• <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 ?

    基于模塊化深度卷積神經網絡的煙霧識別

    2020-05-28 09:36:21程廣濤鞏家昌李建
    軟件導刊 2020年3期
    關鍵詞:數據增強卷積神經網絡

    程廣濤 鞏家昌 李建

    摘 要:為提高煙霧識別準確率,構建模塊化深度卷積神經網絡,進行煙霧圖像特征提取和識別。模塊化結構使網絡架構簡單而靈活,首先利用常見的深度卷積運算設計基本模塊網絡結構,然后僅將模塊網絡與全連接層依次連接,即可構建深度卷積神經網絡,使對煙霧圖像的表達更加具體。利用數據增強技術擴充煙霧圖像訓練數據,從而緩解煙霧識別中常見的過擬合問題。實驗結果表明,該方法在兩個測試集上分別達到了96.56%和98.82%的檢測率,驗證了該方法的有效性。

    關鍵詞:煙霧識別;模塊網絡;卷積神經網絡;數據增強

    DOI:10. 11907/rjdk. 192553????????????????????????????????????????????????????????????????? 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)003-0083-04

    Smoke Recognition Based on Modular Deep Convolutional Neural Network

    CHENG Guang-tao1,GONG Jia-chang2, LI Jian1

    (1. Research and Development Center, National Center for Fire Engineering Techonology, Tianjin 300381, China;2. Department of Audio-Visual Information Forensic Technology, Criminal Investigation Police University of China, Shenyang 110854, China)

    Abstract: In order to improve the accuracy of smoke recognition, a modular deep convolutional neural network is proposed for simultaneous features extraction and recognition of the smoke image. The modular structure makes the deep network simpler and more flexible. Firstly, the basic module network structure is designed by using the common deep convolution operation, and then the deep convolutional neual network can be constructed only by connecting the modular networks with the full connection layers in turn to enhence the more abstract and concrete expression of the smoke image. The data augumentation technology is used to expand the training smoke images, so as to alleviate the common over-fitting phenomenon in smoke recognition. The experimental results show that 96.56% and 98.82% of the detection rates are respectively achieved in the two testing data sets, which proves the effectiveness of the method.

    Key Words: smoke recognition;modular network;convolutional neural network;data augumentation

    0 引言

    隨著我國安全城市、安全社區(qū)、智慧消防等全新理念的提出,各種視頻監(jiān)控系統(tǒng)在大中城市得到了大規(guī)模應用,利用視頻圖像分析技術解決煙霧檢測問題受到多位學者關注[1- 2]?,F有算法大多采用圖像特征提取與分類器的流程框架,不但可克服傳統(tǒng)煙霧檢測設備的不足,而且適用性廣、檢測速度快、抗干擾能力強。

    Chen等[3]通過分析煙霧色彩在RGB模型3個通道上的灰度值識別煙霧區(qū)域;Fujiwara等[4]采用分形理論提取煙霧自相似性分形特征,在圖像中搜索煙霧目標;Yuan等[5]利用高階局部二值化模式進行煙霧檢測;Dubey等[6]為提取煙霧圖像每個通道的LBP(Local Binary Pattern)特征,提出了基于多通道LBP特征編碼(Multichannel Decoded Local Binary Patterns,MCLBP)的煙霧識別方法;張潔等[7]結合紋理特征和輪廓光流信息進行煙霧識別;姚太偉等[8]結合煙霧的模糊特征和運動特征,應用小波變換和稀疏光流進行煙霧識別;袁非牛等[9]提出一種基于Gabor濾波的層級結構,實現多尺度、多方向的多層紋理特征表達,提高煙霧識別的綜合效果;Tian等[10]通過圖像分離方法提出一種基于融合圖像的煙霧檢測方法,計算了煙霧和背景的融合圖像,采用優(yōu)化方法求解煙霧不透明度;Yuan等[11]采用規(guī)則劃分檢測窗口的方式,消除AdaBoost算法學習產生的形狀依賴性,從而提出一種魯棒的視頻煙霧特征。然而,煙霧圖像顏色、紋理、形狀特征隨著光照條件等因素變化而表現得異常不穩(wěn)定,現有算法仍然面臨著高漏報率和高誤報率的困擾。

    深度卷積神經網絡在醫(yī)學圖像分析、行人識別、情感分析等方面有著優(yōu)異表現[12-17]。借助卷積神經網絡在圖像特征表達上的優(yōu)勢,本文設計模塊化深度卷積神經網絡(Modular Deep Convolutional Neural Network,MDCNN)用于煙霧圖像識別。它可以根據圖像數據自動提取可靠特征,并與圖像分類操作統(tǒng)一在一個框架中。模塊化設計使網格構建更加靈活,通過減少超參數,改進網絡訓練效率。同時本文進一步利用數據增強技術緩解模型過擬合問題,提高訓練模型泛化能力。

