• <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 ?

    一種基于深度學習的交通標志識別新算法*

    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

    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 通信與信息工程學院,重慶 400065;2.山東大學 信息科學與工程學院,山東 青島 266237)

    0 引 言

    交通標志識別是交通道路運輸?shù)闹匾M成部分[1-2],但受多種因素干擾,如下雨天、標志牌老化等,為保證道路安全,既要考慮識別的精度也要確保識別速度,因此實際應用中要求實現(xiàn)實時高精度識別。

    目前關(guān)于交通標志識別已有多種方法。由于標識牌特有的形狀與顏色,有學者提出基于色彩空間識別方法[3],或根據(jù)形狀特征識別交通標志[4],或采用色彩與形狀特征融合[5]識別,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(Support Vector Machine,SVM)進行分類[7-9]。然而這些方法存在一定弊端:采用色彩或形狀識別算法存在大量誤檢,當交通標志所處背景與其顏色或形狀相近,往往會將背景錯誤識別成交通標志;再者,通過顏色和形狀對特殊情況下交通標志很難提取,例如下雨天、大霧天、遮擋等情況,進而導致精度偏低;使用顏色或形狀提取圖像候選區(qū)域隨后使用SVM分類的方法對于類別過多交通標志,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(Convolutional Neural Network,CNN)的興起,為解決精度低的問題,又有學者提出將CNN應用在交通標志檢測與識別。Lee[10]等人基于SSD(Single Shot Multibox Detector)算法[11]構(gòu)建的CNN算法同時估計交通標志位置與邊界,在基于VGG16模型下最高平均準確率(Mean Average Precision,mAP)達到88.4%。Filatov[12]基于交通標志邊緣,通過形態(tài)學運算與Canny算法處理待檢測圖像得到交通標志輪廓,隨后送入CNN模型進行判斷,實現(xiàn)交通標志識別。但對于使用CNN檢測方法,通過提取大量目標候選區(qū)域送入分類網(wǎng)絡進行判斷和識別[13-18],雖然保證一定的精度與通用性,但不針對交通標志特定場景,網(wǎng)絡設(shè)計復雜,提取候選區(qū)域圖像均要送入網(wǎng)絡判斷與識別,需要大量計算導致識別速度慢,且精度受限無法進一步提升。

    本文從交通標志牌邊緣信息出發(fā),基于深度學習YOLOv2算法檢測思想,提出一種T-YOLO檢測算法。該算法自行搭建網(wǎng)絡結(jié)構(gòu),融合殘差網(wǎng)絡、下采樣操作舍棄通用池化層而改用卷積層,設(shè)計7層特征提取網(wǎng)絡,解決檢測速度慢問題,縮短檢測速度;針對交通標志特定場景,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提高識別精度,上采樣方法解決算法無法定位小目標問題提升定位準確度,進一步提高識別精度;隨后采用Softmax函數(shù)歸一化0~1,產(chǎn)生目標概率可能值,實現(xiàn)多分類識別,解決SVM分類器通用性偏低問題;通過批量歸一化、多尺度訓練等訓練方法,增強了算法的魯棒性。實驗表明,相比于同期交通標志識別算法,所提算法在檢測速度與平均準確度上均達到最優(yōu);相比于YOLOv2,所提算法平均準確率提高7.1%,檢測速度縮短每幀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,整幅待檢測圖像被劃分成S×S個網(wǎng)格,每個網(wǎng)格負責檢測目標圖像中心點是否落在該網(wǎng)格,對于目標圖像中心點落在的網(wǎng)格,Pr(object)=1,否則Pr(object)=0。通過人為設(shè)定的anchor錨點,產(chǎn)生定量個數(shù)預測框,每個預測框會產(chǎn)生坐標信息(x,y,w,h)和置信度(confidence)。x、y為相對該網(wǎng)格左上角坐標偏移值,w、h為該預測框?qū)捙c高,置信度為邊界框包含目標的可能性Pr(object)與邊界框準確度IOU(Intersection over Union)的乘積,如公式(1);同時,每個預測框還會產(chǎn)生一個固定的類別C。

    (1)

