• <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 ?

    基于改進(jìn)YOLO網(wǎng)絡(luò)的雙通道顯著性目標(biāo)識(shí)別算法

    2020-12-04 08:54:58段輝軍王志剛
    激光與紅外 2020年11期
    關(guān)鍵詞:紅外顯著性特征

    段輝軍,王志剛,王 彥

    (1.湖南財(cái)經(jīng)工業(yè)職業(yè)技術(shù)學(xué)院電子信息系,湖南 衡陽(yáng) 421002;2.電子科技大學(xué)計(jì)算機(jī)科學(xué)與工程學(xué)院,四川 成都 610054; 3.中國(guó)電子科技集團(tuán)公司第五十四所信息傳輸與分發(fā)技術(shù)重點(diǎn)實(shí)驗(yàn)室,河北 石家莊 050081)

    1 引 言

    隨著作戰(zhàn)模式由平臺(tái)中心戰(zhàn)向一體化聯(lián)合作戰(zhàn)轉(zhuǎn)變,地面裝甲突擊系統(tǒng)承擔(dān)的任務(wù)日益復(fù)雜,迫切需要通過(guò)智能化手段提高平臺(tái)作戰(zhàn)效能,以及多平臺(tái)協(xié)同作戰(zhàn)的能力。同時(shí),陸戰(zhàn)場(chǎng)環(huán)境比較復(fù)雜,敵方目標(biāo)善于偽裝且機(jī)動(dòng)性大,如何快速檢測(cè)、識(shí)別并鎖定目標(biāo)是戰(zhàn)場(chǎng)成敗與態(tài)勢(shì)感知的關(guān)鍵[1]。

    圖像是自然景物的客觀反映,也是環(huán)境感知的關(guān)鍵數(shù)據(jù)[2]。大多數(shù)裝備都是利用采集的視頻序列實(shí)現(xiàn)對(duì)外環(huán)境探測(cè)、觀測(cè)與瞄準(zhǔn),最終由操作手完成目標(biāo)的鎖定與打擊,其識(shí)別、鎖定目標(biāo)精度的高低將直接影響打擊目標(biāo)的效果。為了降低操作手的捕獲誤差,國(guó)內(nèi)外的武器裝備集成了各種輔助功能。例如,坦克火控系統(tǒng)利用電子穩(wěn)像設(shè)備使炮長(zhǎng)瞄準(zhǔn)線的雙向穩(wěn)定,確保坦克瞄得更準(zhǔn)[3];目標(biāo)指示器具備動(dòng)目標(biāo)檢測(cè)功能,檢測(cè)出視場(chǎng)中的運(yùn)動(dòng)目標(biāo),并編號(hào),提升炮手的反應(yīng)時(shí)間[4];美軍的全球鷹無(wú)人機(jī)集成了基于機(jī)器學(xué)習(xí)的智能增強(qiáng)系統(tǒng),無(wú)需人在回路也能獲得高精度的識(shí)別效果,但最終也是需要操作手對(duì)結(jié)果進(jìn)行判別[5]??梢钥闯?這些輔助策略仍然需要人工輔助進(jìn)行決策,并沒(méi)有真正意義上實(shí)現(xiàn)智能識(shí)別。

    隨著智能信號(hào)處理技術(shù)的發(fā)展,學(xué)術(shù)上也提出了大量的智能識(shí)別算法,但這些算法大都是針對(duì)單模態(tài)圖像進(jìn)行處理,其應(yīng)用環(huán)境局限性較大。例如,裝甲目標(biāo)在迷彩偽裝、夜晚、能見(jiàn)度低的情況下,可見(jiàn)光的目標(biāo)識(shí)別能力有限,而紅外圖像具有作用距離遠(yuǎn),穿透力強(qiáng),且不受光照影響,但其圖像模糊,空間分辨率較低[6]。眾所周知,現(xiàn)有的地面裝備光電設(shè)備大都集成了紅外熱像儀與電視攝像機(jī),并輸出兩路獨(dú)立的視頻信號(hào)。光電系統(tǒng)輸出的多路視頻信號(hào)存在大量互補(bǔ)信息和冗余信息,有利于提高目標(biāo)檢測(cè)與識(shí)別的精度。近年來(lái),國(guó)內(nèi)外專(zhuān)家學(xué)者的研究方向大都集中在將不同類(lèi)型圖像的互補(bǔ)信息結(jié)合起來(lái),生成信息量更大的合成圖像,以此增強(qiáng)同一場(chǎng)景的圖像表征能力[7]。文獻(xiàn)[8]提出了基于多尺度變換的紅外與可見(jiàn)光融合算法,通過(guò)互信息配準(zhǔn)基礎(chǔ)上對(duì)不同尺度特征進(jìn)行融合,具有較高的融合精度,但易受抖動(dòng)、噪聲的影響。文獻(xiàn)[9]在多模融合的基礎(chǔ)上對(duì)目標(biāo)進(jìn)行識(shí)別,其識(shí)別性能?chē)?yán)重依賴于配準(zhǔn)與融合的精度。劉佶鑫等人[10]利用類(lèi)字典稀疏識(shí)別方法對(duì)融合后的可見(jiàn)光-近紅外HSV圖像進(jìn)行場(chǎng)景分類(lèi)。由于該方法采用了搜索樹(shù)特征和分層梯度方向直方圖進(jìn)行特征提取,其場(chǎng)景分類(lèi)性能僅僅適用簡(jiǎn)單場(chǎng)景下的典型目標(biāo)。

    隨著智能硬件技術(shù)的突飛猛進(jìn)和大數(shù)據(jù)建模工具的利用,深度學(xué)習(xí)模型在圖像識(shí)別領(lǐng)域獲得極大的發(fā)展,涌現(xiàn)了許多優(yōu)秀的網(wǎng)絡(luò)模型,如Faster R-CNN[11],Mask R-CNN[12],YOLO-v3[13]等。江澤濤等人[14]使用加權(quán)融合算法對(duì)紅外和可見(jiàn)光圖像融合,然后利用改進(jìn)的深度絡(luò)提取融合圖像的有效特征向量,再進(jìn)行分類(lèi)與識(shí)別。Sarfraz等人[15]提出了一種跨模態(tài)的深度識(shí)別算法,該算法使用多模態(tài)圖像的不同特征形式分別訓(xùn)練四個(gè)獨(dú)立的深度卷積神經(jīng)網(wǎng)絡(luò),分別學(xué)習(xí)出不同且互補(bǔ)的目標(biāo)特征信息,最終提高目標(biāo)的識(shí)別精度,其核心模塊是引用了特征對(duì)齊模塊與像素對(duì)齊模塊??梢钥闯?基于深度學(xué)習(xí)的紅外-可見(jiàn)光圖像的識(shí)別算法大都是在圖像配準(zhǔn)的基礎(chǔ)上進(jìn)行融合,然后采用深度學(xué)習(xí)算法進(jìn)行目標(biāo)識(shí)別。雖然深度模型提高了雙模態(tài)圖像的互補(bǔ)特征的表征能力,但現(xiàn)有的算法都是在已配準(zhǔn)圖像上進(jìn)行獨(dú)立網(wǎng)絡(luò)訓(xùn)練與識(shí)別,且資源消耗較大。然而,光電系統(tǒng)的紅外圖像與可見(jiàn)光圖像視場(chǎng)大小存在偏差,光軸也并不是完全重合,直接采用紅外與可見(jiàn)光圖像進(jìn)行深度識(shí)別,其效果不利于軍事裝備工程應(yīng)用。因此,本文提出一種基于改進(jìn)YOLO網(wǎng)絡(luò)的雙通道顯著性目標(biāo)識(shí)別算法,該算法首先結(jié)合雙通道網(wǎng)絡(luò)提取紅外與可見(jiàn)光圖像的融合特征進(jìn)行圖像融合,然后利用融合圖像目標(biāo)顯著性特性可以快速獲取疑似目標(biāo)區(qū)域,最后通過(guò)改進(jìn)的YOLO模型提高目標(biāo)識(shí)別精度。仿真結(jié)果表明,本文提出的模型可以有效地提高現(xiàn)有目標(biāo)檢測(cè)與識(shí)別的性能。

