• <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 ?

    基于輕量級深度神經網絡的環(huán)境聲音識別

    2020-11-30 05:47:28趙紅東
    計算機應用 2020年11期
    關鍵詞:卷積數(shù)量分類

    楊 磊,趙紅東

    (河北工業(yè)大學電子信息工程學院,天津 300300)

    (?通信作者電子郵箱zhaohd@hebut.edu.cn)

    0 引言

    環(huán)境聲音是指一類在具體日常生活場景中自發(fā)產生的各種聲音的集合,與音樂和語音這類結構化的聲音相比,它具有聲源種類繁多、發(fā)聲具有偶發(fā)性、主要聲音和噪聲并存等特點。環(huán)境聲音識別(Environment Sound Recognition,ESR)是指機器能夠在真實的環(huán)境聲音中排除噪聲干擾、識別出有用信息的能力,它是機器智能視聽系統(tǒng)的重要組成部分,被廣泛應用在便攜式情景感知設備上,例如嵌入自動音頻分類的物聯(lián)網聲學監(jiān)控[1]、公共交通中基于智能音頻的監(jiān)控系統(tǒng)[2]。與視頻不同,音頻具有易于記錄、存儲和分析等特點,且錄音受到設備所處位置的影響小,因而安裝有環(huán)境聲音識別模塊的情景感知設備可在無人工干預的情況下,對其周圍環(huán)境聲音進行持續(xù)監(jiān)控并完成相應任務。

    環(huán)境語音識別是在融合信號處理、機器學習、深度學習、聲學、數(shù)學等多學科知識基礎上發(fā)展起來的一類應用技術。在ESR 早期發(fā)展中,研究人員主要應用包括矩陣分解[3]、支持向量機(Support Vector Machine,SVM)[4]等在內的機器學習模型來識別環(huán)境聲音。近年來,隨著深度神經網絡[5-6]在圖像、語音等領域的發(fā)展,卷積神經網絡(Convolutional Neural Network,CNN)在提取環(huán)境聲音特征方面極大促進模型識別性能的提升[7-10]。Piczak[11]在多個公共數(shù)據集上測試CNN 對環(huán)境聲音的短音頻片段的分類效果,開啟了CNN 在ESR 領域的應用研究。越來越多的學者關注于如何改進基于CNN 的方法。Boddapati 等[12]在環(huán)境聲音識別方面運用深度卷積神經網絡GoogleNet提取聲音的頻譜圖特征,獲得了93%的識別準確率;文獻[13]使用兩個含有五層卷積層的MelNet 和RawNet 分別訓練環(huán)境音的log 梅爾譜和原始波形特征,為保留更多信息,這兩個模型舍棄傳統(tǒng)CNN 模型在卷積層后設置最大池化層的做法,在保證高識別準確率的同時,做到縮小網絡層數(shù)和保證充足信息量二者之間的平衡;文獻[14]提出一個TSCNN-DS(Two Stacked CNN based on D-S evidence theory)模型,使用兩組四層卷積層CNN 對由log 梅爾譜、色度、光譜對比度和音調組合的特征進行運算,然后將兩組網絡在全連接層實現(xiàn)融合;Abdoli 等[15]提出了一種基于一維的端到端環(huán)境聲音分類方法,通過Gammatone 濾波器組對第一層進行初始化,直接從音頻信號中提取聲音特征。這些基于CNN 改進的模型通過一定的網絡結構設計,從環(huán)境聲音中學習多種代表性的聲音特征,極大促成模型分類能力的提升。

    本文的主要貢獻如下:

    1)在城市環(huán)境聲音識別研究方面,利用SqueezeNet 核心結構Fire 模塊[16]構建輕量級網絡,該網絡在保證識別準確率的同時,通過縮小模型參數(shù)規(guī)模,達到節(jié)省硬件內存資源、提升模型運算性能的目的。

    2)以Dempster?Shafer(D?S)證據理論為基礎,將基于SqueezeNet 核心結構Fire 模塊建立的輕量級網絡與深度神經網絡(Deep Neural Network,DNN)融合,通過增加輸入環(huán)境聲音的全局特征變量,使得融合后的模型識別能力得到進一步的提升,展現(xiàn)出輕量級網絡強大的識別性能,為深度網絡模型在資源有限的分布式終端設備上應用提供了有力支持。

    1 實驗數(shù)據集與預處理

    1.1 數(shù)據集

    本實驗使用UrbanSound8K 數(shù)據集[17],它是目前應用于自動城市環(huán)境聲分類研究的公共數(shù)據集,該數(shù)據集包含8 732條已標注聲音類別的音頻片段(≤4 s),聲音類別涵蓋10個類別,表1 顯示該數(shù)據集中每個聲音類別所含音頻片段的數(shù)量。由于數(shù)據采集于真實環(huán)境,每個音頻片段都包含背景聲音和事件聲音。數(shù)據集由10個名為fold1~fold10的文件夾組成,每個文件夾包含約873個WAV格式的文件。