    圖1 T-YOLO算法檢測示意圖

    交通標志邊緣含有豐富的色彩對比信息與線條鮮明形狀信息,可以提高識別準確度。為此,T-YOLO算法采用卷積層均四周填充0,提取邊緣信息,以提升檢測精度。再者,交通標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)置步長為2,進行圖像下采樣(見圖2),確保邊緣信息不會被丟失,進而提升檢測精度。深度越深的網(wǎng)絡層,參數(shù)初始化一般接近0,在訓練過程中,隨著迭代次數(shù)增加,網(wǎng)絡更新淺層參數(shù),而進一步導致梯度消失,產(chǎn)生梯度爆炸等現(xiàn)象,從而導致無法收斂,損失率增加,而殘差網(wǎng)絡能解決梯度消失與梯度爆炸等現(xiàn)象,進而使得模型收斂。為此,T-YOLO算法在特征提取結(jié)構(gòu)后加入殘差網(wǎng)絡,用以防止模型過擬合。圖3為引入殘差網(wǎng)絡結(jié)構(gòu)示意圖。

    圖3 殘差網(wǎng)絡示意圖

    神經(jīng)網(wǎng)絡訓練是個復雜過程,只要前面幾層發(fā)生微小變化,這種微小變化就會在后面幾層不斷放大,形成大變化,一旦網(wǎng)絡輸入數(shù)據(jù)分布發(fā)生改變,那么網(wǎng)絡層勢必要去適應學習這個新數(shù)據(jù)分布,這將極大影響訓練速度。為此,T-YOLO算法在每個卷積層中均加入批量歸一化操作(Batch Normalization,BN),加速訓練模型的收斂速度。

    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,進而產(chǎn)生了一種從原始數(shù)據(jù)到訓練數(shù)據(jù)的映射表達式,如公式(2)所示:

    (2)

    如圖4所示,T-YOLO對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)絡與上采樣繼續(xù)進行細節(jié)特征提取。T-YOLO算法為解決無法準確定位小型目標圖像問題引入上采樣操作,如圖5所示,通過融合殘差網(wǎng)絡的輸出與輸入并上采樣,解決識別小型目標問題,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行0與1分類,Softmax函數(shù)產(chǎn)生目標概率值,可以實現(xiàn)多目標的分類,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

    圖5 T-YOLO網(wǎng)絡示意圖

    1.2 T-YOLO檢測算法

    針對目標檢測,T-YOLO算法將待檢測圖像劃分成56×56個網(wǎng)格,每個網(wǎng)格會檢測是否包含目標圖像區(qū)域,對于區(qū)域性包含目標圖像的網(wǎng)格通過算術(shù)求得網(wǎng)格中心值,進而確定目標中心點落在的網(wǎng)格。對于檢測到目標中心點網(wǎng)格將會截取并產(chǎn)生系列事先設(shè)定大小的預選框圖像,截取圖像送入神經(jīng)網(wǎng)絡進行判斷與識別。本文將網(wǎng)格中輸出預選框圖像個數(shù)設(shè)置為5個,并采用k均值聚類算法(k-means)求解事先設(shè)定預選框大小,隨機選取k個對象作為初始聚類中心,然后計算目標中的點與聚類中心距離,并將每次產(chǎn)生的對象分配給距離它最近中心點,每分配一個樣本,聚類中心點將會重新計算,然后繼續(xù)聚類,直到所有樣本都被計算完成,最終產(chǎn)生所有的聚類點,選取其中聚類最多的5個矩形框的點作為預選框。

    因此,含有交通標志目標中心點的網(wǎng)格將會產(chǎn)生(5+3)×5個預選框圖像,該網(wǎng)格產(chǎn)生的40個預選框圖像均要送入T-YOLO神經(jīng)網(wǎng)絡進行判斷識別。圖6為T-YOLO網(wǎng)絡檢測流程圖。

    圖6 算法檢測流程圖

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

    2 實驗效果與算法對比

    2.1 數(shù)據(jù)集預處理及訓練

    本文選取數(shù)據(jù)集是Zhang[19-20]等人公開的中國交通標志檢測數(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確率,同時可以加速模型訓練時收斂,降低損失率。為了使得訓練集更加豐富,包含不同場景情況下圖像,采用旋轉(zhuǎn)、調(diào)整飽和度、調(diào)整亮度三種混合方式增強數(shù)據(jù)集。按照5∶1的比例劃分訓練集與測試集,分別為15 000張與3 000張圖片,并將數(shù)據(jù)集劃分為警告、強制、禁止三類。

