• <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 ?

    基于語譜圖與改進(jìn)DenseNet的野外車輛識(shí)別

    2020-05-09 08:57:58周鵬李成娟趙沁王艷唐洪瑩李寶清袁曉兵
    聲學(xué)技術(shù) 2020年2期
    關(guān)鍵詞:語譜網(wǎng)絡(luò)結(jié)構(gòu)識(shí)別率

    周鵬,李成娟,趙沁,王艷,唐洪瑩,李寶清,袁曉兵

    基于語譜圖與改進(jìn)DenseNet的野外車輛識(shí)別

    周鵬1,2,3,李成娟1,3,趙沁1,3,王艷1,唐洪瑩1,李寶清1,袁曉兵1

    (1. 中國科學(xué)院上海微系統(tǒng)與信息技術(shù)研究所微系統(tǒng)技術(shù)重點(diǎn)實(shí)驗(yàn)室,上海 201800;2. 上??萍即髮W(xué)信息學(xué)院,上海 201210;3. 中國科學(xué)院大學(xué),北京 100049

    針對(duì)在野外運(yùn)動(dòng)車輛分類過程中,傳統(tǒng)梅爾倒譜系數(shù)與高斯混合模型分類方法對(duì)干擾噪聲較為敏感的情況,提出了改進(jìn)的密集卷積網(wǎng)絡(luò)結(jié)構(gòu)(DenseNet)方法。首先是將聲音信號(hào)轉(zhuǎn)換為語譜圖,然后送入到改進(jìn)的DenseNet網(wǎng)絡(luò)結(jié)構(gòu)中進(jìn)行識(shí)別。其中,改進(jìn)的DenseNet網(wǎng)絡(luò)結(jié)構(gòu)是在全連接層加入了中心損失(center loss)函數(shù),使得同類特征聚合程度較高,這樣就能夠提取出聲音信號(hào)的深度特征,有利于分類。實(shí)驗(yàn)結(jié)果表明,在相同的樣本集下,改進(jìn)DenseNet方法的識(shí)別率得到了明顯的提升,達(dá)到97.70%。

    野外運(yùn)動(dòng)車輛分類;深度特征;密集卷積網(wǎng)絡(luò);語譜圖;中心損失

    0 引言

    在野外環(huán)境中,無人值守地面?zhèn)鞲衅飨到y(tǒng)是用來獲得入侵目標(biāo)軍事情報(bào)的有效手段[1]。常用的傳感器有:圖像傳感器、聲音傳感器、震動(dòng)傳感器和紅外傳感器[2]等。相對(duì)于其他傳感器來說,聲音傳感器比較小巧,容易布置,隱蔽性較好,更為安全[3]。

    利用聲音傳感器對(duì)野外的運(yùn)動(dòng)車輛進(jìn)行識(shí)別,識(shí)別的步驟主要是先對(duì)聲音信號(hào)進(jìn)行特征提取,然后根據(jù)提取的特征進(jìn)行分類。常用的特征提取方法有:提取梅爾倒譜系數(shù)(Mel-Frequency Cepstum Coefficients, MFCC)[4],提取快速傅里葉變換頻譜信息(Fast Fourier Transform, FFT)[5],提取基于經(jīng)驗(yàn)?zāi)J椒纸?Empirical Mode Decomposition, EMD)的相關(guān)特征[6],提取關(guān)于信號(hào)的自回歸模型(Autoregressive Model)、離散小波變換(Discrete Wavelet Transform, DWT)、小波包變換(Wavelet Packet Transform, WPT)與信息熵(Sample Entropy)的混合特征[7]等。常見的分類方法主要有高斯混合模型方法(Gaussian Mixed Model, GMM)[8]、支持向量機(jī)(Support Vector Machine, SVM)[9]、稀疏表示分類(Sparse Representation Classification, SRC)[10]和樸素貝葉斯分類器(Naive Bayesian Classifier, NBC)[11]。

    本文首先使用傳統(tǒng)分類方法中的MFCC特征提取方法對(duì)聲音信號(hào)進(jìn)行特征提取,然后使用GMM模型進(jìn)行分類。然而在識(shí)別的過程中發(fā)現(xiàn),MFCC特征提取方法對(duì)噪聲比較敏感[12],而噪聲中風(fēng)噪聲占絕大部分,所以在風(fēng)噪聲較大的情況下,提取的特征中會(huì)包含大量的風(fēng)噪聲信息,從而影響識(shí)別結(jié)果。為了提取出聲音信號(hào)中更深度層次的特征,本文借鑒圖像處理中目標(biāo)識(shí)別的方法。根據(jù)文獻(xiàn)[13]提出的密集卷積網(wǎng)絡(luò)(Dense Convolutional Network, DenseNet)結(jié)構(gòu)具有加強(qiáng)特征的傳遞,能夠有效地重復(fù)利用之前提取的特征等優(yōu)點(diǎn),本文在原有的DenseNet的基礎(chǔ)上加入了中心損失(center loss)函數(shù)的改進(jìn),使得同類特征之間較為緊湊,不同類之間的特征較為分散,從而達(dá)到更好的識(shí)別目的。本文首先將采集到的聲音信號(hào)轉(zhuǎn)換為語譜圖,然后利用改進(jìn)的DenseNet網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行特征提取并生成深度層次的特征,最終得到識(shí)別結(jié)果。

    1 聲音信號(hào)模型

    本文中的聲音信號(hào)是由微孔徑均勻圓陣(Uniform Circular Array, UCA)來采集的,圓陣為四元十字形狀,半徑為4cm,該設(shè)備采集的信號(hào)具有如下特點(diǎn)[8]:

    (1) 雖然傳聲器陣列緊密排列,但各陣元傳聲器接收的信號(hào)相位不同,依然有相位偏差。

    (2) 野外環(huán)境中,各傳聲器陣元采集到的噪聲信號(hào)主要是風(fēng)噪聲和電路噪聲,無論是風(fēng)噪聲還是電路噪聲,在各陣元間都是不相關(guān)的。

    車輛聲音信號(hào)主要是由發(fā)動(dòng)機(jī)、輪胎、排氣系統(tǒng)、傳動(dòng)系統(tǒng)以及機(jī)械碰撞等5種發(fā)聲部件產(chǎn)生,當(dāng)一輛狀態(tài)良好的車輛以恒定的速度運(yùn)動(dòng)時(shí),其信號(hào)的主要噪聲是由發(fā)動(dòng)機(jī)、推進(jìn)系統(tǒng)和排氣系統(tǒng)決定的。傳聲器陣列各個(gè)陣元采集得到的聲音信號(hào)模型可表示為

