• <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
    人体艺术视频欧美日本| 一级片'在线观看视频| a级毛色黄片| 亚洲成av片中文字幕在线观看 | av播播在线观看一区| 国产成人a∨麻豆精品| 亚洲丝袜综合中文字幕| 国产熟女午夜一区二区三区| 久久影院123| 日韩大片免费观看网站| 另类亚洲欧美激情| 99久久精品国产国产毛片| 亚洲综合色惰| 国产av精品麻豆| 国产免费视频播放在线视频| 色5月婷婷丁香| 国产精品国产三级专区第一集| 婷婷色综合www| 寂寞人妻少妇视频99o| 欧美国产精品va在线观看不卡| 大香蕉久久网| 成人18禁高潮啪啪吃奶动态图| 成人国产麻豆网| 纵有疾风起免费观看全集完整版| 免费黄网站久久成人精品| 久久97久久精品| 国产精品一国产av| www.av在线官网国产| 久久韩国三级中文字幕| tube8黄色片| 亚洲国产av新网站| 中文字幕免费在线视频6| 免费人妻精品一区二区三区视频| 日本欧美国产在线视频| 波野结衣二区三区在线| 国产成人av激情在线播放| 考比视频在线观看| 夫妻午夜视频| 一个人免费看片子| 26uuu在线亚洲综合色| 性色av一级| 这个男人来自地球电影免费观看 | 国产男女内射视频| 久久久a久久爽久久v久久| 草草在线视频免费看| 国产一级毛片在线| 18在线观看网站| 中文乱码字字幕精品一区二区三区| 黑丝袜美女国产一区| 高清不卡的av网站| 少妇被粗大的猛进出69影院 | 亚洲第一区二区三区不卡| 欧美日韩国产mv在线观看视频| 少妇的逼水好多| 午夜激情久久久久久久| 亚洲国产毛片av蜜桃av| 又大又黄又爽视频免费| 国产老妇伦熟女老妇高清| 大陆偷拍与自拍| 精品久久久精品久久久| 亚洲经典国产精华液单| 美女福利国产在线| 久久久久久久久久久免费av| 大片电影免费在线观看免费| 久久国产精品男人的天堂亚洲 | 91精品国产国语对白视频| 久久久欧美国产精品| 丰满乱子伦码专区| 亚洲国产看品久久| 高清av免费在线| 亚洲欧美色中文字幕在线| 免费不卡的大黄色大毛片视频在线观看| 黑人巨大精品欧美一区二区蜜桃 | 色视频在线一区二区三区| 免费看不卡的av| www.熟女人妻精品国产 | 亚洲欧美精品自产自拍| 欧美日韩国产mv在线观看视频| 九九在线视频观看精品| videossex国产| 精品国产露脸久久av麻豆| 久久午夜福利片| 看免费成人av毛片| 一区二区三区四区激情视频| 国产成人一区二区在线| 日韩成人av中文字幕在线观看| 国产探花极品一区二区| 看免费av毛片| 大香蕉久久网| 日韩欧美精品免费久久| 成人国产av品久久久| 国产激情久久老熟女| 免费人成在线观看视频色| 亚洲精品成人av观看孕妇| 少妇 在线观看| 视频中文字幕在线观看| 免费播放大片免费观看视频在线观看| 狠狠婷婷综合久久久久久88av| 在线观看人妻少妇| 久久精品国产综合久久久 | 欧美丝袜亚洲另类| 免费在线观看黄色视频的| videos熟女内射| 久久久国产一区二区| 人人妻人人爽人人添夜夜欢视频| 日日爽夜夜爽网站| 夫妻性生交免费视频一级片| 老司机影院成人| av网站免费在线观看视频| 大陆偷拍与自拍| 亚洲性久久影院| 中文字幕免费在线视频6| 在线 av 中文字幕| 天堂8中文在线网| 五月玫瑰六月丁香| 黄色一级大片看看| 9191精品国产免费久久| 亚洲激情五月婷婷啪啪| 青春草国产在线视频| 