    2 相關(guān)技術(shù)

    YOLO系列網(wǎng)絡(luò)是目標(biāo)檢測(cè)領(lǐng)域常用的一種端到端深度網(wǎng)絡(luò),該網(wǎng)絡(luò)將檢測(cè)問(wèn)題轉(zhuǎn)化為回歸問(wèn)題,可以預(yù)測(cè)邊界框坐標(biāo)的同時(shí),在端到端網(wǎng)絡(luò)中對(duì)目標(biāo)進(jìn)行分類(lèi),大大提高了檢測(cè)速度[13]。與R-CNN系列的兩級(jí)網(wǎng)絡(luò)相比,這種網(wǎng)絡(luò)結(jié)構(gòu)思路更明晰,并不需要窮舉疑似區(qū)域,網(wǎng)絡(luò)更簡(jiǎn)潔。

    YOLO網(wǎng)絡(luò)衍生出許多高效率的改進(jìn)網(wǎng)絡(luò),如YOLO-v1,YOLO-v2,YOLO-v3,YOLO-v3-tiny等[16]。YOLO系列網(wǎng)絡(luò)的主干網(wǎng)絡(luò)模型如圖1所示。YOLO 目標(biāo)檢測(cè)方法將輸入圖像劃分為S×S個(gè)互補(bǔ)重疊的網(wǎng)格,其中每個(gè)網(wǎng)格最多預(yù)測(cè)K個(gè)邊界框。每個(gè)邊界框的特定類(lèi)別置信分?jǐn)?shù)可以用如下等式表示:

    (1)

    xl=f(yl)=f(xl-1?wl+bl)

    (2)

    卷積神經(jīng)網(wǎng)絡(luò)中第l層的輸入表示為xl;激活函數(shù)為f(·)。中間變量表示為yl=xl-1?wl+bl,其中wl是卷積核的權(quán)重,bl是偏置參數(shù),?表示卷積。YOLO的網(wǎng)絡(luò)可以預(yù)測(cè)出多個(gè)邊界框及其類(lèi)概率,最終選擇輸出具有最高IoU的檢測(cè)結(jié)果。為了防止輸出過(guò)多的虛假冗余邊界框,YOLO采用了閾值策略消除了大多數(shù)無(wú)用的邊界框。由于單個(gè)目標(biāo)的預(yù)測(cè)結(jié)果可能同時(shí)包含多個(gè)邊界框,從而導(dǎo)致不同邊界框?qū)?yīng)同一個(gè)目標(biāo)。YOLO采用非極大值抑制算法來(lái)組合多個(gè)預(yù)測(cè)邊界框,從而消除預(yù)測(cè)置信度較低的邊界框,并將具有較高置信度得分的預(yù)測(cè)邊界框選擇為目標(biāo)檢測(cè)框。最終,預(yù)測(cè)邊界框的損失函數(shù)由四部分組成,如下所示:

    L=loss1+loss2+loss3+loss4

    (3)

    其中,loss1是預(yù)測(cè)中心坐標(biāo)的損失;loss2是預(yù)測(cè)邊界框的寬度和高度的損失;loss3是預(yù)測(cè)類(lèi)別的損失;loss4是預(yù)測(cè)的置信度損失。隨著卷積網(wǎng)絡(luò)前向傳播,其損失函數(shù)L的梯度可以表示為:

    (4)

    以上分析可以看出,YOLO將圖像分成固定尺度的網(wǎng)絡(luò),雖然可以獲得較快的檢測(cè)速度,但其邊界框的定位不準(zhǔn)確,且對(duì)小目標(biāo)檢測(cè)精度不高。為了解決這個(gè)問(wèn)題,YOLO-v2引入了錨框(anchor)機(jī)制的思想,并使用聚類(lèi)方法生成合適的先驗(yàn)邊界框。隨著網(wǎng)絡(luò)的不斷加深,在訓(xùn)練過(guò)程中存在梯度消失或梯度爆炸問(wèn)題,YOLO-v3引入了殘差結(jié)構(gòu),采用Darknet-53作為主干網(wǎng)絡(luò),主要由53個(gè)卷積層組成,并包含大量3×3、1×1卷積內(nèi)核。在進(jìn)入殘差模塊之前將特征與殘差模塊輸出的特征進(jìn)行組合可以提取更抽象的深度特征。

    3 紅外顯著性快速目標(biāo)檢測(cè)

    現(xiàn)有的光電系統(tǒng)大都如圖2所示,集成了電視攝像機(jī)和紅外熱像儀兩種探測(cè)設(shè)備。紅外圖像可以全天候全天時(shí)獲取場(chǎng)景圖像信息,但由于輻射成像原理的限制,紅外圖像存在對(duì)比度低、細(xì)節(jié)模糊,目標(biāo)檢測(cè)與識(shí)別精度低;而可見(jiàn)光圖像分辨率高,細(xì)節(jié)豐富,符合人眼視覺(jué)習(xí)慣,但容易遭受煙霧、光線、天氣的影響[17]。紅外圖像與可見(jiàn)光圖像間信息存在冗余和互補(bǔ),利用雙通道目標(biāo)融合識(shí)別,可提高目標(biāo)的識(shí)別精度。本文采用文獻(xiàn)[18]提出的圖像融合算法進(jìn)行紅外與可見(jiàn)光圖像融合,該算法在稀疏編碼和融合過(guò)程中,充分考慮了每個(gè)局部圖像塊的信息及其空間上下文信息,并利用魯棒稀疏表示確保空間相鄰圖像塊之間的局部一致性。實(shí)驗(yàn)結(jié)果表明,該算法對(duì)未經(jīng)校正的多源圖像的融合效果也非常理想。

    圖2 光電系統(tǒng)

    為了定位到目標(biāo)的具體位置,大多數(shù)檢測(cè)算法通常會(huì)把圖像分成許多子塊,并提取子塊的特征進(jìn)行識(shí)別。目前存在兩類(lèi)子塊劃分策略:滑動(dòng)窗口法與選擇性搜索法,前者通過(guò)窮舉整個(gè)區(qū)域獲得大量疑似區(qū)域,再進(jìn)行類(lèi)別分類(lèi),但復(fù)雜度太高;后者則有效地去除冗余候多尺度選區(qū)域,使得計(jì)算量大大的減小,但需要先驗(yàn)信息進(jìn)行輔助。

    為了有效地利用光電系統(tǒng)不同通道的互補(bǔ)數(shù)據(jù),提升目標(biāo)識(shí)別的精度與速度,本文提出了一種雙通道顯著性目標(biāo)識(shí)別算法,如圖3所示。首先利用融合策略獲取紅外圖像與電視圖像的融合結(jié)果,然后采用顯著性檢測(cè)獲取紅外圖像中的疑似目標(biāo)區(qū)域;最后在融合結(jié)果基礎(chǔ)上利用改進(jìn)YOLO網(wǎng)絡(luò)對(duì)疑似區(qū)域進(jìn)行多層次目標(biāo)識(shí)別。

    圖3 雙通道顯著性目標(biāo)識(shí)別算法

    3.1 基于特征聚類(lèi)的顯著性粗分割

    由于視距內(nèi)的裝甲目標(biāo)紅外特征明顯,其目標(biāo)特征與背景存在一定的差異。即便是沙漠地帶,典型目標(biāo)仍然可以通過(guò)顯著性檢測(cè)進(jìn)行定位。為了實(shí)現(xiàn)目標(biāo)顯著性檢測(cè),本文采用了一種基于特征聚類(lèi)的顯著性檢測(cè)算法,該方法逐點(diǎn)提取特征向量,并在先驗(yàn)信息未知情況下利用均值漂移算法進(jìn)行目標(biāo)聚類(lèi)。本文選用的特征向量xi涵蓋區(qū)域的強(qiáng)度、對(duì)比度、空間屬性等多種特征,其可以有效地捕獲顯著性區(qū)域中的對(duì)比度和空間信息,便于后續(xù)特征聚類(lèi)。

