• <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 ?

    卷積神經(jīng)網(wǎng)絡(luò)的分布式訓(xùn)練在表情識別中的應(yīng)用

    2020-03-02 11:36:35董飛艷
    軟件 2020年1期
    關(guān)鍵詞:卷積神經(jīng)網(wǎng)絡(luò)

    摘 ?要: 為了解決目前流行的人臉識別系統(tǒng)存在問題(如:面部遮擋,姿態(tài)改變,光線扭曲等),根據(jù)人的表情做出準(zhǔn)確情感判斷,提出了如下的卷積神經(jīng)網(wǎng)絡(luò)的分布式訓(xùn)練識別系統(tǒng):由兩部分構(gòu)成:第一部分借鑒YOLO(You Only Look Once)算法實現(xiàn)目標(biāo)檢測,準(zhǔn)確定位復(fù)雜背景圖像中人臉的位置;第二部分使用基于VGGnet的改良結(jié)構(gòu),對已定位到的面部表情進(jìn)行分類。相比于端到端的模型,可以引入更多的可控的人類學(xué)習(xí)經(jīng)驗與有效訓(xùn)練數(shù)據(jù),從而得到更優(yōu)秀的分類結(jié)果。實驗結(jié)果表明該系統(tǒng)的可行性,在FER 2013數(shù)據(jù)集上產(chǎn)生了較優(yōu)異的結(jié)果,總正確率達(dá)69.83%。相對于現(xiàn)有算法,具有容易訓(xùn)練、準(zhǔn)確度高、實時性強(qiáng)、魯棒性好與易增添后續(xù)功能等優(yōu)點,未來有很大提升空間。

    關(guān)鍵詞: 表情識別;卷積神經(jīng)網(wǎng)絡(luò);分布式訓(xùn)練;YOLO算法;VGGNet結(jié)構(gòu)

    中圖分類號: TP391.41 ? ?文獻(xiàn)標(biāo)識碼: A ? ?DOI:10.3969/j.issn.1003-6970.2020.01.035

    本文著錄格式:董飛艷. 卷積神經(jīng)網(wǎng)絡(luò)的分布式訓(xùn)練在表情識別中的應(yīng)用[J]. 軟件,2020,41(01):160164

    【Abstract】: To solve the problems of the current popular face recognition system, such as: facial occlusion, posture change, light distortion, etc. According to the expression of person to make accurate emotional judgment, the following Distributed Training recognition system of convolutional neural network is proposed. It consists of two parts: the first part uses YOLO (You Only Look Once) Algorithm to achieve target detection and precisely locates the position of face in complex background images; the second part refers to the structure of improved VGGnet structure to classify the positioned facial expressions. Compared to the end-to-end model, this model can introduce more controllable human learning experience and obtain more effective training data to obtain better classification consequences. The feasibility of the system can be verified in experimental consequences that has shown the total correct rate at 69.83%, testing on the FER 2013 dataset. Compared with the existing algorithms, it has the merits including easily trained, high accuracy, strong real-time performance, good robustness, easy to add subsequent functions and so on. Thus, there is much room for improvement in the future.

    【Key words】: Expression recognition; Convolutional neural network; Distributed training; YOLO algorithm; VGGNet Structure

    0 ?引言

    隨著計算機(jī)技術(shù)及其相關(guān)學(xué)科的快速發(fā)展,人們對人機(jī)交互的需求日益增加,而面部表情作為計算機(jī)理解人類情感的前提,對人機(jī)互動技術(shù)發(fā)展具有重大意義。國內(nèi)外很多研究機(jī)構(gòu)及學(xué)者致力于這方面的研究,并己取得了一些成果:20世紀(jì)70年代美國心理學(xué)家Ekman和Friesen[1]對現(xiàn)代人臉表情

    識別做出了開創(chuàng)性的工作。Ekman定義了人類的6種基本表情:高興、生氣、吃驚、恐懼、厭惡和悲傷,確定了識別對象的類別;其次是建立了面部動作編碼系統(tǒng)(Facial Action Coding System,F(xiàn)ACS),使研究者按照系統(tǒng)劃分的一系列人臉動作單元(Action Unit,AU)來描述人臉面部動作;1978年,Suwa[2]等人對一段人臉視頻動畫進(jìn)行了人臉表情識別的最初嘗試,一系列的研究在人臉表情視頻序列上展開;20世紀(jì)90年代,Mase和Pentland [3] 使用光流來判斷肌肉運(yùn)動的主要方向,然后提取局部空間中的光流值,組成表情特征向量,最后利用表情特征向量構(gòu)建人臉表情識別系統(tǒng),該系統(tǒng)可以識別高興、生氣、厭惡和驚奇4種表情,識別率接近80%。

    近年來,F(xiàn)ER(Facial Expression Recognition,面部表情識別)技術(shù)正逐漸從實驗室數(shù)據(jù)集測試走向挑戰(zhàn)真實場景下的識別。盡管深度學(xué)習(xí)具有強(qiáng)大的特征學(xué)習(xí)能力,它在FER中應(yīng)用還有一些問題。首先,深度神經(jīng)網(wǎng)絡(luò)需要大量訓(xùn)練數(shù)據(jù)來避免過擬合。然而,現(xiàn)存的面部表情數(shù)據(jù)庫不足以訓(xùn)練出性能完美的深度網(wǎng)絡(luò)。除此之外,由于不同人物屬性,例如年齡、性別、宗教背景和表達(dá)能力,主體間具有高變化性,姿態(tài)、光照和遮擋在不受限的表情場景也十分常見。這些因素和表情之間是非線性關(guān)系,因此需要增強(qiáng)深度網(wǎng)絡(luò)對類內(nèi)變化的健壯性,以及學(xué)習(xí)有效的表情特征表示。

