• <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 ?

    面向手寫數(shù)字圖像的壓縮感知快速分類

    2021-09-01 09:28:18肖術(shù)明王紹舉馮汝鵬
    光學(xué)精密工程 2021年7期
    關(guān)鍵詞:分類模型

    肖術(shù)明,王紹舉*,常 琳,馮汝鵬

    (1. 中國科學(xué)院 長春光學(xué)精密機(jī)械與物理研究所,吉林 長春 130033;2. 中國科學(xué)院大學(xué),北京 100039;3. 中國科學(xué)院 天基動態(tài)快速光學(xué)成像技術(shù)重點(diǎn)實(shí)驗(yàn)室,吉林 長春 130033)

    1 引 言

    隨著計算機(jī)技術(shù)的不斷發(fā)展,圖像分類算法取得了長足進(jìn)步,并對人們的生活和社會的發(fā)展產(chǎn)生重要的影響。人機(jī)交互[1]、天文數(shù)據(jù)處理[2]、農(nóng)產(chǎn)品成像[3]以及航空圖像處理[4]等領(lǐng)域都離不開圖像分類,因此圖像分類算法有著重要的研究意義。手寫數(shù)字圖像分類算法指利用計算機(jī)圖像處理技術(shù)將手寫數(shù)字圖像判定為0~9 共10 個類別的過程,該算法在財會、教育和金融等眾多領(lǐng)域具有廣泛的應(yīng)用背景和使用價值。

    基于神經(jīng)網(wǎng)絡(luò)模型的圖像分類算法獲得了很好的效果,使圖像分類算法有了突破性的進(jìn)展。對于手寫數(shù)字圖像分類問題也涌現(xiàn)了大量的相關(guān)研究工作:Hinton 通過構(gòu)造深層網(wǎng)絡(luò)模型來學(xué)習(xí)有效特征的方法,完成了對手寫數(shù)字集的識別,識別效果優(yōu)于支持向量機(jī)(Support Vector Machine,SVM)。Lee 提出了卷積深度置信網(wǎng)絡(luò),此網(wǎng)絡(luò)能高效的學(xué)習(xí)和提取自然數(shù)字圖像的特征。德國的Friedhelm Schweriker 采用SVRBF40 對手寫體數(shù)字進(jìn)行識別,測試樣本10000個,識別正確率為95.56%[5]。上海交通大學(xué)的團(tuán)隊采用壓縮子結(jié)構(gòu)特征的方式,用BP 神經(jīng)網(wǎng)絡(luò)分類,最終識別率為96.1%,誤識率為1.04%。中科院自動化研究所的團(tuán)隊使用有限狀態(tài)自動機(jī)方式對手寫數(shù)字分類,識別率為95.2%。清華大學(xué)的團(tuán)隊利用SVM 技術(shù)對郵政紙單上的手寫數(shù)字做了識別工作,識別率為92%[6]。但是,上述算法都是利用網(wǎng)絡(luò)模型對手寫數(shù)字原始的高維數(shù)字圖像進(jìn)行圖像分類,這極大地增加了網(wǎng)絡(luò)模型訓(xùn)練計算耗時和最佳訓(xùn)練次數(shù),同時還會影響圖像分類的準(zhǔn)確率,現(xiàn)有的研究[7-11]也都是對原始的高維數(shù)字圖像進(jìn)行處理。

    近年來,針對信息量龐大的信號(圖像)預(yù)處理問題,提出了一種新的信息采集方式,即壓縮感知(Compressive Sensing,CS)理論。該理論表明,當(dāng)信號(圖像)具有稀疏性或可壓縮性時,通過采集少量的信號(圖像)觀測值就可以實(shí)現(xiàn)信號的準(zhǔn)確或近似重構(gòu)[12]。文獻(xiàn)[13]在光學(xué)相關(guān)斷 層 掃 描(Optical Coherence Tomography,OCT)成像技術(shù)中引入CS 技術(shù),在壓縮感知重構(gòu)算法中結(jié)合分塊思想、引入正則項(xiàng)lp范數(shù)以及嵌入各項(xiàng)異性平滑算子,該改進(jìn)的重構(gòu)算法可以在一定程度上實(shí)現(xiàn)頻域OCT 圖像重構(gòu)效率和重構(gòu)質(zhì)量的平衡。文獻(xiàn)[14]中提出了一種基于投影收縮的壓縮感知錐束CT 短掃描重建算法,該算法將校正過程引入到壓縮感知的圖像重建中,有效抑制了條狀偽影,清晰重建出邊緣細(xì)節(jié),極大提高了少量投影數(shù)據(jù)重建圖像的質(zhì)量。但是,上述的研究都是針對壓縮采樣信號的重構(gòu)問題,而對于圖像分類問題,可以使用壓縮感知技術(shù)利用高斯隨機(jī)矩陣對具有稀疏性的數(shù)字圖像進(jìn)行線性觀測,少量的信號(圖像)觀測值保留了全部信息(特征),從而減少后續(xù)圖像分類的數(shù)據(jù)處理量。

    針對手寫數(shù)字?jǐn)?shù)據(jù)集信息量大,使用神經(jīng)網(wǎng)絡(luò)模型對其進(jìn)行圖像分類時訓(xùn)練計算耗時長和最佳訓(xùn)練次數(shù)多的問題,引入壓縮感知技術(shù),提出了一種基于壓縮感知和單隱層前饋網(wǎng)絡(luò)(Compressive Sensing and Single Hidden Layer Feedforward Network,CS-SHLNet)的手寫數(shù)字圖像快速分類算法。利用高斯隨機(jī)矩陣對具有稀疏性的手寫數(shù)字圖像進(jìn)行線性觀測,將高維圖像信號投影到低維空間得到觀測值。將擁有圖像全部信息(特征)的觀測值嵌入神經(jīng)網(wǎng)絡(luò)中對圖像進(jìn)行特征提取。采用神經(jīng)網(wǎng)絡(luò)模型對手寫數(shù)字進(jìn)行圖像分類。實(shí)驗(yàn)結(jié)果表明,該算法可以有效減少神經(jīng)網(wǎng)絡(luò)模型對手寫數(shù)字?jǐn)?shù)據(jù)集的訓(xùn)練計算耗時和最佳訓(xùn)練次數(shù),同時保證分類準(zhǔn)確率。