    假定d維空間Rd中存在n個(gè)樣本點(diǎn)xi(i=1,…,n),在x點(diǎn)的核密度函數(shù)估計(jì)可以表示為如下等式:

    (5)

    其中,h是核密度估計(jì)函數(shù)的帶寬,一般設(shè)置為30;K(x)=ck(‖x‖2)是核函數(shù)。等式(5)的核密度梯度可以為:

    (6)

    其中,c=3。核函數(shù)表征了樣本密度分布估計(jì)情況,工程應(yīng)用中常采用高斯核函數(shù)作為核密度估計(jì)公式中的加權(quán)函數(shù)。假定G(x)是高斯核函數(shù);w(xi)(w(xi)≥0)是樣本xi所對(duì)應(yīng)的權(quán)值,因此均值偏移向量Mh(x)可以表示為如下等式:

    (7)

    因此,給定一個(gè)初始點(diǎn)x,核函數(shù)G(x),此過(guò)程可以通過(guò)交替迭代沿著梯度的方向不斷移動(dòng),并采用xt+1=xt+Mh(xt)進(jìn)行更新,最終獲得最優(yōu)的聚類(lèi)結(jié)果。在聚類(lèi)結(jié)果的基礎(chǔ)上對(duì)圖像進(jìn)行分塊,計(jì)算每個(gè)塊的質(zhì)心i。以質(zhì)心i為中心點(diǎn),計(jì)算特征向量xi。若與xi相鄰的圖像塊xj的歐式距離d(xi,xj)比其他任意的圖像塊都大時(shí),則該點(diǎn)的特征是顯著的。

    3.2 多尺度顯著特征融合

    由于基于特征聚類(lèi)的顯著性粗分割結(jié)果中包含大量的虛假目標(biāo),大大提高了后續(xù)檢測(cè)的復(fù)雜度。因此,為同時(shí)均衡檢測(cè)效率與檢測(cè)精度,本文采用消除虛假目標(biāo),同時(shí)利用空間特征篩選出疑似目標(biāo)。

    (8)

    經(jīng)過(guò)多尺度融合的顯著性區(qū)域大大地消減了不必要的背景干擾,其覆蓋的區(qū)域最能代表目標(biāo)所在的位置、大小與尺度信息。然而,紅外場(chǎng)景內(nèi)的顯著性目標(biāo)類(lèi)型多樣,且形態(tài)各異,僅僅靠多層次顯著性目標(biāo)差異,很難排除虛假目標(biāo)的干擾。由于裝甲目標(biāo)具有明顯的形狀特性,因此本文采用裝甲目標(biāo)的結(jié)構(gòu)性特征剔除虛假目標(biāo)區(qū)域。最直觀的策略就是采用幾何特性進(jìn)行判別。文獻(xiàn)[19]采用長(zhǎng)寬比對(duì)目標(biāo)的幾何特性進(jìn)行判斷,其車(chē)輛的長(zhǎng)寬比在2~3之間。文獻(xiàn)[20]采用SVM分類(lèi)對(duì)顯著性區(qū)域的幾何特征進(jìn)行分類(lèi),其中幾何特征包括方向梯度、Hu不變矩等,然后采用SVM進(jìn)行訓(xùn)練與學(xué)習(xí),最終可以實(shí)現(xiàn)橋梁、車(chē)輛、建筑等典型目標(biāo)的識(shí)別。由于本章的目的僅僅是消除虛假區(qū)域,縮短后續(xù)深度學(xué)習(xí)的識(shí)別時(shí)間,并不需要獲得準(zhǔn)確的車(chē)輛顯著性目標(biāo)。因此,本章采用簡(jiǎn)單的幾何特征進(jìn)行判斷,不增加漏檢概率的情況下,盡可能的剔除虛假區(qū)域,為下一步目標(biāo)識(shí)別提供可靠的目標(biāo)位置,縮小識(shí)別的空間復(fù)雜度。

    4 改進(jìn)的目標(biāo)識(shí)別網(wǎng)絡(luò)

    目前,依靠更深的網(wǎng)絡(luò)層提取目標(biāo)特征并增強(qiáng)卷積層的語(yǔ)義信息來(lái)提高識(shí)別精度是一種常見(jiàn)的網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計(jì)方法。然而,由于紅外與電視融合圖像的疑似目標(biāo)區(qū)域已經(jīng)明確,為了降低處理時(shí)間其識(shí)別網(wǎng)絡(luò)的深度也不宜太深,尤其是小目標(biāo)在多次卷積與池化后,其特征表征能力也在下降。因此,本文提出了一種基于改進(jìn)YOLO-v3的目標(biāo)識(shí)別網(wǎng)絡(luò),該網(wǎng)絡(luò)增加了一路輔助網(wǎng)絡(luò),改善整個(gè)特征提取網(wǎng)絡(luò)的性能;并采用注意機(jī)制對(duì)輔助網(wǎng)絡(luò)和骨干網(wǎng)絡(luò)的特征信息融合,增強(qiáng)有效信息通道,抑制無(wú)效信息通道,提高網(wǎng)絡(luò)識(shí)別效率。

    與單一結(jié)構(gòu)的YOLO-v3網(wǎng)絡(luò)相比,本文增加了一個(gè)特征提取輔助網(wǎng)絡(luò),其規(guī)模比骨干網(wǎng)絡(luò)略小。主干網(wǎng)的原始?xì)埐钅K使用3×3卷積核提取特征,而輔助網(wǎng)絡(luò)中的殘差模塊使用兩個(gè)連續(xù)的3×3卷積核進(jìn)行殘差提取,獲得5×5的感受野,然后將提取的特征融合到骨干網(wǎng)中。輔助網(wǎng)絡(luò)中使用的感受野大小為5×5。特征圖上使用大的感受野進(jìn)行全局特征提取有助于得到目標(biāo)區(qū)域特征,因此輔助網(wǎng)絡(luò)將獲取的位置特征傳輸?shù)焦歉删W(wǎng)絡(luò)。骨干網(wǎng)絡(luò)結(jié)合使用3×3局部感受野和輔助網(wǎng)絡(luò)提供的目標(biāo)位置信息,可以更準(zhǔn)確地學(xué)習(xí)目標(biāo)詳細(xì)特征。因此,輔助網(wǎng)絡(luò)在一定程度上促進(jìn)了高級(jí)和低級(jí)語(yǔ)義特征的融合,從而大大提高了網(wǎng)絡(luò)的識(shí)別性能。YOLO-v3的原始網(wǎng)絡(luò)具有很深的深度。如果將輔助網(wǎng)絡(luò)添加到整個(gè)骨干網(wǎng)絡(luò),則會(huì)引入更多計(jì)算,從而導(dǎo)致運(yùn)行速度變慢?;谏鲜鲈?改進(jìn)的網(wǎng)絡(luò)僅將輔助網(wǎng)絡(luò)添加到Y(jié)OLO-v3的三個(gè)相應(yīng)尺度檢測(cè)的特征提取層中。

    本文中輔助網(wǎng)絡(luò)和主干網(wǎng)的連接方式是在兩個(gè)網(wǎng)絡(luò)之間添加注意機(jī)制。當(dāng)網(wǎng)絡(luò)達(dá)到一定深度時(shí),特征越容易聚合成針對(duì)任務(wù)的更高級(jí)語(yǔ)義特征。本文增加的輔助模塊主要完成對(duì)有效特征的處理和傳輸,對(duì)無(wú)效特征進(jìn)行信道抑制。兩個(gè)網(wǎng)絡(luò)之間的注意機(jī)制的實(shí)現(xiàn)使用了SE模塊(Squeeze-and-Excitation模塊),該模塊結(jié)構(gòu)簡(jiǎn)單,易于部署。添加SE模塊的目的是重新校準(zhǔn)輔助模塊的輸出特性。首先對(duì)特征映射進(jìn)行壓縮,通過(guò)平均池化將二維特征通道轉(zhuǎn)化為一維。此時(shí),將特征圖的大小轉(zhuǎn)換為1×1×C,將二維特征圖合并成一維特征圖的目的是為了更好地顯示該層各通道特征值的分布情況。在特征圖壓縮完成后,將激發(fā)一維特征圖,其計(jì)算公式為:

    Sc=Fex(Z,W)=σ(W2·ReLU(W1Z))

    (9)

    其中,Sc是激勵(lì)后的特征圖;σ是sigmoid激活函數(shù);Z表示壓縮后的輸入一維卷積層,其維度是1×1×C;W1Z表示全連接操作,W1的維數(shù)是C/r*C的全連接層; r是尺度例因子,其功能主要是壓縮通道數(shù)量以減少參數(shù)量;W2也是一個(gè)全連接層,其尺寸為C*C/r。W1Z輸出結(jié)果將通過(guò)W2連接后輸出1×1×C的特征圖,最后將其激活處理獲得特征圖Sc。Sc是連接模塊的核心,用于指示輔助模塊輸出的通道權(quán)重。通過(guò)將不同的信道值乘以不同的權(quán)重,可以增加對(duì)關(guān)鍵信道域的關(guān)注。最后,輔助殘差模塊通過(guò)SE模塊重定向,然后進(jìn)入骨干網(wǎng)絡(luò)以完成特征融合。

    5 實(shí)驗(yàn)結(jié)果與討論

    本文提出的雙通道顯著性目標(biāo)識(shí)別算法主要分為雙模圖像融合(double-model fusion,DMF)、顯著性檢測(cè)(Saliency Detection,SD)與目標(biāo)識(shí)別(Object Recognition,OR)三個(gè)模塊。為了驗(yàn)證所提出模型的性能,尤其是各種模塊之間的組合對(duì)目標(biāo)識(shí)別性能的影響,本實(shí)驗(yàn)主要從消融角度進(jìn)行分析。本文提出的算法采用Python 3.5進(jìn)行開(kāi)發(fā),選用TensorFlow作為深度學(xué)習(xí)框架,所有實(shí)驗(yàn)均在均在戴爾服務(wù)器上進(jìn)行,其配置如下:Intel core i9-9900k @ 3.6 GHz(×8),16 GB×4(DDR4 3200 MHz),NVIDIA GeForce GTX1050TI 16G×4,Ubuntu 16.04,64位操作系統(tǒng)。值得注意的是,不加優(yōu)化的情況下,4個(gè)GPU對(duì)現(xiàn)有數(shù)據(jù)集進(jìn)行YOLO-v3訓(xùn)練大約需要一天的時(shí)間才能收斂。為了提高優(yōu)化效率,采用ADAM優(yōu)化算法,其參數(shù)設(shè)定為:alpha=0.001,beta1=0.9,beta2=0.999和epsilon=10-8。實(shí)際訓(xùn)練過(guò)程中每次調(diào)整參數(shù)前所選取的樣本數(shù)量,學(xué)習(xí)率的初始值,隨機(jī)梯度下降的動(dòng)量和衰減分別設(shè)置為16、0.01、0.9和10-6。圖像融合采用的西電張強(qiáng)教授提出的基于雙層次決策規(guī)則的圖像融合,其算法是開(kāi)源的;目標(biāo)顯著性檢測(cè)采用本文第3節(jié)提出的方法,其c=3,h=30,長(zhǎng)寬比為3.1。

    5.1 實(shí)驗(yàn)數(shù)據(jù)及其評(píng)價(jià)指標(biāo)

    為了實(shí)現(xiàn)對(duì)所提模型進(jìn)行訓(xùn)練、測(cè)試與驗(yàn)證,并進(jìn)行定性定量分析,實(shí)驗(yàn)采用公開(kāi)數(shù)據(jù)集與自建數(shù)據(jù)集進(jìn)行對(duì)比實(shí)驗(yàn),其中公開(kāi)數(shù)據(jù)集是國(guó)際公開(kāi)配準(zhǔn)紅外與可見(jiàn)光圖像TNO數(shù)據(jù);自建數(shù)據(jù)集則是利用圖2所示的光電系統(tǒng)進(jìn)行采集的地面車(chē)輛數(shù)據(jù),所有數(shù)據(jù)都時(shí)間標(biāo)記,并根據(jù)靶板參數(shù)映射到相同的尺寸。實(shí)驗(yàn)最終收集了從8000對(duì)紅外與可見(jiàn)光數(shù)據(jù)對(duì),隨機(jī)選擇了4500個(gè)用于訓(xùn)練,2450個(gè)用于驗(yàn)證,1050個(gè)用于測(cè)試。為了便于性能對(duì)比,本文將地面裝甲車(chē)輛分為履帶式裝甲、輪式裝甲、貨車(chē)、面包車(chē)及其他車(chē)輛。

    實(shí)驗(yàn)選擇了YOLO-v3[13],DenseNet[20],ResNet[22],EfficientDet[23],R-FCN-3000[24]和ATSS[25]作為對(duì)比算法,所有的對(duì)比算法都采用作者給出的源代碼或可執(zhí)行文件。由于對(duì)比算法是對(duì)自然影像的檢測(cè),為了便于公平的定性定量的對(duì)比,所有的深度算法模型都用相同的訓(xùn)練集進(jìn)行訓(xùn)練。本文采用已被廣泛應(yīng)用于目標(biāo)識(shí)別評(píng)估的平均精度均值(Mean Average Precision,mAP)和每秒幀率(Frames Per Second,FPS)作為衡量模型的標(biāo)準(zhǔn),其中 mAP是指多個(gè)類(lèi)別精度均值(Average Precision,AP)的平均值,每個(gè)類(lèi)別都可以根據(jù)準(zhǔn)確率(Precision)和召回率(recall)繪制一條PR曲線。

    5.2 訓(xùn)練性能分析

    為了便于分析該模型的識(shí)別效果,本實(shí)驗(yàn)不使用顯著性檢測(cè)的結(jié)果進(jìn)行訓(xùn)練,而是直接采用YOLO-v3的選取錨點(diǎn)框的方法進(jìn)行區(qū)域選擇,然后進(jìn)行相關(guān)的訓(xùn)練。在訓(xùn)練過(guò)程中,可以通過(guò)繪制損失曲線來(lái)直觀地觀察訓(xùn)練的動(dòng)態(tài)過(guò)程。圖4顯示了本文算法訓(xùn)練期間的平均損失曲線的變換,其中橫坐標(biāo)表示訓(xùn)練迭代次數(shù),縱坐標(biāo)表示訓(xùn)練期間的損失值。可以看出,本文算法的訓(xùn)練與測(cè)試機(jī)上的精度與損失度類(lèi)似,整個(gè)網(wǎng)絡(luò)迭代到3000次就實(shí)現(xiàn)了收斂,充分表明模型的泛化能力較好,適合復(fù)雜戰(zhàn)場(chǎng)環(huán)境下的工程應(yīng)用。