    本文實驗硬件配置如表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,同時根據(jù)數(shù)據(jù)集的特點,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)置學習率大小0.001,然后隨著迭代次數(shù)的累計,依次調(diào)整學習率,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 算法對比

    為了驗證T-YOLO算法準確性與可靠性,在基于硬件平臺GPU RXT2080 Ti與CPU Intel(R) Xeon(R) W-2133和軟件平臺Ubuntu16.04、opencv3.4.3的基礎(chǔ)上,將測試集3 000張圖片送入不同網(wǎng)絡,圖片大小為1 024 pixel×768 pixel,并選取平均準確率(mAP)、平均召回率(Average Recall,AR)、GPU檢測速度(ms/frame)作為驗證指標。AR計算公式如公式(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代表假負樣本,i代表類別。算法對比見表3。從表3可以看出,T-YOLO算法無論是在平均準確率還是在檢測速度上都達到最優(yōu)效果,相比于YOLOv2算法,T-YOLO算法在平均準確度上提高7.1%,檢測速度每幀縮短了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,檢測精度提高13%。

    表3 算法對比

    同樣,為了驗證T-YOLO算法魯棒性,采用不同分辨率輸入圖像進行測試。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,對于空出像素區(qū)域填充黑色像素0,分別驗證各個分類的準確率以及平均準確率、檢測速度三個指標,結(jié)果如圖7和圖8所示。從圖7可以看出,對于圖片大小為224 pixel×224 pixel的圖像識別準確率較低,這是由于交通標志圖像大都為低分辨圖像,如果采用更低分辨率圖像,交通標志圖像會變小,所以導致平均準確率偏低;從圖像大小為320 pixel×320 pixel往上,平均準確率越來越高,結(jié)果如圖7和圖8所示。從圖7與圖8可以看出對于低分辨率的圖像,檢測速度比較快,但對應的平均準確率低,對于224 pixel×224 pixel圖像,GPU上檢測速度達到13.69 ms/frame,隨著分辨率不斷提高,檢測耗時也增加。

    圖7 不同分辨率圖像準確率

    圖8 不同分辨率圖像檢測速度

    2.3 T-YOLO算法檢測效果對比

    交通標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圖像與中型目標圖像;再者,對于交通安全,能盡早準確無誤地將遠方交通標志檢出,可以減少不必要的損失,避免進一步的人員傷亡。從圖9(a)可看出,YOLOv2算法針對于小型目標圖像檢測,對小型目標定位很不準確,進而很難檢測出;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,對于遮擋目標很難檢測出。從圖9(b)可看出,T-YOLO算法可以準確無誤將小型目標圖像定位,進而進一步檢測出目標。由于采用卷積層填充0、卷積層下采樣、上采樣等方法,T-YOLO算法對于交通標志邊緣信息非常敏感,對部分遮擋標志仍能將它檢測出來。對于一些特殊天氣下的小型目標圖像,T-YOLO算法仍可以檢測出。

