• <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 ?

    特征融合在植物葉片識(shí)別中的應(yīng)用研究

    2020-12-01 03:15:00陸楷煜夏春蕾戴曙光靖浩翔馬玉文彭鑠期盛旭陽(yáng)
    軟件導(dǎo)刊 2020年10期
    關(guān)鍵詞:模式識(shí)別人工智能

    陸楷煜 夏春蕾 戴曙光 靖浩翔 馬玉文 彭鑠期 盛旭陽(yáng)

    摘 要:利用模式識(shí)別領(lǐng)域的特征融合方法進(jìn)行植物葉片識(shí)別,植物葉片對(duì)植物種類分辨與認(rèn)知具有重大作用,其紋理、形狀是分辨植物種類的一個(gè)極佳指標(biāo)。以植物葉片為研究對(duì)象,提取葉片的LBP紋理特征、HOG紋理特征以及形狀特征,設(shè)計(jì)多特征融合模型,基于ECOC-SVM多分類器對(duì)UCI數(shù)據(jù)集32種640張植物葉片圖像進(jìn)行訓(xùn)練、分類。實(shí)驗(yàn)結(jié)果表明,基于多特征融合模型訓(xùn)練的ECOC-SVM對(duì)數(shù)據(jù)集中的葉片有很好的描述能力,識(shí)別率達(dá)92%,識(shí)別效果較好。

    關(guān)鍵詞:模式識(shí)別;植物葉片識(shí)別;SVM;人工智能

    DOI:10. 11907/rjdk. 201184

    中圖分類號(hào):TP319文獻(xiàn)標(biāo)識(shí)碼:A 文章編號(hào):1672-7800(2020)010-0071-05

    Abstract:In recent years, as an important field of artificial intelligence, pattern recognition has developed rapidly. Plant leaves play an important role in identifying and recognizing plant species. At the same time, the texture and shape of plant leaves are very good indicators to distinguish plant species. This paper takes plant leaves as the research object, extracts LBP texture feature, HOG texture feature and shape feature of leaves, designs multi-feature fusion model, and uses ECOC-SVM multi-classifier to 640 plants of 32 species in UCI dataset Leaf images for training and classification. The experimental results show that the ECOC-SVM based on the multi-feature fusion model has a good description ability for the leaves in the data set with a higher recognition rate of 92%. The model has a better recognition effect.

    Key Words:pattern recognition; plant leaves; multi-features; SVM

    0 引言

    模式識(shí)別是人工智能技術(shù)應(yīng)用的重要方向,特征融合方法作為模式識(shí)別領(lǐng)域的一種主要方法,對(duì)植物葉片識(shí)別具有關(guān)鍵作用[1]。傳統(tǒng)植物分類方法通過(guò)人工實(shí)地去采集植物葉片樣本,并對(duì)樣本進(jìn)行手工測(cè)量以取得植物各類相關(guān)數(shù)據(jù)。這種方法會(huì)消耗相當(dāng)大的人力與物力,人為分辨植物外觀具有主觀性,對(duì)于識(shí)別準(zhǔn)確率有很大影響。因此,通過(guò)計(jì)算機(jī)模式識(shí)別實(shí)現(xiàn)植物種類自動(dòng)識(shí)別,并建立相應(yīng)數(shù)據(jù)庫(kù),可以大大提高識(shí)別效率,也比人工操作準(zhǔn)確率更高[2]。

    植物葉片具有多樣性,往往通過(guò)識(shí)別葉片就可以辨別植物種類,葉片保存周期也較長(zhǎng),在利用模式識(shí)別對(duì)植物進(jìn)行分類時(shí),大多使用其葉片作為研究對(duì)象[3-5]。目前,國(guó)內(nèi)外研究植物葉片分類的方法主要有:提取其顏色、紋理、形狀等特征[6-8]。2013年,Charles等[9]提出采用密度估算方法,在小規(guī)模和特征提取不完整條件下的識(shí)別率達(dá)91%;劉念等[10]通過(guò)提取LBP、灰度共生矩陣、Hu不變矩等特征,使用深度信念網(wǎng)絡(luò),對(duì)植物葉片進(jìn)行識(shí)別;王麗君等[11]基于葉片圖像多特征融合的觀葉植物種類識(shí)別系統(tǒng),通過(guò)對(duì)50種植物進(jìn)行訓(xùn)練比較,識(shí)別率達(dá)91.41%。

    本文將植物葉片的HOG、LBP紋理特征與Hu矩形狀特征進(jìn)行線性融合,設(shè)計(jì)了一種基于圖像紋理和形狀的融合特征模型對(duì)植物葉片進(jìn)行描述,并使用ECOC-SVM進(jìn)行訓(xùn)練、分類,實(shí)驗(yàn)所用數(shù)據(jù)集主要取自UCI 數(shù)據(jù)庫(kù)。

    1 特征提取方法

    1.1 紋理特征提取

    植物葉片的紋理特征體現(xiàn)了葉片的結(jié)構(gòu)信息,不同的葉片有著不同的紋理特征,本文采用HOG與圓形LBP算子作為葉片的紋理特征信息。

    1.1.1 HOG特征

    HOG特征提供一個(gè)圖像區(qū)域的密度冗余描述[12],本文對(duì)于植物葉片的HOG特征提取步驟如下:

    Step1:對(duì)圖像進(jìn)行預(yù)處理,標(biāo)準(zhǔn)化Gamma空間和顏色空間。

    Step2:計(jì)算圖像梯度。根據(jù)式(1)—式(4)計(jì)算圖像每一像素的梯度幅值和方向,圖像梯度圖反映了紋理變化情況,即紋理細(xì)節(jié)變化越大,梯度幅值也越大。梯度圖剔除了圖像中的不相關(guān)信息,如沒(méi)有變換的背景色等,如圖1所示,梯度幅值圖凸顯了該葉片紋理。

    Step3:將圖像分成若干個(gè)連通區(qū)域,稱為細(xì)胞(cell),并為每個(gè)胞元構(gòu)建梯度直方圖。本文采用的分塊方式是以2×2個(gè)細(xì)胞單元為一個(gè)分塊(block)對(duì)圖像進(jìn)行掃描,每個(gè)細(xì)胞單元為8×8個(gè)像素,梯度方向被平均分為9個(gè)方向。

    Step4:將多個(gè)細(xì)胞單元(cell)組合成更大分塊(block)后,HOG描述符就變成了由各區(qū)間所有細(xì)胞單元的直方圖成分所組成的一個(gè)向量,即歸一化后的描述向量。最后完成對(duì)所有塊的HOG特征提取,將這些特征向量作為訓(xùn)練分類依據(jù)。

    基于上述步驟,提取樣本庫(kù)中其中一張植物葉片圖像HOG特征,HOG特征提取可視化效果如圖2所示,cell大小設(shè)為8?8像素,每個(gè)分塊中有4個(gè)cell。

    可以發(fā)現(xiàn),HOG特征清晰地捕捉了該植物葉片的整體外形及葉脈,即描述了其紋理特征。

    1.1.2 旋轉(zhuǎn)不變模式下的圓形LBP算子特征提取

    LBP(Local Binary Pattern,局部二值模式)是一種用來(lái)描述圖像局部紋理特征的算子[13-14],它反映了圖像中每個(gè)像素點(diǎn)與其周圍像素點(diǎn)的關(guān)系。將其一中心像素點(diǎn)作為閾值,將相鄰8個(gè)像素點(diǎn)的灰度值與其作比較,若周圍灰度值大于中心點(diǎn),則將該像素點(diǎn)的位置標(biāo)記為1,否則為0,這樣就可產(chǎn)生一組8位二進(jìn)制數(shù),即為該中心點(diǎn)的LBP值。這個(gè)值反映了該點(diǎn)的紋理信息,如圖3所示,順時(shí)針取值得到該中心點(diǎn)的LBP值。

    根據(jù)上述特征提取過(guò)程,生成LBP算子的數(shù)學(xué)表達(dá)式如式(5)和式(6)所示。

    其中,(xc,yc)為中心點(diǎn)位置,ic為該中心點(diǎn)灰度值,ip為相鄰像素點(diǎn)的灰度值,s(x)為符號(hào)函數(shù)。

    很明顯,傳統(tǒng)LBP算子具有一定局限性,例如只有固定的半徑范圍,當(dāng)樣本圖片發(fā)生平移或旋轉(zhuǎn)時(shí),收集到的特征值會(huì)產(chǎn)生很大差異,極大地影響了識(shí)別準(zhǔn)確率。樹(shù)葉圖像在采集過(guò)程中往往存在旋轉(zhuǎn)、平移等非線性因素,因此本文采用旋轉(zhuǎn)不變模式下的圓形LBP算子,以適應(yīng)圖像旋轉(zhuǎn)以及不同尺度的紋理特征[15]。

    其基本思想為不斷旋轉(zhuǎn)圓形領(lǐng)域得到一系列初始定義的LBP值,取其最小值作為該領(lǐng)域的LBP值,數(shù)學(xué)表達(dá)式如式(7)所示。

    式(7)中,ROR(LBPK,R,i)為旋轉(zhuǎn)函數(shù),表示從中心像素點(diǎn)正上方像素點(diǎn)開(kāi)始,依次逆時(shí)針旋轉(zhuǎn)過(guò)程。

    1.2 幾何特征提取

    葉片幾何特征也是分辨其種類的重要指標(biāo)之一,將本文提取葉片的Hu不變矩作為葉片識(shí)別的幾何特征依據(jù)。Hu不變矩已廣泛應(yīng)用于圖像識(shí)別、工業(yè)質(zhì)檢等領(lǐng)域[16]。

    將圖像看作給定二維連續(xù)函數(shù)f(x,y),在黎曼積分意義下,其(p+q)階矩定義如式(8)所示。

    式(8)中,[ρ(x,y)]為密度分布函數(shù),函數(shù)區(qū)間為[0,255]。相應(yīng)的(p+q)階中心矩定義如式(9)所示。

    根據(jù)上述理論,構(gòu)造7個(gè)矩不變量,計(jì)算公式如式(11)—式(17)所示。

    綜上,根據(jù)式(11)-式(17)可得出圖片Hu不變矩的7個(gè)特征值[17]。

    2 融合糾錯(cuò)輸出編碼(ECOC)的支持向量機(jī)(SVM)識(shí)別模型

    支持向量機(jī)(SupportVectorMachines,SVM)在解決小樣本、高維模式識(shí)別中有著不錯(cuò)效果。

    支持向量機(jī)(SVM)基本概念如下:以二維樣本空間為例,如圖4所示,c1和c2是兩類需要區(qū)分的樣本,g(x)=wx+b為一個(gè)線性函數(shù),將c1和c2區(qū)分開(kāi)。而在一個(gè)三維樣本空間中,就是找出一個(gè)最優(yōu)“分割平面”,推廣至多維空間,支持向量機(jī)需要找出一個(gè)最優(yōu)“超平面”作為數(shù)據(jù)分類器[18-19]。