    2 基本原理

    2.1 傳統(tǒng)分類方法

    傳統(tǒng)分類方法中,對(duì)聲音信號(hào)進(jìn)行目標(biāo)識(shí)別的常見算法是使用MFCC特征,以GMM作為分類器。具體的識(shí)別流程如圖1所示。其中,在該處的特征提取算法框圖如圖2所示,其中FFT表示快速傅里葉變換,DCT表示離散余弦變換。

    文獻(xiàn)[8]中已經(jīng)描述了具體的MFCC特征提取流程和GMM分類算法的設(shè)計(jì),本文不再贅述。

    圖1 目標(biāo)識(shí)別流程圖

    圖2 MFCC流程圖

    2.2 改進(jìn)的DenseNet網(wǎng)絡(luò)結(jié)構(gòu)

    為了提取出聲音信號(hào)的深度特征,本文借鑒了目前圖像處理中目標(biāo)識(shí)別的方法,將聲音信號(hào)轉(zhuǎn)換為語譜圖,這樣就可以運(yùn)用文獻(xiàn)[13]中提出的DenseNet方法進(jìn)行圖像層次的目標(biāo)識(shí)別。由于DenseNet網(wǎng)絡(luò)結(jié)構(gòu)在網(wǎng)絡(luò)層加強(qiáng)了對(duì)特征的傳遞,能夠更為有效地重復(fù)利用之前的特征,從而得到聲音信號(hào)的深度特征,所以本文將對(duì)DenseNet改進(jìn)的網(wǎng)絡(luò)結(jié)構(gòu)用于本文的野外運(yùn)動(dòng)車輛識(shí)別。改進(jìn)的DenseNet網(wǎng)絡(luò)結(jié)構(gòu)整體識(shí)別過程如下:首先將聲音信號(hào)轉(zhuǎn)換為語譜圖,然后使用對(duì)DenseNet改進(jìn)的網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行識(shí)別,得到識(shí)別結(jié)果。本文對(duì)該網(wǎng)絡(luò)結(jié)構(gòu)的改進(jìn)點(diǎn)是在其全連接層加入了center loss函數(shù)。這樣做可以使同類特征之間的間距變小,不同類之間的間距變大[14]。

    2.2.1 語譜圖

    與上述MFCC特征提取過程類似,聲音信號(hào)在送到Mel濾波器組之前的處理過程中就已經(jīng)得到了語譜圖。語譜圖是語音能量時(shí)頻分布的二維平面圖,橫坐標(biāo)是時(shí)間,縱坐標(biāo)是頻率,具有連通時(shí)、頻兩域的特點(diǎn)。

    本文中語譜圖的生成過程如圖3所示。其中值得注意的是,需要將流程圖中的功率譜矩陣進(jìn)行偽彩色映射函數(shù)處理。

    圖3 語譜圖的生成過程

    2.2.2 改進(jìn)的DenseNet網(wǎng)絡(luò)結(jié)構(gòu)形式

    2.2.3 改進(jìn)的DenseNet識(shí)別算法

    池化層(Pooling layers):在進(jìn)行式(2)的級(jí)聯(lián)(concatenation)操作中,需要保持特征圖的尺寸大小相同,池化操作的目的就是使得特征圖的尺寸保持一致。為了改進(jìn)的DenseNet網(wǎng)絡(luò)結(jié)構(gòu)中池化操作更為方便,將改進(jìn)的DenseNet網(wǎng)絡(luò)結(jié)構(gòu)分成了如圖5所示的多個(gè)密集連接塊(dense blocks)。各個(gè)密集連接塊之間的是過渡層(transition layers),主要包含卷積和池化操作,處理過程如圖5所示。

    圖4 5層密集連接塊結(jié)構(gòu)示意圖

    瓶頸層(bottleneck layers):雖然每一層只輸出個(gè)特征圖,但是它依然有許多輸入。為了減少輸入的特征圖數(shù)量,提高計(jì)算效率,每個(gè)密集連接塊的3×3卷積操作前都包含了一個(gè)1×1的卷積操作。

    在將語譜圖送到第一個(gè)密集連接塊之前,對(duì)該語譜圖進(jìn)行卷積,卷積層每個(gè)卷積核尺寸為3×3。為了使得特征圖尺寸保持一致,需要在輸入的每層特征圖中加入全0填充(padding)。在兩個(gè)密集連接塊之間,使用1×1的卷積層和2×2的平均池化層作為過渡層。在最后一個(gè)密集連接塊之后,本文使用交叉熵?fù)p失函數(shù)(softmax loss)和中心損失(center loss)函數(shù)。具體的改進(jìn)DenseNet網(wǎng)絡(luò)結(jié)構(gòu)如圖6所示。

    softmax loss函數(shù)如式(3)所示:

    圖5 帶有4個(gè)密集連接塊的改進(jìn)DenseNet網(wǎng)絡(luò)結(jié)構(gòu)

    圖6 改進(jìn)的DenseNet結(jié)構(gòu)圖

    center loss函數(shù)如式(4)所示:

    式(6)中:

    本文為了得到區(qū)別性比較明顯的特征,采用softmax loss與center loss函數(shù)去訓(xùn)練DenseNet網(wǎng)絡(luò),表達(dá)式為

    3 實(shí)驗(yàn)與結(jié)果分析

    在實(shí)驗(yàn)中,本文使用傳統(tǒng)分類方法進(jìn)行算法對(duì)比。為了突出傳聲器陣列信號(hào)的空時(shí)特性,特地選取了第一通道信號(hào)作對(duì)比實(shí)驗(yàn)。其中MFCC+GMM分類方法是在Windows 10環(huán)境下,使用的是MATLAB R2017a軟件平臺(tái),硬件配置參數(shù)如下:Intel i7 CPU,主頻率為2.80 GHz,8G內(nèi)存;改進(jìn)的DenseNet網(wǎng)絡(luò)結(jié)構(gòu)方法是在Windows 10環(huán)境下,使用的是Pytorch軟件平臺(tái),硬件配置參數(shù)如下:Titanx GPU,32G內(nèi)存,12 G顯存。

