• <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 ?

    一種基于深度學(xué)習(xí)的交通標(biāo)志識(shí)別新算法*

    2021-02-26 01:42:08陳昌川王海寧王延平李連杰張?zhí)祢U
    電訊技術(shù) 2021年1期
    關(guān)鍵詞:檢測(cè)

    陳昌川,王海寧,趙 悅,王延平,李連杰,李 奎,張?zhí)祢U

    (1.重慶郵電大學(xué) 通信與信息工程學(xué)院,重慶 400065;2.山東大學(xué) 信息科學(xué)與工程學(xué)院,山東 青島 266237)

    0 引 言

    交通標(biāo)志識(shí)別是交通道路運(yùn)輸?shù)闹匾M成部分[1-2],但受多種因素干擾,如下雨天、標(biāo)志牌老化等,為保證道路安全,既要考慮識(shí)別的精度也要確保識(shí)別速度,因此實(shí)際應(yīng)用中要求實(shí)現(xiàn)實(shí)時(shí)高精度識(shí)別。

    目前關(guān)于交通標(biāo)志識(shí)別已有多種方法。由于標(biāo)識(shí)牌特有的形狀與顏色,有學(xué)者提出基于色彩空間識(shí)別方法[3],或根據(jù)形狀特征識(shí)別交通標(biāo)志[4],或采用色彩與形狀特征融合[5]識(shí)別,或者通過顏色空間提取感興趣區(qū)域[6],隨后使用支持向量機(jī)(Support Vector Machine,SVM)進(jìn)行分類[7-9]。然而這些方法存在一定弊端:采用色彩或形狀識(shí)別算法存在大量誤檢,當(dāng)交通標(biāo)志所處背景與其顏色或形狀相近,往往會(huì)將背景錯(cuò)誤識(shí)別成交通標(biāo)志;再者,通過顏色和形狀對(duì)特殊情況下交通標(biāo)志很難提取,例如下雨天、大霧天、遮擋等情況,進(jìn)而導(dǎo)致精度偏低;使用顏色或形狀提取圖像候選區(qū)域隨后使用SVM分類的方法對(duì)于類別過多交通標(biāo)志,很難做到正確分類,存在通用性偏低問題。近年來由于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)的興起,為解決精度低的問題,又有學(xué)者提出將CNN應(yīng)用在交通標(biāo)志檢測(cè)與識(shí)別。Lee[10]等人基于SSD(Single Shot Multibox Detector)算法[11]構(gòu)建的CNN算法同時(shí)估計(jì)交通標(biāo)志位置與邊界,在基于VGG16模型下最高平均準(zhǔn)確率(Mean Average Precision,mAP)達(dá)到88.4%。Filatov[12]基于交通標(biāo)志邊緣,通過形態(tài)學(xué)運(yùn)算與Canny算法處理待檢測(cè)圖像得到交通標(biāo)志輪廓,隨后送入CNN模型進(jìn)行判斷,實(shí)現(xiàn)交通標(biāo)志識(shí)別。但對(duì)于使用CNN檢測(cè)方法,通過提取大量目標(biāo)候選區(qū)域送入分類網(wǎng)絡(luò)進(jìn)行判斷和識(shí)別[13-18],雖然保證一定的精度與通用性,但不針對(duì)交通標(biāo)志特定場(chǎng)景,網(wǎng)絡(luò)設(shè)計(jì)復(fù)雜,提取候選區(qū)域圖像均要送入網(wǎng)絡(luò)判斷與識(shí)別,需要大量計(jì)算導(dǎo)致識(shí)別速度慢,且精度受限無法進(jìn)一步提升。

    本文從交通標(biāo)志牌邊緣信息出發(fā),基于深度學(xué)習(xí)YOLOv2算法檢測(cè)思想,提出一種T-YOLO檢測(cè)算法。該算法自行搭建網(wǎng)絡(luò)結(jié)構(gòu),融合殘差網(wǎng)絡(luò)、下采樣操作舍棄通用池化層而改用卷積層,設(shè)計(jì)7層特征提取網(wǎng)絡(luò),解決檢測(cè)速度慢問題,縮短檢測(cè)速度;針對(duì)交通標(biāo)志特定場(chǎng)景,提出卷積層四周填充0提取邊緣信息與上采樣方法,卷積層填充0提高識(shí)別精度,上采樣方法解決算法無法定位小目標(biāo)問題提升定位準(zhǔn)確度,進(jìn)一步提高識(shí)別精度;隨后采用Softmax函數(shù)歸一化0~1,產(chǎn)生目標(biāo)概率可能值,實(shí)現(xiàn)多分類識(shí)別,解決SVM分類器通用性偏低問題;通過批量歸一化、多尺度訓(xùn)練等訓(xùn)練方法,增強(qiáng)了算法的魯棒性。實(shí)驗(yàn)表明,相比于同期交通標(biāo)志識(shí)別算法,所提算法在檢測(cè)速度與平均準(zhǔn)確度上均達(dá)到最優(yōu);相比于YOLOv2,所提算法平均準(zhǔn)確率提高7.1%,檢測(cè)速度縮短每幀9.51 ms,整體性能都得到了提高。