    植物葉片分類一般為多分類問(wèn)題,本文將該問(wèn)題“分而治之”。糾錯(cuò)輸出編碼的原理源于通信領(lǐng)域中的信號(hào)傳輸問(wèn)題,在信號(hào)傳輸過(guò)程中,為避免受到噪聲影響,在編碼過(guò)程中設(shè)計(jì)冗余編碼,這樣可以在解碼過(guò)程中產(chǎn)生誤碼時(shí)有糾錯(cuò)能力。將該編碼原理引申到識(shí)別領(lǐng)域中,即為克服單個(gè)分類器帶來(lái)的誤差,往往設(shè)計(jì)多個(gè)二分類器[20-21]。

    ECOC多分類問(wèn)題可分為3步:編碼、訓(xùn)練、解碼,然后將多分類問(wèn)題拆分為若干個(gè)二分類問(wèn)題。ECOC-SVM多分類模型框架如圖5所示。

    (1)編碼階段。采用三元編碼矩陣作為ECOC的多分類框架,三元碼表示為{-1,0,+1},采用一對(duì)一的編碼方式,編碼矩陣的每一行代表某一類,每一列代表樣本的一種二分類。碼元“+1”代表一類,“-1”代表另一類,“0”代表無(wú)關(guān)類,即在形成的二分類中被忽略(不參與訓(xùn)練),如圖6所示為“一對(duì)一”(OVO)樣本種類為4種的分類器示意圖,其中C1-C4代表樣本種類的碼字,共4類樣本數(shù)據(jù),則有6個(gè)分類器,f1-f6為二類分類器,碼元“1”,“-1”,“0”分別用白色、黑色、灰色表示。

    (2)訓(xùn)練階段。例如對(duì)圖6中的f3分類器進(jìn)行訓(xùn)練,C1和C4的編碼為“-1”和“1”,C2和C3的編碼均為“0”,則在該分類器中C2、C3不參與訓(xùn)練,依此編碼規(guī)則對(duì)所有二類分類器進(jìn)行訓(xùn)練,得到編碼矩陣。

    (3)解碼階段。對(duì)測(cè)試數(shù)據(jù)集通過(guò)(2)中的分類器進(jìn)行預(yù)測(cè),將預(yù)測(cè)結(jié)果記為一組編碼,與每個(gè)類別的原始編碼序列進(jìn)行比較,并計(jì)算兩者之間的距離,最后返回距離最小的類別即為預(yù)測(cè)模型中的植物葉片類型。

    3 算法實(shí)現(xiàn)

    3.1 數(shù)據(jù)來(lái)源及樣本選擇

    實(shí)驗(yàn)數(shù)據(jù)包含32種不同的植物品種(見(jiàn)圖7),植物種類學(xué)名、種類編號(hào)如表1示。

    在640張圖片數(shù)據(jù)集的各種類植物葉片樣本中隨機(jī)抽取5個(gè)作為測(cè)試樣本,其余15個(gè)作為訓(xùn)練樣本。

    3.2 特征提取

    為了提高識(shí)別效率,首先將所有樣本圖片進(jìn)行預(yù)處理(大小約束、標(biāo)準(zhǔn)化Gamma空間、灰度化)。為了便于比較,特征量需要保持一致,因此將輸入葉片圖像大小設(shè)定為128?256。紋理、幾何特征與顏色無(wú)關(guān),因此將彩色圖像轉(zhuǎn)化為灰度圖像,剔除無(wú)關(guān)信息。為了降低圖像局部光照不均勻性,降低噪聲干擾,進(jìn)行Gamma校正,取[γ=12],校正后樣本如圖8所示。

    根據(jù)上文所述特征提取方法,提取每張樣本圖片的HOG、LBP、Hu不變矩特征,分別記為[f1]、[ f2]、[ f3],合并這3類特征,記為[F=[f1, f2, f3]]。

    3.3 預(yù)測(cè)模型訓(xùn)練及實(shí)驗(yàn)結(jié)果

    隨機(jī)抽取5個(gè)作為待預(yù)測(cè)樣本測(cè)試預(yù)測(cè)模型識(shí)別率,剩余15個(gè)作為訓(xùn)練樣本,重復(fù)運(yùn)行50次,分析準(zhǔn)確性。本文采用的數(shù)據(jù)集共有32種植物葉片,用上文所述ECOC-SVM方法,需要496個(gè)二類分類器。以分類器一為例,將白紙扇定為正樣本(+1),菠蘿蜜定為負(fù)樣本(-1),剩余30個(gè)樣本定為無(wú)關(guān)項(xiàng)(0),依此編碼規(guī)則對(duì)496個(gè)二類分類器進(jìn)行訓(xùn)練,得到編碼矩陣部分如表2所示。

    在MATLAB環(huán)境下編寫(xiě)特征提取算法和預(yù)測(cè)訓(xùn)練模型程序。各類植物葉片平均分類結(jié)果準(zhǔn)確率如表3所示,整體識(shí)別率為92.11%。

    為了研究不同特征組合的識(shí)別性能,實(shí)驗(yàn)中將不同組合特征的識(shí)別率進(jìn)行了對(duì)比,整體識(shí)別率結(jié)果如表4所示。

