• <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 ?

    基于深度CRF網(wǎng)絡(luò)的單目紅外場(chǎng)景深度估計(jì)

    2020-07-01 01:22:12王倩倩趙海濤
    紅外技術(shù) 2020年6期
    關(guān)鍵詞:深度圖單目紅外

    王倩倩,趙海濤

    基于深度CRF網(wǎng)絡(luò)的單目紅外場(chǎng)景深度估計(jì)

    王倩倩,趙海濤

    (華東理工大學(xué) 信息科學(xué)與工程學(xué)院,上海 200237)

    對(duì)單目紅外圖像進(jìn)行深度估計(jì),不僅有利于3D場(chǎng)景理解,而且有助于進(jìn)一步推廣和開(kāi)發(fā)夜間視覺(jué)應(yīng)用。針對(duì)紅外圖像無(wú)顏色、紋理不豐富、輪廓不清晰等缺點(diǎn),本文提出一種新穎的深度條件隨機(jī)場(chǎng)網(wǎng)絡(luò)學(xué)習(xí)模型(deep conditional random field network, DCRFN)來(lái)估計(jì)紅外圖像的深度。首先,與傳統(tǒng)條件隨機(jī)場(chǎng)(conditional random field, CRF)模型不同,DCRFN不需預(yù)設(shè)成對(duì)特征,可通過(guò)一個(gè)淺層網(wǎng)絡(luò)架構(gòu)提取和優(yōu)化模型的成對(duì)特征。其次,將傳統(tǒng)單目圖像深度回歸問(wèn)題轉(zhuǎn)換為分類(lèi)問(wèn)題,在損失函數(shù)中考慮不同標(biāo)簽的有序信息,不僅加快了網(wǎng)絡(luò)的收斂速度,而且有助于獲得更優(yōu)的解。最后,本文在DCRFN損失函數(shù)層計(jì)算不同空間尺度的成對(duì)項(xiàng),使得預(yù)測(cè)深度圖的景物輪廓信息相比于無(wú)尺度約束模型更加豐富。實(shí)驗(yàn)結(jié)果表明,本文提出的方法在紅外數(shù)據(jù)集上優(yōu)于現(xiàn)有的深度估計(jì)方法,在局部場(chǎng)景變化的預(yù)測(cè)中更加平滑。

    紅外圖像;深度估計(jì);條件隨機(jī)場(chǎng);有序約束

    0 引言

    單目圖像深度估計(jì)是計(jì)算機(jī)視覺(jué)中最基本的任務(wù)之一,已經(jīng)在場(chǎng)景理解[1]、3D建模[2]、機(jī)器人[3]、自動(dòng)駕駛[4]等領(lǐng)域獲得了廣泛應(yīng)用。圖像深度即圖像上某點(diǎn)像素到拍攝相機(jī)的距離。早期的單目深度研究主要關(guān)注幾何假設(shè),如箱體模型推測(cè)場(chǎng)景的空間布局[5]等,由于其嚴(yán)格的環(huán)境假設(shè)導(dǎo)致模型只在特殊場(chǎng)景下有效。

    在單目場(chǎng)景深度估計(jì)的研究中,基于概率圖模型(probabilistic graphical models, PGM)的方法能夠在輸入和輸出之間建立結(jié)構(gòu)化聯(lián)系,因此被廣泛應(yīng)用到單目深度估計(jì)中。馬爾可夫隨機(jī)場(chǎng)(Markov random field, MRF)和條件隨機(jī)場(chǎng)(conditional random field, CRF)是應(yīng)用最多的PGM方法,他們的關(guān)鍵點(diǎn)在于構(gòu)造合理以及正確的特征表示。早期的研究[6]關(guān)注如何從單目線索中構(gòu)造MRF的絕對(duì)特征(一元特征)和相對(duì)特征(成對(duì)特征),但是這些紋理變化、運(yùn)動(dòng)、遮擋、陰影、散焦等單目線索都是低維手工特征,缺乏場(chǎng)景的通用性。

    為了解決特定場(chǎng)景的限制,結(jié)合語(yǔ)義等其他任務(wù)信息[7-8]和基于數(shù)據(jù)驅(qū)動(dòng)的非參數(shù)方法[9-10]在一定程度上緩解了場(chǎng)景限制問(wèn)題。Liu等學(xué)者[7]以語(yǔ)義分類(lèi)和幾何先驗(yàn)為前提條件,首先通過(guò)MRF完成對(duì)圖像的語(yǔ)義標(biāo)注,之后使用預(yù)測(cè)的語(yǔ)義標(biāo)簽來(lái)指導(dǎo)深度估計(jì)模型。但在現(xiàn)實(shí)生活中,很難獲得可靠的語(yǔ)義或其他額外信息?;跀?shù)據(jù)驅(qū)動(dòng)的非參數(shù)方法是通過(guò)視覺(jué)相似性比較,從具有圖像-深度的數(shù)據(jù)集中搜索候選圖像的近似深度圖。Liu等學(xué)者[9]將深度估計(jì)當(dāng)作連續(xù)離散的CRF優(yōu)化問(wèn)題,采用級(jí)聯(lián)的GIST、PHOG等手工特征通過(guò)K近鄰算法檢索前個(gè)候選深度圖,但是CRF成對(duì)項(xiàng)只考慮了相鄰超像素之間的遮擋關(guān)系。

    Eigen等學(xué)者[11]首先將卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks, CNNs)應(yīng)用在深度估計(jì),從圖像塊上訓(xùn)練兩個(gè)尺度的CNNs,從而獲得了較好的結(jié)果。之后的很多研究都是通過(guò)修改深度網(wǎng)絡(luò)框架以期待獲得更精確的結(jié)果。Laina等學(xué)者[12]在ResNet[13-15]中利用了反向Huber損失;Gu等學(xué)者[13]基于ResNet估計(jì)紅外圖像的深度;Wu等學(xué)者[14]在CNNs的基礎(chǔ)上引入循環(huán)神經(jīng)網(wǎng)絡(luò)(recurrent neural network, RNN)的序列特征用于紅外視頻的深度估計(jì)。

    上述基于深度學(xué)習(xí)的方法由于沒(méi)有考慮優(yōu)化結(jié)構(gòu)損失,從而造成預(yù)測(cè)深度圖的景物輪廓模糊等問(wèn)題。CRF(或MRF)明確地包含了結(jié)構(gòu)約束,CNNs與CRF(或MRF)的結(jié)合成為深度估計(jì)、語(yǔ)義分割等視覺(jué)任務(wù)的主流方法。Chen等學(xué)者[16]采用全連接的CRF[17],通過(guò)平均場(chǎng)近似實(shí)現(xiàn)CRF推理,成對(duì)項(xiàng)特征來(lái)自預(yù)設(shè)的顏色和位置特征。Li等學(xué)者[18]提出深度回歸和深度精細(xì)框架,該模型CRF成對(duì)特征的設(shè)計(jì)來(lái)自文獻(xiàn)[17]。Liu等學(xué)者[19]提出了用于深度估計(jì)的DCNF模型,作者致力于在一個(gè)統(tǒng)一的框架下學(xué)習(xí)連續(xù)CRF和CNNs。后來(lái),Liu等學(xué)者[20]進(jìn)一步提出全卷積網(wǎng)絡(luò)訓(xùn)練和超像素池化方法。文獻(xiàn)[19-20]中CRF成對(duì)特征均來(lái)自顏色、顏色直方圖和紋理這3個(gè)簡(jiǎn)單預(yù)設(shè)信息。Xu等學(xué)者[21]將Attention機(jī)制與CNN-CRF結(jié)合用于深度估計(jì),其CRF也是針對(duì)可見(jiàn)光圖像設(shè)計(jì)的。

