• <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
    精品人妻偷拍中文字幕| 蜜桃久久精品国产亚洲av| 亚洲国产色片| videossex国产| 色播亚洲综合网| 成人午夜高清在线视频| 国产黄色小视频在线观看| 成人特级av手机在线观看| 七月丁香在线播放| 精品国产三级普通话版| 亚洲精品成人久久久久久| 婷婷色综合大香蕉| 五月伊人婷婷丁香| 亚洲真实伦在线观看| freevideosex欧美| 国产一级毛片七仙女欲春2| 国产老妇女一区| 久久久久久久久久久免费av| 黄色一级大片看看| 九草在线视频观看| 久久久久久久久中文| 80岁老熟妇乱子伦牲交| 日韩一区二区视频免费看| 国产综合懂色| 欧美3d第一页| 老师上课跳d突然被开到最大视频| videos熟女内射| 国产综合懂色| 99热这里只有是精品50| 国产免费又黄又爽又色| 国产淫语在线视频| 久久久a久久爽久久v久久| 亚洲av在线观看美女高潮| 久久精品国产亚洲网站| 国产中年淑女户外野战色| 免费黄色在线免费观看| 男人爽女人下面视频在线观看| 久久久色成人| 2021少妇久久久久久久久久久| 国语对白做爰xxxⅹ性视频网站| 美女cb高潮喷水在线观看| 大香蕉97超碰在线| 国产老妇伦熟女老妇高清| 久久精品国产亚洲网站| 又爽又黄无遮挡网站| 人妻系列 视频| 一二三四中文在线观看免费高清| 亚洲欧美日韩卡通动漫| 久久久久九九精品影院| 一本久久精品| 欧美xxxx性猛交bbbb| 色视频www国产| 韩国av在线不卡| 欧美一级a爱片免费观看看| 色视频www国产| 久久人人爽人人片av| 三级毛片av免费| 免费看av在线观看网站| 超碰97精品在线观看| 免费黄网站久久成人精品| 别揉我奶头 嗯啊视频| 精品久久久噜噜| 中文资源天堂在线| 久久久久国产网址| 亚洲欧美日韩东京热| 免费av观看视频| 天天一区二区日本电影三级| 久久久久久久久久久免费av| 亚洲电影在线观看av| 亚洲欧美精品专区久久| 3wmmmm亚洲av在线观看| 日韩不卡一区二区三区视频在线| 免费不卡的大黄色大毛片视频在线观看 | 成人亚洲欧美一区二区av| 22中文网久久字幕| 蜜臀久久99精品久久宅男| 日韩精品有码人妻一区| 国产欧美另类精品又又久久亚洲欧美| 激情 狠狠 欧美| 国产精品久久久久久av不卡| 国内精品宾馆在线| 色视频www国产| 亚洲国产成人一精品久久久| 免费黄网站久久成人精品| 在线观看人妻少妇| 日韩欧美一区视频在线观看 | 汤姆久久久久久久影院中文字幕 | 中国美白少妇内射xxxbb| 久久久久久久久久成人| 亚洲成色77777| 纵有疾风起免费观看全集完整版 | 亚洲精品久久午夜乱码| 午夜精品在线福利| 久久精品国产亚洲网站| 欧美 日韩 精品 国产| 亚洲av成人精品一区久久| 中国美白少妇内射xxxbb| 九九在线视频观看精品| 久久热精品热| 色综合亚洲欧美另类图片| 少妇被粗大猛烈的视频| 在线观看一区二区三区| 久久久久久国产a免费观看| 两个人视频免费观看高清| 亚洲熟妇中文字幕五十中出| 2018国产大陆天天弄谢| av国产免费在线观看| 国产成年人精品一区二区| 欧美性猛交╳xxx乱大交人| 一区二区三区乱码不卡18| 麻豆乱淫一区二区| 中文字幕人妻熟人妻熟丝袜美| 久久久欧美国产精品| 波野结衣二区三区在线| 中文天堂在线官网| 少妇丰满av| 国产av不卡久久| 久久99热这里只频精品6学生| 亚洲欧美清纯卡通| 一级黄片播放器| 