• <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 ?

    基于正則極限學習機的駕駛員疲勞狀態(tài)分類方法

    2020-12-01 03:15:00李冰陳龍
    軟件導刊 2020年10期

    李冰 陳龍

    摘 要:為避免接觸式疲勞檢測方法給駕駛員帶來干擾,解決單一信號源對于反映疲勞程度可靠性低的問題,實現(xiàn)對疲勞狀態(tài)高精度、高速度的檢測,提出一種基于正則極限學習機的駕駛員疲勞狀態(tài)分類方法。該方法通過多普勒雷達模塊采集駕駛員生理信號,包括呼吸信號和心跳信號,作為神經網絡輸入數(shù)據(jù)。通過多源信息結合的方式提高疲勞狀態(tài)檢測可靠性。設計正則極限學習機(RELM)模型對數(shù)據(jù)集進行訓練。實驗結果顯示,基于RELM算法模型檢測駕駛員疲勞狀態(tài)的準確率達92%。RELM算法可實現(xiàn)對訓練數(shù)據(jù)的快速計算和學習,同時通過特征變換消除個體差異,實現(xiàn)對駕駛員疲勞狀態(tài)較高的檢測率。

    關鍵詞:疲勞駕駛狀態(tài)分類;多普勒雷達;多源信息;正則極限學習機

    DOI:10. 11907/rjdk. 201209

    中圖分類號:TP301文獻標識碼:A 文章編號:1672-7800(2020)010-0121-04

    Abstract:In order to effectively solve the problems of interference caused by the contact fatigue detection method to the driver and the low reliability of a single signal source to reflect the fatigue level, and to achieve high-precision and high-speed detection of fatigue status,this paper proposes a driver fatigue classification method based on regularized extreme learning machine. This method uses the Doppler radar module to collect the drivers physiological signals, including breathing signals and heartbeat signals, as input data of the neural network.In this paper, the reliability of fatigue state detection is improved by combining multiple sources of information.A regular extreme learning machine (RELM) is designed to train the dataset. The experimental results show that the accuracy of detecting the fatigue state of the driver based on the RELM algorithm model reaches 92%. The RELM algorithm can realize fast calculation and learning of training data, and at the same time, the method of eliminating individual differences through feature transformation can achieve a higher detection rate of driver fatigue.

    Key Words: fatigue driving; Doppler radar;multi-source information; RELM

    0 引言

    近年來,隨著汽車等交通工具的普及,交通事故發(fā)生率越來越高。其中駕駛員疲勞駕駛是引發(fā)交通事故的主因。疲勞駕駛指駕駛在長時間連續(xù)駕車后,生理機能進入失調狀態(tài),從而影響正常駕駛[1]。目前對于疲勞駕駛的檢測方法多為單一信號檢測,常用檢測方法主要包括:①基于駕駛員生理信號的檢測。該方法主要通過檢測不同疲勞狀態(tài)下人體腦電信號、心電信號或呼吸信號等出現(xiàn)的變化,判別駕駛員疲勞狀態(tài)。該方法需在駕駛員體表安裝相應檢測裝置,這會影響駕駛員安全駕駛,可行性較低;②基于駕駛員面部表情特征的檢測,該方法通過視頻監(jiān)測駕駛員面部表情特征,如眨眼、打哈欠等動作,并運用圖像處理等方法提取分析數(shù)據(jù)以判斷駕駛員疲勞狀態(tài)。該方法受駕駛員佩戴口罩、眼鏡等行為的影響較大,疲勞檢測準確度會隨之降低。針對目前疲勞駕駛檢測方法存在的問題,本文采用多源信息結合的方式,將多種檢測方法的優(yōu)勢結合到一起,提高疲勞駕駛檢測可行性和準確性。具體思路是通過一種車載裝置實現(xiàn)駕駛員生理信號非接觸式檢測,采用攝像頭采集與生理信號同步的駕駛員面部視頻信號,通過專家評判方法對視頻信號進行疲勞等級評判,進而確定同步的生理信號疲勞等級,并設計神經網絡算法模型提取生理信號特征,進行疲勞等級分類,確定駕駛員疲勞狀態(tài)。該方法在實現(xiàn)駕駛員生理信號非接觸采集的同時,增加駕駛員面部表情特征分析,并通過神經網絡充分提取生理信號特征,可大幅提高疲勞檢測科學性和準確性。

    本文首先介紹基于多普勒雷達的駕駛員生理信號采集平臺[2],通過該平臺可實現(xiàn)駕駛員生理信號非接觸式采集,克服傳統(tǒng)接觸式采集生理信號對駕駛員造成的干擾。本文將疲勞等級劃分為4類,分別是清醒狀態(tài)、I級疲勞(輕度疲勞)狀態(tài)、II級疲勞(中度疲勞)狀態(tài)和III疲勞(重度疲勞)狀態(tài)[3],采用神經網絡算法對數(shù)據(jù)進行特征提取及模型訓練。由于普通的神經網絡模型網絡結構復雜,計算量普遍較大,無法滿足本文對數(shù)據(jù)快速計算的需求,因此構建RELM(正則化極限學習機)網絡模型以實現(xiàn)對駕駛員疲勞狀態(tài)高精度、高速度檢測。