    表1 UrbanSound8K數(shù)據集聲音類別Tab.1 Sound categories of UrbanSound8K dataset

    1.2 特征選擇

    因為人耳感覺到的聲音高低與其頻率不呈線性關系,人耳對低頻信號比高頻信號更加敏感,根據人耳的特性模擬出梅爾頻率刻度,式(1)表示梅爾頻率fMel與語音頻率f 的關系,因而梅爾(Mel)倒譜系數(shù)(Mel Frequency Cepstrum Coefficient,MFCC)被廣泛應用在語音識別系統(tǒng)中。在環(huán)境聲音分析領域,MFCC常被用作衡量新技術優(yōu)勢的基準。

    將語音頻率劃分成一系列三角形的濾波器,即Mel 濾波器組,取各三角形濾波器帶寬內所有信號幅度加權和作為濾波器組的輸出,再對所有濾波器的對數(shù)幅度譜進行離散余弦變化(Discrete Cosine Transform,DCT)得到MFCC[18],計算如式(2)所示:

    式(2)中:L 代表Mel 濾波器組的通道數(shù)量;l 為第l 個Mel 濾波器;Y(l)表示第l個Mel濾波器的輸出。

    本實驗以25 ms 的窗口和10 ms 幀長為參數(shù)從音頻片段中提取特征,計算出0~22 050 Hz的40個梅爾(Mel)波段,并保留40 個MFCC 系數(shù),得到的特征矩陣為40×174×1,即頻率×時間×通道,如圖1所示,在這一過程中,需要對時間維度不足的特征矩陣進行補零至統(tǒng)一長度。

    圖1 十類聲音可視化MFCC譜圖Fig.1 Ten kinds of sound visualized MFCC spectrums

    除圖1 所示的40 維MFCC 譜圖外,為獲得環(huán)境聲音更全面的特征,還需從環(huán)境音頻片段提取另一組40 維全局特征向量。提取過程如下:首先從片段的每一幀中提取40 維特征向量,其中1~4 維分別是頻譜均方根、頻譜質心、頻譜帶寬和頻譜滾降點,5~40維分別是12維MFCC、12維MFCC一階差分參數(shù)和12 維MFCC 二階差分參數(shù);然后在每個維度上對所有幀的結果取算數(shù)平均值,從而得到40維全局特征向量。

    MFCC差分計算如式(3)所示:

    式(3)中:dt表示第t 個一階差分;Ct代表第t 個倒譜系數(shù);Q 為倒譜系數(shù)的階數(shù);K 表示一階導數(shù)的時間差,可取1 或2。將MFCC 一階差分參數(shù)再代入式(3),得到MFCC 二階差分的參數(shù)。

    2 模型構建

    2.1 參考卷積神經網絡

    實驗首先搭建一個傳統(tǒng)CNN 模型作為參考,并將其命名為Cnet 模型。該模型包括一個輸入層、四組“卷積+池化”結構和一個輸出層。每組“卷積+池化”結構中,卷積層的步幅為1,卷積核的大小設置為3×3;池化層的步幅設置為2;使用線性整流函數(shù)(Rectified Linear Unit,ReLU)[19]作為激活函數(shù)。輸出層使用Softmax 函數(shù)獲得分類概率,模型參數(shù)如表2所示。

    表2 Cnet 模型參數(shù)Tab.2 Cnet model parameters

    2.2 SqueezeNet卷積神經網絡模型

    SqueezNet 卷積神經網絡模型是由加利福尼亞大學伯克利分校和斯坦福大學的研究學者在2016 年聯(lián)合提出的一種旨在降低模型參數(shù)輸入量的網絡模型,它能解決AlexNet[20]和VGGNet(Visual Geometry Group Net)[21]模型因參數(shù)量巨大而降低運算效率的問題。該網絡通過縮小模型卷積核大小、用平均池化層代替全連接層的方式構建Fire模塊結構以達到在保證識別準確率的基礎上減少模型參數(shù)量的目的。Fire 模塊結構包含兩層卷積層:壓縮層和擴展層,它們各自連接一個ReLU 激活層,其中壓縮層全部由S 個1× 1 的卷積核構成,擴展層包含E1個1× 1 的卷積核和E3個3× 3 卷積核,卷積核的數(shù)量關系滿足S <E1+E3,見圖2。

    圖2 Fire模塊結構Fig.2 Structure of Fire module

    在文獻[16]中,SqueezeNet 網絡模型共有9 組Fire 模塊,中間穿插3 個最大池化層,并用全局平均池化層代替全連接層以減少參數(shù)數(shù)量,同時為控制輸入和輸出的大小,在上層和下層各使用一個卷積層。在本實驗中,“S”代表壓縮層中卷積核數(shù)量,“E”代表擴展層中卷積核數(shù)量,并設定E1=E3,E=E1+E3。SqueezeNet 網絡模型為處理ImageNet 數(shù)據集而設計,它對UrbanSound8K 數(shù)據集進行分類會產生過擬合,從而無法有效分類,本實驗使用SqueezeNet 網絡的核心Fire 模塊結構搭建網絡。

    Fire 模塊將H1×W1×D1大小的特征圖作為輸入,H2×W2×D2大小的特征圖作為輸出,其中H1×W1和H2×W2分別是輸入特征圖和輸出特征圖的尺寸,D1和D2分別是輸入特征圖和輸出特征圖的通道數(shù)量。本實驗以卷積核乘法運算次數(shù)作為統(tǒng)計計算量的依據,F(xiàn)ire模塊的計算量CFire如式(4)所示:

    Fire模塊的卷積核參數(shù)數(shù)量設為NFire,計算見式(5):

    式(4)和(5)中:Nk為擴展層中E3的卷積核尺寸[22],通常選擇Nk值為3。

    卷積核的計算量為CCNN,如式(6)所示:

    卷積核參數(shù)數(shù)量為NCNN,如式(7)所示:

    式(6)和(7)中:Nc為卷積核尺寸,一般選擇Nc值為3、5 或7。通常情況H1×W1和H2×W2相同,由式(4)~(7)可知,F(xiàn)ire 模塊與卷積核的計算量比值及其參數(shù)數(shù)量比值均為R,見式(8):

    當Fire 模塊(S,E)分別?。?,32)和(16,64)時,按表2 層類型中卷積層2 的輸入通道參數(shù)和輸出通道參數(shù),計算出R值分別為0.29和0.57。由此可見,在網絡計算量和參數(shù)數(shù)量方面,與Cnet模型相比,基于Fire模塊的輕量級網絡模型具有明顯優(yōu)勢。

    2.3 D?S證據理論

    D-S 證據理論是20 世紀70 年由哈佛學者Dempster 和Shafer 提出的一種不確定推定理論,在80 年代后逐漸引起歸納邏輯、人工智能等領域的研究學者的關注[14]。該理論實質上是在由一系列互斥的基本命題組成的識別框架上,通過引入信任函數(shù)概念對各命題分配信任程度,即基本概率分配(Basic Probability Assignment,BPA),并提出不同證據信息的基本概率分配共同作用生成一個反映融合信息的新的基本概率分配的證據組合規(guī)則。

    1)基本概率分配。

    假設某問題的所有可能答案組成一個互斥的非空完備集合Θ={A1,A2,…,An},也稱識別框架,其中元素Ai稱為的基元,將Θ 的冪集用2Θ表示。如果集函數(shù)映射并滿足那么稱該映射m 是識別框架Θ上的基本概率分配函數(shù)(BPA),也稱為mass函數(shù);Φ為不可能事件;?A ?Θ,m(A)稱為A的基本概率分配。

    2)Dempster證據合成規(guī)則。

    對于?A ?Θ,在同一識別框架Θ 上的兩個mass 函數(shù)m1,m2,其基元分別為B 和C,Dempster 合成規(guī)則如式(9)~(10)所示:

    對于?A ?Θ,識別框架Θ 上的有限個mass 函數(shù)m1,m2,…,mn的Dempster合成規(guī)則如式(11)~(12)所示:

    式(12)中:A1∩A2∩…∩An=Φ 表示信息沖突的部分;A1∩A2∩…∩An=A 表示信息一致的部分;⊕為正交和;K為剔除沖突干擾的歸一化因子,其作用是將空集上丟失的信任度按比例分配到非空集上,從而滿足概率分配要求。K 值越小說明證據的沖突越大;如果K=0 則證據完全沖突,合成規(guī)則不再適用。

    2.4 基于Fire模塊的網絡

    本實驗針對參考卷積神經網絡模型Cnet[23],設計一類基于SqueezNet 網絡Fire 模塊的輕量級網絡模型,并將其命名Fnet,見圖3。

    圖3 基于Fire模塊的網絡Fig.3 Fire module based network

    Fnet由輸入層、一組16個3×3卷積核構成的“卷積+池化”結構、三組Fire模塊、全局平均池化層和輸出層構成。為有效驗證模型性能,本實驗采取兩種策略進行對比研究:一種策略是控制壓縮層和擴展層中的卷積核數(shù)量,使用S 和E 分別為(8,32)與(16,64)的兩種Fire模塊進行比較實驗,并相應標記為Fnet1 模型和Fnet2 模型;另一種策略是為充分挖掘環(huán)境聲音的特征、提高模型性能,基于Fnet2 模型融合DNN 構建FnetDNN 模型。DNN 由一個輸入層、兩個全連接層和一個Softmax 層組成,其中全連接層的隱含單元分別設置為128 和64。利用D-S 證據理論將Fent2 預測結果S1和DNN 預測結果S2進行信息融合生成新的基本概率分配,并以此作為決策依據。

    3 實驗過程與分析

    3.1 實驗環(huán)境與參數(shù)設置

    實驗在一臺英特爾i5 處理器、英偉達Tesla K80 顯卡和8 GB 內存的筆記本上驗證本文提出的降低模型參數(shù)量的方法有效性。實驗過程中,采用UrbanSound8K 數(shù)據集,在GPU上運用Keras2.0和Tensorflow2.0框架建模。實驗超參數(shù)設置如下:Dropout 參數(shù)[24]0.2;優(yōu)化Adam;迭代次數(shù)200;批量數(shù)64。以ReLU 作為激活函數(shù),選擇交叉熵作為損失函數(shù),如式(13)所示:

    式(13)中:yi是網絡輸出的第i 個預測分類,Yi是第i 個分類標簽,n是分類的樣本總數(shù)。最后,在全連接層后應用Softmax函數(shù)輸出判斷結果。

    3.2 實驗結果與討論

    首先,本實驗以Cnet 作為參考網絡,使用Fire 模塊搭建Fnet1和Fnet2模型,兩個模型都采用圖1提取的MFCC譜圖作為輸入,輸入維度為40×174×1。從圖4的實驗結果可以看出:參數(shù)數(shù)量越多,模型分類的穩(wěn)定性就越高。從訓練迭代200次后的分類準確性來看,F(xiàn)net1 與Cnet 具有相似的準確性,F(xiàn)net2的準確度略優(yōu)于Cnet。

    圖4 模型結果比較Fig.4 Comparison of model results

    表3 列示三個模型的卷積核參數(shù)量和識別準確率。實驗結果說明在相同特征信息輸入條件下,適當縮小網絡參數(shù)規(guī)??梢詭砭W絡分類性能的提升。由于輕量級深度神經網絡能有效地節(jié)省內存資源、降低計算成本,因而它在資源有限的移動設備上更具備開發(fā)和應用的發(fā)展前景。

    進一步進行實驗分析,先以40 維環(huán)境聲音信號的全局特征向量作為DNN 的輸入,訓練得到S2,再利用D-S證據理論將Fnet2 和DNN 的預測結果S1、S2進行信息融合,生成新的基本概率,如圖3所示。表4為關于某一樣本數(shù)據的分析結果。

    表3 模型卷積核參數(shù)量和識別準確率比較Tab.3 Comparison of models on convolution kernel parameter number and classification accuracy

    對于本樣本,F(xiàn)net2錯誤預測分類AC,DNN 正確預測分類EI,F(xiàn)netDNN 通過融合后獲得新的基本概率分配輸出正確分類EI,對Fnet2 錯誤預測結果進行了校正。實驗結果顯示,盡管FnetDNN 參數(shù)數(shù)量略有增加,但能將分類準確率提高到94.4%。圖5 從細顆粒度分析角度分析DNN、Fnet2 與FnetDNN在具體聲音類別上的識別能力:FnetDNN在狗吠聲、鉆孔和發(fā)動機空轉聲類別上的識別效果更加明顯;在環(huán)境聲音較為復雜的街頭音樂類別上,F(xiàn)netDNN也具有優(yōu)勢。

    表4 模型預測概率、融合結果和期望值Tab.4 Prediction probabilies,fusion results and expected values of models

    最后,表5 所示了ESR 領域近年的研究成果,與這些研究成果相比,F(xiàn)netDNN 模型具有參數(shù)數(shù)量少、訓練所需樣本數(shù)量少和分類準確率較高的特點。由此可以看出,基于Fire 模塊的網絡模型Fnet 不僅可以壓縮冗余參數(shù),還可以與其他網絡相融合,具有模型擴展能力。

    圖5 歸一化混淆矩陣Fig.5 Normalized confusion matrix

    表5 UrbanSound8K上8種模型的準確率Tab.5 Accuracies of 8 models on UrbanSound8K

    4 結語

    本文通過對比實驗證明了SqueezeNet 的Fire 模塊可以直接用于壓縮常規(guī)網絡參數(shù),輕量級網絡Fnet1的卷積核參數(shù)數(shù)量較Cnet 網絡模型減少,但可以達到與Cnet 相似的準確度,F(xiàn)net2和FnetDNN 可在存儲受限的條件下,獲得高水平的環(huán)境聲音識別準確度,這為深度網絡模型在資源有限的移動端設備上應用開發(fā)提供了有力支持。接下來的工作是優(yōu)化ESR模型,提升環(huán)境音識別準確度并確保在移動端工作的實時性能。

