• <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)重點實驗室,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lp范數(shù)以及嵌入各項異性平滑算子,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。實驗結(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??;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 實驗與結(jié)果分析

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

    通過實驗驗證神經(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。

    實驗環(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 實驗結(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。實驗評價標(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、驗證和測試。

    訓(xùn)練集和驗證集的性能值(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驗結(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 實驗結(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。實驗結(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。

    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
    97热精品久久久久久| 成熟少妇高潮喷水视频| 美女高潮的动态| 精品久久久久久成人av| 午夜精品一区二区三区免费看| 18+在线观看网站| 成人高潮视频无遮挡免费网站| 在线a可以看的网站| 国产精品1区2区在线观看.| 精品一区二区三区视频在线观看免费| 午夜福利在线在线| 麻豆精品久久久久久蜜桃| 97超级碰碰碰精品色视频在线观看| 精品日产1卡2卡| 热99re8久久精品国产| 一级av片app| 91久久精品国产一区二区成人| 国产精品爽爽va在线观看网站| 丝袜美腿在线中文| 国内精品美女久久久久久| 日韩av在线大香蕉| 97超视频在线观看视频| 人妻夜夜爽99麻豆av| 国产 一区 欧美 日韩| 性色avwww在线观看| 成人午夜高清在线视频| 九色成人免费人妻av| 日韩欧美三级三区| 亚洲综合色惰| 久久这里只有精品中国| 精品人妻偷拍中文字幕| 久久久久久九九精品二区国产| 人妻夜夜爽99麻豆av| 波野结衣二区三区在线| 亚洲av五月六月丁香网| 国产色爽女视频免费观看| 国产精品久久久久久久久免| 可以在线观看的亚洲视频| 成人性生交大片免费视频hd| 嫩草影院入口| 久久国产乱子免费精品| 国产午夜精品论理片| 乱码一卡2卡4卡精品| 久久午夜亚洲精品久久| 久久6这里有精品| 国产精品自产拍在线观看55亚洲| 久久久久久久久大av| 亚洲精品成人久久久久久| 