• <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
    午夜福利在线在线| 嫩草影院精品99| 天美传媒精品一区二区| 淫妇啪啪啪对白视频| 性欧美人与动物交配| 中国美女看黄片| 少妇裸体淫交视频免费看高清| 欧美日韩乱码在线| 偷拍熟女少妇极品色| 欧美黑人欧美精品刺激| 2021天堂中文幕一二区在线观| 亚洲电影在线观看av| 熟妇人妻久久中文字幕3abv| 成人一区二区视频在线观看| 极品教师在线视频| 午夜激情欧美在线| 麻豆国产av国片精品| 午夜免费激情av| 宅男免费午夜| 婷婷精品国产亚洲av| 高清在线国产一区| 制服丝袜大香蕉在线| 在线观看一区二区三区| 久久国产乱子免费精品| 精品一区二区三区视频在线观看免费| 免费av观看视频| 免费搜索国产男女视频| 欧美+亚洲+日韩+国产| 亚洲国产高清在线一区二区三| 国产精品一区二区三区四区免费观看 | 久久精品久久久久久噜噜老黄 | 男人狂女人下面高潮的视频| av专区在线播放| 特级一级黄色大片| 人妻夜夜爽99麻豆av| 亚洲国产精品999在线| h日本视频在线播放| 国产av在哪里看| 97超级碰碰碰精品色视频在线观看| 日日干狠狠操夜夜爽| 亚洲最大成人手机在线| 亚洲成人久久爱视频| 成熟少妇高潮喷水视频| 国产av麻豆久久久久久久| 午夜视频国产福利| 亚洲电影在线观看av| 少妇人妻一区二区三区视频| 久久久久久久午夜电影| 午夜福利在线观看吧| 免费在线观看亚洲国产| 黄色丝袜av网址大全| 国产亚洲精品综合一区在线观看| 两个人的视频大全免费| eeuss影院久久| 亚洲av免费在线观看| 听说在线观看完整版免费高清| 一夜夜www| 日韩亚洲欧美综合| 十八禁国产超污无遮挡网站| 男女那种视频在线观看| 国产成+人综合+亚洲专区| 国产一区二区三区视频了| 精华霜和精华液先用哪个| 99在线人妻在线中文字幕| 免费大片18禁| 非洲黑人性xxxx精品又粗又长| 日韩欧美在线二视频| 国产欧美日韩精品一区二区| 变态另类成人亚洲欧美熟女| 无遮挡黄片免费观看| 久久精品国产清高在天天线| 日日干狠狠操夜夜爽| 久久久国产成人免费| 亚洲精品456在线播放app | 亚洲aⅴ乱码一区二区在线播放| 午夜免费激情av| 一级黄片播放器| 欧美国产日韩亚洲一区| 搡老熟女国产l中国老女人| 变态另类成人亚洲欧美熟女| 精品久久久久久,| 长腿黑丝高跟| 亚洲av免费高清在线观看| 亚洲avbb在线观看| 99热这里只有精品一区| 一区二区三区免费毛片| 亚洲在线自拍视频| 极品教师在线视频| 久9热在线精品视频| 午夜老司机福利剧场| 一个人观看的视频www高清免费观看| 99国产精品一区二区蜜桃av| 国产一区二区亚洲精品在线观看| 3wmmmm亚洲av在线观看| 亚洲专区国产一区二区| 99在线人妻在线中文字幕| 婷婷精品国产亚洲av在线| 国产成年人精品一区二区| 69av精品久久久久久| 国产精品亚洲美女久久久| 99精品久久久久人妻精品| 亚洲人成伊人成综合网2020| 国产亚洲欧美98| 一夜夜www| 深爱激情五月婷婷| 偷拍熟女少妇极品色| 欧美成狂野欧美在线观看| 校园春色视频在线观看| 国产精品不卡视频一区二区 | 搡女人真爽免费视频火全软件 | 亚洲avbb在线观看| 免费在线观看日本一区| 黄色一级大片看看| 人人妻,人人澡人人爽秒播| 无遮挡黄片免费观看| 搡老妇女老女人老熟妇| 真实男女啪啪啪动态图| 三级国产精品欧美在线观看| 我要看日韩黄色一级片| 国产成人啪精品午夜网站| 