    猜你喜歡
    卷積數(shù)量分類
    基于3D-Winograd的快速卷積算法設計及FPGA實現(xiàn)
    分類算一算
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    分類討論求坐標
    統(tǒng)一數(shù)量再比較
    數(shù)據分析中的分類討論
    基于傅里葉域卷積表示的目標跟蹤算法
    教你一招:數(shù)的分類
    頭發(fā)的數(shù)量
    我國博物館數(shù)量達4510家
    久久久成人免费电影| 国产精品一区二区三区四区久久| 听说在线观看完整版免费高清| 91在线精品国自产拍蜜月 | 黄色片一级片一级黄色片| 国产精品久久电影中文字幕| 精品一区二区三区av网在线观看| 亚洲av电影不卡..在线观看| 久久精品国产综合久久久| 岛国在线观看网站| 大型黄色视频在线免费观看| 欧美午夜高清在线| 国产真人三级小视频在线观看| 日韩 欧美 亚洲 中文字幕| 精品乱码久久久久久99久播| av视频在线观看入口| x7x7x7水蜜桃| 亚洲天堂国产精品一区在线| 亚洲中文日韩欧美视频| 成人国产一区最新在线观看| 精品国产美女av久久久久小说| 他把我摸到了高潮在线观看| 51午夜福利影视在线观看| 美女 人体艺术 gogo| 久久伊人香网站| 亚洲av片天天在线观看| 午夜福利在线观看免费完整高清在 | 欧美午夜高清在线| 一个人免费在线观看电影 | 精品国产超薄肉色丝袜足j| 久久久久久人人人人人| 在线永久观看黄色视频| 狠狠狠狠99中文字幕| 嫁个100分男人电影在线观看| 久久久久国产一级毛片高清牌| 精品一区二区三区av网在线观看| av福利片在线观看| 国产三级在线视频| 香蕉av资源在线| 国产一区二区激情短视频| 91久久精品国产一区二区成人 | 国产成人精品无人区| 午夜激情福利司机影院| 男女那种视频在线观看| 又黄又粗又硬又大视频| 国产爱豆传媒在线观看| 黄片小视频在线播放| 久久久精品欧美日韩精品| 精品久久久久久久末码| 欧美3d第一页| 美女被艹到高潮喷水动态| 我的老师免费观看完整版| 无遮挡黄片免费观看| 最近视频中文字幕2019在线8| 国产成人影院久久av| 久久久国产成人精品二区| 日本一本二区三区精品| 手机成人av网站| 亚洲专区中文字幕在线| 日韩欧美三级三区| 亚洲五月天丁香| 99久久精品国产亚洲精品| 中文字幕高清在线视频| 国产精品亚洲一级av第二区| 成人国产一区最新在线观看| 久久久精品欧美日韩精品| 给我免费播放毛片高清在线观看| 精品久久蜜臀av无| 亚洲av成人一区二区三| 久久久久久九九精品二区国产| 国产高清激情床上av| 国产精品九九99| 欧美日韩乱码在线| 真人一进一出gif抽搐免费| av女优亚洲男人天堂 | 午夜福利高清视频| 国内毛片毛片毛片毛片毛片| 亚洲人与动物交配视频| 亚洲专区字幕在线| 99国产极品粉嫩在线观看| 美女高潮喷水抽搐中文字幕| 我要搜黄色片| 免费观看的影片在线观看| 国产 一区 欧美 日韩| 99国产精品一区二区三区| 2021天堂中文幕一二区在线观| 男女床上黄色一级片免费看| 99riav亚洲国产免费| 天堂影院成人在线观看| 99国产精品一区二区三区| 国产不卡一卡二| 黄色女人牲交| 亚洲无线在线观看| 18美女黄网站色大片免费观看| 18美女黄网站色大片免费观看| 亚洲天堂国产精品一区在线| 小说图片视频综合网站| 久久精品夜夜夜夜夜久久蜜豆| 99久久无色码亚洲精品果冻| 校园春色视频在线观看| 久久久久久久久中文| 日本免费一区二区三区高清不卡| 长腿黑丝高跟| av女优亚洲男人天堂 | 国产av在哪里看| 久久久久久久久久黄片| 亚洲精华国产精华精| 国产高清videossex| 国产精品99久久久久久久久| 亚洲美女黄片视频| 亚洲国产欧美一区二区综合| 色av中文字幕| 在线十欧美十亚洲十日本专区| 婷婷六月久久综合丁香| av视频在线观看入口| www.