    1 T-YOLO算法

    1.1 T-YOLO算法結(jié)構(gòu)

    如圖1所示,T-YOLO算法首先將圖像歸一化同一尺度,整幅待檢測(cè)圖像被劃分成S×S個(gè)網(wǎng)格,每個(gè)網(wǎng)格負(fù)責(zé)檢測(cè)目標(biāo)圖像中心點(diǎn)是否落在該網(wǎng)格,對(duì)于目標(biāo)圖像中心點(diǎn)落在的網(wǎng)格,Pr(object)=1,否則Pr(object)=0。通過人為設(shè)定的anchor錨點(diǎn),產(chǎn)生定量個(gè)數(shù)預(yù)測(cè)框,每個(gè)預(yù)測(cè)框會(huì)產(chǎn)生坐標(biāo)信息(x,y,w,h)和置信度(confidence)。x、y為相對(duì)該網(wǎng)格左上角坐標(biāo)偏移值,w、h為該預(yù)測(cè)框?qū)捙c高,置信度為邊界框包含目標(biāo)的可能性Pr(object)與邊界框準(zhǔn)確度IOU(Intersection over Union)的乘積,如公式(1);同時(shí),每個(gè)預(yù)測(cè)框還會(huì)產(chǎn)生一個(gè)固定的類別C。

    (1)

    圖1 T-YOLO算法檢測(cè)示意圖

    交通標(biāo)志邊緣含有豐富的色彩對(duì)比信息與線條鮮明形狀信息,可以提高識(shí)別準(zhǔn)確度。為此,T-YOLO算法采用卷積層均四周填充0,提取邊緣信息,以提升檢測(cè)精度。再者,交通標(biāo)志圖像不同于一般圖像,單純采用池化層作為下采樣操作,邊緣信息將被丟失,因此,T-YOLO算法對(duì)于下采樣操作不采用池化層,而改用卷積層,通過3×3的卷積核,設(shè)置步長(zhǎng)為2,進(jìn)行圖像下采樣(見圖2),確保邊緣信息不會(huì)被丟失,進(jìn)而提升檢測(cè)精度。深度越深的網(wǎng)絡(luò)層,參數(shù)初始化一般接近0,在訓(xùn)練過程中,隨著迭代次數(shù)增加,網(wǎng)絡(luò)更新淺層參數(shù),而進(jìn)一步導(dǎo)致梯度消失,產(chǎn)生梯度爆炸等現(xiàn)象,從而導(dǎo)致無法收斂,損失率增加,而殘差網(wǎng)絡(luò)能解決梯度消失與梯度爆炸等現(xiàn)象,進(jìn)而使得模型收斂。為此,T-YOLO算法在特征提取結(jié)構(gòu)后加入殘差網(wǎng)絡(luò),用以防止模型過擬合。圖3為引入殘差網(wǎng)絡(luò)結(jié)構(gòu)示意圖。

    圖3 殘差網(wǎng)絡(luò)示意圖

    神經(jīng)網(wǎng)絡(luò)訓(xùn)練是個(gè)復(fù)雜過程,只要前面幾層發(fā)生微小變化,這種微小變化就會(huì)在后面幾層不斷放大,形成大變化,一旦網(wǎng)絡(luò)輸入數(shù)據(jù)分布發(fā)生改變,那么網(wǎng)絡(luò)層勢(shì)必要去適應(yīng)學(xué)習(xí)這個(gè)新數(shù)據(jù)分布,這將極大影響訓(xùn)練速度。為此,T-YOLO算法在每個(gè)卷積層中均加入批量歸一化操作(Batch Normalization,BN),加速訓(xùn)練模型的收斂速度。

    首先找到最小batch,假設(shè)最小batch中輸入數(shù)據(jù)為x,β是由輸入x構(gòu)成的集β={x1,x2,…,xm},求得最小batch中的均值與平方差,并將其歸一化操作,進(jìn)而產(chǎn)生了一種從原始數(shù)據(jù)到訓(xùn)練數(shù)據(jù)的映射表達(dá)式,如公式(2)所示:

    (2)

    如圖4所示,T-YOLO對(duì)圖像粗略特征提取采用7層卷積層,縮短模型特征提取速度,隨后送入后續(xù)殘差網(wǎng)絡(luò)與上采樣繼續(xù)進(jìn)行細(xì)節(jié)特征提取。T-YOLO算法為解決無法準(zhǔn)確定位小型目標(biāo)圖像問題引入上采樣操作,如圖5所示,通過融合殘差網(wǎng)絡(luò)的輸出與輸入并上采樣,解決識(shí)別小型目標(biāo)問題,以提升精度。最終生成全連接采用Softmax函數(shù)歸一化。相比于SVM分類器采用超平面將圖像進(jìn)行0與1分類,Softmax函數(shù)產(chǎn)生目標(biāo)概率值,可以實(shí)現(xiàn)多目標(biāo)的分類,解決了SVM分類器通用性偏低問題。

    圖4 7層特征提取網(wǎng)絡(luò)

