• <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
    黄色 视频免费看| 欧美人与性动交α欧美精品济南到| 国产97色在线日韩免费| 色播在线永久视频| 妹子高潮喷水视频| 久久久精品免费免费高清| 黑丝袜美女国产一区| 欧美日韩福利视频一区二区| 啦啦啦中文免费视频观看日本| a 毛片基地| 日本91视频免费播放| 视频区欧美日本亚洲| 制服诱惑二区| 久久久久久久精品精品| 在线亚洲精品国产二区图片欧美| 久久久水蜜桃国产精品网| 国产精品偷伦视频观看了| 大片电影免费在线观看免费| 水蜜桃什么品种好| 蜜桃在线观看..| 啪啪无遮挡十八禁网站| 国产高清国产精品国产三级| 久久国产精品影院| 精品人妻在线不人妻| 国产成人精品无人区| 中文字幕色久视频| 欧美激情久久久久久爽电影 | 国产一区二区激情短视频 | videos熟女内射| 日韩熟女老妇一区二区性免费视频| 免费观看a级毛片全部| 久久午夜综合久久蜜桃| 久久久久国产精品人妻一区二区| 欧美变态另类bdsm刘玥| 91国产中文字幕| 久久影院123| 侵犯人妻中文字幕一二三四区| 在线观看免费视频网站a站| 亚洲欧美一区二区三区黑人| 最新在线观看一区二区三区| 男人爽女人下面视频在线观看| 亚洲国产毛片av蜜桃av| 日韩人妻精品一区2区三区| 亚洲精品国产一区二区精华液| 久久精品亚洲熟妇少妇任你| 国产又爽黄色视频| 中亚洲国语对白在线视频| 欧美日韩亚洲国产一区二区在线观看 | 狠狠婷婷综合久久久久久88av| 国产精品秋霞免费鲁丝片| 一级毛片精品| 丁香六月天网| 精品福利永久在线观看| 国产一区二区 视频在线| 黄网站色视频无遮挡免费观看| 国产不卡av网站在线观看| av超薄肉色丝袜交足视频| 久久久久视频综合| 亚洲自偷自拍图片 自拍| 一个人免费看片子| 男女边摸边吃奶| 国产精品 欧美亚洲| 丝袜脚勾引网站| 男人添女人高潮全过程视频| 免费看十八禁软件| 免费在线观看日本一区| 国产亚洲精品第一综合不卡| 伊人亚洲综合成人网| 免费久久久久久久精品成人欧美视频| 亚洲成人免费电影在线观看| 美女高潮到喷水免费观看| 日本一区二区免费在线视频| 午夜免费鲁丝| 好男人电影高清在线观看| 日韩熟女老妇一区二区性免费视频| 黄片大片在线免费观看| 18在线观看网站| 黄色 视频免费看| 日本五十路高清| 人人妻,人人澡人人爽秒播| 国产精品二区激情视频| 18在线观看网站| 免费久久久久久久精品成人欧美视频| 亚洲av电影在线观看一区二区三区| 午夜免费鲁丝| 老司机亚洲免费影院| 一边摸一边抽搐一进一出视频| 不卡一级毛片| 搡老岳熟女国产| 亚洲av美国av| 男女之事视频高清在线观看| 久久性视频一级片| 99国产精品一区二区蜜桃av | 国产欧美日韩一区二区三 | 中亚洲国语对白在线视频| 亚洲熟女精品中文字幕| 大型av网站在线播放| 男女边摸边吃奶| 亚洲欧美精品自产自拍| 亚洲性夜色夜夜综合| 高清视频免费观看一区二区| 视频区欧美日本亚洲| 久久av网站| 免费在线观看完整版高清| 日韩精品免费视频一区二区三区| 另类亚洲欧美激情| 亚洲第一青青草原| 人人妻人人爽人人添夜夜欢视频| 久久久久精品人妻al黑| 欧美在线黄色| 午夜精品国产一区二区电影| 国产又色又爽无遮挡免| 亚洲av美国av| 啦啦啦 在线观看视频| 91成人精品电影| 欧美亚洲日本最大视频资源| 男人舔女人的私密视频| 亚洲,欧美精品.