• <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)CNN與SVM的手勢(shì)識(shí)別研究

    2020-12-07 06:14:15孟彩茹宋京孫明揚(yáng)
    現(xiàn)代電子技術(shù) 2020年22期
    關(guān)鍵詞:數(shù)據(jù)增強(qiáng)手勢(shì)識(shí)別圖像分割

    孟彩茹 宋京 孫明揚(yáng)

    摘? 要: 手勢(shì)識(shí)別在人機(jī)交互中起著重要的作用,然而手勢(shì)形態(tài)和背景的復(fù)雜多樣性給手勢(shì)識(shí)別過(guò)程帶來(lái)難題。為了降低特征提取的難度和提高識(shí)別準(zhǔn)確率,設(shè)計(jì)一種改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)(CNN)和支持向量機(jī)(SVM)模型來(lái)對(duì)手勢(shì)進(jìn)行識(shí)別。該模型首先對(duì)手勢(shì)圖像分割處理和數(shù)據(jù)增強(qiáng)處理,然后用Inception模塊改進(jìn)后的CNN完成對(duì)手勢(shì)特征的提取,最后通過(guò)SVM對(duì)不同手勢(shì)分類識(shí)別。實(shí)驗(yàn)結(jié)果表明,該模型在自建手勢(shì)數(shù)據(jù)集下平均識(shí)別率為98.13%,在MNIST數(shù)據(jù)集下平均識(shí)別率為98.95%,同一數(shù)據(jù)集下較傳統(tǒng)模型識(shí)別率均有提高。

    關(guān)鍵詞: 手勢(shì)識(shí)別; CNN; SVM; 特征提取; 圖像分割; 數(shù)據(jù)增強(qiáng)

    中圖分類號(hào): TN915?34; TP183? ? ? ? ? ? ? ? ? 文獻(xiàn)標(biāo)識(shí)碼: A? ? ? ? ? ? ? ? ? ? ? ?文章編號(hào): 1004?373X(2020)22?0128?04

    Abstract: Gesture recognition plays an important role in human?computer interaction. However, the complex diversity of gesture shape and background brings difficulties to the process of gesture recognition. In order to reduce the difficulty of feature extraction and improve the recognition accuracy, an improved convolution neural network (CNN) and support vector machine (SVM) model is designed to recognize gestures. In this model, the gesture image segmentation and data enhancement are performed, the CNN improved by the Inception module is used to complete the gesture features extraction, and different gestures are classified and recognized by SVM. The experimental results show that the average recognition rate of the model is 98.13% under the self?built gesture dataset and is 98.95% under the MNIST dataset, which are all higher than those of the traditional model under the same dataset.

    Keywords: gesture recognition; CNN; SVM; feature extraction; picture segmentation; data enhancement

    0? 引? 言

    手勢(shì)識(shí)別是計(jì)算機(jī)視覺(jué)領(lǐng)域中一個(gè)具有挑戰(zhàn)性的問(wèn)題,多年來(lái)一直是人們研究的熱點(diǎn)[1]。在手勢(shì)識(shí)別領(lǐng)域,研究人員使用了許多不同的算法,取得了許多成果。M Rossi等結(jié)合兩種不同結(jié)構(gòu)分類器來(lái)對(duì)手勢(shì)進(jìn)行識(shí)別,人工先提取圖像特征,用隱馬爾可夫(HMM)模型來(lái)區(qū)分?jǐn)?shù)據(jù),后用SVM對(duì)手勢(shì)肌電信號(hào)進(jìn)行識(shí)別[2]。田園等利用Kinect的深度攝像頭去獲取手部深度信息,記錄特征點(diǎn)坐標(biāo),確定手指尖位置,然后用特征點(diǎn)匹配的方法識(shí)別手勢(shì)[3]。這些方法需要人工設(shè)計(jì)提取手勢(shì)特征,這不僅是一項(xiàng)繁瑣費(fèi)時(shí)的工作,而且還會(huì)因?yàn)樘崛【鹊蛯?dǎo)致識(shí)別準(zhǔn)確率不高。近些年來(lái),深度學(xué)習(xí)在人工智能領(lǐng)域取得很大進(jìn)步。許悅雷等先利用主成分分析算法(PCA)的降維處理技術(shù)優(yōu)化CNN的權(quán)值,再用優(yōu)化后的CNN對(duì)手勢(shì)識(shí)別[4]。石雨鑫等結(jié)合CNN與隨機(jī)森林(RF)兩種算法進(jìn)行手勢(shì)識(shí)別,先對(duì)手勢(shì)進(jìn)行分割處理,接著利用CNN進(jìn)行特征提取,最后由隨機(jī)森林分類器完成手勢(shì)識(shí)別[5]。謝崢桂先對(duì)手勢(shì)圖像進(jìn)行手勢(shì)分割預(yù)處理,然后再用CNN進(jìn)行特征提取和識(shí)別[6]。