黄色日韩在线| 国产av不卡久久| 一进一出抽搐动态| 亚洲经典国产精华液单 | 免费观看精品视频网站| 婷婷精品国产亚洲av在线| 一夜夜www| 国产成人啪精品午夜网站| 麻豆成人av在线观看| 亚州av有码| 给我免费播放毛片高清在线观看| 在线观看舔阴道视频| 男人舔女人下体高潮全视频| 国产欧美日韩一区二区精品| 日本熟妇午夜| 天堂动漫精品| 亚洲精品456在线播放app | 国产精品久久久久久亚洲av鲁大| 日本 欧美在线| 亚洲人成网站高清观看| 久久精品人妻少妇| 啪啪无遮挡十八禁网站| 国产欧美日韩精品一区二区| 女同久久另类99精品国产91| 亚洲成人久久性| 麻豆成人午夜福利视频| 亚洲黑人精品在线| 亚洲最大成人手机在线| 别揉我奶头 嗯啊视频| 好看av亚洲va欧美ⅴa在| 久久久久久九九精品二区国产| 我的女老师完整版在线观看| 久久久久久久精品吃奶| 免费在线观看亚洲国产| 窝窝影院91人妻| 亚洲国产高清在线一区二区三| 国产精品av视频在线免费观看| 国产精品精品国产色婷婷| 成人av在线播放网站| 亚洲天堂国产精品一区在线| 91字幕亚洲| 性色av乱码一区二区三区2| 久久精品国产亚洲av天美| 成人特级黄色片久久久久久久| 久久久久久国产a免费观看| 国产单亲对白刺激| 国产免费一级a男人的天堂| 最近视频中文字幕2019在线8| 精品午夜福利视频在线观看一区| 国内少妇人妻偷人精品xxx网站| av在线天堂中文字幕| 欧美国产日韩亚洲一区| 国内少妇人妻偷人精品xxx网站| 99国产综合亚洲精品| 亚洲第一电影网av| 国产精品影院久久| 十八禁人妻一区二区| 小蜜桃在线观看免费完整版高清| 国产免费av片在线观看野外av| 午夜精品久久久久久毛片777| 国产精品亚洲美女久久久| 亚洲av.av天堂| 国产麻豆成人av免费视频| 天天一区二区日本电影三级| 亚洲内射少妇av| 首页视频小说图片口味搜索| 麻豆久久精品国产亚洲av| 久久久久久大精品| 一卡2卡三卡四卡精品乱码亚洲| 色哟哟哟哟哟哟| 极品教师在线免费播放| 校园春色视频在线观看| 久久久久免费精品人妻一区二区| av女优亚洲男人天堂| 91麻豆精品激情在线观看国产| 他把我摸到了高潮在线观看| av女优亚洲男人天堂| 国产免费男女视频| 国产一区二区在线av高清观看| 久久草成人影院| 国产午夜福利久久久久久| 国内毛片毛片毛片毛片毛片| 看免费av毛片| 久久精品国产亚洲av香蕉五月| 成年人黄色毛片网站| 亚洲一区二区三区不卡视频| 99在线人妻在线中文字幕| 欧美丝袜亚洲另类 | 精品一区二区三区人妻视频| 99国产综合亚洲精品| 亚洲天堂国产精品一区在线| 一级a爱片免费观看的视频| 亚洲欧美日韩高清专用| .国产精品久久| 国产精品爽爽va在线观看网站| 国内久久婷婷六月综合欲色啪| 国产爱豆传媒在线观看| 性色avwww在线观看| 久久久久免费精品人妻一区二区| 亚洲av成人av| 亚洲不卡免费看| 国产乱人视频| 男人的好看免费观看在线视频| 亚洲成av人片在线播放无| 婷婷精品国产亚洲av| 欧美精品国产亚洲| 麻豆av噜噜一区二区三区| 国产精品一区二区三区四区免费观看 | 怎么达到女性高潮| 男女做爰动态图高潮gif福利片| 亚洲自偷自拍三级| 99国产精品一区二区三区| 国产成+人综合+亚洲专区| 国产精品一区二区性色av| 美女大奶头视频| 欧美日韩乱码在线| 性欧美人与动物交配| 小蜜桃在线观看免费完整版高清| 日韩精品青青久久久久久| 床上黄色一级片| 麻豆国产av国片精品| 美女被艹到高潮喷水动态| 每晚都被弄得嗷嗷叫到高潮| 亚洲欧美日韩无卡精品| 极品教师在线免费播放| 男人的好看免费观看在线视频| 亚洲av电影不卡..