91午夜精品亚洲一区二区三区 | 又黄又爽又免费观看的视频| 日本-黄色视频高清免费观看| 91午夜精品亚洲一区二区三区 | 狂野欧美白嫩少妇大欣赏| 如何舔出高潮| 小蜜桃在线观看免费完整版高清| 国产亚洲精品久久久久久毛片| 12—13女人毛片做爰片一| 成人三级黄色视频| 亚洲精品国产成人久久av| 亚洲国产精品成人综合色| 一边摸一边抽搐一进一小说| 女的被弄到高潮叫床怎么办 | 五月伊人婷婷丁香| 国产欧美日韩精品亚洲av| 国产伦人伦偷精品视频| 成人av在线播放网站| 亚洲图色成人| 欧美激情国产日韩精品一区| 在线观看av片永久免费下载| 精品午夜福利在线看| 日本免费a在线| 国产亚洲av嫩草精品影院| 欧美丝袜亚洲另类 | 悠悠久久av| 亚洲精品成人久久久久久| 亚洲精品在线观看二区| 久久99热这里只有精品18| 人人妻人人澡欧美一区二区| 亚洲18禁久久av| 最近中文字幕高清免费大全6 | 一本一本综合久久| 亚洲avbb在线观看| 搞女人的毛片| av天堂在线播放| 深夜精品福利| 在线观看午夜福利视频| 亚洲av电影不卡..在线观看| 18+在线观看网站| 女同久久另类99精品国产91| 色在线成人网| 丰满乱子伦码专区| 麻豆成人午夜福利视频| 天堂影院成人在线观看| 小蜜桃在线观看免费完整版高清| 12—13女人毛片做爰片一| 久久精品国产亚洲av香蕉五月| 欧美性猛交黑人性爽| 中国美女看黄片| 亚洲成a人片在线一区二区| 成人性生交大片免费视频hd| 老司机福利观看| 成人精品一区二区免费| 夜夜看夜夜爽夜夜摸| 欧美日韩综合久久久久久 | 日本一本二区三区精品| 国产精品一区二区三区四区免费观看 | 亚洲美女视频黄频| 亚洲狠狠婷婷综合久久图片| 国产精华一区二区三区| 少妇猛男粗大的猛烈进出视频 | 欧美日韩乱码在线| 成人三级黄色视频| 亚洲精品一区av在线观看| 国产真实伦视频高清在线观看 | 免费av不卡在线播放| 两个人的视频大全免费| 婷婷色综合大香蕉| 欧美日本亚洲视频在线播放| 亚洲成人精品中文字幕电影| 高清日韩中文字幕在线| 欧美激情在线99| 国产真实乱freesex| 免费黄网站久久成人精品| 99热这里只有是精品50| 色综合色国产| 日韩欧美国产一区二区入口| 国产黄a三级三级三级人| 最后的刺客免费高清国语| 久久草成人影院| 窝窝影院91人妻| 国产精品不卡视频一区二区| 久久久午夜欧美精品| 长腿黑丝高跟| 国产欧美日韩一区二区精品| 亚洲av成人精品一区久久| 亚洲国产精品合色在线| 五月玫瑰六月丁香| 久久久国产成人精品二区| 黄色配什么色好看| 精品午夜福利在线看| 国产成人av教育| 久久精品国产亚洲av涩爱 | 成人国产综合亚洲| 亚洲自偷自拍三级| 久久精品综合一区二区三区| 天天躁日日操中文字幕| 99久久成人亚洲精品观看| 亚洲国产精品合色在线| 黄片wwwwww| 深爱激情五月婷婷| 女人被狂操c到高潮| 小蜜桃在线观看免费完整版高清| 精品人妻偷拍中文字幕| a级毛片免费高清观看在线播放| 美女cb高潮喷水在线观看| 亚洲精品乱码久久久v下载方式| 亚洲国产日韩欧美精品在线观看| www日本黄色视频网| 中亚洲国语对白在线视频| 欧美色欧美亚洲另类二区| 国产成人a区在线观看| 热99re8久久精品国产| 琪琪午夜伦伦电影理论片6080| 男人的好看免费观看在线视频| av黄色大香蕉| 九色国产91popny在线| av福利片在线观看| 国产一区二区三区视频了| 国产伦在线观看视频一区| 91久久精品电影网| 十八禁网站免费在线| a在线观看视频网站| 