    1 基于多普勒雷達的非接觸式生理信號采集平臺

    本文實驗平臺是以微波多普勒雷達探測器探頭傳感器HB100模塊[4]為核心的生理信號采集平臺。如圖1所示,該平臺主要由模擬駕駛器及模擬駕駛環(huán)境重現(xiàn)系統(tǒng)、監(jiān)控系統(tǒng)、多普勒雷達系統(tǒng)3部分構成。多普勒雷達系統(tǒng)以微波多普勒雷達探測器探頭傳感器HB100模塊為核心,用于采集駕駛員生理信號。雷達信號包括人體呼吸信號、心跳信號等生理信號及噪聲信號。生理信號需從雷達信號中分離出來。

    生理信號采集實驗平臺搭建完成并通過調試后,需安排實驗人員進行生理信號采集。獲得由雷達信號和視頻信號組成的數(shù)據(jù)集。本文采用面部專家評分方法[5]對視頻信號進行分類,分類標準如表1所示。將疲勞等級劃分為4個等級,分別是清醒狀態(tài)、I級疲勞狀態(tài)、II級疲勞狀態(tài)、III級疲勞狀態(tài)。

    制定疲勞等級劃分標準后,采用面部專家評分方法對信號進行疲勞等級分類,再提取雷達信號特征。信號幅值和周期可準確表達正弦信號特征。因此,利用濾波器將生理信號濾波分離,得到呼吸信號和心跳信號,并通過離散傅里葉變化得到其頻譜特性圖,分別提取呼吸信號與心跳信號幅值及周期。

    大量數(shù)據(jù)表明,對于呼吸信號,在不同疲勞狀態(tài)下呼吸幅值和呼吸周期均有較明顯變化;而對于心跳信號,在不同疲勞狀態(tài)下,心率有較明顯變化,但由于心跳信號幅值非常小,對于不同疲勞狀態(tài)下幾乎沒有變化。因此,本實驗忽略心跳信號幅值,只保留呼吸信號幅值[BA]、呼吸信號周期[BT]以及心跳信號周期[HT]3個特征。確定特征值之后,需整合所有特征值數(shù)據(jù),建立駕駛員生理信號數(shù)據(jù)集,將其命名為DOPS(Drivers Original Physiological Signal)數(shù)據(jù)集。

    2 模型構建與實驗

    極限學習機(Extreme Learning Machine,ELM)是黃光斌教授[6]提出的一種求解單隱層神經網絡算法。ELM算法針對反向傳播算法計算復雜性進行改進,以達到提升學習效率和簡化參數(shù)迭代的目的。

    2.1 極限學習機算法模型

    極限學習機采用單層前饋神經網絡(Single Layer Feedforward Neuron Network,SLFN)結構[7]。極限學習機網絡結構由輸入層、單隱藏層以及輸出層3部分組成。網絡結構如圖2所示。

    ELM網絡模型突出優(yōu)勢是對反向傳播算法[8]的改進,具體方法是隨機設定隱藏層輸入節(jié)點權重,并且在網絡訓練過程中無需更新,學習過程只涉及隱藏層輸出層權值。對于ELM神經網絡(見圖2),輸入樣本總數(shù)為[m],輸入數(shù)據(jù)為[X],網絡輸出為[O],隱藏層激活項為[H],隱藏層輸入權重矩陣為[ω],隱藏層輸出權重矩陣為[β],激活函數(shù)為Sigmoid函數(shù),[b]為閾值。激活項[H]計算方程為:

    單隱含層神經網絡學習目標是使輸出誤差最小,即讓模型適當擬合目標輸出,可表示為:

    其中,[n]表示特征值數(shù)量,[m]表示樣本總數(shù)。[T]為期望輸出矩陣。則存在[β]、[ω]、[b],使得:

    通常情況下,隱藏層神經元個數(shù)遠小于訓練集樣本數(shù)量,此時矩陣[H]不可逆。要求解隱藏層輸出矩陣[β],只能求解使損失函數(shù)最小解[β]。

    其中,[H?]為隱含層激活項[H]的Moore-Penrose廣義逆,簡稱偽逆[9]。[H?]的求解方法為:

    傳統(tǒng)極限學習機存在不適定問題[10],即當輸入矩陣[X]不是列滿秩或某些列之間存在很強的線性關系。出現(xiàn)這種情況時,會導致[XTX]的行列式結果為0,此時,計算[XTX-1]時將產生很大誤差。因此在式(6)中添加一個正則化項解決該問題 ,于是式(5)轉換為:

    其中,[I]為單位矩陣,[C]為正則化系數(shù)[11]。通過正則化處理,可得到正則化極限學習機(Regularized Extreme Learning Machine,RELM)模型,實現(xiàn)快速穩(wěn)定的網絡輸出。

    通常情況下,網絡輸出沒有經過歸一化處理。本文網絡目標輸出由0和1組成,所以對網絡輸出作歸一化處理,有利于分析輸出結果,最終通過神經網絡模型對數(shù)據(jù)進行分類。本文使用Softmax函數(shù)對輸出數(shù)據(jù)作歸一化處理[12],其表達式為:

    其中[m]為網絡輸出個數(shù),[i]為整數(shù),[i∈][1,m]。經過Softmax函數(shù)處理后的網絡輸出數(shù)據(jù)具有兩個性質:①各個輸出為非負數(shù);②所有輸出之和為1。Softmax函數(shù)按照這兩條性質對在負無窮到正無窮上的網絡輸出結果進行轉換。

    2.2 實驗結果及分析

    本文通過多普勒雷達采集駕駛員生理信息,并建立DOPS數(shù)據(jù)集。設計正則化極限學習機算法模型對DOPS數(shù)據(jù)集進行訓練。

    2.2.1 檢測模型評判標準

    在多分類問題中,準確率(accuracy)、精確率(precision)、召回率(recall)是判斷模型好壞的重要依據(jù)[13]。準確率指分類正確的樣本數(shù)與總樣本數(shù)的比值,精確率指正確的樣本在檢索得到的樣本中所占比例,召回率指檢索樣本比率[14]。本文數(shù)據(jù)集輸入數(shù)據(jù)是一維數(shù)據(jù),且只包含3個特征值,將數(shù)據(jù)輸入到網絡中時,不存在無法檢測的情況,這說明在本文實驗中準確率和精確率可視為同一數(shù)據(jù),并且召回率可被忽略。因此,本文對模型評判標準只通過準確率判定,其計算公式為:

    其中,[Numcorrect]表示網絡輸出中預測正確的樣本數(shù)量,[Numtotal]表示樣本總數(shù)。為了方便分析網絡對不同類別的預測效果,計算每個類別預測準確率,公式為:

    其中,[s]表示類別索引,[s]的取值為0、1、2和3。

    2.2.2 基于DOPS數(shù)據(jù)集的實驗

    本次實驗中,使用RELM模型對DOPS數(shù)據(jù)集進行訓練。對于RELM模型,隱藏層輸入權重矩陣初始化采用Python中numpy包中隨機初始化類,具體是numpy.random.random([row,col])。本數(shù)據(jù)集特征值數(shù)量為3個,即[col=3];隱藏層神經元數(shù)量為500個,即[row=500],正則化系數(shù)[C]設置為[C=le5]。為了訓練出更加可靠穩(wěn)定的網絡模型,本文采用自助法與簡單交叉驗證法相結合的數(shù)據(jù)分配和訓練方法。

    本文實驗結果分為兩部分,分別是網絡輸出效果圖和相關準確率參數(shù)對比。網絡輸出效果和相關參數(shù)對比表分別如圖3和表2所示。

    圖3包括4個小部分,每部分代表1個疲勞等級,每張畫布展示的是該疲勞等級測試樣本在RELM網絡的輸出結果。每個畫布橫坐標表示疲勞等級,取值為0、1、2、3;縱坐標表示每個疲勞等級相應的輸出概率。每個樣本均對應4個輸出,即4個點。用[T]表示4個輸出,則[T]為:

    其中,[ηs]為該疲勞等級的概率,[ηs]越大,說明該輸入樣本對應于該疲勞等級的概率越大。即當[ηs]最大時,[ηs]對應的疲勞等級是輸入樣本對應的疲勞等級。

    結合圖3和表2可以看出,基于RELM算法模型的精確度達到92%,對于清醒狀態(tài)和III級疲勞狀態(tài)的精確度達到98%和96%。說明RELM對于這兩個狀態(tài)的預測精確度很高。在訓練時間方面,RELM模型訓練網絡時間很少,從原理上講,它只是進行了1次正規(guī)方程計算[15]。對于計算機來說,計算正規(guī)方程的時間可忽略不計。在各疲勞等級預測精確度方面,RELM對清醒狀態(tài)和III級疲勞狀態(tài)的精確度相對較高,對I級疲勞狀態(tài)和II級疲勞狀態(tài)的精確度相對較差。該特點從側面反映駕駛員不同疲勞狀態(tài)的生理信號變化很小,不同疲勞等級之間的差異更是微小。這是影響網絡精確度的重要因素,也是該實驗不足之處。

