• <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 ?

    基于改進FCN網(wǎng)絡的GOCI綠潮分類研究

    2020-05-28 09:36:21趙尊強陳鑫劉慧芳楊光
    軟件導刊 2020年3期
    關鍵詞:深度學習

    趙尊強 陳鑫 劉慧芳 楊光

    摘 要:為提高GOCI影像中綠潮分類的精度和速度,并克服傳統(tǒng)方法中閾值難以確定的缺點,基于全卷積網(wǎng)絡,提出一種新的網(wǎng)絡結構用于綠潮和海水分類。首先降低全卷積網(wǎng)絡深度,然后加強網(wǎng)絡結構中高層特征與底層特征網(wǎng)絡的鏈接,最后通過Softmax層生成高級語義特征進行最終分類。在GOCI數(shù)據(jù)集上的實驗結果表明,改進的網(wǎng)絡模型可以取得很好的競爭性,召回率、F1系數(shù)和Kappa系數(shù)分別達到83.0%、84.4%和83.7%。與傳統(tǒng)方法相比,基于深度學習模型的GOCI影像綠潮分類,不僅提供了更加詳細的綠潮分布信息,而且縮短了整個綠潮解譯圖制作流程。

    關鍵詞:GOCI;綠潮分類;全卷積網(wǎng)絡;深度學習;綠潮解譯圖

    DOI:10. 11907/rjdk. 192330????????????????????????????????????????????????????????????????? 開放科學(資源服務)標識碼(OSID):

    中圖分類號:TP301 ? 文獻標識碼:A??????????????? 文章編號:1672-7800(2020)003-0069-05

    Greentide Classification for GOCI Based on Improved FCN Network

    ZHAO Zun-qiang,CHEN Xin,LIU Hui-fang,YANG Guang

    (School of Computer Science & Engineering,Shandong University of Science & Technology,Qingdao 266590,China)

    Abstract: In order to improve the accuracy and speed of greentide classification in GOCI images, and to overcome the shortcomings of thresholds in traditional methods, we propose a new network structure for greentide and seawater classification based on a full convolutional network. Firstly, the depth of the full convolutional network is reduced. Secondly, the link between the high-level features of the network structure and the underlying feature network is strengthened. Finally, the generated high-level semantic features are finally classified by the Softmax layer. The experimental results on the GOCI dataset show that the improved network model can achieve good competition, and the recall rate, F1 coefficient and Kappa coefficient reach 83%,84.4% and 83.7%. Compared with the existing traditional methods, the GOCI image greentide classification based on the deep learning model not only provides more detailed greentide distribution information, but also shortens the production process of the entire greentide interpretation map.

    Key Words: GOCI; green tide classification; full convolutional network; deep learning; green tide interpretation map

    0 引言

    在過去的十幾年中,高光譜圖像(HSI)發(fā)揮了重要作用。綠潮(Green Tide)作為一種生存能力和繁殖能力較強的大型藻類[1],其大規(guī)模暴發(fā)對我國近海岸生態(tài)環(huán)境、旅游業(yè)和海洋生產都會造成影響[2]。2008奧運會期間黃海海域爆發(fā)的綠潮,覆蓋面積達到600km2,嚴重影響了第29屆青島國際奧帆賽的順利進行[3]。2010年6月韓國發(fā)射了世界第一顆地球同步軌道海洋水色衛(wèi)星(Geostationary Ocean Color Image,GOCI),每天可提供8景空間分辨率為500m、時間分辨率為1小時的多光譜圖像[4]。由于GOCI影像能覆蓋我國黃海、渤海和東海海域,目前GOCI數(shù)據(jù)已廣泛應用于綠潮的檢測和監(jiān)測[5-6]。

    綠潮分類是東部沿海綠潮監(jiān)測的主要任務。目前基于GOCI影像的綠潮分類方法有兩種:①基于某一植被指數(shù)指標[7-9];②基于特定的遙感圖像處理軟件直接進行特征分類。比值植被指數(shù)(Ratio Vegetation Index,RVI)在1969年首次被提出,之后創(chuàng)新了很多新的植被指數(shù)。如今,歸一化植被指數(shù)(NDVI,Normalized Difference Vegetation Index)和增強型植被指數(shù)(EVI,Enhanced Vegetation Index)廣泛應用于植被檢測。Son等[10]分析了綠潮在不同水質的光譜特點,針對GOCI影像提出了一種浮動綠藻指數(shù)(IGAG,Index of floating Green Algle for GOCI);蔡曉晴等[11]研究了GOCI圖像的主流綠潮探測方法,指出NDVI方法明顯優(yōu)于其它植被指數(shù)且比IGAG更加穩(wěn)定。除了基于某一植被指標外,曾韜等[12]采用監(jiān)督分類的方法結合GIS軟件對青島近海岸進行綠潮分類;潘斌等[13]提出用光譜解混方法對GOCI影像進行綠潮覆蓋面積估計,取得了一定的成果;辛蕾等提出用混合像元分解的方法對綠潮進行精細化提取。以上計算某一指數(shù)的方法需要一定的專業(yè)人士進行閾值選取,如果借助于GIS軟件作監(jiān)督分類,還需要提前設計特征,受限于先驗知識。