    因此本文提出了在深度學(xué)習(xí)基礎(chǔ)上,結(jié)合分布式神經(jīng)網(wǎng)絡(luò)的特點來設(shè)計克服以上的缺點的系統(tǒng)并進(jìn)行相關(guān)學(xué)習(xí)與測試。

    本文主要創(chuàng)新點有。

    (1)使用分布式訓(xùn)練結(jié)構(gòu)(如圖1所示):將表情識別系統(tǒng)分為人臉監(jiān)測與表情識別2個步驟,從而各自步驟可以引入更多人類先驗知識,降低訓(xùn)練難度,獲取更高魯棒性。

    (2)復(fù)現(xiàn)并改進(jìn)了YOLO和VVGNet算法,并將其運(yùn)用于人臉識別任務(wù)。

    (3)確定完整的模型體系結(jié)構(gòu)和數(shù)據(jù)處理方法,利用FER2013數(shù)據(jù)集中28709個樣本進(jìn)行了實驗測試,總準(zhǔn)確率達(dá)到69.83%。

    本文安排內(nèi)容如下:第一部分引言,第二部分介紹人臉識別模塊的構(gòu)成原理,第三部分介紹表情分類模塊的構(gòu)成原理,第三部分介紹實驗結(jié)果并進(jìn)行對比分析,第四部分對本文方法進(jìn)行總結(jié)。

    1 ?目標(biāo)定位:基于YOLO的改進(jìn)算法

    受到Y(jié)OLO[4]模型的啟發(fā),利用多層卷積層加上兩個全連接層來做人臉位置檢測,前面網(wǎng)絡(luò)的卷積層用于從圖像中提取特質(zhì),后面的全連接層用于輸出概率以及坐標(biāo)點。在特征提取部分更多受到了ResNet[5]的啟發(fā),用到了3*3和1*1卷積組合的方式,3*3卷積層用于提取各部分特征,而1*1卷積層用于跨通道的信息整合。最終網(wǎng)絡(luò)輸出7*7*30的向量作為預(yù)測。具體網(wǎng)絡(luò)如圖2所示。

    S.Ren[6]等人的工作中證明對網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練可以提高最終的預(yù)測表現(xiàn)。將這個復(fù)雜的模型在ImageNet 1000-classcompetition dataset上進(jìn)行預(yù)訓(xùn)練。在預(yù)訓(xùn)練時,網(wǎng)絡(luò)的最后兩層用一個Average- pooling layer(平均池化層)和一個Fully connected layer(完全連接層)作為替代。從處理分類問題轉(zhuǎn)化成探測問題,產(chǎn)生不同的處理輸出,同時大量的數(shù)據(jù)被用于訓(xùn)練卷積層的特征提取能力。

    最終的算法輸出既包含了概率,也包含了邊界框定的寬與高,并且用圖像的原始尺寸來對其進(jìn)行歸一化,使得邊界高與寬均在0~1以內(nèi)。

    2 ?表情識別:基于VGGNet網(wǎng)絡(luò)的殘差支路

    在VGGNet[7]結(jié)構(gòu)上,采用殘差單元(Residual unit)訓(xùn)練超深層次的神經(jīng)網(wǎng)絡(luò)(如圖3所示):用3*3、1*1組合的網(wǎng)絡(luò)結(jié)構(gòu),用以高效得提取特征,實驗證明這種網(wǎng)絡(luò)結(jié)構(gòu)可以高效的提取圖片信息中的特征很有利于后續(xù)的表情分類。

    采用Bottleneck Block支路,比傳統(tǒng)的卷積結(jié)構(gòu)多了一個short-cut支路,用于傳遞低層的信息,使得網(wǎng)絡(luò)能夠深度訓(xùn)練。殘差支路上先通過一個1×1的卷積使得中間卷積的通道數(shù)減少為1/4;中間的普通卷積做完卷積后輸出通道數(shù)等于輸入通道數(shù);第三個卷積用于增加(恢復(fù))通道數(shù),使得Bottleneck的輸出通道數(shù)等于Bottleneck的輸入通道數(shù)。這兩個1×1卷積有效地較少了卷積的參數(shù)個數(shù)和計算量。

    人臉圖像是高度密集的數(shù)據(jù)信息,內(nèi)部包含了很多細(xì)微的表情如:眼睛睜大,眼皮拉緊,嘴角上揚(yáng),出現(xiàn)褶皺等眾多信息,就是人心情的具象表征,需要先通過卷積神經(jīng)網(wǎng)絡(luò)把這些特征分類提取出來,然后通過訓(xùn)練線性分類器得到最終的分類結(jié)果。具體的網(wǎng)絡(luò)設(shè)計如圖4所示。

    3 ?結(jié)果與分析

    本章在第2與第3章的原理基礎(chǔ)上對本文設(shè)計的檢測算法進(jìn)行實現(xiàn)測試,并進(jìn)行評估。從數(shù)據(jù)的收集,模型參數(shù)的選取以及結(jié)構(gòu)優(yōu)化等方面對算法進(jìn)行了分析,同時也與同類型的算法進(jìn)行比較,分析本文算法的優(yōu)勢和不足。

    進(jìn)行訓(xùn)練時,沒有直接采用表情數(shù)據(jù)集,而是先采用通用性更強(qiáng)的圖像分割數(shù)據(jù)集分別進(jìn)行預(yù)訓(xùn)練并將兩部分模型分塊調(diào)試再組合使用,最終在模型的訓(xùn)練階段,通過多次的誤差分析進(jìn)行參數(shù)調(diào)整,最終得到了較好的效果。