    由于紅外和可見(jiàn)光的成像原理差異,使得可見(jiàn)光圖像適用于光線充足的環(huán)境,而紅外圖像不受光線條件的限制,這使其特別適用于夜間無(wú)人駕駛等夜視應(yīng)用[22],因而估計(jì)車(chē)載紅外圖像的深度信息意義重大。早前針對(duì)紅外圖像的研究[23-24]大多停留在手工特征的提取上,由于紅外圖像存在紋理、色彩信息不豐富等缺點(diǎn),提取針對(duì)紅外圖像的特征具有一定的挑戰(zhàn)性。

    本文將深度估計(jì)表示為離散CRF學(xué)習(xí)問(wèn)題,提出深度條件隨機(jī)場(chǎng)網(wǎng)絡(luò)學(xué)習(xí)模型,該模型主要由特征學(xué)習(xí)和CRF損失層組成。首先,一元項(xiàng)對(duì)單個(gè)像素的信息進(jìn)行了估計(jì)與約束,成對(duì)項(xiàng)鼓勵(lì)相鄰像素?fù)碛邢嗨频纳疃刃畔ⅰ1疚牡囊辉卣魇腔贒ense-Net[25]的深度卷積網(wǎng)絡(luò),充分利用了密集連接機(jī)制,能夠通過(guò)特征在維度上的連接實(shí)現(xiàn)特征重用,使得模型的參數(shù)更少,性能更優(yōu)。Noh等學(xué)者[26]指出淺層CNNs可以獲得某些低級(jí)特征及其非線性組合,本文成對(duì)特征來(lái)自四層密集連接的全卷積網(wǎng)絡(luò),為紅外圖像提供了更豐富的特征表示。其次,受文獻(xiàn)[27-28]啟發(fā),并考慮車(chē)載圖像的遠(yuǎn)近特性,本文將連續(xù)深度值離散到對(duì)數(shù)空間以獲得有序標(biāo)簽,從而在CRF損失層中提出自適應(yīng)Huber Penalty來(lái)增加標(biāo)簽有序性約束和多尺度信息交互約束。

    1 基本原理

    Cao等學(xué)者[27]已經(jīng)證明將傳統(tǒng)的回歸問(wèn)題轉(zhuǎn)化為有序多分類(lèi)問(wèn)題,不僅會(huì)增加預(yù)測(cè)結(jié)果的正確性,而且會(huì)加快預(yù)測(cè)效率。針對(duì)車(chē)載紅外圖像本身存在的特點(diǎn),本文在對(duì)數(shù)空間里平均分割真實(shí)深度圖獲得各個(gè)深度層級(jí)的分類(lèi)標(biāo)簽,用于深度估計(jì)實(shí)驗(yàn):

    式中:?{1,2,…,},l(k)和d(k)分別表示第張圖像上像素的真實(shí)深度標(biāo)簽和真實(shí)深度值;min和max分別表示原深度圖中所有像素點(diǎn)的最小和最大真實(shí)深度值;floor(×)表示向下取整;是深度標(biāo)簽的等級(jí)。

    圖1(a)、(b)展示了數(shù)據(jù)集中任一深度圖在原始空間和對(duì)數(shù)空間的分布情況,可以得出,在對(duì)數(shù)空間里分割原深度圖可以獲得更加均勻的深度分布。圖1(c)、(d)表明值的選取影響整個(gè)分類(lèi)的好壞,如果選取過(guò)大,說(shuō)明分割很密集與原深度圖相差較少,則對(duì)提高預(yù)測(cè)效率貢獻(xiàn)較??;反之,分割結(jié)果會(huì)很稀疏與原深度圖相差較大,則會(huì)降低預(yù)測(cè)正確率。本文通過(guò)實(shí)驗(yàn)分別設(shè)置值為12、22、32、52、72,從數(shù)據(jù)分布圖上可以得出結(jié)論:=32時(shí),效果最佳。

    圖1 深度分布

    2 深度估計(jì)模型的設(shè)計(jì)

    本文的目標(biāo)是估計(jì)紅外圖像上每個(gè)像素點(diǎn)的深度標(biāo)簽信息,將單目深度估計(jì)問(wèn)題當(dāng)作CRF學(xué)習(xí)問(wèn)題,從而提出深度條件隨機(jī)場(chǎng)網(wǎng)絡(luò)學(xué)習(xí)模型(deep conditional random field network, DCRFN)。DCRFN的整體結(jié)構(gòu)如圖2所示,由特征學(xué)習(xí)和CRF損失層組成。在特征學(xué)習(xí)中,采用兩個(gè)深度卷積模型分別學(xué)習(xí)CRF的一元特征和成對(duì)特征。其中,一元模型直接從輸入圖像學(xué)習(xí)每個(gè)像素到深度標(biāo)簽的映射,從而獲得全局深度估計(jì)的結(jié)果;成對(duì)模型旨在獲得鄰域像素之間的約束關(guān)系,與傳統(tǒng)CRF成對(duì)特征的簡(jiǎn)單預(yù)設(shè)不同,本文提出的成對(duì)特征可以從一個(gè)新穎的深度卷積網(wǎng)絡(luò)中提取。在CRF損失層,其CRF一元項(xiàng)和成對(duì)項(xiàng)來(lái)自?xún)蓚€(gè)深度卷積模型的輸出,通過(guò)最小化負(fù)對(duì)數(shù)似然獲得最優(yōu)的深度估計(jì)結(jié)果。

    2.1 DCRFN描述

    假設(shè)={1,…,I}表示任意一張紅外圖像,其中是輸入圖像的總像素;={1,…,Y}表示每個(gè)輸入像素的深度標(biāo)簽,其中Y?{1,2,…,l}。CRF為給定隨機(jī)場(chǎng)條件下,離散隨機(jī)變量的馬爾科夫隨機(jī)場(chǎng)。條件隨機(jī)場(chǎng)(,)可以通過(guò)如下的Gibbs分布表示:

    式中:是平衡參數(shù)。一元?jiǎng)?i>反映了每個(gè)像素分配標(biāo)簽的置信度,成對(duì)勢(shì),j鼓勵(lì)相鄰像素被賦予相同的深度標(biāo)簽。表示輸入紅外圖像的所有像素,B是像素(?)的鄰域。

    2.2 勢(shì)函數(shù)