    目前手勢(shì)識(shí)別仍然具有廣泛的實(shí)際應(yīng)用和現(xiàn)實(shí)意義,如識(shí)別手語(yǔ)促進(jìn)與聾啞人的交流、加強(qiáng)控制智能機(jī)器人使用戶更加自然、輔助汽車駕駛提高安全度等。手勢(shì)識(shí)別需要一個(gè)識(shí)別率高且泛化能力強(qiáng)的模型,為此本文設(shè)計(jì)了一種改進(jìn)CNN?SVM模型用于手勢(shì)識(shí)別,該模型首先對(duì)手勢(shì)圖像進(jìn)行手勢(shì)分割處理和數(shù)據(jù)增強(qiáng)處理,然后用加入Inception模塊改進(jìn)后的CNN完成對(duì)手勢(shì)特征的提取,最后通過(guò)SVM分類識(shí)別。對(duì)手勢(shì)進(jìn)行預(yù)處理,減少模型參數(shù),降低了算法復(fù)雜度;加入Inception模塊提高了對(duì)圖像尺度的適應(yīng)性;利用SVM分類提高了模型泛化能力和準(zhǔn)確率。為驗(yàn)證模型性能,在兩種數(shù)據(jù)集下進(jìn)行了測(cè)試。實(shí)驗(yàn)結(jié)果表明,本文設(shè)計(jì)的模型較傳統(tǒng)模型泛化能力更強(qiáng),分類更準(zhǔn)確,識(shí)別率均達(dá)到98%以上。

    1? 手勢(shì)圖像的預(yù)處理

    1.1? 手勢(shì)分割處理

    為了降低手勢(shì)圖像的復(fù)雜多樣性對(duì)手勢(shì)特征提取和訓(xùn)練過(guò)程中的影響,提高特征提取和識(shí)別的可靠性,需要先對(duì)手勢(shì)圖像進(jìn)行分割處理。手勢(shì)分割的方法有很多,常見(jiàn)的有膚色分割法、輪廓分割法、SS?ROI分割法等。觀察手勢(shì)圖像,很容易看出手部膚色是區(qū)別于其他物體的首要特征,本文選用膚色分割法對(duì)手勢(shì)圖像做分割處理。首先是顏色空間的選取,因?yàn)槭植磕w色在不一樣顏色空間中有著不一樣的區(qū)域分布,顏色空間有很多種,常用的有RGB 顏色空間、HSV 顏色空間和 YCrCb 顏色空間等。因?yàn)樵赮CrCb顏色空間中,膚色基本上不受亮度的影響,膚色點(diǎn)多數(shù)都落在Cr,Cb分量上,即在膚色分割過(guò)程中有不錯(cuò)的效果和穩(wěn)定性[7]。所以本文選擇 YCrCb 空間對(duì)手勢(shì)圖像分割,手勢(shì)圖像映射到 YCrCb 空間所用關(guān)系式如下:

    1.2? 數(shù)據(jù)集增強(qiáng)處理

    為了訓(xùn)練更加有效的深度學(xué)習(xí)模型,提高模型對(duì)新圖片的適應(yīng)能力??紤]到手勢(shì)識(shí)別過(guò)程中實(shí)際情況的復(fù)雜性,如光照強(qiáng)度、手勢(shì)的方向、噪聲數(shù)據(jù)等影響,本文還對(duì)手勢(shì)圖片做了數(shù)據(jù)增強(qiáng)處理,包括對(duì)圖片的隨機(jī)上下翻轉(zhuǎn)、隨機(jī)左右翻轉(zhuǎn)、隨機(jī)裁剪、隨機(jī)設(shè)置圖片的亮度、隨機(jī)添加噪聲擾動(dòng)。

    2? 改進(jìn)的CNN與SVM混合模型

    2.1? 傳統(tǒng)CNN結(jié)構(gòu)

    卷積神經(jīng)網(wǎng)絡(luò)于1998年由Yann Lecun提出,該算法擅長(zhǎng)處理識(shí)別各種圖像[9]。卷積神經(jīng)網(wǎng)絡(luò)是一種具有深度監(jiān)督學(xué)習(xí)結(jié)構(gòu)的多層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),可以看作是由兩部分組成:自動(dòng)特征提取器和可訓(xùn)練分類器。特征提取器包含特征映射層:卷積層、池化層以及全連接層。在本文中,卷積層從原始圖像中提取基本手勢(shì)特征;池化層再進(jìn)一步提取手勢(shì)的主要特征;在全連接層中匯總可以區(qū)別手勢(shì)的各個(gè)部分特征;最后由分類器進(jìn)行手勢(shì)的預(yù)測(cè)識(shí)別。卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

    2.2? 傳統(tǒng)CNN的改進(jìn)

    2.2.1? Inception模塊

    為了降低網(wǎng)絡(luò)復(fù)雜度,提高識(shí)別準(zhǔn)確率和網(wǎng)絡(luò)模型對(duì)尺度的適應(yīng)性。本文添加Inception 模塊來(lái)限制輸入信道的數(shù)量,這樣在同一層級(jí)網(wǎng)絡(luò)上可運(yùn)行多個(gè)尺寸的濾波器,即讓網(wǎng)絡(luò)層級(jí)變得更寬而不是更深。Inception模塊最開(kāi)始出現(xiàn)于谷歌團(tuán)隊(duì)提出的GoogLeNet[10]網(wǎng)絡(luò)中,它利用3個(gè)不同大小的濾波器(1×1,3×3,5×5)對(duì)上層進(jìn)行卷積操作,并且其還可以執(zhí)行最大池化。最后全部子層的輸出連接在一起傳送至下一個(gè)模塊。Inception 結(jié)構(gòu)[11]如圖3所示。