    圖5 T-YOLO網(wǎng)絡(luò)示意圖

    1.2 T-YOLO檢測(cè)算法

    針對(duì)目標(biāo)檢測(cè),T-YOLO算法將待檢測(cè)圖像劃分成56×56個(gè)網(wǎng)格,每個(gè)網(wǎng)格會(huì)檢測(cè)是否包含目標(biāo)圖像區(qū)域,對(duì)于區(qū)域性包含目標(biāo)圖像的網(wǎng)格通過算術(shù)求得網(wǎng)格中心值,進(jìn)而確定目標(biāo)中心點(diǎn)落在的網(wǎng)格。對(duì)于檢測(cè)到目標(biāo)中心點(diǎn)網(wǎng)格將會(huì)截取并產(chǎn)生系列事先設(shè)定大小的預(yù)選框圖像,截取圖像送入神經(jīng)網(wǎng)絡(luò)進(jìn)行判斷與識(shí)別。本文將網(wǎng)格中輸出預(yù)選框圖像個(gè)數(shù)設(shè)置為5個(gè),并采用k均值聚類算法(k-means)求解事先設(shè)定預(yù)選框大小,隨機(jī)選取k個(gè)對(duì)象作為初始聚類中心,然后計(jì)算目標(biāo)中的點(diǎn)與聚類中心距離,并將每次產(chǎn)生的對(duì)象分配給距離它最近中心點(diǎn),每分配一個(gè)樣本,聚類中心點(diǎn)將會(huì)重新計(jì)算,然后繼續(xù)聚類,直到所有樣本都被計(jì)算完成,最終產(chǎn)生所有的聚類點(diǎn),選取其中聚類最多的5個(gè)矩形框的點(diǎn)作為預(yù)選框。

    因此,含有交通標(biāo)志目標(biāo)中心點(diǎn)的網(wǎng)格將會(huì)產(chǎn)生(5+3)×5個(gè)預(yù)選框圖像,該網(wǎng)格產(chǎn)生的40個(gè)預(yù)選框圖像均要送入T-YOLO神經(jīng)網(wǎng)絡(luò)進(jìn)行判斷識(shí)別。圖6為T-YOLO網(wǎng)絡(luò)檢測(cè)流程圖。

    圖6 算法檢測(cè)流程圖

    同時(shí),為了使模型更具通用性提高模型魯棒性,T-YOLO網(wǎng)絡(luò)采用多尺度訓(xùn)練方式,每隔10輪調(diào)整一次輸入圖像分辨率,進(jìn)而使得模型對(duì)于不同分辨率圖像均能做到有效的識(shí)別與定位。

    2 實(shí)驗(yàn)效果與算法對(duì)比

    2.1 數(shù)據(jù)集預(yù)處理及訓(xùn)練

    本文選取數(shù)據(jù)集是Zhang[19-20]等人公開的中國(guó)交通標(biāo)志檢測(cè)數(shù)據(jù)集(CSUST Chinese Traffic Sign Detection Benchmark,CCTSDB),豐富的數(shù)據(jù)集有助于提高模型平均準(zhǔn)確率,同時(shí)可以加速模型訓(xùn)練時(shí)收斂,降低損失率。為了使得訓(xùn)練集更加豐富,包含不同場(chǎng)景情況下圖像,采用旋轉(zhuǎn)、調(diào)整飽和度、調(diào)整亮度三種混合方式增強(qiáng)數(shù)據(jù)集。按照5∶1的比例劃分訓(xùn)練集與測(cè)試集,分別為15 000張與3 000張圖片,并將數(shù)據(jù)集劃分為警告、強(qiáng)制、禁止三類。

    本文實(shí)驗(yàn)硬件配置如表1所示,并在上面搭配所需的軟件環(huán)境Ubuntu16.04、CUDA10.1、Cudnn7.5、Opencv3.4.3,同時(shí)根據(jù)數(shù)據(jù)集的特點(diǎn),一并參考YOLOv2的參數(shù)配置。T-YOLO算法的參數(shù)配置見表2,在1~30 000次迭代設(shè)置學(xué)習(xí)率大小0.001,然后隨著迭代次數(shù)的累計(jì),依次調(diào)整學(xué)習(xí)率,直到損失率保持穩(wěn)定。

    表1 硬件配置

    表2 T-YOLO參數(shù)配置

    2.2 算法對(duì)比

    為了驗(yàn)證T-YOLO算法準(zhǔn)確性與可靠性,在基于硬件平臺(tái)GPU RXT2080 Ti與CPU Intel(R) Xeon(R) W-2133和軟件平臺(tái)Ubuntu16.04、opencv3.4.3的基礎(chǔ)上,將測(cè)試集3 000張圖片送入不同網(wǎng)絡(luò),圖片大小為1 024 pixel×768 pixel,并選取平均準(zhǔn)確率(mAP)、平均召回率(Average Recall,AR)、GPU檢測(cè)速度(ms/frame)作為驗(yàn)證指標(biāo)。AR計(jì)算公式如公式(3)所示:

    (3)

    式中:TP代表真正正樣本,F(xiàn)P代表假正樣本,F(xiàn)N代表假負(fù)樣本,i代表類別。算法對(duì)比見表3。從表3可以看出,T-YOLO算法無論是在平均準(zhǔn)確率還是在檢測(cè)速度上都達(dá)到最優(yōu)效果,相比于YOLOv2算法,T-YOLO算法在平均準(zhǔn)確度上提高7.1%,檢測(cè)速度每幀縮短了4.9 ms;相比于Faster R-CNN算法,T-YOLO算法在速度上提高124倍,精度提高3.8%;相比于傳統(tǒng)算法HOG+SVM,檢測(cè)精度提高13%。

