• <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 ?

    基于可變形掩膜對齊卷積模型的行人再識別

    2021-03-09 16:41:22邱衛(wèi)根張立臣
    計算機工程與應用 2021年5期
    關鍵詞:特征融合信息

    劉 暢,邱衛(wèi)根,張立臣

    廣東工業(yè)大學 計算機學院,廣州510006

    在當今社會,智能化視頻監(jiān)控的普及為公共安全提供了有力的保障。視頻監(jiān)控技術不僅能為公安部門尋找犯罪嫌疑人及破案提供有利的線索,而且還可以應用到找回走失兒童[1]等領域。實際上,要想在海量的視頻數據中,查詢并確定犯罪嫌疑人仍是一項巨大的挑戰(zhàn)。通過人工查看監(jiān)控視頻來鎖定目標,一方面會造成大量人力物力財力的浪費,更會錯失查找定位的良機,導致案件勘破的延遲;另一方面,觀察者由于查看海量視頻而產生視覺疲勞,往往會漏看關鍵人物[2],延誤案情。利用行人再識別技術對犯罪嫌疑人和目標對象進行追蹤,不僅可以從海量的數據排查中釋放出巨量的人力資源,而且能快速高效地定位犯罪嫌疑人和目標對象的活動范圍,為勘破案件贏得寶貴的時間機會。行人再識別[3]是利用計算機視覺技術,判斷圖像或者視頻序列中是否存在特定對象或行人的技術,被認為是一個圖像檢索的子問題。

    行人再識別的特點是給定一個感興趣的行人圖像,依次與不同攝像頭下出現的行人進行特征匹配,緊接著,根據特征匹配的結果,判斷出行人依次出現在何處。然而,由于行人在不同時間段出現在不同攝像頭下,會出現尺度、光照[4]、姿態(tài)、視角[5]的變化,以及行人被遮擋等問題,從而導致提取的行人特征會有所不同。以上都使得行人再識別成為計算機視覺領域中既具有重要研究價值,同時又極具挑戰(zhàn)性的熱門課題。

    大量的行人再識別方法是以完美的行人檢測[6]為前提的。然而實際情況中,由于不完美的行人檢測[7-8],行人再識別經常會出現圖像未對齊的現象。文獻[9]提出了一種密集語義對齊的行人再識別框架,利用密集的語義分割得到人體部位的局部特征,解決行人未對齊問題。文獻[10]提出了一種局部對齊的行人再識別模型,該模型采用雙流的網絡結構,分別用來提取行人外觀特征以及身體部位特征,最后通過雙線性合并層將兩個特征向量融合為行人的特征表示。

    本文在Resnet50主干網絡的基礎上,利用全卷積神經網絡(Fully Convolutional Network,FCN)[11]對圖像進行分割,并利用積分映射函數,獲取感興趣區(qū)域(Region of Interest,ROI),同時融合了多層次特征圖信息,有效地解決了圖像未對齊問題。本文提出的方法具有三個優(yōu)點:

    (1)利用多特征融合,充分利用局部與全局特征信息,增強行人特征表示的魯棒性。

    (2)利用分割網絡獲取行人前景掩膜,緊接著將不同尺度的行人特征映射到同一維度的特征空間,從而有效地解決行人未對齊問題。

    (3)利用前景掩膜信息,獲取圖像前景特征,從而有效地解決背景雜亂的問題。

    1 相關工作

    行人再識別是一項具有重要應用前景,又具有嚴峻挑戰(zhàn)性的研究課題。行人再識別的前提,一般都需要將行人或對象從場景中檢測出來。緊接著利用不同的方法提取行人圖像的特征,從而得到圖像的特征空間。最后利用度量學習計算特征空間的相似度得分,依據相似度得分實現行人再識別。在實際場景中,行人在不同的時間段出現在不同的攝像頭下,可能會出現光照、遮擋、姿態(tài)和視角的變化,從而導致行人在不同的攝像頭下具有不同的特征,進而影響到行人再識別的準確率。

    文獻[12]提出了一種基于顏色特征的特征描述子,用來解決行人再識別中光照變化的問題。文獻[13]提出了一種基于局部特征映射的方法來解決視角不變性的行人再識別問題。文獻[14]提出了對訓練數據進行隨機擦除來解決目標被遮擋的問題。文獻[15]提出了通過仿射變換,將行人的姿勢轉換成標準姿勢,從而解決行人姿態(tài)變化的問題。

    在上述方法中,普遍是以一個完美的行人檢測方法作為前提。在實際情況下,行人檢測算法的性能會直接影響到后續(xù)的行人再識別工作。由于行人檢測算法的不完美性,會導致查詢圖像與圖庫中的圖像存在未對齊的情況。正如圖1所示,圖1(a)中矩形框標出的是行人的頭部,而圖1(b)中與之位于同一位置的矩形框標出的是背景。由圖1中包含同一行人的兩張圖像可看到,在比對圖像中行人的身體部位未對齊。在進行特征匹配時,最好就是將比對圖像中行人對應的身體部位進行特征匹配。然而,未對齊現象的出現會影響到特征空間的相似度得分。

    圖1 Market-1501數據集中的行人圖像

    在解決圖像未對齊的方法中,許多是通過對人體進行分割,從而獲取了行人的局部部位信息。文獻[16]提出了一個名為Spindle Net的網絡,是基于人體區(qū)域引導的多階段特征分解和樹狀結構競爭特征融合。文獻[17]提出了一種姿勢驅動的深度卷積模型,是利用人體部位信息來減輕姿勢變化,使得人物對齊。文獻[18]強調每個部分內容的一致性,將圖像水平分為若干塊,對每一塊做一個分類器,判別塊內的內容是否一致。文獻[19]將局部特征與全局特征共同學習得到最終的特征表示,其全局特征的學習受益于局部特征的學習,通過計算兩組局部特征的最短路徑來執(zhí)行對齊操作。