    1 MDCNN架構

    本部分從3個方面闡述煙霧識別模塊化深度卷積神經網絡結構:模塊網絡設計、基于模塊網絡的深度卷積神經網絡構造、網絡訓練。

    1.1 模塊網絡

    將深度卷積神經網絡模塊化,使網絡結構更加靈活,減少網絡訓練超參數數量,從而提高訓練效率。本文設計的模塊網絡Module-[c]如圖1所示,包含卷積層、批規(guī)范化層(Batch Normalization,BN)、ReLu(Rectified Linear Units)激活函數層和池化層。

    (1)卷積層是卷積神經網絡的核心構造,圖像識別任務中的卷積通常是二維卷積,即離散二維濾波器(卷積核)與二維圖像作卷積操作,使用二維濾波器在二維圖像上所有像素點進行滑動,與該像素點及其鄰域像素點作內積。在深度卷積神經網絡中,通過卷積操作可提取圖像邊緣與紋理等低級特征到復雜的抽象特征中。模塊網絡采用的卷積核大小為[3×3×c],滑動步長為1,空間填充參數為1,保持特征圖經過卷積操作后分辨率不變,其中[c]為特征圖通道數目。上述卷積操作在圖1中使用Conv(3, 1, 1,[c])標記。堆積[3×3]卷積核在增加特征表示能力的同時可降低參數數量。

    (2)批量隨機梯度下降法(Mini-Batch Gradient Descent,MBGD)被廣泛應用于深度卷積神經網絡訓練。在訓練過程中,隨著網絡深度加深,深度卷積神經網絡中神經元產生的數據逐漸發(fā)生偏移或變動,導致數據漂移,從而降低學習效率[18]。為了解決該問題,批規(guī)范化(Batch Normalization,BN)被提出用以規(guī)范化神經元產生的數據,實現均值為0、標準差為1的標準正態(tài)分布,從而避免梯度消失問題、提高訓練效率。目前,BN已經成為深度卷積神經網絡中的基本構件。

    (3)在神經網絡中經常使用Sigmoid非線性激活函數[S(x)=11+e-x]和雙曲正切非線性激活函數[tanh(x)=ex-e-xex+e-x]提高特征表達能力。在深度卷積神經網絡中,需使用梯度下降法迭代更新網絡中的學習參數,然而上述非線性激活函數容易產生梯度消失問題,進而導致網絡參數更新緩慢或更新失效。為了解決該問題,ReLu激活函數[R(x)=max(0,x)]被廣泛應用于深度卷積神經網絡,作為非線性激活函數,它可以避免梯度消失問題,使訓練模型更快收斂。

    (4)經過卷積層提取的特征維數非常高,易造成過擬合問題且消耗計算資源。為解決該問題,池化層一般被連接在卷積層后以降低卷積特征圖分辨率。常見的池化方法有最大池化與平均池化,它們分別在池化區(qū)域內取最大值和平均值。由于最大池化方法抗干擾與抗圖像平移性能較強,因此選擇最大池化方法,池化區(qū)域大小為[2×2],滑動步長為2,這樣池化層將特征圖分辨率降低為原來的[14]。圖1使用MaxPooling標記上述最大池化操作。

    1.2 模塊化深度卷積網絡

    如表1所示,構造的深度卷積神經網絡包含3個模塊網絡,3個全連接層(Full connected layer,FC),網絡輸入是[48×48×3]的RGB圖像,對圖像進行的唯一預處理是減均值操作,其中均值由所有訓練圖像計算而得。順次連接3個模塊網絡,其中卷積操作Conv(3, 1, 1,[c])的特征圖通道數目[c]分別為64、128、128;然后連接3個全連接層,前兩個全連接層通道數為128,最后一個全連接層通道數為類別數2,因為煙霧數據樣本產生過擬合頻次較低,前兩個全連接層后分別采用參數為0.5的Dropout操作[19],以降低過擬合風險;最后使用Softmax函數將網絡輸出歸一化為概率值,如式(1)所示。

    1.3 網絡訓練

    采用交叉熵損失函數計算訓練深度卷積神經網絡目標函數。

    其中[n]表示訓練樣本個數,[y(i)]表示第[i]個樣本的標簽,[p(i)]表示第[i]個樣本的預測結果。

    使用批量梯度下降算法優(yōu)化上述目標函數,訓練深度卷積神經網絡參數變量,批量大小設置為96,動量參數為0.9。訓練過程利用權重下降進行正則化,其中[L2]懲罰乘子設置為[10-5],學習率設置為[10-2],整個訓練過程循環(huán)遍歷訓練數據集300次,每經過100次時將學習率除以10進行更新,學習率共被除以2次。網絡權重初始化采用Kaiming初始化方法[20]。