    從表3、表4數(shù)據(jù)中可以得出以下結(jié)論:①任意兩種特征組合的識(shí)別率均高于單一特征識(shí)別率,將紋理特征與描述形狀特征的Hu不變矩結(jié)合起來(lái),可以有效提高植物葉片識(shí)別率;②HOG、LBP、Hu矩多特征融合識(shí)別率的標(biāo)準(zhǔn)差約為1.51,對(duì)于識(shí)別各類植物葉片有較好穩(wěn)定性。

    4 結(jié)語(yǔ)

    本文針對(duì)植物葉片分類識(shí)別問(wèn)題,基于ECOC-SVM多分類算法提取植物葉片圖像形狀、紋理特征作為主要識(shí)別特征,建立識(shí)別模型進(jìn)行分類識(shí)別,比較了不同特征組合下的識(shí)別率。在HOG、LBP、Hu矩多特征融合下的識(shí)別方法具有較好魯棒性,下一步工作將重點(diǎn)提高識(shí)別速度,改進(jìn)特征提取方法,提升效率。

    參考文獻(xiàn):

    [1] 張寧,劉文萍. 基于圖像分析的植物葉片識(shí)別技術(shù)綜述[J]. 計(jì)算機(jī)應(yīng)用研究,2011,28(11):4001-4007.

    [2] 郭澤方. 圖像物體檢測(cè)深度學(xué)習(xí)算法綜述[J]. 機(jī)械工程與自動(dòng)化,2019(11):220-222.

    [3] 楊澤靜,張征,鄭伯川. 基于局部模糊聚類的植物葉脈提取[J]. 西華師范大學(xué)學(xué)報(bào)(自然科學(xué)版),2018,39(3):325-330.

    [4] 趙瑞,祈春節(jié),段凌鳳. 基于BP神經(jīng)網(wǎng)絡(luò)的水稻卷葉識(shí)別[J]. 南方農(nóng)業(yè)學(xué)報(bào),2018, 49(10):2103-2109.

    [5] 孫俊,曹文君,毛罕平. 基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)的多種植物葉片病害識(shí)別[J]. 農(nóng)業(yè)工程學(xué)報(bào),2017,33(19):209-215.

    [6] 宣旭峰,王美麗,張建峰. 基于HSV彩色空間與直方圖信息的植物葉脈FFCM算法提取[J]. 計(jì)算機(jī)應(yīng)用研究,2018,35(9):307-310.

    [7] KEBAPCI H,YANIKOGLU B,UNAL G.Plant image retrieval using color, shape and texture features[J].? Computer Journal,2011,54(9):1475-1490.

    [8] BAMA B S,BALLI S M,RAJU S,et al.Content based leaf image retrieval (CBLIR) using shape, color and texture features[J]. Indian Journal of Computer Science & Engineering, 2011,2(2):202-211.

    [9] MALLAH C,COPE J,ORWELL J.Plant leaf classification using probabilistic integration of shape, texture and margin features [EB/OL]. http://actapress.com/Abstract.aspx?paperId=455022.

    [10] 劉念,闞江明. 基于多特征融合和深度信念網(wǎng)絡(luò)的植物葉片識(shí)別[J]. 北京林業(yè)大學(xué)學(xué)報(bào), 2016,38(3):110-119.

    [11] 王麗君,淮永建,彭月橙. 基于葉片圖像多特征融合的觀葉植物種類識(shí)別[J]. 北京林業(yè)大學(xué)學(xué)報(bào), 2015,37(1):96-104.

    [12] DALALN,TRIGGSB.Histograms of oriented gradients for human detection[J]. IEEE Computer Society Conference on Computer Vision and Pattern Recognition,2005(1):886-893.

    [13] 王玲. 基于LBP的特征提取研究[D]. 北京: 北京交通大學(xué),2009.

    [14] 趙珊,于虎. 基于梯度和局部多值模式的圖像紋理特征提取[J]. 測(cè)控技術(shù),2017,36(8):6-10.

    [15] 蓋健. 基于旋轉(zhuǎn)不變LBP的圖像集人臉識(shí)別算法[D]. 長(zhǎng)春:吉林大學(xué),2015.

    [16] 張鴻峰,李婉琪,曾昭君,等. Hu不變矩在圖像識(shí)別中的應(yīng)用于實(shí)現(xiàn)[J]. 科技資訊,2014,12(30):5-8.

    [17] 李洋,李岳陽(yáng),羅海馳,等. 基于形狀特征的植物葉片在線識(shí)別方法[J]. 計(jì)算機(jī)工程與應(yīng)用,2017,53(2):162-165,171.

    [18] 鄭一力,鐘剛亮,王強(qiáng). 基于多特征降維的植物葉片識(shí)別方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào),2017,48(3):30-37.

    [19] 馬娜,李艷文,徐苗. 基于改進(jìn)SVM算法的植物葉片分類研究[J]. 山西農(nóng)業(yè)大學(xué)學(xué)報(bào)(自然科學(xué)版),2018, 38(11):33-38.

    [20] 肖亮. 基于支持向量機(jī)的圖像分類研究[D]. 上海:同濟(jì)大學(xué),2006.

    [21] DIETTERICH T G,BAKIRI G.Solving multiclass learning problems via error-correcting output codes[J]. Journal of Artificial Intelligence Research,1995,2(1):263-286.