男女那种视频在线观看| 久久久久国产网址| 亚洲精品亚洲一区二区| 日本wwww免费看| 少妇裸体淫交视频免费看高清| 国内精品宾馆在线| 欧美成人精品欧美一级黄| 黄色欧美视频在线观看| 久久久久久久久中文| 大陆偷拍与自拍| 汤姆久久久久久久影院中文字幕 | 免费观看性生交大片5| 好男人视频免费观看在线| 国产麻豆成人av免费视频| 欧美成人午夜免费资源| 久久亚洲国产成人精品v| 精品国产一区二区三区久久久樱花 | 日韩人妻高清精品专区| 亚洲乱码一区二区免费版| 国产成人免费观看mmmm| 久久精品综合一区二区三区| 啦啦啦中文免费视频观看日本| 欧美zozozo另类| 婷婷色综合www| 18禁在线无遮挡免费观看视频| 青青草视频在线视频观看| 亚洲欧美清纯卡通| 麻豆成人午夜福利视频| 国产精品一二三区在线看| 亚洲精品乱码久久久v下载方式| 国产高清三级在线| a级一级毛片免费在线观看| 色综合色国产| 日本与韩国留学比较| 久久精品综合一区二区三区| 校园人妻丝袜中文字幕| 最近中文字幕高清免费大全6| 成人性生交大片免费视频hd| 色视频www国产| 欧美成人精品欧美一级黄| 老师上课跳d突然被开到最大视频| 欧美潮喷喷水| 免费大片黄手机在线观看| 欧美区成人在线视频| 美女脱内裤让男人舔精品视频| 国产白丝娇喘喷水9色精品| 成人亚洲欧美一区二区av| 男女啪啪激烈高潮av片| 亚洲欧美日韩无卡精品| 高清日韩中文字幕在线| 亚洲av成人av| 丰满乱子伦码专区| 视频中文字幕在线观看| 国产老妇伦熟女老妇高清| 国产精品一二三区在线看| 熟妇人妻不卡中文字幕| 日本一本二区三区精品| 国产激情偷乱视频一区二区| 国产成人一区二区在线| 国产一级毛片在线| 日韩欧美国产在线观看| av专区在线播放| 特级一级黄色大片| 黄色一级大片看看| 欧美三级亚洲精品| 伊人久久国产一区二区| 看黄色毛片网站| 国产精品99久久久久久久久| 国产成人精品福利久久| 亚洲欧美精品自产自拍| 男的添女的下面高潮视频| 中文欧美无线码| 热99在线观看视频| 欧美日韩精品成人综合77777| 亚洲av成人精品一二三区| 亚洲熟女精品中文字幕| 日本黄大片高清| 午夜精品在线福利| 国产精品久久久久久久电影| 日韩 亚洲 欧美在线| 又大又黄又爽视频免费| 午夜精品在线福利| 国产亚洲5aaaaa淫片| 2022亚洲国产成人精品| 高清日韩中文字幕在线| 色综合站精品国产| 最近中文字幕高清免费大全6| 69人妻影院| 久久精品国产亚洲网站| 国产大屁股一区二区在线视频| 国产精品人妻久久久久久| 亚洲色图av天堂| 一区二区三区高清视频在线| 91午夜精品亚洲一区二区三区| 一边亲一边摸免费视频| 国产av国产精品国产| 99久国产av精品国产电影| 久久99热6这里只有精品| 国产91av在线免费观看| 日韩欧美一区视频在线观看 | 2022亚洲国产成人精品| 日韩欧美 国产精品| 亚洲欧洲国产日韩| 久久韩国三级中文字幕| a级毛色黄片| 亚洲精品一区蜜桃| 午夜免费男女啪啪视频观看| 高清午夜精品一区二区三区| 大话2 男鬼变身卡| 一级毛片黄色毛片免费观看视频| 国产淫语在线视频| 伊人久久精品亚洲午夜| 一区二区三区高清视频在线| 草草在线视频免费看| 久久久国产一区二区| 丝袜美腿在线中文| 久久久色成人| 麻豆成人午夜福利视频| 国产淫片久久久久久久久| 干丝袜人妻中文字幕| 内地一区二区视频在线| 看黄色毛片网站| 国产成人精品久久久久久| 久久精品国产自在天天线| 国产成人91sexporn| 