    表3 算法對(duì)比

    同樣,為了驗(yàn)證T-YOLO算法魯棒性,采用不同分辨率輸入圖像進(jìn)行測(cè)試。采用224 pixel×224 pixel、320 pixel×320 pixel、416 pixel×416 pixel、512 pixel×512 pixel、608 pixel×608 pixel五種分辨率圖像,將原始圖像按照等比例方式縮放到上述分辨率固定尺度,對(duì)于空出像素區(qū)域填充黑色像素0,分別驗(yàn)證各個(gè)分類的準(zhǔn)確率以及平均準(zhǔn)確率、檢測(cè)速度三個(gè)指標(biāo),結(jié)果如圖7和圖8所示。從圖7可以看出,對(duì)于圖片大小為224 pixel×224 pixel的圖像識(shí)別準(zhǔn)確率較低,這是由于交通標(biāo)志圖像大都為低分辨圖像,如果采用更低分辨率圖像,交通標(biāo)志圖像會(huì)變小,所以導(dǎo)致平均準(zhǔn)確率偏低;從圖像大小為320 pixel×320 pixel往上,平均準(zhǔn)確率越來越高,結(jié)果如圖7和圖8所示。從圖7與圖8可以看出對(duì)于低分辨率的圖像,檢測(cè)速度比較快,但對(duì)應(yīng)的平均準(zhǔn)確率低,對(duì)于224 pixel×224 pixel圖像,GPU上檢測(cè)速度達(dá)到13.69 ms/frame,隨著分辨率不斷提高,檢測(cè)耗時(shí)也增加。

    圖7 不同分辨率圖像準(zhǔn)確率

    圖8 不同分辨率圖像檢測(cè)速度

    2.3 T-YOLO算法檢測(cè)效果對(duì)比

    交通標(biāo)志往往懸掛在高空或道路兩旁,從人視覺或汽車視覺內(nèi)觀察到的基本為小型目標(biāo)圖像與中型目標(biāo)圖像;再者,對(duì)于交通安全,能盡早準(zhǔn)確無誤地將遠(yuǎn)方交通標(biāo)志檢出,可以減少不必要的損失,避免進(jìn)一步的人員傷亡。從圖9(a)可看出,YOLOv2算法針對(duì)于小型目標(biāo)圖像檢測(cè),對(duì)小型目標(biāo)定位很不準(zhǔn)確,進(jìn)而很難檢測(cè)出;同樣可以看出,由于采用池化層作為下采樣操作丟失邊緣信息,對(duì)于遮擋目標(biāo)很難檢測(cè)出。從圖9(b)可看出,T-YOLO算法可以準(zhǔn)確無誤將小型目標(biāo)圖像定位,進(jìn)而進(jìn)一步檢測(cè)出目標(biāo)。由于采用卷積層填充0、卷積層下采樣、上采樣等方法,T-YOLO算法對(duì)于交通標(biāo)志邊緣信息非常敏感,對(duì)部分遮擋標(biāo)志仍能將它檢測(cè)出來。對(duì)于一些特殊天氣下的小型目標(biāo)圖像,T-YOLO算法仍可以檢測(cè)出。

    圖9 部分算法對(duì)比檢測(cè)效果圖

    3 結(jié)束語(yǔ)

    本文提出了一種基于深度學(xué)習(xí)識(shí)別交通標(biāo)志新方法,與一般算法不同,該算法從交通標(biāo)志邊緣信息出發(fā),針對(duì)交通標(biāo)志特定場(chǎng)景,精簡(jiǎn)模型縮短速度,通過提取邊緣信息與上采樣提升識(shí)別精度。實(shí)驗(yàn)表明該方法真實(shí)有效,相比同期交通標(biāo)志識(shí)別算法精度與速度方面均有大幅提高,GPU平臺(tái)上采用原始圖像數(shù)據(jù)(1 024 pixel×768 pixel),檢測(cè)速度19.31 ms/frame,mAP為97.3%;由于采用多尺度訓(xùn)練方式,模型的魯棒性增強(qiáng)。但現(xiàn)實(shí)場(chǎng)景細(xì)分每類交通標(biāo)志,算法針對(duì)交通標(biāo)志分類范圍過大、類別過少,且未結(jié)合標(biāo)志牌特有顏色與形狀特征以提升識(shí)別精度,未經(jīng)實(shí)車測(cè)試。細(xì)分多類交通識(shí)別與實(shí)車測(cè)試將是下一步研究的方向。

    “親近自然,親近泥土”無疑是陶藝作品在當(dāng)今的可貴之處,亦在當(dāng)今也愈發(fā)成為了人們的奢求。當(dāng)它出現(xiàn)于人們的活動(dòng)空間時(shí),便是將這么一份可貴的物質(zhì)給予人們,讓空間充滿意義與歡喜。作為物質(zhì)與精神融合的產(chǎn)物,其多樣化的材料表達(dá)方式也符合大家追求特立獨(dú)行和豐富的藝術(shù)風(fēng)格。以極為自然的藝術(shù)表現(xiàn)形式,承載著一定的文化元素,慢慢融入空間環(huán)境中,點(diǎn)綴、裝飾著空間,促成空間的自然化、藝術(shù)化和多元化。

