• <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)

    欧美日韩中文字幕国产精品一区二区三区 | 久久香蕉激情| 国产精品九九99| 欧美黑人欧美精品刺激| 欧美激情 高清一区二区三区| 国产又色又爽无遮挡免| 在线观看一区二区三区激情| 欧美97在线视频| 日韩欧美一区视频在线观看| 久久毛片免费看一区二区三区| 亚洲第一青青草原| 欧美黑人欧美精品刺激| 18禁国产床啪视频网站| 亚洲成av片中文字幕在线观看| 91麻豆精品激情在线观看国产 | 捣出白浆h1v1| 18禁裸乳无遮挡动漫免费视频| 黄色视频不卡| 国产欧美日韩精品亚洲av| 黑丝袜美女国产一区| 伊人亚洲综合成人网| 亚洲一区二区三区欧美精品| 精品熟女少妇八av免费久了| 国产成人免费观看mmmm| 成人国产av品久久久| 久久久国产精品麻豆| 国产精品av久久久久免费| 亚洲欧美精品自产自拍| 国产在线视频一区二区| 亚洲av美国av| 久久久久精品人妻al黑| 视频区欧美日本亚洲| 美女脱内裤让男人舔精品视频| 免费观看av网站的网址| 亚洲国产欧美一区二区综合| 久久精品成人免费网站| 久久久精品国产亚洲av高清涩受| 法律面前人人平等表现在哪些方面 | 男人爽女人下面视频在线观看| 丝袜脚勾引网站| 国产精品一二三区在线看| 亚洲精品一卡2卡三卡4卡5卡 | 最黄视频免费看| 色老头精品视频在线观看| 久久国产精品影院| 无限看片的www在线观看| 亚洲国产精品成人久久小说| 婷婷色av中文字幕| 成人国产一区最新在线观看| 黑人欧美特级aaaaaa片| 亚洲 欧美一区二区三区| 国产亚洲精品一区二区www | 日韩 欧美 亚洲 中文字幕| 国产欧美日韩精品亚洲av| 叶爱在线成人免费视频播放| 中国美女看黄片| 国产欧美日韩综合在线一区二区| 免费av中文字幕在线| 亚洲一码二码三码区别大吗| 两个人免费观看高清视频| 精品福利观看| av福利片在线| 后天国语完整版免费观看| av在线老鸭窝| av线在线观看网站| 精品一区二区三卡| 日本91视频免费播放| 天天躁狠狠躁夜夜躁狠狠躁| 波多野结衣av一区二区av| 宅男免费午夜| 日韩欧美免费精品| 欧美日韩成人在线一区二区| 中文字幕人妻丝袜制服| 国产精品成人在线| 80岁老熟妇乱子伦牲交| 97人妻天天添夜夜摸| 欧美日韩精品网址| 多毛熟女@视频| 青草久久国产| 菩萨蛮人人尽说江南好唐韦庄| 国产成人欧美在线观看 | 男人操女人黄网站| 美女高潮到喷水免费观看| 人妻一区二区av| 99国产精品免费福利视频| 亚洲精品中文字幕一二三四区 | 久久人妻熟女aⅴ| 一级片免费观看大全| 久久精品久久久久久噜噜老黄| 国产精品亚洲av一区麻豆| 久久国产精品人妻蜜桃| 日韩免费高清中文字幕av| 啦啦啦啦在线视频资源| 老熟女久久久| 91麻豆精品激情在线观看国产 | 国产伦理片在线播放av一区| 波多野结衣av一区二区av| tube8黄色片| 高清视频免费观看一区二区| 久久女婷五月综合色啪小说| 国产福利在线免费观看视频| 午夜精品久久久久久毛片777| 欧美另类亚洲清纯唯美| 国精品久久久久久国模美| 国产精品1区2区在线观看. | 大香蕉久久成人网| 波多野结衣一区麻豆| 成人三级做爰电影| 欧美大码av| 夜夜骑夜夜射夜夜干| 悠悠久久av| 搡老岳熟女国产| 亚洲精品粉嫩美女一区| 亚洲一码二码三码区别大吗| 久久久久久久久久久久大奶| 亚洲欧美成人综合另类久久久| 国产精品欧美亚洲77777| 一本综合久久免费| 国产精品久久久久久精品古装| 新久久久久国产一级毛片| 