• <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
    亚洲av成人av| 亚洲av中文字字幕乱码综合| 蜜桃久久精品国产亚洲av| 久久久久久久久中文| 欧美日韩精品网址| 女人高潮潮喷娇喘18禁视频| 国产成人福利小说| 性色av乱码一区二区三区2| 日本一二三区视频观看| 在线看三级毛片| 99热这里只有是精品50| 欧美高清成人免费视频www| 亚洲精品一卡2卡三卡4卡5卡| 村上凉子中文字幕在线| 波多野结衣高清作品| 亚洲aⅴ乱码一区二区在线播放| 狂野欧美白嫩少妇大欣赏| 高清在线国产一区| 麻豆成人av在线观看| 啦啦啦免费观看视频1| 视频区欧美日本亚洲| 免费观看的影片在线观看| 欧美中文综合在线视频| 天堂网av新在线| 国产成人av激情在线播放| 日本一本二区三区精品| 精品久久久久久久末码| 欧美日韩福利视频一区二区| 久久九九热精品免费| 欧美成狂野欧美在线观看| 色精品久久人妻99蜜桃| 成年人黄色毛片网站| 一进一出抽搐动态| 亚洲人与动物交配视频| 成人鲁丝片一二三区免费| 精品久久久久久成人av| 久久人妻av系列| 麻豆一二三区av精品| 欧美精品啪啪一区二区三区| 亚洲熟女毛片儿| 伊人久久大香线蕉亚洲五| 成人三级黄色视频| 1024香蕉在线观看| 一本久久中文字幕| 精品一区二区三区av网在线观看| 免费在线观看影片大全网站| 一二三四社区在线视频社区8| 国产精华一区二区三区| 夜夜躁狠狠躁天天躁| 一级黄色大片毛片| 久久中文看片网| 久久精品91无色码中文字幕| 精品久久久久久久久久久久久| 色老头精品视频在线观看| 亚洲真实伦在线观看| 日本熟妇午夜| 色吧在线观看| 国产三级在线视频| 国产不卡一卡二| 男人舔女人下体高潮全视频| 五月玫瑰六月丁香| 国产精品日韩av在线免费观看| 亚洲国产欧美人成| 99在线人妻在线中文字幕| 90打野战视频偷拍视频| 叶爱在线成人免费视频播放| 毛片女人毛片| 99热6这里只有精品| 欧美日韩亚洲国产一区二区在线观看| 高潮久久久久久久久久久不卡| 黑人操中国人逼视频| 成人永久免费在线观看视频| 国产乱人伦免费视频| 午夜福利高清视频| 美女免费视频网站| 欧美一区二区国产精品久久精品| 欧美xxxx黑人xx丫x性爽| 18禁黄网站禁片午夜丰满| www.精华液| 亚洲专区字幕在线| av在线蜜桃| 啦啦啦免费观看视频1| 一二三四社区在线视频社区8| 岛国在线免费视频观看| 久久午夜亚洲精品久久| 在线观看午夜福利视频| 国产亚洲欧美98| 最近最新中文字幕大全电影3| 亚洲在线自拍视频| 成人18禁在线播放| 精品久久久久久久人妻蜜臀av| 无限看片的www在线观看| 成人国产综合亚洲| 精品国产超薄肉色丝袜足j| 日本与韩国留学比较| av中文乱码字幕在线| 国产精品综合久久久久久久免费| 国产三级在线视频| 国产私拍福利视频在线观看| 麻豆国产av国片精品| 脱女人内裤的视频| av天堂在线播放| 欧美性猛交╳xxx乱大交人| 免费在线观看亚洲国产| 精品久久久久久久人妻蜜臀av| 亚洲 国产 在线| 亚洲精品国产精品久久久不卡| 嫁个100分男人电影在线观看| 亚洲人成网站高清观看| 午夜免费成人在线视频| 欧美一区二区国产精品久久精品| 99久国产av精品| 亚洲色图av天堂| 一a级毛片在线观看| 成人特级av手机在线观看| 亚洲午夜精品一区,二区,三区| www国产在线视频色| 熟女人妻精品中文字幕| 亚洲五月婷婷丁香| 十八禁人妻一区二区| 