    2 數據增強

    深度卷積神經網絡一般包含幾百萬個待學習的參數,達到高識別率需提供大量訓練圖像。進行煙霧圖像識別時存在的一個問題是煙霧圖像訓練數據不充分,訓練深度神經網絡模型時易產生過擬合,泛化能力差,即訓練的模型只對少量訓練數據產生較好效果,而對驗證集和測試集效果較差。數據增強技術是緩解過擬合的常用方法,它基于現有少量訓練數據集通過幾何變換等操作達到擴充訓練圖像數據集的目的。本文數據增強方法包括水平翻轉、垂直翻轉和尺度變化,通過數據增強技術產生的示例如圖2所示。

    3 實驗結果與分析

    本文使用Pytorch深度學習框架構建和訓練模塊化深度卷積神經網絡。實驗在Windows10操作系統(tǒng)中運行,PC機配置主頻為3.40GHz的i7-3700 CPU處理器,16GRAM和Nvidia GTX 1080Ti GPU顯卡。

    3.1 數據集

    表2顯示了江西財經大學袁非牛教授[9]研究組公開的4個數據集,分別為Set1、Set2、Set3和Set4。Set1 包含1 383張圖像,其中552張煙霧圖像和831張非煙霧圖像;Set2包含1 505張圖像,其中688張煙霧圖像和817張非煙霧圖像;Set3包含10 712張圖像,其中2 201張煙霧圖像和8 511張非煙霧圖像;Set4包含10 617張圖像,其中2 254張煙霧圖像和8 363張非煙霧圖像。實驗使用Set3作為訓練數據集,Set4作為驗證數據集,Set1 和 Set2為測試數據集。

    3.2 評估指標

    使用檢測率(Detection Rate,DR)、誤報率(False Alarm Rate, FAR)和準確率(Accuracy Rate,AR)[3]作為煙霧識別方法的量化評價指標。

    其中[Qp]和[Qn]分別是正、負樣本數目,[Pp]表示正樣本中被正確檢測的數目,[Np]表示負樣本中被錯分為正樣本的數目,[Nn]表示負樣本中被正確檢測的數目。算法目的是提高AR指標和DR指標,同時使FAR指標更低。

    3.3 數據增強

    采用水平翻轉、垂直翻轉和尺度變化3種數據增強技術,SetA表示在Set3基礎上增強原有訓練集中煙霧正樣本,保持原有負樣本不變。增強的訓練數據集如表3所示,增強后訓練數據中煙霧樣本和非煙樣本達到平衡狀態(tài)。

    3.4 實驗結果

    不同煙霧識別算法的實驗結果如表4所示,表中加粗數字表示各指標下的最優(yōu)值。

    從3個方面討論實驗結果。

    (1)少量數據訓練過擬合問題。表4中MDCNN-Set3表示MDCNN算法以原有訓練數據集Set進行訓練,由于訓練圖像集煙霧圖像數據不充分,導致過擬合問題,訓練的模型泛化能力差,因此測試集Set1和Set2上的實驗結果指標還有待提高。

    (2)數據增強技術對性能的影響。表4中MDCNN-SetA顯示了MDCNN算法在增強后的數據集SetA上進行訓練的實驗結果。在Set1測試數據集上,DR從94.38%提高到96.56%, AR從97.11%提高到97.90%,FAR從1.08%降低到0.48%;在Set2測試數據集上,DR從94.33%提高到98.82%,AR從97.01%提高到98.55%,FAR從0.73%降低到0.37%。從實驗數據可以看到,通過數據增強技術對訓練數據集進行擴充可緩解過擬合問題,增強訓練模型泛化能力。

    (3)為展示利用深度卷積神經網絡進行煙霧識別的優(yōu)勢,將MDCNN方法與傳統(tǒng)方法進行比較。傳統(tǒng)煙霧檢測方法包括特征提取和分類流程。利用紋理特征表示煙霧已被證明是有效的方式,然后利用分類器支持向量機(Support Vector Machine, SVM)進行識別驗證。與基于紋理的煙霧檢測方法MCLBP[6]進行結果比較,MDCNN-SetA方法在Set1和Set2測試集上的DR、AR和FAR指標均表現更佳。

    4 結語

    本文利用卷積層、批規(guī)范化層、非線性激活函數層和池化層構造模塊網絡,然后將若干模塊網絡與全連接層順次連接構成深度卷積神經網絡,進行煙霧圖像特征提取和識別。針對煙霧識別問題中由于煙霧圖像數據不足產生的過擬合現象,采取水平翻轉、垂直翻轉和尺度變化數據增強技術擴充訓練數據集,進而提高訓練模型泛化能力。實驗結果表明,數據增強處理后,模塊化深度卷積神經網絡可提高檢測率、降低誤報率。下一步將著力研究煙霧圖像全局特征,提高煙霧識別性能。

    參考文獻:

    [1]史勁亭,袁非牛,夏雪. 視頻煙霧檢測研究進展[J]. 中國圖像圖形學報,2018,23(3): 303-322.