91精品三级在线观看| 亚洲精品自拍成人| 777米奇影视久久| 啦啦啦在线免费观看视频4| 午夜两性在线视频| 精品人妻一区二区三区麻豆| 久热这里只有精品99| 黑丝袜美女国产一区| 亚洲一卡2卡3卡4卡5卡精品中文| 亚洲avbb在线观看| 精品国产国语对白av| 日韩一区二区三区影片| 亚洲精品成人av观看孕妇| 爱豆传媒免费全集在线观看| 午夜精品久久久久久毛片777| 一区二区av电影网| 搡老乐熟女国产| 日韩免费高清中文字幕av| 国产欧美日韩一区二区三区在线| kizo精华| av网站免费在线观看视频| 少妇人妻久久综合中文| 日本av手机在线免费观看| 97人妻天天添夜夜摸| tube8黄色片| 色94色欧美一区二区| 国产黄频视频在线观看| 亚洲精品国产一区二区精华液| 亚洲av片天天在线观看| 精品国产超薄肉色丝袜足j| avwww免费| 国产av精品麻豆| 99香蕉大伊视频| 国产日韩一区二区三区精品不卡| 下体分泌物呈黄色| 少妇精品久久久久久久| 欧美黑人欧美精品刺激| 永久免费av网站大全| 中文欧美无线码| 亚洲精品乱久久久久久| 中文字幕av电影在线播放| 国产老妇伦熟女老妇高清| 国产精品免费视频内射| 久久久久久免费高清国产稀缺| 久久久久久久大尺度免费视频| 久热这里只有精品99| 亚洲av日韩在线播放| 黄色片一级片一级黄色片| 午夜免费鲁丝| 丰满饥渴人妻一区二区三| 午夜福利乱码中文字幕| 久久精品国产亚洲av高清一级| 一区二区av电影网| 国产av国产精品国产| 一区二区三区激情视频| 午夜免费观看性视频| 丝袜美腿诱惑在线| 夜夜夜夜夜久久久久| 精品国产乱子伦一区二区三区 | 97精品久久久久久久久久精品| 日韩制服骚丝袜av| 成人国语在线视频| 多毛熟女@视频| 丝袜脚勾引网站| 国产一区有黄有色的免费视频| 国产亚洲欧美在线一区二区| 国产黄色免费在线视频| 亚洲av美国av| 免费观看av网站的网址| 美女扒开内裤让男人捅视频| 国产精品久久久久久精品电影小说| 999久久久国产精品视频| 十八禁网站网址无遮挡| 又大又爽又粗| 成人三级做爰电影| 亚洲欧美精品综合一区二区三区| 精品亚洲成国产av| 俄罗斯特黄特色一大片| 亚洲免费av在线视频| 精品久久久精品久久久| 久久精品国产a三级三级三级| 亚洲精品一卡2卡三卡4卡5卡 | 亚洲久久久国产精品| 天天操日日干夜夜撸| 亚洲第一欧美日韩一区二区三区 | 黑人欧美特级aaaaaa片| 亚洲精品在线美女| 亚洲精品美女久久久久99蜜臀| 免费人妻精品一区二区三区视频| 亚洲欧洲精品一区二区精品久久久| 久久久久国产精品人妻一区二区| 80岁老熟妇乱子伦牲交| 亚洲av国产av综合av卡| 国产日韩一区二区三区精品不卡| 黄网站色视频无遮挡免费观看| 久久天堂一区二区三区四区| 欧美精品一区二区免费开放| 丰满人妻熟妇乱又伦精品不卡| 久久国产精品影院| 亚洲,欧美精品.| 国产一区二区三区av在线| 丰满迷人的少妇在线观看| 国产精品一二三区在线看| 精品少妇黑人巨大在线播放| 一区二区三区精品91| 我的亚洲天堂| 18禁观看日本| 精品久久久久久久毛片微露脸 | 国产老妇伦熟女老妇高清| 他把我摸到了高潮在线观看 | 亚洲av电影在线进入| 欧美在线一区亚洲| 日本猛色少妇xxxxx猛交久久| 亚洲精品成人av观看孕妇| av视频免费观看在线观看| 啪啪无遮挡十八禁网站| 欧美日韩一级在线毛片| 在线天堂中文资源库| tocl精华| 日日爽夜夜爽网站| 成年av动漫网址| 人人妻人人澡人人爽人人夜夜| 一进一出抽搐动态| 免费一级毛片在线播放高清视频 | 国产在线视频一区二区| 国产精品二区激情视频| 久久久久国产精品人妻一区二区| 侵犯人妻中文字幕一二三四区| 久久亚洲精品不卡| 亚洲黑人精品在线| 欧美国产精品一级二级三级| 一二三四在线观看免费中文在| 国产精品国产av在线观看| 欧美日韩成人在线一区二区| 国产片内射在线| 亚洲精品av麻豆狂野| 久久久精品区二区三区| 日韩欧美一区视频在线观看| 亚洲av日韩在线播放| 亚洲精品乱久久久久久| 国产精品一区二区精品视频观看| 精品国产一区二区三区四区第35| 美女大奶头黄色视频| av又黄又爽大尺度在线免费看| 高清av免费在线| 精品少妇一区二区三区视频日本电影| 久久久久久人人人人人| 国产一卡二卡三卡精品| 国产精品成人在线| 午夜福利视频精品| 午夜视频精品福利| 亚洲人成77777在线视频| 久久久久视频综合| 亚洲va日本ⅴa欧美va伊人久久 | 久久精品人人爽人人爽视色| 国产区一区二久久| 亚洲一区中文字幕在线| 久久天堂一区二区三区四区| 制服诱惑二区| 亚洲欧美一区二区三区久久| 十八禁高潮呻吟视频| 中文字幕另类日韩欧美亚洲嫩草| 大码成人一级视频| 日韩 亚洲 欧美在线| 人妻一区二区av| 三级毛片av免费| 老司机亚洲免费影院| 国产主播在线观看一区二区| 亚洲精品久久久久久婷婷小说| 黄片播放在线免费| 亚洲国产欧美日韩在线播放| 久久国产精品大桥未久av| 美女扒开内裤让男人捅视频| 丰满饥渴人妻一区二区三| 成人免费观看视频高清| 成人国产av品久久久| 久久精品国产综合久久久| 国产成人系列免费观看| 中亚洲国语对白在线视频| 黄色怎么调成土黄色| 乱人伦中国视频| 国产免费福利视频在线观看| 精品一区在线观看国产| 悠悠久久av| 免费观看av网站的网址| 亚洲精品国产一区二区精华液| 久久久久国产精品人妻一区二区| 五月开心婷婷网| 成人三级做爰电影| 韩国高清视频一区二区三区| 亚洲精品国产精品久久久不卡| 国产区一区二久久| 黑人巨大精品欧美一区二区mp4| 亚洲国产精品999| 99热国产这里只有精品6| 女人爽到高潮嗷嗷叫在线视频| 国产xxxxx性猛交| 亚洲国产欧美一区二区综合| 久久99热这里只频精品6学生| 老熟女久久久| 一级片免费观看大全| 久久99热这里只频精品6学生| 99久久人妻综合| 亚洲av欧美aⅴ国产| 国产成人av激情在线播放| 午夜免费成人在线视频| 天天操日日干夜夜撸| 日日夜夜操网爽| 天天躁狠狠躁夜夜躁狠狠躁| 视频在线观看一区二区三区| 久久国产亚洲av麻豆专区| 亚洲第一av免费看| 国产精品成人在线| 免费一级毛片在线播放高清视频 | 一区二区三区乱码不卡18| 男人添女人高潮全过程视频| 亚洲天堂av无毛| 欧美 亚洲 国产 日韩一| av视频免费观看在线观看| 99久久国产精品久久久| 9热在线视频观看99| 捣出白浆h1v1| 91麻豆av在线| 久久久久久免费高清国产稀缺| 午夜福利在线免费观看网站| 美女扒开内裤让男人捅视频| 老熟妇仑乱视频hdxx| 永久免费av网站大全| xxxhd国产人妻xxx| 免费少妇av软件| 亚洲熟女精品中文字幕| 国产在视频线精品| 宅男免费午夜| 桃花免费在线播放| 秋霞在线观看毛片| 91精品三级在线观看| 久久久久视频综合| 在线观看www视频免费| 国产成人精品久久二区二区免费| 国产成人欧美| 欧美xxⅹ黑人| 久久午夜综合久久蜜桃| 夜夜夜夜夜久久久久| 两性午夜刺激爽爽歪歪视频在线观看 | 91大片在线观看| 波多野结衣av一区二区av| a在线观看视频网站| 亚洲中文日韩欧美视频| 久久精品aⅴ一区二区三区四区| 