    3.1 數(shù)據(jù)集

    本次實(shí)驗(yàn)的數(shù)據(jù)集使用的是在外場(chǎng)采集的信號(hào),數(shù)據(jù)庫為Vehicle_SIMIT。實(shí)驗(yàn)場(chǎng)景示意圖如圖7所示,道路全長約1 000 m,聲音采集設(shè)備位于道路中心點(diǎn),距離路面中心約15 m,每次運(yùn)動(dòng)車輛從圖7的起點(diǎn)處駛向終點(diǎn)處,該過程稱作一次運(yùn)行。聲音采集設(shè)備是由4個(gè)ICS40720傳聲器組成的均勻圓陣,采樣率為8 192 Hz,圓陣直徑為8 cm,采集設(shè)備如圖8所示。本實(shí)驗(yàn)一共采集了草地、砂石路、水泥路以及硬土路4種車輛目標(biāo)的聲音信號(hào)。車輛的運(yùn)行速度分別為10 km·h-1、20 km·h-1、30~60 km·h-1不等。針對(duì)小型車,速度在30~60 km·h-1范圍內(nèi);對(duì)于重型車,車速為10、20 km·h-1。本文所做的實(shí)驗(yàn)均是基于傳聲器陣列距離路面中心15 m的場(chǎng)景,不適用于其他應(yīng)用場(chǎng)景。4種類型的車輛分別是三種輪式車和一種履帶車,記作Smallwheel(SW)、Truckwheel(TW)、Largewheel(LW)、Tracked vehicle(TV)。

    圖7 實(shí)驗(yàn)場(chǎng)景圖

    圖8 聲音采集設(shè)備實(shí)物圖

    本文的實(shí)驗(yàn)進(jìn)行了4種野外車輛的識(shí)別準(zhǔn)確率研究。每條樣本信號(hào)按照12.5 ms時(shí)長進(jìn)行分幀,按照幀數(shù)計(jì)算,樣本集中訓(xùn)練集占66%,測(cè)試集為34%。各個(gè)車型幀數(shù)如表1和表2所示。

    同時(shí)對(duì)該樣本集進(jìn)行了語譜圖的轉(zhuǎn)換操作,此時(shí)語譜圖的訓(xùn)練集占比為66%,測(cè)試集占比為34%,各個(gè)車型的語譜圖張數(shù)如表3和表4所示。

    表1 訓(xùn)練集中各車型的樣本數(shù)

    表2 測(cè)試集中各車型的樣本數(shù)

    表3 語譜圖訓(xùn)練集中各車型的樣本數(shù)

    表4 語譜圖測(cè)試集中各車型的樣本數(shù)

    3.2 結(jié)果分析

    3.2.1 參數(shù)設(shè)計(jì)

    3.2.2 實(shí)驗(yàn)分析

    在進(jìn)行特征提取之前,本文分別對(duì)傳聲器陣列信號(hào)進(jìn)行了不同的波束形成處理,然后使用GMM分類器進(jìn)行分類實(shí)驗(yàn)驗(yàn)證。

    為了突出傳聲器陣列信號(hào)的空時(shí)特性,本文選取了單通道信號(hào)進(jìn)行對(duì)比。第一種方法是直接選取傳聲器陣列的第一通道聲信號(hào)(記作Sig1)進(jìn)行MFCC特征提取,其他的方法是使用一些常見的波束形成方法對(duì)四通道傳聲器陣列信號(hào)進(jìn)行處理,例如對(duì)四通道信號(hào)進(jìn)行疊加加權(quán)波束形成(Overlay Weighting BeamForming, OWBF)、最佳加權(quán)矢量波束形成,又稱最小方差無畸變響應(yīng)波束形成(Minimum Variance Distortionless Response, MVDR)[15]、常規(guī)波束形成(Conventional Beamforming, CBF)[15]、延遲求和波束形成(Delay and Sum, DS)[16]來進(jìn)行信號(hào)增強(qiáng),然后執(zhí)行后續(xù)的步驟。這些方法的訓(xùn)練誤差如圖9所示。

    圖9 不同波束形成方式的特征提取訓(xùn)練誤差

    由圖9中可知,隨著迭代次數(shù)的增加,不同波束形成方式的特征提取訓(xùn)練誤差逐漸趨于平緩。這說明隨著訓(xùn)練次數(shù)的增加,訓(xùn)練誤差趨于收斂。在眾多波束形成方式中,MFCC+OWBF的訓(xùn)練誤差初始值最小,為0.06左右,MFCC+MVDR的訓(xùn)練誤差初始值最大,為0.21左右。

    在分類過程中,每一條樣本的識(shí)別錯(cuò)誤率如圖10所示,由圖中可以看出,由于第8條信號(hào)包含一些干擾噪聲,所以傳統(tǒng)方法MFCC+GMM對(duì)該條聲音樣本識(shí)別誤差較大。第8條的原始信號(hào)以及其分類結(jié)果如圖11所示。圖11(a)表示SW車第一通道的原始信號(hào)圖,從圖中可以看出其包含很多干擾噪聲。圖11(b)表示的是其分類結(jié)果,縱坐標(biāo)的1、2、3、4分別代表的是該條樣本中每一幀被預(yù)測(cè)為SW、TW、LW、TV結(jié)果的情況。

    圖10 不同波束形成方式下的測(cè)試集識(shí)別錯(cuò)誤率

    圖11 包含干擾噪聲較多的SW車原始信號(hào)圖和識(shí)別結(jié)果圖

    由于MFCC+GMM對(duì)包含干擾噪聲的信號(hào)識(shí)別效果不佳,所以本文借鑒圖像目標(biāo)識(shí)別的方法,將聲音信號(hào)轉(zhuǎn)換為語譜圖圖像信號(hào),并且使用能夠提取出聲音信號(hào)深度層次特征的改進(jìn)DenseNet來進(jìn)行野外車輛的分類識(shí)別。

    本文使用圖3所示的方法得到的語譜圖結(jié)果如圖12所示。每一條樣本的完整語譜圖會(huì)被切割成10多張256×256的小尺寸語譜圖。語譜圖的橫軸是時(shí)間軸(時(shí)間/s),縱軸是頻率軸(頻率/Hz),這些語譜圖包含了原始信號(hào)的完整運(yùn)動(dòng)過程,反映了相對(duì)于傳聲器陣列,目標(biāo)車輛在由遠(yuǎn)及近和遠(yuǎn)離的運(yùn)動(dòng)過程中其聲音信號(hào)中所有頻率的變化。由于同一地理環(huán)境中空氣介質(zhì)的相對(duì)均勻性,傳聲器陣列在不同的布設(shè)位置,對(duì)于同一車型所采集的目標(biāo)聲信號(hào)頻譜成分基本不變,僅整體幅度有所不同。4種野外車輛的大語譜圖如圖13所示??梢钥闯?,4種車型的主要頻率成分都在4 000 Hz以內(nèi),但不同車型的語譜圖差距較大。