    2.2.2? SVM分類器

    本文使用的卷積神經(jīng)網(wǎng)絡(luò)可以準(zhǔn)確地提取圖像中的手勢(shì)特征[12],在此基礎(chǔ)上,使用一些傳統(tǒng)的分類方法也能實(shí)現(xiàn)較高精度的分類。傳統(tǒng)分類方法有支持向量機(jī)分類、樸素貝葉斯分類、隨機(jī)森林分類等。其中,SVM學(xué)習(xí)[13]的超平面是距離各個(gè)類別樣本點(diǎn)最遠(yuǎn)的平面,用于分類的可靠性是機(jī)器學(xué)習(xí)工具中最好的。其采用最大類間分類平面的原則對(duì)樣本數(shù)據(jù)分類,相比于Softmax具有更強(qiáng)的泛化推廣能力和更高的識(shí)別準(zhǔn)確率。故本文選用SVM分類器替代原CNN模型中的Softmax分類器。SVM分類器替代原CNN模型中的Softmax分類器具體操作如下:

    1) 訓(xùn)練原始CNN網(wǎng)絡(luò)得到較高的識(shí)別率;

    2) 將訓(xùn)練模型中損失函數(shù)Softmax Loss更改為Hinge Loss;

    3) 將全連接層之前的學(xué)習(xí)率系數(shù)lr_mult全部改為0,固定特征提取完畢;

    4) 重新訓(xùn)練時(shí)就只訓(xùn)練最后的SVM分類器,訓(xùn)練一段時(shí)間直至CNN?SVM模型完成。

    2.3? 混合模型網(wǎng)絡(luò)結(jié)構(gòu)

    參照第2.1節(jié)傳統(tǒng)卷積網(wǎng)絡(luò)結(jié)構(gòu)圖,結(jié)合2.2節(jié),本文設(shè)計(jì)的用于手勢(shì)識(shí)別改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)由3個(gè)卷積層、3個(gè)池化層、1個(gè)全連接層、3個(gè)Inception結(jié)構(gòu)以及1個(gè)SVM分類層組成。其混合模型網(wǎng)絡(luò)結(jié)構(gòu)示意圖如圖4所示。

    3? 混合模型訓(xùn)練與測(cè)試結(jié)果分析

    本文采用自建手勢(shì)數(shù)據(jù)集訓(xùn)練和測(cè)試模型,隨后在經(jīng)典Minist數(shù)據(jù)集下驗(yàn)證。訓(xùn)練模型過(guò)程中使用隨機(jī)梯度下降法來(lái)最小化訓(xùn)練模型中的誤差,即每完成一次迭代時(shí)重新評(píng)估和更新一次權(quán)值。這個(gè)重復(fù)迭代到一定次數(shù)的過(guò)程可以找出使訓(xùn)練數(shù)據(jù)最小誤差的模型的系數(shù)。自建手勢(shì)數(shù)據(jù)集包含表示數(shù)字1~10的10種手勢(shì)如圖5所示,每種手勢(shì)有800張且手勢(shì)形態(tài)不一,共計(jì)8 000張手勢(shì)圖像。選取其中4 000張作為訓(xùn)練樣本,在訓(xùn)練過(guò)程中運(yùn)用數(shù)據(jù)增強(qiáng)技術(shù)提高模型的泛化能力,其余4 000張作為測(cè)試集,驗(yàn)證模型性能的優(yōu)劣。

    4? 結(jié)? 語(yǔ)

    本文設(shè)計(jì)了基于改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)的模型對(duì)手勢(shì)進(jìn)行識(shí)別。該模型主要修改了傳統(tǒng)CNN網(wǎng)絡(luò)結(jié)構(gòu)加入Inception模塊并結(jié)合SVM算法,首先對(duì)手勢(shì)圖像進(jìn)行分割處理和數(shù)據(jù)增強(qiáng)處理,然后利用該模型對(duì)手勢(shì)進(jìn)行識(shí)別分類。實(shí)驗(yàn)結(jié)果表明,改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)和支持向量機(jī)模型比傳統(tǒng)模型具有更好的識(shí)別性能。在接下來(lái)的研究中,將針對(duì)更加復(fù)雜的背景,如手部遮擋等情況進(jìn)行識(shí)別研究,同時(shí)嘗試多種圖像預(yù)處理算法,以求得到更精準(zhǔn)的識(shí)別率。

    參考文獻(xiàn)

    [1] 朱雯文,葉西寧.基于卷積神經(jīng)網(wǎng)絡(luò)的手勢(shì)識(shí)別算法[J].華東理工大學(xué)學(xué)報(bào)(自然科學(xué)版),2018,44(2):260?269.