| 日本欧美视频一区| 天天添夜夜摸| 午夜老司机福利片| 少妇猛男粗大的猛烈进出视频| 精品久久蜜臀av无| 亚洲欧美一区二区三区久久| 欧美国产精品va在线观看不卡| 亚洲熟女毛片儿| 精品一品国产午夜福利视频| av网站免费在线观看视频| 久久久久久亚洲精品国产蜜桃av| 精品第一国产精品| 国产一区二区 视频在线| 亚洲欧美激情在线| 男女午夜视频在线观看| 欧美黄色片欧美黄色片| 丝袜人妻中文字幕| 久久久精品94久久精品| 手机成人av网站| 亚洲精品久久成人aⅴ小说| 成在线人永久免费视频| 日韩制服骚丝袜av| 午夜福利视频精品| 午夜视频精品福利| 亚洲精品美女久久久久99蜜臀| 国产av又大| 美女主播在线视频| 两人在一起打扑克的视频| 搡老熟女国产l中国老女人| 黑人巨大精品欧美一区二区蜜桃| 日韩电影二区| 婷婷色av中文字幕| 国产在线视频一区二区| 久久精品亚洲av国产电影网| 老司机午夜福利在线观看视频 | 国产一区二区在线观看av| 在线观看免费高清a一片| 色老头精品视频在线观看| 男人舔女人的私密视频| 日韩熟女老妇一区二区性免费视频| 久久久久久人人人人人| 亚洲欧美清纯卡通| 午夜激情av网站| 午夜激情av网站| 丝袜脚勾引网站| netflix在线观看网站| 一级黄色大片毛片| 亚洲国产欧美日韩在线播放| 午夜精品国产一区二区电影| 亚洲精品成人av观看孕妇| 狂野欧美激情性bbbbbb| 午夜两性在线视频| 国产精品一区二区精品视频观看| 久久久久久久大尺度免费视频| 97精品久久久久久久久久精品| 我要看黄色一级片免费的| 9191精品国产免费久久| 国产免费视频播放在线视频| 妹子高潮喷水视频| 成人av一区二区三区在线看 | 法律面前人人平等表现在哪些方面 | 超碰97精品在线观看| 日本五十路高清| 国产欧美日韩一区二区三区在线| 777久久人妻少妇嫩草av网站| 亚洲一区中文字幕在线| 欧美日韩黄片免| 日韩欧美国产一区二区入口| www.999成人在线观看| 亚洲av日韩精品久久久久久密| 亚洲第一青青草原| 欧美xxⅹ黑人| 精品福利永久在线观看| 一进一出抽搐动态| 婷婷丁香在线五月| 久久影院123| 国产精品一区二区免费欧美 | 美女午夜性视频免费| 12—13女人毛片做爰片一| 伊人久久大香线蕉亚洲五| 咕卡用的链子| 一区二区三区四区激情视频| 国产成人免费无遮挡视频| 老汉色∧v一级毛片| 男女床上黄色一级片免费看| 久久香蕉激情| 黑人欧美特级aaaaaa片| 国产精品一区二区精品视频观看| 美女高潮喷水抽搐中文字幕| 麻豆国产av国片精品| 两个人看的免费小视频| 欧美亚洲日本最大视频资源| 久久久国产精品麻豆| 黄色片一级片一级黄色片| 精品国内亚洲2022精品成人 | 99精品欧美一区二区三区四区| 如日韩欧美国产精品一区二区三区| 脱女人内裤的视频| 日韩一区二区三区影片| 久久亚洲国产成人精品v| 在线看a的网站| 美女扒开内裤让男人捅视频| 欧美人与性动交α欧美软件| 亚洲全国av大片| 午夜福利一区二区在线看| 久久免费观看电影| 国产有黄有色有爽视频| 国产精品av久久久久免费| 亚洲av电影在线进入| 久久人妻福利社区极品人妻图片| 黄片大片在线免费观看| 国产精品成人在线| 久久综合国产亚洲精品| 两性午夜刺激爽爽歪歪视频在线观看 | 桃红色精品国产亚洲av| 老司机影院成人| 在线天堂中文资源库| 亚洲欧洲日产国产| 搡老岳熟女国产| 精品国产乱码久久久久久小说| a级毛片黄视频| 日韩熟女老妇一区二区性免费视频| 高清在线国产一区| 亚洲第一av免费看| 亚洲伊人久久精品综合| 中文字幕制服av| 一级片免费观看大全| 精品少妇内射三级| 成年人免费黄色播放视频| www.