    實驗配置如下:硬件平臺:中央處理器(Center Processing Unit,CPU):Intel(R)Xeon(R)E5- 2687V3,主頻為:2.5 GHz,內(nèi)存為128 GB;圖像處理器(Graphic Processing Unit,GPU)CUDA加速實現(xiàn):四路NVIDIA GeForce GTC1080 Ti。軟件平臺:采用PyTorch1.1.0版深度學(xué)習(xí)框架進(jìn)行算法 實現(xiàn)。

    3.1 ?訓(xùn)練、測試數(shù)據(jù)集

    (1)表情識別

    首先在ImageNet 1000-classcompetition dataset上進(jìn)行預(yù)訓(xùn)練。最終在測試中,采用WIDER FACE的medium數(shù)據(jù)集進(jìn)行測試,learning rate策略如下。

    在完成預(yù)訓(xùn)練之后,把模型轉(zhuǎn)換為目標(biāo)檢測輸出,采用了難度最大,各種難點比較全面的WIDER FACE數(shù)據(jù)集再次進(jìn)行訓(xùn)練120輪次,將batch設(shè)為64,momentum(動量)設(shè)為0.9,衰減設(shè)為0.005。為了防止過擬合,在最后兩層,利用N Srivastava[8]等人提出的隨機(jī)失活(dropout)正則化來提高系統(tǒng)提高泛化能力,將dropout設(shè)為0.1,其余層設(shè)為0.4。前5輪采用warmup策略,使其在0.0001~0.001之間波動,此后采用0.05的學(xué)習(xí)率繼續(xù)訓(xùn)練,并用隨機(jī)梯度下降法(Stochastic Gradient Descent,SGD)[9-10]優(yōu)化方式進(jìn)一步自由優(yōu)化。

    預(yù)訓(xùn)練具有以下特點:圖像分辨率普遍偏高;每張圖像的人臉數(shù)據(jù)偏多;分訓(xùn)練集train/驗證集val/測試集test,分別占40%/10%/50%;測試集非常大,結(jié)果可靠性極高,而且測試集的標(biāo)注結(jié)果(ground truth)沒有公開,需要提交結(jié)果給官方比較,更加公平公正,適合訓(xùn)練。

    (2)表情分類

    采用Kaggle Facial Expression Recognition Challenge Database對表情識別網(wǎng)絡(luò)進(jìn)行訓(xùn)練。任務(wù)是根據(jù)面部表情中顯示的情緒將每個面部分類為七個類別之一(0=憤怒,1=厭惡,2=恐懼,3=快樂,4=悲傷,5=驚喜,6=中立)。訓(xùn)練集包含兩列,“情感”和“像素”,共包含28 709個示例。對于圖像中存在的情緒。

    本文系統(tǒng)的最終輸出也以七類表情判別為基準(zhǔn),通過閾值法進(jìn)行面部表情的最終判定。

    (3)結(jié)合訓(xùn)練

    關(guān)于兩部分模型配合使用方面,在選擇檢測并標(biāo)定人臉后,將輸出圖像存儲在本地后,再作為第二個表情識別網(wǎng)絡(luò)的輸入而不是對兩個網(wǎng)絡(luò)直接級聯(lián)。這樣操作的優(yōu)點:1. 是防止級聯(lián)模型過大難以訓(xùn)練;2. 兩部分模型需要提取的特征傾向性不同,非級聯(lián)組合可以更好的發(fā)揮各部分不同的、經(jīng)過改進(jìn)的Loss函數(shù)的特點;3. 方便調(diào)試,方便接入其它功能以及后續(xù)開發(fā)。

    3.2 ?訓(xùn)練結(jié)果及分析

    (1)人臉識別部分

    網(wǎng)絡(luò)訓(xùn)練結(jié)果。

    首先對于訓(xùn)練集訓(xùn)練部分,圖中行坐標(biāo)為迭代次數(shù),縱坐標(biāo)為訓(xùn)練集Loss函數(shù)值,圖7中可以看出Loss函數(shù)值一直在穩(wěn)定下降,說明本文采取的新的Loss函數(shù)在數(shù)據(jù)集上有較好的表征特性,且采用的殘差策略可以很好的讓模型快速訓(xùn)練擬合數(shù)據(jù)集特征。

    數(shù)據(jù)集訓(xùn)練結(jié)束之后,計算了模型的Precision Rate(精確率)和Recal(召回率),被廣泛用于信息檢索和統(tǒng)計學(xué)分類領(lǐng)域的指標(biāo),來對人臉目標(biāo)檢測結(jié)果質(zhì)量進(jìn)行評價。

    可以看到本文方法較好的預(yù)測了人臉的位置并做出精準(zhǔn)的框定,同L. Bourdev[11](圖中Poselets)與N.Dalal[12](圖中D&T)等人的工作進(jìn)行橫向?qū)Ρ?,均有較好的檢測效果。檢測完成后,本文算法將利用輸出結(jié)果變形映射為相同大小的圖片,為下一部分神經(jīng)網(wǎng)絡(luò)做人臉表情識別做準(zhǔn)備。

    (2)模型級聯(lián)訓(xùn)練結(jié)果

    擇在FER2013(Kaggle Facial Expression Recognition Challenge Dataset)中的testset內(nèi)進(jìn)行測試。完成200輪訓(xùn)練之后,在共28709張測試數(shù)據(jù)中,正確預(yù)測了其中20047張表情,總準(zhǔn)確率達(dá)到了69.83%,其中對于高興、驚訝表情的識別準(zhǔn)確率較高,而對于恐懼表情識別準(zhǔn)確率較低。具體各表情識別結(jié)果準(zhǔn)確率如下,列標(biāo)表示實際表情,行標(biāo)表示本文算法預(yù)測表情結(jié)果。