    [2] ROSSI M, BENATTI S, FARELLA E, et al. Hybrid EMG classifier based on HMM and SVM for hand gesture recognition in prosthetics [C]// 2015 IEEE International Conference on Industrial Technology. Seville: IEEE, 2015: 301?311.

    [3] 田元,王學(xué)璠,王志鋒,等.基于Kinect的實(shí)時(shí)手勢(shì)識(shí)別方法[J].計(jì)算機(jī)工程與設(shè)計(jì),2018,39(6):1721?1726.

    [4] 史鶴歡,許悅雷,馬時(shí)平,等.PCA預(yù)訓(xùn)練的卷積神經(jīng)網(wǎng)絡(luò)目標(biāo)識(shí)別算法[J].西安電子科技大學(xué)學(xué)報(bào),2016,43(3):161?166.

    [5] 石雨鑫,鄧洪敏,郭偉林.基于混合卷積神經(jīng)網(wǎng)絡(luò)的靜態(tài)手勢(shì)識(shí)別[J].計(jì)算機(jī)科學(xué),2019,46(z1):165?168.

    [6] 謝錚桂.基于改進(jìn)的卷積神經(jīng)網(wǎng)絡(luò)的手勢(shì)識(shí)別的研究[J].計(jì)算機(jī)應(yīng)用與軟件,2019,36(3):192?195.

    [7] SHAIK B K, GANESAN P, KALIST V, et al. Comparative study of skin color detection and segmentation in HSV and YCbCr color space [J]. Procedia computer science, 2015, 57: 41?48.

    [8] 楊世強(qiáng),弓逯琦.基于高斯模型的手部膚色建模與區(qū)域檢測(cè)[J].中國(guó)圖象圖形學(xué)報(bào),2016,21(11):1492?1501.

    [9] 周飛燕,金林鵬,董軍.卷積神經(jīng)網(wǎng)絡(luò)研究綜述[J].計(jì)算機(jī)學(xué)報(bào),2017,40(6):1229?1251.

    [10] SZEGEDY C, LIU W, JIA Y Q, et al. Going deeper with convolutions [C]// 2015 IEEE Conference on Computer Vision and Pattern Recognition. Boston: IEEE, 2015: 17?33.

    [11] SZEGEDY C, VANHOUCKE V, IOFFE S, et al. Rethinking the inception architecture for computer vision [C]// Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Las Vegas: IEEE, 2016: 2818?2826.

    [12] 溫靜,安國(guó)艷,梁宇棟.基于CNN特征提取和加權(quán)深度遷移的單目圖像深度估計(jì)[J].圖學(xué)學(xué)報(bào),2019,40(2):248?255.

    [13] 黃孝喜,李晗雨,王榮波,等.基于卷積神經(jīng)網(wǎng)絡(luò)與SVM分類器的隱喻識(shí)別[J].數(shù)據(jù)分析與知識(shí)發(fā)現(xiàn),2018,2(10):77?83.