    猜你喜歡
    檢測(cè)
    QC 檢測(cè)
    “不等式”檢測(cè)題
    “一元一次不等式”檢測(cè)題
    “一元一次不等式組”檢測(cè)題
    “幾何圖形”檢測(cè)題
    “角”檢測(cè)題
    “有理數(shù)的乘除法”檢測(cè)題
    “有理數(shù)”檢測(cè)題
    “角”檢測(cè)題
    “幾何圖形”檢測(cè)題
    美女高潮喷水抽搐中文字幕| 日韩大码丰满熟妇| 色av中文字幕| 国产伦在线观看视频一区| 国内少妇人妻偷人精品xxx网站 | 色在线成人网| av在线天堂中文字幕| 可以在线观看的亚洲视频| 黑人欧美特级aaaaaa片| 欧美日韩黄片免| 国产精品久久久久久精品电影 | 在线观看66精品国产| 午夜福利在线在线| 亚洲无线在线观看| 可以在线观看的亚洲视频| 人妻丰满熟妇av一区二区三区| 免费无遮挡裸体视频| 波多野结衣av一区二区av| 美女高潮到喷水免费观看| 最近最新免费中文字幕在线| 亚洲欧美精品综合久久99| 国产亚洲精品一区二区www| 久久久久久人人人人人| 国产亚洲欧美在线一区二区| 国产日本99.免费观看| 精品久久久久久久人妻蜜臀av| 午夜两性在线视频| 亚洲av成人av| 可以在线观看的亚洲视频| 两个人看的免费小视频| 悠悠久久av| 波多野结衣高清作品| 一本久久中文字幕| 亚洲天堂国产精品一区在线| 亚洲精品国产区一区二| 天堂动漫精品| 三级毛片av免费| 黄色毛片三级朝国网站| 大型黄色视频在线免费观看| 俄罗斯特黄特色一大片| 人妻久久中文字幕网| 熟妇人妻久久中文字幕3abv| 国产精品香港三级国产av潘金莲| 久久天躁狠狠躁夜夜2o2o| 欧美一级毛片孕妇| 少妇 在线观看| 久热这里只有精品99| 69av精品久久久久久| 精品午夜福利视频在线观看一区| 免费无遮挡裸体视频| 一区福利在线观看| 中国美女看黄片| 丰满人妻熟妇乱又伦精品不卡| 亚洲精品一卡2卡三卡4卡5卡| 国产主播在线观看一区二区| 国产精华一区二区三区| 久久午夜综合久久蜜桃| 久久精品91蜜桃| 亚洲,欧美精品.| 一区二区三区精品91| 中文在线观看免费www的网站 | 国内揄拍国产精品人妻在线 | 看黄色毛片网站| 大型黄色视频在线免费观看| 淫秽高清视频在线观看| 国产亚洲欧美98| 国产99久久九九免费精品| 亚洲国产欧美日韩在线播放| 亚洲精品美女久久久久99蜜臀| 欧美成狂野欧美在线观看| 国产麻豆成人av免费视频| 国产精品电影一区二区三区| 国产精品影院久久| 两个人视频免费观看高清| 99久久综合精品五月天人人| 亚洲五月色婷婷综合| 免费av毛片视频| 中国美女看黄片| 最近最新中文字幕大全电影3 | 亚洲欧美一区二区三区黑人| 精品久久蜜臀av无| 久热爱精品视频在线9| 一进一出好大好爽视频| 国产熟女午夜一区二区三区| 亚洲国产欧美网| 国内少妇人妻偷人精品xxx网站 | 久久久久久久午夜电影| 久久久久国产一级毛片高清牌| 欧美国产精品va在线观看不卡| 欧美在线黄色| 十八禁人妻一区二区| 中文字幕最新亚洲高清| 亚洲精品在线美女| 精品久久久久久久毛片微露脸| 日本撒尿小便嘘嘘汇集6| 一本综合久久免费| 国产真人三级小视频在线观看| 久久久久久久精品吃奶| 久久热在线av| 国产高清视频在线播放一区| 国内毛片毛片毛片毛片毛片| 丰满人妻熟妇乱又伦精品不卡| 中文亚洲av片在线观看爽| 精品乱码久久久久久99久播| 国产成人av教育| 香蕉久久夜色| 久久狼人影院| 国产熟女午夜一区二区三区| 国产亚洲精品av在线| 村上凉子中文字幕在线| 老鸭窝网址在线观看| 久久久久精品国产欧美久久久| 欧美成人午夜精品| 欧美日韩中文字幕国产精品一区二区三区| 国产视频内射| 国产精品1区2区在线观看.| 久久中文看片网| 一区二区三区精品91| 99精品在免费线老司机午夜| 最好的美女福利视频网| 麻豆av在线久日| 精品一区二区三区av网在线观看| 日本五十路高清| 狠狠狠狠99中文字幕| 欧美中文综合在线视频| 一进一出抽搐gif免费好疼| 老司机靠b影院| 亚洲无线在线观看| 国产精品永久免费网站| 成人国产一区最新在线观看| 免费搜索国产男女视频| 国产激情偷乱视频一区二区| 国产一区在线观看成人免费| 欧美色视频一区免费| 欧美最黄视频在线播放免费| www日本黄色视频网| 午夜福利在线观看吧| 国产成人av激情在线播放| 亚洲 国产 在线| 免费观看人在逋| 午夜久久久在线观看| 国产精品免费视频内射| 成人亚洲精品一区在线观看| 熟女少妇亚洲综合色aaa.