    2 手寫數(shù)字圖像快速分類算法

    MNIST 是一個手寫數(shù)字識別領(lǐng)域的標(biāo)準(zhǔn)評測數(shù)據(jù)集,數(shù)據(jù)庫中有70 000 張灰度圖像,毎張圖像大小為28×28,即784 維[15]。因此,整個數(shù)據(jù)集的信息量龐大,傳統(tǒng)的手寫數(shù)字圖像分類往往直接利用神經(jīng)網(wǎng)絡(luò)對其進(jìn)行特征提取,訓(xùn)練計算耗時長最佳訓(xùn)練次數(shù)多。針對這個問題,利用CS-SHLNet 對手寫數(shù)字圖像快速分類:首先利用壓縮感知理論對數(shù)據(jù)集進(jìn)行線性觀測,得到手寫數(shù)字的低維空間觀測值;然后,將手寫數(shù)字的觀測值作為神經(jīng)網(wǎng)絡(luò)模型的輸入,利用網(wǎng)絡(luò)模型進(jìn)行特征提取;再利用神經(jīng)網(wǎng)絡(luò)的學(xué)習(xí)能力對圖像標(biāo)簽之間的相關(guān)性進(jìn)行挖掘,輸出最終的圖像類別??傮w的流程圖如圖1 所示。

    圖1 手寫數(shù)字圖像分類流程圖Fig.1 Flowchart of handwritten digital image classification

    2.1 基于壓縮感知的手寫數(shù)字線性觀測

    手寫數(shù)字?jǐn)?shù)據(jù)集數(shù)據(jù)量龐大,為了減少神經(jīng)網(wǎng)絡(luò)模型對手寫數(shù)字?jǐn)?shù)據(jù)集的訓(xùn)練計算耗時和最佳訓(xùn)練次數(shù),并且不影響圖像分類準(zhǔn)確率,利用壓縮感知理論對數(shù)據(jù)集進(jìn)行線性觀測。首先將原始的二維圖像列向量化,然后利用觀測矩陣對信號線性觀測得到觀測值。

    如圖2 所示,MNIST 手寫數(shù)字?jǐn)?shù)據(jù)集數(shù)字圖片中非零數(shù)據(jù)數(shù)遠(yuǎn)小于總像素點(diǎn)數(shù)圖像具有稀疏性,適合利用壓縮感知進(jìn)行圖像分析。稀疏度指的是矩陣中非零元素的個數(shù)。首先對手寫數(shù)字?jǐn)?shù)據(jù)集圖像進(jìn)行二值化,然后進(jìn)行稀疏度計算,為了結(jié)果的準(zhǔn)確性,取所有數(shù)據(jù)集圖像的稀疏度平均值,計算得到稀疏度K。

    圖2 MNIST 手寫數(shù)據(jù)集數(shù)字7 數(shù)據(jù)特征圖Fig.2 MNIST handwritten data set figure 7 data feature diagram

    采用一個與稀疏矩陣ψN×N不相關(guān)的測量矩陣ΦM×N對信號xN×1進(jìn)行線性觀測,得到M(M<<N)維觀測值yM×1,即:

    其中,ΘM×N為感知矩 陣,yM×1為稀疏信號θN×1在感知矩陣ΘM×N下的線性觀測值。

    隨機(jī)高斯矩陣與任何稀疏矩陣都不相關(guān),由約束等距性(Restricted Isometry Property,RIP)條件可知,它可以作為稀疏信號的觀測矩陣,并且觀測值會保留原始信號(圖像)的特征。文獻(xiàn)[17]中給出M×N階測量矩陣ΦM×N的測量邊界公式為:

    其中:Cδ是一個常數(shù)Cδ<1,K為稀疏度。

    由式(3)可知,當(dāng)N=784 時,可以計算得到M 的取值范圍為M≥87.48,本文考慮到后續(xù)神經(jīng)網(wǎng)絡(luò)數(shù)據(jù)輸入盡量少并且不能丟失圖像分類所需特征等問題,選取M=235,可合理實(shí)現(xiàn)使用較少的輸入數(shù)據(jù)量,同時保留原始圖像特征、保證圖像分類準(zhǔn)確率。隨機(jī)高斯矩陣的結(jié)構(gòu)式如下:

    MNIST 手寫數(shù)字?jǐn)?shù)據(jù)集中的樣本數(shù)字5 的線性觀測過程如圖3 所示。從線性觀測的過程圖可以看成,采用M=235 的隨機(jī)高斯矩陣線性觀測,數(shù)據(jù)從784 維減少到235 維,數(shù)據(jù)量明顯減少。

    圖3 MNIST 手寫數(shù)字5 的線性觀測Fig.3 Measurements of MNIST handwritten number 5

    2.2 基于單隱層前饋網(wǎng)絡(luò)的觀測值多標(biāo)簽分類

    對手寫數(shù)字圖像線性觀測得到觀測值后,需要將觀測值嵌入神經(jīng)網(wǎng)絡(luò)中對圖像進(jìn)行特征提取,因此手寫數(shù)字圖像分類的第二步是建立適應(yīng)于觀測值的神經(jīng)網(wǎng)絡(luò)模型。