精品一区二区三区四区五区乱码 | 多毛熟女@视频| 深夜精品福利| 日韩 亚洲 欧美在线| 日韩中字成人| 国产免费又黄又爽又色| 国产精品女同一区二区软件| 成人亚洲精品一区在线观看| av女优亚洲男人天堂| 婷婷色综合大香蕉| 亚洲三级黄色毛片| 啦啦啦中文免费视频观看日本| 日本免费在线观看一区| 麻豆精品久久久久久蜜桃| 日韩制服骚丝袜av| 亚洲人成网站在线观看播放| 午夜福利视频精品| 久久久亚洲精品成人影院| 成年av动漫网址| 丰满乱子伦码专区| 女人久久www免费人成看片| 亚洲精品日本国产第一区| 午夜av观看不卡| 男女午夜视频在线观看 | av不卡在线播放| 国产女主播在线喷水免费视频网站| 欧美丝袜亚洲另类| 啦啦啦在线观看免费高清www| 欧美激情国产日韩精品一区| 久久午夜福利片| 2022亚洲国产成人精品| av线在线观看网站| 色哟哟·www| 国产成人精品在线电影| 亚洲婷婷狠狠爱综合网| 母亲3免费完整高清在线观看 | 亚洲三级黄色毛片| 国产av国产精品国产| 男女下面插进去视频免费观看 | 成人综合一区亚洲| 精品少妇久久久久久888优播| 满18在线观看网站| 亚洲美女搞黄在线观看| 狂野欧美激情性xxxx在线观看| 国产精品.久久久| 少妇 在线观看| 少妇的丰满在线观看| 男人添女人高潮全过程视频| 日本爱情动作片www.在线观看| 国产免费福利视频在线观看| 国产精品蜜桃在线观看| 91国产中文字幕| 国产淫语在线视频| 午夜老司机福利剧场| 成人毛片60女人毛片免费| 伊人久久国产一区二区| 人人妻人人添人人爽欧美一区卜| 精品福利永久在线观看| 国产精品蜜桃在线观看| 精品一区二区免费观看| 不卡视频在线观看欧美| 色婷婷久久久亚洲欧美| 免费在线观看黄色视频的| 国产伦理片在线播放av一区| 国产精品一区www在线观看| 美女国产视频在线观看| 久久鲁丝午夜福利片| 中文乱码字字幕精品一区二区三区| 26uuu在线亚洲综合色| 午夜福利,免费看| 精品少妇黑人巨大在线播放| 秋霞伦理黄片| 久久这里有精品视频免费| 97在线人人人人妻| 99热这里只有是精品在线观看| 国产日韩一区二区三区精品不卡| 精品人妻偷拍中文字幕| 国产免费又黄又爽又色| 国产成人免费无遮挡视频| 蜜臀久久99精品久久宅男| 美女中出高潮动态图| 最近手机中文字幕大全| 日韩不卡一区二区三区视频在线| 99re6热这里在线精品视频| 国产黄色视频一区二区在线观看| 亚洲国产最新在线播放| 最近手机中文字幕大全| av一本久久久久| 亚洲精品色激情综合| 一区二区av电影网| 国产 一区精品| 亚洲av成人精品一二三区| 看免费成人av毛片| 女的被弄到高潮叫床怎么办| 中国国产av一级| 日产精品乱码卡一卡2卡三| 久久久欧美国产精品| 99久久综合免费| 免费播放大片免费观看视频在线观看| 精品少妇黑人巨大在线播放| 免费看av在线观看网站| 777米奇影视久久| 免费观看在线日韩| 午夜福利视频在线观看免费| 最近手机中文字幕大全| 黑人高潮一二区| 制服丝袜香蕉在线| 丝袜喷水一区| 国产精品久久久久成人av| 久久久久视频综合| 在线天堂最新版资源| 自线自在国产av| 久久99热这里只频精品6学生| 亚洲天堂av无毛| 人人妻人人爽人人添夜夜欢视频| 欧美3d第一页| av卡一久久| 免费高清在线观看视频在线观看| 亚洲精华国产精华液的使用体验| 国产成人aa在线观看| www.熟女人妻精品国产 | 国产精品国产三级专区第一集| 蜜桃在线观看..