| 熟女电影av网| 90打野战视频偷拍视频| 正在播放国产对白刺激| 日本五十路高清| 99久久无色码亚洲精品果冻| 观看免费一级毛片| 亚洲美女黄片视频| 成人手机av| 成人精品一区二区免费| 国产av一区二区精品久久| 久久久久九九精品影院| av电影中文网址| 日本 av在线| 高清毛片免费观看视频网站| 成人永久免费在线观看视频| 亚洲精品色激情综合| 免费在线观看黄色视频的| 久久精品亚洲精品国产色婷小说| 88av欧美| 国产区一区二久久| 妹子高潮喷水视频| 男女之事视频高清在线观看| 免费观看精品视频网站| 国产精品香港三级国产av潘金莲| 三级毛片av免费| 亚洲午夜理论影院| 日本 欧美在线| 国产在线精品亚洲第一网站| 日韩精品青青久久久久久| а√天堂www在线а√下载| 国产aⅴ精品一区二区三区波| 色哟哟哟哟哟哟| 国产一区二区三区在线臀色熟女| 日本在线视频免费播放| 亚洲真实伦在线观看| 国产精品 国内视频| 我的亚洲天堂| 日韩成人在线观看一区二区三区| 国产欧美日韩一区二区精品| 精品福利观看| 国产精品精品国产色婷婷| 国产激情久久老熟女| 在线观看免费视频日本深夜| 叶爱在线成人免费视频播放| 免费观看精品视频网站| 男女做爰动态图高潮gif福利片| 精品欧美国产一区二区三| 久久久久免费精品人妻一区二区 | 久久午夜亚洲精品久久| 亚洲国产精品合色在线| videosex国产| 九色国产91popny在线| av中文乱码字幕在线| 亚洲av熟女| 中文字幕久久专区| 国产蜜桃级精品一区二区三区| 国产成人av教育| 国产乱人伦免费视频| 国产一区二区在线av高清观看| 亚洲第一欧美日韩一区二区三区| 国产一区二区三区视频了| 亚洲九九香蕉| 精品国内亚洲2022精品成人| 丰满的人妻完整版| 婷婷丁香在线五月| av中文乱码字幕在线| 18禁裸乳无遮挡免费网站照片 | 亚洲精品美女久久久久99蜜臀| 女人被狂操c到高潮| 亚洲国产高清在线一区二区三 | 国产激情欧美一区二区| 国产精品久久久人人做人人爽| 午夜激情福利司机影院| 精品国产超薄肉色丝袜足j| 久久中文字幕人妻熟女| 可以在线观看毛片的网站| av在线播放免费不卡| 欧美日韩福利视频一区二区| 精品福利观看| videosex国产| 少妇的丰满在线观看| 亚洲自偷自拍图片 自拍| 成人国产一区最新在线观看| 99国产综合亚洲精品| 两人在一起打扑克的视频| 搞女人的毛片| 中文字幕人成人乱码亚洲影| 亚洲国产欧美一区二区综合| 成人18禁高潮啪啪吃奶动态图| 动漫黄色视频在线观看| 女生性感内裤真人,穿戴方法视频| 色精品久久人妻99蜜桃| 老司机福利观看| 中文字幕av电影在线播放| 欧美成人午夜精品| 欧美黑人精品巨大| 国产伦人伦偷精品视频| 亚洲欧美激情综合另类| 99国产精品99久久久久| 精品国产超薄肉色丝袜足j| 久久国产精品男人的天堂亚洲| 午夜亚洲福利在线播放| 国产极品粉嫩免费观看在线| 午夜免费鲁丝| 女同久久另类99精品国产91| av欧美777| 欧美zozozo另类| 久久国产亚洲av麻豆专区| 亚洲片人在线观看| 狂野欧美激情性xxxx| 国产一级毛片七仙女欲春2 | 在线观看免费视频日本深夜| 亚洲精品美女久久av网站| 中出人妻视频一区二区| 日韩欧美 国产精品| 天堂√8在线中文| 精品久久蜜臀av无| 亚洲精品一区av在线观看| 成人手机av| 亚洲午夜精品一区,二区,三区| or卡值多少钱| 国产精品野战在线观看| 亚洲国产欧洲综合997久久, | 啦啦啦 在线观看视频| 欧美中文综合在线视频| 天天躁夜夜躁狠狠躁躁| 露出奶头的视频| 国产日本99.免费观看| 国产亚洲精品av在线| 久久国产精品男人的天堂亚洲| 香蕉国产在线看| 精品卡一卡二卡四卡免费| 亚洲国产精品sss在线观看| 国内毛片毛片毛片毛片毛片| aaaaa片日本免费| 99久久99久久久精品蜜桃| 午夜福利在线在线| 免费观看人在逋| 欧美色欧美亚洲另类二区| 国产熟女xx| 欧美av亚洲av综合av国产av| 91av网站免费观看| 亚洲成a人片在线一区二区| 国产免费男女视频| 久久精品夜夜夜夜夜久久蜜豆 | 久久久久久国产a免费观看| 99热6这里只有精品| 免费在线观看视频国产中文字幕亚洲| 视频区欧美日本亚洲| 黑人欧美特级aaaaaa片| 亚洲成人国产一区在线观看| 欧美国产日韩亚洲一区| 日韩精品免费视频一区二区三区| 在线看三级毛片| 成人av一区二区三区在线看| 香蕉国产在线看| 在线观看66精品国产| 两个人视频免费观看高清| 在线观看舔阴道视频| 日韩三级视频一区二区三区| 50天的宝宝边吃奶边哭怎么回事| 18禁国产床啪视频网站| 精品久久久久久久久久久久久 | 天堂动漫精品| 亚洲av电影不卡..