    猜你喜歡
    數(shù)據(jù)增強(qiáng)手勢(shì)識(shí)別圖像分割
    基于卷積神經(jīng)網(wǎng)絡(luò)的森林火災(zāi)煙霧探測(cè)算法研究
    基于深度網(wǎng)絡(luò)的車輛前后端圖像識(shí)別方法研究
    基于雙卷積神經(jīng)網(wǎng)絡(luò)的鐵路集裝箱號(hào)OCR
    基于卷積神經(jīng)網(wǎng)絡(luò)的圖像分類研究
    基于手勢(shì)識(shí)別的工業(yè)機(jī)器人操作控制方法
    基于紅外的非接觸式手勢(shì)識(shí)別系統(tǒng)設(shè)計(jì)
    基于嵌入式的智能手表設(shè)計(jì)
    一種改進(jìn)的分水嶺圖像分割算法研究
    科技視界(2016年26期)2016-12-17 16:25:03
    基于LabVIEW雛雞雌雄半自動(dòng)鑒別系統(tǒng)
    一種圖像超像素的快速生成算法
    激情视频va一区二区三区| 91精品三级在线观看| 久久久久久久精品吃奶| 精品一品国产午夜福利视频| 高清视频免费观看一区二区| 男女之事视频高清在线观看| 一区二区三区精品91| 免费在线观看黄色视频的| 久久久国产成人免费| av片东京热男人的天堂| 777米奇影视久久| 啦啦啦在线免费观看视频4| 亚洲va日本ⅴa欧美va伊人久久| 侵犯人妻中文字幕一二三四区| 亚洲五月色婷婷综合| 999精品在线视频| 亚洲全国av大片| 亚洲专区中文字幕在线| 久久久久久久国产电影| 老司机午夜福利在线观看视频| 欧美午夜高清在线| 国产精品免费视频内射| 1024香蕉在线观看| 操出白浆在线播放| 99riav亚洲国产免费| 亚洲一卡2卡3卡4卡5卡精品中文| 最新在线观看一区二区三区| 欧美日韩亚洲国产一区二区在线观看 | 青草久久国产| 欧美精品av麻豆av| 麻豆成人av在线观看| 国产精品香港三级国产av潘金莲| 精品免费久久久久久久清纯 | 亚洲片人在线观看| 男女免费视频国产| 精品午夜福利视频在线观看一区| 久久精品亚洲精品国产色婷小说| 又紧又爽又黄一区二区| 黑人巨大精品欧美一区二区蜜桃| 国产精品久久久久久精品古装| 国产欧美日韩一区二区精品| 精品福利永久在线观看| 国产成人影院久久av| 欧美日韩视频精品一区| 国产精品久久视频播放| 两性夫妻黄色片| 成年人黄色毛片网站| 亚洲人成伊人成综合网2020| 大片电影免费在线观看免费| 黑人欧美特级aaaaaa片| 窝窝影院91人妻| 免费在线观看日本一区| 国产成人精品在线电影| 国产一区二区激情短视频| 一区二区日韩欧美中文字幕| 午夜福利乱码中文字幕| 久久中文看片网| 黄色视频不卡| 在线看a的网站| 国产单亲对白刺激| 亚洲午夜精品一区,二区,三区| 亚洲国产看品久久| 亚洲精华国产精华精| 国产精品 欧美亚洲| 成年版毛片免费区| 国产蜜桃级精品一区二区三区 | 天天躁日日躁夜夜躁夜夜| 好男人电影高清在线观看| 91精品三级在线观看| 久久久国产成人免费| 99精品在免费线老司机午夜| 男人舔女人的私密视频| 极品教师在线免费播放| 中出人妻视频一区二区| 老熟妇乱子伦视频在线观看| 另类亚洲欧美激情| 久久九九热精品免费| 精品一区二区三区av网在线观看| 纯流量卡能插随身wifi吗| 美女高潮到喷水免费观看| 在线观看免费午夜福利视频| 99久久99久久久精品蜜桃| 午夜免费成人在线视频| 免费女性裸体啪啪无遮挡网站| 欧美一级毛片孕妇| 麻豆成人av在线观看| 欧美激情 高清一区二区三区| 最新的欧美精品一区二区| 制服人妻中文乱码| 日韩中文字幕欧美一区二区| 黄色视频不卡| 国产97色在线日韩免费| 成年人午夜在线观看视频| 国产精品香港三级国产av潘金莲| 欧美亚洲 丝袜 人妻 在线| 国产日韩一区二区三区精品不卡| 12—13女人毛片做爰片一| 亚洲精品美女久久av网站| 一进一出抽搐动态| 日韩免费高清中文字幕av| tube8黄色片| 狠狠狠狠99中文字幕| 成人三级做爰电影| 国产视频一区二区在线看| 欧美黄色片欧美黄色片| 久99久视频精品免费| 国产1区2区3区精品| av线在线观看网站| 51午夜福利影视在线观看| 精品午夜福利视频在线观看一区| 午夜两性在线视频| 美女高潮到喷水免费观看| 亚洲欧美激情综合另类| 免费在线观看视频国产中文字幕亚洲| 精品一区二区三卡| 高清毛片免费观看视频网站 | 看黄色毛片网站| 国产男靠女视频免费网站| 欧美日韩乱码在线| 在线播放国产精品三级| 纯流量卡能插随身wifi吗| 午夜福利在线免费观看网站| 老司机午夜福利在线观看视频| 