• <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Faster R-cNN的服裝目標(biāo)檢測改進方法

    2020-06-19 08:45陳雙何利力
    軟件導(dǎo)刊 2020年4期
    關(guān)鍵詞:目標(biāo)檢測深度學(xué)習(xí)

    陳雙 何利力

    摘 要:為了滿足近年來在服裝電子商務(wù)高速發(fā)展背景下急劇增長的服裝圖像分類與定位需求,實現(xiàn)對服裝圖像的目標(biāo)檢測,提出基于Faster R-CNN的服裝目標(biāo)檢測改進方法。借助殘差神經(jīng)網(wǎng)絡(luò)的特征提取能力進行服裝圖像特征提取,采用RPN網(wǎng)絡(luò)進行服裝候選區(qū)域生成,經(jīng)過RoI興趣區(qū)域池化后接入分類層與回歸層,調(diào)整網(wǎng)絡(luò)結(jié)構(gòu),融合服裝圖像的HOG底層特征,從而針對性地實現(xiàn)對服裝圖像的目標(biāo)檢測。實驗結(jié)果表明,該方法構(gòu)建模型的平均準(zhǔn)確率為0.902,運行速度為8.9幀/秒,具有一定的實用價值。

    關(guān)鍵詞:服裝圖像;深度學(xué)習(xí);目標(biāo)檢測;殘差神經(jīng)網(wǎng)絡(luò);邊緣梯度直方圖特征

    DOI: 10. 11907/rjdk.191 807

    開放科學(xué)(資源服務(wù))標(biāo)識碼(OSID):

    中圖分類號:TP301

    文獻標(biāo)識碼:A

    文章編號:1672-7800(2020)004-0042-04

    Improved Method for Garment Target Detection Based on Faster R-CNN

    CHEN Shuang, HE Li-li

    (School of Information , Zh.ejiarzg Sci-tec Urziversity , Hangzhou 3100 1 8.China )Abstract: In order to meet the demand for the classification and positioning of clothing images under the rapid development of clothinge-commerce in recent years, the target detection of' clothing images is realized. An improved method of garment target detection basedon Faster R-CNN is proposed. The f'eature extraction ability of residual neural network is used to extract the features of clothing images.The RPN network is used to generate clothing candidate regions. After the pool of RoI interest regions, the classification lay er is ac-cessed. With the regression layer, the network structure is adjusted, and the underlying features of' the HOG of the clothing image areintegrated to achieve the pertinence of the clothing, and the target detection of the clothing image is realized. The experimental resultsshoW, that the model constructed hy this method has an average accuracy of 0.902 and an operating speed of 8.9 frames per second.Which proves the method has social practical value and academic research significance.Key Words: clothing image; deep learning; target detection ; residual neu ral network ; edge gradient histogram feature

    O引言

    隨著互聯(lián)網(wǎng)信息技術(shù)與服裝電子商務(wù)的迅速發(fā)展,服裝圖像數(shù)據(jù)量呈爆炸式增長,用戶對服裝圖像識別與分類的需求日漸迫切[1-2]。通過圖像目標(biāo)檢測技術(shù)得到服裝的具體類別信息與位置信息,成為當(dāng)前計算機視覺技術(shù)在服裝領(lǐng)域的應(yīng)用熱點之一。

    對于一張服裝圖像,人的視覺系統(tǒng)能夠輕松感知到目標(biāo)的款式、色彩、圖案等服裝特征信息,而計算機只能識別得到服裝圖像的RGB像素矩陣。由于環(huán)境中存在服裝圖像的光照、形變、遮擋、多主體與背景等干擾因素,計算機通過對像素的抽象難以實現(xiàn)較好的識別效果[3]。傳統(tǒng)目標(biāo)檢測方法對Haar小波特征、HOG特征、LBP特征、SIFT特征等進行提取,再構(gòu)建SVM、決策樹等分類器進行檢測與定位[4-5]。該方法具有一定檢測效果,但由于具有較高的時間復(fù)雜度與較低的魯棒性,難以達到使用需求。隨著深度學(xué)習(xí)在計算機視覺領(lǐng)域取得突破性進展,越來越多學(xué)者針對深度學(xué)習(xí)方法在服裝圖像檢測與分類方面的應(yīng)用進行研究,并取得了一定成果。

    目前深度學(xué)習(xí)在目標(biāo)檢測方向的研究方法主要分為兩類,一類是基于區(qū)域的算法,如R-CNN、SPP-net、FastR-CNN、Faster R-CNN.R-FCN,另一類是基于端到端的算法,如YOLO、SSD。通常后者速度相對更快,但檢測準(zhǔn)確度不如前者。國內(nèi)外眾多學(xué)者將以上兩類方法應(yīng)用于服裝領(lǐng)域,衍生出許多針對服裝圖像的目標(biāo)檢測方法。如

    陳雙,何利力:基于Faster R-CNN的服裝曰標(biāo)檢測改進方法Yamazakj1[6]通過研究服裝的褶皺特征以檢測日常生活中隨意放置的服裝位置,同時使用高層語義與低層特征信息,有效解決了服裝圖像中的遮擋問題;Pan等。[7]通過BP神經(jīng)網(wǎng)絡(luò)識別針織物,取得了良好的識別效果;Wang等。[8]針對服裝款式進行研究,得到準(zhǔn)確率更高的識別方法;香港大學(xué)的Liu等[9-10]提出一個大型公開服裝圖像數(shù)據(jù)集Deep-Fashion,該數(shù)據(jù)集含有超過80萬個具有豐富類別、屬性、Bhox、特征點等標(biāo)注信息的服裝圖像,并提出用FashionNet進行服裝特征學(xué)習(xí)。