在线观看| 97人妻精品一区二区三区麻豆 | 精品国产超薄肉色丝袜足j| av超薄肉色丝袜交足视频| av电影中文网址| 亚洲av日韩精品久久久久久密| 精品久久久久久久久久免费视频| 亚洲,欧美精品.| 高清在线国产一区| 一区二区日韩欧美中文字幕| 亚洲av电影不卡..在线观看| 一a级毛片在线观看| 黄色片一级片一级黄色片| 老司机靠b影院| 久久性视频一级片| 999久久久精品免费观看国产| 国产精品久久视频播放| 黄色成人免费大全| 午夜福利在线观看吧| 白带黄色成豆腐渣| 国产高清有码在线观看视频 | 又黄又爽又免费观看的视频| 亚洲精品中文字幕一二三四区| 国产熟女xx| 午夜福利免费观看在线| 精品久久久久久久人妻蜜臀av| 波多野结衣高清作品| 久久人妻av系列| 少妇被粗大的猛进出69影院| 丰满人妻熟妇乱又伦精品不卡| 一a级毛片在线观看| 中出人妻视频一区二区| 午夜福利欧美成人| 国产精品久久电影中文字幕| 国产av一区二区精品久久| 成人亚洲精品av一区二区| 美女大奶头视频| 日本撒尿小便嘘嘘汇集6| 欧美+亚洲+日韩+国产| 在线观看免费午夜福利视频| 成人国产一区最新在线观看| 免费在线观看亚洲国产| 2021天堂中文幕一二区在线观 | 婷婷六月久久综合丁香| 欧洲精品卡2卡3卡4卡5卡区| 国产av一区二区精品久久| 午夜久久久在线观看| 国产不卡一卡二| 精品欧美一区二区三区在线| 一a级毛片在线观看| 色综合欧美亚洲国产小说| 搡老岳熟女国产| 亚洲第一欧美日韩一区二区三区| 国产又色又爽无遮挡免费看| 国产精品 欧美亚洲| 国产精品香港三级国产av潘金莲| 日本在线视频免费播放| 国产一卡二卡三卡精品| 国产在线精品亚洲第一网站| 亚洲熟妇熟女久久| 国产精品电影一区二区三区| 女性生殖器流出的白浆| 在线观看舔阴道视频| 俄罗斯特黄特色一大片| 国产精品乱码一区二三区的特点| 欧美zozozo另类| 亚洲午夜精品一区,二区,三区| 亚洲aⅴ乱码一区二区在线播放 | 国产一卡二卡三卡精品| 亚洲欧美日韩高清在线视频| 欧美激情极品国产一区二区三区| 在线国产一区二区在线| 免费看美女性在线毛片视频| 久久久久国产精品人妻aⅴ院| 欧美成人性av电影在线观看| 黄色成人免费大全| 国产色视频综合| 色哟哟哟哟哟哟| 一级作爱视频免费观看| 久久久久亚洲av毛片大全| 很黄的视频免费| 99国产极品粉嫩在线观看| 日本撒尿小便嘘嘘汇集6| 国产三级在线视频| 婷婷丁香在线五月| 在线永久观看黄色视频| 夜夜躁狠狠躁天天躁| 一二三四社区在线视频社区8| 91老司机精品| 亚洲中文av在线| 国产成人精品久久二区二区免费| 欧美日韩亚洲综合一区二区三区_| 一本大道久久a久久精品| 露出奶头的视频| 亚洲一区二区三区不卡视频| 69av精品久久久久久| 婷婷精品国产亚洲av| a级毛片在线看网站| 少妇 在线观看| 男人的好看免费观看在线视频 | 国产三级黄色录像| 国产熟女xx| 18禁美女被吸乳视频| 手机成人av网站| 精品久久久久久久末码| 亚洲精品国产区一区二| 三级毛片av免费| 久久久国产欧美日韩av| 欧美丝袜亚洲另类 | 成年版毛片免费区| 午夜福利视频1000在线观看| 国产爱豆传媒在线观看 | 搡老熟女国产l中国老女人| 精品国产乱码久久久久久男人| 日韩国内少妇激情av| 国产精品久久久久久人妻精品电影| 国产黄片美女视频| 成人手机av| 亚洲专区中文字幕在线| 欧美中文日本在线观看视频| 国产免费av片在线观看野外av| 国产又黄又爽又无遮挡在线| 变态另类丝袜制服| 黑人操中国人逼视频| а√天堂www在线а√下载| 国语自产精品视频在线第100页| 日韩大码丰满熟妇| 国产精品综合久久久久久久免费| 欧美黄色淫秽网站| 黄色女人牲交| 怎么达到女性高潮| 黄色视频,在线免费观看| 国产精品乱码一区二三区的特点| 日韩高清综合在线| 18禁观看日本| 久久久久国产一级毛片高清牌| 亚洲精品久久成人aⅴ小说| 国产又黄又爽又无遮挡在线| 亚洲av日韩精品久久久久久密| 又黄又粗又硬又大视频| 免费看十八禁软件| 午夜福利高清视频| 久久久国产成人精品二区| 久久精品夜夜夜夜夜久久蜜豆 | 欧美乱码精品一区二区三区| 亚洲va日本ⅴa欧美va伊人久久| 亚洲av成人av| 欧美乱码精品一区二区三区| av超薄肉色丝袜交足视频| 久久久久久免费高清国产稀缺| 