国产成人一区二区三区免费视频网站| 欧美丝袜亚洲另类 | 黄色 视频免费看| avwww免费| 国产精品女同一区二区软件 | 日韩人妻高清精品专区| 岛国在线免费视频观看| 日本一本二区三区精品| 大型黄色视频在线免费观看| 观看美女的网站| www国产在线视频色| 亚洲av五月六月丁香网| 变态另类丝袜制服| 女人被狂操c到高潮| 在线十欧美十亚洲十日本专区| 少妇丰满av| 欧美成人一区二区免费高清观看 | 国内揄拍国产精品人妻在线| 国产精品久久视频播放| 中文字幕高清在线视频| 精品国产三级普通话版| 十八禁人妻一区二区| 91老司机精品| 亚洲av成人不卡在线观看播放网| 久久久久久大精品| 欧美极品一区二区三区四区| 每晚都被弄得嗷嗷叫到高潮| 精品免费久久久久久久清纯| 亚洲国产精品久久男人天堂| 99久久久亚洲精品蜜臀av| 久久久久久久午夜电影| 法律面前人人平等表现在哪些方面| 小说图片视频综合网站| 亚洲狠狠婷婷综合久久图片| 国产精品永久免费网站| 午夜视频精品福利| 男女之事视频高清在线观看| 黄色丝袜av网址大全| 老汉色∧v一级毛片| or卡值多少钱| 久久伊人香网站| av在线蜜桃| 黄色视频,在线免费观看| 欧美另类亚洲清纯唯美| 久久久久久九九精品二区国产| 最近视频中文字幕2019在线8| 久久草成人影院| 老熟妇乱子伦视频在线观看| 天堂√8在线中文| 色视频www国产| 手机成人av网站| 丰满人妻一区二区三区视频av | 性欧美人与动物交配| 网址你懂的国产日韩在线| 色吧在线观看| 精品久久蜜臀av无| 国产极品精品免费视频能看的| 欧美一区二区国产精品久久精品| 级片在线观看| 人人妻人人澡欧美一区二区| www.www免费av| 国产1区2区3区精品| 无遮挡黄片免费观看| a级毛片在线看网站| 国产在线精品亚洲第一网站| 国产精品久久久av美女十八| 日本一二三区视频观看| 成人高潮视频无遮挡免费网站| 黄色女人牲交| 亚洲成a人片在线一区二区| 免费无遮挡裸体视频| 亚洲国产欧洲综合997久久,| 99久久综合精品五月天人人| 精品电影一区二区在线| 午夜亚洲福利在线播放| 啦啦啦观看免费观看视频高清| 久久人人精品亚洲av| 天天躁日日操中文字幕| 人人妻人人看人人澡| 男人舔女人下体高潮全视频| 日韩有码中文字幕| 日本成人三级电影网站| 黄色视频,在线免费观看| 在线播放国产精品三级| 一进一出抽搐gif免费好疼| 日韩欧美免费精品| 久久伊人香网站| 欧美绝顶高潮抽搐喷水| 大型黄色视频在线免费观看| 特大巨黑吊av在线直播| 91在线观看av| 欧美+亚洲+日韩+国产| 亚洲av免费在线观看| 一级作爱视频免费观看| 精品国产乱子伦一区二区三区| 中文亚洲av片在线观看爽| 久久久久久九九精品二区国产| 久久精品影院6| 一级a爱片免费观看的视频| 噜噜噜噜噜久久久久久91| 美女cb高潮喷水在线观看 | 国产精品国产高清国产av| 无遮挡黄片免费观看| 波多野结衣高清作品| 亚洲av日韩精品久久久久久密| 久久久国产成人免费| 好看av亚洲va欧美ⅴa在| 在线观看一区二区三区| 亚洲一区二区三区色噜噜| 嫩草影视91久久| 久久人人精品亚洲av| 最近最新中文字幕大全免费视频| 老司机福利观看| 在线十欧美十亚洲十日本专区| 婷婷六月久久综合丁香| 久久九九热精品免费| 欧美高清成人免费视频www| 精品一区二区三区视频在线观看免费| 欧美黄色片欧美黄色片| 亚洲成人久久爱视频| 欧美精品啪啪一区二区三区| 久久99热这里只有精品18| 黄频高清免费视频| 亚洲成a人片在线一区二区| 