    本文主要進行以下3方面研究:①綜合相關(guān)數(shù)據(jù)集與爬蟲數(shù)據(jù),進行基本預(yù)處理后構(gòu)建具有服裝類別及服裝主體邊框標(biāo)簽的大規(guī)模服裝圖像數(shù)據(jù)集;②基于FasterR-CNN模型進行服裝圖像特征提取、區(qū)域生成、興趣區(qū)域池化與類別判定,并修改網(wǎng)絡(luò)結(jié)構(gòu),融合服裝圖像的HOG顯著性底層特征,實現(xiàn)針對服裝圖像的目標(biāo)檢測[11];③通過對比實驗設(shè)計與分析,驗證實驗?zāi)P托阅堋?/p>

    1實驗方法

    本文整體模型結(jié)構(gòu)基于Faster R-CNN,融合服裝圖像顯著性特征進行目標(biāo)檢測,主要分為4步:圖像特征提取、RPN區(qū)域生成網(wǎng)絡(luò)、興趣區(qū)域池化與分類回歸[12]。主要網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

    主要流程如下:①將服裝圖像輸入網(wǎng)絡(luò)模型,通過卷積神經(jīng)網(wǎng)絡(luò)卷積層與池化層的交替作用進行服裝圖像特征提取,得到圖像的特征圖傳人RPN網(wǎng)絡(luò),并進行RoI池化。這里采用ResNetl01殘差神經(jīng)網(wǎng)絡(luò);②RPN網(wǎng)絡(luò)將輸入的特征圖輸出為多個矩形候選區(qū)域;③將直接傳人的特征圖結(jié)合RPN網(wǎng)絡(luò)的候選區(qū)域特征信息,通過RoI池化進行裁剪過濾,映射成7*7的特征;④根據(jù)特征白動學(xué)習(xí)服裝類別,通過Softmax分類器進行是否為目標(biāo)的二分類,并通過邊界框回歸器修正區(qū)域候選框,融合服裝的HOG特征回歸邊框,得到最終的服裝主體圖像。

    Faster R-CNN損失函數(shù)計算包括:RPN進行前景與背景二分類的分類損失、RPN滑動窗口的位置回歸損失、RoI分類器損失與RoI邊界框回歸損失,以四者和作為最終損失函數(shù)進行模型反向傳播[13]。

    I.I殘差神經(jīng)網(wǎng)絡(luò)

    ResNet( Deep Residual Network)殘差神經(jīng)網(wǎng)絡(luò)[14]是2015年微軟研究院提出的卷積神經(jīng)網(wǎng)絡(luò),一舉取得了2015年ILSVRC比賽的冠軍。ResNet將層與層之間的傳遞學(xué)習(xí)表示為輸入與輸出差別的殘差函數(shù)學(xué)習(xí),能夠有效中和梯度爆炸問題與退化問題。

    ResNet通過在不相鄰的層之間添加通路進行跨層連接,使用恒等映射將原始輸入信息直接傳輸?shù)胶竺娴木W(wǎng)絡(luò)層中。在加深網(wǎng)絡(luò)時,對于輸入x期望,輸出為H(x),學(xué)習(xí)F(x)=H(x)-x作為ResNet的殘差學(xué)習(xí)單元,改變了學(xué)習(xí)目標(biāo),從對輸出函數(shù)的學(xué)習(xí)轉(zhuǎn)換為對殘差的學(xué)習(xí),從而在將網(wǎng)絡(luò)層數(shù)據(jù)增加到152層時,仍能保持正常收斂與較好性能。相對于淺層網(wǎng)絡(luò),深層網(wǎng)絡(luò)得到的高層抽象語義更能表現(xiàn)出圖像特征,具有更佳的性能。相比于一般的CNN,ResNet使用了一種shortcut連接方式。普通CNN與ResNet基本結(jié)構(gòu)塊如圖2所示。殘差基本結(jié)構(gòu)塊可以表示為:

    其中F為殘差函數(shù),h(x1)=X1為恒等映射,XI、X1+1.分別表示第,個殘差單元的輸入與輸出,f為ReLU激活函數(shù),則從,至L所學(xué)習(xí)的特征為:以鏈?zhǔn)揭?guī)則求反向傳播梯度:

    可以看出,該方式能保證梯度的無損傳播,有效避免梯度消失問題,在模型中具有良好的服裝圖像特征提取效果。

    1.2 RPN網(wǎng)絡(luò)

    RPN(Region Proposal Networks)網(wǎng)絡(luò)是一種全卷積網(wǎng)絡(luò),通過端到端的形式進行區(qū)域生成,與分類回歸共享提取到的卷積特征,相較于之前的Selective Search與EdgeBoxes方法具有更快的提取速度[15-16]。

    RPN網(wǎng)絡(luò)將殘差神經(jīng)網(wǎng)絡(luò)的共享特征圖作為輸入,以滑動窗口方式生成k個區(qū)域建議框,對應(yīng)分類層有2k個輸出,表示判斷是目標(biāo)與非目標(biāo)的概率,對應(yīng)回歸層有4k個輸出,表示k個區(qū)域建議框的位置。RPN 工作原理如圖3所示。