    近年基于深度學習的分類研究取得巨大進步,其中也包括遙感圖像分類[14-15],在大規(guī)模數(shù)據(jù)集上的表現(xiàn)往往勝過一些傳統(tǒng)方法。作為機器學習中的一項重要技術,深度學習框架提供了一個實用的學習過程,可以自動將低級特征融合在一起,通過組合低級特征獲得更高級別的特征[16]。例如可以使用傳統(tǒng)的卷積神經網(wǎng)絡(CNN,Convolutional Neural Network)作分類,通過對特征圖不斷進行卷積和池化操作,輸出更加詳細的高級特征。胡等[17]用CNN對高光譜圖像進行分類;牟等[18]利用RNN直接對遙感圖像進行特征提取;陳天華[19]等采用改進的DeepLab網(wǎng)絡,對遙感圖像中的建筑物進行分類,證明該方法對遙感圖像建筑物分類有明顯優(yōu)勢。使用深度學習模型融合GOCI影像低級特征,可以產生更加抽象的高級特征進行最終分類。與傳統(tǒng)方法相比,改進的FCN網(wǎng)絡具有以下優(yōu)點:①不用提前設計特征;②空間信息利用更加充分;③具有良好的遷移能力;④縮短了綠潮分類流程。將深度學習方法應用到綠潮提取與分類領域是一種趨勢。

    1 模型與方法

    1.1 全卷積神經網(wǎng)絡

    2012年Krizhevsky等[20]提出AlexNet網(wǎng)絡,通過droupout方法降低網(wǎng)絡結構中的過擬合問題,在ILSVRC比賽中奪得冠軍,卷積神經網(wǎng)絡從此又受到學術界的普遍關注。之后在AlexNet基礎上誕生了很多經典的網(wǎng)絡模型,例如Simounyan等提出的VGG和Szegedy等[21]提出的GoogleNet,都在不斷創(chuàng)造著新紀錄。2014年Jonathan Long等[22]提出全卷積神經網(wǎng)絡(Fully Convolutional Network,F(xiàn)CN),其將傳統(tǒng)CNN網(wǎng)絡模型的全連接層轉化為卷積層,然后再上采樣原圖像大小,即從圖像級別分類進一步延伸到端到端和像素到像素級別的分類,對輸入圖像的尺寸不再限制。以AlexNet為例,傳統(tǒng)的FCN模型結構如圖1所示,其中包括卷積層、池化層、上采樣層和Softmax分類層。

    卷積層是卷神經網(wǎng)絡的重要組成部分,每個卷積單元的參數(shù)通過反向傳播算法優(yōu)化得到,主要作用是學習和提取有效特征。以FCN卷積層為例,其計算形式可以表示為:

    其中,[l]表示層數(shù),[Xlj]表示第[l]層卷積后第[j]個神經元的輸出,[Xl-1j]代表第[l-1]層卷積后第[i]個神經元的輸出,“[?]”代表卷積操作,[Wlij]表示卷積核,[Blj]表示偏置項。

    池化層又叫下采樣層,獲得更加抽象的特征以提高網(wǎng)絡魯棒性,主要有平均池化和最大池化,其中平均池化計算公式為:

    其中,[n]為局部抽樣窗口大小,[Xl-1j]表示第[i-1]層第[j]個卷積神經元輸出,[Xlj]表示池化后的輸出。

    上采樣層(反卷積)是卷積的逆過程,是一種特殊的卷積。由于經過池化層作用,使得特征圖尺寸和分辨率都會小于原輸入圖像,并且會丟失一部分信息。因此反卷積層的主要作用是恢復到原圖像大小,并且彌補一部分信息丟失問題,最后的上采樣特征圖經過Softmax層再作像素分類。由于FCN采用的是高倍上采樣(雙線性差值8倍、16倍、32倍),導致分類結果不明晰,缺乏輪廓細節(jié),并且在分類過程中每個像素點獨立于周圍的像素點,在通過高倍上采樣時很容易產生大面積孔洞[23]。綠潮有濃度高低之分,部分海水的顏色和低濃度綠潮極為相似,在低分辨率的GOCI影像中,如果直接使用高倍上采樣,很容易把相近區(qū)域的海水誤分為綠潮。

    1.2 改進的FCN模型

    為彌補傳統(tǒng)FCN在GOCI影像中的綠潮分類問題,本文通過改進FCN模型,在分類準確度和速度上都得到一定的提升,改進的模型結構如圖2所示。去掉原來FCN上采樣方式(高倍上采樣),采用反池化代替,主要過程如下:①首先輸入裁切后的[16×16×8]圖像;②經過不斷地卷積池化后輸出特征圖E和特征圖F;③對特征圖E和特征圖F分別進行上采樣,再經過在通道維度上相加融合得到特征圖G;④特征圖G和特征圖A在圖像空間維度上融合,再經過上采樣得到特征圖H;⑤將特征圖H和特征圖B融合并且上采樣后得到特征圖I;⑥最后得到的特征圖經過argmax層進行最終分類。為了彌補池化后信息丟失問題,步驟③、步驟④和步驟⑤分別在通道和空間維度上作進一步融合,以保證整個網(wǎng)絡能獲取更加完整的全局上下文信息,緩解FCN在綠潮分類邊緣不清晰和局部嚴重分類錯誤的問題。其中主要包括6個卷積層、4個上采樣層和1個分類層,卷積核大小均為3×3。

    1.3 反池化

    反池化主要包括反最大池化和反平均池化。反最大池化的前提是網(wǎng)絡需要記住池化前各元素的相對位置(池化過程中記錄最大激活值的坐標位置),其主要操作是在非相對位置處填充0,這樣會丟失大部分信息。針對特定的GOCI圖像和綠潮大面積分布不均的特點,上采樣方式主要利用反平均池化,其主要原理是平均填充,如圖3所示,這樣盡可能保全整體綠潮分布信息,避免在特征圖像上直接進行多倍反卷積(上采樣)而帶來的大面積預測錯誤問題。