久久久久精品国产欧美久久久| 成年女人毛片免费观看观看9| 免费在线观看日本一区| 日韩欧美 国产精品| 午夜影院日韩av| 亚洲狠狠婷婷综合久久图片| 他把我摸到了高潮在线观看| 久久天躁狠狠躁夜夜2o2o| 禁无遮挡网站| 精品久久久久久久久久久久久| 亚洲av五月六月丁香网| 久久精品国产清高在天天线| 日韩高清综合在线| 精品久久久久久成人av| 亚洲经典国产精华液单| 国产精品人妻久久久影院| 男插女下体视频免费在线播放| 久久国内精品自在自线图片| 欧洲精品卡2卡3卡4卡5卡区| 久久国产精品人妻蜜桃| 国产极品精品免费视频能看的| 天天一区二区日本电影三级| 最好的美女福利视频网| 偷拍熟女少妇极品色| 在线免费十八禁| 啦啦啦观看免费观看视频高清| 成人美女网站在线观看视频| 亚洲午夜理论影院| av中文乱码字幕在线| 九色成人免费人妻av| 一区二区三区四区激情视频 | 在线看三级毛片| 亚洲成人久久爱视频| 国产在线精品亚洲第一网站| 国产精品综合久久久久久久免费| 极品教师在线免费播放| 欧美高清性xxxxhd video| 国产精品1区2区在线观看.| 国产高清视频在线播放一区| 亚州av有码| 给我免费播放毛片高清在线观看| 欧美潮喷喷水| 免费在线观看影片大全网站| 欧美精品国产亚洲| av女优亚洲男人天堂| 美女被艹到高潮喷水动态| 欧美一区二区精品小视频在线| 久久人人精品亚洲av| 亚洲七黄色美女视频| 精品久久久久久成人av| 国产精品一区二区性色av| 国产三级在线视频| a级毛片a级免费在线| 欧美激情在线99| aaaaa片日本免费| 18禁黄网站禁片午夜丰满| 亚洲精华国产精华液的使用体验 | 亚洲熟妇熟女久久| 国产精华一区二区三区| 久久久久精品国产欧美久久久| 亚洲色图av天堂| 九九久久精品国产亚洲av麻豆| 久久人人爽人人爽人人片va| 亚洲欧美激情综合另类| 欧美激情久久久久久爽电影| 国产免费av片在线观看野外av| 午夜福利视频1000在线观看| 免费人成在线观看视频色| 色哟哟哟哟哟哟| a级毛片a级免费在线| 久久久国产成人精品二区| 99久久精品一区二区三区| 亚洲一区二区三区色噜噜| 亚洲精品色激情综合| 久久亚洲真实| 精品久久久久久久久av| 日本a在线网址| 干丝袜人妻中文字幕| 国产亚洲精品久久久com| 成年女人毛片免费观看观看9| 国产乱人伦免费视频| 人妻制服诱惑在线中文字幕| 88av欧美| 欧美激情在线99| 国产aⅴ精品一区二区三区波| 在线观看免费视频日本深夜| 精品久久国产蜜桃| 亚洲图色成人| 国产精品一区二区三区四区免费观看 | 三级国产精品欧美在线观看| 午夜亚洲福利在线播放| 蜜桃亚洲精品一区二区三区| 亚洲色图av天堂| 国产不卡一卡二| 国国产精品蜜臀av免费| 麻豆国产av国片精品| 99久久精品国产国产毛片| 在线免费十八禁| 在线播放无遮挡| av在线蜜桃| 最近视频中文字幕2019在线8| 国产一区二区在线观看日韩| 两个人视频免费观看高清| 亚洲av电影不卡..在线观看| 国产午夜精品论理片| 国产伦精品一区二区三区视频9| 成人午夜高清在线视频| 欧美3d第一页| 精品一区二区三区人妻视频| 深爱激情五月婷婷| 乱码一卡2卡4卡精品| 日本黄色视频三级网站网址| 哪里可以看免费的av片| 女的被弄到高潮叫床怎么办 | 日韩中文字幕欧美一区二区| a级毛片免费高清观看在线播放| 很黄的视频免费| 国产成人a区在线观看| 国产免费一级a男人的天堂| 琪琪午夜伦伦电影理论片6080| 熟女人妻精品中文字幕| 黄色一级大片看看| 五月玫瑰六月丁香| 