    由表格可以看出該模型對happy,surprise兩類表情識別準(zhǔn)確率相對較高,而對angry,fear,sad類表情識別準(zhǔn)確率較低。主要原因為。

    ①在訓(xùn)練集中,各類表情數(shù)據(jù)量占比不統(tǒng)一,導(dǎo)致模型對數(shù)據(jù)量大的表情類型更有傾向性。

    ②angry,fear,sad等表情相似點較多,如皺眉,嘴角緊張,眼睛微瞪等等,不利于相互之間做明顯區(qū)分。

    針對以上兩點,做出以下對策:(1)考慮對數(shù)據(jù)集進(jìn)行刪減,讓各個表情的訓(xùn)練數(shù)據(jù)保持一致;(2)例如在表情分類模塊采用非標(biāo)準(zhǔn)Loss函數(shù),對相似度大的表情進(jìn)行針對性優(yōu)化區(qū)分,引入Jiankang Deng[13]等人提出的利用更多角度空間信息的Arcface Loss函數(shù)完成進(jìn)一步的優(yōu)化。

    除了標(biāo)準(zhǔn)數(shù)據(jù)集外,也利用網(wǎng)上搜索到的表情包進(jìn)行識別,測試該算法在更貼近生活情況下的識別效果。

    結(jié)果圖中橫軸7個坐標(biāo)為本算法可以識別的7種表情:Angry、Disgust、Fear、Happy、Sad、Surprise、Neutral,縱軸值則為判定為該表情的可能性,最終挑選最高可能性的結(jié)果進(jìn)行輸出。由案例可以看出,對于人臉在圖像中占據(jù)不同比例、臉部不同朝向、對臉部的遮擋、較濃的妝容、不同光照等情況,均有較好的表情識別效果。

    4 ?結(jié)論

    本文將識別系統(tǒng)網(wǎng)絡(luò)分為兩部分,第一部分準(zhǔn)確定位復(fù)雜背景圖像中的人臉的位置,將實時性高,魯棒性強(qiáng)的YOLO模型做出針對性改進(jìn)應(yīng)用于人臉監(jiān)測;第二部分進(jìn)行表情分類,利用簡化后的VGGnet結(jié)構(gòu)對定位后的人臉照片的情感表達(dá)進(jìn)行高效率地分類,同時引入新型的附加角度邊緣損失函數(shù),改進(jìn)網(wǎng)絡(luò)的特征提取效率。與直接輸入圖片到輸出分類的簡單端對端模型相比,引入更多先驗知識,獲得更有效的數(shù)據(jù),產(chǎn)生了可應(yīng)用于復(fù)雜環(huán)境的更優(yōu)秀的分類系統(tǒng)。

    總之,本文中描述的新型人臉表情識別算法,能較好地完成計算機(jī)人臉表情識別任務(wù),克服傳統(tǒng)算法的部分缺陷,引入較多的人類知識可控因素,從而達(dá)到網(wǎng)絡(luò)容易訓(xùn)練,識別準(zhǔn)確度高,系統(tǒng)事實性強(qiáng),魯棒性好等特優(yōu)點??梢詰?yīng)用于較多人際交互場景,對計算機(jī)系統(tǒng)的人機(jī)交互做出高層次的指導(dǎo)。同時,該系統(tǒng)算法也有繼續(xù)研究、改進(jìn)的意義,有較大的提升空間。

    參考文獻(xiàn)

    [1] Ekman P, Friesen W V. Contacts across cultures in the face and emotion[J]. Journal of personality and social psychology, 1971, 17(2): 124-129.

    [2] Suwa M, Sugie N, Fujimora K. A Preliminary Note on Pattern Recognition of Human Emotional Expression[M]. [S.n]. Proceeding of the Fourth International Joint Conference on Pattern Recognition.1978, 408-410.

    [3] Mase K, Pentland A. Automatic lipreading by optical-flow analysis[J]. Systems and Computers in Japan, 1991, 22(6): 67-76.

    [4] Redmon J, Divvala S, Girshick R, et al. You Only Look Once: Unified, Real-Time Object Detection[C]//2016 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). IEEE, 2016. IEEE, Las Vegas, 2016: 779-788.

    [5] HE K, ZHANG X, REN S, et al. Deep residual learning for image recognition[C]//Computer Vision and Pattern Recognition. CVPR, Las Vegas: 2016: 770-778.

    [6] Ren S, He K, Girshick R, et al. Object Detection Networks on Convolutional Feature Maps[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2015, 39(7): 1476-1481.

    [7] Simonyan K, Zisserman A. Very deep convolutional networks for large-scale image recognition[C]//International Conference on Learning Representations. San Diego, USA: ICLR, 2015: 1-5.

    [8] Srivastava N, Hinton G E, Krizhevsky A, et al. Dropout: a simple way to prevent neural networks from overfitting[J]. Journal of machine learning research, 2014, 15(1): 1929-1958.

    [9] Rie Johnson Tong Z. Accelerating Stochastic Gradient Descent using Predictive Variance Reduction[C]//International Conference on Neural Information Processing Systems. Currant Associates Inc. 2013: 315-323.

    [10] Shalev-Shwartz S, Singer Y, Srebro N. Pegasos: Primal estimated sub-GrAdient sOlver for SVM. [C]//Machine Learning, Proceedings of the Twenty-Fourth International Conference (ICML 2007), Corvallis, Oregon, USA, June 20-24, 2007. ACM, 2007.

    [11] Bourdev L D, Malik J. Poselets: Body Part Detectors Trained Using 3D Human Pose Annotations[C]//IEEE 12th International Conference on Computer Vision, ICCV 2009, Kyoto, Japan, September 27-October 4, 2009. IEEE, 2009.