    1.4 通道融合塊

    對于多波段遙感圖像,各個波段并不是獨立存在而是密切相關的,不同波段間假彩色組合會展現(xiàn)出各種地物分布,所以有效提取和利用遙感圖像的多波段信息,對于地物分類非常重要,這也是遙感學界普遍關注的焦點。為防止空間信息過多丟失,本文除采用反池化方式外,還在特征圖融合時添加了特定的通道融合塊,即通過卷積輸出的特征圖進一步在通道上融合,這樣就有效利用了GOCI圖像8個波段的信息,進一步加強了整體信息的融合,提高了模型健壯性,具體流程如圖4所示。

    2 實驗

    2.1 實驗數(shù)據(jù)集

    本文研究區(qū)域主要為我國東部沿海綠潮暴發(fā)嚴重的黃海和山東半島區(qū)域,32°N~37°N,119°E~124°E。確定研究區(qū)域后在韓國GOCI官網(wǎng)下載2011-2017年的影像,然后選取少云并且清晰的影像作為本文數(shù)據(jù)集。

    數(shù)據(jù)集處理流程包括陸地掩膜、目標區(qū)域選取和標注標簽。ENVI作為遙感圖像主要的處理軟件之一,前兩部分主要借助ENVI工具,然后手動標注標簽,最后再批量把圖像以及對應的標簽裁切成小圖片輸入到模型,如圖5所示,每張小圖片大小為[16×16]。數(shù)據(jù)集分為訓練集、驗證集和測試集,具體分布、大小和數(shù)量如表1所示。

    2.2 模型訓練

    本文實驗均采用Keras框架實現(xiàn),在NVIDIA K80上訓練100次,使用Adam作為優(yōu)化器,其中學習率為?? 0.000 1,batch size設置為2,采用交叉驗證方式訓練,即90%的樣本用于訓練,10%的樣本用于驗證。上采樣方式均采用最鄰近插值算法代替原來的反卷積,參數(shù)padding設為same,strides設為1。

    2.3 評價方法

    基于卷積神經網(wǎng)絡的圖像分類,主要是對圖像進行像素級分類,即對圖像的每個像素點進行分類。對綠潮分類的性能評估方法主要有準確率(P)、召回率(R)和F1分數(shù)(F1),分類結果如表2所示。

    其中Lable為圖像標簽,Predict為分類結果,每個像素點對應一個值,數(shù)字1表示為綠潮,數(shù)字0表示為非綠潮。每個指標計算如下:

    式中,TP、FN、FP、TN分別表示真正例、假反例、假正例和真反例。

    2.4 實驗結果

    傳統(tǒng)方法雖然流程繁瑣,但在專業(yè)人士參與下也會得到令人滿意的結果,例如傳統(tǒng)的NDVI和SVM等都是比較流行的綠潮提取方法。因此將這兩種傳統(tǒng)方法進行對比,如圖6所示。

    由圖6及表3提供的數(shù)據(jù)可以清晰地發(fā)現(xiàn),傳統(tǒng)RVI、EVI、IGAG、SVM和NDVI算法在綠潮海水分類方面確實有一定的表現(xiàn)能力,但主要是借助了大量先驗知識和必要的專業(yè)人士參與。其中,RVI和IGAG算法借助近紅外和紅光波段間的比值,但沒有考慮到其它波段帶來的影響和空間上的聯(lián)系,要提高分類準確度需要添加更多先驗信息以彌補空間上的不足;EVI增強算法雖然在波段間增加了影響因子等參數(shù),但由于GOCI圖像的差異性,難以確定一個有效的參數(shù)標準。為了提高精度,SVM分類要提前設計大量特征,并在NDVI算法后期通過不斷試驗找到合適的閾值。對比傳統(tǒng)方法,基于深度學習的方法成功避免了以上參數(shù)難以確定的問題。但在使用傳統(tǒng)FCN時,由于上采樣采用的是高倍上采樣(雙線性插值),結果在輪廓和局部有大量海水或陸地被錯分類為綠潮。由圖4的FCN結果顯示,綜合以上問題以及綠潮影像自身的特點(沒有明顯的輪廓細節(jié)),改進的FCN模型更加適合綠潮海水分類。

    為了驗證模型的普遍適用性,對2014、2017、2018和2019年比較清晰的GOCI圖像進行驗證,實驗結果如圖7所示。通過預測圖像和真值圖對比可以清晰地發(fā)現(xiàn),改進后的模型預測結果實用性更高,能制作比較清晰的綠潮解譯圖,滿足相關部門對綠潮進一步監(jiān)測的需求。

    對不同年份的GOCI圖像預測準確性進行評估,如表4所示,4幅圖像的Kappa系數(shù)平均在83%左右,說明模型穩(wěn)定性良好。

    由于傳統(tǒng)方法注入了大量先驗知識,且整個業(yè)務流程主要由相關專業(yè)人士參與,所以只計算了模型改進前和改進后單張圖片的測試時間。通過表5可以看出,改進后的FCN模型在單張圖片訓練速度上,比改進前的FCN模型有所提升。實驗表明,改進后的FCNS模型優(yōu)于改進前的FCN模型,更加適合本文的GOCI數(shù)據(jù)集。

    3 結語

    本文使用深度學習方法,在全卷積網(wǎng)絡基礎上加以進一步改進。經過在自建的綠潮數(shù)據(jù)集上訓練和調試,對GOCI影像中的綠潮和海水進行分類,提升了綠潮分類速度和精度。與NDVI、SVM等傳統(tǒng)方法相比,不用花費大量時間提前選取閾值和標記樣本,縮短了原有基于GOCI影像的綠潮解譯圖制作流程,在召回率、F1系數(shù)、Kappa系數(shù)方面優(yōu)于改進前的方法。但本文方法在細微邊緣部分仍存在一定的誤差,整個網(wǎng)絡模型仍有改進空間。今后將進一步優(yōu)化模型,滿足相關業(yè)務部門需求。

    參考文獻:

    [1]NELSON T A, LEE D J, SMITH B C. Are "green tides" harmful algal blooms?toxic properties of water-soluble extracts from two bloom-forming macroalgae, ulva fenestrata and ulvaria obscura (Ulvophyceae)[J]. Journal of Phycology, 2003, 39(5): 874-879.