    本文提出了一種基于可變形掩膜對齊卷積模型的行人再識別方法,用來解決行人未對齊的問題。首先利用分割網絡對原圖進行分割,提取出包含行人的掩膜。本文利用FCN分割網絡獲取行人前景掩膜。FCN對圖像進行像素級的分類,從而解決了語義級別的圖像分割問題,并且具有很好的分割效果。緊接著利用掩膜信息,對特征圖進行裁剪,獲取僅包含行人的特征圖。由于進行比對的兩張圖像,行人的分辨率是不同的,導致掩膜的大小不同。本文所提出的方法將表示行人的特征圖水平劃分為四塊[20],這四塊分為表示行人的不同身體部位。緊接著將各個表示身體部位的特征進行融合,得到行人的全身特征表示。因此,本文提出的方法可自適應不同尺度的行人掩膜,達到可變形掩膜對齊的效果。

    本文所提出的方法在Market-1501[21]和DukeMTMCreID[22]這兩大數據集上進行實驗,均有著較為不錯的準確率。并且,本文通過消融實驗,驗證了掩膜對齊模塊對識別未對齊圖像有一定的幫助,使得整體識別準確率得到提高。

    2 本文工作

    為更好地處理圖像未對齊問題,本文提出了一種改進的可變形掩膜對齊及相關技術。本章將從網絡結構、掩膜對齊、多特征融合、損失函數四個方面,介紹本文所提出的技術。

    2.1 網絡結構

    圖2 網絡模型

    本文所提出的網絡模型的整體框架結構如圖2所示,其是以Resnet50[23]作為主干網絡。Resnet50有很好的特征提取能力,其有4個Layer層,每層都會使得圖像的分辨率減半。如圖2中的虛線框所示,整體網絡模型分為三個部分,從上到下依次為:圖像淺層與深層的信息融合特征提取層、主干網絡特征提取層,以及利用掩膜得到的行人特征提取層。

    信息融合特征提取層,提取主干網絡中的四個Layer層的輸出特征圖,并進行全局平均池化操作(Global Average Pooling,GAP)[24],再將所得到的特征向量輸入到全連接層,得到四個維度相同的特征向量。緊接著,將這四個特征向量進行融合,融合后得到的特征向量再次經過全連接層,得到圖像淺層與深層信息融合的特征表示。

    主干網絡特征提取層提取圖像語義級別的特征,采用Resnet50作為主干網絡。Resnet網絡是深度殘差網絡,該網絡具有殘差模塊,使得網絡盡可能加深,從而具有魯棒性更強的特征提取能力。

    行人特征提取層提取Resnet50的Layer2層的特征,并利用掩膜信息,在特征圖進行感興趣區(qū)域池化操作,池化后得到四個特征向量,再將這四個特征向量進行融合,得到行人的特征表示。

    最后,將主干網絡得到的2 048維特征向量和融合特征提取層的512維特征向量,以及行人特征表示提取層的512維特征向量進行集成,得到該圖像的最終的特征表示。

    2.2 掩膜對齊

    將比對圖像的對應身體部位分別進行比對,是行人再識別中的一個重要的方法。由于比對圖像未對齊,在查詢圖像包含人物頭部的位置,在圖庫圖像中的對應位置,可能是背景,這就造成行人再識別的一個難點。同時,背景雜亂也會影響再識別模型的性能。

    為了解決行人未對齊的問題,本文提出利用分割網絡與全局平均池化操作提取行人特征。由于行人在不同圖像中具有不同的尺度,從而行人特征的尺度會不同。因此,利用分割網絡獲取行人前景掩膜,根據掩膜信息獲取行人特征,將行人特征等分為若干塊,每塊代表行人特定的身體部位。對每塊對應的特征進行全局平均池化操作,得到固定大小的特征向量。因此,最終不同尺度的行人特征會映射到固定大小的特征空間。同時,由于可變形掩膜對齊深度卷積模型具有前景掩膜信息,可有效減少背景雜亂帶來的識別影響,提高識別準確率。

    為了具體實現掩膜對齊,本文首先利用FCN網絡對圖像進行分割,得到包含行人的前景掩膜。圖3顯示了行人圖像由FCN分割后得到的掩膜圖像。當出現復雜背景、行人被遮擋等問題時,FCN分割網絡依舊能較好地獲取行人前景掩膜。在實際場景中,復雜背景以及行人被遮擋等問題,均會影響到行人特征的提取。因此,獲取行人前景掩膜,對增強行人特征表示,具有重要的意義。緊接著,利用積分映射函數對掩膜圖像進行處理,獲取掩膜圖像的前景感興趣區(qū)ROI。因此,在具體訓練模型時,輸入的數據為{img,label,x1,y1,x2,y2},其中,分別是輸入的圖像、圖像對應的標簽、ROI左上角坐標、ROI右下角坐標。