    2.2.1 神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建

    基于神經(jīng)網(wǎng)絡(luò)模型的圖像分類算法中神經(jīng)網(wǎng)絡(luò)架構(gòu)層出不窮,出現(xiàn)了很多復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)[18-21]。考慮到網(wǎng)絡(luò)架構(gòu)的復(fù)雜度和訓(xùn)練耗時的影響,對于手寫數(shù)字?jǐn)?shù)據(jù)集的觀測值多標(biāo)簽分類,采用單隱層前饋網(wǎng)絡(luò)架構(gòu)。設(shè)置神經(jīng)網(wǎng)絡(luò)模型為兩個全連接層:第一層是1 024 個神經(jīng)元密集連接的帶有ELU 激活的全連接層,第二層是10 個神經(jīng)元密集連接的帶有Softmax 激活的全連接層。神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)圖如圖5 所示。神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)如表1 所示。

    圖4 單隱層前饋神經(jīng)網(wǎng)絡(luò)模型結(jié)構(gòu)圖Fig.4 Single hidden layer feedforward network model structure diagram

    圖5 單隱層前饋網(wǎng)絡(luò)模型權(quán)值調(diào)整流程圖Fig.5 Flow chart of weight adjustment of single hidden layer feedforward network model

    表1 單隱層前饋網(wǎng)絡(luò)結(jié)構(gòu)參數(shù)表Tab.1 Neural network structure parameter table

    神 經(jīng) 網(wǎng) 絡(luò) 的 輸 入 為Y=(y1,y2,...,y235)T,y1,y2,...,y235為手寫數(shù)字的觀測值,n為輸入層神經(jīng)元個數(shù)。 輸入層輸出向量為A=(a1,a2,...,a235)T,a1,a2,...,a235為每個輸入層神經(jīng)元的輸出值;隱含層輸出向量為B=(b1,b2,...,bm)T,b1,b2,...,bm為 每 個 隱 含 層 神 經(jīng)元的輸出值,m為隱含層神經(jīng)元的個數(shù);輸出層輸出向量為C=(c1,c2,...,c10)T,c1,c2,...,c10為每個輸出層神經(jīng)元的輸出值。輸入層到隱含層的權(quán)值矩陣為Wm×235,其中ωi,j為權(quán)值矩陣的第i行、第j列元素;隱含層到輸出層的權(quán)值矩陣為G10×m,其 中g(shù)p,q為 權(quán) 值 矩 陣 的 第p行、第q列元素。

    此時,神經(jīng)網(wǎng)絡(luò)得到的圖像分類標(biāo)簽值就是輸出層概率值最高的神經(jīng)元所對應(yīng)的分類結(jié)果。

    2.2.2 神經(jīng)網(wǎng)絡(luò)模型的訓(xùn)練

    為了調(diào)整神經(jīng)網(wǎng)絡(luò)的權(quán)值,需要根據(jù)手寫數(shù)字訓(xùn)練集的觀測值對網(wǎng)絡(luò)進(jìn)行訓(xùn)練。如果只將數(shù)據(jù)標(biāo)簽以0~9 的形式輸入模型,會出現(xiàn)不同類別元素之間距離不一的情況,影響分類的準(zhǔn)確率,為了保證每個類別的樣本彼此獨(dú)立等距需要對標(biāo)簽進(jìn)行one-hot 編碼。樣本標(biāo)簽與one-hot 編碼的對應(yīng)關(guān)系,如表2 所示。

    表2 樣本標(biāo)簽與one-hot 編碼的關(guān)系表Tab.2 Table of sample label and one-hot encoding

    對于訓(xùn)練樣例(y,lab),lab為訓(xùn)練樣例的標(biāo)簽,神經(jīng)網(wǎng)絡(luò)的輸出為C=(c1,c2,...,c10)T,那么對于手寫數(shù)字觀測值,神經(jīng)網(wǎng)絡(luò)模型得到的均方誤差為:

    當(dāng)訓(xùn)練誤差小于給定誤差時,網(wǎng)絡(luò)模型停止訓(xùn)練,根據(jù)式(4)可以得到手寫數(shù)字圖像分類標(biāo)簽值。

    3 實(shí)驗(yàn)與結(jié)果分析

    3.1 神經(jīng)網(wǎng)絡(luò)模型的構(gòu)建與訓(xùn)練

    通過實(shí)驗(yàn)驗(yàn)證神經(jīng)網(wǎng)絡(luò)模型對MNIST 手寫數(shù)字圖像分類的快速性和有效性,分析了線性觀測值對神經(jīng)網(wǎng)絡(luò)模型訓(xùn)練計算耗時、最佳訓(xùn)練次數(shù)和分類準(zhǔn)確率的影響。

    實(shí)驗(yàn)環(huán)境為Windows 7 64 位操作系統(tǒng)、Intel(R)Core(TM)i7-7700 CPU @ 3.60 GHz 處理器、32.0G 內(nèi)存、顯卡NVIDIA GeForce GTX 750Ti 的普通PC 機(jī),編程環(huán)境PyCharm Community Edition 2019.1.3 x64,編程語言Python 3.5.2(64 位),使 用TensorFlow_GPU-1.4.0 的Kerase 高級API 構(gòu)建的一個神經(jīng)網(wǎng)絡(luò)模型,來解析圖像分類的實(shí)現(xiàn)過程。手寫數(shù)字圖像的分類是多分類問題,神經(jīng)網(wǎng)絡(luò)模型的損失函數(shù)選擇分類交叉熵(Categorical Crossentropy),優(yōu)化器選擇rmsprop,指標(biāo)選擇accuracy。