    3 結語

    本文基于正則化極限學習機的非接觸式疲勞駕駛檢測方法,采用非接觸式采集駕駛員生理信號的方法,通過多源信息相結合的方式,設計RELM算法模型訓練數(shù)據(jù),得到用于駕駛員疲勞狀態(tài)檢測的算法模型?;赗ELM算法模型對駕駛員疲勞狀態(tài)檢測的精確度達到92%,實現(xiàn)了高精度和高速度的駕駛員疲勞狀態(tài)檢測。本文用于網絡訓練的所有數(shù)據(jù)均來源于多普勒雷達模塊采集的人體生理信號,因此其信號準確性直接影響了本文實驗結果。通過實驗發(fā)現(xiàn),多普勒雷達采集的生理信號受周圍噪聲影響很大,容易導致心跳信號無法被分離出來。因此,若在硬件方面提升信號抗干擾性和精度,實驗結果將大幅提升。另外,本文用于算法訓練的樣本特征值只有3個,不足以全面反映人體疲勞狀態(tài),特征值有待進一步擴充。

    參考文獻:

    [1] 李都厚,劉群,袁偉,等. 疲勞駕駛與交通事故關系[J]. 交通運輸工程學報,2010,10(2):104-109.

    [2] CHEN L,YANG X,WU J,et al. Non-contact physiological signal monitoring system based on Doppler radar[J]. IEICE Electronics Express, 2017, 14(3):1-9.

    [3] 姜朝曦,馮瓊琳,錢宗亮. 一種對于疲勞駕駛的評估及預警方法[J]. 自動化與儀器儀表, 2015(4):74-78.

    [4] 康培華. 基于ZigBee技術的智能路燈監(jiān)測系統(tǒng)設計[D].? 哈爾濱: 哈爾濱理工大學,2016.

    [5] 程耀,余友泰.? 基于專家評判思維方式的綜合評判方法[J].? 農業(yè)機械學報,1992(1):3-6.

    [6] HUANG G B, ZHU Q Y, SIEW C K. Extreme learning machine: Theory and applications[J]. Neurocomputing, 2006, 70(1-3):489-501.

    [7] HUANG G B,ZHU Q Y,SIEW C K. Extreme learning machine: a new learning scheme of feedforward neural networks[C]. 2004 IEEE International Joint Conference onNeural Networks,2004:985-990.

    [8] OOYEN A V,NIENHUIS B. Improving the convergence of the back-propagation algorithm[J].? Neural Networks, 1992, 5(3):465-471.

    [9] PETKOVI M D, STANIMIROVI P, TASI? M B,et al. Effective partitioning method for computing weighted Moore-Penrose inverse[J].? Computers & Mathematics with Applications,2008,55(8):1720-1734.

    [10] 金其年, 侯宗義.? 非線性不適定問題的Tikhonov正則化的參數(shù)選取方法[J].? 數(shù)學年刊:A輯, 1997(4):483-490.

    [11] ZHAI G, ZHANG W, YANG X, et al. Efficient deblocking with coefficient regularization, Shape-Adaptive filtering, and quantization constraint[J]. IEEE Transactions on Multimedia,2008,10(5):735-745.

    [12] 梁家政, 薛質.? 網絡數(shù)據(jù)歸一化處理研究[J].? 信息安全與通信保密, 2010(7):47-48,51.

    [13] KUBREA E,WIECZORKOWSKA A A,SKRZYPIEC M.? Influence of feature sets on precision, recall, and accuracy of identification of musical instruments in audio recordings[C].? International Symposium on Methodologies for Intelligent Systems,2014:204-213.

    [14] 郭祥云,胡敏,王文勝,等. 基于深度學習的非結構環(huán)境下海參實時識別算法[J]. 北京信息科技大學學報(自然科學版), 2019(3):27-31.

    [15] XING Z, CAO J, ZENG Y.? The solution to the normal equation associated with a variational inequality[J].? Journal of Shaanxi Normal University, 2000, 28(1):40-41.

    (責任編輯:江 艷)