    圖12 256×256小語譜圖示意圖

    圖13 四種野外車輛的語譜圖

    由圖9可知,MFCC+OWBF與MFCC+CBF的特征提取訓(xùn)練誤差與識(shí)別的測(cè)試誤差較小,因此,在將語譜圖輸入到改進(jìn)DenseNet網(wǎng)絡(luò)結(jié)構(gòu)之前,本文對(duì)傳聲器陣列信號(hào)也同樣選取了第一通道信號(hào)、OWBF、CBF,同時(shí)使用原有DenseNet網(wǎng)絡(luò)結(jié)構(gòu)加上CBF波束形成方法做對(duì)比,本文將這些操作記作DenseNet+CBF,改進(jìn)DenseNet+ Sig1,改進(jìn)DenseNet+OWBF,改進(jìn)DenseNet+ CBF。識(shí)別曲線如圖14所示。

    圖14 改進(jìn)DenseNet結(jié)構(gòu)下的野外車輛識(shí)別率

    由圖14可知,改進(jìn)DenseNet+CBF的初始值要比改進(jìn)DenseNet+Sig1和改進(jìn)DenseNet+OWBF高,說明使用CBF進(jìn)行傳聲器陣列信號(hào)的預(yù)處理波束形成效果要比單通道信號(hào)與OWBF好,同時(shí)改進(jìn)DenseNet+CBF方法的識(shí)別率比DenseNet+CBF的識(shí)別率高2%,為97.70%,說明加入了center loss函數(shù)之后的DenseNet網(wǎng)絡(luò)結(jié)構(gòu)提取出了聲音信號(hào)語譜圖的深度特征,有利于分類。結(jié)合傳統(tǒng)方法分類實(shí)驗(yàn),本文所用方法得到的識(shí)別率如表5所示。

    由表5可知,無論是傳統(tǒng)MFCC+GMM分類方法還是神經(jīng)網(wǎng)絡(luò)方法,使用波束形成對(duì)傳聲器陣列信號(hào)進(jìn)行操作之后,其識(shí)別率明顯要高于Sig1方式。這說明對(duì)傳聲器陣列信號(hào)進(jìn)行波束形成能夠?qū)崿F(xiàn)信號(hào)增強(qiáng),有效地利用了傳聲器陣列信號(hào)的空時(shí)特性;對(duì)于同一數(shù)據(jù)集,使用的DenseNet方法與改進(jìn)DenseNet方法均明顯優(yōu)于傳統(tǒng)方法,DenseNet方法的識(shí)別率為95.133%,改進(jìn)DenseNet方法的識(shí)別率平均為97%左右,傳統(tǒng)方法為90%左右。這說明相對(duì)于傳統(tǒng)方法,DenseNet方法能夠更好地提取出包含干擾噪聲的聲音信號(hào)特征,減少干擾噪聲對(duì)識(shí)別結(jié)果的影響;同時(shí),相對(duì)于原有的DenseNet網(wǎng)絡(luò)結(jié)構(gòu),加入center loss的DenseNet識(shí)別準(zhǔn)確率也有所提高,平均提高了2%。這說明加入center loss使得同類特征之間較為緊湊,得到了較好的識(shí)別結(jié)果。其中在改進(jìn)的DenseNet方法中,改進(jìn)DenseNet+CBF方法的識(shí)別率最高,為97.70%。不同方法的運(yùn)行時(shí)間如表6所示。

    表5 傳統(tǒng)分類方法與改進(jìn)DenseNet方法下的野外車輛識(shí)別率

    表6 各實(shí)驗(yàn)運(yùn)行時(shí)間

    4 結(jié)論

    針對(duì)MFCC+GMM方法易受干擾噪聲的影響,進(jìn)而影響目標(biāo)識(shí)別的特征提取過程,最終導(dǎo)致野外運(yùn)動(dòng)目標(biāo)識(shí)別率變差的問題,本文嘗試引入圖像目標(biāo)識(shí)別的方法,并在原有的DenseNet網(wǎng)絡(luò)結(jié)構(gòu)上進(jìn)行了改進(jìn)。改進(jìn)點(diǎn)主要是在該網(wǎng)絡(luò)結(jié)構(gòu)的softmax處加入了center loss,以使得同類之間的特征較為緊湊,不同類之間的特征差別變大。實(shí)驗(yàn)結(jié)果表明,改進(jìn)的DenseNet網(wǎng)絡(luò)結(jié)構(gòu)的識(shí)別率相較于傳統(tǒng)方法平均提高了7%左右,效果較好的改進(jìn)DenseNet+ CBF方法識(shí)別率為97.70%。因?qū)嶋H項(xiàng)目需要,今后計(jì)劃對(duì)該網(wǎng)絡(luò)結(jié)構(gòu)進(jìn)行優(yōu)化,從而可以移植到本課題的外場(chǎng)試驗(yàn)中,達(dá)到提高野外監(jiān)控傳感網(wǎng)中運(yùn)動(dòng)車輛的識(shí)別準(zhǔn)確率的目的。

    [1] HUANG J C, ZHOU Q W, ZHANG X, et al. Seismic target classification using a wavelet packet manifold in unattended ground sensors systems[J]. Sensors, 2013, 13(7): 8534-8550.

    [2] WILLIAM P E, HOFFMAN M W. Classification of military ground vehicles using time domain harmonics' amplitudes[J]. IEEE Transactions on Instrumentation & Measurement, 2011, 60(11): 3720-3731.

    [3] SUNU J, PERCUS A G. Dimensionality reduction for acoustic vehicle classification with spectral embedding[C]//2018 IEEE 15th International Conference on Networking, Sensing and Control (ICNSC), 2018: 1-5.

    [4] ZHOU Q W, TONG G J, XIE D F, et al. A seismic-based feature extraction algorithm for robust ground target classification[J]. IEEE Signal Processing Letters, 2012, 19(10): 639-642.

    [5] NTALAMPIRAS S. Moving vehicle classification using wireless acoustic sensor networks[J]. IEEE Transactions on Emerging Topics in Computational Intelligence, 2018, 2(2): 129-138.

    [6] 趙天青, 梁旭斌, 許學(xué)忠, 等. EMD在目標(biāo)聲信號(hào)特征提取中的應(yīng)用研究[J]. 南京大學(xué)學(xué)報(bào)(自然科學(xué)版), 2015(S1): 102-106.

    ZHAO Tianqing, LIANG Xubin, XU Xuezhong, et al. A feature extraction algorithm of acoustic target based on empirical mode decomposition[J]. Journal of Nanjing University(Natural Sciences), 2015(S1): 102-106.