    [2]BLOMSTER J, B?CK S, FEWER D P, et al. Novel morphology in enteromorpha (ulvophyceae) forming green tides[J]. American Journal of Botany, 2002, 89(11): 1756-1763.

    [3]HU C, HE M X. Origin and offshore extent of floating algae in olympic sailing area[J]. Eos, Transactions American Geophysical Union, 2008, 89(33): 302-303.

    [4]RYU J H, HAN H J, CHO S, et al. Overview of geostationary ocean color imager (GOCI) and GOCI data processing system (GDPS)[J]. Ocean Science Journal, 2012, 47(3): 223-233.

    [5]SON Y B, MIN J E, RYU J H. Detecting massive green algae (ulva prolifera) blooms in the yellow sea and east china sea using geostationary ocean color imager (GOCI) data[J]. Ocean Science Journal, 2012, 47(3): 359-375.

    [6]LOU X, HU C. Diurnal changes of a harmful algal bloom in the east china sea: observations from GOCI[J]. Remote Sensing of Environment, 2014(140): 562-572.

    [7]HU C, LI D, CHEN C, et al. On the recurrent ulva prolifera blooms in the yellow sea and east china sea[J]. Journal of Geophysical Research: Oceans, 2010, 115(C5):1321-1330.

    [8]SHANMUGAM P, AHN Y H, SANJEEVI S. A comparison of the classification of wetland characteristics by linear spectral mixture modelling and traditional hard classifiers on multispectral remotely sensed imagery in southern India[J]. Ecological Modelling,2006,194(4): 379-394.

    [9]SHANMUGAM P, SURESH M, SUNDARABALAN B. OSABT: an innovative algorithm to detect and characterize ocean surface algal blooms[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2012, 6(4): 1879-1892.

    [10]SON Y B, CHOI B J, KIM Y H, et al. Tracing floating green algae blooms in the yellow sea and the east China sea using GOCI satellite data and Lagrangian transport simulations[J]. Remote Sensing of Environment, 2015(156): 21-33.

    [11]蔡曉晴. 基于靜止軌道海洋水色衛(wèi)星數(shù)據(jù)的綠潮遙感探測方法和逐時變化特征研究[D]. 青島:中國海洋大學, 2014.

    [12]曾韜, 劉建強. “北京一號” 小衛(wèi)星在青島近海滸苔災害監(jiān)測中的應用[J]. 遙感信息, 2009(3): 34-37.

    [13]PAN B,SHI Z,AN Z, et al. A novel spectral-unmixing-based green algae area estimation method for GOCI data[J]. IEEE Journal of Selected Topics in Applied Earth Observations and Remote Sensing, 2016, 10(2): 437-449.

    [14]ZHU X, TUIA D, MOU L, et al. Deep learning in remote sensing: a comprehensive review and list of resources[J]. IEEE Geoscience and Remote Sensing Magazine, 2017, 5(4): 8-36.

    [15]MOU L, BRUZZONE L, ZHU X. Learning spectral-spatial-temporal features via a recurrent convolutional neural network for change detection in multispectral imagery[J]. IEEE Transactions on Geoscience and Remote Sensing, 2018, 57(2): 924-935.

    [16]孫志軍,薛磊. 深度學習研究綜述[J]. 計算機應用研究, 2012, 29(8):2806-2810.

    [17]HU F, XIA G, HU J, et al. Transferring deep convolutional neural networks for the scene classification of high-resolution remote sensing imagery[J]. Remote Sensing, 2015, 7(11): 14680-14707.

    [18]MOU L, GHAMISI P, XIAO X Z. Deep recurrent neural networks for hyperspectral image classification[J]. IEEE Transactions on Geoscience & Remote Sensing, 2017, 55(7):1-17.

    [19]陳天華, 鄭司群,于峻川. 采用改進DeepLab網(wǎng)絡的遙感圖像分割[J]. 測控技術, 2018, 37(11):40-45.

    [20]SIMONYAN K, ZISSERMAN A. Very deep convolutional networks for large-scale image recognition[C]. International Conference on Learning Representations,2015:1-14.

    [21]SZEGEDY C, LIU W, JIA Y, et al. Going deeper with convolutions[C]. Proceedings of the IEEE conference on computer vision and pattern recognition,2015: 1-9.

    [22]LONG J, SHELHAMER E, DARRELL T. Fully convolutional networks for semantic segmentation[C].Proceedings of the IEEE conference on computer vision and pattern recognition,2015: 3431-3440.

    [23]楊朔,陳麗芳,石瑀. 基于深度生成式對抗網(wǎng)絡的藍藻語義分割[J]. 計算機應用,2018,38(6):1554-1561.

