• <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 ?

    基于自歸一化神經(jīng)網(wǎng)絡(luò)的低分辨率人臉識別

    2021-02-04 14:15:56石正宇陳仁文
    計算機工程與應(yīng)用 2021年3期
    關(guān)鍵詞:低分辨率集上識別率

    石正宇,陳仁文,黃 斌

    南京航空航天大學(xué) 機械結(jié)構(gòu)力學(xué)及控制國家重點實驗室,南京210016

    人臉識別具有巨大的應(yīng)用前景,近四十年來被廣泛研究,并且涌現(xiàn)出了眾多優(yōu)秀算法。近幾年,一些基于深度學(xué)習(xí)的技術(shù)[1-2]在LFW數(shù)據(jù)集上的識別率已經(jīng)超過了99%。然而,當(dāng)涉及到監(jiān)控系統(tǒng)時,由于采集到的人臉圖片往往是低分辨率(Low-Resolution,LR)的,并且伴隨著模糊、遮擋等,這些算法的性能大大下降。利用這些低質(zhì)量的圖片進行識別,被稱為低分辨率人臉識別(Low-Resolution Face Recognition,LRFR)問題。

    現(xiàn)有的LRFR方法可以大致上分為兩類,其中一類是超分辨率重構(gòu)法,即提高待測圖像的分辨率再使用傳統(tǒng)的人臉識別方法進行識別[3]。傳統(tǒng)的超分辨率重構(gòu)方法會模糊圖像細(xì)節(jié),比如紋理和邊緣,因此Wang等人[4]使用深度神經(jīng)網(wǎng)絡(luò),并巧妙地構(gòu)造了損失函數(shù),在監(jiān)控數(shù)據(jù)集上驗證了算法的有效性。盡管這些方法可以一定程度上恢復(fù)低分辨率圖像,但深層網(wǎng)絡(luò)結(jié)構(gòu)往往會帶來巨大的計算量和時間消耗,因此不適用于實際應(yīng)用。此外,大部分超分辨率重構(gòu)法的目標(biāo)在于恢復(fù)LR 圖片的視覺效果,而非針對模型的識別效果。因此,重構(gòu)得到的圖片中沒有判別性信息的增加,甚至?xí)砣哂嘈畔?,從而降低最終的識別率[5]。

    另一類方法是子空間法,相比于超分辨率重構(gòu)法更直接,即采用映射函數(shù)將高低分辨率圖片映射到統(tǒng)一的特征空間中,在這個特征空間里,不同分辨率圖像特征之間的距離最小?;诰€性判別分析,文獻[6-7]提出了幾種具有判別性的子空間方法;Ren等人[8]采用Gram核函數(shù)計算不同特征之間的差異性,并將其最小化,從而獲得映射函數(shù);Biswas等人[9]提出多維縮放方法(MDS),使得待測圖像以及高分辨率(High-Resolution,HR)樣本圖像之間的距離與樣本圖之間的距離大致相等;為減少計算成本,Biswas 等人提出了更靈活的框架[10],在特征提取階段不借助特征點標(biāo)定;文獻[5]基于判別相關(guān)性分析(Discriminant Correlation Analysis,DCA),將高低分辨率圖片映射至同一特征空間,不僅解決了特征向量維度不匹配的問題,同時也使對應(yīng)的HR-LR 圖片之間相關(guān)性最大;Yang 等人[11]提出兩種基于MDS 的方法(DMDS和LDMDS),除了不同特征之間的距離,還考慮到它們之間的相似度,并取得了很好的效果。

    由于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)的優(yōu)良表現(xiàn),Zeng等人[12]采用深度網(wǎng)絡(luò)(RICNN),將HR 圖片和上采樣后的LR 圖片混合,從中學(xué)習(xí)分辨率不變性特征表達。文獻[13]指出,盡管RICNN提高了LRFR的精度,該方法對于待測低分辨率圖片的分辨率變化十分敏感。為了解決這一問題,Lu等人[13]基于ResNet提出了深度耦合殘差網(wǎng)絡(luò)(Deep Coupled ResNet,DCR),該模型的損失函數(shù)與文獻[11]是相同的思路,即類內(nèi)距最小,類間距最大,同時特征空間中高分辨率及其對應(yīng)的低分辨率圖片之間的距離最小。

    盡管DCR方法在SCface數(shù)據(jù)集上取得了很高的識別率,但同時深度網(wǎng)絡(luò)也伴隨著巨大的計算量,為解決這一問題,本文提出一種輕型判別性自歸一化神經(jīng)網(wǎng)絡(luò)(Light Discriminative Self-normalizing Neural Network,LDSNN),在模型的訓(xùn)練階段,網(wǎng)絡(luò)從高低分辨率圖片中提取特征并將其映射到子空間中。訓(xùn)練完成后使用SVM進行分類,本文的主要創(chuàng)新點如下:

    (1)基于PydMobileNet[14]設(shè)計出高效CNN 結(jié)構(gòu)用于特征提取。

    (2)優(yōu)化損失函數(shù)以擴大類間距,同時加入center loss[15]約束以縮小類內(nèi)差異。

    (3)引入縮放線性指數(shù)單元,加速網(wǎng)絡(luò)的收斂。

    多個數(shù)據(jù)集上的實驗結(jié)果表明了本文算法相比于現(xiàn)有方法有一定提高。

    1 LDSNN的模型結(jié)構(gòu)

    1.1 特征提取及耦合映射

    由于其杰出性能,CNN 被廣泛用于特征提取。在人臉檢測與對齊階段,采用了能較好地檢測低分辨率人臉的MTCNN[16]。文獻[4]指出,在低分辨率圖片的特征提取中,深層網(wǎng)絡(luò)結(jié)構(gòu)以及過大的通道數(shù)會降低模型性能,因此本文采用了合適的卷積核大小以及通道數(shù),設(shè)計出高效CNN,網(wǎng)絡(luò)的基本組成是瓶頸狀的殘差結(jié)構(gòu),如圖1所示。

    圖1 殘差模塊

    殘差結(jié)構(gòu)用于控制深度可分離卷積(Depthwise Separable Convolution,DWC)的維度,該結(jié)構(gòu)中使用3個不同大小的卷積核取代傳統(tǒng)的3×3 卷積核來進行DWC卷積操作,并將得到的特征圖級聯(lián),相比傳統(tǒng)3×3卷積而言能獲得更多的空間語義信息。級聯(lián)之后繼續(xù)經(jīng)過1×1卷積和SELU[17]激活函數(shù)得到模塊的輸出。左側(cè)虛線表示當(dāng)步長為1的時候不進行1×1卷積操作,步長為2 的時候進行,并與前面得到的特征圖相加。以FERET數(shù)據(jù)集上的實驗為例,具體的網(wǎng)絡(luò)結(jié)構(gòu)如表1所示,共包含6個殘差模塊。

    每個卷積層都伴隨SELU激活函數(shù),定義如下:

    表1 網(wǎng)絡(luò)結(jié)構(gòu)

    文獻[17]中證明了取λ≈1.050 7 和α≈1.673 3 可以使得神經(jīng)元輸出逼近于零均值和單位方差,通過數(shù)層前向傳播最終輸出也會收斂到零均值和單位方差,這種收斂屬性使學(xué)習(xí)更具魯棒性。本文中λ和α的取值與文獻[17]相同,SELU與ReLU函數(shù)的對比如圖2所示。

    圖2 SELU和ReLU激活函數(shù)

    如圖3所示,相同的參數(shù)設(shè)置下,使用SELU激活函數(shù)的網(wǎng)絡(luò),loss值下降得更快,說明SELU激活函數(shù)相比傳統(tǒng)的批歸一化(Batch Normalization,BN)與ReLU 組合能更快地使網(wǎng)絡(luò)收斂。

    圖3 兩種激活函數(shù)的對比

    將提取出的特征映射至160維的特征空間中,作為耦合映射階段的輸出,為了進一步穩(wěn)定訓(xùn)練過程并減少在小數(shù)據(jù)集上的過擬合,本文還采用了L2正則化。

    1.2 損失函數(shù)及優(yōu)化

    耦合映射階段160 維的特征向量構(gòu)成了損失函數(shù)的輸入,具體結(jié)構(gòu)如圖4 所示(圖中n表示輸入樣本的類別數(shù))。

    耦合傳統(tǒng)的Softmax 損失函數(shù)并不能優(yōu)化特征從而使得正樣本有更高的相似度,同時負(fù)樣本有更低的相似度。為了擴大決策邊界,本文在損失函數(shù)中加入了CosineFace[18]約束,不同分辨率圖片提取到的特征之間的類間距定義如下:

    圖4 損失函數(shù)的組成

    約束條件為:

    式中,xi和zi分別表示高低分辨率圖片中對應(yīng)著標(biāo)簽yi的第i個特征向量,n表示輸入樣本的類別數(shù),N表示每一批的訓(xùn)練樣本數(shù)。Wj表示第j類的權(quán)值向量,Wj與xi之間的夾角用θj表示。本文的實驗中添加約束,m取值為0.5。

    為了更好地利用類別信息,本文采用了center loss,從而最小化類內(nèi)距,使得相同類別的特征之間更緊湊,定義如下:

    為了保證HR 及其對應(yīng)的LR 特征之間的一致性,本文添加了歐式距離約束,定義如下:

    最終的損失函數(shù)定義為:

    當(dāng)loss不再下降時停止訓(xùn)練,將樣本圖以及待測圖都輸入到LDSNN 模型中以獲得相應(yīng)的特征向量,并采用SVM 分類器進行分類,本文中采用的核函數(shù)為線性核函數(shù)。

    2 實驗及分析

    在所有的實驗中,λ1和λ2都設(shè)置為0.001,并且將特征向量的維數(shù)設(shè)為160。由于訓(xùn)練數(shù)據(jù)中存在著低質(zhì)量的圖片,為了進一步減少過擬合,本文采用了Drop-Block[19]方法,實驗表明最佳參數(shù)設(shè)置為block_size=3 以及keep_prob=0.8。本文深度學(xué)習(xí)框架使用TensorFlow,采用Xavier 參數(shù)初始化,初始學(xué)習(xí)率設(shè)置為0.01,總迭代輪數(shù)(Epoch)為300,每迭代75 輪學(xué)習(xí)率衰減為之前的0.1倍,權(quán)重衰減(Weight Decay)設(shè)置為0.000 1,輸入批次大?。˙atch Size)為64,采用動量(p=0.9)的標(biāo)準(zhǔn)動量優(yōu)化法(Momentum)進行權(quán)重的更新。