精华液| 亚洲少妇的诱惑av| 视频区图区小说| 日韩一区二区三区影片| 日韩人妻精品一区2区三区| 欧美日韩国产mv在线观看视频| 国产一卡二卡三卡精品| 多毛熟女@视频| 十八禁高潮呻吟视频| 亚洲五月婷婷丁香| 久热爱精品视频在线9| 国产精品自产拍在线观看55亚洲 | 亚洲国产中文字幕在线视频| tube8黄色片| 精品国产乱码久久久久久小说| 久久人人爽人人片av| 免费观看人在逋| 窝窝影院91人妻| 在线永久观看黄色视频| 国产男女内射视频| 国产真人三级小视频在线观看| 久久精品久久久久久噜噜老黄| av免费在线观看网站| 最近中文字幕2019免费版| 色视频在线一区二区三区| 国产主播在线观看一区二区| 国产男人的电影天堂91| 欧美av亚洲av综合av国产av| 最新在线观看一区二区三区| 纯流量卡能插随身wifi吗| 汤姆久久久久久久影院中文字幕| 国产老妇伦熟女老妇高清| 色94色欧美一区二区| 亚洲av电影在线观看一区二区三区| 啦啦啦免费观看视频1| 黄色片一级片一级黄色片| 久久久精品区二区三区| 久久久久久久久久久久大奶| 一边摸一边抽搐一进一出视频| 国产男女超爽视频在线观看| 国产成人精品久久二区二区免费| 五月开心婷婷网| 丰满迷人的少妇在线观看| 一区福利在线观看| 国产亚洲欧美精品永久| 免费少妇av软件| 一区二区av电影网| 狠狠精品人妻久久久久久综合| 汤姆久久久久久久影院中文字幕| 又紧又爽又黄一区二区| 午夜福利在线观看吧| 99国产精品一区二区三区| 成人亚洲精品一区在线观看| 啦啦啦视频在线资源免费观看| 亚洲第一青青草原| 久久国产精品人妻蜜桃| 国产伦理片在线播放av一区| 两个人看的免费小视频| 久久av网站| 免费av中文字幕在线| 少妇精品久久久久久久| 国产精品亚洲av一区麻豆| 日韩欧美国产一区二区入口| 热99re8久久精品国产| 国产精品久久久久久精品古装| 欧美精品人与动牲交sv欧美| 午夜激情av网站| 亚洲欧美一区二区三区黑人| 欧美国产精品va在线观看不卡| 黑丝袜美女国产一区| 一级毛片精品| 国产在线视频一区二区| 亚洲色图综合在线观看| 国产精品九九99| 久久久久久久精品精品| 日韩,欧美,国产一区二区三区| 中国国产av一级| 一区二区日韩欧美中文字幕| √禁漫天堂资源中文www| 天天影视国产精品| 日韩中文字幕视频在线看片| 国产精品久久久av美女十八| 精品欧美一区二区三区在线| 亚洲国产看品久久| 国产成人啪精品午夜网站| 国产一区有黄有色的免费视频| 99久久精品国产亚洲精品| 欧美+亚洲+日韩+国产| 亚洲人成电影免费在线| 自线自在国产av| 免费在线观看黄色视频的| 黄色 视频免费看| 欧美精品一区二区免费开放| 国产精品国产三级国产专区5o| 最近最新免费中文字幕在线| 久热爱精品视频在线9| 美女大奶头黄色视频| 在线 av 中文字幕| 亚洲黑人精品在线| 亚洲欧美精品综合一区二区三区| 母亲3免费完整高清在线观看| 欧美精品啪啪一区二区三区 | 亚洲av成人一区二区三| 在线十欧美十亚洲十日本专区| 性高湖久久久久久久久免费观看| 久久国产亚洲av麻豆专区| www.av在线官网国产| 亚洲欧美日韩高清在线视频 | 国产一区二区三区av在线| 亚洲三区欧美一区| 日本av免费视频播放| 激情视频va一区二区三区| 一区二区三区精品91| 麻豆乱淫一区二区| 中文欧美无线码| 建设人人有责人人尽责人人享有的| 免费观看人在逋| 一本大道久久a久久精品| 国产精品av久久久久免费| 搡老熟女国产l中国老女人| 大陆偷拍与自拍| 