精华液| 好看av亚洲va欧美ⅴa在| 中文亚洲av片在线观看爽| 亚洲av中文字字幕乱码综合| 免费无遮挡裸体视频| 午夜日韩欧美国产| 国产精品久久电影中文字幕| 成人一区二区视频在线观看| 久久久久精品国产欧美久久久| 首页视频小说图片口味搜索| 老司机午夜福利在线观看视频| 国产成人aa在线观看| av女优亚洲男人天堂 | 国产精品电影一区二区三区| 真实男女啪啪啪动态图| 精品国内亚洲2022精品成人| 国产伦在线观看视频一区| 91在线观看av| 中文字幕久久专区| 国产91精品成人一区二区三区| 搡老岳熟女国产| 噜噜噜噜噜久久久久久91| 99精品久久久久人妻精品| 免费在线观看日本一区| 一本综合久久免费| 少妇人妻一区二区三区视频| 国产精品av久久久久免费| 国产淫片久久久久久久久 | 变态另类丝袜制服| 制服丝袜大香蕉在线| 又大又爽又粗| 99久久国产精品久久久| 欧美丝袜亚洲另类 | 午夜福利高清视频| 男人舔奶头视频| 12—13女人毛片做爰片一| 九九在线视频观看精品| 黄色 视频免费看| 欧美又色又爽又黄视频| 大型黄色视频在线免费观看| 一级a爱片免费观看的视频| 村上凉子中文字幕在线| 国产精品久久久久久精品电影| 99国产精品一区二区蜜桃av| 久久中文字幕人妻熟女| 亚洲欧美激情综合另类| 99国产精品一区二区三区| 日韩 欧美 亚洲 中文字幕| 国产欧美日韩一区二区三| 国模一区二区三区四区视频 | 国语自产精品视频在线第100页| 在线看三级毛片| 久久中文字幕人妻熟女| 好男人电影高清在线观看| www.自偷自拍.com| 色在线成人网| 亚洲精品色激情综合| 国产成人福利小说| 久久久国产成人免费| 午夜福利成人在线免费观看| 一本久久中文字幕| 嫩草影院入口| 亚洲狠狠婷婷综合久久图片| 中亚洲国语对白在线视频| 国产精品九九99| 中文字幕人成人乱码亚洲影| 欧美av亚洲av综合av国产av| 精品国产三级普通话版| 日韩人妻高清精品专区| 每晚都被弄得嗷嗷叫到高潮| 亚洲成人免费电影在线观看| ponron亚洲| 欧美乱码精品一区二区三区| 国产亚洲精品一区二区www| 免费观看精品视频网站| 欧美最黄视频在线播放免费| 午夜日韩欧美国产| 婷婷亚洲欧美| 久久国产精品影院| 成年版毛片免费区| 国产高清视频在线播放一区| 国产激情偷乱视频一区二区| 国产1区2区3区精品| 久99久视频精品免费| 亚洲成a人片在线一区二区| 淫秽高清视频在线观看| 51午夜福利影视在线观看| 听说在线观看完整版免费高清| 欧美色视频一区免费| 在线播放国产精品三级| 欧美日韩精品网址| 亚洲美女视频黄频| 精品久久久久久久末码| 国内精品久久久久精免费| 久久久久亚洲av毛片大全| 俄罗斯特黄特色一大片| 操出白浆在线播放| 全区人妻精品视频| 国产精品自产拍在线观看55亚洲| x7x7x7水蜜桃| 老司机深夜福利视频在线观看| 国产真人三级小视频在线观看| 日日干狠狠操夜夜爽| 国产成人啪精品午夜网站| 精品免费久久久久久久清纯| 黑人欧美特级aaaaaa片| 97碰自拍视频| 男人和女人高潮做爰伦理| 中出人妻视频一区二区| 国产精品久久久久久亚洲av鲁大| 母亲3免费完整高清在线观看| 日韩欧美在线二视频| 小说图片视频综合网站| 欧美日韩中文字幕国产精品一区二区三区| 热99re8久久精品国产| 精品久久久久久久末码| 美女被艹到高潮喷水动态| 黑人欧美特级aaaaaa片| 国产av在哪里看| 91av网站免费观看| 美女高潮的动态| 亚洲最大成人中文| 国产精品女同一区二区软件 | 精品国产超薄肉色丝袜足j| 中文字幕人妻丝袜一区二区| 97超级碰碰碰精品色视频在线观看| 又黄又爽又免费观看的视频| 国产成年人精品一区二区| 天天添夜夜摸| 日韩欧美在线二视频| 国产精品亚洲一级av第二区| 久久久久久国产a免费观看| 亚洲avbb在线观看| 欧美日韩黄片免| 亚洲精品粉嫩美女一区| 午夜成年电影在线免费观看| 成人av一区二区三区在线看| 九九热线精品视视频播放| 亚洲精品456在线播放app | 啦啦啦免费观看视频1| 精品欧美国产一区二区三| 国产亚洲精品综合一区在线观看| 欧美又色又爽又黄视频| 19禁男女啪啪无遮挡网站| 久久久色成人| 国产av麻豆久久久久久久| 人人妻,人人澡人人爽秒播| 美女大奶头视频| 国模一区二区三区四区视频 | 搡老熟女国产l中国老女人| 国产不卡一卡二| 天堂动漫精品| 高清在线国产一区| 国产激情偷乱视频一区二区| 国产蜜桃级精品一区二区三区| 黄色视频,在线免费观看| 国产精品久久电影中文字幕| 亚洲专区中文字幕在线| 国产精品自产拍在线观看55亚洲| 两人在一起打扑克的视频| 麻豆一二三区av精品| 国产三级在线视频| 舔av片在线| 淫妇啪啪啪对白视频| 亚洲av成人不卡在线观看播放网| 90打野战视频偷拍视频| 日韩欧美国产在线观看| 久久久久免费精品人妻一区二区| 久久99热这里只有精品18| 国产精品久久久久久精品电影| 观看美女的网站| 国产激情久久老熟女| 亚洲精品在线美女| 亚洲欧美一区二区三区黑人| 国产v大片淫在线免费观看| 国产乱人伦免费视频| 99精品欧美一区二区三区四区| 黄频高清免费视频| 亚洲男人的天堂狠狠| 国产亚洲精品久久久久久毛片| 