    (責(zé)任編輯:孫 娟)

    猜你喜歡
    模式識(shí)別人工智能
    我校新增“人工智能”本科專業(yè)
    2019:人工智能
    商界(2019年12期)2019-01-03 06:59:05
    人工智能與就業(yè)
    紫地榆HPLC指紋圖譜建立及模式識(shí)別
    中成藥(2018年2期)2018-05-09 07:19:52
    數(shù)讀人工智能
    小康(2017年16期)2017-06-07 09:00:59
    淺談模式識(shí)別在圖像識(shí)別中的應(yīng)用
    第四屆亞洲模式識(shí)別會(huì)議
    下一幕,人工智能!
    下一幕,人工智能!
    可拓模式識(shí)別算法中經(jīng)典域的確定方法
    欧美日韩亚洲国产一区二区在线观看 | 如日韩欧美国产精品一区二区三区| 母亲3免费完整高清在线观看 | 成人毛片a级毛片在线播放| 久久久国产欧美日韩av| 美女视频免费永久观看网站| 国产日韩一区二区三区精品不卡| 国产精品免费大片| 国产一区二区 视频在线| 一区二区三区乱码不卡18| 最近手机中文字幕大全| 亚洲国产精品成人久久小说| 侵犯人妻中文字幕一二三四区| 亚洲精品中文字幕在线视频| 超碰97精品在线观看| 黑人巨大精品欧美一区二区蜜桃| 久久精品国产鲁丝片午夜精品| 老熟女久久久| 伊人久久国产一区二区| 人人妻人人添人人爽欧美一区卜| 最黄视频免费看| 亚洲综合色惰| 国产精品人妻久久久影院| 精品人妻熟女毛片av久久网站| 亚洲熟女精品中文字幕| 99国产综合亚洲精品| 免费看不卡的av| 可以免费在线观看a视频的电影网站 | 大片电影免费在线观看免费| 亚洲一区二区三区欧美精品| 大香蕉久久成人网| 精品少妇黑人巨大在线播放| 亚洲国产成人一精品久久久| 国产精品熟女久久久久浪| √禁漫天堂资源中文www| 亚洲人成电影观看| 天堂中文最新版在线下载| 国产精品二区激情视频| 国产爽快片一区二区三区| 国产1区2区3区精品| 七月丁香在线播放| 国产av精品麻豆| 国产欧美日韩一区二区三区在线| 免费观看性生交大片5| 五月伊人婷婷丁香| 久久久国产精品麻豆| tube8黄色片| 国产老妇伦熟女老妇高清| 久久久精品94久久精品| 少妇的丰满在线观看| 国产成人91sexporn| 最新中文字幕久久久久| 日产精品乱码卡一卡2卡三| 亚洲av电影在线进入| 精品酒店卫生间| 成年女人在线观看亚洲视频| 中文字幕制服av| 夜夜骑夜夜射夜夜干| 国产人伦9x9x在线观看 | 夫妻午夜视频| 中文欧美无线码| 亚洲在久久综合| 日韩一区二区三区影片| 国产综合精华液| 国产欧美日韩综合在线一区二区| 久久99一区二区三区| 黄色一级大片看看| a级片在线免费高清观看视频| 一级爰片在线观看| 久久久久久久亚洲中文字幕| 精品人妻一区二区三区麻豆| 久久久精品区二区三区| 中文字幕av电影在线播放| av又黄又爽大尺度在线免费看| 天天躁夜夜躁狠狠久久av| 国产又色又爽无遮挡免| 女人被躁到高潮嗷嗷叫费观| 亚洲三区欧美一区| 五月天丁香电影| 亚洲av免费高清在线观看| 国产成人av激情在线播放| 麻豆av在线久日| 欧美最新免费一区二区三区| 精品国产一区二区三区四区第35| 国产亚洲av片在线观看秒播厂| 国产精品无大码| 国产极品天堂在线| 汤姆久久久久久久影院中文字幕| 男的添女的下面高潮视频| 边亲边吃奶的免费视频| 中文天堂在线官网| 亚洲精品日韩在线中文字幕| 国产精品av久久久久免费| 在线天堂最新版资源| 伦理电影大哥的女人| 国产在线免费精品| 熟女av电影| 人妻一区二区av| 亚洲精品美女久久久久99蜜臀 | 欧美97在线视频| 中文字幕最新亚洲高清| 亚洲综合色网址| 日韩av在线免费看完整版不卡| 色网站视频免费| 精品少妇黑人巨大在线播放| 亚洲视频免费观看视频| 国产亚洲av片在线观看秒播厂| 三级国产精品片| 9191精品国产免费久久| 丰满乱子伦码专区| av网站在线播放免费| 免费高清在线观看视频在线观看| 黑丝袜美女国产一区| 久热这里只有精品99| 九九爱精品视频在线观看| 精品国产国语对白av| 男男h啪啪无遮挡| 国产视频首页在线观看| 2018国产大陆天天弄谢| 美女主播在线视频| 如日韩欧美国产精品一区二区三区| 人人妻人人澡人人爽人人夜夜| 男女无遮挡免费网站观看| 精品亚洲成a人片在线观看| 国产亚洲精品第一综合不卡| 老汉色∧v一级毛片| 少妇熟女欧美另类| 人妻人人澡人人爽人人| videossex国产| 又黄又粗又硬又大视频| 人人妻人人添人人爽欧美一区卜| 