    根據(jù)圖2的兩個(gè)深度卷積模型重新定義CRF的一元?jiǎng)莺统蓪?duì)勢(shì)。輸入紅外圖像經(jīng)過(guò)一元模型直接學(xué)習(xí)每個(gè)輸入像素到深度標(biāo)簽的映射(1),經(jīng)過(guò)成對(duì)模型(2)在鄰域上建立相關(guān)關(guān)系;通過(guò)特征學(xué)習(xí)的(1)、(2)作為輸入傳遞給CRF損失層。

    2.2.1 一元?jiǎng)莺瘮?shù)

    CRF的一元?jiǎng)?i>,也就是等式(2)的第一項(xiàng)。本文引入密集連接模型作為一元分類(lèi)器,其勢(shì)函數(shù)定義:

    一元模型是基于Dense-Net的深度卷積網(wǎng)絡(luò),主要由密集塊、上采樣模塊和卷積層組成,其密集塊如圖2所示。輸入紅外圖像首先經(jīng)過(guò)一個(gè)7×7的卷積層獲得豐富的特征,之后通過(guò)4個(gè)密集塊,每個(gè)密集塊之間通過(guò)3×3的卷積連接實(shí)現(xiàn)尺寸的降低。通過(guò)對(duì)比實(shí)驗(yàn)確定各層輸出通道數(shù)從前到后為4、8、12、24。密集塊充分利用了跨層連接操作,每個(gè)層都會(huì)與前面的層在維度上連接在一起,并作為下一層的輸入,要求各層的特征圖大小要一致。由于池化操作會(huì)損失大量的細(xì)節(jié)信息[28],本文用卷積操作替代平均池化實(shí)現(xiàn)下采樣。之后經(jīng)過(guò)上采樣模塊恢復(fù)特征圖尺寸至真實(shí)深度圖尺寸。本文將最后兩層全連接改為全卷積結(jié)構(gòu),輸出特征圖像尺寸為[40,144,32],從而實(shí)現(xiàn)像素級(jí)別的分類(lèi)預(yù)測(cè)。

    2.2.2 成對(duì)勢(shì)函數(shù)

    圖3 DCRFN鄰域約束關(guān)系

    一元項(xiàng)只對(duì)單個(gè)像素的信息進(jìn)行了估計(jì)與約束,成對(duì)項(xiàng)鼓勵(lì)相鄰像素?fù)碛邢嗨频臉?biāo)簽信息。本文首先考慮紅外圖像無(wú)顏色且紋理信息不豐富,很難通過(guò)手工提取特征的缺點(diǎn);其次考慮到CRF推斷的可行性,成對(duì)模型在Dense-Net思想上引入跨密集塊的密集連接。由于只有4層卷積,且卷積大小均為3×3,大大減少了模型的參數(shù)量,使得CRF在鄰域上實(shí)現(xiàn)精確推斷。通過(guò)2×2和4×4的池化操作實(shí)現(xiàn)降采樣,使得跨層連接不受特征圖尺寸的限制,從而通過(guò)全密集連接獲得紅外圖像豐富的成對(duì)特征。

    2.3 DCRFN的推理和學(xué)習(xí)

    等式(5)、(6)分別定義了CRF的一元?jiǎng)莺统蓪?duì)勢(shì),本文通過(guò)最小化能量函數(shù)實(shí)現(xiàn)對(duì)參數(shù)的更新,對(duì)參數(shù)求偏導(dǎo):

    進(jìn)一步,通過(guò)BP對(duì)參數(shù)反向推導(dǎo),2關(guān)于第層權(quán)重2和偏置2梯度為:

    3 網(wǎng)絡(luò)訓(xùn)練

    3.1 數(shù)據(jù)采集

    NUSTMS數(shù)據(jù)集由南京理工大學(xué)無(wú)人車(chē)隊(duì)拍攝所得,包含5098對(duì)由遠(yuǎn)紅外攝像機(jī)拍攝的紅外圖像和測(cè)距雷達(dá)生成的深度圖。紅外圖像和相應(yīng)的深度圖的分辨率分別為576×160和144×40。本文數(shù)據(jù)集被分成訓(xùn)練集(3488對(duì)),驗(yàn)證集(586對(duì))和測(cè)試集(1024對(duì)),數(shù)據(jù)集的深度范圍為3~100m。其數(shù)據(jù)采集裝置如圖4所示。

    3.2 訓(xùn)練過(guò)程

    本文所有實(shí)驗(yàn)均在GeForce GTX 1080Ti顯卡上采用深度學(xué)習(xí)庫(kù)TensorFlow實(shí)現(xiàn)。在訓(xùn)練階段,預(yù)先對(duì)紅外圖像進(jìn)行歸一化,通過(guò)截?cái)嗾龖B(tài)分布來(lái)初始化權(quán)重,并將偏置初始化為零。采用計(jì)算每個(gè)參數(shù)自適應(yīng)學(xué)習(xí)率的優(yōu)化器Adam Optimizer來(lái)更新權(quán)重和偏置,初始學(xué)習(xí)率設(shè)置為1×10-4。實(shí)驗(yàn)設(shè)置迭代次數(shù)為100000,batch-size為4。成對(duì)項(xiàng)的參數(shù)涉及{,1,2,3,},其中參數(shù)用于平衡CRF一元?jiǎng)莺统蓪?duì)勢(shì)的貢獻(xiàn)程度,本文在驗(yàn)證集上采用網(wǎng)格搜索,在區(qū)間[0,1]上確定表現(xiàn)最優(yōu)的參數(shù),取值為0.3時(shí)可以獲得最優(yōu)的rel和rms。s,?{1,2,3}等價(jià)于在尺度下相似特征的方差,它表達(dá)了相似特征的相似性和接近度。是自適應(yīng)Huber Penalty的常數(shù),首先將=1.5作為初始化,在驗(yàn)證集上確定=1.2最佳。整個(gè)網(wǎng)絡(luò)在訓(xùn)練集上耗時(shí)約18h,運(yùn)行一張576×160的紅外圖像約0.04s(包括前端和后端)。

    4 實(shí)驗(yàn)結(jié)果與分析

    采用誤差和正確率準(zhǔn)則來(lái)定量評(píng)價(jià)本文提出的深度模型的表現(xiàn),則有:

    1)誤差準(zhǔn)則

    2)正確率

    4.1 DCRFN超參數(shù)的選擇

    參數(shù)決定了成對(duì)勢(shì)函數(shù)的能量約束原則,它不僅影響模型的復(fù)雜程度,而且影響預(yù)測(cè)深度圖的平滑性。本文將參數(shù)分別設(shè)置為0、1、2、3、4、5,在評(píng)估指標(biāo)和模型大小方面分析最優(yōu)參數(shù)。表1展示了不同值的表現(xiàn),當(dāng)?shù)闹荡笥诨虻扔?時(shí),誤差和正確率準(zhǔn)則趨于穩(wěn)定,最后一列表明模型尺寸隨著尺度參數(shù)的增大呈現(xiàn)上升趨勢(shì),為了實(shí)現(xiàn)更小的模型尺寸和更好預(yù)測(cè)性能的目標(biāo),本文設(shè)置=3。