    在现免费观看毛片| 国产高潮美女av| 亚洲精品,欧美精品| 亚洲精品色激情综合| 日本av手机在线免费观看| 在现免费观看毛片| 在线观看免费视频网站a站| 插逼视频在线观看| 十分钟在线观看高清视频www | 日日摸夜夜添夜夜爱| 精品一区二区免费观看| 久久精品国产鲁丝片午夜精品| 黄色视频在线播放观看不卡| 性色av一级| 中文字幕制服av| 超碰av人人做人人爽久久| 久久久亚洲精品成人影院| 亚洲,欧美,日韩| 欧美高清成人免费视频www| 国产成人午夜福利电影在线观看| 欧美老熟妇乱子伦牲交| 久久久久久久久久久免费av| 免费观看在线日韩| 日韩人妻高清精品专区| 亚洲精品视频女| 国产午夜精品久久久久久一区二区三区| 日本av免费视频播放| 99久久精品热视频| 大码成人一级视频| 国产精品嫩草影院av在线观看| 久久精品国产鲁丝片午夜精品| 亚洲色图av天堂| 亚洲天堂av无毛| 国产精品一区二区在线不卡| 麻豆成人午夜福利视频| 蜜桃久久精品国产亚洲av| 大香蕉久久网| 亚洲天堂av无毛| 视频中文字幕在线观看| 亚洲精品第二区| 美女中出高潮动态图| 国产免费福利视频在线观看| 有码 亚洲区| 高清欧美精品videossex| 高清在线视频一区二区三区| 免费观看av网站的网址| 国产国拍精品亚洲av在线观看| 女性被躁到高潮视频| 久久久久久久亚洲中文字幕| 国产免费一级a男人的天堂| 亚州av有码| 午夜福利影视在线免费观看| 国产色婷婷99| 91午夜精品亚洲一区二区三区| 亚洲精品色激情综合| 亚洲四区av| 中文在线观看免费www的网站| 国产精品.久久久| 只有这里有精品99| 亚洲av电影在线观看一区二区三区| 欧美xxxx性猛交bbbb| 国产淫语在线视频| 男女边摸边吃奶| 欧美少妇被猛烈插入视频| 亚洲欧美一区二区三区国产| 熟女av电影| 日产精品乱码卡一卡2卡三| 午夜激情久久久久久久| 国产 精品1| 久久毛片免费看一区二区三区| 纯流量卡能插随身wifi吗| 美女中出高潮动态图| 亚洲第一区二区三区不卡| 一本—道久久a久久精品蜜桃钙片| 插阴视频在线观看视频| 国产大屁股一区二区在线视频| 老司机影院毛片| 99久久精品热视频| 亚洲精品日本国产第一区| 在线观看免费视频网站a站| 久久久亚洲精品成人影院| 激情五月婷婷亚洲| 超碰97精品在线观看| 麻豆成人av视频| 国产精品成人在线| 一区二区三区免费毛片| 中文字幕久久专区| 免费高清在线观看视频在线观看| 日本爱情动作片www.在线观看| 人妻系列 视频| 日韩在线高清观看一区二区三区| 一区二区三区精品91| 久久精品国产自在天天线| 草草在线视频免费看| 国产亚洲午夜精品一区二区久久| 国产精品精品国产色婷婷| 国产乱来视频区| 国产伦理片在线播放av一区| 搡女人真爽免费视频火全软件| 久久国产亚洲av麻豆专区| 丝瓜视频免费看黄片| 国产男女超爽视频在线观看| 色婷婷av一区二区三区视频| 狂野欧美白嫩少妇大欣赏| kizo精华| 最黄视频免费看| 欧美zozozo另类| 内地一区二区视频在线| 在线看a的网站| 在线观看三级黄色| 性色av一级| 蜜桃在线观看..| 男人舔奶头视频| 国产视频首页在线观看| 嘟嘟电影网在线观看| 色5月婷婷丁香| 亚洲欧美日韩无卡精品| 91精品国产国语对白视频| 亚洲av不卡在线观看| 九草在线视频观看| 18禁裸乳无遮挡动漫免费视频| 下体分泌物呈黄色| 熟女av电影| 看非洲黑人一级黄片| 日日摸夜夜添夜夜爱| 国产精品一区二区三区四区免费观看| 日本vs欧美在线观看视频 | 亚洲性久久影院| 亚洲一区二区三区欧美精品| av卡一久久| 极品少妇高潮喷水抽搐| 身体一侧抽搐| 久久人妻熟女aⅴ| 国产黄片视频在线免费观看| 在线观看国产h片| 视频区图区小说| 最黄视频免费看| 国产精品欧美亚洲77777| 亚洲av.av天堂| 亚州av有码| 久久综合国产亚洲精品| 一级毛片电影观看| 国产综合精华液| 国产精品一二三区在线看| 国产在线视频一区二区| 亚洲国产精品专区欧美| 51国产日韩欧美| 国产毛片在线视频| 亚洲av.av天堂| 欧美精品亚洲一区二区| 欧美激情国产日韩精品一区| 成人国产av品久久久| 香蕉精品网在线| 99re6热这里在线精品视频| 99久久精品热视频| 国产老妇伦熟女老妇高清| 97超碰精品成人国产| 