老司机在亚洲福利影院| 1024香蕉在线观看| 国产成人av教育| 精品久久久精品久久久| 国产精品久久久人人做人人爽| 男人的好看免费观看在线视频 | 老熟妇仑乱视频hdxx| 精品久久久久久久毛片微露脸| tocl精华| 99久久精品国产亚洲精品| 久久午夜综合久久蜜桃| 国产精品永久免费网站| 啦啦啦在线免费观看视频4| 日日夜夜操网爽| 欧美精品人与动牲交sv欧美| 制服诱惑二区| 亚洲第一欧美日韩一区二区三区| 国产精品一区二区在线观看99| 久久天躁狠狠躁夜夜2o2o| 欧美丝袜亚洲另类 | 欧美午夜高清在线| 无人区码免费观看不卡| 欧美乱色亚洲激情| 午夜福利一区二区在线看| 国产色视频综合| 高清av免费在线| 国产免费男女视频| 国产91精品成人一区二区三区| 在线观看日韩欧美| 国产亚洲精品一区二区www | 亚洲中文日韩欧美视频| 国产精品香港三级国产av潘金莲| 69精品国产乱码久久久| 国产精品久久久久成人av| 日韩欧美一区二区三区在线观看 | 麻豆乱淫一区二区| 精品久久久久久久毛片微露脸| 自拍欧美九色日韩亚洲蝌蚪91| 欧美成人午夜精品| 天天添夜夜摸| 欧美国产精品一级二级三级| 999久久久精品免费观看国产| 国产一区二区三区在线臀色熟女 | 下体分泌物呈黄色| 欧美日本中文国产一区发布| 99久久综合精品五月天人人| 精品一区二区三区视频在线观看免费 | 天天影视国产精品| 成年人黄色毛片网站| 国产成人精品久久二区二区免费| 人妻 亚洲 视频| 国产熟女午夜一区二区三区| 757午夜福利合集在线观看| 欧美老熟妇乱子伦牲交| 99热网站在线观看| 黑人巨大精品欧美一区二区mp4| 成年人免费黄色播放视频| 18禁裸乳无遮挡动漫免费视频| 一边摸一边做爽爽视频免费| 久久中文字幕人妻熟女| 两个人看的免费小视频| 欧美av亚洲av综合av国产av| 欧美色视频一区免费| av电影中文网址| 黄色女人牲交| 99久久精品国产亚洲精品| 一二三四在线观看免费中文在| 99在线人妻在线中文字幕 | 午夜免费观看网址| 午夜精品久久久久久毛片777| 最近最新中文字幕大全电影3 | 午夜视频精品福利| 亚洲中文字幕日韩| 免费在线观看影片大全网站| 亚洲国产毛片av蜜桃av| 国产主播在线观看一区二区| 国产三级黄色录像| 高清黄色对白视频在线免费看| 久久精品91无色码中文字幕| www.精华液| 欧美 亚洲 国产 日韩一| 亚洲免费av在线视频| 日韩 欧美 亚洲 中文字幕| 1024香蕉在线观看| 亚洲熟妇熟女久久| 亚洲五月天丁香| 操出白浆在线播放| 色尼玛亚洲综合影院| 色综合欧美亚洲国产小说| 18禁裸乳无遮挡动漫免费视频| 美女扒开内裤让男人捅视频| av一本久久久久| 久久精品国产综合久久久| 亚洲熟女毛片儿| av线在线观看网站| a级片在线免费高清观看视频| 国产精品av久久久久免费| 午夜精品在线福利| 国产97色在线日韩免费| 大片电影免费在线观看免费| 看免费av毛片| 国产精品99久久99久久久不卡| 一级黄色大片毛片| 嫩草影视91久久| 国产精品久久久人人做人人爽| 美女高潮喷水抽搐中文字幕| 免费少妇av软件| 中文字幕人妻丝袜一区二区| 亚洲一码二码三码区别大吗| 久久精品国产99精品国产亚洲性色 | 日本wwww免费看| 9色porny在线观看| a级毛片黄视频| 久久狼人影院| 母亲3免费完整高清在线观看| 黑人猛操日本美女一级片| 在线十欧美十亚洲十日本专区| 一区二区日韩欧美中文字幕| 色精品久久人妻99蜜桃| 国产在视频线精品| 国产精品久久久人人做人人爽| 男女下面插进去视频免费观看| 在线观看午夜福利视频| 日韩 欧美 亚洲 中文字幕| 免费高清在线观看日韩| 日本vs欧美在线观看视频| 美女国产高潮福利片在线看| 一区福利在线观看| 国产av精品麻豆| 午夜精品在线福利| 深夜精品福利| 1024香蕉在线观看| 麻豆av在线久日| 国产精品一区二区在线不卡| 亚洲成人免费电影在线观看| 亚洲av美国av| 一区在线观看完整版| 国产激情欧美一区二区| 黄色女人牲交| av网站在线播放免费| 999久久久国产精品视频| 日韩人妻精品一区2区三区| 色综合婷婷激情| 欧美老熟妇乱子伦牲交| 午夜成年电影在线免费观看| 国产又爽黄色视频| 夜夜夜夜夜久久久久| 国产一区二区三区视频了| 久久99一区二区三区| 91精品国产国语对白视频| 国产一卡二卡三卡精品| 亚洲国产中文字幕在线视频| 亚洲第一av免费看| 欧美黄色淫秽网站| 99国产极品粉嫩在线观看| 十八禁人妻一区二区| 国产精品乱码一区二三区的特点 | 超碰97精品在线观看| 99国产精品一区二区蜜桃av | 日本a在线网址| 久久 成人 亚洲| 欧美老熟妇乱子伦牲交| 