    MNIST 數(shù)據(jù)庫中有70 000 張圖像,一共包含10 類阿拉伯?dāng)?shù)字,選擇50 000 張圖像進(jìn)行訓(xùn)練,10 000 張進(jìn)行驗(yàn)證,10 000 張進(jìn)行測試,MNIST 的毎張圖像大小為28×28。圖6 列出了本文中使用的部分?jǐn)?shù)據(jù)集圖像。

    圖6 MNIST 手寫數(shù)據(jù)集部分樣本Fig.6 Partial sample of MNIST handwritten data set

    3.2 實(shí)驗(yàn)結(jié)果分析

    為了評估本文算法的性能,將CS-SHLNet與單隱層神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks,CNN)以及深度學(xué)習(xí)網(wǎng)絡(luò)做了對比。其中單隱層神經(jīng)網(wǎng)絡(luò)的網(wǎng)絡(luò)結(jié)構(gòu)與本文CS-SHLNet 中的神經(jīng)網(wǎng)絡(luò)部分結(jié)構(gòu)相同;CNN 的網(wǎng)絡(luò)結(jié)構(gòu)主要由3 個卷積層、2 個最大池化層和2 個全連接層組成,卷積核大小為3×3,網(wǎng)絡(luò)中加人ReLU 激活函數(shù);深度學(xué)習(xí)網(wǎng)絡(luò)包括用于字符識別高效的LeNet-5[22]和在ImageNet圖像上訓(xùn)練的VGG16[23]預(yù)訓(xùn)練模型。實(shí)驗(yàn)評價標(biāo)準(zhǔn)為最佳訓(xùn)練次數(shù)、訓(xùn)練用時和分類準(zhǔn)確率。對手寫數(shù)字?jǐn)?shù)據(jù)集分別通過它們進(jìn)行訓(xùn)練、驗(yàn)證和測試。

    訓(xùn)練集和驗(yàn)證集的性能值(分類交叉熵值)如圖7 所示,訓(xùn)練集分類交叉熵值每輪都在降低,這是梯度下降優(yōu)化的預(yù)期結(jié)果,但是驗(yàn)證集分類交叉熵值在達(dá)到全局最小值后由于過擬合的原因會出現(xiàn)上升的情況。分類交叉熵值達(dá)到全局最小值時所對應(yīng)的輪次為數(shù)據(jù)集在網(wǎng)絡(luò)中的最佳訓(xùn)練次數(shù)。從圖7 中的驗(yàn)證集分類交叉熵值曲線可以得到,手寫數(shù)字?jǐn)?shù)據(jù)集的單隱層神經(jīng)網(wǎng)絡(luò)最佳訓(xùn)練次數(shù)為5 次,CNN 最佳訓(xùn)練次數(shù)為4次,LeNet-5 最佳訓(xùn)練次數(shù)為5 次,VGG16 最佳訓(xùn)練次數(shù)為13 次;手寫數(shù)字的CS-SHLNet 最佳訓(xùn)練次數(shù)為3 次。

    圖7 訓(xùn)練集和驗(yàn)證集分類交叉熵曲線圖Fig.7 Classification cross-entropy curve diagram of training set and validation set

    訓(xùn)練集和測試集的測試精確率如圖8 所示,測試集的精確率開始時保持上升趨勢,在最佳訓(xùn)練次數(shù)時達(dá)到最大值。從圖8 中的測試集測試精確率曲線可以得到,手寫數(shù)字?jǐn)?shù)據(jù)集的單隱層神經(jīng)網(wǎng)絡(luò)最高測試精確率為97.54%,CNN 最高測試精確率為98.83%,LeNet-5 最高測試精確率為98.66%,VGG16 最高測試精確率為97.71%;手寫數(shù)字的CS-SHLNet 最高測試性能值為97.53%,表明本文提出的算法在減少最佳訓(xùn)練次數(shù)、訓(xùn)練時間的情況下,分類準(zhǔn)確率基本無影響。

    圖8 訓(xùn)練集和測試集分類準(zhǔn)確率曲線圖Fig.8 Classification accuracy curve of training set and test set

    表3 為本文CS-SHLNet 方法與其他方法的實(shí)驗(yàn)結(jié)果對比。從表3 可以看出,網(wǎng)絡(luò)模型的訓(xùn)練計算耗時縮短為13.05s,最佳訓(xùn)練次數(shù)縮短為3 次,分類準(zhǔn)確率保持在97.5%。表明該算法可以有效減少神經(jīng)網(wǎng)絡(luò)模型對手寫數(shù)字?jǐn)?shù)據(jù)集的訓(xùn)練計算耗時和最佳訓(xùn)練次數(shù),并且不影響分類準(zhǔn)確率。