    圖3 FCN分割網絡分割后的掩膜圖像

    由于每個Layer層都會使得圖像的分辨率減半,行人圖像由四個Layer層提取后的特征圖的大小分別為64×128×256、32×64×512、16×32×1 024、8×16×2 048,其中,特征圖的維度分別由長和寬,以及通道數進行表示。在卷積神經網絡中,淺層特征具有圖像的局部信息,高層特征具有圖像全局語義信息。主干網絡Resnet50的Layer1層提取圖像的局部特征,其提取的特征信息不夠充分。Layer3層提取的特征圖的大小為16×32×1 024,此時的特征圖具有較強的語義信息。但由于進行了池化操作,導致圖像局部的信息丟失。為了兼具局部信息與語義信息,本文提取主干網絡Resnet50的Layer2層的特征圖。利用ROI坐標信息,對Layer2層的特征圖進行裁剪,得到僅包含行人的特征圖。緊接著,將僅包含行人的特征圖水平劃分為四塊,每一塊代表行人身體的一部分。對每一部分利用全局平均池化操作,從而人體每一部分是由512維的特征向量進行表示,將人體四個部位的特征向量進行特征融合,得到行人全身的特征表示。

    2.3 多特征融合

    傳統(tǒng)的行人再識別的方法中,大多只輸出最高層特征圖像作為其特征表示。當然,高層的特征能抽象出語義級別的信息,對目標識別有重要的效果。當然,層次越高的卷積操作,感受野越大,局部信息的丟失度也更大。僅獲取高層語義級別的信息是不夠的,低級別的屬性特征,如衣服的顏色和紋理等,對正確分類也非常重要。因此,融合多個層次的特征圖,例如將高級別的語義特征和低級別的屬性特征進行融合,可以獲取局部與全局的信息,對提高正確分類率是很有意義的。

    本文中,將Resnet50的每一個Layer層的特征圖提取出來,如圖2所示,并對每一層得到的特征圖做GAP操作,并利用全連接層,得到4個512維的特征向量,再經過Concat操作和Linear操作,就得到512維的特征向量,此即為圖像多層特征信息融合之后的特征表示。

    行人的特征表示為:

    其中,Fpart為人體的部分塊的特征表示,Fbody為行人全身的特征表示。

    多級別特征表示為:

    其中,FLayer是從Resnet50中的Layer層進行特征提取后進過全連接層映射得到的特征向量,Fgloble為多級別特征表示。

    最后得到了三種特征向量,分別為主干網絡的2 048維特征向量和表示行人的512維特征向量,以及多層信息融合后的512維特征向量。將這三種特征向量進行集成,得到3 072維的特征向量作為該圖像的最終特征表示。

    最終行人圖像的特征表示為:

    其中,⊕表示將特征向量沿著維度連接。

    2.4 損失函數

    為了訓練一個魯棒性與泛化能力強的網絡,本文采用交叉熵損失函數與三元組損失函數進行聯(lián)合訓練。交叉熵損失函數可充分利用訓練數據集的標簽信息,將行人進行分類。三元組損失函數可增加類間距離,減小類內距離。

    交叉熵損失函數:

    其中,M是x的維度,class∈[0,C-1],C是要分類的個數。ω∈RC,表示標簽的權重。

    在使用三元組損失函數進行訓練時,需要每次輸入三張圖像。記輸入的三元組為其中與表示同一個行人表示兩個不同的行人。將這三元組中的三張圖像分別送入網絡結構相同以及參數相同的網絡,進行特征的提取。記該網絡為φw,則三元組的特征表示為因此,三元組損失函數為:

    其中[x]+=max(x,0),α表示邊際分布,通過計算三元組特征空間的歐式距離得到行人圖像間的相似度。

    因此,本網絡最終的損失函數為:

    3 實驗部分

    為了評估本文提出的方法的有效性,在公開的兩大數據集上進行實驗。本章首先介紹實驗所用到的數據集以及算法性能的評測準測。緊接著,介紹具體的實驗細節(jié)。最后,從準確率的角度下比對所提出的方法與其他方法。

    3.1 數據集和評估方法

    本實驗主要在兩個大的行人再識別數據集上進行實驗,這兩大行人再識別數據集分別為Market-1501和DukeMTMC-reID。

    Market-1501:該數據集是由6個攝像頭拍攝得到,共有32 668張圖像,其中有1 501個行人。整個數據集被分為訓練集和測試集這兩部分,其中訓練集包含751個行人,共12 936張圖像;測試集包含750個行人,共19 732張圖像。對于在測試集中的每一個行人,從每個攝像頭下挑選出一張該行人的圖像作為查詢圖像,從而獲得了3 368張查詢圖像。

    DukeMTMC-reID:該數據集是由8個攝像頭拍攝得到,共有36 411張圖像,其中有812個行人。該數據集中只有404個行人出現在超過兩個攝像頭中,其他408個行人可視為干擾者。訓練集包含702個行人,共16 522張圖像;測試集包含702個行人,共17 661張圖像。對于測試集中的每一個行人,從每個攝像頭下挑選出一張該行人的圖像作為查詢圖像,從而獲得了2 228張查詢圖像。

    在以上兩個數據集上,本實驗使用累積匹配特征曲線(Cumulative Match Characteristic,CMC)和平均精度均值(mean Average Precision,mAP)這兩個標準的評測度量方法。

    CMC評測度量方法是將行人再識別問題視為排序問題[25]。首先提取查詢圖像與候選集中所有圖像的特征,依次計算查詢圖像特征與候選集中圖像特征的歐式距離,并將計算得到的距離進行升序排列。在得到的排序結果中,若查詢圖中的行人在其前k張圖像中出現,則視為匹配成功。

    mAP評測度量方法是將行人再識別問題視為檢索問題。在圖庫中可能存在同一個行人的多張圖像,此時給定該行人的查詢圖進行檢索時,應該返回所有匹配正確的結果。此時CMC評判標準就顯得不夠用了,因為沒有考慮到召回率。通過計算每一張查詢圖像的平均準確率(Average Precision,AP),并對所有查詢圖像的AP值求平均,可得到mAP值。其中,可通過計算精度與召回率曲線下的面積得到查詢圖的AP值。