    關(guān)于LRFR的研究,由于缺少由監(jiān)控攝像頭拍攝到的低分辨率數(shù)據(jù)集,大多數(shù)研究都是基于高分辨率數(shù)據(jù)集比如FERET[20],將高分辨率圖片降采樣得到LR 圖片,這顯然跟實際中的監(jiān)控情況有所差別[23]。在FERET數(shù)據(jù)集中鮮有模糊、遮擋的圖片,因此有必要在更具挑戰(zhàn)性的監(jiān)控數(shù)據(jù)集上進行實驗,比如UCCSface[21]和SCface[22],更接近現(xiàn)實情況。本文將提出的LDSNN 與現(xiàn)有的DMDS、LDMDS[11]以及RICNN[12]等方法進行了對比,實驗表明本文的方法在三個數(shù)據(jù)集上的識別率均有較大的提升。所有實驗結(jié)果中的識別率均為rank-1識別率。

    2.1 在FERET數(shù)據(jù)集上測試

    與文獻[11]一致,本文的實驗采用了FERET的一個子集,其中包括200類,有著不同的姿態(tài)、表情以及光照條件,如圖5所示。

    圖5 FERET數(shù)據(jù)集中相對應(yīng)的高低分辨率圖片

    隨機選取50 類用于訓(xùn)練LDSNN 模型,剩余的150類用于測試,高低分辨率圖片的分辨率分別為32×32和8×8。訓(xùn)練結(jié)束后,每類選取三張降采樣至8×8 作為待測圖,剩余四張作為樣本圖。在本文的方法中,通過對損失函數(shù)的改進可以逐步提高最終的識別率,如圖6所示。

    圖中,橫軸上從左往右對應(yīng)的四個損失函數(shù)分別是:Softmax loss、CosineFace loss、CosineFace loss+center loss、CosineFace loss+center loss+Euclidean loss,可以看出隨著損失函數(shù)的改進,模型的性能也在逐步提高。

    圖6 損失函數(shù)與識別率的關(guān)系

    不同的DropBlock 參數(shù)設(shè)置對識別結(jié)果的影響如圖7所示,圖中橫軸表示不同的keep_prob值,可以看出當(dāng)block_size和keep_prob分別取值為3和0.8時,模型性能最佳。文獻[19]指出,當(dāng)block_size=1 時,DropBlock就退化為dropout,顯然該方法優(yōu)于傳統(tǒng)的dropout。

    圖7 不同參數(shù)設(shè)置對識別率的影響

    本文也探索了特征空間的維度對識別結(jié)果的影響,并選取160作為實驗設(shè)置,如圖8所示。

    圖8 特征空間的維數(shù)與識別率的關(guān)系

    文獻[15]指出,更大的特征維度相比小維度而言,會需要更多的訓(xùn)練迭代次數(shù)來達到最優(yōu),因此計算量更大。損失函數(shù)中超參數(shù)m對結(jié)果的影響如圖9所示,當(dāng)m取值從0.25 增加到0.4 時,識別率顯著增加??梢钥闯?,當(dāng)m在0.4到0.5之間時可以取得最佳效果。

    不同的m取值下,特征分布可視化效果如圖10 所示。顯然,隨著m的增加,特證空間中不同類別之間的距離也隨之增大,從而擴大決策邊界,使特征更具判別性。

    圖9 超參數(shù)m 對識別率的影響

    圖10 不同的m 取值對特征分布的影響

    不同各種方法的rank-1識別率對比如表2所示。在相同的實驗設(shè)置下,文獻[11]使用了四次雙線性插將低分辨率圖片上采樣到所需大小,本文提出的LDSNN 在圖片預(yù)處理過程中僅采用了簡單的雙三次插值,相比文獻[11]的方法大大簡化,且識別率提高了超過2%,表明了該算法的有效性。

    表2 FERET數(shù)據(jù)集上的識別率對比

    2.2 在UCCSface數(shù)據(jù)集上測試

    UCCSface數(shù)據(jù)集是由1 800萬像素的攝像頭在100~150 m 距離拍攝到的學(xué)生圖片,該數(shù)據(jù)集有超過70 000個人臉區(qū)域,其中很少有正臉或者無遮擋的圖片,是非限制場景下戶外人臉識別領(lǐng)域新的基準(zhǔn)數(shù)據(jù)集。本文的實驗設(shè)置與文獻[21,23]一致,共選出180 類,每類都不少于15 張圖,其中10 張用于訓(xùn)練LDSNN 模型,剩余的5 張或更多圖片用于測試。本文將裁剪出的人臉區(qū)域規(guī)范化為80×80,作為HR 圖片,并將其降采樣至16×16作為對應(yīng)的LR圖片。初始學(xué)習(xí)率設(shè)為0.01時訓(xùn)練集與驗證集的loss和訓(xùn)練周期的關(guān)系如圖11所示,可以看出訓(xùn)練集和驗證集的loss曲線都在持續(xù)下降,走勢基本相同,說明并沒有出現(xiàn)過擬合現(xiàn)象。

    圖11 訓(xùn)練集與驗證集的loss和訓(xùn)練周期的關(guān)系

    現(xiàn)有的性能最佳的方法是文獻[23]中,rank-1 識別率達到了93.4%。不同方法的性能對比如表3 所示,可以看出本文提出的模型相比現(xiàn)有方法性能得到了一定的提升??紤]到DNN 模型在訓(xùn)練階段使用了4 500 張圖片,本文僅采用了1 800 張,計算量大大減小,這也表明本文模型能夠處理現(xiàn)實中的監(jiān)控圖片。