    1.3興趣區(qū)域池化

    在Faster R-CNN的RPN網(wǎng)絡(luò)后接人全連接層,通過RoI興趣區(qū)域池化層將不同大小的興趣區(qū)域轉(zhuǎn)換為固定大小。

    將RPN網(wǎng)絡(luò)輸出建議與CNN網(wǎng)絡(luò)輸出特征圖輸入到RoI興趣區(qū)域池化層,以空間尺度數(shù)l/16映射回(M/16)*(N/16)的特征圖尺度,接入最大值池化層,針對將特征圖水平與豎直7等分的建議,生成7*7的輸出[17],主要過程如圖4所示。

    通過RoI興趣區(qū)域池化后,對于任意尺寸大小的圖像輸入,模型后續(xù)回歸分類的全連接層具有相同維度的輸入。

    1.4回歸分類

    1.4.1Softmax分類器

    對RoI池化得到的區(qū)域建議特征圖,經(jīng)全連接層以3*3的卷積核遍歷特征圖,采用Softmax分類器計算類別概率向量,選取概率最大的k個向量作為候選區(qū)。對于每一類別的概率,令模型參數(shù)為 ,采用歸一化方法使所有概率和為1,對于所有輸入的列向量

    1.4.2邊框回歸

    對于圖像目標(biāo)檢測的正確性,采用IoU(交并比),也稱為檢測評價函數(shù)進行度量。如圖5所示,IoU是指預(yù)測框(黑框)與真實框(紅框)交集與并集的比值。

    通過邊框回歸器得到位置偏移量,使最終的回歸框更加精確,得到當(dāng)前的回歸坐標(biāo)值。

    針對服裝的特有屬性,考慮文獻[18]中對顯著性特征的分析,調(diào)整模型并采用HOG邊緣梯度直方圖特征結(jié)合SVM分類器進行目標(biāo)檢測。主要計算圖像局部區(qū)域梯度直方圖,并統(tǒng)計區(qū)域內(nèi)的梯度直方圖構(gòu)成特征向量。采用128*144的檢測子,nhins設(shè)置為9,結(jié)合服裝目標(biāo)的顯著性檢測進行邊框修正,得到綜合考慮圖像底層HOG邊緣梯度直方圖特征與高層卷積神經(jīng)網(wǎng)絡(luò)特征的服裝圖像,輸出邊框回歸坐標(biāo)值[19]。

    2實驗分析

    2.1實驗環(huán)境與預(yù)處理

    2.1.1 實驗環(huán)境

    處理器:Intel Core i5-9400F@6x 4.1GHz。

    顯卡:GeForce GTX 1660 Ti。

    內(nèi)存:16G。

    操作系統(tǒng):ManjaroLinux環(huán)境。

    開發(fā)環(huán)境:基于Pvthon3與PvTorch。

    2.1.2 實驗數(shù)據(jù)集

    綜合香港中文大學(xué)提供的大型公開服裝圖像數(shù)據(jù)集DeepFashion與FashionAI、某省服裝個性化定制協(xié)同創(chuàng)新中心項目積累的大量圖片,以及在各電子商務(wù)網(wǎng)站爬取的服裝圖像,得到總計325 870張服裝圖像。關(guān)聯(lián)對應(yīng)的服裝類別標(biāo)簽與服裝主體邊界框標(biāo)注,建立大規(guī)模服裝圖像數(shù)據(jù)集,部分圖片展示如圖6所示。

    考慮日常照片中的上半身照較多,鞋子出現(xiàn)較少,將研究任務(wù)選取類別主要分為上衣、下裝、裙子3大類,再細(xì)分得到24個服裝類別標(biāo)簽如表l所示。對沒有標(biāo)注的圖像進行人工服裝類別與目標(biāo)框標(biāo)注,標(biāo)注圖像對應(yīng)的類別與邊框。參考PASCAL VOC 2007數(shù)據(jù)集格式,生成對應(yīng)的XML文件。

    對于建立的大規(guī)模服裝圖像數(shù)據(jù)集,將數(shù)據(jù)集隨機分成3批,采用20萬張作為訓(xùn)練集,用來進行模型訓(xùn)練,6萬張作為驗證集,用來進行參數(shù)調(diào)整,得到最佳模型參數(shù),其余部分作為測試集,用來進行模型評價[20]。

    2.1.3預(yù)處理

    對于實驗數(shù)據(jù)集中的服裝圖像,為減少圖像冗余信息,需進行預(yù)處理,主要進行去均值與歸一化。

    去均值是指消除圖像每個數(shù)據(jù)點的平均亮度值,將輸入樣本的中心定位于坐標(biāo)系原點,以去除維度對樣本的影響。對于 共m個輸入樣本,維數(shù)為 為,樣本圖像像素平鋪后的i個像素,則對于該像素而言,使該點像素變?yōu)?。歸一化是將像素點除以255,歸一到[O,1]區(qū)間,統(tǒng)一各維度取值范圍。

    2.2實驗分析

    2.2.1 目標(biāo)檢測評價參數(shù)

    對于目標(biāo)檢測模型,通常采用能綜合考慮精確度(Pre-cision)與召回率(Recall)的平均準(zhǔn)確率均值(mAP,MeanAverage Precision)評價模型。AP是指對某一類別識別的平均準(zhǔn)確率,mAP則可衡量對所有類別的識別效果。mAP在0-1之間,該值越大,表示模型檢測效果越好。計算公式如下:

    對于實驗?zāi)P停琺AP值為0.902,具有較好的檢測效果。

    2.2.2運行速度

    采用FPS(Frame Per Second,每秒幀率),即模型每秒處理圖像的數(shù)量描述模型運行速度。在本實驗的硬件環(huán)境中,模型對數(shù)據(jù)集的FPS為8.9幀/秒,即一秒能夠完成對8.9張圖像的目標(biāo)檢測,具有較快的檢索速度。

    2.3對比實驗設(shè)計

    考慮采用不同卷積神經(jīng)網(wǎng)絡(luò)進行特征提取,并進行模型檢測效果比較,得到不同模型性能對比如表2所示。

    實驗結(jié)果表明,總體而言,Resnetl01與Densenet201的特征提取效果更好,但Densenet201由于深度過大,模型過于復(fù)雜,耗時遠(yuǎn)超過其它模型,因此本文選取的Resnetl01具有最佳的綜合性能。

    3 結(jié)語

    本文提出一種針對服裝圖像的目標(biāo)檢測方法,借助殘差神經(jīng)網(wǎng)絡(luò)的特征提取能力進行服裝圖像特征提取,通過RPN網(wǎng)絡(luò)進行候選區(qū)域生成,調(diào)整Faster R-CNN網(wǎng)絡(luò)模型,融合服裝的高層卷積特征與底層HOG特征,從而有效提高了服裝目標(biāo)的檢測準(zhǔn)確率,并具有較快的處理速度。但由于數(shù)據(jù)集中的服裝圖像目標(biāo)一般為單個,缺少對多目標(biāo)、多類別的魯棒性,未來考慮從該方面出發(fā),對服裝圖像目標(biāo)檢測作更深入的研究。

    參考文獻:

    [1]王潛.基于卷積神經(jīng)網(wǎng)絡(luò)的服裝分類與目標(biāo)檢測研究[D].武漢:武漢理工大學(xué),2017.

    [2]蘭麗服裝圖像自動標(biāo)注方法研究[D].北京:北京服裝學(xué)院,2017.

    [3]張振煥,周彩蘭,梁媛.基于殘差的優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)服裝分類算法[J].計算機工程與科學(xué),2018,40(2):354-360.

    [4]劉鵬飛視頻監(jiān)控場景中人數(shù)統(tǒng)計方法的研究與應(yīng)用[D].成都:

    電子科技大學(xué),2017.

    [5]黃凱奇,陳曉棠,康運鋒,等智能視頻監(jiān)控技術(shù)綜述[J].計算機學(xué)報,2015 .38(6): 1093-1118.

    [6]YAMAZAKI K. INABA M. A cloth detection method based on image

    wrinkle feature for dailv assistive robots[J].MVA,2013.

    [7]PAN R. GAO W,LIU J, et al. Automatic recognition ofWoven fabricpattern based on image processing and BP neural network[J] Journalof the Textile Institute, 2011,102(1):19-30.

    [8]WANG N,AI H Z,TANC F. Who hlockswho: simultaneous segmenta-tion of occluded ohjects FJl. Journal of Cnmputer Science and Tech-nology, 2013, 28(5): 890-906.

    [9]LIU Z. YAN S,LLO P. et al. Fashion landmark detection in the wild[C]. European Conference on Cnmputer Vision, 2016.

    [10]LIU Z, LUO P, QIU S,et al. Deepfashion: powering rohust clothesrecngnition and retrievalM-ith rich annotations[C] Computer Vision&Pattern Recognition, 20 1 6.

    [II]紀(jì)娟,秦珂,楊若瑜,基于HOG和幾何特征的服裝細(xì)節(jié)要素識別與分類[J].圖學(xué)學(xué)報,2016(1):84-90.

    [12]曹詩雨,劉躍虎,李辛昭.基于Fast R-CNN的車輛目標(biāo)檢測[J].中國圖象圖形學(xué)報,2017,22(5):671-677.

    [13]王林,張鶴鶴Faster R-CNN模型在車輛檢測中的應(yīng)用[J].計算機應(yīng)用,2018,38( 3):666-670.

    [14]HE K, ZHANC X. REN S, et al. Deep residual learniW for image rec-ognition[C]. Cnmputer Vision and Pattern Recognition(CVPR), 2015.

    [15]CHEN Y P, LI Y. WANG G.An enhanced region propnsal networkfor ohject detection using deep learning method[J]. PloS one, 201 8.

    [16] 殷文斌卷積神經(jīng)網(wǎng)絡(luò)在遙感目標(biāo)識別中的應(yīng)用研究[D].北京: 中國科學(xué)院大學(xué),2017.

    [17]楚翔宇.基于深度學(xué)習(xí)的交通視頻檢測及車型分類研究[D].哈爾濱:哈爾濱工業(yè)大學(xué),2017.

    [18]娜黑雅顯著區(qū)域檢測及其在服裝檢索中的應(yīng)用[D].青島:中國石油大學(xué)(華東),2014.

    [19]何妮.結(jié)合顯著性目標(biāo)檢測與圖像分割的服飾提取算法研究及實現(xiàn)[D]成都:西南交通大學(xué),2015.