    圖4 訓(xùn)練過(guò)程

    5.3 消融實(shí)驗(yàn)分析

    本文提出的雙通道顯著性目標(biāo)識(shí)別算法主要應(yīng)用于光電系統(tǒng)下目標(biāo)指示與識(shí)別,其處理流程是首先對(duì)紅外與可見(jiàn)光圖像進(jìn)行多模態(tài)融合,然后采用顯著性檢測(cè)標(biāo)注出若干疑似顯著性區(qū)域,最后采用改進(jìn)的目標(biāo)識(shí)別算法進(jìn)行識(shí)別。為了對(duì)不同模塊的性能進(jìn)行消融分析,本章設(shè)計(jì)了如下對(duì)比算法:改進(jìn)的識(shí)別算法在可見(jiàn)光圖像上的識(shí)別效果(CCD-Reco),改進(jìn)的識(shí)別算法紅外圖像上的識(shí)別效果(IR-Reco),改進(jìn)的識(shí)別算法在融合圖像上的識(shí)別效果(Fusion-Reco),改進(jìn)識(shí)別算法在顯著性區(qū)域上的識(shí)別效果(Sal-reco),以及本文提出的模型,表1展示了不同模塊下的消融結(jié)果。實(shí)驗(yàn)數(shù)據(jù)可以看出,CCD-Reco與IR-Reco的識(shí)別準(zhǔn)確率僅僅相差2 %,檢測(cè)結(jié)果中紅外與CCD精度存在互補(bǔ)性。也就是說(shuō),紅外圖像目標(biāo)不明顯的區(qū)域,在電視下的比較明顯,最后導(dǎo)致CCD-Reco的精度優(yōu)于IR-Reco,反之亦然。經(jīng)過(guò)融合后的圖像具有二者的互補(bǔ)特性,最終在識(shí)別結(jié)果上達(dá)到了78.7 %的識(shí)別精度。以上三種對(duì)比算法主要是驗(yàn)證多模態(tài)影像融合對(duì)最終識(shí)別精度的影響,但其識(shí)別速度都在30幀左右。在實(shí)際應(yīng)用中,只有較高的識(shí)別速度,才能有助于工程應(yīng)用。從表1最后一列數(shù)據(jù)也可以看出,增加了顯著性目標(biāo)檢測(cè)的識(shí)別算法獲得了51幀的檢測(cè)速度,完全適合50 Hz的工程應(yīng)用。本文設(shè)計(jì)的顯著性目標(biāo)是提升識(shí)別速度的關(guān)鍵,通過(guò)顯著性檢測(cè)性能對(duì)比得知道,該算法能覆蓋大多數(shù)目標(biāo),其最小顯著性目標(biāo)可以檢測(cè)到15×15,但此時(shí)肉眼識(shí)別目標(biāo)也比較困難。即便識(shí)別算法不能識(shí)別出典型目標(biāo),但目標(biāo)指示器也會(huì)給出虛框指示,便于操作手判斷。若識(shí)別算法給出較高置信度,則可以自動(dòng)導(dǎo)引對(duì)準(zhǔn)目標(biāo)。因此,從消融角度分析可知,本文設(shè)計(jì)的三種模塊都是非常合適,且能提升精度與速度。

    表1 不同模塊性能分析

    5.4 定性定量對(duì)比分析

    本章的選用的對(duì)比算法都是具有源碼的深度網(wǎng)絡(luò)模型,主要應(yīng)用于自然圖像的目標(biāo)檢測(cè)與識(shí)別。針對(duì)本文主要應(yīng)用光電系統(tǒng)的多模態(tài)二維灰度圖像上的目標(biāo)識(shí)別,因此所有的網(wǎng)絡(luò)都是在融合后的圖數(shù)據(jù)集上進(jìn)行訓(xùn)練。表2展示了不同的深度模型對(duì)所有融合圖像的檢測(cè)識(shí)別結(jié)果。從定量測(cè)試結(jié)果來(lái)看,本文提出網(wǎng)絡(luò)的識(shí)別精度高于ATSS,和EfficientDet的識(shí)別率幾乎相同。YOLO-v3是單階段識(shí)別網(wǎng)絡(luò),但我們的算法的mAP僅僅比其略高0.2 %,但是檢測(cè)速度確高得多。也就是說(shuō),本文所提出的網(wǎng)絡(luò)在識(shí)別精度和識(shí)別速度方面具有良好的性能。圖5展示了本文模型與其他對(duì)比算法之間的PR曲線以便進(jìn)一步比較不同算法之間的性能差異。EfficientDet和ATSS都是CVPR2020中提出并開(kāi)源的目標(biāo)檢測(cè)網(wǎng)絡(luò),前者從網(wǎng)絡(luò)在特征金字塔網(wǎng)絡(luò)的基礎(chǔ)上,提出一種高效的雙向多尺度的自適應(yīng)加權(quán)融合方法,后者則能夠利用目標(biāo)區(qū)域的相關(guān)統(tǒng)計(jì)自動(dòng)選擇合適的錨框作為正樣本,在不增加額外計(jì)算量和參數(shù)的情況下,大幅提升模型的泛化性能。這兩種網(wǎng)絡(luò)是目前最優(yōu)的深度學(xué)習(xí)網(wǎng)絡(luò),具有較高的精度與速度。

    表2 不同方法的識(shí)別準(zhǔn)確率

    圖5 不同檢測(cè)識(shí)別模型的PR曲線

    圖6是YOLO-v3與本文算法的檢測(cè)識(shí)別定性對(duì)比,其中圖6(a)與圖6(b)分別是可見(jiàn)光探測(cè)器與紅外熱像儀獲得的CCD圖像與IR圖像,圖6(c)是紅外與可見(jiàn)光圖像融合結(jié)果,圖6(d)是YOLO-v3與本文算法對(duì)圖6(c)中融合圖像的識(shí)別結(jié)果??梢钥闯?,本文所提模型對(duì)融合圖像的識(shí)別結(jié)果較好,而YOLO-v3雖然沒(méi)有出現(xiàn)漏檢,但結(jié)果存在定位誤差以及誤檢。改進(jìn)的識(shí)別模型能夠很好地識(shí)別目標(biāo),顯著性檢測(cè)模塊已經(jīng)大大消除了背景雜波的干擾。實(shí)際上,訓(xùn)練過(guò)程中未加框的區(qū)域?qū)⒛J(rèn)標(biāo)記為背景區(qū)域,改進(jìn)的識(shí)別算法只在顯著性區(qū)域進(jìn)行識(shí)別,即便顯著性區(qū)域存在目標(biāo)粘連,識(shí)別算法也進(jìn)行區(qū)分。顯著性檢測(cè)的目的就是大大降低背景干擾,縮小感興趣區(qū)域的范圍,進(jìn)一步降低復(fù)雜度。從這點(diǎn)可以看出,本文改進(jìn)的YOLO-v3可以提供較高的分類(lèi)精度。

    圖6 YOLO-v3(黑框)與本文算法(白框)的檢測(cè)識(shí)別定性對(duì)比

    圖7是不同算法的識(shí)別結(jié)果對(duì)比。可以看出添加輔助網(wǎng)絡(luò)后,相比原始YOLO-v3網(wǎng)絡(luò)結(jié)果,本文模型提高了小目標(biāo)檢測(cè)的有效性和準(zhǔn)確性。例如,原始的YOLO-v3無(wú)法檢測(cè)到圖中的較小的裝甲車(chē)輛,但是經(jīng)過(guò)改進(jìn)的網(wǎng)絡(luò)可以有效地檢測(cè)目標(biāo),即使在廣域復(fù)雜戰(zhàn)場(chǎng)環(huán)境中,改進(jìn)的網(wǎng)絡(luò)仍然可以準(zhǔn)確地檢測(cè)和識(shí)別。除了常規(guī)的模型指標(biāo)測(cè)試外,本文還添加了干擾狀態(tài)的單個(gè)目標(biāo)測(cè)試。外場(chǎng)采集圖像時(shí),人為釋放了煙霧,干擾目標(biāo)的成像質(zhì)量。受限于篇幅,本文選用了一張圖像進(jìn)行對(duì)比分析。識(shí)別結(jié)果表明,本文改進(jìn)的識(shí)別算法也能才準(zhǔn)確識(shí)別出目標(biāo)。主要?dú)w咎于結(jié)果紅外與可見(jiàn)光的融合圖像有助于提升目標(biāo)的抗干擾能力,以及改進(jìn)網(wǎng)絡(luò)具有較高的泛化能力。以上分析表明,本文改進(jìn)網(wǎng)絡(luò)的邊界框位置與基準(zhǔn)目標(biāo)之間的擬合度也比對(duì)比算法更為準(zhǔn)確,充分驗(yàn)證了結(jié)合注意機(jī)制的輔助網(wǎng)絡(luò)有助于提高目標(biāo)的識(shí)別精度。