中文欧美无线码| 亚洲欧美日韩卡通动漫| 秋霞伦理黄片| 日韩不卡一区二区三区视频在线| 在线免费观看不下载黄p国产| 亚洲在久久综合| 色吧在线观看| 日韩一区二区三区影片| 亚洲中文av在线| 18禁裸乳无遮挡动漫免费视频| 久久精品夜色国产| 国产精品一区二区三区四区免费观看| 色哟哟·www| 亚洲成人一二三区av| 免费大片黄手机在线观看| 日韩精品有码人妻一区| 熟女人妻精品中文字幕| 亚洲最大成人中文| 欧美精品国产亚洲| 国产v大片淫在线免费观看| av福利片在线观看| 青青草视频在线视频观看| av在线app专区| 国内少妇人妻偷人精品xxx网站| 嫩草影院新地址| 日日啪夜夜爽| 日本与韩国留学比较| 欧美日韩国产mv在线观看视频 | 日韩成人av中文字幕在线观看| 精品人妻一区二区三区麻豆| 国产成人精品久久久久久| 少妇的逼好多水| 久久人人爽人人片av| 人妻制服诱惑在线中文字幕| 日韩制服骚丝袜av| 成人特级av手机在线观看| 亚洲欧美日韩卡通动漫| 亚洲四区av| 美女高潮的动态| 久久久久性生活片| 亚洲性久久影院| 日本wwww免费看| 麻豆成人午夜福利视频| 黑丝袜美女国产一区| xxx大片免费视频| 国产69精品久久久久777片| 久久国产精品大桥未久av | 国产精品99久久99久久久不卡 | 色5月婷婷丁香| 我的女老师完整版在线观看| 晚上一个人看的免费电影| av.在线天堂| 国产亚洲最大av| 九九爱精品视频在线观看| 交换朋友夫妻互换小说| 午夜福利影视在线免费观看| 亚洲中文av在线| 国产亚洲午夜精品一区二区久久| 亚洲人成网站高清观看| 精品久久久久久久久亚洲| 国产精品嫩草影院av在线观看| 不卡视频在线观看欧美| 欧美另类一区| 亚洲国产毛片av蜜桃av| 国产精品av视频在线免费观看| 亚洲国产色片| 亚洲中文av在线| 男女边吃奶边做爰视频| 欧美高清性xxxxhd video| 日本黄大片高清| 天堂8中文在线网| 精品亚洲成a人片在线观看 | 成年av动漫网址| 边亲边吃奶的免费视频| 一本久久精品| 网址你懂的国产日韩在线| 亚洲欧洲日产国产| 国产色爽女视频免费观看| 欧美日韩在线观看h| 毛片女人毛片| 国产男女超爽视频在线观看| 亚洲色图综合在线观看| 91精品一卡2卡3卡4卡| 久久久久久久久大av| 久久久久性生活片| 中文字幕av成人在线电影| 一级毛片我不卡| 高清视频免费观看一区二区| 精品久久国产蜜桃| 免费少妇av软件| 精品国产乱码久久久久久小说| 最近2019中文字幕mv第一页| 欧美最新免费一区二区三区| 观看美女的网站| 一级爰片在线观看| 久久久久精品久久久久真实原创| 精品人妻熟女av久视频| 国产精品一区二区性色av| 久久 成人 亚洲| 99久久精品一区二区三区| 精品国产三级普通话版| 国产精品蜜桃在线观看| 在线观看免费日韩欧美大片 | 99久久综合免费| 久久毛片免费看一区二区三区| 中国三级夫妇交换| 欧美成人午夜免费资源| 最黄视频免费看| 亚洲精品第二区| 日本-黄色视频高清免费观看| 高清不卡的av网站| 久久久久久久久久成人| 国产精品爽爽va在线观看网站| 亚洲人成网站高清观看| 我的女老师完整版在线观看| 国产乱人偷精品视频| 国产一区二区三区av在线| 国产成人a∨麻豆精品| 韩国高清视频一区二区三区| 在线观看美女被高潮喷水网站| 色婷婷久久久亚洲欧美| 国产在线一区二区三区精| 99精国产麻豆久久婷婷| 一级二级三级毛片免费看| 久久久久久久国产电影| 亚洲电影在线观看av| 男女国产视频网站| 纯流量卡能插随身wifi吗| 国产乱人视频| 色视频在线一区二区三区| 精品99又大又爽又粗少妇毛片| 精品国产露脸久久av麻豆| 男女边吃奶边做爰视频| 亚洲精品中文字幕在线视频 | 久久精品人妻少妇| xxx大片免费视频| 欧美xxxx黑人xx丫x性爽| 国产精品久久久久久精品古装| 国产高潮美女av| 91精品伊人久久大香线蕉| 纯流量卡能插随身wifi吗| 久久亚洲国产成人精品v| 久久热精品热| 2018国产大陆天天弄谢| 久久久久性生活片| 男的添女的下面高潮视频| 亚洲精品国产av成人精品| 伦理电影大哥的女人| 国产精品精品国产色婷婷| 久久这里有精品视频免费| 黑人高潮一二区| 欧美高清性xxxxhd video| 91aial.com中文字幕在线观看| 日韩 亚洲 