• <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
    老熟妇乱子伦视频在线观看| 麻豆一二三区av精品| 成人综合一区亚洲| 国产精品99久久久久久久久| 黄色日韩在线| 伦理电影大哥的女人| 欧美三级亚洲精品| 九九久久精品国产亚洲av麻豆| 国国产精品蜜臀av免费| 国内精品宾馆在线| 欧美激情在线99| 69av精品久久久久久| 99久国产av精品国产电影| 桃色一区二区三区在线观看| 啦啦啦观看免费观看视频高清| 国产探花极品一区二区| 寂寞人妻少妇视频99o| 日本与韩国留学比较| 99久久中文字幕三级久久日本| 听说在线观看完整版免费高清| 久久久久国内视频| 欧美色欧美亚洲另类二区| 成人二区视频| 人妻丰满熟妇av一区二区三区| 欧美激情久久久久久爽电影| 免费av不卡在线播放| 婷婷精品国产亚洲av在线| 久久久久久久久大av| 一级毛片久久久久久久久女| 久久精品国产亚洲网站| 亚洲国产精品久久男人天堂| 国产成人freesex在线 | 亚洲激情五月婷婷啪啪| 国产亚洲91精品色在线| 给我免费播放毛片高清在线观看| 亚洲图色成人| 大香蕉久久网| 日韩人妻高清精品专区| 国产高清视频在线观看网站| 一本久久中文字幕| 精品久久久久久久久久久久久| 亚洲欧美成人精品一区二区| 老熟妇仑乱视频hdxx| 久久这里只有精品中国| 久久久久久国产a免费观看| 亚洲婷婷狠狠爱综合网| 性欧美人与动物交配| 大又大粗又爽又黄少妇毛片口| 少妇高潮的动态图| 日本黄色视频三级网站网址| av免费在线看不卡| 久久天躁狠狠躁夜夜2o2o| 最新在线观看一区二区三区| 18+在线观看网站| 我的老师免费观看完整版| 国产不卡一卡二| 噜噜噜噜噜久久久久久91| 久久九九热精品免费| 午夜精品国产一区二区电影 | 日韩成人av中文字幕在线观看 | 亚洲av五月六月丁香网| 一区二区三区高清视频在线| 中文字幕久久专区| 内地一区二区视频在线| 简卡轻食公司| 中文字幕精品亚洲无线码一区| 久久99热6这里只有精品| 精品免费久久久久久久清纯| 欧美精品国产亚洲| 丰满人妻一区二区三区视频av| 色吧在线观看| 日韩精品有码人妻一区| 免费高清视频大片| 欧美日韩乱码在线| 毛片女人毛片| 性欧美人与动物交配| av在线老鸭窝| 91在线观看av| 女同久久另类99精品国产91| 99久久久亚洲精品蜜臀av| 欧美日韩在线观看h| 久久中文看片网| 亚州av有码| 你懂的网址亚洲精品在线观看 | 国产淫片久久久久久久久| 中国美女看黄片| 国产精品爽爽va在线观看网站| 我要看日韩黄色一级片| 深爱激情五月婷婷| 国产精品三级大全| 欧美性猛交╳xxx乱大交人| 嫩草影院精品99| 搡老妇女老女人老熟妇| 69av精品久久久久久| 亚洲国产精品sss在线观看| 九九久久精品国产亚洲av麻豆| 日韩欧美三级三区| 男女下面进入的视频免费午夜| 九色成人免费人妻av| 性色avwww在线观看| 简卡轻食公司| 97超碰精品成人国产| 成人av一区二区三区在线看| 亚洲精品粉嫩美女一区| 别揉我奶头~嗯~啊~动态视频| 亚洲成人久久爱视频| 亚洲av成人精品一区久久| 欧美最新免费一区二区三区| 免费电影在线观看免费观看| 六月丁香七月| 男女那种视频在线观看| 两个人的视频大全免费| 久久久精品94久久精品| 色视频www国产| 看黄色毛片网站| 人妻夜夜爽99麻豆av| av免费在线看不卡| 两个人视频免费观看高清| 女人被狂操c到高潮| 