    表3 實(shí)驗(yàn)結(jié)果對比Tab.3 Comparison of experimental results

    4 結(jié) 論

    本文針對手寫數(shù)字?jǐn)?shù)據(jù)集信息量龐大導(dǎo)致神經(jīng)網(wǎng)絡(luò)模型對其訓(xùn)練計算耗時長、最佳訓(xùn)練次數(shù)多的問題,提出了基于CS-SHLNet 的手寫數(shù)字圖像快速分類算法。通過壓縮感知理論,利用高斯隨機(jī)矩陣對具有稀疏性的手寫數(shù)字圖像進(jìn)行線性觀測,將高維圖像信號投影到低維空間得到觀測值。通過BP 算法不斷調(diào)整單隱層前饋網(wǎng)絡(luò)權(quán)值建立適應(yīng)于觀測值的神經(jīng)網(wǎng)絡(luò)模型,將觀測值嵌入神經(jīng)網(wǎng)絡(luò)中對圖像進(jìn)行特征提取。最后,采用單隱層前饋網(wǎng)絡(luò)模型對手寫數(shù)字進(jìn)行圖像分類。實(shí)驗(yàn)結(jié)果表明:相比較單隱層神經(jīng)網(wǎng)絡(luò)和深度學(xué)習(xí)對高維圖像(信號)分類,利用CSSHLNet 對MNIST 手寫數(shù)字?jǐn)?shù)據(jù)集進(jìn)行圖像分類,網(wǎng)絡(luò)模型的訓(xùn)練計算耗時縮短為13.05 s,最佳訓(xùn)練次數(shù)縮短為3 次,分類準(zhǔn)確率保持97.5%。表明了該算法可以有效減少神經(jīng)網(wǎng)絡(luò)模型對手寫數(shù)字?jǐn)?shù)據(jù)集的訓(xùn)練計算耗時和最佳訓(xùn)練次數(shù),同時保證分類準(zhǔn)確率。但是該方法是在空域中基于壓縮感知理論對手寫數(shù)字圖像進(jìn)行線性觀測,如何進(jìn)一步減少圖像的稀疏度,并且在減少數(shù)據(jù)量的同時保證特征數(shù)據(jù)不減少、分類精度進(jìn)一步提高是下一步的研究重點(diǎn)。