在线观看| 色哟哟哟哟哟哟| 日日干狠狠操夜夜爽| 天堂av国产一区二区熟女人妻| 婷婷色综合大香蕉| 亚洲成a人片在线一区二区| 999久久久精品免费观看国产| 51午夜福利影视在线观看| 啦啦啦观看免费观看视频高清| 五月伊人婷婷丁香| 精品无人区乱码1区二区| 亚洲国产高清在线一区二区三| 午夜亚洲福利在线播放| 看片在线看免费视频| www日本黄色视频网| 十八禁人妻一区二区| 老司机深夜福利视频在线观看| 亚洲av成人av| 日本一本二区三区精品| 香蕉av资源在线| 婷婷丁香在线五月| 亚洲成人精品中文字幕电影| 三级毛片av免费| 亚洲成人免费电影在线观看| 性插视频无遮挡在线免费观看| 亚洲午夜理论影院| 九九热线精品视视频播放| 国产 一区 欧美 日韩| 3wmmmm亚洲av在线观看| 亚洲一区高清亚洲精品| 亚洲中文字幕日韩| 美女黄网站色视频| 成人永久免费在线观看视频| 又黄又爽又免费观看的视频| 久久精品国产自在天天线| 久久午夜福利片| 日本一本二区三区精品| 91久久精品电影网| 舔av片在线| 亚洲欧美精品综合久久99| 波野结衣二区三区在线| 欧美黄色片欧美黄色片| 亚洲成人久久爱视频| 国产精品99久久久久久久久| 一a级毛片在线观看| 国模一区二区三区四区视频| 淫妇啪啪啪对白视频| 免费看a级黄色片| 69人妻影院| 免费一级毛片在线播放高清视频| 88av欧美| 国产又黄又爽又无遮挡在线| 国产主播在线观看一区二区| 婷婷丁香在线五月| 精华霜和精华液先用哪个| 很黄的视频免费| 99久久久亚洲精品蜜臀av| 国模一区二区三区四区视频| 久久国产精品影院| 97热精品久久久久久| 国产精品乱码一区二三区的特点| 免费大片18禁| 亚洲,欧美,日韩| 露出奶头的视频| 脱女人内裤的视频| 有码 亚洲区| 成人美女网站在线观看视频| 五月玫瑰六月丁香| 久久久久久久亚洲中文字幕 | 色综合欧美亚洲国产小说| 自拍偷自拍亚洲精品老妇| 国产美女午夜福利| 91午夜精品亚洲一区二区三区 | 99热这里只有精品一区| 亚洲最大成人中文| 国产精品久久电影中文字幕| 黄色配什么色好看| 国产亚洲欧美在线一区二区| 欧美色欧美亚洲另类二区| 99热这里只有精品一区| 亚洲第一区二区三区不卡| 哪里可以看免费的av片| 女人十人毛片免费观看3o分钟| 亚洲欧美激情综合另类| 在线观看舔阴道视频| 黄色女人牲交| 久99久视频精品免费| 成人永久免费在线观看视频| 国内揄拍国产精品人妻在线| 午夜福利视频1000在线观看| netflix在线观看网站| 中文字幕人成人乱码亚洲影| 久久久久九九精品影院| a级一级毛片免费在线观看| 美女大奶头视频| 嫁个100分男人电影在线观看| 亚洲成av人片在线播放无| 国产精品久久久久久精品电影| 一本久久中文字幕| 一边摸一边抽搐一进一小说| 日本 欧美在线| 别揉我奶头 嗯啊视频| 色综合欧美亚洲国产小说| 激情在线观看视频在线高清| 一区福利在线观看| 欧美乱妇无乱码| 一级黄色大片毛片| 欧美xxxx黑人xx丫x性爽| 亚洲最大成人中文| 男女视频在线观看网站免费| 麻豆成人av在线观看| 久久午夜福利片| av福利片在线观看| 男插女下体视频免费在线播放| 一级黄色大片毛片| 日本一二三区视频观看| 两个人的视频大全免费| 一个人看视频在线观看www免费| 88av欧美| 亚洲三级黄色毛片| 亚洲国产欧美人成| 亚洲午夜理论影院| 