| 建设人人有责人人尽责人人享有的| 国产精品一区二区在线不卡| 国产精品国产三级专区第一集| 97超碰精品成人国产| 亚洲av综合色区一区| 午夜福利视频精品| 18在线观看网站| 亚洲精品美女久久av网站| 黑人巨大精品欧美一区二区蜜桃 | av国产精品久久久久影院| 亚洲av成人精品一二三区| 日本免费在线观看一区| 国产淫语在线视频| 国产69精品久久久久777片| 看免费av毛片| 中文天堂在线官网| 宅男免费午夜| 欧美成人午夜精品| 亚洲精品美女久久久久99蜜臀 | 在现免费观看毛片| 欧美国产精品一级二级三级| 国产熟女欧美一区二区| 亚洲国产毛片av蜜桃av| 久久精品夜色国产| 丰满乱子伦码专区| 亚洲精品日韩在线中文字幕| 热re99久久精品国产66热6| 男女边吃奶边做爰视频| 91国产中文字幕| 亚洲人成77777在线视频| 三上悠亚av全集在线观看| av一本久久久久| 日本黄大片高清| 中文字幕亚洲精品专区| 国产成人a∨麻豆精品| 国产精品国产三级国产av玫瑰| 永久免费av网站大全| 国产乱来视频区| 久久久久久久精品精品| 亚洲成国产人片在线观看| 最近最新中文字幕大全免费视频 | 99久久精品国产国产毛片| 久久青草综合色| 日韩精品有码人妻一区| 久久精品久久久久久噜噜老黄| 国产白丝娇喘喷水9色精品| 秋霞伦理黄片| 久久热在线av| 最新中文字幕久久久久| 99精国产麻豆久久婷婷| 赤兔流量卡办理| 在线观看免费日韩欧美大片| 高清视频免费观看一区二区| 亚洲av在线观看美女高潮| 老熟女久久久| videos熟女内射| 成人午夜精彩视频在线观看| 日韩视频在线欧美| 亚洲国产精品国产精品| 成年动漫av网址| 美女脱内裤让男人舔精品视频| 久热这里只有精品99| 国产精品久久久久久精品电影小说| 我的女老师完整版在线观看| 婷婷色麻豆天堂久久| 少妇被粗大的猛进出69影院 | 国产av码专区亚洲av| 熟女av电影| 丝袜喷水一区| 亚洲av综合色区一区| 黄色怎么调成土黄色| 又大又黄又爽视频免费| 久久精品人人爽人人爽视色| 在线观看www视频免费| 好男人视频免费观看在线| 自拍欧美九色日韩亚洲蝌蚪91| 成人手机av| 国产精品国产av在线观看| 自线自在国产av| 麻豆乱淫一区二区| 亚洲精品国产av成人精品| 亚洲内射少妇av| 69精品国产乱码久久久| 国产成人精品无人区| 岛国毛片在线播放| 亚洲精品久久成人aⅴ小说| 另类精品久久| www.熟女人妻精品国产 | 国产精品国产三级专区第一集| 色94色欧美一区二区| 日韩在线高清观看一区二区三区| 一本久久精品| 国产麻豆69| 丝袜人妻中文字幕| 亚洲国产精品一区二区三区在线| 亚洲精品美女久久av网站| 乱人伦中国视频| 亚洲综合精品二区| 搡老乐熟女国产| 七月丁香在线播放| 国产亚洲av片在线观看秒播厂| 建设人人有责人人尽责人人享有的| 欧美激情国产日韩精品一区| 亚洲国产精品成人久久小说| 永久网站在线| 国产成人欧美| 一本久久精品| 日本爱情动作片www.