丰满人妻熟妇乱又伦精品不卡| 涩涩av久久男人的天堂| 操出白浆在线播放| 每晚都被弄得嗷嗷叫到高潮| 亚洲五月婷婷丁香| 一二三四在线观看免费中文在| 欧美日韩乱码在线| 天天躁日日躁夜夜躁夜夜| 亚洲熟妇熟女久久| 91大片在线观看| 一a级毛片在线观看| 性少妇av在线| 国产欧美日韩一区二区三区在线| 欧美成狂野欧美在线观看| 曰老女人黄片| 国产精品av久久久久免费| 丁香六月欧美| 岛国毛片在线播放| 99精品在免费线老司机午夜| 国产一卡二卡三卡精品| 黄色丝袜av网址大全| 欧美在线黄色| 亚洲精品乱久久久久久| videos熟女内射| 国产熟女午夜一区二区三区| 国产成人欧美| 一区在线观看完整版| 亚洲五月色婷婷综合| 久久99一区二区三区| 日韩免费高清中文字幕av| 亚洲av日韩精品久久久久久密| 午夜免费鲁丝| 99热只有精品国产| 亚洲情色 制服丝袜| 国产精品久久久人人做人人爽| 色综合欧美亚洲国产小说| 新久久久久国产一级毛片| 日本一区二区免费在线视频| 久久香蕉精品热| 国产男女超爽视频在线观看| 国产精品欧美亚洲77777| 波多野结衣一区麻豆| 精品高清国产在线一区| 国产又爽黄色视频| 中文字幕人妻丝袜制服| 亚洲avbb在线观看| 色综合婷婷激情| 变态另类成人亚洲欧美熟女 | 久久国产精品影院| 黄色视频,在线免费观看| 亚洲在线自拍视频| tube8黄色片| 久9热在线精品视频| 午夜激情av网站| 欧美日韩中文字幕国产精品一区二区三区 | 国产麻豆69| 国产精品亚洲一级av第二区| 人人妻人人澡人人爽人人夜夜| 国产精品 欧美亚洲| 韩国精品一区二区三区| 久久99一区二区三区| 精品少妇久久久久久888优播| 欧美亚洲日本最大视频资源| 母亲3免费完整高清在线观看| 国产精品永久免费网站| 无限看片的www在线观看| 国产欧美日韩一区二区三区在线| 建设人人有责人人尽责人人享有的| 人人妻人人澡人人爽人人夜夜| 亚洲免费av在线视频| 老司机在亚洲福利影院| 成人亚洲精品一区在线观看| 大片电影免费在线观看免费| 色婷婷久久久亚洲欧美| 国产精品二区激情视频| 国产成人一区二区三区免费视频网站| 国产精品美女特级片免费视频播放器 | 国产男女超爽视频在线观看| 国产激情久久老熟女| 超碰97精品在线观看| 久久久国产精品麻豆| 久久久国产一区二区| 一区二区三区激情视频| 大香蕉久久网| 成人三级做爰电影| 中文字幕制服av| 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| 韩国精品一区二区三区| 在线看a的网站| 大香蕉久久成人网| 一级片'在线观看视频| 久久精品国产a三级三级三级| 亚洲av日韩在线播放| 女人爽到高潮嗷嗷叫在线视频| 亚洲成av片中文字幕在线观看| 国产成人欧美在线观看 | a级毛片在线看网站| 99久久99久久久精品蜜桃| 欧美黑人欧美精品刺激| 大码成人一级视频| 999久久久精品免费观看国产| 69av精品久久久久久| 色婷婷av一区二区三区视频| 日日爽夜夜爽网站| 一进一出好大好爽视频| www.精华液| 精品一区二区三卡| 欧美一级毛片孕妇| 国产一区有黄有色的免费视频| 黄片大片在线免费观看| 九色亚洲精品在线播放| 性色av乱码一区二区三区2| 午夜日韩欧美国产| 精品人妻1区二区| 18在线观看网站| 亚洲一区二区三区不卡视频| 深夜精品福利| 制服人妻中文乱码| 国产男靠女视频免费网站| 女警被强在线播放| 在线观看www视频免费| 亚洲av日韩在线播放| 无限看片的www在线观看| 大陆偷拍与自拍| 国产日韩一区二区三区精品不卡| 美女午夜性视频免费| 日本撒尿小便嘘嘘汇集6| 日韩中文字幕欧美一区二区| 亚洲av日韩在线播放| 日韩免费高清中文字幕av| 亚洲性夜色夜夜综合| 成人精品一区二区免费| 国产精品二区激情视频| 国产精品 欧美亚洲| 日本欧美视频一区| 亚洲九九香蕉| e午夜精品久久久久久久| 亚洲国产精品合色在线| 色94色欧美一区二区| 男女高潮啪啪啪动态图| 美女午夜性视频免费| 99久久精品国产亚洲精品| 老熟妇仑乱视频hdxx| 国产黄色免费在线视频| 亚洲 欧美一区二区三区| 国产欧美日韩一区二区三| 日本vs欧美在线观看视频| 国产高清视频在线播放一区| 最近最新中文字幕大全免费视频| 日本vs欧美在线观看视频| 777米奇影视久久| www.