    [7] REN W J, HAN M, WANG J, et al. Efficient feature extraction framework for EEG signals classification[C]//Seventh International Conference on Intelligent Control and Information Processing. IEEE, 2017: 167-172.

    [8] HUANG J C, ZHANG X, GUO F, et al. Design of an acoustic target classification system based on small-aperture microphone array[J]. IEEE Transactions on Instrumentation & Measurement, 2015, 64(7): 2035-2043.

    [9] Kü?üKBAY S E, SERT M, YAZICI A. Use of acoustic and vibration sensor data to detect objects in surveillance wireless sensor networks[C]//International Conference on Control Systems and Computer Science, IEEE, 2017: 207-212.

    [10] WANG K Y, WANG R, FENG Y T, et al. Vehicle recognition in acoustic sensor networks via sparse representation[C]//IEEE International Conference on Multimedia and Expo Workshops, IEEE, 2014: 1-4.

    [11] ASTAPOV S, RIID A, PREDEN J S. Military vehicle acoustic pattern identification by distributed Ground Sensors[C]//Electronics Conference, IEEE, 2016: 167-170.

    [12] ZHAO Q, GUO F, ZU X S, et al. An acoustic signal enhancement method based on independent vector analysis for moving target classification in the wild[J]. Sensors, 2017, 17(10): 2224.

    [13] HUANG G, LIU Z, MAATEN L V D, et al. Densely connected convolutional networks[C]//IEEE Conference on Computer Vision and Pattern Recognition. IEEE Computer Society, 2017: 2261- 2269.

    [14] WEN Y D, ZHANG K P, LI Z F, et al. A discriminative feature learning approach for deep face recognition[J]. 2016, 47(9): 499-515.

    [15] 張小飛, 陳華偉, 仇小鋒. 陣列信號(hào)處理及MATLAB實(shí)現(xiàn)[M]. 北京: 電子工業(yè)出版社, 2015.

    [16] GUO F, HUANG J C, ZHANG X, et al. A classification method for moving targets in the wild based on microphone array and linear sparse auto-encoder[J]. Neurocomputing, 2017, 241: 28-37.

    Field vehicle identification based on spectrogram and improved DenseNet

    ZHOU Peng1,2,3, LI Chengjuan1,3, ZHAO Qin1,3, WANG Yan1, TANG Hongying1, LI Baoqing1, YUAN Xiaobing1

    (1. Science and Technology on Microsystem Laboratory, Shanghai Institute of Microsystem and Information Technology, Chinese Academy of Sciences, Shanghai 201800, China; 2. School of Information Science and Technology, ShanghaiTech University, Shanghai 201210, China; 3. University of Chinese Academy of Sciences, Beijing 100049, China)

    The traditional classification method based on Mel cepstrum coefficient and Gaussian mixture model is sensitive to interference noise in the classification process of field vehicles. To address the issue, an improved method based on dense convolution network structure (DenseNet) is proposed in this paper. First, the acoustic signal is converted to the spectrogram and then inputs to the improved DenseNet network structure for identification. The improved DenseNet network structure adds the function ‘center loss’ at the full connection layer to make the similar features more highly aggregated, so that the depth features of the acoustic signal can be extracted, which is beneficial to classification. The experimental results show that under the same sample set, the recognition rate of the improved DenseNet method can reach 97.70%, which outperforms the existing method.

    field vehicle identification; deep features; Dense convolution network structure; spectrogram; center loss

    O422.8

    A

    1000-3630(2020)-02-0235-08

    10.16300/j.cnki.1000-3630.2020.02.019

    2018-12-10;

    2019-02-05

    微系統(tǒng)技術(shù)重點(diǎn)實(shí)驗(yàn)室基金項(xiàng)目(614280401020617)