    表3 UCCSface數(shù)據(jù)集上的識別率對比

    2.3 在SCface數(shù)據(jù)集上測試

    該數(shù)據(jù)集共有130類,每類包括了監(jiān)控攝像頭在三個不同距離4.2 m(d1),2.60 m(d2),以及1.00 m(d3)距離下拍攝到的共15張圖(每個距離3張),以及一張高清正臉圖。與文獻[11]一致,將d3 距離下拍攝的圖片規(guī)范化至48×48,作為高分辨率圖片,將d2 距離下拍攝的圖片降采樣至16×16作為低分辨率圖片。

    隨機選取80 類作為訓(xùn)練集,剩余50 類用于測試。如表4所示,LDSNN算法平均識別率達到了84.56%,比現(xiàn)有的最佳算法LDMDS提高了3個百分點。

    表4 SCface數(shù)據(jù)集上的識別率對比

    2.4 實驗結(jié)果分析

    在3 個數(shù)據(jù)集上,LDSNN 的識別率相比現(xiàn)有算法均得到了提升。對比實驗結(jié)果可以得出,盡管FERET數(shù)據(jù)集上的訓(xùn)練樣本最少,但相對于現(xiàn)實場景中的模糊遮擋等情況,標(biāo)準(zhǔn)數(shù)據(jù)集中的人臉圖片更易于識別。同時,UCCSface數(shù)據(jù)集上的訓(xùn)練樣本最多,因此識別率也達到了較高的水平。

    用LDSNN 模型從SCface 數(shù)據(jù)集中不同的LR 圖片中提取特征,并計算特征間的歐氏距離,如圖12,數(shù)值越小表明圖片越相似??梢钥闯鱿嗤悇e的圖片之間歐氏距離較小,不同類別的圖片之間歐氏距離較大,這表明本文的方法能夠縮小類內(nèi)距,擴大類間距,從而使提取出的特征更具判別性。

    圖12 不同圖片之間的歐氏距離(×10-9)

    如圖13 所示,從左到右分別表示8×8、12×12 以及16×16 分辨率下的特征分布可視化結(jié)果,由于LDSNN模型結(jié)合了高低分辨率圖片中的信息,其特征分布抱團性良好,即使在極低分辨率的情況下(如8×8),其特征空間中的分布依然具有可分性,因此適用于低分辯率人臉識別任務(wù)。

    圖13 不同分辨率下的特征分布結(jié)果

    然而,在非限制場景下,監(jiān)控設(shè)備捕捉到的人臉圖片往往伴隨著一定的遮擋或角度傾斜,如圖14 所示為UCCSface 中的誤判樣本,由于遮擋造成低分辨率圖片中有效信息減少,模型難以識別。應(yīng)對這種情況,可以通過增加訓(xùn)練樣本的數(shù)量來提高識別率。

    圖14 UCCSface數(shù)據(jù)集中的誤判樣本

    3 結(jié)束語

    本文提出了一種新的基于自歸一化神經(jīng)網(wǎng)絡(luò)的耦合映射方法——LDSNN,可以從圖片中學(xué)習(xí)到具有判別性的特征,并將其映射到子空間中。在子空間內(nèi),優(yōu)化Softmax 函數(shù)使得不同的類別之間的特征更稀疏,并且引入類內(nèi)距以及歐氏距離約束,從而使相同類別的HR及LR圖片更緊湊。在標(biāo)準(zhǔn)數(shù)據(jù)集FERET以及兩個監(jiān)控數(shù)據(jù)集UCCSface 和SCface 上的實驗結(jié)果表明本文的方法相比現(xiàn)有的算法有一定程度的提升,有實際應(yīng)用價值。

    盡管LDSNN 在多個數(shù)據(jù)集上的表現(xiàn)均優(yōu)于主流算法,但當(dāng)人臉圖片帶有遮擋或一定傾斜角度時,模型難以對其正確分類,這也是進一步的研究目標(biāo),實際應(yīng)用中可以通過豐富訓(xùn)練數(shù)據(jù)等方法來提高模型的泛化能力。