    [12] Dalal N, Triggs B. Histograms of Oriented Gradients for Human Detection[C]//2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR'05). IEEE, 2005.

    [13] Deng J, Guo J, Zafeiriou S. Arcface:Additive angular margin Loss for deep face recognition[J]. arXiv preprintarXiv: 1801. 07698, 2018.

    猜你喜歡
    卷積神經(jīng)網(wǎng)絡(luò)
    基于深度神經(jīng)網(wǎng)絡(luò)的微表情識別
    卷積神經(jīng)網(wǎng)絡(luò)中減少訓(xùn)練樣本時間方法研究
    卷積神經(jīng)網(wǎng)絡(luò)語言模型研究
    基于卷積神經(jīng)網(wǎng)絡(luò)的車輛檢索方法研究
    基于卷積神經(jīng)網(wǎng)絡(luò)溫室智能大棚監(jiān)控系統(tǒng)的研究
    基于深度卷積神經(jīng)網(wǎng)絡(luò)的物體識別算法
    深度學(xué)習(xí)算法應(yīng)用于巖石圖像處理的可行性研究
    基于深度卷積網(wǎng)絡(luò)的人臉年齡分析算法與實現(xiàn)
    軟件工程(2016年8期)2016-10-25 15:47:34
    深度學(xué)習(xí)技術(shù)下的中文微博情感的分析與研究
    軟件(2016年5期)2016-08-30 06:27:49
    基于卷積神經(jīng)網(wǎng)絡(luò)的樹葉識別的算法的研究
    色哟哟·www| 久久精品国产鲁丝片午夜精品| 22中文网久久字幕| 丝瓜视频免费看黄片| 日本爱情动作片www.在线观看| 女人精品久久久久毛片| 美女国产视频在线观看| av在线播放精品| 亚洲精品国产av成人精品| 嫩草影院入口| 伦理电影免费视频| 国产一区二区三区综合在线观看 | 亚洲人成网站在线播| 国产日韩欧美在线精品| 寂寞人妻少妇视频99o| 精品一区二区免费观看| 色哟哟·www| 久久青草综合色| 九九久久精品国产亚洲av麻豆| 性高湖久久久久久久久免费观看| 国产高清三级在线| 亚洲av综合色区一区| 秋霞在线观看毛片| 欧美老熟妇乱子伦牲交| 在线观看免费日韩欧美大片 | 精品熟女少妇av免费看| 国产一区有黄有色的免费视频| a级毛色黄片| 欧美xxxx性猛交bbbb| 精品久久久精品久久久| av不卡在线播放| 成人二区视频| 国产亚洲av片在线观看秒播厂| 高清毛片免费看| 女性被躁到高潮视频| 免费av中文字幕在线| 亚洲怡红院男人天堂| 亚洲天堂av无毛| 日韩不卡一区二区三区视频在线| 色哟哟·www| 国产片特级美女逼逼视频| 国产亚洲av片在线观看秒播厂| 人妻制服诱惑在线中文字幕| 亚洲欧美精品自产自拍| 中文字幕人妻丝袜制服| 国产日韩欧美在线精品| 中文字幕制服av| 麻豆乱淫一区二区| 精品一区二区三区视频在线| 高清在线视频一区二区三区| 人妻制服诱惑在线中文字幕| 国产免费一级a男人的天堂| 欧美亚洲 丝袜 人妻 在线| 少妇的逼水好多| av在线老鸭窝| 国产色婷婷99| 丝袜喷水一区| 国产精品一区二区三区四区免费观看| 日本-黄色视频高清免费观看| 男女啪啪激烈高潮av片| 熟女av电影| 嘟嘟电影网在线观看| 最近2019中文字幕mv第一页| a级毛色黄片| 国产精品国产三级国产专区5o| 欧美成人精品欧美一级黄| 亚洲不卡免费看| 精品人妻一区二区三区麻豆| 国产精品.久久久| 国产一区二区在线观看日韩| 国产精品女同一区二区软件| 国产综合精华液| 99久久中文字幕三级久久日本| av.在线天堂| 国产伦在线观看视频一区| 中国美白少妇内射xxxbb| 蜜桃在线观看..| 少妇高潮的动态图| 高清黄色对白视频在线免费看 | 在线观看免费日韩欧美大片 | 成年人免费黄色播放视频 | 美女脱内裤让男人舔精品视频| 日产精品乱码卡一卡2卡三| av一本久久久久| 秋霞在线观看毛片| 女人久久www免费人成看片| 一区二区av电影网| 热99国产精品久久久久久7| 在线观看一区二区三区激情| 亚洲精品aⅴ在线观看| 一级片'在线观看视频| 精品久久久精品久久久| 亚洲成人一二三区av| 在线亚洲精品国产二区图片欧美 | 伦理电影免费视频| 精品久久国产蜜桃| 国产视频首页在线观看| 中国国产av一级| 人妻人人澡人人爽人人| 乱人伦中国视频| 赤兔流量卡办理| 成人亚洲精品一区在线观看| 秋霞伦理黄片| 久久久精品免费免费高清| a级一级毛片免费在线观看| 