    [20]徐勝,昊新娟基于多示例學(xué)習(xí)的圖像檢索方法[J].信息技術(shù),2014(7):106-110

    (責(zé)任編輯:黃?。?/p>

    收稿日期:2019-06-03

    基金項目:浙江省科技廳(重大)項目(2015C03001)

    作者簡介:陳雙(1994-),男,浙江理工大學(xué)信息學(xué)院碩士研究生,研究方向為人工智能與機器學(xué)習(xí)、大數(shù)據(jù)技術(shù)與應(yīng)用;何利力

    (1966-),男,博士,浙江理工大學(xué)信息學(xué)院教授,研究方向為圖形圖像、人機交互、制造業(yè)信息化、企業(yè)智能、數(shù)據(jù)庫。

    猜你喜歡
    目標(biāo)檢測深度學(xué)習(xí)
    有體驗的學(xué)習(xí)才是有意義的學(xué)習(xí)
    MOOC與翻轉(zhuǎn)課堂融合的深度學(xué)習(xí)場域建構(gòu)
    大數(shù)據(jù)技術(shù)在反恐怖主義中的應(yīng)用展望
    移動機器人圖像目標(biāo)識別
    一種改進的峰均功率比判源方法
    女性被躁到高潮视频| 18在线观看网站| 日韩成人伦理影院| 乱人伦中国视频| 中文乱码字字幕精品一区二区三区| 国产精品秋霞免费鲁丝片| 熟女电影av网| 久久精品aⅴ一区二区三区四区 | 欧美97在线视频| 在线免费观看不下载黄p国产| 好男人视频免费观看在线| 精品午夜福利在线看| 久久精品国产自在天天线| 亚洲人成77777在线视频| 热99久久久久精品小说推荐| 久久精品国产a三级三级三级| 黄色 视频免费看| 五月天丁香电影| 亚洲 欧美一区二区三区| 又大又黄又爽视频免费| 国产熟女欧美一区二区| 日韩成人伦理影院| 亚洲欧美色中文字幕在线| 少妇熟女欧美另类| 咕卡用的链子| 亚洲精品久久午夜乱码| 91久久精品国产一区二区三区| 成人国产av品久久久| 亚洲国产精品999| 九九爱精品视频在线观看| 久久久久网色| 国精品久久久久久国模美| 成人影院久久| 色婷婷av一区二区三区视频| 成人毛片a级毛片在线播放| 亚洲久久久国产精品| 国产又爽黄色视频| 亚洲av综合色区一区| 亚洲精品日本国产第一区| 观看美女的网站| 又粗又硬又长又爽又黄的视频| 精品久久久久久电影网| 欧美亚洲 丝袜 人妻 在线| 精品国产露脸久久av麻豆| 看免费成人av毛片| 中国美白少妇内射xxxbb| 成年女人在线观看亚洲视频| 女的被弄到高潮叫床怎么办| 国产精品99久久99久久久不卡 | 亚洲精品456在线播放app| av一本久久久久| 美女脱内裤让男人舔精品视频| a级片在线免费高清观看视频| 妹子高潮喷水视频| 国产亚洲精品久久久com| 黑人欧美特级aaaaaa片| 精品久久蜜臀av无| 国产精品无大码| 亚洲国产精品一区二区三区在线| 国产欧美亚洲国产| 欧美97在线视频| 乱人伦中国视频| 麻豆乱淫一区二区| 成年人午夜在线观看视频| 校园人妻丝袜中文字幕| 我的女老师完整版在线观看| 免费观看a级毛片全部| 制服丝袜香蕉在线| 精品熟女少妇av免费看| 成人亚洲精品一区在线观看| 色5月婷婷丁香| 久热这里只有精品99| 国产成人精品一,二区| 如何舔出高潮| 丰满饥渴人妻一区二区三| 水蜜桃什么品种好| 免费日韩欧美在线观看| 啦啦啦中文免费视频观看日本| 精品久久国产蜜桃| 最近最新中文字幕免费大全7| 成人国产麻豆网| 1024视频免费在线观看| 美女脱内裤让男人舔精品视频| 午夜福利在线观看免费完整高清在| 亚洲精品成人av观看孕妇| 狂野欧美激情性xxxx在线观看| 少妇人妻久久综合中文| av免费观看日本| 精品福利永久在线观看| 日本黄色日本黄色录像| 一个人免费看片子| 久久久久久久国产电影| 一边摸一边做爽爽视频免费| 午夜福利视频精品| 亚洲精品av麻豆狂野| 色视频在线一区二区三区| 国产1区2区3区精品| 啦啦啦视频在线资源免费观看| 国产精品三级大全| 午夜激情久久久久久久| 日韩不卡一区二区三区视频在线| 日本av免费视频播放| 成人手机av| 欧美日韩成人在线一区二区| 最近最新中文字幕大全免费视频 | 国产欧美日韩一区二区三区在线| 在线观看www视频免费| 下体分泌物呈黄色| 99久久综合免费| 亚洲国产最新在线播放| 久久久久久久精品精品| 国产男女内射视频| 一边亲一边摸免费视频| 我的女老师完整版在线观看| 日日撸夜夜添| 69精品国产乱码久久久| 观看av在线不卡| av福利片在线| 26uuu在线亚洲综合色| 婷婷色综合大香蕉| 欧美人与性动交α欧美精品济南到 | 日本色播在线视频| 天天躁夜夜躁狠狠久久av| 