    圖9 部分算法對比檢測效果圖

    3 結(jié)束語

    本文提出了一種基于深度學習識別交通標志新方法,與一般算法不同,該算法從交通標志邊緣信息出發(fā),針對交通標志特定場景,精簡模型縮短速度,通過提取邊緣信息與上采樣提升識別精度。實驗表明該方法真實有效,相比同期交通標志識別算法精度與速度方面均有大幅提高,GPU平臺上采用原始圖像數(shù)據(jù)(1 024 pixel×768 pixel),檢測速度19.31 ms/frame,mAP為97.3%;由于采用多尺度訓練方式,模型的魯棒性增強。但現(xiàn)實場景細分每類交通標志,算法針對交通標志分類范圍過大、類別過少,且未結(jié)合標志牌特有顏色與形狀特征以提升識別精度,未經(jīng)實車測試。細分多類交通識別與實車測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今的可貴之處,亦在當今也愈發(fā)成為了人們的奢求。當它出現(xiàn)于人們的活動空間時,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方式也符合大家追求特立獨行和豐富的藝術(shù)風格。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
    QC 檢測
    “不等式”檢測題
    “一元一次不等式”檢測題
    “一元一次不等式組”檢測題
    “幾何圖形”檢測題
    “角”檢測題
    “有理數(shù)的乘除法”檢測題
    “有理數(shù)”檢測題
    “角”檢測題
    “幾何圖形”檢測題
    黄色丝袜av网址大全| 久久香蕉精品热| 亚洲精华国产精华精| 日韩 欧美 亚洲 中文字幕| 免费av中文字幕在线| 黄色 视频免费看| 精品欧美一区二区三区在线| 中文字幕另类日韩欧美亚洲嫩草| 在线观看免费视频日本深夜| 黑人猛操日本美女一级片| 久久精品成人免费网站| 免费少妇av软件| 亚洲一区二区三区不卡视频| 国产男女内射视频| 91av网站免费观看| av欧美777| 九色亚洲精品在线播放| 国产精品亚洲av一区麻豆| 亚洲av日韩在线播放| 一进一出好大好爽视频| 超碰97精品在线观看| 中文字幕高清在线视频| 国产极品粉嫩免费观看在线| 一夜夜www| 在线视频色国产色| 亚洲成人免费电影在线观看| 亚洲av片天天在线观看| 国产亚洲欧美98| 日韩欧美三级三区| 老熟女久久久| 99精品在免费线老司机午夜| 亚洲成国产人片在线观看| 中国美女看黄片| 99精品久久久久人妻精品| 久久久久国内视频| av超薄肉色丝袜交足视频| 亚洲av成人不卡在线观看播放网| 久久ye,这里只有精品| 午夜成年电影在线免费观看| 国产真人三级小视频在线观看| 亚洲av片天天在线观看| tocl精华| 91av网站免费观看| 视频区欧美日本亚洲| 男女午夜视频在线观看| 一级a爱视频在线免费观看| 久久精品国产综合久久久| www.熟女人妻精品国产| 中文字幕最新亚洲高清| 久久精品亚洲精品国产色婷小说| 又大又爽又粗| 日本黄色日本黄色录像| 成年动漫av网址| 女人被躁到高潮嗷嗷叫费观| 热re99久久国产66热| 很黄的视频免费| 国产精品 国内视频| 亚洲七黄色美女视频| 黑丝袜美女国产一区| 国产精品二区激情视频| 精品人妻熟女毛片av久久网站| 日韩欧美一区视频在线观看| 天天影视国产精品| 免费在线观看视频国产中文字幕亚洲| 精品无人区乱码1区二区| 这个男人来自地球电影免费观看| 精品人妻熟女毛片av久久网站| 涩涩av久久男人的天堂| 久久国产精品影院| av片东京热男人的天堂| 日本wwww免费看| 麻豆av在线久日| 久久99一区二区三区| 精品国产一区二区三区久久久樱花| 国产精品久久久久成人av| 丰满人妻熟妇乱又伦精品不卡| 