    猜你喜歡
    低分辨率集上識別率
    基于全局和局部特征集成的低分辨率人臉識別方法
    紅外熱成像中低分辨率行人小目標(biāo)檢測方法
    基于偏移學(xué)習(xí)的低分辨率人體姿態(tài)估計
    Cookie-Cutter集上的Gibbs測度
    基于類圖像處理與向量化的大數(shù)據(jù)腳本攻擊智能檢測
    計算機工程(2020年3期)2020-03-19 12:24:50
    鏈完備偏序集上廣義向量均衡問題解映射的保序性
    基于真耳分析的助聽器配戴者言語可懂度指數(shù)與言語識別率的關(guān)系
    樹木的低分辨率三維模型資源創(chuàng)建實踐
    提升高速公路MTC二次抓拍車牌識別率方案研究
    復(fù)扇形指標(biāo)集上的分布混沌
    日本五十路高清| 亚洲人成网站高清观看| 午夜亚洲福利在线播放| 亚洲av日韩精品久久久久久密| 男女下面进入的视频免费午夜 | 国产激情偷乱视频一区二区| 精品午夜福利视频在线观看一区| 99久久国产精品久久久| 久久亚洲真实| 琪琪午夜伦伦电影理论片6080| 一区二区日韩欧美中文字幕| 午夜影院日韩av| xxx96com| 亚洲欧洲精品一区二区精品久久久| 97超级碰碰碰精品色视频在线观看| 欧美日韩福利视频一区二区| 欧美成狂野欧美在线观看| 真人一进一出gif抽搐免费| 操出白浆在线播放| 精品无人区乱码1区二区| 国产成人一区二区三区免费视频网站| 久久香蕉激情| 成人手机av| 麻豆av在线久日| 日本a在线网址| 男女之事视频高清在线观看| 亚洲七黄色美女视频| 欧美在线一区亚洲| 母亲3免费完整高清在线观看| 免费高清在线观看日韩| 丝袜美腿诱惑在线| 黄频高清免费视频| 国产1区2区3区精品| 俄罗斯特黄特色一大片| 黄色视频,在线免费观看| 国产亚洲欧美在线一区二区| 国产av不卡久久| 亚洲,欧美精品.| 深夜精品福利| 日韩三级视频一区二区三区| 19禁男女啪啪无遮挡网站| 女性生殖器流出的白浆| 女性生殖器流出的白浆| 91成年电影在线观看| 美女高潮到喷水免费观看| 变态另类丝袜制服| 日韩视频一区二区在线观看| 欧美性猛交╳xxx乱大交人| 欧美性猛交╳xxx乱大交人| 国产精品av久久久久免费| 国产精品av久久久久免费| 久久久久久久精品吃奶| 男人的好看免费观看在线视频 | 日韩欧美三级三区| 国产精品久久久久久精品电影 | 人妻久久中文字幕网| 在线播放国产精品三级| 国产人伦9x9x在线观看| 两个人看的免费小视频| 波多野结衣巨乳人妻| 91老司机精品| 欧美大码av| 成人欧美大片| 黑人操中国人逼视频| 在线观看舔阴道视频| 欧美 亚洲 国产 日韩一| 欧美绝顶高潮抽搐喷水| 又黄又爽又免费观看的视频| 色老头精品视频在线观看| 婷婷精品国产亚洲av| 精品国产超薄肉色丝袜足j| 欧美日韩黄片免| 韩国精品一区二区三区| 女人高潮潮喷娇喘18禁视频| 日韩欧美国产一区二区入口| 亚洲精品在线观看二区| 丁香欧美五月| 久久婷婷人人爽人人干人人爱| 亚洲av成人av| 日本精品一区二区三区蜜桃| 91成年电影在线观看| 天堂√8在线中文| 亚洲第一青青草原| 免费av毛片视频| 国产精品一区二区三区四区久久 | 国产真实乱freesex| 十分钟在线观看高清视频www| 久久久久国产一级毛片高清牌| 中文在线观看免费www的网站 | 中文在线观看免费www的网站 | 9191精品国产免费久久| 国产精品乱码一区二三区的特点| 欧美日韩精品网址| 一区二区三区高清视频在线| 2021天堂中文幕一二区在线观 | 欧美丝袜亚洲另类 | 精品国产国语对白av| 中文字幕精品免费在线观看视频| 国产精品1区2区在线观看.| 不卡一级毛片| 久久香蕉精品热| 国产免费男女视频| 亚洲 欧美一区二区三区| 亚洲在线自拍视频| 露出奶头的视频| 1024视频免费在线观看| 给我免费播放毛片高清在线观看| 国产真实乱freesex| 婷婷丁香在线五月| 国产精品一区二区免费欧美| 成人永久免费在线观看视频| 亚洲专区国产一区二区| 大型黄色视频在线免费观看| 国产一区在线观看成人免费| 国产欧美日韩精品亚洲av| 最近最新中文字幕大全免费视频| 午夜福利视频1000在线观看| 两人在一起打扑克的视频| 国产亚洲欧美精品永久| 午夜久久久久精精品| 成人永久免费在线观看视频| 丝袜在线中文字幕| 男人舔女人下体高潮全视频| АⅤ资源中文在线天堂| 日韩欧美免费精品| 母亲3免费完整高清在线观看| 欧美日韩福利视频一区二区| 色综合欧美亚洲国产小说| 50天的宝宝边吃奶边哭怎么回事| av电影中文网址| 精品不卡国产一区二区三区| 