在线观看| 男女高潮啪啪啪动态图| 永久网站在线| 日本91视频免费播放| 国产日韩一区二区三区精品不卡| 亚洲激情五月婷婷啪啪| 高清黄色对白视频在线免费看| 秋霞伦理黄片| 天天影视国产精品| 老熟女久久久| 免费黄网站久久成人精品| 少妇猛男粗大的猛烈进出视频| 久久热在线av| 丰满迷人的少妇在线观看| 99久久中文字幕三级久久日本| 一区二区av电影网| 一级爰片在线观看| 乱人伦中国视频| 最近中文字幕高清免费大全6| 人人妻人人澡人人看| 美女主播在线视频| 中文字幕人妻丝袜制服| 大香蕉久久网| 久久鲁丝午夜福利片| 国产欧美日韩一区二区三区在线| 亚洲欧美日韩卡通动漫| 美女xxoo啪啪120秒动态图| 日韩av免费高清视频| 亚洲国产av新网站| 美女主播在线视频| 亚洲av欧美aⅴ国产| 日本欧美视频一区| av在线老鸭窝| 亚洲国产精品国产精品| 自线自在国产av| 少妇人妻精品综合一区二区| www日本在线高清视频| 我要看黄色一级片免费的| 大片电影免费在线观看免费| 视频区图区小说| 久久这里只有精品19| 久久久久精品久久久久真实原创| 午夜av观看不卡| 亚洲天堂av无毛| 男女下面插进去视频免费观看 | 精品国产乱码久久久久久小说| 97在线视频观看| 欧美性感艳星| 一区二区三区四区激情视频| 黄色 视频免费看| 狠狠精品人妻久久久久久综合| 国产欧美亚洲国产| 国产男女超爽视频在线观看| 欧美xxⅹ黑人| 91午夜精品亚洲一区二区三区| 岛国毛片在线播放| 黄色配什么色好看| 90打野战视频偷拍视频| 自线自在国产av| 欧美国产精品va在线观看不卡| 国产精品久久久久久精品电影小说| 最近2019中文字幕mv第一页| 一二三四在线观看免费中文在 | 国产精品免费大片| 亚洲av福利一区| 午夜激情久久久久久久| 91久久精品国产一区二区三区| 天堂8中文在线网| 91精品伊人久久大香线蕉| 免费大片18禁| 一二三四中文在线观看免费高清| 亚洲高清免费不卡视频| 啦啦啦中文免费视频观看日本| 精品少妇内射三级| 亚洲四区av| 黄网站色视频无遮挡免费观看| 中文字幕亚洲精品专区| 在线观看人妻少妇| 国产精品国产av在线观看| 看免费成人av毛片| 日本免费在线观看一区| 视频在线观看一区二区三区| 五月伊人婷婷丁香| 一本—道久久a久久精品蜜桃钙片| 亚洲精品日韩在线中文字幕| 免费高清在线观看视频在线观看| 中文字幕人妻丝袜制服| 亚洲精品日韩在线中文字幕| 国产精品一国产av| 一本色道久久久久久精品综合| av福利片在线| 成人国产av品久久久| 午夜日本视频在线| 欧美人与性动交α欧美精品济南到 | 久久 成人 亚洲| 热99国产精品久久久久久7| 在线免费观看不下载黄p国产| 中文字幕免费在线视频6| av线在线观看网站| videos熟女内射| 精品亚洲成a人片在线观看| 中文字幕免费在线视频6| 国产色婷婷99| 97超碰精品成人国产| 亚洲欧美成人精品一区二区| 亚洲av电影在线进入| 大陆偷拍与自拍| 伊人亚洲综合成人网| 大香蕉久久成人网| av又黄又爽大尺度在线免费看| 五月玫瑰六月丁香| 国产亚洲午夜精品一区二区久久| 人人澡人人妻人| 高清av免费在线| 午夜免费鲁丝| 久久 成人 亚洲| 热re99久久国产66热| 欧美xxxx性猛交bbbb| 九九爱精品视频在线观看| 亚洲国产欧美日韩在线播放| 中文字幕亚洲精品专区| 久久精品国产亚洲av天美| 日本欧美视频一区| videos熟女内射| 色婷婷久久久亚洲欧美| 中文乱码字字幕精品一区二区三区| 亚洲国产欧美日韩在线播放| 日韩制服丝袜自拍偷拍| av在线老鸭窝| 91精品国产国语对白视频| 在现免费观看毛片| 亚洲经典国产精华液单| 母亲3免费完整高清在线观看 | 精品卡一卡二卡四卡免费| 色婷婷久久久亚洲欧美| 久久久久久久大尺度免费视频| 国产av一区二区精品久久| 色网站视频免费| 大香蕉久久成人网| 女人精品久久久久毛片| 久久热在线av| 99久久精品国产国产毛片| 亚洲国产欧美日韩在线播放| 亚洲,欧美精品.