美女高潮的动态| 精品久久久噜噜| 欧美一区二区精品小视频在线| 欧美一区二区国产精品久久精品| 国产精品久久电影中文字幕| 熟女电影av网| 国产亚洲91精品色在线| 人妻久久中文字幕网| 欧美日韩综合久久久久久 | 三级国产精品欧美在线观看| 岛国在线免费视频观看| 精品久久久久久成人av| 国产精品98久久久久久宅男小说| 色综合站精品国产| 亚洲avbb在线观看| 国产精品福利在线免费观看| 在现免费观看毛片| 天天一区二区日本电影三级| 我要搜黄色片| 国产伦精品一区二区三区四那| 91麻豆精品激情在线观看国产| 非洲黑人性xxxx精品又粗又长| 99精品在免费线老司机午夜| 亚洲av免费在线观看| 在线免费观看不下载黄p国产 | 久久久久久大精品| 亚洲男人的天堂狠狠| 午夜影院日韩av| 亚洲va在线va天堂va国产| 国产在线精品亚洲第一网站| 日韩欧美一区二区三区在线观看| 国产中年淑女户外野战色| 身体一侧抽搐| 99国产精品一区二区蜜桃av| 成人综合一区亚洲| 十八禁网站免费在线| 中出人妻视频一区二区| 婷婷精品国产亚洲av在线| 欧美成人一区二区免费高清观看| 天堂av国产一区二区熟女人妻| 在线免费观看的www视频| 麻豆成人午夜福利视频| 日韩欧美 国产精品| 女人十人毛片免费观看3o分钟| 国产亚洲精品av在线| 国产私拍福利视频在线观看| 亚洲成a人片在线一区二区| 嫩草影视91久久| 性插视频无遮挡在线免费观看| 国内精品一区二区在线观看| 91久久精品国产一区二区三区| 在线国产一区二区在线| 我的女老师完整版在线观看| 亚洲久久久久久中文字幕| 日韩中字成人| 51国产日韩欧美| 免费在线观看影片大全网站| 免费人成视频x8x8入口观看| 日本熟妇午夜| 国产一区二区亚洲精品在线观看| 啦啦啦韩国在线观看视频| 国产精品av视频在线免费观看| 成人av在线播放网站| 人妻夜夜爽99麻豆av| 欧美在线一区亚洲| 国产精品亚洲美女久久久| 婷婷色综合大香蕉| 很黄的视频免费| 波多野结衣高清无吗| 色精品久久人妻99蜜桃| 色综合色国产| 校园人妻丝袜中文字幕| 亚洲最大成人中文| 亚洲精品色激情综合| 极品教师在线视频| 久久精品人妻少妇| 春色校园在线视频观看| 色哟哟哟哟哟哟| 欧美黑人巨大hd| 日韩精品中文字幕看吧| 黄色视频,在线免费观看| 国产在线男女| 久久精品国产清高在天天线| 啦啦啦啦在线视频资源| 精品久久久久久久久亚洲 | 久久欧美精品欧美久久欧美| 99久久精品国产国产毛片| 成年女人看的毛片在线观看| 亚洲av熟女| 久久久久久久久久久丰满 | 69av精品久久久久久| 国产久久久一区二区三区| 国产午夜福利久久久久久| 亚洲av一区综合| 免费av观看视频| 美女黄网站色视频| 日本黄色片子视频| 亚洲成人中文字幕在线播放| 热99re8久久精品国产| 欧美又色又爽又黄视频| 在现免费观看毛片| 人妻夜夜爽99麻豆av| 欧美xxxx黑人xx丫x性爽| 中文在线观看免费www的网站| 天天一区二区日本电影三级| 国产精品自产拍在线观看55亚洲| 中文资源天堂在线| 亚洲精品色激情综合| 国产aⅴ精品一区二区三区波| 最新中文字幕久久久久| 99热6这里只有精品| 欧美又色又爽又黄视频| 熟女人妻精品中文字幕| 99国产极品粉嫩在线观看| 国产精华一区二区三区| 日本-黄色视频高清免费观看| 女人十人毛片免费观看3o分钟| a级一级毛片免费在线观看| 有码 亚洲区| 国产av一区在线观看免费| 亚洲一级一片aⅴ在线观看| 午夜福利成人在线免费观看| 男人舔女人下体高潮全视频| 