9191精品国产免费久久| 国产亚洲精品久久久久5区| 又黄又粗又硬又大视频| 欧美在线一区亚洲| 侵犯人妻中文字幕一二三四区| 久久免费观看电影| 亚洲三区欧美一区| 国产熟女午夜一区二区三区| 自线自在国产av| 麻豆国产av国片精品| 亚洲国产欧美日韩在线播放| 热99re8久久精品国产| 韩国精品一区二区三区| 亚洲免费av在线视频| 无遮挡黄片免费观看| 少妇的丰满在线观看| 午夜福利视频在线观看免费| 777米奇影视久久| 男人添女人高潮全过程视频| 国产高清videossex| 宅男免费午夜| 日日夜夜操网爽| 欧美激情极品国产一区二区三区| 精品国产国语对白av| 国产一区二区三区在线臀色熟女 | 亚洲精华国产精华精| 国产精品久久久久久精品电影小说| 69av精品久久久久久 | 国产91精品成人一区二区三区 | 欧美日韩亚洲高清精品| 精品国产一区二区久久| 天天躁狠狠躁夜夜躁狠狠躁| 熟女少妇亚洲综合色aaa.| 人妻 亚洲 视频| 搡老乐熟女国产| 精品乱码久久久久久99久播| 日日爽夜夜爽网站| 俄罗斯特黄特色一大片| 欧美激情久久久久久爽电影 | 考比视频在线观看| 天堂8中文在线网| 午夜福利一区二区在线看| 一本色道久久久久久精品综合| 女警被强在线播放| 男男h啪啪无遮挡| 人妻 亚洲 视频| 在线av久久热| 好男人电影高清在线观看| 制服诱惑二区| 国产精品久久久久成人av| 一个人免费在线观看的高清视频 | 国产精品久久久久成人av| 欧美激情极品国产一区二区三区| 亚洲国产欧美在线一区| 激情视频va一区二区三区| 国产福利在线免费观看视频| 丝袜美足系列| 精品少妇黑人巨大在线播放| 国产成人啪精品午夜网站| 精品亚洲成国产av| 国产极品粉嫩免费观看在线| 欧美成人午夜精品| 纵有疾风起免费观看全集完整版| 国产免费一区二区三区四区乱码| www.999成人在线观看| 男女高潮啪啪啪动态图| tube8黄色片| 久久久精品国产亚洲av高清涩受| 超碰97精品在线观看| 久久精品成人免费网站| 亚洲一区中文字幕在线| 欧美亚洲 丝袜 人妻 在线| 12—13女人毛片做爰片一| 国产一区二区在线观看av| 午夜影院在线不卡| 久久久久精品国产欧美久久久 | 亚洲精品国产色婷婷电影| 精品视频人人做人人爽| 久久这里只有精品19| 丝袜在线中文字幕| 中文字幕另类日韩欧美亚洲嫩草| 五月开心婷婷网| 精品一区在线观看国产| 狠狠精品人妻久久久久久综合| 69精品国产乱码久久久| 性色av一级| 欧美日韩成人在线一区二区| 男人爽女人下面视频在线观看| 亚洲av日韩在线播放| 不卡av一区二区三区| 国产精品av久久久久免费| 无限看片的www在线观看| 欧美激情高清一区二区三区| 黑人操中国人逼视频| 国产免费现黄频在线看| 免费一级毛片在线播放高清视频 | 国产成人免费无遮挡视频| 国产伦理片在线播放av一区| 国产成人啪精品午夜网站| 搡老岳熟女国产| 女人精品久久久久毛片| 亚洲专区中文字幕在线| 国产av又大| 国产亚洲一区二区精品| 免费看十八禁软件| 一边摸一边抽搐一进一出视频| 免费观看人在逋| av电影中文网址| 成人免费观看视频高清| 一级毛片女人18水好多| 人妻一区二区av| 久久热在线av| 欧美老熟妇乱子伦牲交| 久久ye,这里只有精品| 99re6热这里在线精品视频| 国产免费一区二区三区四区乱码| 亚洲国产欧美一区二区综合| 中文字幕制服av| 精品久久蜜臀av无| 高清视频免费观看一区二区| av电影中文网址| 久久精品成人免费网站| 韩国精品一区二区三区| www.