    [2]許峰,于春雨,徐放. 視頻圖像火災探測技術研究趨勢[J]. 消防科學與技術,2012,31(11):1185-1188.

    [3]CHEN Y H,YIN Y H,HUANG SF,et al. The somke detection for early fire-alarming system base on video processing[C]. Proceedings of 2006 International Conference on Intelligent Information Hiding and Multimedia, 2006: 427-430.

    [4]FUJIWARA N,TERADA K. Extraction of a smoke region using fractal co-ding[C]. 2004 IEEE International Symposium on Communications and Information Technology, 2004: 659-662.

    [5]YUAN F N,SHI J T,XIA X,et al. High-order local ternary patters with locality preserving projection for smoke detection and image classification[J]. Information Sciences,2016,372(12):225-240.

    [6]DUBEY S R,SINGH S K, SINGH R K. Multichannel decoded local binary patterns for content-based image retrieval[J]. IEEE Transactions on Image Processing,2016,25 (9): 4018-4032.

    猜你喜歡
    數據增強卷積神經網絡
    一種算法對于深層神經網絡訓練速度的提升
    基于深度學習網絡的乳腺癌圖片分類研究
    軟件導刊(2019年8期)2019-10-15 02:21:53
    基于卷積神經網絡的森林火災煙霧探測算法研究
    基于深度網絡的車輛前后端圖像識別方法研究
    基于雙卷積神經網絡的鐵路集裝箱號OCR
    計算機時代(2019年6期)2019-07-08 06:46:17
    基于卷積神經網絡的圖像分類研究
    軟件導刊(2018年10期)2018-01-19 11:35:34
    基于卷積神經網絡溫室智能大棚監(jiān)控系統(tǒng)的研究
    基于深度卷積神經網絡的物體識別算法
    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
    基于深度卷積網絡的人臉年齡分析算法與實現
    軟件工程(2016年8期)2016-10-25 15:47:34
    老熟女久久久| 亚洲精华国产精华精| 丁香六月天网| 欧美激情久久久久久爽电影 | 久久九九热精品免费| 亚洲第一青青草原| 久久久久久免费高清国产稀缺| 两个人看的免费小视频| 视频在线观看一区二区三区| 国产伦理片在线播放av一区| 老司机靠b影院| 丝袜美足系列| 国产成人欧美在线观看 | 国产在线观看jvid| 麻豆成人av在线观看| 精品少妇久久久久久888优播| tocl精华| 成在线人永久免费视频| 国产成人系列免费观看| 一边摸一边做爽爽视频免费| 99久久99久久久精品蜜桃| 久久精品国产99精品国产亚洲性色 | 久久毛片免费看一区二区三区| 99国产精品一区二区三区| svipshipincom国产片| 欧美人与性动交α欧美精品济南到| 精品久久久久久久毛片微露脸| 99re在线观看精品视频| 一边摸一边做爽爽视频免费| 中文字幕av电影在线播放| 中文字幕色久视频| 十分钟在线观看高清视频www| 天天添夜夜摸| 精品人妻在线不人妻| 亚洲精品在线美女| 天天躁日日躁夜夜躁夜夜| 国产精品久久电影中文字幕 | 