我要搜黄色片| 免费看光身美女| 最近中文字幕高清免费大全6 | a级一级毛片免费在线观看| 国产黄a三级三级三级人| 啦啦啦韩国在线观看视频| 久久人人爽人人爽人人片va | 在线观看一区二区三区| 欧美国产日韩亚洲一区| 精品乱码久久久久久99久播| 精品久久久久久久久久免费视频| 九色成人免费人妻av| 99热精品在线国产| 国产亚洲欧美在线一区二区| 91九色精品人成在线观看| 亚洲性夜色夜夜综合| 免费av观看视频| 99国产综合亚洲精品| 久久久久免费精品人妻一区二区| 亚洲av第一区精品v没综合| 少妇熟女aⅴ在线视频| 制服丝袜大香蕉在线| 99国产精品一区二区三区| 岛国在线免费视频观看| 一级黄色大片毛片| 在现免费观看毛片| 日韩精品青青久久久久久| 亚洲欧美激情综合另类| 18禁黄网站禁片免费观看直播| 亚洲成a人片在线一区二区| 国产一级毛片七仙女欲春2| 亚洲狠狠婷婷综合久久图片| 观看免费一级毛片| 午夜免费成人在线视频| 老鸭窝网址在线观看| 成人精品一区二区免费| 精华霜和精华液先用哪个| 男人的好看免费观看在线视频| 国产亚洲精品av在线| 久久精品国产清高在天天线| 久久久国产成人精品二区| 两个人的视频大全免费| 18美女黄网站色大片免费观看| 色5月婷婷丁香| 长腿黑丝高跟| www.熟女人妻精品国产| 日韩成人在线观看一区二区三区| 真人一进一出gif抽搐免费| 伦理电影大哥的女人| 国产精品精品国产色婷婷| 成人一区二区视频在线观看| 亚洲av.av天堂| 亚洲欧美精品综合久久99| 午夜免费成人在线视频| 精品熟女少妇八av免费久了| 日本黄色视频三级网站网址| 国产精品久久久久久人妻精品电影| 99久久99久久久精品蜜桃| 最近视频中文字幕2019在线8| 久久久久久久久久成人| 色精品久久人妻99蜜桃| 1000部很黄的大片| 桃色一区二区三区在线观看| 精品国产三级普通话版| 精品一区二区三区av网在线观看| 九九热线精品视视频播放| 国产精品亚洲美女久久久| 成人午夜高清在线视频| 一区二区三区激情视频| 美女 人体艺术 gogo| 深夜a级毛片| 欧美高清性xxxxhd video| 久久中文看片网| 国产色婷婷99| 99国产综合亚洲精品| 中文字幕高清在线视频| www.999成人在线观看| 一a级毛片在线观看| 狠狠狠狠99中文字幕| 国产精品一区二区免费欧美| 成年版毛片免费区| 91字幕亚洲| 国模一区二区三区四区视频| 欧美日韩国产亚洲二区| 琪琪午夜伦伦电影理论片6080| 在线观看舔阴道视频| 91久久精品国产一区二区成人| 欧美区成人在线视频| 99在线视频只有这里精品首页| 亚洲av成人不卡在线观看播放网| 极品教师在线视频| 黄片小视频在线播放| 看片在线看免费视频| 午夜亚洲福利在线播放| 久久香蕉精品热| 熟女人妻精品中文字幕| 丁香欧美五月| 中文在线观看免费www的网站| 长腿黑丝高跟| 欧美+日韩+精品| 夜夜爽天天搞| 一区二区三区高清视频在线| 国产亚洲欧美98| 男女做爰动态图高潮gif福利片| 天堂网av新在线| 久久久精品欧美日韩精品| 婷婷亚洲欧美| 免费观看的影片在线观看| 久久热精品热| 99久国产av精品| 在线免费观看的www视频| av专区在线播放| 国产黄色小视频在线观看| 一级黄色大片毛片| 51国产日韩欧美| 一级a爱片免费观看的视频| 一本精品99久久精品77| 丰满乱子伦码专区| 黄色配什么色好看| 真人一进一出gif抽搐免费| 精品人妻1区二区| 欧美另类亚洲清纯唯美| 亚洲自偷自拍三级| 欧美乱色亚洲激情| 