    周鵬(1994-), 男, 安徽宿州人, 碩士研究生, 研究方向?yàn)槁曇粜盘?hào)處理、車輛聲音信號(hào)的分類、模式識(shí)別。

    袁曉兵,E-mail: sinowsn@mail.sim.ac.cn

    猜你喜歡
    語譜網(wǎng)絡(luò)結(jié)構(gòu)識(shí)別率
    基于類圖像處理與向量化的大數(shù)據(jù)腳本攻擊智能檢測(cè)
    HR-DCGAN方法的帕金森聲紋樣本擴(kuò)充及識(shí)別研究
    基于真耳分析的助聽器配戴者言語可懂度指數(shù)與言語識(shí)別率的關(guān)系
    基于時(shí)頻域特征的場(chǎng)景音頻研究
    提升高速公路MTC二次抓拍車牌識(shí)別率方案研究
    語譜圖二次傅里葉變換特定人二字漢語詞匯識(shí)別
    高速公路機(jī)電日常維護(hù)中車牌識(shí)別率分析系統(tǒng)的應(yīng)用
    基于互信息的貝葉斯網(wǎng)絡(luò)結(jié)構(gòu)學(xué)習(xí)
    知識(shí)網(wǎng)絡(luò)結(jié)構(gòu)維對(duì)于創(chuàng)新績效的作用機(jī)制——遠(yuǎn)程創(chuàng)新搜尋的中介作用
    滬港通下A+ H股票網(wǎng)絡(luò)結(jié)構(gòu)演化的實(shí)證分析
    国产深夜福利视频在线观看| av播播在线观看一区| 亚洲综合色惰| xxxhd国产人妻xxx| 99热这里只有是精品在线观看| 日韩视频在线欧美| 精品熟女少妇av免费看| www.色视频.com| 久久99热这里只频精品6学生| 下体分泌物呈黄色| 精品一区二区三卡| 天天操日日干夜夜撸| 亚洲av男天堂| 国产在视频线精品| 伊人久久国产一区二区| 精品国产一区二区三区久久久樱花| 亚洲精品乱码久久久久久按摩| 亚洲av福利一区| av卡一久久| 晚上一个人看的免费电影| 人妻一区二区av| 纵有疾风起免费观看全集完整版| 亚洲欧洲日产国产| 青春草国产在线视频| h视频一区二区三区| 亚洲av电影在线进入| 日韩伦理黄色片| 制服人妻中文乱码| 欧美3d第一页| 精品人妻熟女毛片av久久网站| 亚洲精品久久久久久婷婷小说| 久久人人爽人人爽人人片va| 曰老女人黄片| 久久毛片免费看一区二区三区| 寂寞人妻少妇视频99o| www.色视频.com| 卡戴珊不雅视频在线播放| 丝袜在线中文字幕| 国产在线免费精品| 草草在线视频免费看| 天美传媒精品一区二区| 青春草国产在线视频| 亚洲人成网站在线观看播放| 久久免费观看电影| 亚洲精品国产色婷婷电影| av女优亚洲男人天堂| 精品亚洲成国产av| 国产女主播在线喷水免费视频网站| 亚洲av.av天堂| 亚洲高清免费不卡视频| 高清毛片免费看| 精品人妻熟女毛片av久久网站| 成人手机av| 男女高潮啪啪啪动态图| 日韩一区二区三区影片| 高清视频免费观看一区二区| 亚洲天堂av无毛| 欧美性感艳星| 秋霞在线观看毛片| 久久久久久久久久成人| 日本午夜av视频| 天美传媒精品一区二区| 国产精品蜜桃在线观看| 亚洲经典国产精华液单| 国产麻豆69| 久久97久久精品| 性色av一级| 少妇被粗大的猛进出69影院 | 国产精品一区二区在线不卡| 国产69精品久久久久777片| 国产av一区二区精品久久| 日本-黄色视频高清免费观看| 国产欧美日韩综合在线一区二区| xxxhd国产人妻xxx| 自线自在国产av| 欧美激情极品国产一区二区三区 | av黄色大香蕉| 免费女性裸体啪啪无遮挡网站| 一级毛片 在线播放| 热re99久久国产66热| 欧美日韩亚洲高清精品| 看十八女毛片水多多多| 最近最新中文字幕免费大全7| 亚洲高清免费不卡视频| 国产一区有黄有色的免费视频| 久久国产精品大桥未久av| 日韩制服骚丝袜av| 最近手机中文字幕大全| 精品视频人人做人人爽| 超色免费av| 国产日韩一区二区三区精品不卡| 三级国产精品片| av视频免费观看在线观看| 中文天堂在线官网| 久久久精品94久久精品| 亚洲五月色婷婷综合| 久久久精品免费免费高清| 精品人妻熟女毛片av久久网站| 全区人妻精品视频| 成人国产麻豆网| 国产男女内射视频| 黄网站色视频无遮挡免费观看| 国产午夜精品一二区理论片| 哪个播放器可以免费观看大片| 黄片播放在线免费| 亚洲精品456在线播放app| 人妻一区二区av| 日本av免费视频播放| 人人澡人人妻人| 欧美丝袜亚洲另类| 18禁国产床啪视频网站| 亚洲美女黄色视频免费看| 美女xxoo啪啪120秒动态图| 一级黄片播放器| 18+在线观看网站| 91午夜精品亚洲一区二区三区| 伦理电影免费视频| 超碰97精品在线观看| 亚洲久久久国产精品| 香蕉国产在线看| 黄色怎么调成土黄色| 国产无遮挡羞羞视频在线观看| 91精品三级在线观看| 欧美人与性动交α欧美精品济南到 | 免费观看在线日韩| 国产激情久久老熟女| 丝袜脚勾引网站| 日韩欧美一区视频在线观看| 午夜福利,免费看| 1024视频免费在线观看| 色视频在线一区二区三区| 三级国产精品片| 国产成人一区二区在线| 亚洲美女视频黄频| 国产精品久久久久成人av| 日韩视频在线欧美| 一区在线观看完整版| 国产视频首页在线观看| 国产在视频线精品| 中文字幕亚洲精品专区| 九九爱精品视频在线观看| 美国免费a级毛片| 超碰97精品在线观看| 新久久久久国产一级毛片| 18禁国产床啪视频网站| 国产白丝娇喘喷水9色精品| 大香蕉久久成人网| 国产一区亚洲一区在线观看| 亚洲国产精品一区三区| 久久韩国三级中文字幕| 午夜老司机福利剧场| 久久久精品区二区三区| 国产深夜福利视频在线观看| 久热这里只有精品99| 国产在线免费精品| 欧美成人午夜精品| 国精品久久久久久国模美| 亚洲av免费高清在线观看| 少妇熟女欧美另类| 国产色婷婷99| 全区人妻精品视频| 精品国产乱码久久久久久小说| 国产综合精华液| 一边摸一边做爽爽视频免费| 两个人免费观看高清视频| 制服丝袜香蕉在线| 精品久久蜜臀av无| 国产精品久久久久成人av| a级毛片在线看网站| 国产精品偷伦视频观看了| 美女xxoo啪啪120秒动态图| 成人二区视频| 精品少妇黑人巨大在线播放| 婷婷色综合大香蕉| 亚洲精品av麻豆狂野| 婷婷成人精品国产| 国产精品不卡视频一区二区| 亚洲一区二区三区欧美精品| 一级毛片电影观看| 9热在线视频观看99| 涩涩av久久男人的天堂| 免费大片黄手机在线观看| 日本色播在线视频| 丰满迷人的少妇在线观看| 我要看黄色一级片免费的| 蜜桃国产av成人99| 国产成人精品一,二区| 最近中文字幕2019免费版| 精品国产乱码久久久久久小说| √禁漫天堂资源中文www| 国产精品熟女久久久久浪| 天天躁夜夜躁狠狠躁躁| 考比视频在线观看| 亚洲av欧美aⅴ国产| 日本wwww免费看| 日本爱情动作片www.