    (責任編輯:杜能鋼)

    收稿日期:2019-09-20

    作者簡介:趙尊強(1991-),男,山東科技大學計算機科學與工程學院碩士研究生,研究方向為云計算與大數(shù)據(jù)處理、機器學習;陳鑫(1996-),男,山東科技大學計算機科學與工程學院碩士研究生,研究方向為智能信息處理、機器學習;劉慧芳(1995-),女,山東科技大學計算機科學與工程學院碩士研究生,研究方向為智能信息處理、機器學習;楊光(1995-),男,山東科技大學計算機科學與工程學院碩士研究生,研究方向為智能信息處理、機器學習。本文通訊作者:趙尊強。

    猜你喜歡
    深度學習
    從合坐走向合學:淺議新學習模式的構建
    面向大數(shù)據(jù)遠程開放實驗平臺構建研究
    基于自動智能分類器的圖書館亂架圖書檢測
    搭建深度學習的三級階梯
    有體驗的學習才是有意義的學習
    電子商務中基于深度學習的虛假交易識別研究
    利用網(wǎng)絡技術促進學生深度學習的幾大策略
    考試周刊(2016年94期)2016-12-12 12:15:04
    MOOC與翻轉課堂融合的深度學習場域建構
    大數(shù)據(jù)技術在反恐怖主義中的應用展望
    深度學習算法應用于巖石圖像處理的可行性研究
    軟件導刊(2016年9期)2016-11-07 22:20:49
    国产精品偷伦视频观看了| 成年女人毛片免费观看观看9 | 国产精品久久电影中文字幕 | 黄网站色视频无遮挡免费观看| 一级黄色大片毛片| 国产亚洲精品久久久久久毛片 | 三级毛片av免费| 我的亚洲天堂| 在线观看66精品国产| 午夜福利欧美成人| 午夜福利在线免费观看网站| 一区在线观看完整版| 国产成人av教育| 99热网站在线观看| 国产精品久久电影中文字幕 | 亚洲熟妇熟女久久| tube8黄色片| 精品视频人人做人人爽| 99久久人妻综合| 少妇 在线观看| 国产欧美日韩一区二区三区在线| 波多野结衣av一区二区av| 男女床上黄色一级片免费看| 天天操日日干夜夜撸| 美女 人体艺术 gogo| 欧美国产精品一级二级三级| 日本vs欧美在线观看视频| 免费看十八禁软件| 麻豆国产av国片精品| 少妇的丰满在线观看| 大片电影免费在线观看免费| 王馨瑶露胸无遮挡在线观看| 不卡一级毛片| 黄色女人牲交| 狠狠婷婷综合久久久久久88av| 日韩大码丰满熟妇| 极品人妻少妇av视频| 欧美成狂野欧美在线观看| 午夜精品久久久久久毛片777| 桃红色精品国产亚洲av| 国产麻豆69| 国产精品久久电影中文字幕 | 国产精品乱码一区二三区的特点 | 亚洲欧美激情综合另类| www.熟女人妻精品国产| 精品久久久精品久久久| 伦理电影免费视频| 岛国毛片在线播放| 精品国产一区二区三区四区第35| 午夜久久久在线观看| 国产精品美女特级片免费视频播放器 | 老司机福利观看| 日韩视频一区二区在线观看| 一二三四社区在线视频社区8| 精品亚洲成国产av| 欧美老熟妇乱子伦牲交| 男女免费视频国产| 日本一区二区免费在线视频| 中出人妻视频一区二区| 中文字幕色久视频| 一边摸一边抽搐一进一小说 | 日韩欧美免费精品| 在线永久观看黄色视频| tube8黄色片| 亚洲美女黄片视频| 国产高清视频在线播放一区| 老熟女久久久| 午夜福利一区二区在线看| 在线永久观看黄色视频| 精品人妻熟女毛片av久久网站| 国产精品影院久久| 丰满的人妻完整版| 国产免费现黄频在线看| 亚洲国产精品一区二区三区在线| 亚洲色图 男人天堂 中文字幕| 很黄的视频免费| 高清在线国产一区| 在线观看免费高清a一片| 欧美不卡视频在线免费观看 | 亚洲中文日韩欧美视频| 亚洲熟女毛片儿| 妹子高潮喷水视频| 亚洲精品久久成人aⅴ小说| 大香蕉久久网| 欧美日韩av久久| 麻豆乱淫一区二区| 亚洲av成人不卡在线观看播放网| 成人国产一区最新在线观看| 亚洲成人免费av在线播放| 国产精品香港三级国产av潘金莲| 久久久久精品人妻al黑| 搡老岳熟女国产| 久久亚洲精品不卡| 国内毛片毛片毛片毛片毛片| 99精品久久久久人妻精品| 亚洲欧美日韩高清在线视频| 午夜福利影视在线免费观看| 亚洲精品中文字幕在线视频| 国产真人三级小视频在线观看| 成年人免费黄色播放视频| 亚洲aⅴ乱码一区二区在线播放 | 不卡一级毛片| 精品国产亚洲在线| 久久国产乱子伦精品免费另类| 成年人免费黄色播放视频| 中国美女看黄片| 久久久久国产一级毛片高清牌| 人人澡人人妻人| 欧美不卡视频在线免费观看 | 国产一区二区三区视频了| 美女午夜性视频免费| 成年人免费黄色播放视频| 亚洲一区二区三区欧美精品| 久久精品国产99精品国产亚洲性色 | 久热爱精品视频在线9| 国产日韩欧美亚洲二区| 亚洲视频免费观看视频| 