大片免费播放器 马上看| 久久久久精品性色| 高清毛片免费看| 97超碰精品成人国产| 22中文网久久字幕| 国产亚洲午夜精品一区二区久久 | 久久精品国产自在天天线| 九色成人免费人妻av| 嫩草影院入口| 亚洲精品成人av观看孕妇| 日本一本二区三区精品| 国产午夜精品一二区理论片| 亚洲欧美精品自产自拍| 亚洲美女视频黄频| 欧美性感艳星| 最近手机中文字幕大全| 成人鲁丝片一二三区免费| 久久久久久久亚洲中文字幕| 在线天堂最新版资源| 欧美不卡视频在线免费观看| 亚洲人成网站在线观看播放| 欧美97在线视频| 特级一级黄色大片| 国内精品美女久久久久久| 婷婷色综合大香蕉| 天堂√8在线中文| 一本久久精品| 国产精品蜜桃在线观看| 精品少妇黑人巨大在线播放| 91午夜精品亚洲一区二区三区| 日韩精品有码人妻一区| 亚洲欧洲日产国产| 亚洲av免费高清在线观看| 国产精品一二三区在线看| 欧美高清成人免费视频www| 国产女主播在线喷水免费视频网站 | 中文字幕av在线有码专区| 久久久久久久久久久免费av| 欧美精品一区二区大全| 街头女战士在线观看网站| xxx大片免费视频| 国产免费视频播放在线视频 | 免费av观看视频| 午夜福利在线观看免费完整高清在| 免费不卡的大黄色大毛片视频在线观看 | 成人午夜高清在线视频| 麻豆精品久久久久久蜜桃| 久久亚洲国产成人精品v| 91av网一区二区| 一夜夜www| 99热这里只有精品一区| 三级男女做爰猛烈吃奶摸视频| 国产成人91sexporn| 麻豆成人午夜福利视频| 久久亚洲国产成人精品v| 亚洲经典国产精华液单| 免费av毛片视频| 在现免费观看毛片| 欧美变态另类bdsm刘玥| 久久精品人妻少妇| 亚洲最大成人av| 成人二区视频| 99久久精品一区二区三区| 只有这里有精品99| 国产免费视频播放在线视频 | 免费看a级黄色片| 久久6这里有精品| 亚洲精华国产精华液的使用体验| 国产精品综合久久久久久久免费| 高清在线视频一区二区三区| 日韩欧美一区视频在线观看 | 不卡视频在线观看欧美| 国产 一区精品| 91久久精品国产一区二区成人| 亚洲欧美一区二区三区国产| 夜夜看夜夜爽夜夜摸| 国产精品久久久久久精品电影| 久久久久久久午夜电影| 成人av在线播放网站| 又黄又爽又刺激的免费视频.| av播播在线观看一区| 国产高清有码在线观看视频| 啦啦啦啦在线视频资源| 天堂中文最新版在线下载 | 亚洲内射少妇av| 午夜免费激情av| 99久久人妻综合| 国产 一区精品| 亚洲最大成人手机在线| 精品亚洲乱码少妇综合久久| 亚洲欧美成人精品一区二区| 国产成人91sexporn| 一级毛片久久久久久久久女| 国产免费又黄又爽又色| av免费观看日本| 亚洲精品国产av成人精品| 久久鲁丝午夜福利片| 亚洲国产精品sss在线观看| 国产成人aa在线观看| 欧美最新免费一区二区三区| 国产精品国产三级国产av玫瑰| 久久久久久久国产电影| 久久99精品国语久久久| 日韩一区二区三区影片| 你懂的网址亚洲精品在线观看| 日日干狠狠操夜夜爽| 欧美性猛交╳xxx乱大交人| 亚洲成人av在线免费| 人妻制服诱惑在线中文字幕| 免费无遮挡裸体视频| 亚洲真实伦在线观看| 日韩大片免费观看网站| 亚洲欧美日韩卡通动漫| 久久国内精品自在自线图片| 丝瓜视频免费看黄片| 国产色婷婷99| 久久久久免费精品人妻一区二区| 国产 一区 欧美 日韩| 国产伦理片在线播放av一区| 亚洲国产成人一精品久久久| 干丝袜人妻中文字幕| 寂寞人妻少妇视频99o| 国产成人福利小说| 