99精品久久久久人妻精品| 麻豆av在线久日| 精品久久久久久久毛片微露脸| 一进一出好大好爽视频| 在线观看一区二区三区激情| 亚洲专区中文字幕在线| 国产精品乱码一区二三区的特点 | 在线观看免费视频网站a站| 久热这里只有精品99| 久久中文看片网| 美女高潮到喷水免费观看| 黄频高清免费视频| 在线观看午夜福利视频| 日韩有码中文字幕| 久久久久国产一级毛片高清牌| 正在播放国产对白刺激| 亚洲欧美日韩高清在线视频| 淫妇啪啪啪对白视频| 亚洲精品av麻豆狂野| 色播在线永久视频| 无限看片的www在线观看| 国产精品99久久99久久久不卡| 老司机在亚洲福利影院| 一区二区三区激情视频| 一进一出抽搐gif免费好疼 | 成人av一区二区三区在线看| videos熟女内射| 人妻 亚洲 视频| 亚洲成人国产一区在线观看| 成人免费观看视频高清| 国产一区二区三区在线臀色熟女 | 亚洲av熟女| 在线观看免费日韩欧美大片| 一进一出抽搐动态| 中文字幕色久视频| 国产高清videossex| 窝窝影院91人妻| 欧美 亚洲 国产 日韩一| 777久久人妻少妇嫩草av网站| 亚洲欧美日韩另类电影网站| 精品国产超薄肉色丝袜足j| 精品人妻1区二区| 精品视频人人做人人爽| av视频免费观看在线观看| 1024香蕉在线观看| 叶爱在线成人免费视频播放| 成人黄色视频免费在线看| 国产亚洲精品久久久久5区| 日韩人妻精品一区2区三区| 一区二区三区精品91| 欧美日韩福利视频一区二区| 国产精品亚洲av一区麻豆| 久久人妻av系列| 色综合婷婷激情| 一级a爱视频在线免费观看| 久久国产乱子伦精品免费另类| 99久久99久久久精品蜜桃| 久久 成人 亚洲| av电影中文网址| 老熟妇乱子伦视频在线观看| 黄色 视频免费看| 欧美在线黄色| 欧美日本中文国产一区发布| 人人妻人人澡人人爽人人夜夜| 国产精品自产拍在线观看55亚洲 | 美女福利国产在线| 欧美 亚洲 国产 日韩一| 777久久人妻少妇嫩草av网站| 婷婷成人精品国产| 欧美av亚洲av综合av国产av| 精品一区二区三区视频在线观看免费 | 国产91精品成人一区二区三区| 国产精品二区激情视频| 欧美激情高清一区二区三区| 狠狠狠狠99中文字幕| 国产精品成人在线| 一区二区三区精品91| 日韩一卡2卡3卡4卡2021年| 亚洲欧洲精品一区二区精品久久久| 日日夜夜操网爽| 一边摸一边抽搐一进一出视频| 欧美日韩av久久| 美女视频免费永久观看网站| 91成人精品电影| 精品国产美女av久久久久小说| 老汉色av国产亚洲站长工具| 国产成人精品在线电影| 国产精品久久视频播放| 99精品久久久久人妻精品| 校园春色视频在线观看| 国精品久久久久久国模美| 老司机深夜福利视频在线观看| 国产乱人伦免费视频| 成人国产一区最新在线观看| 国产av一区二区精品久久| 成年人免费黄色播放视频| 亚洲黑人精品在线| 久久精品亚洲av国产电影网| 一进一出抽搐动态| 国产成人啪精品午夜网站| 日日摸夜夜添夜夜添小说| 水蜜桃什么品种好| 国产亚洲av高清不卡| 无遮挡黄片免费观看| 久久久久精品人妻al黑| 欧美在线一区亚洲| 国产成人av教育| 亚洲国产欧美网| 久久久久久久国产电影| 99re6热这里在线精品视频| 老汉色av国产亚洲站长工具| av欧美777| 欧美av亚洲av综合av国产av| 老司机靠b影院| 精品国产亚洲在线| 欧美乱码精品一区二区三区| 成人精品一区二区免费| 黄色怎么调成土黄色| 亚洲精品乱久久久久久| 后天国语完整版免费观看| 亚洲人成电影观看| 免费看十八禁软件| 一级片免费观看大全| 香蕉国产在线看| 久9热在线精品视频| 99久久国产精品久久久| 久久精品国产99精品国产亚洲性色 | 久久99一区二区三区| 欧美精品人与动牲交sv欧美| 亚洲精华国产精华精| 国产av又大| 免费不卡黄色视频| 婷婷丁香在线五月| 欧美国产精品一级二级三级| 