十八禁人妻一区二区| 男人舔奶头视频| 欧美黄色淫秽网站| 午夜福利18| 岛国在线免费视频观看| 午夜激情福利司机影院| 一区二区三区高清视频在线| 午夜激情福利司机影院| 深夜a级毛片| 蜜桃久久精品国产亚洲av| 91麻豆精品激情在线观看国产| 99久久成人亚洲精品观看| 少妇被粗大猛烈的视频| 特大巨黑吊av在线直播| 久久这里只有精品中国| 国产精品久久电影中文字幕| 国产真实伦视频高清在线观看 | 九九热线精品视视频播放| 老女人水多毛片| 少妇被粗大猛烈的视频| 最新在线观看一区二区三区| 精品一区二区三区人妻视频| 亚洲五月婷婷丁香| 亚洲精品一卡2卡三卡4卡5卡| 亚洲aⅴ乱码一区二区在线播放| 熟妇人妻久久中文字幕3abv| 极品教师在线免费播放| 真人做人爱边吃奶动态| 色哟哟·www| 99热精品在线国产| 免费高清视频大片| 国产aⅴ精品一区二区三区波| 久久婷婷人人爽人人干人人爱| 日本在线视频免费播放| 国产免费av片在线观看野外av| 午夜视频国产福利| 国产精品久久视频播放| 人人妻,人人澡人人爽秒播| 在线播放国产精品三级| 综合色av麻豆| 变态另类成人亚洲欧美熟女| 老司机午夜十八禁免费视频| 我的女老师完整版在线观看| 国产午夜精品论理片| 国模一区二区三区四区视频| 一进一出抽搐gif免费好疼| 亚洲av电影不卡..在线观看| 亚洲国产欧美人成| 亚洲专区国产一区二区| 在线看三级毛片| 久久午夜福利片| 亚洲精品亚洲一区二区| 尤物成人国产欧美一区二区三区| 我要看日韩黄色一级片| 日韩中文字幕欧美一区二区| 国产69精品久久久久777片| 香蕉av资源在线| 久久久久免费精品人妻一区二区| 国产精华一区二区三区| 丁香欧美五月| 日日夜夜操网爽| 一个人观看的视频www高清免费观看| 中文字幕av成人在线电影| 别揉我奶头 嗯啊视频| 一个人免费在线观看的高清视频| 久久国产精品影院| 美女高潮的动态| 亚洲av免费在线观看| 天天一区二区日本电影三级| 国产人妻一区二区三区在| 久久精品久久久久久噜噜老黄 | 欧美一区二区精品小视频在线| 最新在线观看一区二区三区| 国产高清视频在线观看网站| 黄色配什么色好看| 午夜激情欧美在线| 久久中文看片网| 99国产精品一区二区三区| 一级作爱视频免费观看| 婷婷六月久久综合丁香| 在线播放无遮挡| 午夜福利视频1000在线观看| 亚洲成人中文字幕在线播放| 国产av麻豆久久久久久久| 中亚洲国语对白在线视频| 国产精品影院久久| 老师上课跳d突然被开到最大视频 久久午夜综合久久蜜桃 | 久久伊人香网站| 国产一区二区三区在线臀色熟女| 一区二区三区激情视频| 精品日产1卡2卡| 国产精品三级大全| 在线观看免费视频日本深夜| 国产精品伦人一区二区| 国产一区二区激情短视频| 在线a可以看的网站| 欧美黄色淫秽网站| 亚洲内射少妇av| 变态另类成人亚洲欧美熟女| 国产精品亚洲av一区麻豆| 天堂动漫精品| 网址你懂的国产日韩在线| 桃色一区二区三区在线观看| 久久人人爽人人爽人人片va | 观看美女的网站| 悠悠久久av| 高清在线国产一区| 一个人免费在线观看电影| 日韩免费av在线播放| 一本精品99久久精品77| 91在线精品国自产拍蜜月| 欧美一区二区精品小视频在线| 精品久久久久久久久久久久久| 一级毛片久久久久久久久女| 99久久久亚洲精品蜜臀av| 尤物成人国产欧美一区二区三区| 一个人免费在线观看电影| 日韩人妻高清精品专区| 国产 一区 欧美 日韩| 女人十人毛片免费观看3o分钟| 亚洲精品在线观看二区| 国产色婷婷99| 中国美女看黄片|