天天躁日日操中文字幕| 久久这里有精品视频免费| 汤姆久久久久久久影院中文字幕 | 精品久久久噜噜| 免费观看a级毛片全部| av女优亚洲男人天堂| 免费观看av网站的网址| 观看美女的网站| 日本一本二区三区精品| 亚洲国产精品专区欧美| 中文字幕制服av| 国产高清三级在线| 最新中文字幕久久久久| 一本久久精品| 色网站视频免费| 亚洲av成人av| 国产色婷婷99| 日韩制服骚丝袜av| 人妻少妇偷人精品九色| 欧美三级亚洲精品| 少妇的逼好多水| av在线老鸭窝| 日本色播在线视频| 晚上一个人看的免费电影| 国产爱豆传媒在线观看| 免费大片18禁| 91精品一卡2卡3卡4卡| 亚洲av免费在线观看| 免费在线观看成人毛片| 国产高潮美女av| 日韩欧美精品免费久久| 九九在线视频观看精品| 日韩成人伦理影院| 日韩三级伦理在线观看| 国产大屁股一区二区在线视频| 日韩av在线免费看完整版不卡| 国产美女午夜福利| 久久久久久久久久人人人人人人| 最近视频中文字幕2019在线8| 别揉我奶头 嗯啊视频| 汤姆久久久久久久影院中文字幕 | 国产精品国产三级国产专区5o| 纵有疾风起免费观看全集完整版 | 亚洲欧美中文字幕日韩二区| 久久亚洲国产成人精品v| 亚洲熟妇中文字幕五十中出| 欧美高清性xxxxhd video| 神马国产精品三级电影在线观看| 免费黄色在线免费观看| 国产高清不卡午夜福利| 日韩强制内射视频| 80岁老熟妇乱子伦牲交| 免费观看a级毛片全部| 精品99又大又爽又粗少妇毛片| 日韩一本色道免费dvd| 最近最新中文字幕免费大全7| 亚洲天堂国产精品一区在线| av国产免费在线观看| 熟女人妻精品中文字幕| 三级男女做爰猛烈吃奶摸视频| 最近最新中文字幕免费大全7| 欧美 日韩 精品 国产| 免费看a级黄色片| 日韩亚洲欧美综合| 国产亚洲精品av在线| 青春草亚洲视频在线观看| 久久这里有精品视频免费| 久久久精品欧美日韩精品| 国产一区有黄有色的免费视频 | 亚洲自偷自拍三级| 午夜精品一区二区三区免费看| 精品久久久久久电影网| 人妻系列 视频| 男的添女的下面高潮视频| 一本一本综合久久| 中文天堂在线官网| 18禁裸乳无遮挡免费网站照片| 欧美日本视频| 国产成人91sexporn| 午夜激情福利司机影院| 肉色欧美久久久久久久蜜桃 | 免费黄色在线免费观看| 亚洲精品亚洲一区二区| 亚洲va在线va天堂va国产| 免费无遮挡裸体视频| 91久久精品国产一区二区成人| 免费人成在线观看视频色| 爱豆传媒免费全集在线观看| 国产成人a区在线观看| 精品久久久久久久久av| 日韩电影二区| 国产成人91sexporn| av黄色大香蕉| 亚洲成人久久爱视频| av天堂中文字幕网| 嫩草影院入口| 国产成人精品福利久久| 久久久久九九精品影院| 美女脱内裤让男人舔精品视频| 男人和女人高潮做爰伦理| 人体艺术视频欧美日本| 毛片女人毛片| 特级一级黄色大片| 欧美日韩一区二区视频在线观看视频在线 | 一二三四中文在线观看免费高清| 内地一区二区视频在线| 日本免费在线观看一区| 日日撸夜夜添| 日日摸夜夜添夜夜爱| 午夜爱爱视频在线播放| 亚洲性久久影院| 人人妻人人澡欧美一区二区| 少妇裸体淫交视频免费看高清| 婷婷色综合www| 国产成人a区在线观看| 永久网站在线| 亚洲欧美一区二区三区黑人 | 青春草亚洲视频在线观看| 亚洲精品一区蜜桃| 成年版毛片免费区| 亚洲av福利一区| 成人亚洲精品av一区二区| av在线亚洲专区| 五月玫瑰六月丁香| 国产乱人偷精品视频| 在线观看av片永久免费下载| 