国产亚洲精品av在线| 日韩精品青青久久久久久| 精品久久国产蜜桃| 久久久国产成人免费| 国内精品久久久久精免费| 国产午夜福利久久久久久| 九九久久精品国产亚洲av麻豆| 搡老妇女老女人老熟妇| 色av中文字幕| 国产白丝娇喘喷水9色精品| 欧美bdsm另类| 嫩草影院新地址| 美女高潮的动态| 人人妻人人看人人澡| 日本免费一区二区三区高清不卡| 亚洲最大成人av| 一级黄片播放器| 中国美白少妇内射xxxbb| 日日啪夜夜撸| 少妇裸体淫交视频免费看高清| 国产黄色视频一区二区在线观看 | 国产成人影院久久av| 久久久久精品国产欧美久久久| h日本视频在线播放| 国产精品av视频在线免费观看| 亚洲av熟女| 亚洲av不卡在线观看| 国产毛片a区久久久久| 3wmmmm亚洲av在线观看| 少妇猛男粗大的猛烈进出视频 | 日韩亚洲欧美综合| 国产激情偷乱视频一区二区| 人人妻人人澡欧美一区二区| 日韩欧美免费精品| 99久国产av精品| 国产亚洲精品综合一区在线观看| 亚洲自拍偷在线| 18禁在线播放成人免费| 欧美高清性xxxxhd video| 国产毛片a区久久久久| avwww免费| 女生性感内裤真人,穿戴方法视频| 能在线免费观看的黄片| 国产精品99久久久久久久久| www.色视频.com| 卡戴珊不雅视频在线播放| 午夜精品国产一区二区电影 | 蜜桃久久精品国产亚洲av| 亚洲av五月六月丁香网| 91av网一区二区| 嫩草影视91久久| 日韩制服骚丝袜av| 一a级毛片在线观看| 综合色av麻豆| 国产黄色视频一区二区在线观看 | 日韩一本色道免费dvd| 亚州av有码| 色哟哟·www| 天天躁夜夜躁狠狠久久av| 国产精品福利在线免费观看| 国产毛片a区久久久久| 人人妻人人看人人澡| 男女那种视频在线观看| 午夜福利成人在线免费观看| 午夜久久久久精精品| 搡老妇女老女人老熟妇| 99久久久亚洲精品蜜臀av| 欧美一级a爱片免费观看看| 热99re8久久精品国产| 亚洲欧美清纯卡通| 亚洲aⅴ乱码一区二区在线播放| 俺也久久电影网| 啦啦啦韩国在线观看视频| 日韩成人伦理影院| 麻豆国产av国片精品| 亚洲综合色惰| 一级黄色大片毛片| 欧美最新免费一区二区三区| АⅤ资源中文在线天堂| 99久国产av精品| 插逼视频在线观看| 欧美性感艳星| 国产在线精品亚洲第一网站| 国产精品无大码| 综合色av麻豆| 午夜福利18| 又黄又爽又刺激的免费视频.| 亚洲欧美日韩卡通动漫| 精品免费久久久久久久清纯| 淫妇啪啪啪对白视频| 此物有八面人人有两片| 午夜老司机福利剧场| 欧美潮喷喷水| 久久婷婷人人爽人人干人人爱| 亚洲av免费高清在线观看| 免费在线观看成人毛片| 精品久久久久久久久av| 一级黄色大片毛片| 欧美最黄视频在线播放免费| 亚洲乱码一区二区免费版| 男女视频在线观看网站免费| 少妇的逼水好多| eeuss影院久久| 免费观看的影片在线观看| 在线播放无遮挡| 热99在线观看视频| 91久久精品国产一区二区成人| avwww免费| 两性午夜刺激爽爽歪歪视频在线观看| 狂野欧美白嫩少妇大欣赏| 又爽又黄a免费视频| 天天躁夜夜躁狠狠久久av| 一个人免费在线观看电影| 久久久久精品国产欧美久久久| 国产精品综合久久久久久久免费| 国产精品久久久久久av不卡| 国产亚洲精品av在线| 亚洲真实伦在线观看| 成年版毛片免费区| 国产日本99.免费观看| 国产精品久久久久久精品电影| av在线天堂中文字幕| 精品人妻一区二区三区麻豆 | www.