    猜你喜歡
    分類模型
    一半模型
    分類算一算
    垃圾分類的困惑你有嗎
    大眾健康(2021年6期)2021-06-08 19:30:06
    重要模型『一線三等角』
    重尾非線性自回歸模型自加權(quán)M-估計的漸近分布
    分類討論求坐標(biāo)
    數(shù)據(jù)分析中的分類討論
    教你一招:數(shù)的分類
    3D打印中的模型分割與打包
    FLUKA幾何模型到CAD幾何模型轉(zhuǎn)換方法初步研究
    亚洲av美国av| 欧美不卡视频在线免费观看| 国内久久婷婷六月综合欲色啪| 国产v大片淫在线免费观看| 亚洲精品456在线播放app | 国产精品久久电影中文字幕| 一级av片app| 乱码一卡2卡4卡精品| av专区在线播放| 91狼人影院| 成年版毛片免费区| 黄色一级大片看看| 免费无遮挡裸体视频| 国内精品一区二区在线观看| 熟女电影av网| 色在线成人网| 99热只有精品国产| 97超视频在线观看视频| 麻豆av噜噜一区二区三区| 亚洲在线观看片| 久久精品国产亚洲av天美| 最近最新免费中文字幕在线| 嫁个100分男人电影在线观看| 青草久久国产| 中文字幕精品亚洲无线码一区| 色av中文字幕| 精品99又大又爽又粗少妇毛片 | 成年人黄色毛片网站| 精品无人区乱码1区二区| 最新在线观看一区二区三区| 欧美另类亚洲清纯唯美| 窝窝影院91人妻| 色5月婷婷丁香| 午夜两性在线视频| 亚洲 欧美 日韩 在线 免费| 国产午夜精品久久久久久一区二区三区 | 男插女下体视频免费在线播放| 噜噜噜噜噜久久久久久91| 国产精品三级大全| 色播亚洲综合网| 日韩有码中文字幕| 在线播放国产精品三级| 免费av观看视频| 欧美激情久久久久久爽电影| 欧美日韩综合久久久久久 | 亚洲五月婷婷丁香| 久久久久久国产a免费观看| 日本五十路高清| 久久精品人妻少妇| 欧美一区二区精品小视频在线| 国产高清视频在线播放一区| 在线观看av片永久免费下载| 亚洲 国产 在线| 国产三级在线视频| 久久人人精品亚洲av| 亚洲国产精品sss在线观看| 男人舔女人下体高潮全视频| 欧美黑人欧美精品刺激| 国产国拍精品亚洲av在线观看| 欧美成人一区二区免费高清观看| 亚洲精品影视一区二区三区av| 长腿黑丝高跟| 欧美bdsm另类| 亚洲欧美日韩无卡精品| 日本与韩国留学比较| 香蕉av资源在线| 国产精品三级大全| 亚洲黑人精品在线| 午夜福利视频1000在线观看| 久久99热6这里只有精品| 高清在线国产一区| 欧美日本视频| 一个人看的www免费观看视频| 12—13女人毛片做爰片一| 午夜福利在线在线| 一区福利在线观看| 最新中文字幕久久久久| 女生性感内裤真人,穿戴方法视频| а√天堂www在线а√下载| 青草久久国产| 女人被狂操c到高潮| 美女 人体艺术 gogo| 毛片一级片免费看久久久久 | 美女cb高潮喷水在线观看| 在线观看午夜福利视频| 热99re8久久精品国产| 夜夜躁狠狠躁天天躁| 全区人妻精品视频| 五月玫瑰六月丁香| 成人性生交大片免费视频hd| 天堂av国产一区二区熟女人妻| 日韩人妻高清精品专区| 嫩草影院精品99| 一进一出抽搐动态| 在线观看舔阴道视频| 婷婷精品国产亚洲av在线| 色哟哟·www| 天美传媒精品一区二区| 88av欧美| 精品国产三级普通话版| 精品国产三级普通话版| 女生性感内裤真人,穿戴方法视频| 国产一区二区激情短视频| 国产黄色小视频在线观看| 国产精华一区二区三区| 亚洲黑人精品在线| 最近中文字幕高清免费大全6 | 老司机福利观看| 国产成人啪精品午夜网站| 啦啦啦韩国在线观看视频| 国产色婷婷99| 99热精品在线国产| 午夜视频国产福利| 中文字幕久久专区| 乱码一卡2卡4卡精品| 免费人成在线观看视频色| 午夜视频国产福利| 久久精品国产亚洲av涩爱 | 女人被狂操c到高潮| 一级av片app| 青草久久国产| 国产麻豆成人av免费视频| 国产 一区 欧美 日韩| 国产在线男女| 亚洲成人久久性| 亚洲美女黄片视频| 久久亚洲精品不卡| 搡女人真爽免费视频火全软件 | 男人和女人高潮做爰伦理| 免费在线观看亚洲国产| 久久久久精品国产欧美久久久| 老司机深夜福利视频在线观看| 日本成人三级电影网站| av在线观看视频网站免费| 日韩欧美三级三区| 性色av乱码一区二区三区2| 亚洲欧美日韩高清专用| 亚洲男人的天堂狠狠| 精品久久久久久久久久免费视频| 18+在线观看网站| h日本视频在线播放| 国内精品美女久久久久久| 美女免费视频网站| 天堂√8在线中文| 久久亚洲真实| 欧美丝袜亚洲另类 | 搡老妇女老女人老熟妇| av女优亚洲男人天堂| 精品久久久久久久久久免费视频| 欧美日韩综合久久久久久 | 老司机深夜福利视频在线观看| 国产精品一区二区性色av| 成人国产一区最新在线观看| 男女做爰动态图高潮gif福利片| 制服丝袜大香蕉在线| 1024手机看黄色片| 男人狂女人下面高潮的视频| 亚洲第一电影网av| 国产在线男女| 免费看光身美女| 亚洲经典国产精华液单 | 国产精品一及| 国产一区二区激情短视频| 噜噜噜噜噜久久久久久91| АⅤ资源中文在线天堂| 亚洲av美国av| 亚洲无线在线观看| 亚洲最大成人av| 99国产综合亚洲精品| 亚洲aⅴ乱码一区二区在线播放| 免费人成视频x8x8入口观看| 国产麻豆成人av免费视频| 国产精品永久免费网站| 国产亚洲精品综合一区在线观看| 麻豆成人av在线观看| 亚洲精品成人久久久久久| 免费电影在线观看免费观看| 久久久久久久久大av| 久久久久久国产a免费观看| a在线观看视频网站| 一卡2卡三卡四卡精品乱码亚洲| 精品99又大又爽又粗少妇毛片 | 真人一进一出gif抽搐免费| 好男人在线观看高清免费视频| 亚洲不卡免费看| 色播亚洲综合网| 亚洲av不卡在线观看| 在线天堂最新版资源| 噜噜噜噜噜久久久久久91| 如何舔出高潮| 亚洲 国产 在线| 天美传媒精品一区二区| 久久人妻av系列| 欧美日本亚洲视频在线播放| 国产淫片久久久久久久久 | 亚洲av免费在线观看| 亚洲成a人片在线一区二区| 欧美不卡视频在线免费观看| 俄罗斯特黄特色一大片| 国产色婷婷99| www.