午夜视频国产福利| 亚洲国产日韩一区二区| 国产伦精品一区二区三区视频9| 久久久国产一区二区| 中文字幕av电影在线播放| 大片电影免费在线观看免费| 国产成人精品无人区| 我的老师免费观看完整版| 人妻夜夜爽99麻豆av| 午夜日本视频在线| 久久97久久精品| 国产视频内射| 国产亚洲av片在线观看秒播厂| 久久久a久久爽久久v久久| 亚洲av综合色区一区| 国产黄色视频一区二区在线观看| 女的被弄到高潮叫床怎么办| 久热久热在线精品观看| av在线老鸭窝| 纵有疾风起免费观看全集完整版| 国产精品秋霞免费鲁丝片| 狂野欧美激情性xxxx在线观看| 国产亚洲午夜精品一区二区久久| 18禁裸乳无遮挡动漫免费视频| 26uuu在线亚洲综合色| 一级毛片 在线播放| 精品久久久久久电影网| 精品久久国产蜜桃| 欧美3d第一页| 赤兔流量卡办理| 成人免费观看视频高清| 亚洲欧美日韩东京热| 亚洲性久久影院| 欧美变态另类bdsm刘玥| 麻豆成人av视频| 女性生殖器流出的白浆| 国产极品天堂在线| 一二三四中文在线观看免费高清| 高清在线视频一区二区三区| 久久久亚洲精品成人影院| av免费在线看不卡| 丰满迷人的少妇在线观看| 激情五月婷婷亚洲| 国产成人精品婷婷| 免费久久久久久久精品成人欧美视频 | 少妇高潮的动态图| 亚洲精品乱码久久久久久按摩| 在线观看av片永久免费下载| 亚洲成人av在线免费| 久久久国产精品麻豆| 高清黄色对白视频在线免费看 | 狂野欧美激情性xxxx在线观看| 一级毛片我不卡| 丝袜脚勾引网站| 99九九在线精品视频 | 另类亚洲欧美激情| 日本欧美视频一区| 日韩在线高清观看一区二区三区| 国产av精品麻豆| 美女主播在线视频| 成人黄色视频免费在线看| 99热网站在线观看| 精品少妇久久久久久888优播| 最后的刺客免费高清国语| 免费观看性生交大片5| 亚洲成人手机| 亚洲精品国产av成人精品| 在线观看www视频免费| 中文字幕制服av| 一个人免费看片子| 久久久国产精品麻豆| 国产欧美日韩综合在线一区二区 | 亚洲天堂av无毛| 永久免费av网站大全| 天天躁夜夜躁狠狠久久av| 人人妻人人澡人人看| 男女边吃奶边做爰视频| 高清欧美精品videossex| 亚洲第一av免费看| 视频区图区小说| 麻豆成人午夜福利视频| 大香蕉久久网| 欧美亚洲 丝袜 人妻 在线| 一本—道久久a久久精品蜜桃钙片| 国产精品无大码| 亚洲熟女精品中文字幕| 七月丁香在线播放| 欧美日韩视频高清一区二区三区二| 老司机影院成人| 婷婷色av中文字幕| 午夜视频国产福利| 欧美三级亚洲精品| 日韩人妻高清精品专区| 汤姆久久久久久久影院中文字幕| 少妇人妻一区二区三区视频| 精品午夜福利在线看| 免费观看性生交大片5| 少妇 在线观看| 观看免费一级毛片| 五月开心婷婷网| 久久久久久久久久人人人人人人| 精品熟女少妇av免费看| freevideosex欧美| 国产一区亚洲一区在线观看| 嫩草影院新地址| 51国产日韩欧美| 亚洲国产日韩一区二区| 久久久久精品久久久久真实原创| 国产av国产精品国产| 亚洲四区av| 国产精品一区www在线观看| 国产成人aa在线观看| 国产精品国产三级国产专区5o| 亚洲人成网站在线播| 日日摸夜夜添夜夜添av毛片| 亚洲激情五月婷婷啪啪| 五月玫瑰六月丁香| 啦啦啦视频在线资源免费观看| 成人漫画全彩无遮挡| 中文字幕av电影在线播放| 国产精品一区二区在线观看99| av福利片在线观看| 永久免费av网站大全| 少妇人妻一区二区三区视频| 国产精品国产三级国产av玫瑰| 啦啦啦视频在线资源免费观看| 熟女人妻精品中文字幕| 精品久久久噜噜| 欧美三级亚洲精品| 九九在线视频观看精品| 夫妻性生交免费视频一级片| 日本黄大片高清| 亚洲精品日韩av片在线观看| a级毛片免费高清观看在线播放| 亚洲人与动物交配视频| 一级毛片黄色毛片免费观看视频| 久久精品久久精品一区二区三区| 国产伦精品一区二区三区四那| 精品国产乱码久久久久久小说| 欧美精品亚洲一区二区| 伦精品一区二区三区| 这个男人来自地球电影免费观看 | 老司机影院成人| 欧美成人精品欧美一级黄| 18+在线观看网站| 婷婷色麻豆天堂久久| 我要看日韩黄色一级片| 成人综合一区亚洲| 久久久久久久久大av| 另类精品久久| 成年美女黄网站色视频大全免费 | 搡女人真爽免费视频火全软件| √禁漫天堂资源中文www| 天美传媒精品一区二区| 美女cb高潮喷水在线观看| 又爽又黄a免费视频| 久久鲁丝午夜福利片| 一区二区三区精品91| 国产免费视频播放在线视频| 久久精品国产鲁丝片午夜精品| 精品人妻熟女毛片av久久网站| 欧美最新免费一区二区三区| 22中文网久久字幕| 观看av在线不卡| 一级毛片久久久久久久久女| 狂野欧美白嫩少妇大欣赏| 日韩一区二区视频免费看| 