自偷自拍.com| 久久99一区二区三区| 成人精品一区二区免费| 天堂动漫精品| 丰满迷人的少妇在线观看| 国产野战对白在线观看| 午夜精品久久久久久毛片777| 亚洲欧美精品综合一区二区三区| 99国产综合亚洲精品| 国产99久久九九免费精品| 怎么达到女性高潮| 国产成人av教育| 黑人操中国人逼视频| 大陆偷拍与自拍| 欧美另类亚洲清纯唯美| 乱人伦中国视频| 一进一出抽搐动态| 变态另类成人亚洲欧美熟女 | 精品第一国产精品| 欧美av亚洲av综合av国产av| 国产国语露脸激情在线看| 久久久久久免费高清国产稀缺| а√天堂www在线а√下载 | 久久国产精品大桥未久av| 国精品久久久久久国模美| 人妻一区二区av| 91大片在线观看| 国产不卡av网站在线观看| 老司机午夜福利在线观看视频| 国产一区在线观看成人免费| av天堂久久9| av有码第一页| 99国产精品一区二区三区| av网站免费在线观看视频| 欧美日韩黄片免| 国产麻豆69| 国产在线一区二区三区精| 中文字幕色久视频| 99热只有精品国产| 欧美日韩国产mv在线观看视频| 欧美精品人与动牲交sv欧美| 国产高清视频在线播放一区| 亚洲第一欧美日韩一区二区三区| 免费在线观看完整版高清| 啦啦啦在线免费观看视频4| 精品久久久久久久毛片微露脸| 女性被躁到高潮视频| 嫁个100分男人电影在线观看| 国产欧美日韩一区二区三区在线| 99久久综合精品五月天人人| 日本精品一区二区三区蜜桃| 国产在视频线精品| 亚洲人成电影观看| 国产成人欧美| 欧美一级毛片孕妇| 91精品三级在线观看| 美国免费a级毛片| 在线观看午夜福利视频| 丝瓜视频免费看黄片| 欧美成人免费av一区二区三区 | 国产精品免费大片| 国产午夜精品久久久久久| 欧美性长视频在线观看| 欧美精品一区二区免费开放| 午夜影院日韩av| av天堂久久9| 一个人免费在线观看的高清视频| 国产精品1区2区在线观看. | 超碰成人久久| 如日韩欧美国产精品一区二区三区| 精品人妻1区二区| 丰满人妻熟妇乱又伦精品不卡| 美女高潮到喷水免费观看| 欧美激情久久久久久爽电影 | 欧美激情高清一区二区三区| 亚洲欧美激情在线| 国产亚洲欧美98| 欧美午夜高清在线| 久久精品国产综合久久久| 午夜福利在线观看吧| 亚洲第一欧美日韩一区二区三区| 欧美黄色片欧美黄色片| 中文字幕精品免费在线观看视频| 成人手机av| 涩涩av久久男人的天堂| 多毛熟女@视频| 久久久久久久午夜电影 | 久久亚洲精品不卡| 真人做人爱边吃奶动态| 老鸭窝网址在线观看| 久久久久久人人人人人| 国产精品久久电影中文字幕 | 夫妻午夜视频| 色94色欧美一区二区| 亚洲专区国产一区二区| 人人妻人人澡人人看| 久久精品国产亚洲av香蕉五月 | 国产精品久久久久久人妻精品电影| 日本黄色视频三级网站网址 | 国产高清激情床上av| 久久 成人 亚洲| 电影成人av| 亚洲 国产 在线| 日韩欧美在线二视频 | 精品福利观看| bbb黄色大片| 国产主播在线观看一区二区| 国产成人精品久久二区二区免费| 一级,二级,三级黄色视频| www.自偷自拍.com| 欧美精品av麻豆av| 免费高清在线观看日韩| 亚洲欧美激情在线| 久久精品国产99精品国产亚洲性色 | 国产亚洲欧美98| 午夜福利,免费看| 不卡av一区二区三区| 成人黄色视频免费在线看| 极品少妇高潮喷水抽搐| 国产在线精品亚洲第一网站| 黄频高清免费视频| 亚洲精品中文字幕在线视频| 欧美另类亚洲清纯唯美| videosex国产| 亚洲五月色婷婷综合| 女人精品久久久久毛片| 男女床上黄色一级片免费看| 99国产精品一区二区三区| 久久香蕉激情| 午夜福利一区二区在线看| 久久精品国产综合久久久| 久久性视频一级片| 啦啦啦免费观看视频1| 日日爽夜夜爽网站| 麻豆av在线久日| 精品亚洲成国产av| 高潮久久久久久久久久久不卡| 久久久久久久精品吃奶| 丝瓜视频免费看黄片| 成人18禁高潮啪啪吃奶动态图| 一夜夜www| 少妇粗大呻吟视频| 夫妻午夜视频| 国内毛片毛片毛片毛片毛片| 老司机靠b影院| 国产精品欧美亚洲77777| 亚洲av电影在线进入| 一边摸一边做爽爽视频免费| 久久久久视频综合| 亚洲中文av在线| 欧美成人午夜精品| 成人国语在线视频| 亚洲精品美女久久久久99蜜臀| 欧美日韩精品网址| 夜夜夜夜夜久久久久| 亚洲av成人av| 一级a爱视频在线免费观看| 性少妇av在线| 十八禁网站免费在线| 欧美精品亚洲一区二区| 极品人妻少妇av视频| 日本精品一区二区三区蜜桃| 老司机在亚洲福利影院| 两人在一起打扑克的视频| 久久久久精品人妻al黑| 变态另类成人亚洲欧美熟女 | 99热国产这里只有精品6| 午夜免费观看网址| 免费日韩欧美在线观看| 无人区码免费观看不卡| 久久精品熟女亚洲av麻豆精品| www.熟女人妻精品国产| 成年人免费黄色播放视频| 又黄又粗又硬又大视频| 妹子高潮喷水视频| 又大又爽又粗| 一边摸一边做爽爽视频免费| 免费在线观看黄色视频的|