国产极品粉嫩免费观看在线| 18禁黄网站禁片免费观看直播| 欧美国产日韩亚洲一区| 变态另类丝袜制服| 超碰成人久久| 亚洲五月婷婷丁香| 欧美又色又爽又黄视频| 午夜久久久在线观看| 欧美黑人欧美精品刺激| 99久久99久久久精品蜜桃| 亚洲av熟女| 一区二区三区激情视频| 国产国语露脸激情在线看| 亚洲国产毛片av蜜桃av| 正在播放国产对白刺激| 亚洲无线在线观看| 色老头精品视频在线观看| 高清毛片免费观看视频网站| 999久久久国产精品视频| 免费看日本二区| 黄色女人牲交| 亚洲av中文字字幕乱码综合 | 亚洲成人免费电影在线观看| 99久久国产精品久久久| 午夜福利欧美成人| 免费在线观看日本一区| 黄片小视频在线播放| 看片在线看免费视频| 亚洲七黄色美女视频| 中文亚洲av片在线观看爽| 三级毛片av免费| 亚洲国产看品久久| 高潮久久久久久久久久久不卡| 成在线人永久免费视频| 变态另类成人亚洲欧美熟女| bbb黄色大片| 中文字幕人成人乱码亚洲影| 高潮久久久久久久久久久不卡| 黄色视频,在线免费观看| 婷婷精品国产亚洲av| 欧美人与性动交α欧美精品济南到| 村上凉子中文字幕在线| 最近最新中文字幕大全电影3 | 精品国内亚洲2022精品成人| 黄频高清免费视频| 精品国产超薄肉色丝袜足j| 欧美色欧美亚洲另类二区| 两个人免费观看高清视频| 一级毛片精品| av视频在线观看入口| 久久久久久免费高清国产稀缺| av片东京热男人的天堂| 1024香蕉在线观看| 91在线观看av| 这个男人来自地球电影免费观看| 波多野结衣高清无吗| 午夜久久久在线观看| 欧美激情极品国产一区二区三区| 色老头精品视频在线观看| 1024手机看黄色片| 久久国产精品男人的天堂亚洲| 91老司机精品| 亚洲欧美一区二区三区黑人| 老汉色∧v一级毛片| 最新在线观看一区二区三区| 日韩欧美三级三区| 中文字幕精品免费在线观看视频| 久久九九热精品免费| 亚洲真实伦在线观看| 国产片内射在线| 一个人免费在线观看的高清视频| 黄色成人免费大全| 免费在线观看成人毛片| 国产免费av片在线观看野外av| 男男h啪啪无遮挡| 亚洲精华国产精华精| 亚洲av成人不卡在线观看播放网| 日本在线视频免费播放| 一个人免费在线观看的高清视频| 精品不卡国产一区二区三区| 免费在线观看成人毛片| 国产91精品成人一区二区三区| 9191精品国产免费久久| 18禁裸乳无遮挡免费网站照片 | 在线观看免费午夜福利视频| 久久精品夜夜夜夜夜久久蜜豆 | 美女国产高潮福利片在线看| 亚洲人成电影免费在线| 久热这里只有精品99| 男男h啪啪无遮挡| 1024视频免费在线观看| av天堂在线播放| 精品久久久久久久久久久久久 | 日日爽夜夜爽网站| 一个人观看的视频www高清免费观看 | 成在线人永久免费视频| 亚洲中文字幕日韩| 欧美中文日本在线观看视频| 久久精品影院6| 亚洲av五月六月丁香网| 99久久国产精品久久久| 午夜免费观看网址| 亚洲一区二区三区不卡视频| 亚洲色图 男人天堂 中文字幕| 国产成人系列免费观看| 看免费av毛片| 老鸭窝网址在线观看| 老司机靠b影院| 国产激情久久老熟女| 91成年电影在线观看| 久久国产精品影院| 亚洲欧美激情综合另类| 91麻豆精品激情在线观看国产| 久久久久免费精品人妻一区二区 | 岛国在线观看网站| 国产国语露脸激情在线看| 久久天堂一区二区三区四区| 中文字幕精品免费在线观看视频| 亚洲一卡2卡3卡4卡5卡精品中文| 久久亚洲精品不卡| 韩国av一区二区三区四区| 91国产中文字幕| 中文字幕人成人乱码亚洲影| 亚洲中文日韩欧美视频| 99riav亚洲国产免费| 亚洲国产毛片av蜜桃av| 一级毛片精品| 1024视频免费在线观看| 婷婷精品国产亚洲av在线| 日本在线视频免费播放| 久久中文字幕一级| 99久久久亚洲精品蜜臀av| 亚洲国产精品久久男人天堂| 99国产综合亚洲精品| 国产成人欧美| 成人18禁在线播放| 香蕉丝袜av| 一进一出抽搐gif免费好疼| 黄色丝袜av网址大全| 国产黄色小视频在线观看| 久久久久久人人人人人| 日韩欧美国产在线观看| 国产黄色小视频在线观看| 一进一出抽搐gif免费好疼| 久久久久精品国产欧美久久久| 欧美性猛交╳xxx乱大交人| 亚洲一区二区三区色噜噜| 一卡2卡三卡四卡精品乱码亚洲| 露出奶头的视频| 999久久久精品免费观看国产| 夜夜夜夜夜久久久久| 亚洲久久久国产精品| 激情在线观看视频在线高清| 青草久久国产| 亚洲欧美日韩无卡精品| 最新美女视频免费是黄的| 久久久精品欧美日韩精品|