午夜免费成人在线视频| 岛国在线观看网站| 亚洲色图综合在线观看| 中文字幕色久视频| 日本撒尿小便嘘嘘汇集6| 中亚洲国语对白在线视频| 国产亚洲欧美在线一区二区| av欧美777| 久久精品aⅴ一区二区三区四区| 动漫黄色视频在线观看| 国产在线精品亚洲第一网站| 久久精品人人爽人人爽视色| 每晚都被弄得嗷嗷叫到高潮| 91九色精品人成在线观看| 夫妻午夜视频| 亚洲国产av影院在线观看| 母亲3免费完整高清在线观看| 女人久久www免费人成看片| 丝袜喷水一区| 在线 av 中文字幕| 亚洲精品久久午夜乱码| 久久久久久亚洲精品国产蜜桃av| 又大又爽又粗| 国产伦人伦偷精品视频| 久久天堂一区二区三区四区| 精品亚洲乱码少妇综合久久| 一级黄色大片毛片| 国产成人精品久久二区二区免费| 亚洲精品av麻豆狂野| 脱女人内裤的视频| 亚洲成国产人片在线观看| 精品熟女少妇八av免费久了| 99久久人妻综合| 黄色成人免费大全| 99九九在线精品视频| 成人18禁在线播放| aaaaa片日本免费| 91国产中文字幕| 亚洲国产欧美一区二区综合| 国产欧美日韩一区二区三| 久久久久久久大尺度免费视频| 在线观看66精品国产| 人人妻人人添人人爽欧美一区卜| 一本—道久久a久久精品蜜桃钙片| 国产高清激情床上av| 99国产精品一区二区三区| 亚洲色图综合在线观看| 国产精品免费大片| 老司机福利观看| 精品久久久久久电影网| 国产男女内射视频| 欧美乱码精品一区二区三区| 9色porny在线观看| svipshipincom国产片| 亚洲综合色网址| 久久久久精品国产欧美久久久| 成年人黄色毛片网站| 啪啪无遮挡十八禁网站| 亚洲精华国产精华精| 日本撒尿小便嘘嘘汇集6| 正在播放国产对白刺激| 我的亚洲天堂| 国产精品欧美亚洲77777| 日本vs欧美在线观看视频| 欧美人与性动交α欧美精品济南到| 欧美精品人与动牲交sv欧美| 极品教师在线免费播放| 99在线人妻在线中文字幕 | 九色亚洲精品在线播放| 一本大道久久a久久精品| 日日夜夜操网爽| 久久久久久久久免费视频了| 成人三级做爰电影| 亚洲免费av在线视频| 亚洲人成伊人成综合网2020| 69精品国产乱码久久久| 中文欧美无线码| a在线观看视频网站| 国产精品久久久久久人妻精品电影 | 国产男女超爽视频在线观看| 波多野结衣av一区二区av| 国产精品麻豆人妻色哟哟久久| 每晚都被弄得嗷嗷叫到高潮| 欧美亚洲日本最大视频资源| 激情视频va一区二区三区| 国产精品国产高清国产av | 成人影院久久| 制服诱惑二区| 最新的欧美精品一区二区| 一级,二级,三级黄色视频| 久久精品成人免费网站| 亚洲熟女精品中文字幕| 香蕉国产在线看| 嫁个100分男人电影在线观看| 久久精品成人免费网站| 欧美精品人与动牲交sv欧美| 国产成人精品无人区| 国产免费福利视频在线观看| 99精国产麻豆久久婷婷| 90打野战视频偷拍视频| 岛国毛片在线播放| 国产一区二区三区综合在线观看| 人妻一区二区av| 人人妻人人爽人人添夜夜欢视频| 国产精品久久久人人做人人爽| 亚洲精品久久成人aⅴ小说| 99re在线观看精品视频| 国产真人三级小视频在线观看| 国产一区有黄有色的免费视频| 男女午夜视频在线观看| 日本五十路高清| 乱人伦中国视频| 乱人伦中国视频| 亚洲专区国产一区二区| 亚洲午夜精品一区,二区,三区| 欧美国产精品va在线观看不卡| 亚洲自偷自拍图片 自拍| 中文字幕精品免费在线观看视频| 日韩免费高清中文字幕av| 搡老熟女国产l中国老女人| 久久精品亚洲精品国产色婷小说| 一本大道久久a久久精品| 欧美性长视频在线观看| 岛国在线观看网站| 手机成人av网站| 成人国产一区最新在线观看| 涩涩av久久男人的天堂| 精品亚洲成a人片在线观看| 新久久久久国产一级毛片| 国产日韩欧美亚洲二区| 丁香欧美五月| avwww免费| 考比视频在线观看| 一本一本久久a久久精品综合妖精| 人人妻人人爽人人添夜夜欢视频| 99re6热这里在线精品视频| 亚洲熟妇熟女久久| 久久精品人人爽人人爽视色| 99精国产麻豆久久婷婷| 少妇裸体淫交视频免费看高清 | 99热网站在线观看| 巨乳人妻的诱惑在线观看| 成年人免费黄色播放视频| 自线自在国产av| 脱女人内裤的视频| 99re在线观看精品视频| 国产视频一区二区在线看| 99国产极品粉嫩在线观看| 丁香欧美五月| 亚洲国产毛片av蜜桃av| 亚洲欧美色中文字幕在线| 亚洲第一av免费看| 欧美黄色片欧美黄色片| 女性生殖器流出的白浆| 俄罗斯特黄特色一大片| 国产精品.