亚洲av成人av| 女人被狂操c到高潮| 国产亚洲精品久久久久久毛片| 精品乱码久久久久久99久播| 床上黄色一级片| 成人鲁丝片一二三区免费| 一二三四在线观看免费中文在| 久久精品影院6| 夜夜夜夜夜久久久久| 日韩欧美在线乱码| 国产精品av视频在线免费观看| 岛国在线免费视频观看| 国产高清三级在线| 波多野结衣高清无吗| 69av精品久久久久久| 免费观看精品视频网站| 国产一区二区在线观看日韩 | 久久久久久人人人人人| 黄频高清免费视频| 怎么达到女性高潮| 久久人人精品亚洲av| 国产精品精品国产色婷婷| 亚洲第一欧美日韩一区二区三区| 国产精品综合久久久久久久免费| 19禁男女啪啪无遮挡网站| 人妻久久中文字幕网| 麻豆成人av在线观看| 精品久久久久久久毛片微露脸| 19禁男女啪啪无遮挡网站| 成人性生交大片免费视频hd| 老司机在亚洲福利影院| 亚洲中文av在线| 精品一区二区三区视频在线 | 禁无遮挡网站| 亚洲成av人片在线播放无| 亚洲国产看品久久| 久久久久久国产a免费观看| 蜜桃久久精品国产亚洲av| 在线观看66精品国产| 色播亚洲综合网| 国产1区2区3区精品| АⅤ资源中文在线天堂| 两人在一起打扑克的视频| 亚洲国产日韩欧美精品在线观看 | 美女被艹到高潮喷水动态| 最新中文字幕久久久久 | 狠狠狠狠99中文字幕| 脱女人内裤的视频| 美女大奶头视频| 午夜激情欧美在线| ponron亚洲| 18禁裸乳无遮挡免费网站照片| 成人特级av手机在线观看| 岛国在线免费视频观看| 真人做人爱边吃奶动态| 亚洲自偷自拍图片 自拍| 日韩三级视频一区二区三区| 久久伊人香网站| 在线十欧美十亚洲十日本专区| 日韩 欧美 亚洲 中文字幕| 精品一区二区三区四区五区乱码| 国产黄片美女视频| 久久香蕉国产精品| 免费在线观看日本一区| 国产一区在线观看成人免费| 国内精品久久久久久久电影| 欧美日韩一级在线毛片| 亚洲熟女毛片儿| 国产精品女同一区二区软件 | 真人一进一出gif抽搐免费| 亚洲av片天天在线观看| 99在线人妻在线中文字幕| 高清在线国产一区| 日本五十路高清| 国产欧美日韩一区二区精品| 黄色成人免费大全| 国产精品影院久久| 国产成人精品久久二区二区91| 99热精品在线国产| 宅男免费午夜| 国产成人啪精品午夜网站| 一级a爱片免费观看的视频| 一进一出抽搐动态| 日韩中文字幕欧美一区二区| 亚洲aⅴ乱码一区二区在线播放| 国产精品野战在线观看| 久久久久久九九精品二区国产| 在线观看免费午夜福利视频| 久久国产精品影院| 国模一区二区三区四区视频 | www日本黄色视频网| 欧美色视频一区免费| 国产精品一区二区三区四区免费观看 | 亚洲一区二区三区不卡视频| 欧美黑人欧美精品刺激| 又爽又黄无遮挡网站| 久久久久久人人人人人| 亚洲色图 男人天堂 中文字幕| 一个人看视频在线观看www免费 | 天堂av国产一区二区熟女人妻| 国产精品香港三级国产av潘金莲| 亚洲成a人片在线一区二区| 变态另类成人亚洲欧美熟女| 他把我摸到了高潮在线观看| 久久草成人影院| 999久久久国产精品视频| 天天躁日日操中文字幕| 成人精品一区二区免费| 极品教师在线免费播放| 日日摸夜夜添夜夜添小说| 国产精品,欧美在线| 欧美色欧美亚洲另类二区| 久久香蕉精品热| 亚洲精品中文字幕一二三四区| 看黄色毛片网站| 久久天堂一区二区三区四区| www国产在线视频色| 男人舔奶头视频| 免费观看的影片在线观看| 国产一级毛片七仙女欲春2| 欧美激情在线99| 午夜日韩欧美国产| 久久久久久国产a免费观看| 亚洲精华国产精华精| 免费一级毛片在线播放高清视频| 18禁观看日本| 免费观看的影片在线观看| 欧美中文日本在线观看视频| 日韩精品青青久久久久久| 午夜福利在线观看吧| 又黄又粗又硬又大视频| 人人妻,人人澡人人爽秒播| 一本一本综合久久| 国产精品一区二区三区四区免费观看 | 欧美绝顶高潮抽搐喷水| 91在线精品国自产拍蜜月 | 两性午夜刺激爽爽歪歪视频在线观看| 90打野战视频偷拍视频| 免费在线观看视频国产中文字幕亚洲| 久久中文字幕人妻熟女| 在线视频色国产色| 香蕉国产在线看| 白带黄色成豆腐渣| 搡老妇女老女人老熟妇| 成人永久免费在线观看视频| 久久久久久久精品吃奶| 黑人操中国人逼视频| 国产高清视频在线观看网站| 亚洲一区高清亚洲精品| 小说图片视频综合网站| 中文字幕熟女人妻在线| 黄片小视频在线播放| 亚洲乱码一区二区免费版| 美女免费视频网站| 天天躁狠狠躁夜夜躁狠狠躁| 51午夜福利影视在线观看| 亚洲欧洲精品一区二区精品久久久| 久久热在线av| 在线观看66精品国产| 