色视频.com| 国产精品美女特级片免费视频播放器| 欧美区成人在线视频| 国产精品爽爽va在线观看网站| 国产亚洲欧美98| 成人亚洲精品av一区二区| 国产淫片久久久久久久久| 久久久国产成人免费| 男人狂女人下面高潮的视频| 午夜福利在线观看免费完整高清在 | 久久草成人影院| 亚洲欧美精品综合久久99| 国产精品一区二区免费欧美| 一级黄片播放器| 一区福利在线观看| 亚洲真实伦在线观看| 婷婷精品国产亚洲av在线| 久久99热这里只有精品18| 日本欧美国产在线视频| 欧美最新免费一区二区三区| 一区二区三区四区激情视频 | 欧美激情久久久久久爽电影| av在线天堂中文字幕| 麻豆av噜噜一区二区三区| 精品久久久久久成人av| 夜夜夜夜夜久久久久| 99热6这里只有精品| 国产淫片久久久久久久久| 亚洲人成网站在线播| 国产爱豆传媒在线观看| 禁无遮挡网站| 婷婷精品国产亚洲av| 18禁在线播放成人免费| 美女被艹到高潮喷水动态| 婷婷六月久久综合丁香| 欧美中文日本在线观看视频| 国产亚洲精品久久久久久毛片| 久久精品91蜜桃| 免费av不卡在线播放| 久久精品国产亚洲av涩爱 | 麻豆成人午夜福利视频| 午夜福利在线观看免费完整高清在 | 97在线视频观看| 如何舔出高潮| 91狼人影院| 久久久欧美国产精品| 天堂av国产一区二区熟女人妻| 国产欧美日韩精品一区二区| 日本-黄色视频高清免费观看| 最近视频中文字幕2019在线8| 丝袜喷水一区| 国产私拍福利视频在线观看| 久久精品国产鲁丝片午夜精品| 国产午夜精品久久久久久一区二区三区 | 欧美成人免费av一区二区三区| 在线观看66精品国产| 村上凉子中文字幕在线| 亚洲欧美日韩无卡精品| 国产精品av视频在线免费观看| 国产蜜桃级精品一区二区三区| 国产精华一区二区三区| 日本成人三级电影网站| 日日摸夜夜添夜夜爱| 亚洲欧美成人精品一区二区| 亚洲国产欧美人成| 成人综合一区亚洲| 精品乱码久久久久久99久播| av黄色大香蕉| 99久久精品热视频| 美女cb高潮喷水在线观看| 能在线免费观看的黄片| 一级黄片播放器| av黄色大香蕉| 九九在线视频观看精品| 99久久无色码亚洲精品果冻| 日韩,欧美,国产一区二区三区 | eeuss影院久久| 色视频www国产| 男女啪啪激烈高潮av片| 国产精品一区www在线观看| 高清午夜精品一区二区三区 | 欧美在线一区亚洲| 青春草视频在线免费观看| 日本色播在线视频| 久久99热6这里只有精品| 老熟妇仑乱视频hdxx| 97热精品久久久久久| 国产精品电影一区二区三区| 亚洲真实伦在线观看| 成年女人永久免费观看视频| 国产精品久久视频播放| 蜜桃亚洲精品一区二区三区| 免费av不卡在线播放| 大型黄色视频在线免费观看| 美女xxoo啪啪120秒动态图| 国产久久久一区二区三区| av.在线天堂| 亚洲熟妇中文字幕五十中出| 欧美成人一区二区免费高清观看| 国产 一区 欧美 日韩| 亚洲精品日韩在线中文字幕 | 亚洲第一电影网av| 婷婷六月久久综合丁香| 高清毛片免费看| 黄片wwwwww| 国产v大片淫在线免费观看| 日本与韩国留学比较| 久99久视频精品免费| 日本成人三级电影网站| 久久综合国产亚洲精品| 又爽又黄a免费视频| 日本黄色视频三级网站网址| 美女大奶头视频| 日韩av在线大香蕉| 亚洲无线观看免费| 免费看美女性在线毛片视频| 搡老熟女国产l中国老女人| 久久久精品欧美日韩精品| 午夜免费男女啪啪视频观看 | 亚洲性久久影院| 亚洲最大成人av| 看黄色毛片网站| 亚洲国产欧美人成| 