久久久| 嫁个100分男人电影在线观看| 国产一区二区 视频在线| www.自偷自拍.com| 在线看a的网站| 欧美国产精品一级二级三级| 伊人久久大香线蕉亚洲五| 最近最新中文字幕大全免费视频| 中文字幕av电影在线播放| 国产在线一区二区三区精| 久久久久久久精品吃奶| 国产成人精品久久二区二区免费| 久久国产精品男人的天堂亚洲| 久久久久国内视频| 又黄又粗又硬又大视频| 久久久水蜜桃国产精品网| 国产精品亚洲av一区麻豆| 欧美性长视频在线观看| 国产一区二区激情短视频| 亚洲人成电影免费在线| 精品少妇一区二区三区视频日本电影| 五月开心婷婷网| 婷婷丁香在线五月| 欧美+亚洲+日韩+国产| 国产精品久久久久久人妻精品电影 | 久9热在线精品视频| 国产在视频线精品| 99在线人妻在线中文字幕 | 国产在视频线精品| 岛国毛片在线播放| 搡老乐熟女国产| 亚洲精品在线观看二区| 如日韩欧美国产精品一区二区三区| 天天躁日日躁夜夜躁夜夜| 人妻 亚洲 视频| 国产极品粉嫩免费观看在线| 亚洲欧美激情在线| 久久精品国产亚洲av高清一级| 久久久久久久久免费视频了| 日韩精品免费视频一区二区三区| 热99re8久久精品国产| 欧美精品亚洲一区二区| 久久人妻福利社区极品人妻图片| 免费一级毛片在线播放高清视频 | 免费在线观看日本一区| 午夜福利一区二区在线看| 视频区图区小说| 国产精品98久久久久久宅男小说| 极品教师在线免费播放| 亚洲 欧美一区二区三区| 亚洲国产看品久久| 99热网站在线观看| 午夜精品国产一区二区电影| 日韩大码丰满熟妇| 色老头精品视频在线观看| 大香蕉久久网| 黑人欧美特级aaaaaa片| 久久精品熟女亚洲av麻豆精品| 操出白浆在线播放| 动漫黄色视频在线观看| 欧美精品人与动牲交sv欧美| 一本综合久久免费| 90打野战视频偷拍视频| 精品少妇久久久久久888优播| 欧美亚洲 丝袜 人妻 在线| 99国产精品99久久久久| 一二三四社区在线视频社区8| 亚洲精品乱久久久久久| 91字幕亚洲| 男女免费视频国产| 午夜91福利影院| 蜜桃在线观看..| 日本撒尿小便嘘嘘汇集6| 麻豆乱淫一区二区| 免费女性裸体啪啪无遮挡网站| 久久人人爽av亚洲精品天堂| 亚洲伊人色综图| 欧美日韩成人在线一区二区| 亚洲色图av天堂| 亚洲人成77777在线视频| 国产成人av教育| 9色porny在线观看| 免费日韩欧美在线观看| 美女午夜性视频免费| 精品熟女少妇八av免费久了| 亚洲中文字幕日韩| 中亚洲国语对白在线视频| 咕卡用的链子| 久久久国产精品麻豆| av天堂久久9| 丁香欧美五月| 成人国语在线视频| 99国产极品粉嫩在线观看| 成年人黄色毛片网站| 亚洲色图av天堂| 国内毛片毛片毛片毛片毛片| 99国产精品99久久久久| 黄色视频不卡| 黄色怎么调成土黄色| 国产主播在线观看一区二区| 欧美一级毛片孕妇| 国产一区有黄有色的免费视频| 欧美日韩一级在线毛片| 蜜桃国产av成人99| 91国产中文字幕| 成年版毛片免费区| 国产成人精品久久二区二区91| 热re99久久国产66热| 亚洲成人国产一区在线观看| svipshipincom国产片| 久久久国产欧美日韩av| 夜夜夜夜夜久久久久| 午夜视频精品福利| 国产av又大| 国产精品1区2区在线观看. | 老鸭窝网址在线观看| 满18在线观看网站| 国产国语露脸激情在线看| 国产高清国产精品国产三级| 精品国产乱子伦一区二区三区| 丁香六月欧美| 麻豆乱淫一区二区| 国产日韩欧美亚洲二区| 色94色欧美一区二区| 91国产中文字幕| 91麻豆av在线| 女性被躁到高潮视频| 人人妻,人人澡人人爽秒播| 蜜桃在线观看..