制服人妻中文乱码| 精品一区二区免费观看| 男女啪啪激烈高潮av片| 亚洲成人av在线免费| 日韩在线高清观看一区二区三区| 极品少妇高潮喷水抽搐| 国产成人欧美| 久久久久精品性色| 又黄又粗又硬又大视频| 中文字幕av电影在线播放| 26uuu在线亚洲综合色| 熟女电影av网| 久久亚洲国产成人精品v| 成年女人在线观看亚洲视频| 狠狠精品人妻久久久久久综合| 亚洲欧美清纯卡通| 亚洲精品国产色婷婷电影| 午夜日本视频在线| 欧美日韩综合久久久久久| 国产成人精品一,二区| 亚洲国产欧美日韩在线播放| 女人精品久久久久毛片| 美女大奶头黄色视频| 一级片免费观看大全| 波野结衣二区三区在线| 午夜免费男女啪啪视频观看| 久热这里只有精品99| av在线app专区| 韩国av在线不卡| 一级片'在线观看视频| 日韩av免费高清视频| 免费播放大片免费观看视频在线观看| 视频在线观看一区二区三区| 日韩人妻精品一区2区三区| 叶爱在线成人免费视频播放| 国产免费现黄频在线看| 99re6热这里在线精品视频| 欧美成人午夜免费资源| 午夜精品国产一区二区电影| 亚洲欧美一区二区三区国产| 欧美 日韩 精品 国产| 国产在视频线精品| 亚洲婷婷狠狠爱综合网| 久久久久久久精品精品| 精品少妇久久久久久888优播| 99九九在线精品视频| 毛片一级片免费看久久久久| 国产男人的电影天堂91| 精品久久久久久电影网| 丝袜人妻中文字幕| 国产黄色免费在线视频| 成人黄色视频免费在线看| 久久精品亚洲av国产电影网| 亚洲精品日韩在线中文字幕| 高清黄色对白视频在线免费看| 99精国产麻豆久久婷婷| 亚洲男人天堂网一区| 久久鲁丝午夜福利片| 国产野战对白在线观看| 亚洲国产精品成人久久小说| 午夜福利影视在线免费观看| 久久国内精品自在自线图片| 久久 成人 亚洲| 久久影院123| 亚洲av电影在线观看一区二区三区| 国产亚洲欧美精品永久| 日日撸夜夜添| 国产极品粉嫩免费观看在线| 国产欧美日韩综合在线一区二区| 中文字幕色久视频| 五月伊人婷婷丁香| 国产成人精品久久二区二区91 | 考比视频在线观看| 久久久久久人妻| 亚洲国产欧美日韩在线播放| 在线观看三级黄色| 亚洲精品视频女| 纯流量卡能插随身wifi吗| 老汉色av国产亚洲站长工具| 国产色婷婷99| 国产av一区二区精品久久| 寂寞人妻少妇视频99o| 欧美97在线视频| 国产又爽黄色视频| 久久久久久人妻| 18禁国产床啪视频网站| 久久精品国产亚洲av高清一级| 99香蕉大伊视频| 26uuu在线亚洲综合色| 一区二区av电影网| 中文精品一卡2卡3卡4更新| 黄色怎么调成土黄色| 久久国产亚洲av麻豆专区| 精品卡一卡二卡四卡免费| 欧美人与性动交α欧美软件| 欧美人与性动交α欧美软件| 午夜老司机福利剧场| videossex国产| 精品国产国语对白av| 韩国av在线不卡| 女的被弄到高潮叫床怎么办| 丝袜在线中文字幕| 女人被躁到高潮嗷嗷叫费观| 人妻系列 视频| 久久久久精品性色| 黄网站色视频无遮挡免费观看| 日韩制服丝袜自拍偷拍| 国产野战对白在线观看| 在线观看一区二区三区激情| 亚洲精品久久成人aⅴ小说| 精品视频人人做人人爽| 国产不卡av网站在线观看| 制服丝袜香蕉在线| 国产成人精品久久二区二区91 | 国产精品人妻久久久影院| 久久久久国产一级毛片高清牌| 免费日韩欧美在线观看| 十分钟在线观看高清视频www| 国产97色在线日韩免费| av网站在线播放免费| 国产亚洲午夜精品一区二区久久| 日韩av免费高清视频| 日韩中文字幕视频在线看片| 69精品国产乱码久久久| 免费av中文字幕在线| 人人妻人人添人人爽欧美一区卜| 在线观看免费高清a一片| a级毛片黄视频| 午夜激情av网站| 99热全是精品| 麻豆精品久久久久久蜜桃| 中文欧美无线码| 男人操女人黄网站| 国产一区亚洲一区在线观看| 十分钟在线观看高清视频www| 久久久久久伊人网av| 日本猛色少妇xxxxx猛交久久| 人人澡人人妻人| 午夜福利视频精品| 成年人午夜在线观看视频| 国产精品亚洲av一区麻豆 | 黄色毛片三级朝国网站| 成人漫画全彩无遮挡| 免费久久久久久久精品成人欧美视频| 天天躁夜夜躁狠狠久久av| 国产有黄有色有爽视频| 成年人免费黄色播放视频| 久久精品aⅴ一区二区三区四区 | 国产精品久久久久久久久免| 国产黄色视频一区二区在线观看| 亚洲欧美一区二区三区久久| 搡老乐熟女国产| 午夜福利视频精品| 一本大道久久a久久精品| 少妇 在线观看| 97在线人人人人妻| 亚洲中文av在线| 午夜福利在线观看免费完整高清在| 婷婷色麻豆天堂久久| 午夜av观看不卡| av免费观看日本| 