    除此之外,DCRFN的超參數(shù)1,2,3表達(dá)了在尺度參數(shù)=3下相似特征的方差,決定了成對(duì)勢(shì)函數(shù)的能量在像素的特征空間鄰域的分布。若參數(shù)越小,則能量集中在特征空間較小的鄰域內(nèi),使得模型對(duì)圖像的邊緣更敏感;反之,能量分散在特征空間較大的鄰域內(nèi),使得模型對(duì)預(yù)測(cè)深度圖的平滑性貢獻(xiàn)更大。本文首先通過(guò)學(xué)習(xí)曲線縮小1,2,3的搜索范圍為[10,20]、[20,30]、[25,35]。實(shí)驗(yàn)發(fā)現(xiàn)3在區(qū)間[25,35]的變化幾乎不影響模型的性能,故取3為26。其次以rel指標(biāo)為參考(如圖5),通過(guò)網(wǎng)格搜索在1,2,空間內(nèi)搜索最優(yōu)參數(shù),其中顏色越深表示rel值越小,顏色越淺表示rel值越大,當(dāng)1=13,2=24時(shí),rel指標(biāo)達(dá)到極小值,即尋得最優(yōu)參數(shù)。

    (a) 車(chē)載遠(yuǎn)紅外相機(jī)及測(cè)距雷達(dá);(b) 雷達(dá)散點(diǎn)圖;(c) 原始紅外圖像;(d) 真實(shí)深度標(biāo)簽

    表1 定量評(píng)價(jià)指標(biāo)在超參數(shù)S上的比較結(jié)果

    圖5 DCRFN超參數(shù)尋優(yōu)

    4.2 實(shí)驗(yàn)結(jié)果分析

    在給定模型最優(yōu)超參數(shù)的情況下,表2列出了本文提出的DCRFN與一些經(jīng)典方法定量比較的結(jié)果??梢钥闯觯贜USTMS數(shù)據(jù)集上,本文方法優(yōu)于有監(jiān)督學(xué)習(xí)的方法。相比較于文獻(xiàn)[6],本文方法在誤差和正確率兩個(gè)評(píng)估指標(biāo)上表現(xiàn)突出,說(shuō)明通過(guò)深度卷積網(wǎng)絡(luò)獲得的一元和成對(duì)特征遠(yuǎn)優(yōu)于文獻(xiàn)[6]中通過(guò)手工提取的特征。文獻(xiàn)[11]沒(méi)有考慮鄰域關(guān)系,這使得它們表現(xiàn)弱于將CNNs與PGM結(jié)合的方法(文獻(xiàn)[16,19,27]和本文的DCRFN)。在基于PGM的方法中,本文提出的方法優(yōu)于其他3種方法,這主要由于本文針對(duì)紅外圖像的特點(diǎn)分別設(shè)計(jì)了兩個(gè)深度特征模型,而文獻(xiàn)[16,19,27]的成對(duì)特征來(lái)自簡(jiǎn)單的預(yù)設(shè)先驗(yàn)。圖6列出了紅外測(cè)試集中任意4個(gè)不同場(chǎng)景下的定性評(píng)估預(yù)測(cè)結(jié)果。可以看出,針對(duì)可見(jiàn)光設(shè)計(jì)的特征只能粗略的估計(jì)出紅外場(chǎng)景的總體深度信息,缺乏了細(xì)節(jié)特征,如第一列樹(shù)木的輪廓、第二列較深處的景物、第三列路上的行人等;而本文由于存在針對(duì)紅外場(chǎng)景設(shè)計(jì)的深度特征網(wǎng)絡(luò),因此可以獲得更加豐富的細(xì)節(jié)信息。

    圖6 NUSTMS數(shù)據(jù)集下預(yù)測(cè)深度圖實(shí)例

    最后,本文分析證明了成對(duì)項(xiàng)模型于整個(gè)模型的重要性。如圖7所示,本文分別輸出了僅一元模型,僅成對(duì)模型和總體輸出結(jié)果的對(duì)比。通過(guò)定義一元項(xiàng)和成對(duì)項(xiàng)來(lái)模擬標(biāo)簽的聯(lián)合分布,可以看出,僅由一元模型雖可以估計(jì)出的整體的深度圖,添加了成對(duì)模型的約束后,使得預(yù)測(cè)結(jié)果更加平滑。與真實(shí)深度圖相比,通過(guò)本文提出的DCRFN預(yù)測(cè)的深度圖獲得了更加良好的視覺(jué)體驗(yàn)。圖8在指標(biāo)rms和正確率上定量驗(yàn)證了上述說(shuō)明。

    圖7 DCRFN分解對(duì)比結(jié)果

    圖8 訓(xùn)練過(guò)程中DCRFN分解表現(xiàn)對(duì)比

    5 結(jié)論

    本文提出一種新穎的DCRFN模型來(lái)估計(jì)單目紅外圖像的深度信息,這有助于推進(jìn)夜間視覺(jué)產(chǎn)品的應(yīng)用?,F(xiàn)有的紅外圖像深度估計(jì)方法雖基于CNNs,由于忽略了優(yōu)化結(jié)構(gòu)損失,造成預(yù)測(cè)深度圖模糊甚至錯(cuò)誤。本文在充分考慮紅外圖像特點(diǎn)的條件下,將CNNs與CRF的優(yōu)勢(shì)結(jié)合在模型中,二者的聯(lián)合優(yōu)化提升了模型的泛化能力。值得注意的是,DCRFN模型無(wú)需預(yù)先定義成對(duì)特征,可以實(shí)現(xiàn)全自主學(xué)習(xí)。同時(shí)深度的離散策略,使得有序約束能夠融合到DCRFN損失函數(shù)中,從而獲得更好的景物邊緣預(yù)測(cè)。除此之外,DCRFN不僅建立了原始紅外圖像和深度圖之間的關(guān)系,而且還構(gòu)造了場(chǎng)景不同尺度深度序列之間的關(guān)系。最后,實(shí)驗(yàn)評(píng)估指標(biāo)證明了本文方法的可行性與準(zhǔn)確性。

    在未來(lái)的研究工作中,將考慮采用精簡(jiǎn)模型降低網(wǎng)絡(luò)的參數(shù)規(guī)模,以便模型能在夜間自動(dòng)駕駛領(lǐng)域?qū)嶋H應(yīng)用。除此之外,考慮將紅外場(chǎng)景深度估計(jì)任務(wù)用于如合成任務(wù)、目標(biāo)追蹤等夜視應(yīng)用,從而輔助智能產(chǎn)品的夜間決策。

    [1] Cordts M, Omran M, Ramos S, et al. The cityscapes dataset for semantic urban scene understanding[C]//, 2016: 3213-3223

    [2] PENG X, SUN B, Ali K, et al. Learning deep object detectors from 3D models[C]//, 2015: 1278-1286.

    [3] Biswas J, Velos oM. Depth camera based indoor mobile robot localization and navigation[C]//, 2011: 1697-1702.