男女高潮啪啪啪动态图| 黄色a级毛片大全视频| 精品高清国产在线一区| 国产在视频线精品| 色综合婷婷激情| 亚洲一区中文字幕在线| 午夜两性在线视频| 自线自在国产av| 中文字幕制服av| 一级a爱片免费观看的视频| 两个人免费观看高清视频| 91精品三级在线观看| 久久中文字幕人妻熟女| 交换朋友夫妻互换小说| 日韩人妻精品一区2区三区| 国产欧美日韩一区二区精品| 久久久久久亚洲精品国产蜜桃av| 亚洲一区高清亚洲精品| 久久久久精品国产欧美久久久| 最近最新中文字幕大全电影3 | 99精品久久久久人妻精品| 色尼玛亚洲综合影院| 亚洲va日本ⅴa欧美va伊人久久| 中文字幕精品免费在线观看视频| 老熟妇乱子伦视频在线观看| 身体一侧抽搐| 精品亚洲成国产av| 日韩精品免费视频一区二区三区| 国产免费av片在线观看野外av| 99国产精品免费福利视频| videosex国产| 国产成人精品久久二区二区91| 中国美女看黄片| 在线观看免费午夜福利视频| 国产单亲对白刺激| 亚洲情色 制服丝袜| 欧美日韩视频精品一区| 久99久视频精品免费| 18禁裸乳无遮挡动漫免费视频| 国产成人啪精品午夜网站| 在线播放国产精品三级| 看片在线看免费视频| 岛国在线观看网站| 欧美日韩亚洲高清精品| 精品久久久久久,| 深夜精品福利| 久久精品国产亚洲av高清一级| 日韩大码丰满熟妇| 老司机午夜十八禁免费视频| 免费av中文字幕在线| 亚洲国产欧美网| 成人特级黄色片久久久久久久| 动漫黄色视频在线观看| 亚洲欧美色中文字幕在线| 99国产精品免费福利视频| 久久人妻福利社区极品人妻图片| a级毛片在线看网站| 欧美日韩福利视频一区二区| 国产亚洲欧美精品永久| 亚洲情色 制服丝袜| av电影中文网址| 久久久久久免费高清国产稀缺| 99国产极品粉嫩在线观看| 免费在线观看完整版高清| 亚洲av第一区精品v没综合| 波多野结衣一区麻豆| 欧美另类亚洲清纯唯美| 丝袜美足系列| 在线观看www视频免费| 精品久久久久久,| 国产午夜精品久久久久久| 免费看十八禁软件| 中文字幕色久视频| 亚洲色图综合在线观看| 亚洲国产精品合色在线| av线在线观看网站| 黄片小视频在线播放| 男女下面插进去视频免费观看| 麻豆国产av国片精品| www.精华液| 婷婷成人精品国产| 国产精品自产拍在线观看55亚洲 | 在线观看www视频免费| 亚洲专区国产一区二区| 婷婷精品国产亚洲av在线 | 热99re8久久精品国产| 成人影院久久| 久久精品国产综合久久久| 激情视频va一区二区三区| 日韩成人在线观看一区二区三区| 亚洲精品一二三| 91成年电影在线观看| 在线观看免费日韩欧美大片| 可以免费在线观看a视频的电影网站| 老司机福利观看| 亚洲av成人一区二区三| 在线观看www视频免费| 免费黄频网站在线观看国产| a级片在线免费高清观看视频| 露出奶头的视频| 成年人黄色毛片网站| 亚洲在线自拍视频| 757午夜福利合集在线观看| 黄色 视频免费看| 亚洲第一av免费看| 一区二区日韩欧美中文字幕| 女人久久www免费人成看片| 亚洲av第一区精品v没综合| 成人黄色视频免费在线看| 女人精品久久久久毛片| 国产亚洲欧美精品永久| 亚洲情色 制服丝袜| 亚洲avbb在线观看| 19禁男女啪啪无遮挡网站| 国产成人免费观看mmmm| 脱女人内裤的视频| 久久久久久免费高清国产稀缺| 热99久久久久精品小说推荐| videosex国产| 欧美日韩成人在线一区二区| 欧美黄色淫秽网站| 看免费av毛片| 成年版毛片免费区| 十八禁高潮呻吟视频| 免费在线观看完整版高清| 亚洲av第一区精品v没综合| 欧美日韩一级在线毛片| 国产精品永久免费网站| 美女高潮到喷水免费观看| 亚洲av第一区精品v没综合| 国产成人免费观看mmmm| 亚洲av片天天在线观看| 嫩草影视91久久| 国产欧美亚洲国产| 亚洲精品自拍成人| 