人人妻,人人澡人人爽秒播| 久久亚洲精品不卡| 国产一区二区激情短视频| 黄频高清免费视频| 国产熟女午夜一区二区三区| 国产v大片淫在线免费观看| 国内精品久久久久精免费| 两性午夜刺激爽爽歪歪视频在线观看 | 黄色视频,在线免费观看| 久久久久久久精品吃奶| 女警被强在线播放| 亚洲男人的天堂狠狠| 精品久久久久久久久久免费视频| 女人爽到高潮嗷嗷叫在线视频| 亚洲人成网站在线播放欧美日韩| 欧美日本亚洲视频在线播放| 亚洲av美国av| 免费人成视频x8x8入口观看| 日本一区二区免费在线视频| 法律面前人人平等表现在哪些方面| 免费观看精品视频网站| 日韩国内少妇激情av| 国语自产精品视频在线第100页| 国产精品98久久久久久宅男小说| 婷婷精品国产亚洲av在线| 1024香蕉在线观看| 欧美激情高清一区二区三区| av视频在线观看入口| 可以在线观看的亚洲视频| √禁漫天堂资源中文www| 国产伦在线观看视频一区| 日韩中文字幕欧美一区二区| 亚洲国产精品999在线| 久久香蕉国产精品| 满18在线观看网站| 最近在线观看免费完整版| 日韩欧美在线二视频| 国产精品亚洲美女久久久| 亚洲国产欧美日韩在线播放| 欧美黑人精品巨大| 黑丝袜美女国产一区| 亚洲色图 男人天堂 中文字幕| 欧美另类亚洲清纯唯美| 色播在线永久视频| 久久精品91蜜桃| 美女午夜性视频免费| av有码第一页| 又大又爽又粗| 精品久久蜜臀av无| 日韩大尺度精品在线看网址| 亚洲国产精品合色在线| 亚洲真实伦在线观看| 亚洲av成人av| 精品久久久久久久末码| 欧美成人免费av一区二区三区| 中文字幕av电影在线播放| 亚洲自偷自拍图片 自拍| 亚洲中文字幕日韩| 国产精品香港三级国产av潘金莲| 久久久精品欧美日韩精品| 久99久视频精品免费| 成人18禁高潮啪啪吃奶动态图| 亚洲av五月六月丁香网| 午夜福利高清视频| 国产精品,欧美在线| 亚洲aⅴ乱码一区二区在线播放 | 真人一进一出gif抽搐免费| 欧洲精品卡2卡3卡4卡5卡区| 波多野结衣巨乳人妻| 又紧又爽又黄一区二区| 亚洲国产精品999在线| 淫秽高清视频在线观看| 国产色视频综合| 久久午夜综合久久蜜桃| 老司机在亚洲福利影院| 在线视频色国产色| 久久久久久大精品| 桃红色精品国产亚洲av| 少妇的丰满在线观看| 黄色a级毛片大全视频| 美女国产高潮福利片在线看| 波多野结衣高清无吗| 日韩欧美三级三区| a级毛片在线看网站| 免费在线观看亚洲国产| 日韩大尺度精品在线看网址| 午夜两性在线视频| 999精品在线视频| 国产精品久久久人人做人人爽| 日韩av在线大香蕉| e午夜精品久久久久久久| 日本一本二区三区精品| 亚洲国产高清在线一区二区三 | 日本免费a在线| 国产麻豆成人av免费视频| 高潮久久久久久久久久久不卡| 久热爱精品视频在线9| 国产一区在线观看成人免费| 久久中文看片网| 亚洲成人国产一区在线观看| 看片在线看免费视频| 欧美日本亚洲视频在线播放| 十八禁人妻一区二区| 成人国产一区最新在线观看| 欧美又色又爽又黄视频| 国产不卡一卡二| 国产精品自产拍在线观看55亚洲| 欧美人与性动交α欧美精品济南到| 观看免费一级毛片| 777久久人妻少妇嫩草av网站| 国产一区在线观看成人免费| 日本免费a在线| 免费在线观看亚洲国产| 一级毛片精品| 丝袜在线中文字幕| 亚洲熟妇熟女久久| 亚洲成av人片免费观看| 久久午夜综合久久蜜桃| 国产精品免费视频内射| 久久精品aⅴ一区二区三区四区| 夜夜爽天天搞| 午夜久久久在线观看| 国产精品国产高清国产av| 日韩精品青青久久久久久| 天堂√8在线中文| 国产欧美日韩一区二区精品| 欧美一级a爱片免费观看看 | 一区二区三区激情视频| 欧美在线黄色| 18禁美女被吸乳视频| 久久久久国产一级毛片高清牌| 又黄又粗又硬又大视频| 搡老岳熟女国产| 91av网站免费观看| 99久久综合精品五月天人人| 亚洲自偷自拍图片 自拍| 美女大奶头视频| 丝袜美腿诱惑在线| 两人在一起打扑克的视频| 亚洲国产日韩欧美精品在线观看 | 国产高清激情床上av| 亚洲黑人精品在线| 法律面前人人平等表现在哪些方面| 国产精品98久久久久久宅男小说| 色综合亚洲欧美另类图片| 午夜免费激情av| 日韩大尺度精品在线看网址| ponron亚洲| 国产精品爽爽va在线观看网站 | 久久青草综合色| 久久久久久人人人人人| av有码第一页| 午夜激情福利司机影院| 欧美乱码精品一区二区三区| 久久人人精品亚洲av| 成人亚洲精品一区在线观看| 老司机午夜十八禁免费视频| 亚洲av成人一区二区三| 女人高潮潮喷娇喘18禁视频| 制服丝袜大香蕉在线| 精品日产1卡2卡| 国产黄片美女视频| 久久婷婷人人爽人人干人人爱| 