你懂的网址亚洲精品在线观看| 岛国毛片在线播放| 亚洲在久久综合| 免费看光身美女| 捣出白浆h1v1| 免费高清在线观看日韩| 插逼视频在线观看| 大话2 男鬼变身卡| 国产黄频视频在线观看| 国产黄频视频在线观看| 日本av免费视频播放| 久久精品国产自在天天线| 日本wwww免费看| av片东京热男人的天堂| 亚洲av男天堂| 少妇的丰满在线观看| 激情五月婷婷亚洲| 久久综合国产亚洲精品| 亚洲,一卡二卡三卡| 亚洲精品国产av成人精品| 最近2019中文字幕mv第一页| 男人爽女人下面视频在线观看| 久久精品夜色国产| 啦啦啦啦在线视频资源| 99久久人妻综合| 日韩视频在线欧美| 国产精品不卡视频一区二区| 国产精品国产av在线观看| 日韩在线高清观看一区二区三区| 久久久久久久久久成人| 亚洲人成77777在线视频| 人体艺术视频欧美日本| 国产av精品麻豆| 国产成人精品无人区| 只有这里有精品99| 一区二区av电影网| 女人精品久久久久毛片| 精品午夜福利在线看| 亚洲精品乱久久久久久| xxx大片免费视频| 男女边吃奶边做爰视频| 久久综合国产亚洲精品| 91精品伊人久久大香线蕉| 欧美 亚洲 国产 日韩一| 一二三四在线观看免费中文在 | 国产精品麻豆人妻色哟哟久久| 国产日韩欧美亚洲二区| 久久婷婷青草| 一个人免费看片子| 国产精品国产av在线观看| 99国产精品免费福利视频| 岛国毛片在线播放| 国产成人精品久久久久久| 日本与韩国留学比较| 美女国产视频在线观看| 一区二区日韩欧美中文字幕 | 在线精品无人区一区二区三| 国产在线免费精品| 香蕉丝袜av| 最新的欧美精品一区二区| 亚洲精品久久久久久婷婷小说| 2022亚洲国产成人精品| 26uuu在线亚洲综合色| xxx大片免费视频| 国产成人av激情在线播放| 在线观看美女被高潮喷水网站| 啦啦啦视频在线资源免费观看| 美国免费a级毛片| 国产黄色视频一区二区在线观看| 国产精品国产三级国产专区5o| 久久久精品区二区三区| 亚洲国产欧美日韩在线播放| 精品亚洲乱码少妇综合久久| 精品国产一区二区三区四区第35| 亚洲丝袜综合中文字幕| 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | 最新的欧美精品一区二区| 亚洲熟女精品中文字幕| 又大又黄又爽视频免费| 午夜久久久在线观看| 啦啦啦视频在线资源免费观看| 大香蕉97超碰在线| 亚洲精品成人av观看孕妇| 极品少妇高潮喷水抽搐| 久热这里只有精品99| 91精品三级在线观看| videosex国产| 一级片免费观看大全| 日韩伦理黄色片| 精品国产一区二区久久| 热99久久久久精品小说推荐| 久久这里只有精品19| 日本av手机在线免费观看| 国产爽快片一区二区三区| 亚洲国产色片| 青春草国产在线视频| 国产在线一区二区三区精| 欧美老熟妇乱子伦牲交| 免费高清在线观看日韩| 母亲3免费完整高清在线观看 | 日日啪夜夜爽| 精品视频人人做人人爽| 成年人免费黄色播放视频| 制服丝袜香蕉在线| 在线观看免费日韩欧美大片| 搡女人真爽免费视频火全软件| www.色视频.com| 欧美国产精品一级二级三级| 亚洲,一卡二卡三卡| 99久国产av精品国产电影| 久久久久国产精品人妻一区二区| 黑人巨大精品欧美一区二区蜜桃 | 精品国产乱码久久久久久小说| 一级毛片电影观看| 亚洲综合精品二区| 麻豆精品久久久久久蜜桃| av黄色大香蕉| 亚洲精品美女久久久久99蜜臀 | 男女免费视频国产| 男女啪啪激烈高潮av片| 中文字幕人妻熟女乱码| 一级a做视频免费观看| 午夜福利视频精品| 久久精品久久久久久久性| 91成人精品电影| 久久精品国产亚洲av涩爱| 久久人妻熟女aⅴ| 亚洲欧洲国产日韩| 欧美国产精品一级二级三级| 美国免费a级毛片| 亚洲精品中文字幕在线视频| 亚洲精品久久成人aⅴ小说| 99视频精品全部免费 在线| 一区在线观看完整版| av一本久久久久| 热99国产精品久久久久久7| 天天躁夜夜躁狠狠躁躁| 熟女av电影| 日韩av不卡免费在线播放| 久久久久视频综合| 丰满迷人的少妇在线观看| av女优亚洲男人天堂| 乱码一卡2卡4卡精品| 少妇高潮的动态图| av在线观看视频网站免费| 久久久国产一区二区| 午夜福利影视在线免费观看| 黄色 视频免费看| 高清视频免费观看一区二区| 汤姆久久久久久久影院中文字幕| 精品久久蜜臀av无| 中文字幕精品免费在线观看视频 | 免费人妻精品一区二区三区视频| 男女边吃奶边做爰视频| www日本在线高清视频| 成人综合一区亚洲| av.