色视频.com| 热99re8久久精品国产| 黄色一级大片看看| 99在线人妻在线中文字幕| 亚洲第一欧美日韩一区二区三区| 在线观看av片永久免费下载| 男人的好看免费观看在线视频| a级一级毛片免费在线观看| avwww免费| 午夜精品在线福利| 成人精品一区二区免费| 草草在线视频免费看| 成人性生交大片免费视频hd| 亚洲专区国产一区二区| 一个人免费在线观看的高清视频| 老师上课跳d突然被开到最大视频 久久午夜综合久久蜜桃 | 欧美成人性av电影在线观看| 欧美高清成人免费视频www| 日本 av在线| 热99re8久久精品国产| av福利片在线观看| 欧美性猛交╳xxx乱大交人| 国产色爽女视频免费观看| av中文乱码字幕在线| 男插女下体视频免费在线播放| 好看av亚洲va欧美ⅴa在| 欧美黄色片欧美黄色片| 色综合欧美亚洲国产小说| 国产午夜福利久久久久久| 久久久久久久久久黄片| 少妇被粗大猛烈的视频| 亚洲在线自拍视频| 成人永久免费在线观看视频| 中文字幕av成人在线电影| 亚洲熟妇熟女久久| 午夜精品在线福利| 午夜视频国产福利| 久久国产乱子伦精品免费另类| 欧美性猛交╳xxx乱大交人| 久久久色成人| 亚洲av.av天堂| 琪琪午夜伦伦电影理论片6080| 高清毛片免费观看视频网站| 久久国产精品人妻蜜桃| 三级国产精品欧美在线观看| 久久精品影院6| 一个人免费在线观看电影| 亚洲精品456在线播放app | 级片在线观看| 亚洲国产高清在线一区二区三| 男女床上黄色一级片免费看| 毛片女人毛片| 夜夜躁狠狠躁天天躁| 亚洲成人久久性| 国产一区二区三区在线臀色熟女| 在线看三级毛片| 久久久久久久久久成人| 精品人妻视频免费看| 日日干狠狠操夜夜爽| 亚洲久久久久久中文字幕| 欧美区成人在线视频| 国产精品一区二区三区四区久久| 高清在线国产一区| 五月伊人婷婷丁香| 成人鲁丝片一二三区免费| 免费在线观看影片大全网站| 18禁裸乳无遮挡免费网站照片| 免费看光身美女| 九九热线精品视视频播放| 老师上课跳d突然被开到最大视频 久久午夜综合久久蜜桃 | 成人av在线播放网站| 亚洲经典国产精华液单 | 三级男女做爰猛烈吃奶摸视频| 少妇裸体淫交视频免费看高清| 美女被艹到高潮喷水动态| 久久精品国产亚洲av香蕉五月| 性欧美人与动物交配| 中文字幕av成人在线电影| 亚洲五月婷婷丁香| 熟女电影av网| 97热精品久久久久久| 日韩国内少妇激情av| a级毛片免费高清观看在线播放| 亚洲天堂国产精品一区在线| 色综合亚洲欧美另类图片| 一级av片app| 日韩欧美国产一区二区入口| 国产人妻一区二区三区在| 九九在线视频观看精品| 久久午夜福利片| 久久久久久久久久成人| 国内毛片毛片毛片毛片毛片| 亚洲无线观看免费| av在线天堂中文字幕| 99热精品在线国产| 哪里可以看免费的av片| 中文字幕久久专区| 我的女老师完整版在线观看| 乱码一卡2卡4卡精品| 久久亚洲精品不卡| 精品日产1卡2卡| av天堂在线播放| 简卡轻食公司| 两个人的视频大全免费| 精品一区二区三区视频在线| 国产极品精品免费视频能看的| 啪啪无遮挡十八禁网站| 国产乱人伦免费视频| 一夜夜www| 18+在线观看网站| 亚洲国产欧洲综合997久久,| 99热这里只有是精品50| 国产精品,欧美在线| 日本在线视频免费播放| 在线播放国产精品三级| 久久久久精品国产欧美久久久| 精品一区二区三区视频在线观看免费| 国产精品,欧美在线| 国内精品久久久久久久电影| 麻豆成人av在线观看| 90打野战视频偷拍视频| 成人亚洲精品av一区二区| 国产爱豆传媒在线观看| 国产精品久久久久久人妻精品电影| 午夜久久久久精精品| 精品一区二区三区人妻视频| 毛片一级片免费看久久久久 | 一级黄片播放器| 又紧又爽又黄一区二区| 一个人免费在线观看电影| a级一级毛片免费在线观看| av在线观看视频网站免费| 狠狠狠狠99中文字幕| 丁香六月欧美| 日韩欧美一区二区三区在线观看| 久久久国产成人免费| 欧美绝顶高潮抽搐喷水| 90打野战视频偷拍视频| 蜜桃亚洲精品一区二区三区| 亚洲第一区二区三区不卡| 淫秽高清视频在线观看| 午夜福利成人在线免费观看| 一区二区三区高清视频在线| 成人午夜高清在线视频| 看黄色毛片网站| 欧美黄色片欧美黄色片| 欧美成人免费av一区二区三区| 久久欧美精品欧美久久欧美| 中亚洲国语对白在线视频| 精品久久久久久久人妻蜜臀av| 一a级毛片在线观看| 非洲黑人性xxxx精品又粗又长| 一区二区三区激情视频| 欧美性感艳星| 国产 一区 欧美 日韩| 一区福利在线观看| 美女高潮的动态| 又粗又爽又猛毛片免费看| 午夜免费激情av| 国产精品电影一区二区三区| 免费av毛片视频| 又爽又黄无遮挡网站| 国产高潮美女av| 亚洲国产精品成人综合色| 免费人成在线观看视频色| 欧美又色又爽又黄视频| 亚洲五月天丁香| 亚洲av中文字字幕乱码综合| 精品国产三级普通话版| 精品人妻熟女av久视频| 亚洲专区国产一区二区| 亚洲性夜色夜夜综合| av在线老鸭窝| 久久人人精品亚洲av| 日韩亚洲欧美综合| 黄色配什么色好看| 九色成人免费人妻av| 国产精品久久电影中文字幕| 97碰自拍视频| a在线观看视频网站| 熟妇人妻久久中文字幕3abv| 美女黄网站色视频| 亚洲人成伊人成综合网2020| 在线观看66精品国产| 极品教师在线免费播放| 在线十欧美十亚洲十日本专区| 国产黄色小视频在线观看| 伊人久久精品亚洲午夜| 亚洲精品影视一区二区三区av| 欧美最新免费一区二区三区 | 国产伦在线观看视频一区| 少妇裸体淫交视频免费看高清| 久久精品国产亚洲av涩爱 | 亚洲精品在线美女| 麻豆成人午夜福利视频| 亚洲精品在线观看二区| 国产精品久久久久久久久免 | 在线国产一区二区在线| 极品教师在线免费播放| 免费看光身美女| 亚洲国产精品成人综合色| 婷婷精品国产亚洲av| а√天堂www在线а√下载| 欧美激情久久久久久爽电影| 亚洲精品久久国产高清桃花| 国产午夜福利久久久久久| 