在线观看| 免费日韩欧美在线观看| 亚洲国产欧美日韩在线播放| 少妇被粗大的猛进出69影院 | 黄片无遮挡物在线观看| 亚洲情色 制服丝袜| 国产一级毛片在线| 人妻一区二区av| 制服诱惑二区| 国产精品久久久久久av不卡| 国产成人欧美| 欧美人与善性xxx| 亚洲精品aⅴ在线观看| 看非洲黑人一级黄片| 国产精品一区二区在线不卡| 国产日韩欧美视频二区| 国产色婷婷99| 狠狠婷婷综合久久久久久88av| 在线观看免费日韩欧美大片| 91久久精品国产一区二区三区| 亚洲精品日本国产第一区| 国产乱人偷精品视频| 尾随美女入室| 亚洲美女黄色视频免费看| 校园人妻丝袜中文字幕| 亚洲国产成人一精品久久久| 免费高清在线观看日韩| 一级毛片 在线播放| av女优亚洲男人天堂| h视频一区二区三区| 日韩一本色道免费dvd| 国产亚洲欧美精品永久| 国产亚洲精品久久久com| 国产又爽黄色视频| 久久人妻熟女aⅴ| 中文精品一卡2卡3卡4更新| 午夜激情av网站| 热99久久久久精品小说推荐| 欧美精品一区二区免费开放| 亚洲高清免费不卡视频| 亚洲欧美色中文字幕在线| 亚洲欧美精品自产自拍| 黑人高潮一二区| 大香蕉97超碰在线| 99久久人妻综合| 在线精品无人区一区二区三| 成人毛片a级毛片在线播放| 国产麻豆69| 精品第一国产精品| 国产乱来视频区| 久久精品aⅴ一区二区三区四区 | 久久97久久精品| 免费黄网站久久成人精品| av又黄又爽大尺度在线免费看| 高清不卡的av网站| 水蜜桃什么品种好| 国产亚洲精品第一综合不卡 | 亚洲一级一片aⅴ在线观看| 黄片播放在线免费| 欧美成人午夜精品| 美女中出高潮动态图| 99精国产麻豆久久婷婷| 26uuu在线亚洲综合色| 亚洲情色 制服丝袜| 嫩草影院入口| 妹子高潮喷水视频| 国产不卡av网站在线观看| 母亲3免费完整高清在线观看 | 国产免费又黄又爽又色| 欧美日本中文国产一区发布| 男女边摸边吃奶| 国产精品人妻久久久影院| 精品久久久精品久久久| 久久久久久久国产电影| a级毛片在线看网站| 一区二区三区四区激情视频| 久热这里只有精品99| 精品国产一区二区久久| 亚洲av综合色区一区| 国产免费福利视频在线观看| 美女内射精品一级片tv| 久久亚洲国产成人精品v| 亚洲一级一片aⅴ在线观看| 啦啦啦啦在线视频资源| 中文天堂在线官网| 亚洲精品国产av成人精品| 深夜精品福利| 欧美另类一区| 午夜影院在线不卡| 日韩制服骚丝袜av| 如何舔出高潮| 在线观看免费日韩欧美大片| 午夜激情av网站| 成人亚洲欧美一区二区av| 成人18禁高潮啪啪吃奶动态图| 午夜福利视频在线观看免费| 日韩不卡一区二区三区视频在线| a级毛色黄片| 成年美女黄网站色视频大全免费| 亚洲婷婷狠狠爱综合网| 国产一区二区三区综合在线观看 | 免费看不卡的av| 日韩大片免费观看网站| 丝瓜视频免费看黄片| 日产精品乱码卡一卡2卡三| 中文字幕精品免费在线观看视频 | 亚洲国产色片| 国产高清不卡午夜福利| 日本爱情动作片www.在线观看| 考比视频在线观看| 日韩中文字幕视频在线看片| av线在线观看网站| 国产熟女午夜一区二区三区| 人妻系列 视频| av.在线天堂| 亚洲精品av麻豆狂野| 国产精品国产av在线观看| 亚洲精品乱久久久久久| 亚洲精品一区蜜桃| 中文字幕人妻熟女乱码| 欧美亚洲日本最大视频资源| 免费人妻精品一区二区三区视频| 久久精品夜色国产| 日韩一本色道免费dvd| 欧美 亚洲 国产 日韩一| 女人久久www免费人成看片| 久久久精品94久久精品| 久久狼人影院| 亚洲一级一片aⅴ在线观看| 女人被躁到高潮嗷嗷叫费观| 欧美日韩成人在线一区二区| 国产成人aa在线观看| 欧美日韩一区二区视频在线观看视频在线| 久久午夜福利片| 久久精品国产亚洲av涩爱| 国产高清国产精品国产三级| 两个人免费观看高清视频| 日韩中文字幕视频在线看片| 18禁动态无遮挡网站| 汤姆久久久久久久影院中文字幕| 欧美日韩av久久| 日本免费在线观看一区| 欧美日韩国产mv在线观看视频| 国产一区二区三区综合在线观看 | 久久女婷五月综合色啪小说| 免费观看性生交大片5| 国产精品国产av在线观看| 五月玫瑰六月丁香| 国产日韩欧美亚洲二区| 国产成人91sexporn| 欧美亚洲日本最大视频资源| 波多野结衣一区麻豆| 久久人人爽人人片av| 一级片免费观看大全| av不卡在线播放| 人妻少妇偷人精品九色| 精品国产露脸久久av麻豆| 免费观看性生交大片5| 亚洲丝袜综合中文字幕| 观看av在线不卡| 国产精品熟女久久久久浪| 在线天堂中文资源库| 欧美精品av麻豆av| kizo精华| 如日韩欧美国产精品一区二区三区| 一区二区三区乱码不卡18| 国产午夜精品一二区理论片| 日韩一本色道免费dvd| 免费观看无遮挡的男女| 天天影视国产精品| 伊人亚洲综合成人网| 黑人欧美特级aaaaaa片| 午夜免费男女啪啪视频观看| 男女国产视频网站| 午夜免费男女啪啪视频观看| 制服人妻中文乱码| 亚洲性久久影院| 97在线视频观看| 亚洲三级黄色毛片| 一边亲一边摸免费视频| 男女无遮挡免费网站观看| 国产精品国产三级国产av玫瑰| av线在线观看网站| 日韩制服骚丝袜av| 十八禁高潮呻吟视频| 精品久久久久久电影网| 18禁观看日本| 精品一区二区免费观看| 久久久国产欧美日韩av| 色婷婷av一区二区三区视频| 男女午夜视频在线观看 | 国产成人精品一,二区| 国产成人免费观看mmmm| 免费日韩欧美在线观看| 日本91视频免费播放| 亚洲美女搞黄在线观看| 久久久久久久久久久免费av| 女人精品久久久久毛片| 久久久久视频综合| 日本av手机在线免费观看| 