在线天堂| 黄色视频在线播放观看不卡| 一级黄片播放器| tube8黄色片| 十八禁网站网址无遮挡| 一级,二级,三级黄色视频| 又粗又硬又长又爽又黄的视频| 中文字幕精品免费在线观看视频 | 亚洲av国产av综合av卡| 亚洲精品乱久久久久久| 国语对白做爰xxxⅹ性视频网站| 男人舔女人的私密视频| 亚洲精品一二三| 欧美精品一区二区大全| 爱豆传媒免费全集在线观看| 人妻人人澡人人爽人人| videos熟女内射| 99视频精品全部免费 在线| www.色视频.com| 亚洲精品av麻豆狂野| 亚洲av综合色区一区| 日韩在线高清观看一区二区三区| 日韩av不卡免费在线播放| 欧美精品国产亚洲| 国产精品熟女久久久久浪| 99久久人妻综合| 国产白丝娇喘喷水9色精品| av免费观看日本| 久久久久久久精品精品| 999精品在线视频| 国产伦理片在线播放av一区| 日韩人妻精品一区2区三区| 国产亚洲欧美精品永久| 老司机影院成人| 国产色婷婷99| 国产av码专区亚洲av| 精品一区二区三区四区五区乱码 | 搡女人真爽免费视频火全软件| 亚洲av电影在线观看一区二区三区| 狂野欧美激情性bbbbbb| 夜夜爽夜夜爽视频| 国产女主播在线喷水免费视频网站| 又粗又硬又长又爽又黄的视频| 一本大道久久a久久精品| av在线app专区| 久久女婷五月综合色啪小说| 日韩伦理黄色片| 黄色毛片三级朝国网站| 九九爱精品视频在线观看| 九草在线视频观看| 看非洲黑人一级黄片| 久久人人爽av亚洲精品天堂| 天堂俺去俺来也www色官网| 熟女av电影| 亚洲美女黄色视频免费看| 中国国产av一级| 另类精品久久| 亚洲久久久国产精品| 亚洲精品久久久久久婷婷小说| 男女国产视频网站| 侵犯人妻中文字幕一二三四区| 少妇被粗大的猛进出69影院 | 一本色道久久久久久精品综合| 久久午夜福利片| 久久久久久人妻| 日韩熟女老妇一区二区性免费视频| 国产极品粉嫩免费观看在线| 国产成人免费无遮挡视频| 亚洲成人一二三区av| 黄色配什么色好看| 亚洲av成人精品一二三区| 卡戴珊不雅视频在线播放| 午夜精品国产一区二区电影| 成年人免费黄色播放视频| 99热国产这里只有精品6| 精品国产国语对白av| 精品亚洲乱码少妇综合久久| 亚洲欧美精品自产自拍| 欧美精品国产亚洲| 男人爽女人下面视频在线观看| 成年女人在线观看亚洲视频| 成年美女黄网站色视频大全免费| 精品久久蜜臀av无| 亚洲国产色片| 亚洲三级黄色毛片| freevideosex欧美| 成人18禁高潮啪啪吃奶动态图| 国产乱来视频区| 九草在线视频观看| 亚洲国产精品专区欧美| 曰老女人黄片| 尾随美女入室| 国产精品成人在线| 国产成人免费无遮挡视频| 涩涩av久久男人的天堂| 国产av码专区亚洲av| av又黄又爽大尺度在线免费看| 欧美日韩av久久| 中国美白少妇内射xxxbb| 免费播放大片免费观看视频在线观看| 好男人视频免费观看在线| 国产又爽黄色视频| 超色免费av| 色视频在线一区二区三区| 久久久久久人妻| 免费女性裸体啪啪无遮挡网站| 大片电影免费在线观看免费| 久久人人爽人人片av| 伦理电影大哥的女人| 菩萨蛮人人尽说江南好唐韦庄| 日韩免费高清中文字幕av| 欧美精品高潮呻吟av久久| 国产成人精品无人区| av天堂久久9| 国产一级毛片在线| 成人免费观看视频高清| 亚洲内射少妇av| 在线观看www视频免费| 少妇高潮的动态图| 国产精品国产三级国产av玫瑰| 国产片特级美女逼逼视频| 80岁老熟妇乱子伦牲交| 国产熟女午夜一区二区三区| 在线观看免费高清a一片| 在线观看人妻少妇| 这个男人来自地球电影免费观看 | 夜夜爽夜夜爽视频| 精品福利永久在线观看| 亚洲国产成人一精品久久久| 欧美精品高潮呻吟av久久| 亚洲精品自拍成人| 久久韩国三级中文字幕| 亚洲欧美色中文字幕在线| 男女啪啪激烈高潮av片| 免费观看性生交大片5| 久久久久久人妻| 亚洲欧美一区二区三区黑人 | 色婷婷av一区二区三区视频| 欧美国产精品va在线观看不卡| 人妻 亚洲 视频| 一级,二级,三级黄色视频| 国精品久久久久久国模美| av黄色大香蕉| 亚洲av国产av综合av卡| 91精品伊人久久大香线蕉| 男人添女人高潮全过程视频| 91aial.com中文字幕在线观看| 欧美 亚洲 国产 日韩一| 亚洲性久久影院| 一区二区av电影网| 熟女人妻精品中文字幕| 中国美白少妇内射xxxbb| 亚洲国产精品专区欧美| 侵犯人妻中文字幕一二三四区| 日韩熟女老妇一区二区性免费视频| 久久久国产一区二区| 99热全是精品| 精品国产一区二区三区久久久樱花| 久久久国产一区二区| a级毛色黄片| 日韩熟女老妇一区二区性免费视频| av又黄又爽大尺度在线免费看| 毛片一级片免费看久久久久| 午夜激情av网站| 欧美激情国产日韩精品一区| 亚洲av男天堂| 一级黄片播放器| 精品国产一区二区三区久久久樱花| 97在线视频观看| 男人舔女人的私密视频| 