1024手机看黄色片| 亚洲精品在线观看二区| 婷婷丁香在线五月| avwww免费| 精品久久久久久久久久久久久| 精品乱码久久久久久99久播| 国产探花在线观看一区二区| 午夜福利免费观看在线| 两性午夜刺激爽爽歪歪视频在线观看| 亚洲五月天丁香| 午夜两性在线视频| 精品人妻熟女av久视频| 亚洲自拍偷在线| 蜜桃亚洲精品一区二区三区| 丰满的人妻完整版| 国产探花在线观看一区二区| 亚洲性夜色夜夜综合| 久久精品国产亚洲av涩爱 | 成人av一区二区三区在线看| 热99re8久久精品国产| 亚洲乱码一区二区免费版| 91麻豆av在线| 宅男免费午夜| 99久久精品一区二区三区| 国产精品自产拍在线观看55亚洲| 久久久久国产精品人妻aⅴ院| 老鸭窝网址在线观看| 久久香蕉精品热| 日韩亚洲欧美综合| 亚洲精品一区av在线观看| 国产成人欧美在线观看| 亚洲综合色惰| 国产色婷婷99| 欧美性感艳星| 免费av不卡在线播放| 亚洲五月婷婷丁香| 男人舔奶头视频| 性欧美人与动物交配| 久久精品夜夜夜夜夜久久蜜豆| 老师上课跳d突然被开到最大视频 久久午夜综合久久蜜桃 | 波多野结衣高清作品| 观看美女的网站| 欧美黑人巨大hd| 99久久99久久久精品蜜桃| 欧美黑人欧美精品刺激| 人妻久久中文字幕网| 欧美一区二区精品小视频在线| 性插视频无遮挡在线免费观看| 中文资源天堂在线| 哪里可以看免费的av片| av黄色大香蕉| 一a级毛片在线观看| 桃色一区二区三区在线观看| 99久久久亚洲精品蜜臀av| 久久天躁狠狠躁夜夜2o2o| 伊人久久精品亚洲午夜| 舔av片在线| 赤兔流量卡办理| 天堂√8在线中文| 一本精品99久久精品77| 国内揄拍国产精品人妻在线| 久久草成人影院| 神马国产精品三级电影在线观看| 成年人黄色毛片网站| 欧美区成人在线视频| 老鸭窝网址在线观看| 国内精品一区二区在线观看| 99国产综合亚洲精品| 看十八女毛片水多多多| 欧美成狂野欧美在线观看| 又粗又爽又猛毛片免费看| 特大巨黑吊av在线直播| 日本精品一区二区三区蜜桃| 免费av观看视频| 免费搜索国产男女视频| 亚洲一区二区三区色噜噜| 国产日本99.免费观看| 久久精品久久久久久噜噜老黄 | 精品人妻熟女av久视频| 麻豆国产av国片精品| 在线观看免费视频日本深夜| 桃红色精品国产亚洲av| 999久久久精品免费观看国产| 国产亚洲av嫩草精品影院| 精品国产亚洲在线| 给我免费播放毛片高清在线观看| 午夜福利在线观看免费完整高清在 | 一区福利在线观看| 如何舔出高潮| 久久精品久久久久久噜噜老黄 | 国产伦人伦偷精品视频| 精品国内亚洲2022精品成人| 美女高潮喷水抽搐中文字幕| 直男gayav资源| 精品国产三级普通话版| 99久国产av精品| 国产三级在线视频| 国内精品久久久久久久电影| 亚洲 国产 在线| 欧美xxxx性猛交bbbb| 午夜福利高清视频| 国产欧美日韩一区二区精品| 亚洲一区二区三区色噜噜| 国产亚洲精品久久久com| 亚洲电影在线观看av| 久久九九热精品免费| 永久网站在线| 亚洲最大成人手机在线| 亚洲 欧美 日韩 在线 免费| 青草久久国产| 色哟哟哟哟哟哟| 麻豆成人午夜福利视频| 日韩欧美 国产精品| 欧美xxxx性猛交bbbb| 久久欧美精品欧美久久欧美| 精品一区二区三区视频在线| 亚洲精品成人久久久久久| 99热这里只有是精品50| 超碰av人人做人人爽久久| 欧美日韩综合久久久久久 | 久久99热6这里只有精品| 成人国产一区最新在线观看| 国产成人av教育| 亚洲 欧美 日韩 在线 免费| 日韩成人在线观看一区二区三区| 亚洲性夜色夜夜综合| 久久精品国产亚洲av涩爱 | a在线观看视频网站| 亚洲专区国产一区二区| 我要搜黄色片| 一个人看视频在线观看www免费| 亚洲av一区综合| 黄色配什么色好看| 久久天躁狠狠躁夜夜2o2o| 亚洲va日本ⅴa欧美va伊人久久| 噜噜噜噜噜久久久久久91| 麻豆一二三区av精品| 精品午夜福利在线看| 国产av一区在线观看免费| 欧美午夜高清在线| 尤物成人国产欧美一区二区三区| 我的女老师完整版在线观看| 国产 一区 欧美 日韩| 日本精品一区二区三区蜜桃| 人妻丰满熟妇av一区二区三区| 亚洲国产欧洲综合997久久,| 99精品在免费线老司机午夜| 国产成人福利小说| 久久久久久久久中文| 偷拍熟女少妇极品色| 人妻制服诱惑在线中文字幕| 毛片一级片免费看久久久久 | 99久久精品一区二区三区| 90打野战视频偷拍视频| 91九色精品人成在线观看| 女生性感内裤真人,穿戴方法视频| 中文字幕av在线有码专区| 俄罗斯特黄特色一大片| 国产一级毛片七仙女欲春2| 免费看日本二区| 九色成人免费人妻av| 亚洲色图av天堂| 欧美xxxx性猛交bbbb| 亚洲av.av天堂| 内射极品少妇av片p| 日韩亚洲欧美综合| 日本 av在线| 免费av观看视频| 国产亚洲精品久久久com| www日本黄色视频网| av专区在线播放| 国模一区二区三区四区视频| 自拍偷自拍亚洲精品老妇| av在线老鸭窝| 99国产精品一区二区蜜桃av| 亚洲av成人不卡在线观看播放网| 老师上课跳d突然被开到最大视频 久久午夜综合久久蜜桃 | 九色国产91popny在线| 精品免费久久久久久久清纯| 国产爱豆传媒在线观看| 级片在线观看| 一夜夜www| 老熟妇仑乱视频hdxx| 又爽又黄a免费视频| 天美传媒精品一区二区| 在线观看av片永久免费下载| 一本精品99久久精品77| 狠狠狠狠99中文字幕| 国产三级中文精品| 男女那种视频在线观看| 亚洲av熟女| 好男人电影高清在线观看| 精品人妻一区二区三区麻豆 | av国产免费在线观看| 小蜜桃在线观看免费完整版高清| a在线观看视频网站| 欧美在线黄色| 99久久99久久久精品蜜桃| 在现免费观看毛片| 国产伦精品一区二区三区视频9| 亚洲一区二区三区不卡视频| 真人一进一出gif抽搐免费| 最新中文字幕久久久久| 18+在线观看网站| 亚洲欧美日韩高清专用| 九九久久精品国产亚洲av麻豆| 欧美激情国产日韩精品一区| 国产成人aa在线观看| 国产91精品成人一区二区三区|