免费av中文字幕在线| 不卡av一区二区三区| 国产男靠女视频免费网站| 亚洲人成77777在线视频| 99久久国产精品久久久| 美女福利国产在线| 热re99久久精品国产66热6| av视频免费观看在线观看| 狠狠狠狠99中文字幕| 777米奇影视久久| 好看av亚洲va欧美ⅴa在| 国产日韩欧美亚洲二区| 欧美日韩中文字幕国产精品一区二区三区 | 天堂动漫精品| 成年人黄色毛片网站| 91老司机精品| 国产精品久久久久久精品古装| 欧美午夜高清在线| 超色免费av| 亚洲在线自拍视频| 欧美亚洲日本最大视频资源| 99国产精品免费福利视频| 亚洲人成电影观看| 人人澡人人妻人| 亚洲熟女毛片儿| 欧美黑人欧美精品刺激| 午夜精品在线福利| 看免费av毛片| 好男人电影高清在线观看| 午夜福利在线免费观看网站| aaaaa片日本免费| av电影中文网址| 久久久国产欧美日韩av| 亚洲熟妇熟女久久| 国产欧美日韩综合在线一区二区| 精品一区二区三区av网在线观看| 黄网站色视频无遮挡免费观看| 日韩欧美一区二区三区在线观看 | 成熟少妇高潮喷水视频| 精品福利观看| 欧美激情 高清一区二区三区| 又大又爽又粗| 50天的宝宝边吃奶边哭怎么回事| 动漫黄色视频在线观看| 99在线人妻在线中文字幕 | 国产乱人伦免费视频| 久久精品国产清高在天天线| 久久草成人影院| 亚洲av成人不卡在线观看播放网| 亚洲aⅴ乱码一区二区在线播放 | 亚洲一区二区三区欧美精品| 欧美一级毛片孕妇| 岛国在线观看网站| 宅男免费午夜| bbb黄色大片| 香蕉久久夜色| av欧美777| 在线观看免费日韩欧美大片| 国产激情欧美一区二区| 国产亚洲精品第一综合不卡| 欧美精品人与动牲交sv欧美| 国产精品免费大片| 亚洲欧美精品综合一区二区三区| 精品国产美女av久久久久小说| 大香蕉久久成人网| 一级毛片高清免费大全| av中文乱码字幕在线| 国产成人精品久久二区二区91| 国产人伦9x9x在线观看| 国产亚洲一区二区精品| av有码第一页| 国产亚洲欧美98| 久久国产精品影院| 国产欧美亚洲国产| 麻豆国产av国片精品| 搡老熟女国产l中国老女人| 日韩欧美一区视频在线观看| tocl精华| 国产亚洲精品一区二区www | 很黄的视频免费| 色老头精品视频在线观看| 男女床上黄色一级片免费看| 精品一区二区三区四区五区乱码| 国产免费男女视频| 国产精品免费一区二区三区在线 | 最近最新中文字幕大全电影3 | 黄色a级毛片大全视频| 亚洲少妇的诱惑av| 色精品久久人妻99蜜桃| 中文字幕av电影在线播放| 日韩制服丝袜自拍偷拍| 交换朋友夫妻互换小说| 两个人看的免费小视频| av线在线观看网站| 亚洲国产欧美一区二区综合| 脱女人内裤的视频| 久久国产精品男人的天堂亚洲| 69av精品久久久久久| xxxhd国产人妻xxx| avwww免费| 国产单亲对白刺激| 黑人巨大精品欧美一区二区mp4| 日韩欧美免费精品| 少妇猛男粗大的猛烈进出视频| 老熟女久久久| 99国产精品一区二区蜜桃av | 国产一区有黄有色的免费视频| 最近最新免费中文字幕在线| 国产1区2区3区精品| 国产精品国产av在线观看| 成人黄色视频免费在线看| 91在线观看av| 国产精品国产av在线观看| 免费在线观看黄色视频的| 一级毛片精品| 亚洲av成人不卡在线观看播放网| 国产一区二区三区综合在线观看| 女人精品久久久久毛片| 国产乱人伦免费视频| 午夜福利免费观看在线| 亚洲情色 制服丝袜| 超碰成人久久| 亚洲av成人av| 久久久国产一区二区| 丰满饥渴人妻一区二区三| 黄色视频不卡| 国产激情久久老熟女| 十八禁高潮呻吟视频| 久久性视频一级片| 免费在线观看视频国产中文字幕亚洲| 日韩欧美一区二区三区在线观看 | 国产精品免费大片| 精品一区二区三区视频在线观看免费 | 色尼玛亚洲综合影院| 韩国精品一区二区三区| 亚洲精华国产精华精| 天天躁日日躁夜夜躁夜夜| 黄色女人牲交| 久久久久久亚洲精品国产蜜桃av| 黑人巨大精品欧美一区二区mp4| 五月开心婷婷网| 成熟少妇高潮喷水视频| 亚洲专区中文字幕在线| 亚洲国产欧美一区二区综合| 欧美日韩国产mv在线观看视频| av视频免费观看在线观看| 国产成人av教育| 亚洲成人免费电影在线观看| 丝袜美腿诱惑在线| 亚洲av片天天在线观看| 亚洲,欧美精品.