一卡2卡三卡四卡精品乱码亚洲| 国产av麻豆久久久久久久| av在线蜜桃| 久久精品综合一区二区三区| 午夜激情欧美在线| 成人欧美大片| 1000部很黄的大片| 免费观看人在逋| 国产成人啪精品午夜网站| 三级男女做爰猛烈吃奶摸视频| 国产伦精品一区二区三区视频9 | 久久久国产欧美日韩av| 男女之事视频高清在线观看| 亚洲avbb在线观看| 少妇熟女aⅴ在线视频| 国产精品av视频在线免费观看| 久久精品91无色码中文字幕| 日本一本二区三区精品| 久久久久久人人人人人| 久久久久久大精品| 在线看三级毛片| 亚洲精品在线美女| 国产精品久久视频播放| 又黄又爽又免费观看的视频| 99国产综合亚洲精品| 久久热在线av| 18禁黄网站禁片免费观看直播| 在线观看免费午夜福利视频| 亚洲中文字幕日韩| 日本 欧美在线| 国产熟女xx| 日韩欧美一区二区三区在线观看| 欧美中文日本在线观看视频| 大型黄色视频在线免费观看| 午夜精品在线福利| av天堂中文字幕网| 日本a在线网址| 淫妇啪啪啪对白视频| 一a级毛片在线观看| 三级毛片av免费| h日本视频在线播放| 叶爱在线成人免费视频播放| 亚洲午夜理论影院| 深夜精品福利| 中文字幕最新亚洲高清| 国产高清激情床上av| 女警被强在线播放| 亚洲精品在线美女| 国产成人影院久久av| 久久久久国产精品人妻aⅴ院| 亚洲精品粉嫩美女一区| 亚洲欧美日韩高清在线视频| 久久精品夜夜夜夜夜久久蜜豆| 美女 人体艺术 gogo| 熟女电影av网| 最近最新中文字幕大全免费视频| 又黄又粗又硬又大视频| 国产精品精品国产色婷婷| 天堂影院成人在线观看| 久久精品aⅴ一区二区三区四区| av片东京热男人的天堂| 久久久久久人人人人人| 国产欧美日韩一区二区精品| 亚洲中文字幕一区二区三区有码在线看 | 成人无遮挡网站| 香蕉久久夜色| 国产黄a三级三级三级人| 亚洲国产精品久久男人天堂| 国产成人系列免费观看| 又大又爽又粗| 国产伦在线观看视频一区| 丰满人妻一区二区三区视频av | 99在线视频只有这里精品首页| 一级黄色大片毛片| 嫩草影院入口| 成年版毛片免费区| 露出奶头的视频| 国产激情久久老熟女| 麻豆av在线久日| 亚洲欧美一区二区三区黑人| 中出人妻视频一区二区| 成人国产综合亚洲| 亚洲熟妇熟女久久| 在线免费观看不下载黄p国产 | 精品不卡国产一区二区三区| 亚洲国产欧美人成| 国产精品久久电影中文字幕| 国产极品精品免费视频能看的| 男女下面进入的视频免费午夜| 色播亚洲综合网| 久久精品国产综合久久久| 男女做爰动态图高潮gif福利片| 日本黄大片高清| 一个人免费在线观看的高清视频| 中文字幕精品亚洲无线码一区| 亚洲一区二区三区不卡视频| 亚洲美女黄片视频| 国产精品久久久久久人妻精品电影| xxx96com| 成人国产一区最新在线观看| 制服丝袜大香蕉在线| xxx96com| 无遮挡黄片免费观看| 香蕉国产在线看| 老司机在亚洲福利影院| 亚洲av美国av| 99精品久久久久人妻精品| 一级毛片女人18水好多| 日韩精品青青久久久久久| 国产精品av久久久久免费| 欧洲精品卡2卡3卡4卡5卡区| 成人av一区二区三区在线看| 在线观看美女被高潮喷水网站 | 免费电影在线观看免费观看| 无人区码免费观看不卡| 亚洲精品一卡2卡三卡4卡5卡| 淫秽高清视频在线观看| 亚洲第一电影网av| 男人舔女人的私密视频| 两个人视频免费观看高清| 午夜精品一区二区三区免费看| 丝袜人妻中文字幕| 亚洲午夜理论影院| 国产一区在线观看成人免费| 