    [4] Sivaraman S, Trivedi M M. Combining monocular and stereo-vision for real-time vehicle ranging and tracking on multilane highways[C]//, 2011: 1249-1254.

    [5] Hedau V, Hoiem D, Forsyth D. Thinking inside the box: using appearance models and context based on room geometry[C]//, 2010: 224-237.

    [6] Saxena A, SUN M, Ng A Y. Make3D: learning 3D scene structure from a single still image[J]., 2009, 31(5): 824-840.

    [7] LIU B, Gould S, Koller D. Single image depth estimation from predicted semantic labels[C]//, 2010: 1253-1260.

    [8] Russell B C, Torralba A. Building a database of 3D scenes from user annotations[C]//, 2009: 2711-2718.

    [9] LIU M, Salzmann M, HE X. Discrete-continuous depth estimation from a single image[C]//, 2014: 716-723.

    [10] Karsch K, LIU C, KANG S B. Depth extraction from video using non-parametric sampling[C]//, 2012: 775-788.

    [11] Eigen D, Puhrsch C, Fergus R. Depth map prediction from a single image using a multi-scale deep network[C]//, 2014: 2366-2374.

    [12] Laina I, Rupprecht C, Belagiannis V, et al. Deeper depth prediction with fully convolutional residual networks[J].3, 2016: 239-248.

    [13] 顧婷婷, 趙海濤, 孫韶媛. 基于金字塔型殘差神經(jīng)網(wǎng)絡(luò)的紅外圖像深度估計(jì)[J]. 紅外技術(shù), 2018, 40(5): 21-27.

    GU T T, ZHAO H T, SUN S Y. Depth estimation of infrared image based on pyramid residual neural networks[J]., 2018, 40(5): 21-27.

    [14] WU S C, ZHAO H T, SUN S Y. Depth estimation from infrared video using local-feature-flow neural network[J/OL]., 2018: doi.org/10.1007/s13042-018-0891-9.

    [15] HE K, ZHANG X, REN S, et al. Deep residual learning for image recognition[C]//, 2016: 770-778.

    [16] CHEN L C, Papandreou G, Kokkinos I, et al. Semantic image segmentation with deep convolutional nets and fully connected CRFs[J]., 2015(4): 357-361.

    [17] Kr?henbühl P, Koltun V. Efficient inference in fully connected CRFs with Gaussian edge potentials[J]., 2012(24): 109-117.

    [18] LI N B, SHEN N C, DAI N Y, et al. Depth and surface normal estimation from monocular images using regression on deep features and hierarchical CRFs[C]//, 2015: 1119-1127.

    [19] LIU F, SHEN C, LIN G. Deep convolutional neural fields for depth estimation from a single image[C]//, 2015: 5162-5170.

    [20] LIU F, SHEN C, LIN G, et al. Learning depth from single monocular images using deep convolutional neural fields[C]//, 2015: 5162-5170.

    [21] XU D, WANG W, TANG H, et al. Structured attention guided convolutional neural fields for monocular depth estimation[C]//, 2018: 3917-3925.

    [22] Ibarra-Castanedo C, González D, Klein M, et al. Infrared image processing and data analysis[J]., 2004, 46(1-2): 75-83.

    [23] 張蓓蕾, 孫韶媛, 武江偉. 基于DRF-MAP模型的單目圖像深度估計(jì)的改進(jìn)算法[J]. 紅外技術(shù), 2009, 31(12): 712-715.

    ZHANG B L, SUN S Y, WU J W. Depth estimation from monocular images based on DRF-MAP model[J]., 2009, 31(12): 712-715.

    [24] 席林, 孫韶媛, 李琳娜. 基于SVM模型的單目紅外圖像深度估計(jì)[J]. 激光與紅外, 2012, 42(11): 1311-1315.

    XI L, SUN S Y, LI L N. Depth estimation from monocular infrared images based on SVM model[J].,2012, 42(11): 1311-1315.

    [25] HUANG G, LIU Z, Laurens V D M, et al. Densely connected convolutional networks[C]//, 2017: arXiv:1608.06993.

    [26] Noh H, HONG S, HAN B. Learning deconvolution network for semantic segmentation[C]//, 2015: 1520-1528.

    [27] CAO Y, WU Z, SHEN C. Estimating depth from monocular images as classification using deep fully convolutional residual networks[J]., 2017(99): 1-1.

    [28] FU H, GONG M,WANG C, et al. Deep ordinal regression network for monocular depth estimation[C]//, 2018: 2002-2011.

    Depth Estimation of Monocular Infrared Scene Based on Deep CRF Network

    WANG Qianqian,ZHAO Haitao

    (School of Information Science and Engineering, East China University of Science and Technology, Shanghai 200237, China)

    Depth estimation from monocular infrared images is required for understanding 3D scenes; moreover, it could be used to develop and promote night-vision applications. Owing to the shortcomings of infrared images, such as a lack of colors, poor textures, and unclear outlines, a novel deep conditional random field network (DCRFN) is proposed for estimating depth from infrared images. First, in contrast with the traditional CRF(conditional random field) model, DCRFN does not need to preset pairwise features. It can extract and optimize pairwise features through a shallow network architecture. Second, conventional monocular-image-based depth regression is replaced with multi-class classification, wherein the loss function considers information regarding the order of various labels. This conversion not only accelerates the convergence speed of the network but also yields a better solution. Finally, in the loss function layer of the DCRFN, pairwise terms of different spatial scales are computed; this makes the scene contour information in the depth map more abundant than that in the case of the scale-free model. The experimental results show that the proposed method outperforms other depth estimation methods with regard to the prediction of local scene changes.

    infrared image, depth estimation, conditional random field, ordered constraint

    TP391.9

    A

    1001-8891(2020)06-0580-09

    2019-05-29;

    2019-07-12.

    王倩倩(1993-),女,碩士研究生,主要從事計(jì)算機(jī)視覺(jué)方面的研究。

    趙海濤(1974-),男,博士,教授,主要從事模式識(shí)別、計(jì)算機(jī)視覺(jué)方面的研究。E-mail:haitaozhao@ecust.edu.cn。