    CMC曲線不僅能很好地表達查詢圖像的第一正確準確率,還能表達其他正確準確率。因此,利用CMC曲線可以很直觀地反映出行人再識別模型的效果。mAP綜合考慮了準確率與召回率,是一個更加全面的評價指標。

    3.2 實驗細節(jié)

    本實驗是基于pytorch開源框架,并利用在ImageNet數據集上進行預訓練的Resnet50作為主干網絡來進行。

    數據增強:對訓練集進行三次樣條插值,將圖像大小調整到288×144,再對圖像進行隨機裁剪,得到圖像大小為256×128,接著對圖像以0.5的概率進行隨機翻轉,最后,根據正則化操作將每個圖像減去平均值并除以標準差作為網絡的輸入。

    訓練配置:本實驗設置的batchsize為32,訓練模型的Epoch設置為60,基本學習率初始化為0.1,在40個Epoch后衰減到0.01。

    3.3 性能評測

    本文提出的可變形掩膜對齊卷積模型在訓練集上訓練后得到的模型大小為128 MB。單張行人圖像通過本網絡進行特征提取,耗時15 ms。相比于其他通過單獨檢測人體各個部位以解決未對齊問題的模型,本文模型具有參數量更少、速度更快的優(yōu)勢。

    本文基于Market-1501數據集和DukeMTMCreID數據集這兩大數據集上進行實驗,并和近幾年的關于行人再識別方法進行性能對比。由表1可知,在Market-1501數據集上,本文算法rank1值和mAP值分別為88.93%和70.48%。由表2可知,在DukeMTMC-reID數據集上,本文算法rank1值和mAP值分別為78.57%和61.73%。本文算法在行人再識別的性能上有著一定的提升。

    表1 Market-1501數據集上實驗結果

    表2 DukeMTMC-reID數據集上的實驗結果

    圖4 顯示的是CMC曲線圖,可明顯看到本文所提出的方法在性能上優(yōu)于其他方法。圖4中Baseline曲線是僅由Resnet50主干網絡在測試集上得到的CMC曲線。NoneMask曲線是由Resnet50與多特征融合模塊組合的網絡結構在測試集上得到的CMC曲線。Ours曲線是由添加了掩膜對齊模塊后的網絡結構在測試集上得到的CMC曲線。

    圖4 CMC曲線圖

    由于Baseline曲線是由Resnet50的最高層特征作為行人最終特征表示,導致丟失了局部信息。因此,本實驗在Resnet50作為主干網絡的基礎上,添加了多特征融合模塊,其實驗結果如NoneMask曲線所示,在Market-1501數據集上,模型的rank1值由73.9%提升到83.0%。因此,低級別的屬性特征與高級別的語義特征進行融合,對提高識別準確率有一定的效果。為了驗證掩膜對齊模塊的效果,本文在Resnet50與多特征融合模塊組合的網絡結構基礎上,添加了掩膜對齊模塊,其實驗結果如Ours曲線所示。對比NoneMask曲線與Ours曲線可知,在添加掩膜對齊模塊后,模型的rank1值由83.0%提升到88.9%,驗證了掩膜對齊模塊可有效地提高行人再識別的準確率。

    圖5 顯示的是若干查詢圖利用本文提出的方法,在圖庫上進行查詢所得到的匹配結果。在圖5中,第一列表示的是查詢圖,第二列到第六列分別表示匹配結果的降序等級,其中第二列是與查詢圖在特征空間中匹配度最大的圖像。圖5中紅色邊框包圍的是識別錯誤的圖像??蓮慕Y果圖看出,本文提出的方法可很好地對未對齊圖像進行識別,使得整體準確率得到提高。

    圖5 Market-1501數據集上的測試結果

    圖6 顯示的是復雜背景下的行人圖像,利用本文提出的方法,在圖庫上進行查詢所得到的匹配結果。在解決背景雜亂的問題上,大多數的文獻通過檢測人體局部信息,然后集成所有檢測到的局部信息,得到行人最終的特征表示。文獻[26]通過利用姿勢引導的局部注意力模塊解決復雜背景的問題。但由于行人在不同的攝像頭下,會有姿勢變化、視角變化等問題,導致行人的部分部位無法檢測,從而影響特征的提取??紤]到人體部位會有丟失的問題,本文引入掩膜信息,獲取行人整體的前景特征。在圖6所示的查詢圖中,行人的服裝與背景差異度小、行人被遮擋、行人處于復雜場景等問題,從顯示的查詢結果看出,利用可變形掩膜對齊卷積模型,可以很好地解決上述的問題。

    圖6 行人在復雜背景下的測試結果

    4 結束語

    為了解決圖像中的行人未對齊問題,本文提出了一種基于可變形掩膜的行人對齊的深度卷積模型。本文在Resnet50基礎上,提取其多層特征圖信息,進行特征信息融合;并引入掩膜信息,利用FCN和GAP操作,實現了可變形掩膜。本文算法通過FCN獲取行人圖像的前景掩膜,從而根據掩膜信息可以有效地提取行人特征。并利用GAP操作,將不同尺度的行人特征映射到同一維度的特征空間,從而實現不同尺度的行人圖像在同一特征空間進行比對。本文算法不僅解決了行人未對齊問題,而且可以有效地減少雜亂背景對行人再識別的影響。本文的方法在兩個公開的數據集上進行實驗,均取得了較好的效果。