| 一级片'在线观看视频| 久久婷婷成人综合色麻豆| 亚洲黑人精品在线| 亚洲一区二区三区不卡视频| 久久久久精品人妻al黑| 法律面前人人平等表现在哪些方面| 不卡一级毛片| 男女免费视频国产| 淫妇啪啪啪对白视频| 国产一区在线观看成人免费| 亚洲人成电影观看| 又黄又爽又免费观看的视频| 老司机影院毛片| 黑人欧美特级aaaaaa片| 精品国产一区二区三区四区第35| 午夜福利在线观看吧| 99国产精品一区二区三区| 久久久久久久午夜电影 | 欧美精品人与动牲交sv欧美| 免费一级毛片在线播放高清视频 | 亚洲综合色网址| 自线自在国产av| 亚洲五月天丁香| 99国产精品一区二区三区| 久久久国产精品麻豆| 在线播放国产精品三级| 在线观看一区二区三区激情| 国产成人精品久久二区二区91| 精品少妇久久久久久888优播| 国产男靠女视频免费网站| 99riav亚洲国产免费| 欧美日韩瑟瑟在线播放| 91成年电影在线观看| 淫妇啪啪啪对白视频| 午夜免费观看网址| 免费久久久久久久精品成人欧美视频| www.自偷自拍.com| 欧美成狂野欧美在线观看| 变态另类成人亚洲欧美熟女 | 久久国产精品人妻蜜桃| 亚洲精品久久成人aⅴ小说| 欧美丝袜亚洲另类 | 别揉我奶头~嗯~啊~动态视频| 国产精品电影一区二区三区 | 欧美日韩视频精品一区| 在线国产一区二区在线| 在线天堂中文资源库| 成人影院久久| 欧美成人午夜精品| 欧美激情高清一区二区三区| 久久精品亚洲熟妇少妇任你| 久久久久久久精品吃奶| 男男h啪啪无遮挡| 美女高潮喷水抽搐中文字幕| 精品久久久久久久久久免费视频 | 欧美精品啪啪一区二区三区| 国产男女超爽视频在线观看| 午夜免费鲁丝| 亚洲片人在线观看| 精品欧美一区二区三区在线| 亚洲美女黄片视频| 亚洲欧美激情综合另类| 亚洲av成人不卡在线观看播放网| 欧美乱妇无乱码| 一区二区三区激情视频| 亚洲一区二区三区欧美精品| 国产免费男女视频| 欧美激情高清一区二区三区| 亚洲欧美一区二区三区久久| 一个人免费在线观看的高清视频| 精品久久久久久久久久免费视频 | www日本在线高清视频| 在线观看舔阴道视频| 国产亚洲欧美在线一区二区| 免费一级毛片在线播放高清视频 | 久久久久精品国产欧美久久久| 国产在线观看jvid| 久久精品国产99精品国产亚洲性色 | 亚洲中文字幕日韩| 18在线观看网站| 午夜两性在线视频| 99riav亚洲国产免费| 国产视频一区二区在线看| 电影成人av| 久热爱精品视频在线9| 亚洲精品自拍成人| 在线观看免费视频日本深夜| 日韩人妻精品一区2区三区| 欧美日韩精品网址| a级毛片在线看网站| 曰老女人黄片| 男女免费视频国产| 一本综合久久免费| 中文字幕另类日韩欧美亚洲嫩草| 午夜日韩欧美国产| 免费高清在线观看日韩| 咕卡用的链子| 性色av乱码一区二区三区2| 国产精品乱码一区二三区的特点 | netflix在线观看网站| 国产男女超爽视频在线观看| 一级毛片精品| 午夜福利在线免费观看网站| 久久精品国产综合久久久| 欧美激情高清一区二区三区| 老司机深夜福利视频在线观看| 99国产综合亚洲精品| 国产免费男女视频| 久久久久久久精品吃奶| 欧美精品亚洲一区二区| 国产精品久久久久久人妻精品电影| 欧美国产精品va在线观看不卡| 国产有黄有色有爽视频| 午夜91福利影院| 久久中文字幕一级| 亚洲国产精品合色在线| a级毛片在线看网站| 欧美日韩精品网址| 18禁裸乳无遮挡免费网站照片 |