| 69av精品久久久久久 | 乱人伦中国视频| 成人黄色视频免费在线看| 国产日韩欧美视频二区| 午夜福利在线观看吧| 欧美精品啪啪一区二区三区| 亚洲av日韩在线播放| 咕卡用的链子| 香蕉丝袜av| 亚洲中文日韩欧美视频| 成人免费观看视频高清| 少妇猛男粗大的猛烈进出视频| 考比视频在线观看| a在线观看视频网站| 18禁美女被吸乳视频| 欧美亚洲 丝袜 人妻 在线| 成年女人毛片免费观看观看9 | 在线看a的网站| 三级毛片av免费| 黄片播放在线免费| 18禁观看日本| 高清视频免费观看一区二区| 老鸭窝网址在线观看| 午夜久久久在线观看| 美女福利国产在线| 精品亚洲成国产av| videosex国产| 国产区一区二久久| 成人永久免费在线观看视频 | av片东京热男人的天堂| 无限看片的www在线观看| 人人妻,人人澡人人爽秒播| 99热国产这里只有精品6| 黄色 视频免费看| 老鸭窝网址在线观看| 啦啦啦在线免费观看视频4| av线在线观看网站| 叶爱在线成人免费视频播放| 可以免费在线观看a视频的电影网站| 美女视频免费永久观看网站| 91国产中文字幕| 亚洲五月色婷婷综合| 男女免费视频国产| 99久久99久久久精品蜜桃| 欧美激情极品国产一区二区三区| 日日摸夜夜添夜夜添小说| 99re6热这里在线精品视频| 国产精品一区二区在线不卡| 国产一卡二卡三卡精品| 91大片在线观看| 久久久欧美国产精品| 亚洲欧洲日产国产| 午夜福利一区二区在线看| 多毛熟女@视频| 欧美在线黄色| 老司机福利观看| 丝袜喷水一区| av又黄又爽大尺度在线免费看| 精品人妻1区二区| 热99re8久久精品国产| 午夜精品国产一区二区电影| 在线观看免费午夜福利视频| 18禁观看日本| 国产一区二区在线观看av| 日韩制服丝袜自拍偷拍| 三级毛片av免费| 亚洲国产成人一精品久久久| 操出白浆在线播放| 久久精品国产a三级三级三级| 国产熟女午夜一区二区三区| 久久久久久久大尺度免费视频| 久久精品亚洲av国产电影网| 另类精品久久| 一区二区三区精品91| 国产精品免费视频内射| a在线观看视频网站| 免费在线观看视频国产中文字幕亚洲| 午夜福利,免费看| 午夜成年电影在线免费观看| 男女无遮挡免费网站观看| 欧美日韩福利视频一区二区| 日韩一区二区三区影片| 欧美成狂野欧美在线观看| 日本黄色视频三级网站网址 | 熟女少妇亚洲综合色aaa.| 亚洲欧美色中文字幕在线| 亚洲成国产人片在线观看| 无遮挡黄片免费观看| 国产单亲对白刺激| 亚洲伊人色综图| 日韩大码丰满熟妇| 欧美日韩黄片免| 日本av免费视频播放| 热re99久久精品国产66热6| 成年人黄色毛片网站| 激情视频va一区二区三区| 欧美亚洲 丝袜 人妻 在线| 中文亚洲av片在线观看爽 | aaaaa片日本免费| av线在线观看网站| 两人在一起打扑克的视频| 精品亚洲成a人片在线观看| 日本撒尿小便嘘嘘汇集6| videos熟女内射| 日韩大片免费观看网站| 天天影视国产精品| 国产片内射在线| 一区福利在线观看| 亚洲国产av新网站| 黄色 视频免费看| 99久久国产精品久久久| 亚洲国产毛片av蜜桃av| 欧美精品av麻豆av| 啦啦啦 在线观看视频| 精品卡一卡二卡四卡免费| 国产亚洲精品久久久久5区| 手机成人av网站| 亚洲av国产av综合av卡| 成人av一区二区三区在线看| 久久久久久亚洲精品国产蜜桃av| 亚洲精品久久成人aⅴ小说| 成人影院久久| av有码第一页| 中文字幕精品免费在线观看视频| 免费看十八禁软件| 999久久久国产精品视频| 成人国语在线视频| 亚洲视频免费观看视频| 久久 成人 亚洲| 国产有黄有色有爽视频| 又紧又爽又黄一区二区| 久久香蕉激情| 精品亚洲成国产av| 国产高清videossex| 老汉色av国产亚洲站长工具| 咕卡用的链子| 中国美女看黄片| 精品福利观看| 久久精品成人免费网站| 国产成人欧美| 免费不卡黄色视频| 在线观看人妻少妇| √禁漫天堂资源中文www| 宅男免费午夜| 久久国产亚洲av麻豆专区| 性色av乱码一区二区三区2| 精品福利观看| 别揉我奶头~嗯~啊~动态视频| 999精品在线视频| 免费不卡黄色视频| 久久精品国产亚洲av香蕉五月 | 999久久久精品免费观看国产| 