    猜你喜歡
    特征融合信息
    村企黨建聯(lián)建融合共贏
    融合菜
    從創(chuàng)新出發(fā),與高考數列相遇、融合
    《融合》
    現代出版(2020年3期)2020-06-20 07:10:34
    如何表達“特征”
    不忠誠的四個特征
    當代陜西(2019年10期)2019-06-03 10:12:04
    抓住特征巧觀察
    訂閱信息
    中華手工(2017年2期)2017-06-06 23:00:31
    展會信息
    中外會展(2014年4期)2014-11-27 07:46:46
    線性代數的應用特征
    河南科技(2014年23期)2014-02-27 14:19:15
    久久久久久久久久久久大奶| 制服人妻中文乱码| 国产精品偷伦视频观看了| 一边摸一边抽搐一进一小说 | 国产精品久久久久久精品电影小说| 国产99久久九九免费精品| 国产国语露脸激情在线看| 亚洲av国产av综合av卡| 大陆偷拍与自拍| 亚洲av日韩精品久久久久久密| 国产伦理片在线播放av一区| 久久精品熟女亚洲av麻豆精品| 老司机靠b影院| 蜜桃国产av成人99| 丝袜在线中文字幕| 老熟妇仑乱视频hdxx| 99国产精品99久久久久| 一区二区三区乱码不卡18| 亚洲中文日韩欧美视频| 午夜日韩欧美国产| 黄色a级毛片大全视频| 国产在线精品亚洲第一网站| 久久ye,这里只有精品| 在线播放国产精品三级| 国产高清国产精品国产三级| 在线播放国产精品三级| 人人澡人人妻人| 黄色怎么调成土黄色| 在线播放国产精品三级| 人妻久久中文字幕网| 亚洲综合色网址| 女人精品久久久久毛片| 成人国语在线视频| 色综合欧美亚洲国产小说| 久久久国产一区二区| 婷婷丁香在线五月| 欧美日韩亚洲国产一区二区在线观看 | 一区二区av电影网| 狠狠狠狠99中文字幕| 国产在线视频一区二区| 午夜福利免费观看在线| 日韩欧美免费精品| 亚洲国产精品一区二区三区在线| 天天操日日干夜夜撸| 免费人妻精品一区二区三区视频| 大香蕉久久成人网| 中文字幕人妻熟女乱码| 欧美黄色淫秽网站| 久久久国产一区二区| 亚洲情色 制服丝袜| 久久99热这里只频精品6学生| 日日爽夜夜爽网站| 欧美乱码精品一区二区三区| 在线十欧美十亚洲十日本专区| 少妇 在线观看| 久久久精品区二区三区| 三上悠亚av全集在线观看| 国产精品影院久久| 巨乳人妻的诱惑在线观看| 丁香欧美五月| 久久精品熟女亚洲av麻豆精品| 国产91精品成人一区二区三区 | 中文字幕色久视频| 久久久久视频综合| 国产日韩一区二区三区精品不卡| 久久午夜综合久久蜜桃| 国产一区二区 视频在线| 啦啦啦视频在线资源免费观看| 国产亚洲精品一区二区www | 亚洲精品成人av观看孕妇| 欧美亚洲日本最大视频资源| 国产精品影院久久| 国产又爽黄色视频| 亚洲精品久久成人aⅴ小说| 精品乱码久久久久久99久播| 国产欧美亚洲国产| 欧美日韩中文字幕国产精品一区二区三区 | bbb黄色大片| 久久这里只有精品19| 亚洲综合色网址| 搡老乐熟女国产| 亚洲欧美日韩高清在线视频 | 99在线人妻在线中文字幕 | 国产不卡av网站在线观看| 久久av网站| 欧美日韩亚洲综合一区二区三区_| 交换朋友夫妻互换小说| 亚洲精品自拍成人| 国产黄频视频在线观看| 最黄视频免费看| 亚洲成国产人片在线观看| 久久影院123| 国产av国产精品国产| av电影中文网址| 国产精品久久久久久精品电影小说| 亚洲欧美激情在线| 韩国精品一区二区三区| 日韩精品免费视频一区二区三区| 男女床上黄色一级片免费看| 免费高清在线观看日韩| 最近最新免费中文字幕在线| 国产欧美日韩一区二区精品| aaaaa片日本免费| 夫妻午夜视频| 亚洲欧美日韩高清在线视频 | 亚洲av电影在线进入| 亚洲av日韩在线播放| 在线观看免费日韩欧美大片| 久久这里只有精品19| kizo精华| 美女午夜性视频免费| 宅男免费午夜| 黄色视频,在线免费观看| 最近最新免费中文字幕在线| bbb黄色大片| 国产精品久久电影中文字幕 | 中国美女看黄片| 操出白浆在线播放| 免费不卡黄色视频| 丰满人妻熟妇乱又伦精品不卡| xxxhd国产人妻xxx| 夜夜骑夜夜射夜夜干| 亚洲专区国产一区二区| 精品人妻1区二区| 精品人妻在线不人妻| 国产三级黄色录像| 老鸭窝网址在线观看| 99热国产这里只有精品6| 91麻豆av在线| 精品少妇久久久久久888优播| 热99国产精品久久久久久7| 飞空精品影院首页| 日韩欧美国产一区二区入口| 一区二区日韩欧美中文字幕| 