母亲3免费完整高清在线观看 | 婷婷色综合大香蕉| 亚洲综合精品二区| 热99久久久久精品小说推荐| 国产国语露脸激情在线看| 美女国产高潮福利片在线看| 日本黄色日本黄色录像| 女人精品久久久久毛片| 国产精品国产三级国产专区5o| 人人妻人人澡人人爽人人夜夜| 男女边吃奶边做爰视频| 日韩制服丝袜自拍偷拍| 寂寞人妻少妇视频99o| 久久久久久久精品精品| 亚洲av在线观看美女高潮| 精品人妻偷拍中文字幕| 嫩草影院入口| 捣出白浆h1v1| 免费av中文字幕在线| 精品国产一区二区三区四区第35| 五月伊人婷婷丁香| a级毛片黄视频| 五月开心婷婷网| 91久久精品国产一区二区三区| 免费黄网站久久成人精品| 一级,二级,三级黄色视频| 亚洲色图综合在线观看| 国产xxxxx性猛交| 日韩人妻精品一区2区三区| 久久韩国三级中文字幕| 另类亚洲欧美激情| 国产成人91sexporn| 国产精品久久久久成人av| 精品少妇黑人巨大在线播放| av免费在线看不卡| 侵犯人妻中文字幕一二三四区| 日韩,欧美,国产一区二区三区| 国产男人的电影天堂91| 九九爱精品视频在线观看| av网站免费在线观看视频| 丰满少妇做爰视频| 国产欧美亚洲国产| 2018国产大陆天天弄谢| 欧美成人午夜免费资源| 母亲3免费完整高清在线观看 | 免费人妻精品一区二区三区视频| 欧美 亚洲 国产 日韩一| 岛国毛片在线播放| 搡老乐熟女国产| 久久婷婷青草| av片东京热男人的天堂| 啦啦啦啦在线视频资源| 高清黄色对白视频在线免费看| 日日摸夜夜添夜夜爱| 色5月婷婷丁香| 一边亲一边摸免费视频| 亚洲精品国产av蜜桃| 亚洲av国产av综合av卡| 国产精品嫩草影院av在线观看| 岛国毛片在线播放| 成人18禁高潮啪啪吃奶动态图| 亚洲国产毛片av蜜桃av| 亚洲国产av新网站| 久久久精品区二区三区| 天天躁夜夜躁狠狠久久av| 性色avwww在线观看| 看免费成人av毛片| 久久久久人妻精品一区果冻| 精品一区二区三卡| 日日撸夜夜添| 丝瓜视频免费看黄片| 日本色播在线视频| 三级国产精品片| 久久久久久久久久久久大奶| 最后的刺客免费高清国语| av有码第一页| 亚洲 欧美一区二区三区| 18+在线观看网站| 自拍欧美九色日韩亚洲蝌蚪91| 999精品在线视频| 这个男人来自地球电影免费观看 | 亚洲经典国产精华液单| 啦啦啦中文免费视频观看日本| 亚洲欧美成人精品一区二区| 中文精品一卡2卡3卡4更新| 免费黄频网站在线观看国产| 一区二区av电影网| 久久久久久久大尺度免费视频| av网站免费在线观看视频| 婷婷色综合www| 免费高清在线观看日韩| av在线播放精品| 亚洲在久久综合| 国产精品女同一区二区软件| 宅男免费午夜| 在线观看美女被高潮喷水网站| 午夜福利视频在线观看免费| 亚洲av成人精品一二三区| 国产乱人偷精品视频| 婷婷色综合大香蕉| 在线观看www视频免费| 中文欧美无线码| 激情视频va一区二区三区| 日产精品乱码卡一卡2卡三| 一二三四在线观看免费中文在 | 国产极品粉嫩免费观看在线| 亚洲av综合色区一区| 大香蕉久久成人网| 三级国产精品片| 国产精品 国内视频| 少妇人妻精品综合一区二区| 久久久亚洲精品成人影院| 欧美精品亚洲一区二区| 午夜福利网站1000一区二区三区| 国产精品嫩草影院av在线观看| 免费观看在线日韩| 2021少妇久久久久久久久久久| 全区人妻精品视频| 春色校园在线视频观看| 全区人妻精品视频| 中文字幕精品免费在线观看视频 | 91精品国产国语对白视频| 亚洲久久久国产精品| 观看美女的网站| 亚洲久久久国产精品| 久久青草综合色| 久久久国产精品麻豆| videossex国产| 色网站视频免费| 一级毛片我不卡| 免费观看av网站的网址| 大香蕉97超碰在线| 大话2 男鬼变身卡| av女优亚洲男人天堂| 亚洲精品乱码久久久久久按摩| 51国产日韩欧美| 免费高清在线观看视频在线观看| 天堂俺去俺来也www色官网| 欧美日韩视频精品一区| 久久久久久久国产电影| 精品国产一区二区久久| 在线观看人妻少妇| 我的女老师完整版在线观看| av在线老鸭窝| av又黄又爽大尺度在线免费看| 国产乱人偷精品视频| 香蕉国产在线看| 秋霞在线观看毛片| 街头女战士在线观看网站| www日本在线高清视频| 久久鲁丝午夜福利片| 黄色毛片三级朝国网站| 色网站视频免费| 热99国产精品久久久久久7| 精品福利永久在线观看| 久久人人爽人人片av| 男人操女人黄网站| 18禁动态无遮挡网站| 亚洲美女视频黄频| 99久久人妻综合| 免费不卡的大黄色大毛片视频在线观看| 久久久久久久亚洲中文字幕| 精品久久蜜臀av无| 成年动漫av网址| 亚洲欧洲精品一区二区精品久久久 | 国产在线一区二区三区精|