免费观看a级毛片全部| 欧美国产精品va在线观看不卡| 亚洲精品美女久久久久99蜜臀| 日本wwww免费看| 99久久99久久久精品蜜桃| 在线永久观看黄色视频| 免费女性裸体啪啪无遮挡网站| 中文字幕最新亚洲高清| 精品一品国产午夜福利视频| 99精品久久久久人妻精品| 精品卡一卡二卡四卡免费| 亚洲精品久久成人aⅴ小说| 中文欧美无线码| 99久久综合免费| 国产91精品成人一区二区三区 | 操出白浆在线播放| 91九色精品人成在线观看| 久久精品熟女亚洲av麻豆精品| 香蕉国产在线看| 精品久久久精品久久久| 考比视频在线观看| 亚洲色图 男人天堂 中文字幕| 欧美乱码精品一区二区三区| 国产91精品成人一区二区三区 | 中文字幕色久视频| 国产日韩欧美视频二区| 欧美激情极品国产一区二区三区| 欧美另类亚洲清纯唯美| 久久久久久久大尺度免费视频| 在线看a的网站| 精品卡一卡二卡四卡免费| 人人妻人人爽人人添夜夜欢视频| 欧美黄色淫秽网站| 高清欧美精品videossex| 少妇被粗大的猛进出69影院| 操美女的视频在线观看| 动漫黄色视频在线观看| 亚洲一码二码三码区别大吗| 亚洲 欧美一区二区三区| 日韩视频在线欧美| 99精品久久久久人妻精品| 日韩 亚洲 欧美在线| 欧美日韩亚洲综合一区二区三区_| 黄色a级毛片大全视频| 精品一区二区三卡| 女人精品久久久久毛片| 亚洲国产欧美日韩在线播放| av网站免费在线观看视频| 在线观看舔阴道视频| 亚洲,欧美精品.| 亚洲国产欧美在线一区| 狠狠精品人妻久久久久久综合| 丝袜人妻中文字幕| 在线 av 中文字幕| 一个人免费在线观看的高清视频 | 丝袜在线中文字幕| 中国美女看黄片| 不卡av一区二区三区| www.av在线官网国产| 欧美中文综合在线视频| 亚洲全国av大片| 久久九九热精品免费| 美女国产高潮福利片在线看| 国产男女超爽视频在线观看| 国产精品一区二区免费欧美 | 法律面前人人平等表现在哪些方面 | 久久久国产精品麻豆| 亚洲精品国产色婷婷电影| 国产精品久久久av美女十八| 99热国产这里只有精品6| 黄网站色视频无遮挡免费观看| 永久免费av网站大全| 一本综合久久免费| 欧美日韩中文字幕国产精品一区二区三区 | 日韩 亚洲 欧美在线| 女人高潮潮喷娇喘18禁视频| 无限看片的www在线观看| 伊人久久大香线蕉亚洲五| 黄色 视频免费看| 自拍欧美九色日韩亚洲蝌蚪91| 亚洲av电影在线观看一区二区三区| 欧美日韩精品网址| 久久久精品免费免费高清| 久久香蕉激情| 久久久久久人人人人人| 极品人妻少妇av视频| 午夜免费成人在线视频| 女人精品久久久久毛片| 美女中出高潮动态图| www.熟女人妻精品国产| 午夜福利,免费看| av在线播放精品| 久久精品人人爽人人爽视色| 一级毛片精品| 老熟女久久久| 亚洲av日韩精品久久久久久密| 黄色片一级片一级黄色片| 夜夜骑夜夜射夜夜干| 欧美97在线视频| 中国美女看黄片| 在线观看免费高清a一片| 黑人巨大精品欧美一区二区蜜桃| 亚洲av电影在线进入| 精品国产一区二区久久| 精品一区二区三区av网在线观看 | 国产成人a∨麻豆精品| 中文字幕制服av| 少妇裸体淫交视频免费看高清 | 色播在线永久视频| 97在线人人人人妻| 亚洲av国产av综合av卡| 国产1区2区3区精品| 国产一区有黄有色的免费视频| 欧美在线一区亚洲| 我的亚洲天堂| 精品亚洲成a人片在线观看| 久久精品国产亚洲av高清一级| 国产一区二区 视频在线| 日韩制服丝袜自拍偷拍| 国产福利在线免费观看视频| av天堂久久9| 18禁观看日本| 成年美女黄网站色视频大全免费| svipshipincom国产片| 