    圖7 不同算法的識(shí)別結(jié)果對(duì)比

    本文的算法首先對(duì)紅外圖像與可見(jiàn)光圖像進(jìn)行融合,然后進(jìn)行顯著性檢測(cè)快速鎖定疑似目標(biāo)區(qū)域;然后利用改進(jìn)的識(shí)別網(wǎng)絡(luò)對(duì)疑似區(qū)域進(jìn)行識(shí)別,大大降低了搜索范圍,提高了識(shí)別速度。實(shí)驗(yàn)結(jié)果表明,改進(jìn)網(wǎng)絡(luò)其識(shí)別準(zhǔn)確率比現(xiàn)有最優(yōu)檢測(cè)網(wǎng)絡(luò)略有提升,但實(shí)時(shí)性得到了大大增強(qiáng)。

    6 結(jié) 語(yǔ)

    本文提出了一種基于改進(jìn)YOLO網(wǎng)絡(luò)的雙通道顯著性目標(biāo)識(shí)別算法,該算法利用紅外圖像與可見(jiàn)光互補(bǔ)特性進(jìn)行多尺度融合,并在融合圖像上采用顯著性檢測(cè)獲取疑似目標(biāo)區(qū)域,最后利用改進(jìn)的識(shí)別網(wǎng)絡(luò)對(duì)疑似區(qū)域進(jìn)行多層次目標(biāo)識(shí)別。改進(jìn)的YOLO識(shí)別網(wǎng)絡(luò)增加了一路輔助網(wǎng)絡(luò),改善整個(gè)特征提取網(wǎng)絡(luò)的性能,并采用注意機(jī)制對(duì)輔助網(wǎng)絡(luò)和骨干網(wǎng)絡(luò)的特征信息融合,增強(qiáng)有效信息通道,抑制無(wú)效信息通道,提高網(wǎng)絡(luò)識(shí)別效率。實(shí)驗(yàn)結(jié)果表明,本文提出的模型可以有效地提高現(xiàn)有網(wǎng)絡(luò)的性能。下一步,項(xiàng)目組將進(jìn)行工程化研制,全面提升裝備的智能化水平。