久热这里只有精品99| 日日撸夜夜添| 欧美亚洲日本最大视频资源| 欧美bdsm另类| 欧美成人午夜免费资源| av免费在线看不卡| 国产色爽女视频免费观看| av又黄又爽大尺度在线免费看| 亚洲国产毛片av蜜桃av| 亚洲av福利一区| 日本欧美视频一区| √禁漫天堂资源中文www| 午夜视频国产福利| 亚洲国产精品一区三区| 久久久久精品人妻al黑| 亚洲,一卡二卡三卡| 宅男免费午夜| 人人澡人人妻人| 亚洲在久久综合| av在线播放精品| 性高湖久久久久久久久免费观看| 日韩欧美精品免费久久| 亚洲欧美一区二区三区黑人 | 婷婷成人精品国产| 人人妻人人澡人人看| 久久久久久人妻| 精品一区二区免费观看| 一级爰片在线观看| 夫妻午夜视频| 亚洲,欧美,日韩| 高清不卡的av网站| 99视频精品全部免费 在线| 精品久久久精品久久久| 天堂中文最新版在线下载| 成年人午夜在线观看视频| 男的添女的下面高潮视频| 久久久久国产精品人妻一区二区| 国产精品无大码| 欧美日韩亚洲高清精品| 精品国产一区二区久久| 在线亚洲精品国产二区图片欧美| 视频在线观看一区二区三区| 在现免费观看毛片| 黄色毛片三级朝国网站| 纯流量卡能插随身wifi吗| 插逼视频在线观看| 午夜免费鲁丝| 在线观看免费视频网站a站| 一区二区三区精品91| 黄色毛片三级朝国网站| 午夜精品国产一区二区电影| 日韩,欧美,国产一区二区三区| 一级毛片 在线播放| 精品久久久精品久久久| 宅男免费午夜| 国产欧美日韩综合在线一区二区| 免费观看性生交大片5| 国产一区有黄有色的免费视频| 日韩av不卡免费在线播放| 久久热在线av| 亚洲av在线观看美女高潮| 男女啪啪激烈高潮av片| 成人无遮挡网站| 久久毛片免费看一区二区三区| 国产欧美另类精品又又久久亚洲欧美| 日韩制服丝袜自拍偷拍| 亚洲精品,欧美精品| 女性被躁到高潮视频| 国产精品一区二区在线观看99| 有码 亚洲区| 免费黄网站久久成人精品| 91午夜精品亚洲一区二区三区| 亚洲国产最新在线播放| 久久精品人人爽人人爽视色| 亚洲 欧美一区二区三区| 深夜精品福利| 欧美日韩视频高清一区二区三区二| 中国美白少妇内射xxxbb| 久久ye,这里只有精品| kizo精华| 国产亚洲午夜精品一区二区久久| 中文字幕免费在线视频6| 黄色怎么调成土黄色| 91成人精品电影| 高清黄色对白视频在线免费看| 亚洲av免费高清在线观看| 99视频精品全部免费 在线| 精品少妇内射三级| 99国产精品免费福利视频| www.熟女人妻精品国产 | 午夜福利网站1000一区二区三区| 夜夜骑夜夜射夜夜干| 国产精品一区二区在线观看99| 日本av手机在线免费观看| 日韩成人伦理影院| 黑人猛操日本美女一级片| 美女中出高潮动态图| 在线观看三级黄色| 丁香六月天网| 91aial.com中文字幕在线观看| 三级国产精品片| 视频在线观看一区二区三区| www日本在线高清视频| 熟女电影av网| videossex国产| 成人亚洲精品一区在线观看| 亚洲精品av麻豆狂野| 欧美激情极品国产一区二区三区 | 日本91视频免费播放| 在线观看免费日韩欧美大片| 成人18禁高潮啪啪吃奶动态图| 两个人看的免费小视频| 免费人成在线观看视频色| 99热网站在线观看| 内地一区二区视频在线| 如日韩欧美国产精品一区二区三区| 乱人伦中国视频| 有码 亚洲区| 亚洲精品美女久久av网站| 国产熟女欧美一区二区| 韩国av在线不卡| 少妇人妻 视频| 美女中出高潮动态图| 精品少妇久久久久久888优播| 中文字幕人妻丝袜制服| 性色av一级| av免费在线看不卡| 国产精品不卡视频一区二区| 国产免费一区二区三区四区乱码| 亚洲精品自拍成人| 伊人久久国产一区二区| 黑人猛操日本美女一级片| 国产一区二区激情短视频 | 国产欧美日韩一区二区三区在线| 五月玫瑰六月丁香| 精品少妇黑人巨大在线播放| 亚洲国产最新在线播放| 蜜臀久久99精品久久宅男| 高清毛片免费看| 97在线视频观看| 成人亚洲精品一区在线观看| 最近的中文字幕免费完整| 搡女人真爽免费视频火全软件| 日韩精品免费视频一区二区三区 | 久久久欧美国产精品| 国产成人免费无遮挡视频| 成人毛片a级毛片在线播放| 欧美日韩亚洲高清精品| 九色成人免费人妻av| 成年人免费黄色播放视频| 国内精品宾馆在线| 免费观看a级毛片全部| 日韩视频在线欧美| 国产高清不卡午夜福利| 99热全是精品| 国产精品国产三级国产av玫瑰| 久久久久久久久久成人| 免费日韩欧美在线观看| 免费在线观看黄色视频的| 亚洲三级黄色毛片| 日日摸夜夜添夜夜爱| 午夜福利网站1000一区二区三区| 飞空精品影院首页| 中文精品一卡2卡3卡4更新| 在线天堂中文资源库| 9热在线视频观看99| 免费播放大片免费观看视频在线观看| av视频免费观看在线观看| 王馨瑶露胸无遮挡在线观看| 超色免费av| 丁香六月天网| 欧美日韩视频高清一区二区三区二| 亚洲欧美精品自产自拍| 三上悠亚av全集在线观看| 国国产精品蜜臀av免费| 欧美激情国产日韩精品一区| 男男h啪啪无遮挡| 国产av精品麻豆| a级毛片黄视频| 视频在线观看一区二区三区| 婷婷成人精品国产| 国产极品粉嫩免费观看在线| 18禁动态无遮挡网站| 最新中文字幕久久久久| 男人舔女人的私密视频| 一级毛片 在线播放| 国产成人精品一,二区| 亚洲内射少妇av| 另类亚洲欧美激情| 精品第一国产精品| 久久久久国产网址| 王馨瑶露胸无遮挡在线观看| 高清黄色对白视频在线免费看| 日韩一区二区三区影片| 少妇被粗大猛烈的视频| 97在线人人人人妻| 免费久久久久久久精品成人欧美视频 | 男女午夜视频在线观看 | 两个人免费观看高清视频| 视频中文字幕在线观看| 久久久国产精品麻豆| 国内精品宾馆在线| 亚洲av中文av极速乱| 国产精品蜜桃在线观看| av免费在线看不卡| 欧美变态另类bdsm刘玥| 最近中文字幕高清免费大全6| 99国产综合亚洲精品| 熟女人妻精品中文字幕| 亚洲熟女精品中文字幕| 又黄又爽又刺激的免费视频.| 啦啦啦视频在线资源免费观看| 婷婷色麻豆天堂久久| 久久久久久久亚洲中文字幕| 日日爽夜夜爽网站| 一级,二级,三级黄色视频| 精品99又大又爽又粗少妇毛片| 五月玫瑰六月丁香| 国产不卡av网站在线观看| 少妇猛男粗大的猛烈进出视频|