黄色视频不卡| 久久99一区二区三区| 如日韩欧美国产精品一区二区三区| 女人精品久久久久毛片| 成人18禁高潮啪啪吃奶动态图| 亚洲午夜理论影院| 国产精品亚洲一级av第二区| 亚洲精品在线观看二区| 久久久欧美国产精品| 黄色视频,在线免费观看| 一边摸一边抽搐一进一小说 | 自拍欧美九色日韩亚洲蝌蚪91| 久久青草综合色| 午夜激情av网站| 成人av一区二区三区在线看| 搡老岳熟女国产| 国产精品二区激情视频| 亚洲国产精品一区二区三区在线| 国产一区二区在线观看av| 久久热在线av| 国产老妇伦熟女老妇高清| 自线自在国产av| 国产不卡av网站在线观看| 在线看a的网站| 国产欧美日韩一区二区精品| 国产高清videossex| 99国产精品99久久久久| 成年版毛片免费区| 中文字幕制服av| 日韩欧美一区视频在线观看| 国产精品一区二区在线观看99| 在线观看免费日韩欧美大片| 久久精品国产99精品国产亚洲性色 | 亚洲少妇的诱惑av| 人妻 亚洲 视频| 成人亚洲精品一区在线观看| 国产精品成人在线| 午夜久久久在线观看| 色播在线永久视频| 麻豆乱淫一区二区| 午夜福利视频在线观看免费| 国产欧美亚洲国产| 久久精品成人免费网站| 777米奇影视久久| 日日夜夜操网爽| 国产亚洲av高清不卡| 美女午夜性视频免费| 俄罗斯特黄特色一大片| 久久久久国内视频| 91麻豆av在线| 丝袜美足系列| 国产精品亚洲一级av第二区| 亚洲美女黄片视频| 五月开心婷婷网| 亚洲一码二码三码区别大吗| 十分钟在线观看高清视频www| 丰满迷人的少妇在线观看| 亚洲成人手机| 在线观看www视频免费| 精品视频人人做人人爽| 成在线人永久免费视频| 最黄视频免费看| 制服人妻中文乱码| 下体分泌物呈黄色| 涩涩av久久男人的天堂| 欧美日本中文国产一区发布| 亚洲精华国产精华精| 成年女人毛片免费观看观看9 | 国产精品成人在线| 欧美成人免费av一区二区三区 | 国产精品亚洲av一区麻豆| 99国产精品99久久久久| 欧美亚洲日本最大视频资源| 一进一出好大好爽视频| 亚洲av欧美aⅴ国产| 成人国语在线视频| 黄色怎么调成土黄色| 一级毛片女人18水好多| 成人手机av| 久热这里只有精品99| 手机成人av网站| 亚洲av日韩在线播放| 久久久久精品人妻al黑| 亚洲成人免费av在线播放| 色在线成人网| 日韩欧美一区视频在线观看| 一个人免费在线观看的高清视频| 国产色视频综合| 欧美国产精品一级二级三级| 欧美国产精品va在线观看不卡| 日韩制服丝袜自拍偷拍| 性高湖久久久久久久久免费观看| 最黄视频免费看| 一级毛片女人18水好多| 精品国产亚洲在线| 国产欧美日韩一区二区三| 满18在线观看网站| 成年女人毛片免费观看观看9 | 久久中文字幕人妻熟女| 精品免费久久久久久久清纯 | 精品熟女少妇八av免费久了| 国产一区二区 视频在线| 亚洲午夜精品一区,二区,三区| 欧美精品高潮呻吟av久久| 美女高潮到喷水免费观看| 99香蕉大伊视频| 我的亚洲天堂| 亚洲熟女毛片儿| 久久精品熟女亚洲av麻豆精品| 中文字幕另类日韩欧美亚洲嫩草| 国产欧美日韩综合在线一区二区| 青青草视频在线视频观看| 建设人人有责人人尽责人人享有的| 久久精品国产亚洲av香蕉五月 | 天堂中文最新版在线下载| 99久久精品国产亚洲精品| 亚洲中文日韩欧美视频| 婷婷成人精品国产| 亚洲,欧美精品.| 国产精品偷伦视频观看了| 一级毛片电影观看| 亚洲午夜精品一区,二区,三区| tube8黄色片| 香蕉丝袜av| 日本撒尿小便嘘嘘汇集6| 免费一级毛片在线播放高清视频 | h视频一区二区三区| 国产免费福利视频在线观看| 18禁裸乳无遮挡动漫免费视频| 老司机在亚洲福利影院| 欧美午夜高清在线| 午夜福利在线观看吧| 久久久久国产一级毛片高清牌| 夜夜骑夜夜射夜夜干| 在线观看人妻少妇| 性色av乱码一区二区三区2| 亚洲第一欧美日韩一区二区三区 | h视频一区二区三区| 交换朋友夫妻互换小说| 婷婷丁香在线五月| 欧美性长视频在线观看| 波多野结衣av一区二区av| 国产伦人伦偷精品视频| 久久久久久亚洲精品国产蜜桃av| 精品国产国语对白av| 91成人精品电影| 久久人妻熟女aⅴ| 熟女少妇亚洲综合色aaa.