久久免费观看电影| 我要看日韩黄色一级片| 人妻少妇偷人精品九色| 熟妇人妻不卡中文字幕| 日韩成人伦理影院| 在线观看av片永久免费下载| 日本vs欧美在线观看视频 | 少妇熟女欧美另类| 国产成人精品一,二区| 国产熟女欧美一区二区| 自拍欧美九色日韩亚洲蝌蚪91 | 亚洲人成网站在线播| 久久久久久久亚洲中文字幕| 国产成人一区二区在线| 国产 一区精品| 丰满迷人的少妇在线观看| 免费在线观看成人毛片| 国产毛片在线视频| 欧美bdsm另类| 亚洲婷婷狠狠爱综合网| 欧美3d第一页| 亚洲av成人精品一区久久| 国产成人精品福利久久| 男人舔奶头视频| 2018国产大陆天天弄谢| 色婷婷久久久亚洲欧美| 日韩在线高清观看一区二区三区| 26uuu在线亚洲综合色| 亚洲va在线va天堂va国产| 欧美日韩亚洲高清精品| 涩涩av久久男人的天堂| 中文资源天堂在线| 国内少妇人妻偷人精品xxx网站| 色婷婷av一区二区三区视频| 亚洲精品久久午夜乱码| 男人狂女人下面高潮的视频| 丝袜喷水一区| 十八禁网站网址无遮挡 | 国产av国产精品国产| 如何舔出高潮| 日韩熟女老妇一区二区性免费视频| 久久久久视频综合| 性色av一级| 精品国产一区二区三区久久久樱花| 国产男女内射视频| 午夜激情福利司机影院| 男女无遮挡免费网站观看| 成人亚洲欧美一区二区av| 亚洲美女视频黄频| 午夜老司机福利剧场| 日韩视频在线欧美| 男女边摸边吃奶| 国产综合精华液| 亚洲精品一区蜜桃| 又大又黄又爽视频免费| 特大巨黑吊av在线直播| 久久精品国产自在天天线| 婷婷色av中文字幕| 欧美日韩一区二区视频在线观看视频在线| 一级片'在线观看视频| 51国产日韩欧美| 久热这里只有精品99| 成年美女黄网站色视频大全免费 | av网站免费在线观看视频| xxx大片免费视频| 最近的中文字幕免费完整| 亚洲成人av在线免费| 日本猛色少妇xxxxx猛交久久| 色视频www国产| 女人久久www免费人成看片| 国产精品偷伦视频观看了| 成人特级av手机在线观看| 少妇人妻精品综合一区二区| 蜜桃在线观看..| 夜夜看夜夜爽夜夜摸| 久久国产乱子免费精品| 99热6这里只有精品| 日韩欧美一区视频在线观看 | √禁漫天堂资源中文www| 国内精品宾馆在线| 久久精品国产亚洲av天美| 十八禁网站网址无遮挡 | 青春草国产在线视频| 一个人看视频在线观看www免费| 菩萨蛮人人尽说江南好唐韦庄| 丝袜脚勾引网站| 人妻一区二区av| 伊人亚洲综合成人网| 亚洲av男天堂| 人妻人人澡人人爽人人| 日本欧美视频一区| 91久久精品电影网| 97在线视频观看| 国产一级毛片在线| 天堂中文最新版在线下载| 噜噜噜噜噜久久久久久91| 韩国av在线不卡| h视频一区二区三区| 中文天堂在线官网| 成人漫画全彩无遮挡| 乱人伦中国视频| av网站免费在线观看视频| 午夜免费鲁丝| 欧美精品高潮呻吟av久久| 国产 一区精品| 精品久久久精品久久久| 亚洲三级黄色毛片| 免费av不卡在线播放| 极品人妻少妇av视频| a 毛片基地| 黄色一级大片看看| 亚洲av.av天堂| 青春草国产在线视频| 国产熟女欧美一区二区| 18禁在线播放成人免费| 少妇精品久久久久久久| 国产永久视频网站| 色哟哟·www| 国产 精品1| 久久av网站| 亚洲一级一片aⅴ在线观看| 少妇 在线观看| 国产精品.久久久| 亚洲国产精品一区三区| 精品少妇黑人巨大在线播放| 久久久久人妻精品一区果冻| 日日啪夜夜爽| 这个男人来自地球电影免费观看 | 成人综合一区亚洲| 亚洲精品,欧美精品| 亚洲高清免费不卡视频| av在线app专区| 欧美精品一区二区免费开放| 国产亚洲一区二区精品| 26uuu在线亚洲综合色| 性色av一级| 久久99一区二区三区| 久久 成人 亚洲| 美女中出高潮动态图| 国产极品粉嫩免费观看在线 | 欧美少妇被猛烈插入视频| 自线自在国产av| 日本黄大片高清| 噜噜噜噜噜久久久久久91| 免费黄色在线免费观看| 欧美+日韩+精品| 日日撸夜夜添| 丰满饥渴人妻一区二区三| 精品酒店卫生间| 狂野欧美激情性xxxx在线观看| 久久精品国产a三级三级三级| 精品久久久久久电影网| 国产色婷婷99| 2018国产大陆天天弄谢| 中文字幕人妻熟人妻熟丝袜美| 69精品国产乱码久久久| 少妇熟女欧美另类| 日韩熟女老妇一区二区性免费视频| 久久久久久伊人网av| 亚洲人与动物交配视频| 久久久国产精品麻豆| 日韩强制内射视频| 高清毛片免费看| 亚洲av欧美aⅴ国产| 亚洲婷婷狠狠爱综合网| 亚洲精品一二三| 亚州av有码| 国产欧美日韩一区二区三区在线 | 成人午夜精彩视频在线观看| 又大又黄又爽视频免费| 精品一区二区三区视频在线| 午夜福利影视在线免费观看| 不卡视频在线观看欧美| 国国产精品蜜臀av免费| 亚洲人成网站在线播| 久久久午夜欧美精品| 