99热国产这里只有精品6| 国产成人系列免费观看| 伦理电影免费视频| videosex国产| 亚洲午夜精品一区,二区,三区| 日韩大码丰满熟妇| 日韩欧美国产一区二区入口| 法律面前人人平等表现在哪些方面| 亚洲男人天堂网一区| 国产成人精品久久二区二区免费| 亚洲精品粉嫩美女一区| 99精品在免费线老司机午夜| 在线天堂中文资源库| 亚洲av成人一区二区三| av超薄肉色丝袜交足视频| 两性夫妻黄色片| 三上悠亚av全集在线观看| 操美女的视频在线观看| 欧美午夜高清在线| 色播在线永久视频| 久久精品91无色码中文字幕| 好男人电影高清在线观看| 91麻豆av在线| 亚洲成av片中文字幕在线观看| 精品国产国语对白av| 久久免费观看电影| 天天躁夜夜躁狠狠躁躁| 熟女少妇亚洲综合色aaa.| 十八禁网站免费在线| 中文字幕精品免费在线观看视频| 国产黄频视频在线观看| 精品亚洲成a人片在线观看| 正在播放国产对白刺激| 视频区欧美日本亚洲| 国产精品久久久久久精品电影小说| 后天国语完整版免费观看| 国产日韩欧美亚洲二区| 久久影院123| 日韩熟女老妇一区二区性免费视频| 欧美精品啪啪一区二区三区| 久9热在线精品视频| 国产又爽黄色视频| 色视频在线一区二区三区| 国产午夜精品久久久久久| 国产99久久九九免费精品| 国产一卡二卡三卡精品| 国产在线精品亚洲第一网站| 午夜福利,免费看| 精品午夜福利视频在线观看一区 | 大型av网站在线播放| 我要看黄色一级片免费的| 国产成人精品久久二区二区91| 9热在线视频观看99| 男女边摸边吃奶| 国产精品亚洲一级av第二区| 国产黄频视频在线观看| 欧美日韩亚洲高清精品| bbb黄色大片| 99国产极品粉嫩在线观看| 一本—道久久a久久精品蜜桃钙片| 亚洲国产毛片av蜜桃av| 精品欧美一区二区三区在线| 亚洲欧美色中文字幕在线| 精品欧美一区二区三区在线| 国产一区有黄有色的免费视频| 亚洲国产欧美在线一区| 日韩成人在线观看一区二区三区| 久久久久视频综合| 久久精品熟女亚洲av麻豆精品| 国产成人啪精品午夜网站| 午夜福利一区二区在线看| 久久久久精品国产欧美久久久| 亚洲,欧美精品.| 啦啦啦中文免费视频观看日本| 国产一区二区激情短视频| 亚洲av片天天在线观看| 国产亚洲精品久久久久5区| 久久久久网色| 久久精品91无色码中文字幕| 黄网站色视频无遮挡免费观看| 男人操女人黄网站| 18禁观看日本| 成人国产av品久久久| 母亲3免费完整高清在线观看| 97人妻天天添夜夜摸| 成年人黄色毛片网站| 国产xxxxx性猛交| 久久青草综合色| 纵有疾风起免费观看全集完整版| 久久久久久久国产电影| 黄色丝袜av网址大全| 丝袜美腿诱惑在线| 国产成人欧美| 法律面前人人平等表现在哪些方面| 91成年电影在线观看| 亚洲熟女毛片儿| 18禁裸乳无遮挡动漫免费视频| 亚洲成av片中文字幕在线观看| 色老头精品视频在线观看| 黄色片一级片一级黄色片| 热99久久久久精品小说推荐| 女人爽到高潮嗷嗷叫在线视频| 制服诱惑二区| 国产xxxxx性猛交| 午夜福利视频精品| 丝袜人妻中文字幕| 一个人免费看片子| 精品国内亚洲2022精品成人 | 操出白浆在线播放| 他把我摸到了高潮在线观看 | 桃红色精品国产亚洲av| 欧美av亚洲av综合av国产av| 亚洲色图综合在线观看| 1024视频免费在线观看| tube8黄色片| 脱女人内裤的视频| 亚洲精品自拍成人| 精品亚洲成a人片在线观看| 精品少妇久久久久久888优播| av网站免费在线观看视频| 乱人伦中国视频| 久久久久久久久免费视频了| 天天操日日干夜夜撸| 丝瓜视频免费看黄片| 91大片在线观看| 高清黄色对白视频在线免费看| 亚洲av成人不卡在线观看播放网| www.熟女人妻精品国产| 黄频高清免费视频| 老熟妇仑乱视频hdxx| 亚洲国产欧美在线一区| 国产成人精品在线电影| 妹子高潮喷水视频| 午夜成年电影在线免费观看| 久久中文字幕一级| 久久久久久久国产电影| 欧美日韩一级在线毛片| 1024香蕉在线观看| 欧美精品啪啪一区二区三区| 亚洲人成伊人成综合网2020| 深夜精品福利| 黄色成人免费大全|