欧美在线| 成年美女黄网站色视频大全免费 | 激情 狠狠 欧美| 亚洲丝袜综合中文字幕| 少妇人妻久久综合中文| 性色av一级| 这个男人来自地球电影免费观看 | 国产在视频线精品| 大陆偷拍与自拍| 女人十人毛片免费观看3o分钟| 欧美老熟妇乱子伦牲交| 成人漫画全彩无遮挡| 欧美变态另类bdsm刘玥| 多毛熟女@视频| 中文字幕久久专区| 国产男女内射视频| 青春草视频在线免费观看| 国产成人免费观看mmmm| av黄色大香蕉| 亚洲一级一片aⅴ在线观看| 久久久久久人妻| 深夜a级毛片| 国产精品一二三区在线看| 亚洲精品视频女| 简卡轻食公司| 久久久久久九九精品二区国产| 色婷婷久久久亚洲欧美| 午夜福利网站1000一区二区三区| 亚洲av免费高清在线观看| 在线天堂最新版资源| 欧美日韩国产mv在线观看视频 | 午夜激情久久久久久久| 夜夜爽夜夜爽视频| 午夜激情久久久久久久| 日韩一区二区视频免费看| 国产精品人妻久久久影院| 又黄又爽又刺激的免费视频.| 亚洲国产av新网站| 老熟女久久久| 亚洲伊人久久精品综合| 99久久人妻综合| 又大又黄又爽视频免费| 成年av动漫网址| 日韩中字成人| 久久久久久久国产电影| 精品久久久久久电影网| 免费黄频网站在线观看国产| 日韩三级伦理在线观看| 国产免费又黄又爽又色| 少妇的逼好多水| 男人添女人高潮全过程视频| 国产亚洲欧美精品永久| 欧美97在线视频| 欧美精品国产亚洲| 欧美97在线视频| 大片电影免费在线观看免费| 国产av一区二区精品久久 | 久久久久久久久久久丰满| 日韩伦理黄色片| 中文字幕亚洲精品专区| 亚洲伊人久久精品综合| 亚洲国产毛片av蜜桃av| 日本猛色少妇xxxxx猛交久久| 一级爰片在线观看| 国产精品三级大全| 成人综合一区亚洲| 夫妻午夜视频| 亚洲欧美成人精品一区二区| 丰满迷人的少妇在线观看| 国产午夜精品一二区理论片| 久久综合国产亚洲精品| 欧美激情极品国产一区二区三区 | av在线蜜桃| 亚洲av免费高清在线观看| 亚洲av日韩在线播放| 国内精品宾馆在线| 国产乱人视频| 热re99久久精品国产66热6| 国产真实伦视频高清在线观看| 欧美丝袜亚洲另类| 哪个播放器可以免费观看大片| 蜜桃亚洲精品一区二区三区| 一区二区av电影网| 高清在线视频一区二区三区| 亚洲自偷自拍三级| 国产在线男女| 欧美性感艳星| 女人久久www免费人成看片| 久久 成人 亚洲| 久久女婷五月综合色啪小说| 大香蕉97超碰在线| 91久久精品电影网| 国产中年淑女户外野战色| 亚洲精品乱码久久久久久按摩| 免费在线观看成人毛片| 亚洲欧美日韩无卡精品| 九九爱精品视频在线观看| 色婷婷av一区二区三区视频| 日韩视频在线欧美| 激情 狠狠 欧美| 亚洲在久久综合| 国产成人免费无遮挡视频| av福利片在线观看| 女性被躁到高潮视频| 在线观看av片永久免费下载| 国产精品国产三级国产专区5o| 国产精品无大码| 久热久热在线精品观看| 国产精品av视频在线免费观看| 97在线人人人人妻| 亚洲内射少妇av| av视频免费观看在线观看| 国产精品一区二区在线不卡| 岛国毛片在线播放| 日本一二三区视频观看| 成人毛片a级毛片在线播放| 亚洲人与动物交配视频| 中文欧美无线码| 亚洲精品国产av蜜桃| 国产精品秋霞免费鲁丝片| 最近最新中文字幕大全电影3| 国产成人精品婷婷| 国产精品不卡视频一区二区| 亚洲aⅴ乱码一区二区在线播放| 国产高清不卡午夜福利| 在现免费观看毛片| 蜜臀久久99精品久久宅男| 特大巨黑吊av在线直播| 99热网站在线观看| 久热这里只有精品99| 偷拍熟女少妇极品色| 亚洲中文av在线| 亚洲精品国产av成人精品| 亚洲精品aⅴ在线观看| 麻豆乱淫一区二区| 免费播放大片免费观看视频在线观看| 国产色爽女视频免费观看| 夫妻午夜视频| 日韩,欧美,国产一区二区三区| 99久久综合免费| 寂寞人妻少妇视频99o| 黄色视频在线播放观看不卡| 成人黄色视频免费在线看| 九九爱精品视频在线观看| 国产欧美另类精品又又久久亚洲欧美| 18+在线观看网站| 人人妻人人添人人爽欧美一区卜 | 嫩草影院新地址| 国产高清不卡午夜福利| 国产人妻一区二区三区在| 2022亚洲国产成人精品| 在线亚洲精品国产二区图片欧美 | 久久精品国产自在天天线| videos熟女内射| 精品久久国产蜜桃| 亚洲最大成人中文| 