    猜你喜歡
    紅外顯著性特征
    網(wǎng)紅外賣(mài)
    閃亮的中國(guó)紅外『芯』
    金橋(2021年4期)2021-05-21 08:19:20
    如何表達(dá)“特征”
    不忠誠(chéng)的四個(gè)特征
    TS系列紅外傳感器在嵌入式控制系統(tǒng)中的應(yīng)用
    電子制作(2019年7期)2019-04-25 13:17:14
    基于顯著性權(quán)重融合的圖像拼接算法
    電子制作(2019年24期)2019-02-23 13:22:26
    基于視覺(jué)顯著性的視頻差錯(cuò)掩蓋算法
    抓住特征巧觀察
    一種基于顯著性邊緣的運(yùn)動(dòng)模糊圖像復(fù)原方法
    論商標(biāo)固有顯著性的認(rèn)定
    国产免费视频播放在线视频| 欧美少妇被猛烈插入视频| 99久久中文字幕三级久久日本| 亚洲精品,欧美精品| 日本免费在线观看一区| 日韩电影二区| 男人添女人高潮全过程视频| 熟妇人妻不卡中文字幕| 下体分泌物呈黄色| 久久 成人 亚洲| 亚洲精品色激情综合| 亚洲激情五月婷婷啪啪| 高清黄色对白视频在线免费看| 精品国产露脸久久av麻豆| 国产白丝娇喘喷水9色精品| 亚洲精品美女久久av网站| 99视频精品全部免费 在线| 亚洲av中文av极速乱| 欧美日韩成人在线一区二区| 久久99蜜桃精品久久| 国产精品一国产av| 交换朋友夫妻互换小说| 亚洲国产日韩一区二区| 久久久国产欧美日韩av| 妹子高潮喷水视频| 插阴视频在线观看视频| av天堂久久9| 九九久久精品国产亚洲av麻豆| 亚洲精品aⅴ在线观看| 另类亚洲欧美激情| av线在线观看网站| 午夜激情福利司机影院| 老司机影院成人| 天美传媒精品一区二区| 狂野欧美激情性xxxx在线观看| 免费av中文字幕在线| 国产亚洲午夜精品一区二区久久| 亚洲av男天堂| 国产欧美日韩综合在线一区二区| 精品人妻偷拍中文字幕| 天天操日日干夜夜撸| 男的添女的下面高潮视频| 日韩,欧美,国产一区二区三区| 国产日韩欧美亚洲二区| 午夜激情av网站| 在现免费观看毛片| 老司机影院成人| 国产 精品1| 狂野欧美白嫩少妇大欣赏| 免费黄色在线免费观看| 性色av一级| 久久久久网色| 久久久久网色| 国产精品一二三区在线看| 亚洲人与动物交配视频| 久久久久国产精品人妻一区二区| 成年av动漫网址| 成人午夜精彩视频在线观看| 久久久国产欧美日韩av| 精品亚洲成国产av| 91成人精品电影| 亚洲av成人精品一区久久| 91精品国产九色| 在线观看www视频免费| 999精品在线视频| 亚洲欧美中文字幕日韩二区| 啦啦啦中文免费视频观看日本| 久久国产亚洲av麻豆专区| 欧美成人精品欧美一级黄| 亚洲综合色网址| 亚洲一级一片aⅴ在线观看| 最黄视频免费看| 中文字幕人妻丝袜制服| 九草在线视频观看| 日韩熟女老妇一区二区性免费视频| 亚洲中文av在线| 欧美激情极品国产一区二区三区 | 日韩成人av中文字幕在线观看| 一边亲一边摸免费视频| 中国三级夫妇交换| 国产欧美日韩综合在线一区二区| 一区二区三区精品91| videosex国产| 久热这里只有精品99| 国产精品麻豆人妻色哟哟久久| 精品人妻熟女av久视频| 99久久综合免费| 搡老乐熟女国产| 一本色道久久久久久精品综合| 国产精品偷伦视频观看了| 制服丝袜香蕉在线| 美女大奶头黄色视频| 欧美日韩视频精品一区| 五月玫瑰六月丁香| 亚洲,一卡二卡三卡| 国产亚洲精品久久久com| 亚洲精品av麻豆狂野| 99九九线精品视频在线观看视频| 亚洲精品色激情综合| 亚洲综合色惰| 18禁裸乳无遮挡动漫免费视频| 久久热精品热| 日本黄大片高清| 国产成人精品久久久久久| 超色免费av| 一区二区av电影网| 日韩一本色道免费dvd| 女性生殖器流出的白浆| www.av在线官网国产| 三级国产精品欧美在线观看| freevideosex欧美| 国产伦精品一区二区三区视频9| 色婷婷av一区二区三区视频| 精品国产一区二区久久| 草草在线视频免费看| 我的女老师完整版在线观看| 男女高潮啪啪啪动态图| 青青草视频在线视频观看| 九色成人免费人妻av| 美女大奶头黄色视频| 久久人妻熟女aⅴ| 高清黄色对白视频在线免费看| 亚洲精品亚洲一区二区| 菩萨蛮人人尽说江南好唐韦庄| 一区二区av电影网| 久久久午夜欧美精品| 日韩人妻高清精品专区| 国产成人精品久久久久久| 亚洲国产精品一区二区三区在线| 日韩熟女老妇一区二区性免费视频| 国产男女超爽视频在线观看| 狠狠婷婷综合久久久久久88av| 高清黄色对白视频在线免费看| 亚洲天堂av无毛| 成人国语在线视频| 99久久中文字幕三级久久日本| 大码成人一级视频| 国产成人av激情在线播放 | 久久久久人妻精品一区果冻| 欧美日韩视频高清一区二区三区二| 大片免费播放器 马上看| 日韩 亚洲 欧美在线| 久久精品夜色国产| 免费日韩欧美在线观看| 成人无遮挡网站| 在现免费观看毛片| 国产69精品久久久久777片| 老熟女久久久| a级片在线免费高清观看视频| 男人添女人高潮全过程视频| 精品亚洲成国产av| 亚洲第一av免费看| 亚洲精品久久成人aⅴ小说 | 久久久久久久久久久免费av| 国产精品一区二区三区四区免费观看| 久久久久久久久久久免费av| 天天躁夜夜躁狠狠久久av| 亚洲av二区三区四区| 国产探花极品一区二区| 日本黄色日本黄色录像| 亚洲在久久综合| 人人妻人人爽人人添夜夜欢视频| 亚洲性久久影院| 99re6热这里在线精品视频| 伊人久久精品亚洲午夜| 高清不卡的av网站| 久久人人爽av亚洲精品天堂| 日日爽夜夜爽网站| 久久国产亚洲av麻豆专区| 插阴视频在线观看视频| 国产精品99久久99久久久不卡 | 涩涩av久久男人的天堂| 国产日韩欧美亚洲二区| 97在线人人人人妻| 亚洲不卡免费看| 午夜精品国产一区二区电影| 亚洲人成网站在线观看播放| www.av在线官网国产| 久久免费观看电影| 日本vs欧美在线观看视频| 我的女老师完整版在线观看| 日韩av免费高清视频| 一区二区三区乱码不卡18| 国产一级毛片在线| 久久久精品免费免费高清| 国产在线免费精品| 国产熟女欧美一区二区| 老司机影院毛片| 久久久久久久久久人人人人人人| 狠狠婷婷综合久久久久久88av| 国产精品一国产av| 午夜激情久久久久久久| 美女福利国产在线| 下体分泌物呈黄色| 精品人妻熟女av久视频| 国产69精品久久久久777片| 九九爱精品视频在线观看| 久久毛片免费看一区二区三区| 欧美激情极品国产一区二区三区 | 在线看a的网站| 女人精品久久久久毛片| 亚洲欧美日韩卡通动漫| 青春草国产在线视频| 日日啪夜夜爽| 午夜视频国产福利| 永久网站在线| 日韩制服骚丝袜av| 男女边吃奶边做爰视频| 一区二区三区四区激情视频| 国产乱来视频区| 青春草视频在线免费观看| 老司机影院毛片| 日韩伦理黄色片| 91久久精品国产一区二区三区| 人人妻人人添人人爽欧美一区卜| 搡老乐熟女国产| videossex国产| 亚洲国产精品成人久久小说| 亚洲国产成人一精品久久久| kizo精华| 欧美激情 高清一区二区三区| 伦精品一区二区三区| 亚洲成色77777| 久久久亚洲精品成人影院| 看非洲黑人一级黄片| 啦啦啦在线观看免费高清www| 国产成人av激情在线播放 | 在线免费观看不下载黄p国产| av线在线观看网站| 少妇高潮的动态图| 精品人妻偷拍中文字幕| 亚洲国产av新网站| 国产亚洲午夜精品一区二区久久| 黄色怎么调成土黄色| videossex国产| 秋霞在线观看毛片| 亚洲不卡免费看| 亚洲丝袜综合中文字幕| 99国产精品免费福利视频| 国产av精品麻豆| 边亲边吃奶的免费视频| 欧美日韩在线观看h| 国产成人91sexporn| 午夜久久久在线观看| av国产精品久久久久影院| 一本久久精品| 国产亚洲一区二区精品| av在线app专区| 免费看不卡的av| 国产男女超爽视频在线观看| a级毛片在线看网站| 亚洲欧洲国产日韩| 男女边吃奶边做爰视频| 性色avwww在线观看| 97精品久久久久久久久久精品| 亚洲欧美色中文字幕在线| 人人妻人人澡人人爽人人夜夜| 日本色播在线视频| 黄色怎么调成土黄色| 国产日韩欧美视频二区| 亚洲精品成人av观看孕妇| 美女视频免费永久观看网站| 亚洲欧美成人精品一区二区| 人妻夜夜爽99麻豆av| 国产成人精品婷婷| 免费日韩欧美在线观看| 一级爰片在线观看| 夜夜看夜夜爽夜夜摸| 国产国语露脸激情在线看| 丰满迷人的少妇在线观看| 久久久久国产精品人妻一区二区| 熟女av电影| 亚洲美女黄色视频免费看| 国产视频首页在线观看| 简卡轻食公司| 黄色视频在线播放观看不卡| 国产精品久久久久成人av| 美女内射精品一级片tv| 国产亚洲精品久久久com| 99热6这里只有精品| 午夜视频国产福利| 欧美日韩成人在线一区二区| 午夜免费鲁丝| 妹子高潮喷水视频| 熟女av电影| 大话2 男鬼变身卡| 日韩制服骚丝袜av| av在线播放精品| 麻豆乱淫一区二区| 成人综合一区亚洲| 伦理电影大哥的女人| 久久久久精品久久久久真实原创| 日日爽夜夜爽网站| 亚洲图色成人| 你懂的网址亚洲精品在线观看| 亚洲欧洲国产日韩| 亚洲国产精品一区三区| 韩国av在线不卡| 97超碰精品成人国产| 亚洲av日韩在线播放| 亚洲国产av影院在线观看| 久久国产亚洲av麻豆专区| 99久久人妻综合| 久久久久久久久久人人人人人人| 各种免费的搞黄视频| 插阴视频在线观看视频| 久热久热在线精品观看| 丝袜喷水一区| .