一本大道久久a久久精品| 99视频精品全部免费 在线| 丰满少妇做爰视频| 国产成人freesex在线| 国产亚洲欧美精品永久| 狠狠精品人妻久久久久久综合| 国产精品一区二区性色av| 成人18禁高潮啪啪吃奶动态图 | 亚洲欧洲日产国产| av线在线观看网站| 又大又爽又粗| 欧美性长视频在线观看| 日韩熟女老妇一区二区性免费视频| 精品少妇久久久久久888优播| 一个人免费在线观看的高清视频 | 日本精品一区二区三区蜜桃| 王馨瑶露胸无遮挡在线观看| 欧美精品一区二区大全| 9热在线视频观看99| 黑丝袜美女国产一区| 精品第一国产精品| 天天躁狠狠躁夜夜躁狠狠躁| 成人手机av| 搡老熟女国产l中国老女人| 久久亚洲国产成人精品v| 国产麻豆69| 999精品在线视频| 高清黄色对白视频在线免费看| 国产精品久久久人人做人人爽| 黑丝袜美女国产一区| 久久热在线av| 日本欧美视频一区| 日本vs欧美在线观看视频| 女人被躁到高潮嗷嗷叫费观| 国产精品久久久久久人妻精品电影 | 久久人妻福利社区极品人妻图片| 搡老乐熟女国产| 午夜影院在线不卡| 丝袜人妻中文字幕| 色婷婷久久久亚洲欧美| 亚洲性夜色夜夜综合| 亚洲欧美日韩高清在线视频 | 精品人妻在线不人妻| 久久久久国产一级毛片高清牌| 天天躁夜夜躁狠狠躁躁| 亚洲美女黄色视频免费看| 亚洲国产精品成人久久小说| 国产一区二区三区综合在线观看| 777米奇影视久久| 国产深夜福利视频在线观看| 视频区图区小说| 动漫黄色视频在线观看| 亚洲精华国产精华精| 男人爽女人下面视频在线观看| 午夜福利免费观看在线| 美女国产高潮福利片在线看| 纵有疾风起免费观看全集完整版| 免费日韩欧美在线观看| 国产成人精品在线电影| 久久影院123| 亚洲精品久久成人aⅴ小说| 日本撒尿小便嘘嘘汇集6| 丝袜在线中文字幕| 1024视频免费在线观看| 在线 av 中文字幕| 精品国产一区二区三区久久久樱花| 两个人看的免费小视频| 亚洲av美国av| 久久99热这里只频精品6学生| 成年人免费黄色播放视频| 免费在线观看视频国产中文字幕亚洲 | 色视频在线一区二区三区| 香蕉丝袜av| 黄网站色视频无遮挡免费观看| 亚洲伊人久久精品综合| 久久天堂一区二区三区四区| 亚洲av成人一区二区三| 亚洲精品自拍成人| 亚洲精品一区蜜桃| 中文字幕最新亚洲高清| 日韩视频一区二区在线观看| 亚洲自偷自拍图片 自拍| 狠狠婷婷综合久久久久久88av| 免费在线观看视频国产中文字幕亚洲 | 视频在线观看一区二区三区| 91精品国产国语对白视频| 久久av网站| 正在播放国产对白刺激| 人妻 亚洲 视频| 多毛熟女@视频| 80岁老熟妇乱子伦牲交| 亚洲精品国产一区二区精华液| 在线观看一区二区三区激情| 桃花免费在线播放| 搡老岳熟女国产| 夫妻午夜视频| 国产成人精品在线电影| 久久人人爽人人片av| 色婷婷av一区二区三区视频| 宅男免费午夜| 欧美人与性动交α欧美软件| 后天国语完整版免费观看| 久久国产精品男人的天堂亚洲| 免费在线观看日本一区| 欧美在线一区亚洲| 男人舔女人的私密视频| 精品一区在线观看国产| 黄色视频,在线免费观看| 建设人人有责人人尽责人人享有的| 在线av久久热| 老汉色av国产亚洲站长工具| 手机成人av网站| 中文字幕人妻熟女乱码| 久久精品aⅴ一区二区三区四区| 男男h啪啪无遮挡| 国产黄色免费在线视频| 18禁观看日本| 亚洲免费av在线视频| 男女无遮挡免费网站观看| 一级毛片电影观看| 久久久精品免费免费高清| 免费久久久久久久精品成人欧美视频| 国产成人系列免费观看| 久久久国产一区二区| h视频一区二区三区| 午夜成年电影在线免费观看| 日本五十路高清| 极品人妻少妇av视频| 男女午夜视频在线观看| 国产成人欧美在线观看 | 成人黄色视频免费在线看| 美女视频免费永久观看网站| 成人黄色视频免费在线看| 99久久人妻综合| 午夜激情久久久久久久| 成人免费观看视频高清| 麻豆乱淫一区二区| 成年女人毛片免费观看观看9 | 12—13女人毛片做爰片一| 国产激情久久老熟女| 午夜福利在线免费观看网站| 动漫黄色视频在线观看| 色综合欧美亚洲国产小说| videosex国产| 天堂俺去俺来也www色官网| 777米奇影视久久| 久久久国产精品麻豆| 建设人人有责人人尽责人人享有的| 精品久久蜜臀av无| 日韩熟女老妇一区二区性免费视频| 免费日韩欧美在线观看| 最新的欧美精品一区二区| 午夜视频精品福利| 女人精品久久久久毛片| 精品一区二区三卡| 亚洲综合色网址| 美女午夜性视频免费| 熟女少妇亚洲综合色aaa.| 两个人免费观看高清视频| 国产亚洲午夜精品一区二区久久| 国产欧美日韩一区二区三 | 国产精品久久久久成人av| 亚洲黑人精品在线| 亚洲欧美激情在线| 精品久久久久久电影网| 久久亚洲国产成人精品v| 欧美激情久久久久久爽电影 |