| av片东京热男人的天堂| 午夜激情av网站| 亚洲欧美成人精品一区二区| 人人妻人人澡人人看| av电影中文网址| 久久狼人影院| 亚洲精品自拍成人| 亚洲,一卡二卡三卡| 狠狠精品人妻久久久久久综合| 熟女av电影| 在线精品无人区一区二区三| 日本免费在线观看一区| 亚洲精品日韩在线中文字幕| 国产极品天堂在线| 亚洲国产av影院在线观看| 中文字幕另类日韩欧美亚洲嫩草| 国产伦理片在线播放av一区| 欧美xxⅹ黑人| 亚洲av男天堂| 亚洲成人手机| 美女视频免费永久观看网站| 国产日韩欧美亚洲二区| 90打野战视频偷拍视频| 欧美另类一区| 精品亚洲成国产av| 国产熟女午夜一区二区三区| 欧美日韩av久久| 大香蕉久久网| 美女xxoo啪啪120秒动态图| 久久av网站| 777米奇影视久久| 久久人人97超碰香蕉20202| 91国产中文字幕| 亚洲av免费高清在线观看| 亚洲,欧美,日韩| 搡老乐熟女国产| 在线观看免费视频网站a站| 亚洲天堂av无毛| 亚洲四区av| 90打野战视频偷拍视频| 狂野欧美激情性xxxx在线观看| 又黄又爽又刺激的免费视频.| 日本av免费视频播放| 亚洲国产色片| 中文字幕人妻丝袜制服| 久久精品久久精品一区二区三区| 日韩欧美一区视频在线观看| 国产国拍精品亚洲av在线观看| 婷婷色综合www| 99re6热这里在线精品视频| 九色成人免费人妻av| 午夜精品国产一区二区电影| 日本vs欧美在线观看视频| 久久精品久久久久久久性| 国产av码专区亚洲av| 国国产精品蜜臀av免费| 免费少妇av软件| 69精品国产乱码久久久| 欧美精品亚洲一区二区| 性高湖久久久久久久久免费观看| 中文字幕av电影在线播放| 熟女av电影| 国国产精品蜜臀av免费| 97在线人人人人妻| 免费观看a级毛片全部| 51国产日韩欧美| 国产欧美亚洲国产| 自拍欧美九色日韩亚洲蝌蚪91| 国产成人欧美| 精品福利永久在线观看| 卡戴珊不雅视频在线播放| 亚洲欧美成人精品一区二区| 日韩中文字幕视频在线看片| 婷婷成人精品国产| 一级片免费观看大全| 一本久久精品| 亚洲国产日韩一区二区| 国产精品三级大全| 极品少妇高潮喷水抽搐| 中文天堂在线官网| 国产精品女同一区二区软件| 巨乳人妻的诱惑在线观看| 91在线精品国自产拍蜜月| 久久久精品免费免费高清| 七月丁香在线播放| 中文乱码字字幕精品一区二区三区| 亚洲国产看品久久| 一区在线观看完整版| av女优亚洲男人天堂| 伦理电影大哥的女人| 男女边吃奶边做爰视频| 国产深夜福利视频在线观看| 日本av免费视频播放| 一二三四在线观看免费中文在 | 免费人成在线观看视频色| 久久精品久久久久久噜噜老黄| 夜夜骑夜夜射夜夜干| 成人亚洲精品一区在线观看| 最近中文字幕高清免费大全6| av黄色大香蕉| 少妇的逼好多水| 国产色爽女视频免费观看| 国产一区二区在线观看av| 亚洲国产欧美日韩在线播放| 亚洲精品,欧美精品| 晚上一个人看的免费电影| 日本与韩国留学比较| 一级黄片播放器| 80岁老熟妇乱子伦牲交| 亚洲情色 制服丝袜| 亚洲第一av免费看| 国产片内射在线| 欧美变态另类bdsm刘玥| 菩萨蛮人人尽说江南好唐韦庄| 久久久精品区二区三区| 亚洲国产av新网站| 涩涩av久久男人的天堂| 国产熟女欧美一区二区| 街头女战士在线观看网站| 亚洲精品av麻豆狂野| 久久国产精品大桥未久av| 亚洲成人手机|