午夜亚洲福利在线播放| 高清在线视频一区二区三区| 99久久九九国产精品国产免费| av又黄又爽大尺度在线免费看| 久久99热6这里只有精品| 国产毛片a区久久久久| 草草在线视频免费看| 一级二级三级毛片免费看| 国产精品麻豆人妻色哟哟久久 | 又粗又硬又长又爽又黄的视频| videossex国产| av线在线观看网站| 免费av不卡在线播放| 久久精品国产自在天天线| 2021少妇久久久久久久久久久| 精品少妇黑人巨大在线播放| 亚洲av.av天堂| 成人鲁丝片一二三区免费| 国内精品一区二区在线观看| 少妇丰满av| 麻豆乱淫一区二区| 国产成人精品福利久久| 美女内射精品一级片tv| 纵有疾风起免费观看全集完整版 | 伊人久久国产一区二区| 国内揄拍国产精品人妻在线| 黄色欧美视频在线观看| 国内揄拍国产精品人妻在线| 老女人水多毛片| 国产精品福利在线免费观看| 狠狠精品人妻久久久久久综合| 国产三级在线视频| 99热这里只有精品一区| 人人妻人人澡欧美一区二区| 久久久久久久大尺度免费视频| 免费av毛片视频| 成人午夜精彩视频在线观看| 听说在线观看完整版免费高清| a级一级毛片免费在线观看| 天美传媒精品一区二区| 亚洲色图av天堂| 精品久久久久久久久av| 高清视频免费观看一区二区 | 天天躁日日操中文字幕| 午夜福利高清视频| 禁无遮挡网站| 婷婷色麻豆天堂久久| 久久久久久久久久久丰满| 国产亚洲91精品色在线| 国产精品国产三级国产专区5o| 亚洲国产精品专区欧美| 国产一区有黄有色的免费视频 | 日本猛色少妇xxxxx猛交久久| 不卡视频在线观看欧美| 国产精品久久视频播放| 99视频精品全部免费 在线| 免费黄色在线免费观看| av国产免费在线观看| 成人综合一区亚洲| 97超视频在线观看视频| 日韩视频在线欧美| 久久精品久久精品一区二区三区| 国产成人精品福利久久| 午夜福利视频精品| 夫妻性生交免费视频一级片| 免费观看的影片在线观看| 深夜a级毛片| 99久久人妻综合| 最近最新中文字幕免费大全7| 国产伦一二天堂av在线观看| 亚洲精品影视一区二区三区av| 日韩一本色道免费dvd| 久久精品国产亚洲网站| 欧美日韩精品成人综合77777| 免费黄频网站在线观看国产| 亚洲国产欧美在线一区| 国产成人一区二区在线| 69av精品久久久久久| av天堂中文字幕网| 午夜激情福利司机影院| 3wmmmm亚洲av在线观看| 一级爰片在线观看| 久久久久久久午夜电影| 大香蕉久久网| 简卡轻食公司| av网站免费在线观看视频 | 小蜜桃在线观看免费完整版高清| 久久久久久久久久黄片| 国产成人a区在线观看| 夫妻午夜视频| 少妇熟女aⅴ在线视频| 国产视频首页在线观看| 国产精品一区二区三区四区免费观看| 成人av在线播放网站| 深夜a级毛片| 亚洲人成网站高清观看| 久久久久久久午夜电影| 国产伦在线观看视频一区| 亚洲精品国产av成人精品| 久久久久久九九精品二区国产| 精品亚洲乱码少妇综合久久| 亚洲熟妇中文字幕五十中出| 免费av观看视频| 亚洲av免费高清在线观看| 国产av在哪里看| 免费观看精品视频网站| 国产综合精华液| 中文天堂在线官网| 亚洲国产成人一精品久久久| 国产成人福利小说| 日韩国内少妇激情av| 综合色av麻豆| 日本免费在线观看一区| 色视频www国产| 国产男人的电影天堂91| 麻豆成人av视频| 午夜爱爱视频在线播放| 男女下面进入的视频免费午夜| 亚洲精华国产精华液的使用体验| 性插视频无遮挡在线免费观看| 人人妻人人澡人人爽人人夜夜 |