精华液| 亚洲精品美女久久av网站| 无限看片的www在线观看| 亚洲av国产av综合av卡| 老熟女久久久| 男女国产视频网站| av有码第一页| 欧美激情久久久久久爽电影 | 国产1区2区3区精品| 亚洲精品中文字幕一二三四区 | 欧美日本中文国产一区发布| 老司机深夜福利视频在线观看 | 亚洲少妇的诱惑av| 欧美精品av麻豆av| 午夜福利在线免费观看网站| 一级a爱视频在线免费观看| 午夜精品久久久久久毛片777| 国产亚洲av片在线观看秒播厂| 伦理电影免费视频| 国产一区二区三区在线臀色熟女 | 精品一区二区三区四区五区乱码| 精品一品国产午夜福利视频| 啦啦啦视频在线资源免费观看| 久久99一区二区三区| 欧美精品人与动牲交sv欧美| 美女视频免费永久观看网站| 91麻豆av在线| 日韩,欧美,国产一区二区三区| av不卡在线播放| 久久性视频一级片| 丝袜喷水一区| 色视频在线一区二区三区| 免费观看人在逋| 一区二区三区激情视频| 国产精品亚洲av一区麻豆| 黄片小视频在线播放| 99久久99久久久精品蜜桃| a级毛片在线看网站| 成年av动漫网址| 夫妻午夜视频| 色94色欧美一区二区| 亚洲精品一卡2卡三卡4卡5卡 | 天堂俺去俺来也www色官网| 免费不卡黄色视频| 久久中文看片网| 一本久久精品| 黄片大片在线免费观看| 91成人精品电影| 久久人人爽av亚洲精品天堂| 精品免费久久久久久久清纯 | 一边摸一边做爽爽视频免费| 操美女的视频在线观看| 免费在线观看完整版高清| 无限看片的www在线观看| 久久九九热精品免费| 国产精品久久久av美女十八| 国产99久久九九免费精品| 69av精品久久久久久 | 人人妻人人澡人人爽人人夜夜| 狂野欧美激情性bbbbbb| 免费不卡黄色视频| 高清视频免费观看一区二区| 色婷婷久久久亚洲欧美| 精品熟女少妇八av免费久了| 日韩欧美一区视频在线观看| 亚洲av成人一区二区三| 一区二区三区精品91| tube8黄色片| 一级毛片女人18水好多| 国产精品久久久久久人妻精品电影 | 国产在线一区二区三区精| 国产人伦9x9x在线观看| 久久人妻福利社区极品人妻图片| 婷婷色av中文字幕| 亚洲avbb在线观看| 国产免费现黄频在线看| 国产日韩欧美视频二区| 最新在线观看一区二区三区| www.999成人在线观看| 亚洲午夜精品一区,二区,三区| 黄色片一级片一级黄色片| 国产又色又爽无遮挡免| 夜夜骑夜夜射夜夜干| 欧美日韩视频精品一区| avwww免费| 精品卡一卡二卡四卡免费| 亚洲五月婷婷丁香| 精品一区二区三卡| 亚洲中文日韩欧美视频| 国产成人影院久久av| 久久久国产欧美日韩av| 精品国内亚洲2022精品成人 | 国产一卡二卡三卡精品| 亚洲自偷自拍图片 自拍| 欧美日韩一级在线毛片| 精品国产一区二区三区四区第35| 国产成人a∨麻豆精品| 嫁个100分男人电影在线观看| 国产精品麻豆人妻色哟哟久久| 窝窝影院91人妻| 免费看十八禁软件| 丁香六月天网| 一区二区三区四区激情视频| 免费看十八禁软件| 欧美精品高潮呻吟av久久| 黄色毛片三级朝国网站| 汤姆久久久久久久影院中文字幕| 午夜影院在线不卡| 91精品伊人久久大香线蕉| 最新的欧美精品一区二区| tube8黄色片| 亚洲 欧美一区二区三区| 亚洲国产欧美一区二区综合| 国产亚洲av片在线观看秒播厂| 亚洲 欧美一区二区三区| 亚洲一区二区三区欧美精品| 午夜免费成人在线视频| 黄色怎么调成土黄色| av超薄肉色丝袜交足视频| 国产亚洲av片在线观看秒播厂| 日日夜夜操网爽| a在线观看视频网站| 亚洲成人免费av在线播放| 一区二区三区四区激情视频|