午夜视频国产福利| 亚洲av美国av| 久久草成人影院| 国产精品亚洲美女久久久| 国产午夜精品久久久久久一区二区三区 | 国产精品精品国产色婷婷| 亚洲av中文字字幕乱码综合| 丰满乱子伦码专区| 91在线观看av| 免费大片18禁| 欧美激情国产日韩精品一区| 亚洲aⅴ乱码一区二区在线播放| 欧美激情久久久久久爽电影| 天天躁日日操中文字幕| 亚洲成人av在线免费| 亚洲va在线va天堂va国产| 一个人看视频在线观看www免费| 国产一区亚洲一区在线观看| 美女 人体艺术 gogo| 国产精品99久久久久久久久| 菩萨蛮人人尽说江南好唐韦庄 | 国产亚洲91精品色在线| 亚洲丝袜综合中文字幕| 亚洲最大成人av| 尾随美女入室| 91在线精品国自产拍蜜月| 大香蕉久久网| 一边摸一边抽搐一进一小说| 日本黄大片高清| 别揉我奶头~嗯~啊~动态视频| 国产精品亚洲一级av第二区| 国产精品女同一区二区软件| 国产又黄又爽又无遮挡在线| 国产三级在线视频| 美女内射精品一级片tv| 一级毛片aaaaaa免费看小| 久久精品久久久久久噜噜老黄 | 18禁在线播放成人免费| 中文资源天堂在线| 精品免费久久久久久久清纯| .国产精品久久| 午夜老司机福利剧场| 在线观看免费视频日本深夜| 久久久国产成人免费| 久久久久久九九精品二区国产| 亚洲最大成人手机在线| 亚洲最大成人中文| 天堂动漫精品| 成年免费大片在线观看| 日韩,欧美,国产一区二区三区 | 国产伦精品一区二区三区四那| 国产蜜桃级精品一区二区三区| 老女人水多毛片| 91av网一区二区| 乱系列少妇在线播放| 99久久久亚洲精品蜜臀av| 久久精品夜色国产| 自拍偷自拍亚洲精品老妇| 欧美中文日本在线观看视频| 欧美+亚洲+日韩+国产| 男人和女人高潮做爰伦理| 国产精品一区二区三区四区免费观看 | 深爱激情五月婷婷| 色尼玛亚洲综合影院| 男人舔奶头视频| 99热全是精品| 国产不卡一卡二| 欧美国产日韩亚洲一区| 我的女老师完整版在线观看| 成人美女网站在线观看视频| 亚洲无线在线观看| 久久久久国产网址| 最近手机中文字幕大全| 国产精品综合久久久久久久免费| 成人鲁丝片一二三区免费| 一区福利在线观看| 男人狂女人下面高潮的视频| 亚洲激情五月婷婷啪啪| 一区二区三区四区激情视频 | 欧美国产日韩亚洲一区| 亚洲激情五月婷婷啪啪| 亚洲最大成人手机在线| 精品国内亚洲2022精品成人| 真实男女啪啪啪动态图| 国产三级在线视频| 亚洲最大成人手机在线| 你懂的网址亚洲精品在线观看 | 3wmmmm亚洲av在线观看| 国产黄色小视频在线观看| 国产男人的电影天堂91| 免费观看精品视频网站| 床上黄色一级片| 国产在线男女| 五月玫瑰六月丁香| 欧美国产日韩亚洲一区| 欧美日本亚洲视频在线播放| 日本欧美国产在线视频| 伦理电影大哥的女人| 久久午夜亚洲精品久久| av.在线天堂| 成人av在线播放网站| 午夜影院日韩av| 国产久久久一区二区三区| 国产精品一区二区三区四区久久| 91在线观看av| 美女内射精品一级片tv| 夜夜看夜夜爽夜夜摸| 在现免费观看毛片| 免费观看在线日韩| 一本久久中文字幕| 欧美激情久久久久久爽电影| 久久精品影院6| 欧美高清性xxxxhd video| 天天躁夜夜躁狠狠久久av| 一进一出抽搐动态| 久久精品国产自在天天线| 十八禁国产超污无遮挡网站| av在线天堂中文字幕| 国产毛片a区久久久久| 高清毛片免费观看视频网站| 中文字幕av成人在线电影| 亚洲精品456在线播放app| 国产私拍福利视频在线观看| 在线国产一区二区在线| 色播亚洲综合网| 色哟哟哟哟哟哟| 夜夜夜夜夜久久久久| www.