    國(guó)家自然科學(xué)基金(61375007);上海市科委基礎(chǔ)研究項(xiàng)目(15JC1400600)。

    猜你喜歡
    深度圖單目紅外
    網(wǎng)紅外賣(mài)
    閃亮的中國(guó)紅外『芯』
    金橋(2021年4期)2021-05-21 08:19:20
    基于深度圖的3D-HEVC魯棒視頻水印算法
    一種單目相機(jī)/三軸陀螺儀/里程計(jì)緊組合導(dǎo)航算法
    TS系列紅外傳感器在嵌入式控制系統(tǒng)中的應(yīng)用
    電子制作(2019年7期)2019-04-25 13:17:14
    單目SLAM直線匹配增強(qiáng)平面發(fā)現(xiàn)方法
    一種基于局部直方圖匹配的深度編碼濾波算法
    基于CAD模型的單目六自由度位姿測(cè)量
    基于快速遞推模糊2-劃分熵圖割的紅外圖像分割
    疊加速度譜在鉆孔稀少地區(qū)資料解釋中的應(yīng)用
    科技視界(2016年2期)2016-03-30 11:17:03
    一进一出抽搐动态| 内地一区二区视频在线| 日本免费a在线| 亚洲18禁久久av| 国产三级中文精品| 日韩欧美在线二视频| 最近视频中文字幕2019在线8| 波多野结衣高清无吗| 国产乱人伦免费视频| 亚洲人成网站高清观看| 无人区码免费观看不卡| 桃红色精品国产亚洲av| 岛国视频午夜一区免费看| 国产真实伦视频高清在线观看 | 成人永久免费在线观看视频| 特大巨黑吊av在线直播| 中国美女看黄片| 综合色av麻豆| 波多野结衣高清作品| 色噜噜av男人的天堂激情| 亚洲av成人不卡在线观看播放网| 老熟妇乱子伦视频在线观看| 人人妻人人看人人澡| 成人一区二区视频在线观看| 久久人妻av系列| 国产v大片淫在线免费观看| 免费在线观看成人毛片| 欧美在线一区亚洲| 国产一区二区激情短视频| 久久99热这里只有精品18| 日本五十路高清| 伊人久久大香线蕉亚洲五| 国产午夜福利久久久久久| 欧美日韩综合久久久久久 | 国产探花在线观看一区二区| 老司机午夜十八禁免费视频| 国产精品嫩草影院av在线观看 | 最近最新中文字幕大全免费视频| 一进一出好大好爽视频| 男人舔奶头视频| 午夜视频国产福利| 级片在线观看| 97超级碰碰碰精品色视频在线观看| 一级作爱视频免费观看| 欧美性感艳星| 最好的美女福利视频网| 亚洲成人免费电影在线观看| 亚洲最大成人中文| 国产精品亚洲美女久久久| 精品国内亚洲2022精品成人| 中文字幕人妻熟人妻熟丝袜美 | 国产午夜福利久久久久久| 黄色日韩在线| 在线播放无遮挡| 91在线观看av| 国产激情欧美一区二区| 级片在线观看| 蜜桃久久精品国产亚洲av| 欧美色视频一区免费| 99久久无色码亚洲精品果冻| 亚洲熟妇熟女久久| 中文字幕人成人乱码亚洲影| 神马国产精品三级电影在线观看| 久久久久久人人人人人| 久久久久久九九精品二区国产| 九九在线视频观看精品| 全区人妻精品视频| 麻豆成人av在线观看| 欧美乱码精品一区二区三区| 国产av麻豆久久久久久久| 亚洲男人的天堂狠狠| 国产中年淑女户外野战色| 欧美在线一区亚洲| 免费观看人在逋| 九色成人免费人妻av| 国产蜜桃级精品一区二区三区| 在线观看av片永久免费下载| 国产精品98久久久久久宅男小说| 网址你懂的国产日韩在线| 成人一区二区视频在线观看| 精品日产1卡2卡| 少妇的丰满在线观看| 一级作爱视频免费观看| 免费观看的影片在线观看| 中亚洲国语对白在线视频| 最近视频中文字幕2019在线8| 国产精品女同一区二区软件 | 桃红色精品国产亚洲av| 国产国拍精品亚洲av在线观看 | 亚洲片人在线观看| 美女大奶头视频| 无遮挡黄片免费观看| 中文字幕av成人在线电影| 亚洲中文字幕一区二区三区有码在线看| av天堂中文字幕网| 欧美日韩精品网址| 免费无遮挡裸体视频| 国内精品一区二区在线观看| 岛国在线观看网站| 免费av观看视频| 亚洲欧美日韩高清在线视频| 亚洲第一电影网av| 国内久久婷婷六月综合欲色啪| 亚洲不卡免费看| 国产中年淑女户外野战色| bbb黄色大片| 久久九九热精品免费| 嫩草影院精品99| 韩国av一区二区三区四区| 全区人妻精品视频| 亚洲国产日韩欧美精品在线观看 | 波多野结衣高清作品| 国产成人系列免费观看| 亚洲成人久久性| 欧美区成人在线视频| 国产高潮美女av| 在线国产一区二区在线| 免费人成在线观看视频色| 久久草成人影院| 亚洲国产中文字幕在线视频| 中文在线观看免费www的网站| 尤物成人国产欧美一区二区三区| 亚洲第一电影网av| 国产又黄又爽又无遮挡在线| 草草在线视频免费看| 757午夜福利合集在线观看| 亚洲午夜理论影院| 国产亚洲精品一区二区www| 亚洲无线观看免费| 成人永久免费在线观看视频| 特级一级黄色大片| 国模一区二区三区四区视频| 天美传媒精品一区二区| 欧美日韩中文字幕国产精品一区二区三区| 99久久精品热视频| 亚洲精品成人久久久久久| 999久久久精品免费观看国产| 亚洲av五月六月丁香网| 亚洲无线观看免费| 亚洲午夜理论影院| 亚洲国产欧美网| 免费av观看视频| 一级毛片女人18水好多| 欧美一级a爱片免费观看看| 两个人看的免费小视频| 高清在线国产一区| 欧美成人免费av一区二区三区| 国产成人啪精品午夜网站| 国产精品永久免费网站| svipshipincom国产片| 亚洲av电影不卡..