老司机影院毛片| 男人操女人黄网站| svipshipincom国产片| 美国免费a级毛片| 国产精品综合久久久久久久免费 | 国产aⅴ精品一区二区三区波| 高清欧美精品videossex| 午夜精品国产一区二区电影| 久久天堂一区二区三区四区| 亚洲七黄色美女视频| 一进一出抽搐动态| 国产在线精品亚洲第一网站| 成年人午夜在线观看视频| 99久久人妻综合| 国产一区二区三区综合在线观看| 这个男人来自地球电影免费观看| 大码成人一级视频| 9191精品国产免费久久| 好男人电影高清在线观看| 国产一区二区三区综合在线观看| 18禁国产床啪视频网站| 交换朋友夫妻互换小说| 成年女人毛片免费观看观看9 | 国产深夜福利视频在线观看| 99热只有精品国产| 18在线观看网站| 中文字幕色久视频| 亚洲在线自拍视频| www日本在线高清视频| 亚洲精品中文字幕在线视频| 欧美午夜高清在线| 午夜亚洲福利在线播放| 久99久视频精品免费| 久久香蕉激情| 美女福利国产在线| 好男人电影高清在线观看| 宅男免费午夜| 日本a在线网址| 日韩一卡2卡3卡4卡2021年| 久久影院123| 国产精品一区二区精品视频观看| av线在线观看网站| 午夜福利,免费看| 一级片免费观看大全| 可以免费在线观看a视频的电影网站| 黑人操中国人逼视频| 日韩制服丝袜自拍偷拍| 国产欧美亚洲国产| 99久久精品国产亚洲精品| 老司机深夜福利视频在线观看| 久久久国产欧美日韩av| 久久久久精品人妻al黑| 亚洲国产中文字幕在线视频| 免费在线观看影片大全网站| 交换朋友夫妻互换小说| 99久久99久久久精品蜜桃| 午夜福利欧美成人| 久久这里只有精品19| 久久久久国产精品人妻aⅴ院 | 国产成人精品久久二区二区免费| 午夜免费观看网址| 久久久国产成人精品二区 | 久久中文看片网| 女警被强在线播放| 午夜两性在线视频| 最近最新中文字幕大全免费视频| 看片在线看免费视频| 免费少妇av软件| 桃红色精品国产亚洲av| 亚洲国产精品合色在线| 国产一区二区激情短视频| 久久久国产一区二区| 身体一侧抽搐| 国产精品久久视频播放| 美国免费a级毛片| 国产一卡二卡三卡精品| 成年女人毛片免费观看观看9 | av超薄肉色丝袜交足视频| 亚洲 欧美一区二区三区| 欧美在线黄色| 日本一区二区免费在线视频| 在线观看66精品国产| 90打野战视频偷拍视频| 久久久久久久久免费视频了| 国产成人系列免费观看| 亚洲五月天丁香| 国产高清videossex| av电影中文网址| 亚洲成人免费电影在线观看| 久久天堂一区二区三区四区| 亚洲五月婷婷丁香| xxx96com| 久久精品亚洲熟妇少妇任你| 国产不卡一卡二| cao死你这个sao货| 欧美精品av麻豆av| 亚洲五月色婷婷综合| 欧美精品高潮呻吟av久久| 久久久国产精品麻豆| 99热国产这里只有精品6| 一级毛片女人18水好多| 精品一区二区三区视频在线观看免费 | 国产人伦9x9x在线观看| 亚洲一区二区三区不卡视频| 国产野战对白在线观看| 国产有黄有色有爽视频| 中文字幕色久视频| 亚洲午夜精品一区,二区,三区| 国产淫语在线视频| 亚洲五月天丁香| 搡老乐熟女国产| 亚洲精品中文字幕在线视频| 在线天堂中文资源库| 18禁黄网站禁片午夜丰满| 欧美日韩国产mv在线观看视频| 免费黄频网站在线观看国产| 亚洲黑人精品在线| 高清在线国产一区| av线在线观看网站| 午夜精品久久久久久毛片777| 欧美不卡视频在线免费观看 | x7x7x7水蜜桃| 亚洲国产欧美日韩在线播放| 久久精品91无色码中文字幕| 无限看片的www在线观看| 一二三四社区在线视频社区8| 久久久久久亚洲精品国产蜜桃av| 伊人久久大香线蕉亚洲五| 久久精品91无色码中文字幕| 美国免费a级毛片| 一二三四社区在线视频社区8| 国产亚洲欧美精品永久| 自线自在国产av| 桃红色精品国产亚洲av| 欧美乱色亚洲激情| 亚洲精品粉嫩美女一区| 高潮久久久久久久久久久不卡| 欧美在线黄色| 女人被狂操c到高潮| 一进一出抽搐gif免费好疼 | 校园春色视频在线观看| 精品亚洲成a人片在线观看| 久久性视频一级片| 麻豆成人av在线观看| 免费女性裸体啪啪无遮挡网站| xxxhd国产人妻xxx| 热99久久久久精品小说推荐| 自拍欧美九色日韩亚洲蝌蚪91| 午夜视频精品福利| 视频区欧美日本亚洲| 男人操女人黄网站| 制服人妻中文乱码| 精品人妻在线不人妻| 欧美激情高清一区二区三区| 91麻豆av在线| 亚洲欧美激情在线| 亚洲男人天堂网一区| 两性夫妻黄色片| av国产精品久久久久影院| 麻豆乱淫一区二区| 亚洲精品美女久久av网站| 久9热在线精品视频| 一区二区三区国产精品乱码| 国产野战对白在线观看| 男女下面插进去视频免费观看| 正在播放国产对白刺激| 激情视频va一区二区三区| av有码第一页| 