日韩高清综合在线| 国产片内射在线| 一边摸一边做爽爽视频免费| 国产精品二区激情视频| 男人操女人黄网站| 我的亚洲天堂| 一进一出抽搐gif免费好疼| a级毛片a级免费在线| 亚洲成国产人片在线观看| 免费无遮挡裸体视频| 精品人妻1区二区| 亚洲av日韩精品久久久久久密| 欧美日韩一级在线毛片| 中文字幕高清在线视频| 国产男靠女视频免费网站| 国产精品自产拍在线观看55亚洲| 在线av久久热| 两性午夜刺激爽爽歪歪视频在线观看 | xxx96com| 夜夜看夜夜爽夜夜摸| 一进一出好大好爽视频| 午夜福利视频1000在线观看| 久久青草综合色| 亚洲成人久久性| 91成年电影在线观看| 少妇的丰满在线观看| 国产精品99久久99久久久不卡| 91麻豆精品激情在线观看国产| 久久性视频一级片| 丁香六月欧美| 神马国产精品三级电影在线观看 | 国产精品自产拍在线观看55亚洲| 久久精品国产99精品国产亚洲性色| 婷婷精品国产亚洲av| 国产精品一区二区三区四区久久 | 午夜免费鲁丝| www.自偷自拍.com| 亚洲精品中文字幕一二三四区| 国产成人啪精品午夜网站| 侵犯人妻中文字幕一二三四区| 老汉色av国产亚洲站长工具| 国产麻豆成人av免费视频| 91在线观看av| 国产真人三级小视频在线观看| 日韩大码丰满熟妇| 欧美成人午夜精品| 亚洲精品美女久久久久99蜜臀| x7x7x7水蜜桃| 又黄又爽又免费观看的视频| 色综合亚洲欧美另类图片| 禁无遮挡网站| 人妻丰满熟妇av一区二区三区| 日韩免费av在线播放| 欧美成人性av电影在线观看| 精品久久久久久久久久久久久 | 两个人免费观看高清视频| 91国产中文字幕| netflix在线观看网站| 男女做爰动态图高潮gif福利片| 久久午夜亚洲精品久久| 国产成人精品久久二区二区免费| 亚洲自拍偷在线| 中国美女看黄片| 50天的宝宝边吃奶边哭怎么回事| 男人舔奶头视频| 亚洲av第一区精品v没综合| 久久午夜综合久久蜜桃| www.自偷自拍.com| 制服丝袜大香蕉在线| √禁漫天堂资源中文www| 999精品在线视频| 久久中文字幕人妻熟女| 熟女少妇亚洲综合色aaa.| 亚洲精品中文字幕在线视频| 香蕉丝袜av| 九色国产91popny在线| 亚洲全国av大片| 大型av网站在线播放| 成人18禁高潮啪啪吃奶动态图| 久久久久久人人人人人| 俄罗斯特黄特色一大片| 成人18禁在线播放| 999久久久国产精品视频| 久久人妻福利社区极品人妻图片| 精品日产1卡2卡| 久久精品91蜜桃| 精品国产乱码久久久久久男人| 91大片在线观看| 婷婷精品国产亚洲av在线| 国产精品 国内视频| 可以在线观看毛片的网站| 97人妻精品一区二区三区麻豆 | 国产精品 欧美亚洲| www.自偷自拍.com| 免费人成视频x8x8入口观看| 日日夜夜操网爽| 无遮挡黄片免费观看| 俺也久久电影网| 国产成+人综合+亚洲专区| 国产91精品成人一区二区三区| 久久久精品国产亚洲av高清涩受| 婷婷精品国产亚洲av| 90打野战视频偷拍视频| 色尼玛亚洲综合影院| 男人舔奶头视频| 国产精品 国内视频| 久久 成人 亚洲| 亚洲精品久久成人aⅴ小说| 欧美日韩一级在线毛片| 婷婷精品国产亚洲av| 国产精品自产拍在线观看55亚洲| 正在播放国产对白刺激| 女人高潮潮喷娇喘18禁视频| 18禁裸乳无遮挡免费网站照片 | 亚洲精品在线观看二区| cao死你这个sao货| 啦啦啦观看免费观看视频高清| 国产野战对白在线观看| 啪啪无遮挡十八禁网站| 可以在线观看毛片的网站| 国产主播在线观看一区二区| 很黄的视频免费| 亚洲五月色婷婷综合| 制服丝袜大香蕉在线| 丁香六月欧美| 国产精品久久久久久精品电影 | 国产精品久久久久久亚洲av鲁大| 18美女黄网站色大片免费观看| 国产亚洲精品av在线| 免费av毛片视频| 国产亚洲欧美98| 国产亚洲精品久久久久久毛片| 国产亚洲精品久久久久5区| 日日夜夜操网爽| 少妇被粗大的猛进出69影院| 97超级碰碰碰精品色视频在线观看| 亚洲电影在线观看av| 大型av网站在线播放| 男男h啪啪无遮挡| 国产私拍福利视频在线观看| 久久草成人影院| 一区二区三区激情视频| 国产伦人伦偷精品视频| 99久久综合精品五月天人人| 脱女人内裤的视频| 国产精品香港三级国产av潘金莲| 亚洲成人久久爱视频| 变态另类成人亚洲欧美熟女| 亚洲九九香蕉| 国产精品野战在线观看| 国产精品久久久人人做人人爽| 十分钟在线观看高清视频www| 精品国产超薄肉色丝袜足j| 男女视频在线观看网站免费 | 人人妻人人看人人澡| 久久久久久久久久黄片| 99久久综合精品五月天人人| 伊人久久大香线蕉亚洲五| 丝袜人妻中文字幕| 