波多野结衣一区麻豆| www.av在线官网国产| h视频一区二区三区| 在线天堂中文资源库| 国产成人精品无人区| 满18在线观看网站| 人成视频在线观看免费观看| 国产女主播在线喷水免费视频网站| 久久99蜜桃精品久久| 亚洲av成人精品一二三区| 97在线视频观看| 黑人猛操日本美女一级片| 在线 av 中文字幕| 国产日韩欧美在线精品| 人妻 亚洲 视频| 在线天堂中文资源库| 日韩av在线免费看完整版不卡| 成人黄色视频免费在线看| 99热网站在线观看| 欧美精品av麻豆av| 校园人妻丝袜中文字幕| 99九九在线精品视频| 一二三四在线观看免费中文在| 亚洲精品在线美女| 午夜福利乱码中文字幕| 国产伦理片在线播放av一区| 人体艺术视频欧美日本| 永久免费av网站大全| 亚洲色图 男人天堂 中文字幕| 超色免费av| 久久99精品国语久久久| 少妇的丰满在线观看| 自拍欧美九色日韩亚洲蝌蚪91| av国产精品久久久久影院| 欧美国产精品va在线观看不卡| 老司机亚洲免费影院| 国产精品国产三级国产专区5o| 国产精品国产av在线观看| 美女高潮到喷水免费观看| 人成视频在线观看免费观看| 美女主播在线视频| 99久久中文字幕三级久久日本| 亚洲av电影在线观看一区二区三区| 欧美日韩av久久| 晚上一个人看的免费电影| 亚洲国产毛片av蜜桃av| 欧美老熟妇乱子伦牲交| 大话2 男鬼变身卡| 日韩伦理黄色片| 五月伊人婷婷丁香| 免费观看a级毛片全部| 亚洲天堂av无毛| 亚洲天堂av无毛| 老鸭窝网址在线观看| 日本91视频免费播放| 国精品久久久久久国模美| 成人影院久久| 97在线视频观看| 国产精品免费大片| av又黄又爽大尺度在线免费看| 在线观看免费高清a一片| 好男人视频免费观看在线| 精品久久久精品久久久| av女优亚洲男人天堂| 亚洲av在线观看美女高潮| 久久亚洲国产成人精品v| 在线看a的网站| 久久久久精品久久久久真实原创| 亚洲精品国产一区二区精华液| 日韩免费高清中文字幕av| 超碰97精品在线观看| 一区二区三区四区激情视频| 在线观看www视频免费| 91成人精品电影| 女性生殖器流出的白浆| 免费高清在线观看视频在线观看| 日日撸夜夜添| 我要看黄色一级片免费的| 欧美日韩亚洲高清精品| 热99久久久久精品小说推荐| 中文天堂在线官网| 成人影院久久| 男男h啪啪无遮挡| 秋霞在线观看毛片| 精品一区二区三卡| 亚洲av电影在线进入| 国产女主播在线喷水免费视频网站| 欧美少妇被猛烈插入视频| 99久国产av精品国产电影| 国产野战对白在线观看| 十八禁网站网址无遮挡| 丝袜人妻中文字幕| 我的亚洲天堂| 麻豆乱淫一区二区| 伊人久久国产一区二区| 久久亚洲国产成人精品v| 成人毛片a级毛片在线播放| 菩萨蛮人人尽说江南好唐韦庄| 91久久精品国产一区二区三区| 国产老妇伦熟女老妇高清| 亚洲精品中文字幕在线视频| 18禁国产床啪视频网站| 欧美xxⅹ黑人| 爱豆传媒免费全集在线观看| 欧美少妇被猛烈插入视频| av国产久精品久网站免费入址| 热re99久久精品国产66热6| 精品国产一区二区三区四区第35| 国产欧美亚洲国产| 日韩av不卡免费在线播放| 大片电影免费在线观看免费| 欧美成人午夜精品| 国产又色又爽无遮挡免| 最近最新中文字幕大全免费视频 | 熟女少妇亚洲综合色aaa.| 综合色丁香网| 如何舔出高潮| 欧美变态另类bdsm刘玥| 亚洲欧美一区二区三区黑人 | 2018国产大陆天天弄谢| 最近的中文字幕免费完整| 丝袜喷水一区| 久久久久久久久久人人人人人人| 街头女战士在线观看网站| 欧美国产精品一级二级三级| www日本在线高清视频| 在线 av 中文字幕| 久久婷婷青草| 亚洲欧美精品自产自拍| 欧美bdsm另类| 久久久久国产一级毛片高清牌| 黄色怎么调成土黄色| 成人二区视频| 久久久欧美国产精品| 国产成人精品久久二区二区91 | 中文字幕人妻熟女乱码| 制服人妻中文乱码| 国产精品久久久久成人av| h视频一区二区三区| 国产精品av久久久久免费| 久久国产精品大桥未久av| 香蕉国产在线看| 精品久久蜜臀av无| 日韩欧美精品免费久久| 日韩一区二区三区影片| 黄色配什么色好看| www.