| 九色亚洲精品在线播放| 国产不卡av网站在线观看| 两性夫妻黄色片| 久久热在线av| 日韩中文字幕欧美一区二区| 80岁老熟妇乱子伦牲交| 一级片免费观看大全| 黄色视频,在线免费观看| 亚洲一卡2卡3卡4卡5卡精品中文| 99国产精品99久久久久| av天堂在线播放| 肉色欧美久久久久久久蜜桃| 亚洲伊人久久精品综合| 亚洲国产欧美网| 老熟女久久久| 少妇裸体淫交视频免费看高清 | 久久久久国内视频| 在线播放国产精品三级| 久久国产精品影院| 另类亚洲欧美激情| 中文欧美无线码| 欧美久久黑人一区二区| 动漫黄色视频在线观看| 国产一区二区激情短视频| 桃花免费在线播放| 99国产精品一区二区三区| 无遮挡黄片免费观看| 久久精品国产亚洲av高清一级| 熟女少妇亚洲综合色aaa.| 精品少妇一区二区三区视频日本电影| 人妻一区二区av| 国产成人影院久久av| 色视频在线一区二区三区| 飞空精品影院首页| 国产男女超爽视频在线观看| 久久精品国产99精品国产亚洲性色 | 国产一卡二卡三卡精品| 国产精品成人在线| 真人做人爱边吃奶动态| 欧美av亚洲av综合av国产av| 国产精品久久久久久人妻精品电影 | 不卡av一区二区三区| av欧美777| 最新的欧美精品一区二区| 国产91精品成人一区二区三区 | 夜夜骑夜夜射夜夜干| 男女无遮挡免费网站观看| 免费看十八禁软件| 精品国内亚洲2022精品成人 | 99久久99久久久精品蜜桃| 天天躁狠狠躁夜夜躁狠狠躁| 国产福利在线免费观看视频| 黑人猛操日本美女一级片| 精品国产亚洲在线| 岛国毛片在线播放| 99热国产这里只有精品6| 丝袜美足系列| 男女午夜视频在线观看| 香蕉丝袜av| 多毛熟女@视频| 另类精品久久| 性高湖久久久久久久久免费观看| 夜夜夜夜夜久久久久| 岛国在线观看网站| 久久久欧美国产精品| 国产熟女午夜一区二区三区| 亚洲av片天天在线观看| 久久国产精品男人的天堂亚洲| 在线看a的网站| 国产一区二区 视频在线| 18禁观看日本| 99精国产麻豆久久婷婷| 婷婷丁香在线五月| 亚洲欧美激情在线| 女性生殖器流出的白浆| 18禁裸乳无遮挡动漫免费视频| 成年人午夜在线观看视频| 日韩欧美一区视频在线观看| 久久久久久久久久久久大奶| 国产一区二区 视频在线| 999久久久国产精品视频| 欧美日韩亚洲综合一区二区三区_| 在线av久久热| 老司机在亚洲福利影院| 亚洲第一青青草原| 人人妻人人澡人人看| 国产免费视频播放在线视频| 精品亚洲成a人片在线观看| 免费观看av网站的网址| av又黄又爽大尺度在线免费看| www日本在线高清视频| 欧美变态另类bdsm刘玥| 别揉我奶头~嗯~啊~动态视频| 美女国产高潮福利片在线看| 亚洲精品美女久久av网站| 亚洲国产欧美在线一区| 动漫黄色视频在线观看| 久久人妻福利社区极品人妻图片| 桃花免费在线播放| 国产精品99久久99久久久不卡| 久久av网站| 99热网站在线观看| 色老头精品视频在线观看| 考比视频在线观看| 一区在线观看完整版| 两性午夜刺激爽爽歪歪视频在线观看 | 91麻豆av在线| 一级a爱视频在线免费观看| 免费在线观看完整版高清| 视频区图区小说| 午夜福利影视在线免费观看| 一进一出好大好爽视频| 高清毛片免费观看视频网站 | 狠狠精品人妻久久久久久综合| 成人免费观看视频高清| 成人国语在线视频| 国产精品99久久99久久久不卡| 亚洲久久久国产精品| 女警被强在线播放| 亚洲午夜精品一区,二区,三区| 欧美黄色片欧美黄色片| 99久久国产精品久久久| 欧美 亚洲 国产 日韩一| 精品乱码久久久久久99久播| 国产麻豆69| 手机成人av网站| 成年人免费黄色播放视频| 一本色道久久久久久精品综合| 成人特级黄色片久久久久久久 | 一级,二级,三级黄色视频| 大片免费播放器 马上看| 80岁老熟妇乱子伦牲交| 极品人妻少妇av视频| 在线观看免费视频日本深夜| 国产精品.久久久| 777米奇影视久久| 悠悠久久av| cao死你这个sao货| 亚洲 欧美一区二区三区| 精品视频人人做人人爽| 精品国产乱码久久久久久小说| 国产精品久久久久久精品电影小说| 啦啦啦 在线观看视频| 丰满人妻熟妇乱又伦精品不卡| 97在线人人人人妻| 中亚洲国语对白在线视频| 天堂8中文在线网| 波多野结衣av一区二区av| 欧美成狂野欧美在线观看| 激情在线观看视频在线高清 | 亚洲久久久国产精品| 亚洲国产欧美在线一区| 在线亚洲精品国产二区图片欧美| 国产成人精品久久二区二区91| 99国产精品99久久久久| av视频免费观看在线观看| 精品久久久久久电影网| 色婷婷久久久亚洲欧美| 丝袜人妻中文字幕| 一级毛片精品| 国产又爽黄色视频| 免费不卡黄色视频| 亚洲国产成人一精品久久久| 黄频高清免费视频| 国产精品电影一区二区三区 | 亚洲精品中文字幕在线视频| 亚洲国产欧美一区二区综合| 不卡av一区二区三区| 女性生殖器流出的白浆| 91大片在线观看| 国产精品麻豆人妻色哟哟久久| 国产欧美日韩一区二区精品| 