国产精品久久| 99热网站在线观看| 国产精品久久久久久精品电影小说| 成人综合一区亚洲| av网站免费在线观看视频| 亚洲国产欧美在线一区| 久久国产亚洲av麻豆专区| 国产日韩欧美视频二区| 成人午夜精彩视频在线观看| 成人毛片60女人毛片免费| 国产精品国产三级国产av玫瑰| 18禁在线无遮挡免费观看视频| 国产精品蜜桃在线观看| 麻豆成人av视频| a级毛片在线看网站| 日韩三级伦理在线观看| 午夜老司机福利剧场| 国产一区有黄有色的免费视频| 岛国毛片在线播放| 日韩av不卡免费在线播放| 爱豆传媒免费全集在线观看| 日日爽夜夜爽网站| 日本黄色片子视频| 午夜免费观看性视频| 国产免费福利视频在线观看| 国产精品秋霞免费鲁丝片| 黄色怎么调成土黄色| 日韩一区二区三区影片| 日韩欧美一区视频在线观看| 永久网站在线| 亚洲一级一片aⅴ在线观看| 99久久综合免费| 三上悠亚av全集在线观看| 麻豆成人av视频| av在线观看视频网站免费| 国产亚洲午夜精品一区二区久久| 99久国产av精品国产电影| 99久久人妻综合| 性高湖久久久久久久久免费观看| 国产 一区精品| 人人澡人人妻人| 久久99热6这里只有精品| 国产精品人妻久久久久久| 国产永久视频网站| 免费久久久久久久精品成人欧美视频 | 97在线视频观看| 51国产日韩欧美| av黄色大香蕉| 国产有黄有色有爽视频| 久久久久视频综合| 日韩 亚洲 欧美在线| 欧美日本中文国产一区发布| 最近最新中文字幕免费大全7| 曰老女人黄片| 国产毛片在线视频| 国产成人精品无人区| av免费在线看不卡| 人妻人人澡人人爽人人| 久久久久久久亚洲中文字幕| 日韩av不卡免费在线播放| 午夜免费鲁丝| 91成人精品电影| 婷婷色麻豆天堂久久| 日日爽夜夜爽网站| 18禁观看日本| 国产成人精品福利久久| 精品久久蜜臀av无| 韩国高清视频一区二区三区| 国产免费现黄频在线看| 亚洲内射少妇av| 欧美亚洲日本最大视频资源| 国产熟女欧美一区二区| 久久久国产一区二区| 少妇熟女欧美另类| 天天影视国产精品| 两个人的视频大全免费| 亚洲av福利一区| 精品一区二区三区视频在线| 久久久久国产网址| 又大又黄又爽视频免费| 亚洲欧美清纯卡通| 国产精品不卡视频一区二区| 成人国产麻豆网| 国产 精品1| 欧美激情 高清一区二区三区| 欧美亚洲 丝袜 人妻 在线| 国产亚洲欧美精品永久| 国产精品99久久99久久久不卡 | 在线观看免费视频网站a站| 午夜av观看不卡| 国产精品熟女久久久久浪| 99re6热这里在线精品视频| 18禁裸乳无遮挡动漫免费视频| 超碰97精品在线观看| 国产亚洲精品第一综合不卡 | 国产在线视频一区二区| 少妇人妻久久综合中文| 我要看黄色一级片免费的| 欧美精品高潮呻吟av久久| a级毛片在线看网站| 91在线精品国自产拍蜜月| 欧美一级a爱片免费观看看| 亚洲熟女精品中文字幕| 久久国内精品自在自线图片| 亚洲人成网站在线观看播放| 国产欧美日韩综合在线一区二区| 插阴视频在线观看视频| 久久久久久久亚洲中文字幕| 2022亚洲国产成人精品| 亚洲情色 制服丝袜| 国产高清三级在线| 精品久久久久久久久亚洲| 色婷婷久久久亚洲欧美| 日韩,欧美,国产一区二区三区| freevideosex欧美| 最近中文字幕高清免费大全6| 久久久久久久久久久丰满| 三级国产精品欧美在线观看| 中文字幕最新亚洲高清| 午夜精品国产一区二区电影| 欧美三级亚洲精品| 制服人妻中文乱码| 99久久人妻综合| 两个人的视频大全免费| 免费大片18禁| 日本91视频免费播放| 日本与韩国留学比较| 免费观看的影片在线观看| 人妻一区二区av| 亚洲怡红院男人天堂| 国产精品熟女久久久久浪| 国产成人午夜福利电影在线观看| av免费观看日本| 亚洲欧美清纯卡通| 国产精品国产av在线观看| 国产熟女午夜一区二区三区 | kizo精华| 亚洲国产av新网站| a 毛片基地| 国产在线视频一区二区| 色婷婷av一区二区三区视频| 下体分泌物呈黄色| 日韩,欧美,国产一区二区三区| 最近最新中文字幕免费大全7| 狂野欧美激情性bbbbbb| 久久国产精品大桥未久av| 久久午夜综合久久蜜桃| 国产精品麻豆人妻色哟哟久久| 91国产中文字幕| 国产片特级美女逼逼视频| 欧美最新免费一区二区三区| 日韩强制内射视频| 自线自在国产av| 大话2 男鬼变身卡| 青青草视频在线视频观看| 国产日韩欧美亚洲二区| 男人操女人黄网站| 最近的中文字幕免费完整| 成年人免费黄色播放视频| 亚洲av日韩在线播放| 黄色毛片三级朝国网站| 欧美激情 高清一区二区三区| 亚洲一级一片aⅴ在线观看| 嘟嘟电影网在线观看| 纵有疾风起免费观看全集完整版| 啦啦啦视频在线资源免费观看| 亚洲丝袜综合中文字幕| 亚洲av成人精品一二三区| 99热全是精品| 日本-黄色视频高清免费观看| 少妇猛男粗大的猛烈进出视频| 久热这里只有精品99| 日本vs欧美在线观看视频| 亚洲精品中文字幕在线视频| 亚洲一区二区三区欧美精品| 国产 精品1| 我的老师免费观看完整版| 插阴视频在线观看视频| 久久鲁丝午夜福利片| 国产视频首页在线观看| 大又大粗又爽又黄少妇毛片口| 少妇人妻久久综合中文| 国产视频内射| 国产有黄有色有爽视频| 高清不卡的av网站| 色5月婷婷丁香| 在线观看三级黄色| 丝瓜视频免费看黄片| 亚洲一区二区三区欧美精品| 最后的刺客免费高清国语| 国产白丝娇喘喷水9色精品| 国产综合精华液| av视频免费观看在线观看| 日韩中文字幕视频在线看片| 老熟女久久久| 最黄视频免费看| 青春草国产在线视频| 三级国产精品欧美在线观看| 精品卡一卡二卡四卡免费| 久久久久久久久久成人| 国产国拍精品亚洲av在线观看| 精品亚洲成a人片在线观看| 久久精品国产自在天天线| 另类精品久久| 久久99精品国语久久久| 九色亚洲精品在线播放| 满18在线观看网站| 一区二区三区乱码不卡18| 日本黄色日本黄色录像| 中文字幕最新亚洲高清| 亚洲三级黄色毛片| 日日撸夜夜添| 国产爽快片一区二区三区| 91国产中文字幕| 欧美xxxx性猛交bbbb| 午夜福利在线观看免费完整高清在| 热re99久久国产66热| 伦精品一区二区三区| av一本久久久久| 精品一区二区三卡| 亚洲av.av天堂| 久久久久久久久久久丰满| 99热国产这里只有精品6| 欧美 日韩 精品 国产| 蜜臀久久99精品久久宅男| 简卡轻食公司| 视频在线观看一区二区三区| 夜夜骑夜夜射夜夜干| 女性生殖器流出的白浆| 青青草视频在线视频观看| av专区在线播放| 亚洲一级一片aⅴ在线观看| 久久久久久久国产电影| 日本与韩国留学比较| 日韩 亚洲 欧美在线| 天堂中文最新版在线下载| 亚洲高清免费不卡视频| 日韩,欧美,国产一区二区三区| 搡老乐熟女国产| 成年女人在线观看亚洲视频| 色吧在线观看| 91精品三级在线观看| 夫妻午夜视频| 中文字幕久久专区| 色婷婷av一区二区三区视频| 久久久久精品性色| 久久av网站| 国产片内射在线| 久久久久久久久久久丰满| 满18在线观看网站| 能在线免费看毛片的网站| 国产白丝娇喘喷水9色精品| 久久99热这里只频精品6学生| 熟女av电影| 伦理电影免费视频| h视频一区二区三区| 亚洲av福利一区| 少妇精品久久久久久久| 少妇人妻久久综合中文| 久久精品国产亚洲av天美| 婷婷色综合大香蕉| 飞空精品影院首页| av免费观看日本| 91精品国产九色| 观看av在线不卡| 免费黄网站久久成人精品| 搡女人真爽免费视频火全软件| 蜜桃久久精品国产亚洲av| 九九久久精品国产亚洲av麻豆| 亚洲国产精品国产精品| 日韩不卡一区二区三区视频在线| 久久精品久久久久久久性| 亚洲精品视频女| 简卡轻食公司| 边亲边吃奶的免费视频| 水蜜桃什么品种好| 欧美日韩成人在线一区二区| 在线观看www视频免费| av免费观看日本| 久久久久久人妻| 日韩制服骚丝袜av| 在线观看人妻少妇| 18禁裸乳无遮挡动漫免费视频| 久久久久久久亚洲中文字幕| 爱豆传媒免费全集在线观看| 在线观看一区二区三区激情| 一边亲一边摸免费视频| 99久久精品一区二区三区| 国产亚洲最大av| 亚洲国产精品999| 最近中文字幕高清免费大全6| 国产成人精品福利久久| 国产精品久久久久久av不卡| 波野结衣二区三区在线| 能在线免费看毛片的网站| 老司机影院毛片| 能在线免费看毛片的网站| 国产有黄有色有爽视频| 最近手机中文字幕大全| 高清黄色对白视频在线免费看| 亚洲欧美日韩另类电影网站| av播播在线观看一区| 国产欧美日韩一区二区三区在线 | 简卡轻食公司| 国产精品无大码| 熟妇人妻不卡中文字幕| 日日撸夜夜添|