精华液| 亚洲精品日本国产第一区| 香蕉精品网在线| 亚洲国产看品久久| 午夜福利网站1000一区二区三区| 亚洲av电影在线观看一区二区三区| 九色亚洲精品在线播放| 精品一品国产午夜福利视频| 亚洲国产精品一区二区三区在线| 少妇人妻久久综合中文| 亚洲国产精品成人久久小说| 精品国产一区二区三区四区第35| 寂寞人妻少妇视频99o| 亚洲国产欧美在线一区| 男女边吃奶边做爰视频| 我的亚洲天堂| 日韩一区二区三区影片| 少妇被粗大的猛进出69影院| 国产无遮挡羞羞视频在线观看| 久久久国产欧美日韩av| 一二三四中文在线观看免费高清| 久久 成人 亚洲| 免费黄色在线免费观看| 亚洲欧洲国产日韩| 日韩不卡一区二区三区视频在线| 精品一区在线观看国产| 中文字幕精品免费在线观看视频| a 毛片基地| 久久久精品区二区三区| 九九爱精品视频在线观看| kizo精华| 电影成人av| 少妇人妻 视频| 久久久久久久精品精品| 男男h啪啪无遮挡| www日本在线高清视频| 黄色视频在线播放观看不卡| 蜜桃国产av成人99| 欧美97在线视频| 欧美av亚洲av综合av国产av | 在线 av 中文字幕| 国产野战对白在线观看| 熟女av电影| 美女脱内裤让男人舔精品视频| 一区在线观看完整版| 亚洲内射少妇av| 最近手机中文字幕大全| av在线app专区| 捣出白浆h1v1| 丝袜美腿诱惑在线| 婷婷色综合大香蕉| 啦啦啦在线免费观看视频4| 九色亚洲精品在线播放| 999久久久国产精品视频| 精品福利永久在线观看| 国产男女内射视频| 国产成人aa在线观看| 国产又爽黄色视频| 亚洲中文av在线| 久久精品国产自在天天线| 亚洲情色 制服丝袜| 999精品在线视频| 亚洲人成网站在线观看播放| 婷婷色麻豆天堂久久| 欧美另类一区| 女人被躁到高潮嗷嗷叫费观| 日韩免费高清中文字幕av| 久久久久国产精品人妻一区二区| 久久久久精品性色| 啦啦啦啦在线视频资源| 日本黄色日本黄色录像| 观看av在线不卡| 91在线精品国自产拍蜜月| 日韩免费高清中文字幕av| 亚洲少妇的诱惑av| 十八禁网站网址无遮挡| 最近中文字幕2019免费版| 久久久久久久久久久免费av| 欧美亚洲 丝袜 人妻 在线| 欧美精品av麻豆av| 亚洲欧洲精品一区二区精品久久久 | 超碰成人久久| 日韩精品免费视频一区二区三区| 欧美最新免费一区二区三区| 久久久久国产一级毛片高清牌| 狂野欧美激情性bbbbbb| av视频免费观看在线观看| 日本av免费视频播放| 高清不卡的av网站| 丁香六月天网| 免费女性裸体啪啪无遮挡网站| 性少妇av在线| 最近手机中文字幕大全| 考比视频在线观看| 国产精品成人在线| 最近中文字幕高清免费大全6| 999久久久国产精品视频| 欧美精品一区二区大全| 日韩中文字幕视频在线看片| 国产精品99久久99久久久不卡 | 中文字幕精品免费在线观看视频| 国产精品麻豆人妻色哟哟久久| a级毛片在线看网站| 免费不卡的大黄色大毛片视频在线观看| 亚洲 欧美一区二区三区| 国产又爽黄色视频| 一级,二级,三级黄色视频| 国产精品一区二区在线不卡| 天天躁狠狠躁夜夜躁狠狠躁| 成人亚洲欧美一区二区av| 七月丁香在线播放| 男男h啪啪无遮挡| 日韩电影二区| 一本色道久久久久久精品综合| 天天躁夜夜躁狠狠躁躁| 91国产中文字幕| 韩国av在线不卡| 美女大奶头黄色视频| 热99国产精品久久久久久7| av.在线天堂| 中文字幕精品免费在线观看视频| 中文字幕另类日韩欧美亚洲嫩草| 好男人视频免费观看在线| 国产在线免费精品| av在线播放精品| 亚洲精品美女久久久久99蜜臀 | 国产精品蜜桃在线观看| 如日韩欧美国产精品一区二区三区| 侵犯人妻中文字幕一二三四区| 高清黄色对白视频在线免费看| av电影中文网址| 久久久欧美国产精品| 亚洲欧洲国产日韩| 美女国产高潮福利片在线看| 日韩欧美一区视频在线观看| 精品午夜福利在线看| 女的被弄到高潮叫床怎么办| av.在线天堂| 亚洲av电影在线观看一区二区三区| 人人妻人人澡人人爽人人夜夜| 满18在线观看网站| 成人漫画全彩无遮挡| 午夜精品国产一区二区电影| 亚洲国产精品一区二区三区在线| 美女xxoo啪啪120秒动态图| 丝瓜视频免费看黄片| 亚洲国产精品一区二区三区在线| 高清不卡的av网站| 国产淫语在线视频| 久久久久精品久久久久真实原创| 久久久久精品性色| 成人亚洲精品一区在线观看| 国产精品人妻久久久影院| 美女视频免费永久观看网站| 久久精品国产亚洲av高清一级| 精品少妇久久久久久888优播| 日韩制服丝袜自拍偷拍| 久久免费观看电影| 丰满乱子伦码专区| 香蕉精品网在线| 黄频高清免费视频| 人人妻人人添人人爽欧美一区卜| 一级片免费观看大全| 91在线精品国自产拍蜜月| tube8黄色片| 日韩精品有码人妻一区| 久久久久国产精品人妻一区二区| 国产一区二区激情短视频 | 香蕉精品网在线| 狠狠婷婷综合久久久久久88av| 国产亚洲午夜精品一区二区久久| 国产欧美日韩一区二区三区在线| 日本色播在线视频| 色播在线永久视频| 午夜免费男女啪啪视频观看| 国产欧美日韩综合在线一区二区| 国产乱来视频区|