在线观看播放| 黑人高潮一二区| 国产精品久久久久久久久免| 国产免费福利视频在线观看| 久久韩国三级中文字幕| 国产精品人妻久久久久久| 桃花免费在线播放| 亚洲精品中文字幕在线视频| 1024视频免费在线观看| 国语对白做爰xxxⅹ性视频网站| 久久精品国产亚洲av涩爱| 久久久国产一区二区| 十八禁高潮呻吟视频| 街头女战士在线观看网站| 成年人午夜在线观看视频| www.av在线官网国产| 91久久精品国产一区二区三区| 成人综合一区亚洲| 久久久久精品久久久久真实原创| 国产精品99久久99久久久不卡 | av天堂久久9| 在线观看一区二区三区激情| 欧美人与性动交α欧美精品济南到 | 亚洲国产欧美日韩在线播放| 欧美精品一区二区大全| 国产精品久久久久久av不卡| 日本91视频免费播放| 欧美精品一区二区免费开放| 国产老妇伦熟女老妇高清| 国产男女超爽视频在线观看| 免费大片18禁| 亚洲精品国产av蜜桃| 人体艺术视频欧美日本| 日韩中文字幕视频在线看片| 欧美 亚洲 国产 日韩一| 午夜免费观看性视频| av网站免费在线观看视频| 久久久精品94久久精品| 亚洲av综合色区一区| 精品国产一区二区三区久久久樱花| 久久久久久伊人网av| 99久久精品国产国产毛片| 老女人水多毛片| 天堂中文最新版在线下载| 2018国产大陆天天弄谢| 曰老女人黄片| 赤兔流量卡办理| 国产精品国产三级专区第一集| 久久99热这里只频精品6学生| 黄色 视频免费看| 十八禁网站网址无遮挡| 亚洲美女视频黄频| 我要看黄色一级片免费的| 成年女人在线观看亚洲视频| 国产永久视频网站| 中国国产av一级| 亚洲精品456在线播放app| 久久久久久久久久久免费av| 爱豆传媒免费全集在线观看| 久久久精品区二区三区| 99视频精品全部免费 在线| 一本色道久久久久久精品综合| 女性被躁到高潮视频| 日韩欧美一区视频在线观看| freevideosex欧美| 黄色怎么调成土黄色| 女的被弄到高潮叫床怎么办| 日本与韩国留学比较| 欧美xxxx性猛交bbbb| 男女下面插进去视频免费观看 | 少妇的丰满在线观看| 欧美亚洲日本最大视频资源| 男女啪啪激烈高潮av片| 亚洲精品日本国产第一区| 美女脱内裤让男人舔精品视频| 久久 成人 亚洲| 看免费成人av毛片| 久久久久久久精品精品| 久久亚洲国产成人精品v| 免费av中文字幕在线| 亚洲精品久久成人aⅴ小说| 国产精品人妻久久久影院| av黄色大香蕉| 日日撸夜夜添| 久久精品国产鲁丝片午夜精品| 久久久久精品久久久久真实原创| 国产一级毛片在线| 亚洲天堂av无毛| 欧美3d第一页| 国产精品成人在线| 麻豆乱淫一区二区| 这个男人来自地球电影免费观看 | 不卡视频在线观看欧美| 在线观看美女被高潮喷水网站| kizo精华| 搡老乐熟女国产| 欧美变态另类bdsm刘玥| 午夜久久久在线观看| 夜夜爽夜夜爽视频| 少妇的丰满在线观看| av在线老鸭窝| 亚洲国产av新网站| 精品99又大又爽又粗少妇毛片| 午夜av观看不卡| 国产精品蜜桃在线观看| 日本午夜av视频| 亚洲国产成人一精品久久久| 亚洲美女黄色视频免费看| 一边摸一边做爽爽视频免费| 最新的欧美精品一区二区| 51国产日韩欧美| 午夜福利在线观看免费完整高清在| 婷婷色综合www| 亚洲欧美一区二区三区黑人 | 国产高清国产精品国产三级| 一区二区日韩欧美中文字幕 | 最近手机中文字幕大全| 香蕉丝袜av| 国产老妇伦熟女老妇高清| 亚洲av中文av极速乱| 国产69精品久久久久777片| 只有这里有精品99| 免费看av在线观看网站| 制服诱惑二区| 18禁动态无遮挡网站| 草草在线视频免费看| 自线自在国产av| 亚洲伊人久久精品综合| 新久久久久国产一级毛片| 精品一区二区免费观看| av在线app专区| 女人精品久久久久毛片| 亚洲精品一区蜜桃| av片东京热男人的天堂| av在线app专区| 18禁裸乳无遮挡动漫免费视频| 国产亚洲av片在线观看秒播厂|