一进一出好大好爽视频| 久久久久久久久久黄片| 他把我摸到了高潮在线观看| 黄片大片在线免费观看| 麻豆一二三区av精品| 国产三级在线视频| 男女视频在线观看网站免费| 亚洲欧美一区二区三区黑人| 成人无遮挡网站| 99久久精品国产亚洲精品| 国内精品美女久久久久久| 一边摸一边抽搐一进一小说| 老司机深夜福利视频在线观看| 嫩草影院精品99| 淫妇啪啪啪对白视频| 亚洲av美国av| 级片在线观看| 亚洲成人中文字幕在线播放| 国产单亲对白刺激| 无遮挡黄片免费观看| 亚洲无线观看免费| 看片在线看免费视频| 91麻豆精品激情在线观看国产| 真人一进一出gif抽搐免费| 日韩精品青青久久久久久| 国产欧美日韩一区二区精品| 成年女人看的毛片在线观看| 久久九九热精品免费| 看片在线看免费视频| 久久香蕉国产精品| 国产欧美日韩精品一区二区| 琪琪午夜伦伦电影理论片6080| 最近最新中文字幕大全电影3| 一a级毛片在线观看| 首页视频小说图片口味搜索| 婷婷精品国产亚洲av在线| a级毛片在线看网站| 欧美乱码精品一区二区三区| 国产精品自产拍在线观看55亚洲| 在线国产一区二区在线| 欧美日韩中文字幕国产精品一区二区三区| 日韩大尺度精品在线看网址| 亚洲午夜精品一区,二区,三区| 国产精品女同一区二区软件 | 美女被艹到高潮喷水动态| 欧美黄色片欧美黄色片| 天堂√8在线中文| 久久久久免费精品人妻一区二区| 我要搜黄色片| 天天一区二区日本电影三级| 男女之事视频高清在线观看| 人妻久久中文字幕网| www日本黄色视频网| tocl精华| 成年女人看的毛片在线观看| 国产精品一区二区三区四区久久| 高潮久久久久久久久久久不卡| 不卡av一区二区三区| 久久婷婷人人爽人人干人人爱| 欧美极品一区二区三区四区| 久久久久国产精品人妻aⅴ院| 欧美成人性av电影在线观看| 熟妇人妻久久中文字幕3abv| 国产精品98久久久久久宅男小说| 国产亚洲av嫩草精品影院| 成年女人看的毛片在线观看| av女优亚洲男人天堂 | 亚洲av成人一区二区三| 1024香蕉在线观看| 久9热在线精品视频| 精品一区二区三区视频在线观看免费| 老鸭窝网址在线观看| 色老头精品视频在线观看| 色综合站精品国产| 美女被艹到高潮喷水动态| 精品国产亚洲在线| 啪啪无遮挡十八禁网站| 国产精品一区二区三区四区免费观看 | 校园春色视频在线观看| 午夜免费观看网址| 一个人免费在线观看的高清视频| 国产午夜精品论理片| 三级国产精品欧美在线观看 | 久久久国产成人精品二区| 午夜视频精品福利| 一本久久中文字幕| 日本五十路高清| 亚洲国产精品sss在线观看| 狂野欧美激情性xxxx| 又爽又黄无遮挡网站| 国产一区二区在线观看日韩 | 香蕉丝袜av| 午夜日韩欧美国产| or卡值多少钱| 午夜激情福利司机影院| 国产精品久久久久久精品电影| 高清在线国产一区| 色吧在线观看| 真实男女啪啪啪动态图| 叶爱在线成人免费视频播放| 精品国产超薄肉色丝袜足j| 欧美成狂野欧美在线观看| 国产黄片美女视频| 国产黄色小视频在线观看| 真人做人爱边吃奶动态| 巨乳人妻的诱惑在线观看| 国产黄a三级三级三级人| 麻豆成人午夜福利视频| 又黄又粗又硬又大视频| 国产成年人精品一区二区| 两人在一起打扑克的视频| 搡老熟女国产l中国老女人| 欧美黑人欧美精品刺激| 国产精品久久视频播放| 中出人妻视频一区二区| 日韩欧美国产一区二区入口| 亚洲精品中文字幕一二三四区| 可以在线观看毛片的网站| 一区福利在线观看| 90打野战视频偷拍视频| 色综合欧美亚洲国产小说| 亚洲国产欧美网| 88av欧美| 伦理电影免费视频| 2021天堂中文幕一二区在线观| 91av网站免费观看| 日日摸夜夜添夜夜添小说| 日本精品一区二区三区蜜桃| 国产久久久一区二区三区| 在线观看免费视频日本深夜| 欧美又色又爽又黄视频| 在线观看午夜福利视频| 免费观看精品视频网站| 97超视频在线观看视频| 午夜精品在线福利| 亚洲自偷自拍图片 自拍| 久久久久久国产a免费观看| 美女高潮的动态| 免费看光身美女| 成人特级av手机在线观看| 日韩大尺度精品在线看网址| 男女做爰动态图高潮gif福利片| 欧美中文日本在线观看视频| 国产伦精品一区二区三区四那| 国内精品美女久久久久久| 久久亚洲真实| 不卡av一区二区三区| 草草在线视频免费看| 中亚洲国语对白在线视频| 国产亚洲精品av在线| 国产高清视频在线观看网站| 亚洲成av人片在线播放无| 日本免费a在线| 成人国产综合亚洲| 欧美乱妇无乱码| 怎么达到女性高潮| 深夜精品福利| 亚洲在线观看片| 亚洲中文av在线| 精品国内亚洲2022精品成人| 色吧在线观看|