国产午夜精品论理片| 国产精品精品国产色婷婷| 后天国语完整版免费观看| 国产激情欧美一区二区| 丁香欧美五月| 日韩欧美免费精品| 精品午夜福利视频在线观看一区| 国产精品久久久久久久电影 | 日韩免费av在线播放| av在线天堂中文字幕| 午夜福利成人在线免费观看| 久久精品亚洲精品国产色婷小说| 黄片小视频在线播放| 桃色一区二区三区在线观看| 中文亚洲av片在线观看爽| 欧美性猛交╳xxx乱大交人| 制服人妻中文乱码| 欧美av亚洲av综合av国产av| www.www免费av| 免费无遮挡裸体视频| 日韩av在线大香蕉| 一个人看的www免费观看视频| 男女视频在线观看网站免费| av福利片在线观看| 性色avwww在线观看| 国产精品1区2区在线观看.| 精品久久久久久久末码| 日本黄色视频三级网站网址| 亚洲欧美日韩高清专用| 两个人的视频大全免费| 99精品久久久久人妻精品| 悠悠久久av| 精品一区二区三区视频在线 | 97超视频在线观看视频| 日本一本二区三区精品| 变态另类丝袜制服| 看黄色毛片网站| 久久香蕉国产精品| 9191精品国产免费久久| 免费看美女性在线毛片视频| 老司机深夜福利视频在线观看| 51午夜福利影视在线观看| 久久久久国产精品人妻aⅴ院| 成人午夜高清在线视频| 白带黄色成豆腐渣| www.www免费av| 亚洲中文字幕日韩| 国产淫片久久久久久久久 | 国产探花在线观看一区二区| 19禁男女啪啪无遮挡网站| 日日摸夜夜添夜夜添小说| 99在线人妻在线中文字幕| 国产激情欧美一区二区| 国产精品爽爽va在线观看网站| 99国产精品99久久久久| 性色av乱码一区二区三区2| 老熟妇乱子伦视频在线观看| 免费观看的影片在线观看| 一区二区三区高清视频在线| 免费在线观看成人毛片| 欧美在线黄色| 制服人妻中文乱码| 国产亚洲欧美在线一区二区| 国产免费男女视频| 亚洲五月天丁香| 又紧又爽又黄一区二区| 成人av在线播放网站| 久久欧美精品欧美久久欧美| 欧美一级毛片孕妇| 国产又色又爽无遮挡免费看| 午夜久久久久精精品| 全区人妻精品视频| 免费人成视频x8x8入口观看| 亚洲熟女毛片儿| 欧美成狂野欧美在线观看| 久久久久久九九精品二区国产| aaaaa片日本免费| 啦啦啦免费观看视频1| 午夜成年电影在线免费观看| 欧美黄色片欧美黄色片| 亚洲中文日韩欧美视频| 叶爱在线成人免费视频播放| 色综合婷婷激情| 午夜a级毛片| 国产精品香港三级国产av潘金莲| 丝袜人妻中文字幕| 小蜜桃在线观看免费完整版高清| 日韩欧美三级三区| 精品熟女少妇八av免费久了| 日韩欧美在线乱码| 久久精品夜夜夜夜夜久久蜜豆| 99精品欧美一区二区三区四区| 欧美色视频一区免费| 国产熟女xx| 精品国产三级普通话版| 中文字幕精品亚洲无线码一区| 黄色日韩在线| av在线天堂中文字幕| 亚洲在线自拍视频| 一区二区三区高清视频在线| 国产精品女同一区二区软件 | 可以在线观看的亚洲视频| 又紧又爽又黄一区二区| 可以在线观看的亚洲视频| 一区二区三区高清视频在线| 久久草成人影院| 日韩欧美精品v在线| 亚洲第一电影网av| 99久久精品热视频| 久久久久精品国产欧美久久久| 国产欧美日韩一区二区三| 欧美国产日韩亚洲一区| 国产成人福利小说| 波多野结衣巨乳人妻| 一个人免费在线观看电影 | 99国产精品一区二区蜜桃av| 久久久久国产精品人妻aⅴ院| 男人的好看免费观看在线视频| 变态另类成人亚洲欧美熟女| 又大又爽又粗| 亚洲中文字幕一区二区三区有码在线看 | 99热这里只有精品一区 | 色综合站精品国产| 