999精品在线视频| 精品国产一区二区三区久久久樱花| 人妻久久中文字幕网| 国产精品一二三区在线看| videosex国产| 可以免费在线观看a视频的电影网站| 国产精品免费视频内射| 国产亚洲欧美在线一区二区| 国产成人欧美在线观看 | 欧美在线一区亚洲| 久久99热这里只频精品6学生| 精品人妻1区二区| 久久久久久久久久久久大奶| 在线观看免费高清a一片| 久热这里只有精品99| 国产极品粉嫩免费观看在线| 丝袜脚勾引网站| 一二三四社区在线视频社区8| e午夜精品久久久久久久| 亚洲精品成人av观看孕妇| 欧美激情高清一区二区三区| 国产精品 欧美亚洲| 国产日韩欧美视频二区| 少妇裸体淫交视频免费看高清 | 国产免费一区二区三区四区乱码| av欧美777| 18禁黄网站禁片午夜丰满| 色婷婷久久久亚洲欧美| 中文字幕人妻丝袜一区二区| 亚洲免费av在线视频| 日韩一区二区三区影片| 美女脱内裤让男人舔精品视频| 一级毛片电影观看| 韩国精品一区二区三区| 亚洲精品日韩在线中文字幕| 丝袜美足系列| 亚洲视频免费观看视频| 日韩大片免费观看网站| 国产精品一二三区在线看| 中文字幕人妻丝袜制服| 人人澡人人妻人| 国产av一区二区精品久久| 老司机午夜十八禁免费视频| 国产精品一区二区精品视频观看| 国产亚洲欧美在线一区二区| av一本久久久久| 18禁观看日本| 大型av网站在线播放| 久久精品国产综合久久久| 一二三四社区在线视频社区8| 熟女少妇亚洲综合色aaa.| 三上悠亚av全集在线观看| 亚洲av日韩在线播放| av在线播放精品| 国产精品久久久人人做人人爽| 亚洲国产av新网站| 999精品在线视频| 叶爱在线成人免费视频播放| 精品第一国产精品| 国产精品久久久av美女十八| 亚洲天堂av无毛| 欧美日韩精品网址| 国内毛片毛片毛片毛片毛片| 国产成人av激情在线播放| 亚洲精品久久成人aⅴ小说| 99久久精品国产亚洲精品| 男女午夜视频在线观看| 国产区一区二久久| av在线老鸭窝| 自拍欧美九色日韩亚洲蝌蚪91| 国产精品香港三级国产av潘金莲| 2018国产大陆天天弄谢| 日韩 欧美 亚洲 中文字幕| 国产亚洲欧美精品永久| 久久精品熟女亚洲av麻豆精品| 国产精品欧美亚洲77777| 考比视频在线观看| 中文字幕最新亚洲高清| 欧美黑人欧美精品刺激| 午夜免费鲁丝| 国产三级黄色录像| 大片免费播放器 马上看| 精品国产一区二区三区久久久樱花| 老司机深夜福利视频在线观看 | 无限看片的www在线观看| 久久99一区二区三区| 老司机在亚洲福利影院| 在线观看免费日韩欧美大片| 不卡一级毛片| 在线观看免费午夜福利视频| 午夜视频精品福利| 国产麻豆69| 国产野战对白在线观看| 大码成人一级视频| 亚洲精品久久成人aⅴ小说| 成人18禁高潮啪啪吃奶动态图| 高清视频免费观看一区二区| av国产精品久久久久影院| 成人亚洲精品一区在线观看| 咕卡用的链子| 狠狠狠狠99中文字幕| 欧美精品亚洲一区二区| 嫁个100分男人电影在线观看| 美女视频免费永久观看网站| 午夜精品久久久久久毛片777| 成人国产一区最新在线观看| 99久久精品国产亚洲精品| 男人添女人高潮全过程视频| 中文字幕最新亚洲高清| 日韩三级视频一区二区三区| 大片免费播放器 马上看| 亚洲七黄色美女视频| 一级a爱视频在线免费观看| 亚洲五月婷婷丁香| www.自偷自拍.com| 少妇的丰满在线观看| 一区福利在线观看| 亚洲国产精品一区三区| 久久久水蜜桃国产精品网| 亚洲av成人一区二区三| 欧美日韩亚洲综合一区二区三区_| 亚洲专区字幕在线|