在线观看| 成年女人毛片免费观看观看9| 成人鲁丝片一二三区免费| 久久久国产成人免费| 男人和女人高潮做爰伦理| 一进一出抽搐动态| 黄色片一级片一级黄色片| 日韩亚洲欧美综合| 免费观看的影片在线观看| 日韩亚洲欧美综合| 亚洲av免费高清在线观看| 亚洲最大成人手机在线| 中国美女看黄片| 禁无遮挡网站| 久久久久九九精品影院| 美女cb高潮喷水在线观看| 日韩av在线大香蕉| 亚洲精品影视一区二区三区av| 国产精品自产拍在线观看55亚洲| 国产成人福利小说| 黄片小视频在线播放| 高清日韩中文字幕在线| 国产一区二区在线观看日韩 | 97超视频在线观看视频| 国内揄拍国产精品人妻在线| 日韩欧美三级三区| 久久久久久久久大av| 不卡一级毛片| 99国产极品粉嫩在线观看| 日韩欧美一区二区三区在线观看| 九色成人免费人妻av| 国产伦人伦偷精品视频| 久久天躁狠狠躁夜夜2o2o| 日韩亚洲欧美综合| 三级毛片av免费| 精品久久久久久久久久久久久| xxx96com| netflix在线观看网站| 激情在线观看视频在线高清| 成年女人看的毛片在线观看| 日本免费一区二区三区高清不卡| 午夜影院日韩av| 亚洲av免费在线观看| 国产一区二区三区在线臀色熟女| 禁无遮挡网站| 一卡2卡三卡四卡精品乱码亚洲| xxx96com| 国产午夜精品论理片| 亚洲最大成人中文| 亚洲专区国产一区二区| 日韩精品中文字幕看吧| 网址你懂的国产日韩在线| 亚洲成人久久性| 欧美+亚洲+日韩+国产| 国产精品影院久久| eeuss影院久久| 深爱激情五月婷婷| 51国产日韩欧美| 可以在线观看毛片的网站| 99国产精品一区二区三区| 国内精品美女久久久久久| 精品久久久久久,| 国产高清视频在线观看网站| 两个人视频免费观看高清| 午夜激情欧美在线| 精品午夜福利视频在线观看一区| 国产单亲对白刺激| 女警被强在线播放| 99久国产av精品| 精品久久久久久久久久免费视频| 中文资源天堂在线| 国产毛片a区久久久久| 国内精品美女久久久久久| 国产成人系列免费观看| 十八禁网站免费在线| 岛国在线免费视频观看| 桃红色精品国产亚洲av| 亚洲avbb在线观看| 99热精品在线国产| 18+在线观看网站| 精品福利观看| 不卡一级毛片| 热99在线观看视频| 香蕉丝袜av| 久9热在线精品视频| 精品99又大又爽又粗少妇毛片 | 国产不卡一卡二| 国产欧美日韩精品亚洲av| 岛国在线免费视频观看| 国产成人av教育| 最近最新中文字幕大全电影3| 久久精品亚洲精品国产色婷小说| 欧美三级亚洲精品| 少妇人妻一区二区三区视频| 十八禁网站免费在线| 免费搜索国产男女视频| 午夜激情福利司机影院| 亚洲av电影不卡..在线观看| 国产欧美日韩精品一区二区| 在线十欧美十亚洲十日本专区| 伊人久久精品亚洲午夜| 亚洲成人免费电影在线观看| 神马国产精品三级电影在线观看| 亚洲自拍偷在线| 九九久久精品国产亚洲av麻豆| 麻豆国产97在线/欧美| 国产精品女同一区二区软件 | 亚洲国产精品合色在线| 亚洲一区二区三区色噜噜| 欧美av亚洲av综合av国产av| 亚洲,欧美精品.| 日韩av在线大香蕉| 夜夜夜夜夜久久久久| 久久伊人香网站| 18+在线观看网站| 亚洲午夜理论影院| 亚洲中文字幕一区二区三区有码在线看| 国产激情欧美一区二区| 欧美乱色亚洲激情| 1000部很黄的大片| 亚洲真实伦在线观看| 久久久久久久久大av| av在线天堂中文字幕| 给我免费播放毛片高清在线观看| 亚洲国产中文字幕在线视频| 在线播放无遮挡| 麻豆久久精品国产亚洲av| 久久这里只有精品中国| 嫁个100分男人电影在线观看| 国产成人aa在线观看| 亚洲人成网站在线播| 午夜日韩欧美国产| av天堂在线播放| 久久久久亚洲av毛片大全| 亚洲精品美女久久久久99蜜臀| 欧美性感艳星| 男插女下体视频免费在线播放| 精品久久久久久久久久久久久| 国产欧美日韩精品一区二区| 日本成人三级电影网站| 99国产极品粉嫩在线观看| 亚洲av成人av| 母亲3免费完整高清在线观看| 国内精品久久久久久久电影| 观看免费一级毛片| 国产精品99久久99久久久不卡| 女人高潮潮喷娇喘18禁视频| 亚洲熟妇中文字幕五十中出| 嫩草影院入口| 成年女人毛片免费观看观看9| 99热精品在线国产| 在线a可以看的网站| 亚洲成人中文字幕在线播放| 色综合站精品国产| 99精品久久久久人妻精品| 中文字幕久久专区| 又紧又爽又黄一区二区| 色在线成人网| 久久久精品欧美日韩精品| 狂野欧美白嫩少妇大欣赏| 久久久久精品国产欧美久久久| 白带黄色成豆腐渣| 搡老岳熟女国产| 精品久久久久久久毛片微露脸| 真人一进一出gif抽搐免费| 美女高潮的动态| 在线十欧美十亚洲十日本专区| av欧美777| 久久亚洲真实| 色视频www国产| 真人做人爱边吃奶动态| 1000部很黄的大片| 91麻豆精品激情在线观看国产| 亚洲精品影视一区二区三区av| 欧美国产日韩亚洲一区| 亚洲精品一卡2卡三卡4卡5卡| 此物有八面人人有两片| 亚洲精品美女久久久久99蜜臀| 一本久久中文字幕| 国产精品久久电影中文字幕| 欧美日韩国产亚洲二区| av天堂在线播放| 听说在线观看完整版免费高清| 国内精品久久久久久久电影| 免费观看精品视频网站| 国内精品美女久久久久久| 99久久精品热视频| 观看美女的网站| 少妇的丰满在线观看| 欧美乱码精品一区二区三区| av在线蜜桃| 国产不卡一卡二| 国产精品精品国产色婷婷| 亚洲人成伊人成综合网2020| 麻豆一二三区av精品| 亚洲精品亚洲一区二区| 国产成人福利小说| 日本撒尿小便嘘嘘汇集6| 啦啦啦韩国在线观看视频| 亚洲av五月六月丁香网| 男女做爰动态图高潮gif福利片| 国产成人影院久久av| 最新美女视频免费是黄的| 免费无遮挡裸体视频| 最新中文字幕久久久久| 成人午夜高清在线视频| 国产精品久久久久久久久免 | 精品熟女少妇八av免费久了| 精品久久久久久久久久免费视频| 日本黄大片高清| 长腿黑丝高跟| 国产成人影院久久av| www.熟女人妻精品国产| 国产免费男女视频| 日本免费一区二区三区高清不卡| 免费高清视频大片| 国产成人av教育| 成人永久免费在线观看视频| 国产真人三级小视频在线观看| 国产av不卡久久| 午夜精品在线福利| 国内精品久久久久精免费| 午夜福利在线观看免费完整高清在 | 国产精品久久久久久亚洲av鲁大| 老汉色av国产亚洲站长工具| 亚洲精品久久国产高清桃花| 欧美中文综合在线视频| 天天一区二区日本电影三级| 欧美av亚洲av综合av国产av| 我要搜黄色片| 91麻豆av在线| 欧美区成人在线视频| 国产精品日韩av在线免费观看| 99久久精品国产亚洲精品| 搡老熟女国产l中国老女人| 人人妻人人澡欧美一区二区| 亚洲熟妇熟女久久| 成人性生交大片免费视频hd| 国产成人av激情在线播放| 亚洲国产高清在线一区二区三| 88av欧美| 久久九九热精品免费| 免费在线观看日本一区| 国内少妇人妻偷人精品xxx网站| 嫩草影院精品99| 99久久精品国产亚洲精品| 免费av观看视频| 国产av在哪里看| 女人十人毛片免费观看3o分钟| 