色视频.com| 日本在线视频免费播放| 3wmmmm亚洲av在线观看| 麻豆精品久久久久久蜜桃| 欧美三级亚洲精品| 最近中文字幕高清免费大全6| 久久久久免费精品人妻一区二区| 听说在线观看完整版免费高清| 婷婷亚洲欧美| 老司机影院成人| 免费看a级黄色片| 色尼玛亚洲综合影院| 女生性感内裤真人,穿戴方法视频| 欧美人与善性xxx| 午夜福利在线观看吧| 日韩av不卡免费在线播放| 91精品国产九色| 国产精品人妻久久久影院| 国产伦一二天堂av在线观看| 春色校园在线视频观看| 亚洲精品亚洲一区二区| 久久精品国产亚洲av天美| 99在线人妻在线中文字幕| 日韩国内少妇激情av| 国内精品宾馆在线| 国产 一区精品| 晚上一个人看的免费电影| 色噜噜av男人的天堂激情| 亚洲成a人片在线一区二区| 一区二区三区高清视频在线| 久久韩国三级中文字幕| 亚洲欧美日韩东京热| 免费大片18禁| 欧美绝顶高潮抽搐喷水| 六月丁香七月| 波多野结衣高清无吗| 亚洲久久久久久中文字幕| 国产一区二区激情短视频| 色综合色国产| 国产麻豆成人av免费视频| 久久精品夜夜夜夜夜久久蜜豆| 欧美最黄视频在线播放免费| 综合色丁香网| 99视频精品全部免费 在线| 国产精品一二三区在线看| 国产伦精品一区二区三区视频9| 成人欧美大片| 国产精品久久久久久av不卡| 国产三级中文精品| 亚洲av电影不卡..在线观看| 国产一区二区亚洲精品在线观看| h日本视频在线播放| 美女 人体艺术 gogo| 丰满的人妻完整版| 国产精品人妻久久久久久| 亚洲精品久久国产高清桃花| 最好的美女福利视频网| 国产在线精品亚洲第一网站| 69人妻影院| 亚洲成人久久性| 成年av动漫网址| 九九热线精品视视频播放| 欧美最新免费一区二区三区| 亚洲欧美日韩高清专用| 国产乱人视频| 韩国av在线不卡| 国产乱人视频| 国产淫片久久久久久久久| 国产一级毛片七仙女欲春2| 插阴视频在线观看视频| 身体一侧抽搐| 久久人人爽人人片av| 国产精品,欧美在线| 91狼人影院| 亚洲欧美日韩高清专用| 日本 av在线| 看片在线看免费视频| 亚洲精品久久国产高清桃花| 无遮挡黄片免费观看| 亚洲av成人精品一区久久| 亚洲七黄色美女视频| 精品人妻偷拍中文字幕| 日本在线视频免费播放| 深爱激情五月婷婷| 1000部很黄的大片| 内地一区二区视频在线| 亚洲无线在线观看| 成人特级黄色片久久久久久久| 国产69精品久久久久777片| 亚州av有码| 国产精品国产高清国产av| 非洲黑人性xxxx精品又粗又长| 亚洲一级一片aⅴ在线观看| 欧美人与善性xxx| 成人av在线播放网站| 国产成人91sexporn| 熟妇人妻久久中文字幕3abv| 乱系列少妇在线播放| 日日撸夜夜添| 久久鲁丝午夜福利片| 国产精品一区www在线观看| 丰满的人妻完整版| 国产精品99久久久久久久久| 国产精品一区www在线观看| 久久久久久伊人网av| 久久久久久久久久成人| 精品人妻熟女av久视频| 色综合亚洲欧美另类图片| 91狼人影院| 成人av在线播放网站| 香蕉av资源在线| 亚洲欧美日韩东京热| 在线免费观看不下载黄p国产| 高清日韩中文字幕在线| 少妇熟女aⅴ在线视频| 能在线免费观看的黄片| 久久中文看片网| 婷婷亚洲欧美| 夜夜夜夜夜久久久久| 麻豆国产97在线/欧美| 在线观看免费视频日本深夜| 亚洲av不卡在线观看| 91久久精品国产一区二区三区|