国产亚洲精品久久久com| 22中文网久久字幕| 国产精品久久久久久精品古装| 日韩制服骚丝袜av| 国产伦精品一区二区三区四那| 免费大片18禁| 美女脱内裤让男人舔精品视频| 简卡轻食公司| av国产免费在线观看| 在线观看人妻少妇| 黑人猛操日本美女一级片| 国产乱人偷精品视频| 高清日韩中文字幕在线| 国产精品国产av在线观看| 久久精品久久精品一区二区三区| 免费观看av网站的网址| 青春草国产在线视频| 搡女人真爽免费视频火全软件| 国产色婷婷99| 99九九线精品视频在线观看视频| 久久久久久久久久人人人人人人| 亚洲国产精品成人久久小说| 欧美精品一区二区免费开放| 国产大屁股一区二区在线视频| 2018国产大陆天天弄谢| 亚洲久久久国产精品| 精品久久久精品久久久| 亚洲精品亚洲一区二区| 亚洲美女搞黄在线观看| 亚洲国产欧美人成| 成人高潮视频无遮挡免费网站| 高清欧美精品videossex| 亚洲精品久久久久久婷婷小说| 久久久久久久大尺度免费视频| 我的女老师完整版在线观看| 亚洲欧美成人精品一区二区| 成人无遮挡网站| 国产精品一区二区性色av| 亚洲成人一二三区av| 我的女老师完整版在线观看| 日韩在线高清观看一区二区三区| videossex国产| 亚洲激情五月婷婷啪啪| 丝瓜视频免费看黄片| 国产精品三级大全| 亚洲色图av天堂| 国产人妻一区二区三区在| av国产免费在线观看| 成人美女网站在线观看视频| 搡老乐熟女国产| 网址你懂的国产日韩在线| 欧美精品亚洲一区二区| 视频区图区小说| h视频一区二区三区| 一区二区三区四区激情视频| 精品熟女少妇av免费看| 国产亚洲一区二区精品| 国产精品国产三级国产av玫瑰| 午夜免费男女啪啪视频观看| 天天躁日日操中文字幕| 22中文网久久字幕| 亚洲精品乱码久久久v下载方式| 国产亚洲午夜精品一区二区久久| 久久久久久久久久久免费av| 狂野欧美激情性bbbbbb| 精品国产三级普通话版| 另类亚洲欧美激情| 国模一区二区三区四区视频| av在线观看视频网站免费| 97在线人人人人妻| 丰满迷人的少妇在线观看| 美女脱内裤让男人舔精品视频| 国产中年淑女户外野战色| 精品久久久久久电影网| 亚洲人成网站在线观看播放| av国产久精品久网站免费入址| 亚洲精品乱码久久久久久按摩| 老熟女久久久| 青春草亚洲视频在线观看| 老司机影院毛片| a级毛色黄片| 亚洲精品乱久久久久久| 在线精品无人区一区二区三 | 免费高清在线观看视频在线观看| 又爽又黄a免费视频| 国内揄拍国产精品人妻在线| 赤兔流量卡办理| 国产免费一区二区三区四区乱码| 免费高清在线观看视频在线观看| 97在线人人人人妻| 国产精品精品国产色婷婷| 夜夜看夜夜爽夜夜摸| 亚洲精品456在线播放app| 大片电影免费在线观看免费| 三级经典国产精品| 亚洲精品第二区| 亚洲av.av天堂| 国产精品99久久久久久久久| 在现免费观看毛片| 国内揄拍国产精品人妻在线| kizo精华| 99久国产av精品国产电影| 日本午夜av视频| 国产伦精品一区二区三区四那| 好男人视频免费观看在线| 亚洲精品久久久久久婷婷小说| 老女人水多毛片| 黄色怎么调成土黄色| 中国国产av一级| 高清视频免费观看一区二区| 2021少妇久久久久久久久久久| 精品人妻视频免费看| 亚洲第一av免费看| 一区二区三区四区激情视频| 在线观看av片永久免费下载| av在线app专区| 视频中文字幕在线观看| 成人毛片60女人毛片免费| 狠狠精品人妻久久久久久综合| 丰满乱子伦码专区| 日本免费在线观看一区| 99热这里只有是精品在线观看| 精品午夜福利在线看| 日韩,欧美,国产一区二区三区| 欧美精品亚洲一区二区| 久久久成人免费电影| 欧美激情国产日韩精品一区| 国产精品久久久久久精品电影小说 | 久久影院123| 九九在线视频观看精品| 亚洲av综合色区一区| 国产男女内射视频| 久久国产精品大桥未久av | 精品少妇黑人巨大在线播放| 一本一本综合久久| 日本wwww免费看| 中国美白少妇内射xxxbb| 久久久色成人| 最黄视频免费看| 97超碰精品成人国产| 日本欧美国产在线视频| 在线观看一区二区三区| 亚洲欧美成人精品一区二区| 五月天丁香电影| 亚洲美女视频黄频| 日韩在线高清观看一区二区三区| 国产精品嫩草影院av在线观看| 免费播放大片免费观看视频在线观看| 日韩成人伦理影院|