色av中文字幕| 亚洲va日本ⅴa欧美va伊人久久| 国产真人三级小视频在线观看| 99久久无色码亚洲精品果冻| 热99在线观看视频| 免费搜索国产男女视频| 内地一区二区视频在线| 国产精品99久久99久久久不卡| 久久99热这里只有精品18| 禁无遮挡网站| 色综合婷婷激情| 一级a爱片免费观看的视频| а√天堂www在线а√下载| 日本在线视频免费播放| 国产乱人伦免费视频| 精品国产三级普通话版| 桃红色精品国产亚洲av| 欧美日本视频| 女人高潮潮喷娇喘18禁视频| 欧美在线一区亚洲| 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 | 俺也久久电影网| 中文字幕人妻熟人妻熟丝袜美 | 岛国在线免费视频观看| 一卡2卡三卡四卡精品乱码亚洲| 国产乱人伦免费视频| 国产主播在线观看一区二区| 男插女下体视频免费在线播放| 国内久久婷婷六月综合欲色啪| 熟女电影av网| 女生性感内裤真人,穿戴方法视频| 欧美中文日本在线观看视频| 99视频精品全部免费 在线| 国产av不卡久久| 黄片大片在线免费观看| 噜噜噜噜噜久久久久久91| 成人亚洲精品av一区二区| 波野结衣二区三区在线 | 久久久色成人| 亚洲最大成人中文| 国产成年人精品一区二区| 成年女人毛片免费观看观看9| 麻豆久久精品国产亚洲av| 制服丝袜大香蕉在线| 怎么达到女性高潮| 国产真人三级小视频在线观看| 亚洲精品久久国产高清桃花| 韩国av一区二区三区四区| 日韩欧美一区二区三区在线观看| xxxwww97欧美| 亚洲中文字幕一区二区三区有码在线看| 国内毛片毛片毛片毛片毛片| 久久人妻av系列| 国产成人系列免费观看| 99在线视频只有这里精品首页| 手机成人av网站| 亚洲熟妇中文字幕五十中出| 成熟少妇高潮喷水视频| 午夜福利高清视频| 亚洲精品影视一区二区三区av| 在线观看舔阴道视频| 黄片小视频在线播放| 免费看日本二区| 亚洲中文字幕一区二区三区有码在线看| 乱人视频在线观看| 真实男女啪啪啪动态图| 美女免费视频网站| 在线免费观看不下载黄p国产 | 国产精华一区二区三区| 国产免费男女视频| 九色成人免费人妻av| 级片在线观看| 亚洲精品成人久久久久久| 久99久视频精品免费| 亚洲最大成人中文| 国产91精品成人一区二区三区| 丝袜美腿在线中文| 一本久久中文字幕| 久久久国产成人精品二区| 欧美成人免费av一区二区三区| 99久久成人亚洲精品观看| 亚洲av电影不卡..在线观看| 国内久久婷婷六月综合欲色啪| 国产毛片a区久久久久| 3wmmmm亚洲av在线观看| 美女 人体艺术 gogo| 亚洲中文字幕日韩| 亚洲欧美一区二区三区黑人| 成人精品一区二区免费| 宅男免费午夜| 人妻久久中文字幕网| 亚洲真实伦在线观看| 亚洲国产色片| 国产黄片美女视频| 叶爱在线成人免费视频播放| 中文字幕久久专区| 男人舔女人下体高潮全视频| x7x7x7水蜜桃| 老汉色∧v一级毛片| 老鸭窝网址在线观看| 香蕉久久夜色| 老汉色av国产亚洲站长工具| 成人18禁在线播放| 久久人人精品亚洲av| 欧美乱妇无乱码| 黄色成人免费大全| 国产精品自产拍在线观看55亚洲| 级片在线观看| 一区福利在线观看| 蜜桃亚洲精品一区二区三区| 亚洲专区中文字幕在线| 日本一二三区视频观看| 小说图片视频综合网站| 丝袜美腿在线中文| 熟妇人妻久久中文字幕3abv| 国产精品精品国产色婷婷| 看片在线看免费视频| 久久久久久久久久黄片| 亚洲男人的天堂狠狠| 91av网一区二区| 国产97色在线日韩免费| 中文字幕av成人在线电影| 欧美乱妇无乱码| 欧美日韩综合久久久久久 | 特大巨黑吊av在线直播| 18禁黄网站禁片免费观看直播| 久久久色成人| 三级男女做爰猛烈吃奶摸视频| 91在线精品国自产拍蜜月 | 国产三级黄色录像| 午夜亚洲福利在线播放| 午夜久久久久精精品| 精品国产三级普通话版| 久久草成人影院| 亚洲自拍偷在线| 99在线视频只有这里精品首页| 变态另类成人亚洲欧美熟女| 91久久精品国产一区二区成人 | 亚洲精品亚洲一区二区| 99在线视频只有这里精品首页| 在线a可以看的网站| 91久久精品国产一区二区成人 | 啦啦啦免费观看视频1| 国产精品伦人一区二区| 亚洲精品久久久久久婷婷小说| 国产精品美女特级片免费视频播放器| 成人毛片a级毛片在线播放| 精品人妻熟女av久视频| 我的老师免费观看完整版| 男插女下体视频免费在线播放| 最近中文字幕2019免费版| videossex国产| 少妇高潮的动态图| 亚洲aⅴ乱码一区二区在线播放| 成人高潮视频无遮挡免费网站| 日韩成人av中文字幕在线观看| 久久精品国产亚洲av涩爱| 青春草亚洲视频在线观看| 少妇的逼水好多| 综合色av麻豆| 日韩成人伦理影院| 美女xxoo啪啪120秒动态图| 亚洲精品一二三| 免费看美女性在线毛片视频| 亚洲无线观看免费| 深爱激情五月婷婷| 国产午夜精品论理片| 欧美性感艳星| 少妇的逼水好多| 嫩草影院精品99| 日韩成人伦理影院| 乱人视频在线观看| 久久久久久久久久成人| 69人妻影院| 亚洲色图av天堂| 欧美xxxx黑人xx丫x性爽| 最近中文字幕2019免费版| 一本久久精品| 日本-黄色视频高清免费观看| 国产亚洲av嫩草精品影院| 人妻夜夜爽99麻豆av| 能在线免费观看的黄片| 日日啪夜夜撸| 国产单亲对白刺激| 黄片wwwwww| 久久久久久久久久久丰满| av免费在线看不卡| 欧美一级a爱片免费观看看| 国产成人福利小说| 小蜜桃在线观看免费完整版高清| 激情五月婷婷亚洲| 尾随美女入室| 成人漫画全彩无遮挡| 国产伦一二天堂av在线观看| 天美传媒精品一区二区| 日韩国内少妇激情av| 女人十人毛片免费观看3o分钟| 人人妻人人澡人人爽人人夜夜 | 久久精品国产亚洲av天美| 久久这里只有精品中国| 国产高清三级在线| 国产av不卡久久| 国产成人午夜福利电影在线观看| 听说在线观看完整版免费高清| 国产精品99久久久久久久久| 国产一级毛片在线| 国产黄色免费在线视频| 亚洲精品中文字幕在线视频 | 99久久九九国产精品国产免费| 91久久精品国产一区二区成人| 人体艺术视频欧美日本| 男人和女人高潮做爰伦理| 日韩人妻高清精品专区| 久久久久性生活片| 深夜a级毛片| 久久久久久久久久久丰满|