精品少妇一区二区三区视频日本电影| 99精国产麻豆久久婷婷| 免费在线观看日本一区| 91麻豆精品激情在线观看国产 | 亚洲av美国av| 亚洲欧洲日产国产| 亚洲国产毛片av蜜桃av| 无人区码免费观看不卡 | 狠狠婷婷综合久久久久久88av| 免费一级毛片在线播放高清视频 | 99国产综合亚洲精品| 久久热在线av| h视频一区二区三区| 亚洲精品乱久久久久久| 成人国产一区最新在线观看| 欧美精品一区二区免费开放| 黑人巨大精品欧美一区二区mp4| 亚洲av日韩在线播放| 91九色精品人成在线观看| 天堂动漫精品| av天堂久久9| 99re在线观看精品视频| 大码成人一级视频| 亚洲少妇的诱惑av| 无人区码免费观看不卡 | 亚洲av国产av综合av卡| 国产精品熟女久久久久浪| 一个人免费在线观看的高清视频| 中文字幕最新亚洲高清| 丁香欧美五月| 久久久久久亚洲精品国产蜜桃av| 欧美日韩亚洲高清精品| 嫁个100分男人电影在线观看| 国产精品熟女久久久久浪| 免费高清在线观看日韩| 国产99久久九九免费精品| 欧美老熟妇乱子伦牲交| 国产激情久久老熟女| 男女午夜视频在线观看| 波多野结衣一区麻豆| 在线观看www视频免费| 99riav亚洲国产免费| 久热爱精品视频在线9| 交换朋友夫妻互换小说| 又黄又粗又硬又大视频| 久久久国产精品麻豆| 久久99热这里只频精品6学生| 人人妻人人爽人人添夜夜欢视频| 亚洲精品国产色婷婷电影| 久久狼人影院| 午夜激情久久久久久久| 精品人妻1区二区| 久久精品亚洲av国产电影网| 水蜜桃什么品种好| 亚洲欧美一区二区三区黑人| 午夜日韩欧美国产| 国产精品.久久久| 亚洲av成人一区二区三| 亚洲第一青青草原| av一本久久久久| 亚洲精品久久成人aⅴ小说| 少妇的丰满在线观看| 国产男靠女视频免费网站| 黄色片一级片一级黄色片| 久久久久久久大尺度免费视频| 又大又爽又粗| 国产三级黄色录像| 男人操女人黄网站| 一级黄色大片毛片| 这个男人来自地球电影免费观看| 99久久99久久久精品蜜桃| 99在线人妻在线中文字幕 | 十分钟在线观看高清视频www| 乱人伦中国视频| 国产一区二区在线观看av| 亚洲精品在线观看二区| 亚洲人成伊人成综合网2020| 大型黄色视频在线免费观看| 精品国产一区二区久久| 欧美日韩亚洲高清精品| 日本一区二区免费在线视频| 久久人人97超碰香蕉20202| 免费在线观看黄色视频的| 亚洲全国av大片| 操出白浆在线播放| 91字幕亚洲| 色婷婷av一区二区三区视频| 国产在线一区二区三区精| 日本撒尿小便嘘嘘汇集6| 午夜免费成人在线视频| 一本—道久久a久久精品蜜桃钙片| 免费看a级黄色片| av一本久久久久| 欧美老熟妇乱子伦牲交| 天堂8中文在线网| 亚洲精品美女久久av网站| 亚洲色图综合在线观看| 亚洲精品国产精品久久久不卡| 99精品在免费线老司机午夜| 五月开心婷婷网| 成人精品一区二区免费| 亚洲av电影在线进入| 午夜福利视频精品| 久久精品人人爽人人爽视色| 亚洲av片天天在线观看| 99精国产麻豆久久婷婷| 亚洲专区字幕在线| 亚洲一码二码三码区别大吗| 99国产精品一区二区三区| 一夜夜www| 不卡av一区二区三区| 纵有疾风起免费观看全集完整版| 下体分泌物呈黄色| 中国美女看黄片| 国产日韩欧美视频二区| 免费人妻精品一区二区三区视频| 精品国产超薄肉色丝袜足j| 亚洲天堂av无毛| 18禁观看日本| 久久这里只有精品19| 午夜免费成人在线视频| 久久久久视频综合| 久久精品熟女亚洲av麻豆精品| 国产激情久久老熟女| 久久久精品免费免费高清| 中文字幕最新亚洲高清| 高清视频免费观看一区二区| 亚洲精品av麻豆狂野| 露出奶头的视频| 欧美人与性动交α欧美软件| 久久亚洲真实| 精品少妇一区二区三区视频日本电影| 欧美亚洲 丝袜 人妻 在线| 亚洲国产欧美日韩在线播放| 欧美日韩一级在线毛片| 国产精品影院久久| 成人国产av品久久久| 免费高清在线观看日韩| 我要看黄色一级片免费的| 69av精品久久久久久 | 欧美精品人与动牲交sv欧美| 午夜福利影视在线免费观看| 在线天堂中文资源库| 50天的宝宝边吃奶边哭怎么回事| 在线天堂中文资源库| 色播在线永久视频| 亚洲av日韩在线播放| 国产精品1区2区在线观看. | 丝瓜视频免费看黄片| 黄片大片在线免费观看| 国产精品一区二区精品视频观看| 亚洲一区二区三区欧美精品| 麻豆乱淫一区二区| 欧美日韩视频精品一区| 日韩制服丝袜自拍偷拍| 日韩大片免费观看网站| 男女无遮挡免费网站观看| 91大片在线观看| 亚洲精品粉嫩美女一区| 天天躁日日躁夜夜躁夜夜| 国产成人精品无人区|