久久精品国产99精品国产亚洲性色 | 婷婷精品国产亚洲av在线 | 999精品在线视频| 啪啪无遮挡十八禁网站| 女性被躁到高潮视频| 国产成人精品在线电影| 亚洲中文日韩欧美视频| 女人久久www免费人成看片| 黑人欧美特级aaaaaa片| 亚洲第一青青草原| 欧美日韩亚洲国产一区二区在线观看 | 人人妻人人澡人人爽人人夜夜| xxx96com| 国产不卡av网站在线观看| 在线av久久热| av中文乱码字幕在线| 中文欧美无线码| 变态另类成人亚洲欧美熟女 | 黄色视频,在线免费观看| 人妻丰满熟妇av一区二区三区 | 女人精品久久久久毛片| 18禁观看日本| 精品熟女少妇八av免费久了| 动漫黄色视频在线观看| 超色免费av| 国产乱人伦免费视频| 免费观看人在逋| 在线观看免费高清a一片| 午夜免费观看网址| 久久久国产成人精品二区 | 亚洲人成伊人成综合网2020| 90打野战视频偷拍视频| 少妇的丰满在线观看| 亚洲中文日韩欧美视频| 日韩欧美一区二区三区在线观看 | 丁香六月欧美| 国产一区有黄有色的免费视频| 久久天躁狠狠躁夜夜2o2o| 伦理电影免费视频| 看片在线看免费视频| 亚洲美女黄片视频| 国产欧美亚洲国产| 91大片在线观看| 国产一区在线观看成人免费| 香蕉国产在线看| 黄片播放在线免费| 涩涩av久久男人的天堂| 一区在线观看完整版| 国产精品国产高清国产av | 婷婷丁香在线五月| 亚洲精品中文字幕在线视频| 极品教师在线免费播放| 丰满迷人的少妇在线观看| 亚洲伊人色综图| 久久精品成人免费网站| 真人做人爱边吃奶动态| 国产主播在线观看一区二区| 国产欧美日韩综合在线一区二区| 日韩免费高清中文字幕av| 99热只有精品国产| 久久久久久亚洲精品国产蜜桃av| 久久香蕉精品热| 叶爱在线成人免费视频播放| 国产高清videossex| 日韩成人在线观看一区二区三区| 亚洲色图 男人天堂 中文字幕| 色老头精品视频在线观看| 国产精品自产拍在线观看55亚洲 | 91成人精品电影| 18禁裸乳无遮挡免费网站照片 | 一本综合久久免费| 1024香蕉在线观看| 精品久久久久久电影网| 变态另类成人亚洲欧美熟女 | 久久久久久久国产电影| 国产精品久久久久久人妻精品电影| 人人妻人人添人人爽欧美一区卜| 国产一区在线观看成人免费| 精品熟女少妇八av免费久了| 午夜激情av网站| 国产亚洲欧美在线一区二区| 欧美另类亚洲清纯唯美| 日韩制服丝袜自拍偷拍| 久久久久国内视频| 精品久久久精品久久久| 亚洲精品美女久久久久99蜜臀| 高清av免费在线| 精品电影一区二区在线| 在线观看午夜福利视频| 又黄又粗又硬又大视频| 亚洲久久久国产精品| 亚洲精品国产一区二区精华液| 乱人伦中国视频| 无人区码免费观看不卡| 色在线成人网| 婷婷丁香在线五月| 国产免费av片在线观看野外av| 成人18禁在线播放| 欧美黑人欧美精品刺激| 中文字幕av电影在线播放| 女人久久www免费人成看片| 成人精品一区二区免费| 俄罗斯特黄特色一大片| 久久久久国产精品人妻aⅴ院 | 久久婷婷成人综合色麻豆| 亚洲色图 男人天堂 中文字幕| 美女视频免费永久观看网站| 操出白浆在线播放| 国产亚洲精品第一综合不卡| 91麻豆av在线| 他把我摸到了高潮在线观看| 夜夜躁狠狠躁天天躁| 国产欧美日韩精品亚洲av| 免费在线观看日本一区| 久久国产精品大桥未久av| 亚洲一区二区三区不卡视频| 天天操日日干夜夜撸| 一边摸一边抽搐一进一出视频| 一级片免费观看大全| 国产精品亚洲一级av第二区| 69精品国产乱码久久久| av中文乱码字幕在线| 久久久久视频综合| 午夜福利一区二区在线看| 91大片在线观看| 91精品三级在线观看| 亚洲精品久久午夜乱码| 午夜福利一区二区在线看| 久久精品国产99精品国产亚洲性色 | 久久久久久人人人人人| 亚洲av电影在线进入| 在线播放国产精品三级| 亚洲美女黄片视频| 欧美日韩一级在线毛片| 国产精品免费视频内射| 中文字幕人妻丝袜制服| 国产精品电影一区二区三区 | 国产精品永久免费网站| 日韩成人在线观看一区二区三区| 女警被强在线播放| 日本黄色视频三级网站网址 | 激情在线观看视频在线高清 | 国产成+人综合+亚洲专区| 亚洲中文av在线| 人人澡人人妻人| 黄色女人牲交| 老司机福利观看| 亚洲av成人不卡在线观看播放网| 国产av又大| 日本黄色视频三级网站网址 | 亚洲精品成人av观看孕妇| 午夜福利,免费看| av片东京热男人的天堂| 一区二区三区激情视频| 亚洲av欧美aⅴ国产| 女性被躁到高潮视频| 涩涩av久久男人的天堂| 欧美不卡视频在线免费观看 | 超碰97精品在线观看| 一进一出抽搐gif免费好疼 | 亚洲国产欧美一区二区综合| 亚洲国产欧美网| 一二三四社区在线视频社区8| 国产片内射在线| 一区福利在线观看| 