日韩国内少妇激情av| 51午夜福利影视在线观看| 国产精品亚洲一级av第二区| 午夜福利视频1000在线观看| 亚洲 国产 在线| 美女 人体艺术 gogo| 男人舔女人下体高潮全视频| 黄色丝袜av网址大全| 成年女人永久免费观看视频| 黑人操中国人逼视频| 女生性感内裤真人,穿戴方法视频| 亚洲va日本ⅴa欧美va伊人久久| 日本a在线网址| 动漫黄色视频在线观看| 麻豆国产av国片精品| 欧美av亚洲av综合av国产av| 99久久综合精品五月天人人| 1024香蕉在线观看| 亚洲av成人精品一区久久| 国产精品精品国产色婷婷| 好看av亚洲va欧美ⅴa在| 亚洲中文av在线| 99热精品在线国产| 波多野结衣高清作品| 真人做人爱边吃奶动态| а√天堂www在线а√下载| 国产精品乱码一区二三区的特点| 午夜精品在线福利| 亚洲专区中文字幕在线| 熟女少妇亚洲综合色aaa.| 99久久精品热视频| 中文字幕高清在线视频| 偷拍熟女少妇极品色| 亚洲专区国产一区二区| 十八禁人妻一区二区| 91字幕亚洲| 久久久国产成人精品二区| 久久久久亚洲av毛片大全| 99热这里只有精品一区 | 欧美黑人巨大hd| 老汉色∧v一级毛片| 久99久视频精品免费| 在线观看一区二区三区| 精品久久久久久久久久久久久| or卡值多少钱| 国产精品亚洲美女久久久| 午夜福利视频1000在线观看| 999久久久精品免费观看国产| 午夜精品在线福利| 12—13女人毛片做爰片一| 色av中文字幕| 久久这里只有精品中国| xxx96com| 18禁美女被吸乳视频| 亚洲专区国产一区二区| 在线看三级毛片| 亚洲成人中文字幕在线播放| 99热精品在线国产| 国产精品自产拍在线观看55亚洲| 亚洲中文字幕日韩| 精品熟女少妇八av免费久了| 热99在线观看视频| 国产成人av激情在线播放| 日本a在线网址| av天堂中文字幕网| 国产视频内射| av欧美777| 久久久久久久久中文| 哪里可以看免费的av片| 精品福利观看| 中国美女看黄片| 最好的美女福利视频网| 国产成人av激情在线播放| 亚洲无线在线观看| 一二三四在线观看免费中文在| 久久九九热精品免费| 五月伊人婷婷丁香| 亚洲欧洲精品一区二区精品久久久| 综合色av麻豆| 搡老熟女国产l中国老女人| 午夜免费激情av| 欧美一区二区精品小视频在线| 国产v大片淫在线免费观看| 丁香欧美五月| 欧美国产日韩亚洲一区| 国产av不卡久久| 国产精品亚洲美女久久久| 色精品久久人妻99蜜桃| 熟妇人妻久久中文字幕3abv| 成在线人永久免费视频| 激情在线观看视频在线高清| 日韩有码中文字幕| 国产成人系列免费观看| 丁香六月欧美| www.www免费av| 欧美一区二区精品小视频在线| 国内久久婷婷六月综合欲色啪| 免费高清视频大片| 一个人看的www免费观看视频| 好男人在线观看高清免费视频| 午夜a级毛片| 亚洲在线自拍视频| 夜夜爽天天搞| 两性午夜刺激爽爽歪歪视频在线观看| 在线观看免费午夜福利视频| 亚洲av成人不卡在线观看播放网| 国内久久婷婷六月综合欲色啪| 久久中文看片网| 久久久久久久久中文| 青草久久国产| 免费看a级黄色片| 中文字幕久久专区| 制服丝袜大香蕉在线| 日韩免费av在线播放| 国内久久婷婷六月综合欲色啪| 国产亚洲欧美在线一区二区| 亚洲成人免费电影在线观看| 99精品久久久久人妻精品| 精品国产美女av久久久久小说| 日日夜夜操网爽| 丝袜人妻中文字幕| 日本免费一区二区三区高清不卡| 国产av一区在线观看免费| 精品免费久久久久久久清纯|