亚洲一区二区三区不卡视频| 亚洲熟妇熟女久久| 老司机福利观看| 人人妻人人澡欧美一区二区| 国产亚洲av嫩草精品影院| 午夜激情av网站| 国产精品精品国产色婷婷| 精品国内亚洲2022精品成人| 一区福利在线观看| 首页视频小说图片口味搜索| 国产精品综合久久久久久久免费| 国产精品久久久久久人妻精品电影| 午夜日韩欧美国产| 欧美黄色片欧美黄色片| 一卡2卡三卡四卡精品乱码亚洲| 午夜免费成人在线视频| 欧美日韩一级在线毛片| 中文亚洲av片在线观看爽| 最近最新中文字幕大全免费视频| 亚洲中文日韩欧美视频| 男女床上黄色一级片免费看| 在线播放国产精品三级| 日韩精品免费视频一区二区三区| 中文字幕人成人乱码亚洲影| 国内精品久久久久久久电影| 精品国产亚洲在线| 在线观看免费日韩欧美大片| 精品不卡国产一区二区三区| 欧美zozozo另类| 免费在线观看视频国产中文字幕亚洲| 一个人免费在线观看的高清视频| 精品第一国产精品| 一区二区日韩欧美中文字幕| 精品日产1卡2卡| 国产在线观看jvid| 亚洲成a人片在线一区二区| 亚洲国产欧美日韩在线播放| 欧美成狂野欧美在线观看| 激情在线观看视频在线高清| 精品免费久久久久久久清纯| 两性午夜刺激爽爽歪歪视频在线观看 | 久久精品人妻少妇| 亚洲一卡2卡3卡4卡5卡精品中文| 欧美日韩精品网址| 日日干狠狠操夜夜爽| 99国产精品一区二区三区| 男女之事视频高清在线观看| 久久久久国产精品人妻aⅴ院| 国产精品自产拍在线观看55亚洲| 91在线观看av| 国产精品自产拍在线观看55亚洲| 热re99久久国产66热| 亚洲久久久国产精品| 在线播放国产精品三级| 久久婷婷人人爽人人干人人爱| 熟女少妇亚洲综合色aaa.| 日韩 欧美 亚洲 中文字幕| 欧美一级毛片孕妇| 国产不卡一卡二| 99久久综合精品五月天人人| 久久国产乱子伦精品免费另类| 成年免费大片在线观看| 精品人妻1区二区| 免费在线观看成人毛片| 亚洲精品在线观看二区| 日本撒尿小便嘘嘘汇集6| 97碰自拍视频| 三级毛片av免费| 伊人久久大香线蕉亚洲五| 亚洲人成伊人成综合网2020| 日本五十路高清| 国产v大片淫在线免费观看| 国产成人系列免费观看| 欧美丝袜亚洲另类 | 99国产综合亚洲精品| 久久久久久久久中文| 露出奶头的视频| 亚洲av片天天在线观看| 精品久久久久久久毛片微露脸| 精品国产国语对白av| videosex国产| 麻豆一二三区av精品| 亚洲人成77777在线视频| 国产成人精品久久二区二区免费| 久久久水蜜桃国产精品网| 国内精品久久久久精免费| 亚洲男人天堂网一区| xxx96com| 老汉色av国产亚洲站长工具| 久久 成人 亚洲| 美女高潮到喷水免费观看| 男男h啪啪无遮挡| 久久久久久大精品| 中文资源天堂在线| 国产亚洲精品久久久久5区| 国产伦在线观看视频一区| 丝袜美腿诱惑在线| 中文字幕精品免费在线观看视频| 免费观看人在逋| 无限看片的www在线观看| 狠狠狠狠99中文字幕| 无限看片的www在线观看| 亚洲性夜色夜夜综合| 国产成+人综合+亚洲专区| 亚洲av电影在线进入| 人人妻人人看人人澡| 黄色视频,在线免费观看| 一本大道久久a久久精品| 狠狠狠狠99中文字幕| 欧美不卡视频在线免费观看 | 国产成人精品久久二区二区91| 久久久久国产精品人妻aⅴ院| 日韩av在线大香蕉| 久久国产精品影院| 1024手机看黄色片| 成人国产一区最新在线观看| 女人被狂操c到高潮| 精品国产一区二区三区四区第35| 一卡2卡三卡四卡精品乱码亚洲| 美女午夜性视频免费| 国产精品 欧美亚洲| 日本精品一区二区三区蜜桃| 窝窝影院91人妻| 国产精品精品国产色婷婷| 亚洲国产精品合色在线| 欧美zozozo另类| 黑人巨大精品欧美一区二区mp4| 午夜免费激情av| 午夜视频精品福利| 三级毛片av免费| 国产野战对白在线观看| 国产单亲对白刺激| 在线观看一区二区三区| 午夜久久久久精精品| 中文字幕人妻丝袜一区二区| 一级毛片女人18水好多| 久久香蕉国产精品| 香蕉久久夜色| 老鸭窝网址在线观看| 一边摸一边做爽爽视频免费| 麻豆国产av国片精品| 亚洲真实伦在线观看| 成人国语在线视频| 日韩欧美一区视频在线观看| 中文在线观看免费www的网站 | 国产精品日韩av在线免费观看| 亚洲国产欧美网| 少妇裸体淫交视频免费看高清 | 欧美大码av| 日韩欧美三级三区| 久久青草综合色| 久久中文字幕人妻熟女| 女性被躁到高潮视频| 中亚洲国语对白在线视频| 身体一侧抽搐| 可以在线观看的亚洲视频| 国产野战对白在线观看| 久久久国产成人精品二区| 男女做爰动态图高潮gif福利片| 人人澡人人妻人| 成人亚洲精品一区在线观看| 亚洲国产精品合色在线|