日本vs欧美在线观看视频| 丁香欧美五月| 欧美中文综合在线视频| 亚洲熟妇中文字幕五十中出 | 午夜影院日韩av| 国产精品久久电影中文字幕 | 多毛熟女@视频| 美女高潮喷水抽搐中文字幕| 男男h啪啪无遮挡| 中文字幕另类日韩欧美亚洲嫩草| 少妇 在线观看| 亚洲熟女精品中文字幕| 男女午夜视频在线观看| 午夜成年电影在线免费观看| 国产欧美日韩精品亚洲av| 免费一级毛片在线播放高清视频 | 国产三级黄色录像| 欧美 亚洲 国产 日韩一| 电影成人av| 欧美亚洲日本最大视频资源| 久久久久久亚洲精品国产蜜桃av| 人妻 亚洲 视频| 人人澡人人妻人| 久久国产精品大桥未久av| 一边摸一边抽搐一进一出视频| 国产精华一区二区三区| 婷婷精品国产亚洲av在线 | 在线观看免费视频网站a站| 免费不卡黄色视频| 国产精品影院久久| 99re在线观看精品视频| 欧美日韩成人在线一区二区| 一区二区三区激情视频| 中文字幕人妻丝袜制服| 天天躁日日躁夜夜躁夜夜| 99国产综合亚洲精品| av电影中文网址| 久久人妻福利社区极品人妻图片| 男男h啪啪无遮挡| 91麻豆精品激情在线观看国产 | 日韩欧美一区视频在线观看| 精品久久蜜臀av无| 天天影视国产精品| 午夜老司机福利片| 天天躁夜夜躁狠狠躁躁| 18禁黄网站禁片午夜丰满| 欧美 日韩 精品 国产| 青草久久国产| 建设人人有责人人尽责人人享有的| 在线观看午夜福利视频| 亚洲色图av天堂| 最近最新中文字幕大全免费视频| 国产免费男女视频| 午夜亚洲福利在线播放| 欧美人与性动交α欧美软件| 黄色视频,在线免费观看| 韩国av一区二区三区四区| 成在线人永久免费视频| 一本综合久久免费| 午夜亚洲福利在线播放| av不卡在线播放| 国产成人精品久久二区二区91| 亚洲欧美一区二区三区久久| 90打野战视频偷拍视频| 亚洲欧美一区二区三区久久| 叶爱在线成人免费视频播放| 中文字幕高清在线视频| 90打野战视频偷拍视频| 欧美日韩国产mv在线观看视频| 极品教师在线免费播放| 亚洲国产欧美网| 久久人妻福利社区极品人妻图片| 搡老熟女国产l中国老女人| 日韩视频一区二区在线观看| 在线观看舔阴道视频| 国产男女超爽视频在线观看| 好看av亚洲va欧美ⅴa在| 欧美激情高清一区二区三区| 欧美乱码精品一区二区三区| 国产三级黄色录像| 成年人午夜在线观看视频| 久9热在线精品视频| 啦啦啦免费观看视频1| 一级毛片女人18水好多| 高清黄色对白视频在线免费看| 黄色 视频免费看| 女人被狂操c到高潮| 美女高潮喷水抽搐中文字幕| 两性午夜刺激爽爽歪歪视频在线观看 | 国产精品偷伦视频观看了| 男女午夜视频在线观看| 9色porny在线观看| 欧美激情高清一区二区三区| 妹子高潮喷水视频| 久久久国产成人精品二区 | 久久香蕉激情| 国产精品香港三级国产av潘金莲| 黄色毛片三级朝国网站| 久久天躁狠狠躁夜夜2o2o| 国产精品影院久久| 国产aⅴ精品一区二区三区波| 俄罗斯特黄特色一大片| 妹子高潮喷水视频| 人妻久久中文字幕网| 日韩三级视频一区二区三区| 激情在线观看视频在线高清 | 老熟妇仑乱视频hdxx| 国产麻豆69| 一级a爱片免费观看的视频| 成熟少妇高潮喷水视频| 女人久久www免费人成看片| 91大片在线观看| 亚洲av日韩精品久久久久久密| 亚洲成人手机| 少妇裸体淫交视频免费看高清 | 热99久久久久精品小说推荐| 99香蕉大伊视频| 黄色 视频免费看| 中亚洲国语对白在线视频| 国产1区2区3区精品| 国产三级黄色录像| netflix在线观看网站| 老司机影院毛片| 91九色精品人成在线观看| 最近最新中文字幕大全免费视频| 怎么达到女性高潮| 日韩欧美一区二区三区在线观看 | 亚洲专区字幕在线| 欧美日韩亚洲综合一区二区三区_| 香蕉久久夜色| 亚洲aⅴ乱码一区二区在线播放 | 制服人妻中文乱码| 99精品欧美一区二区三区四区| 看片在线看免费视频| 久久99一区二区三区| 9热在线视频观看99| 高清毛片免费观看视频网站 | 9热在线视频观看99| 国产精华一区二区三区| 欧美+亚洲+日韩+国产| 国产单亲对白刺激| 两个人免费观看高清视频| 久久久久久久久免费视频了| 国产三级黄色录像| 国产成+人综合+亚洲专区| 51午夜福利影视在线观看| 女同久久另类99精品国产91| 91国产中文字幕| 天天躁夜夜躁狠狠躁躁| 国产成人一区二区三区免费视频网站| 亚洲精品在线观看二区| 两人在一起打扑克的视频| 美女午夜性视频免费| 丰满人妻熟妇乱又伦精品不卡| 黄色视频不卡| 超碰成人久久| 久久亚洲真实| 亚洲精品成人av观看孕妇| 国产精华一区二区三区| 亚洲va日本ⅴa欧美va伊人久久| 亚洲精华国产精华精| 亚洲欧美激情在线| 成人黄色视频免费在线看| 国产在线一区二区三区精| 自拍欧美九色日韩亚洲蝌蚪91|