又爽又黄无遮挡网站| 国产老妇女一区| 亚洲欧美日韩卡通动漫| 啦啦啦韩国在线观看视频| 91久久精品国产一区二区三区| 真实男女啪啪啪动态图| 长腿黑丝高跟| 国产成人a区在线观看| 有码 亚洲区| 精品久久久久久久久久免费视频| 国产精品人妻久久久影院| 久久精品国产鲁丝片午夜精品 | 精品99又大又爽又粗少妇毛片 | 久久国产精品人妻蜜桃| 日韩精品青青久久久久久| 在现免费观看毛片| 午夜福利高清视频| 97热精品久久久久久| 一级黄色大片毛片| 成人午夜高清在线视频| 赤兔流量卡办理| 有码 亚洲区| 免费看日本二区| 国产乱人视频| 男插女下体视频免费在线播放| 黄色一级大片看看| 性色avwww在线观看| 国产白丝娇喘喷水9色精品| 成人无遮挡网站| 又黄又爽又免费观看的视频| 日韩高清综合在线| 成人特级黄色片久久久久久久| 99精品久久久久人妻精品| 全区人妻精品视频| 成人av在线播放网站| 精品久久久久久久人妻蜜臀av| 男人舔奶头视频| 99精品久久久久人妻精品| 12—13女人毛片做爰片一| 麻豆成人午夜福利视频| av在线蜜桃| 午夜老司机福利剧场| 黄色一级大片看看| 久久九九热精品免费| 国产免费男女视频| 欧美xxxx黑人xx丫x性爽| 国产黄片美女视频| 久久午夜亚洲精品久久| 色哟哟哟哟哟哟| 日本撒尿小便嘘嘘汇集6| 22中文网久久字幕| 麻豆精品久久久久久蜜桃| 国产精品av视频在线免费观看| 男女那种视频在线观看| 深夜精品福利| 亚洲无线观看免费| 超碰av人人做人人爽久久| 亚洲色图av天堂| 免费人成视频x8x8入口观看| 国产精品一区二区性色av| 国内精品宾馆在线| 亚洲真实伦在线观看| 内地一区二区视频在线| 日韩欧美三级三区| 18+在线观看网站| 天堂√8在线中文| 中国美白少妇内射xxxbb| 我要看日韩黄色一级片| 免费av不卡在线播放| 色精品久久人妻99蜜桃| 日韩人妻高清精品专区| 免费搜索国产男女视频| 两个人的视频大全免费| 色播亚洲综合网| av.在线天堂| 熟女人妻精品中文字幕| 国产不卡一卡二| 午夜精品一区二区三区免费看| 俄罗斯特黄特色一大片| 国产精品99久久久久久久久| 国模一区二区三区四区视频| 99视频精品全部免费 在线| 国产人妻一区二区三区在| 欧美一区二区精品小视频在线| 国产精品久久久久久久久免| 一a级毛片在线观看| 亚洲人成网站高清观看| 国产国拍精品亚洲av在线观看| 搞女人的毛片| 亚洲av.av天堂| 真实男女啪啪啪动态图| 偷拍熟女少妇极品色| 欧美最新免费一区二区三区| 国产精华一区二区三区| 国产午夜精品久久久久久一区二区三区 | 天堂动漫精品| 可以在线观看毛片的网站| 两个人视频免费观看高清| 天天一区二区日本电影三级| 亚洲av免费高清在线观看| av在线蜜桃| 久久草成人影院| 少妇丰满av| 欧美潮喷喷水| 中文字幕熟女人妻在线| 免费av不卡在线播放| www.www免费av| 婷婷精品国产亚洲av在线| 在线免费观看不下载黄p国产 | 国产精品美女特级片免费视频播放器| av国产免费在线观看| 成人亚洲精品av一区二区| 国产国拍精品亚洲av在线观看| 中文字幕久久专区| 成人午夜高清在线视频| 91狼人影院| 久久久久国内视频| 99视频精品全部免费 在线| 久久精品国产亚洲网站| 国产私拍福利视频在线观看| 日日摸夜夜添夜夜添av毛片 | 欧美日韩综合久久久久久 | 成人毛片a级毛片在线播放| 久久精品国产99精品国产亚洲性色| 88av欧美| 少妇熟女aⅴ在线视频| 午夜免费激情av| 亚洲成人精品中文字幕电影| 久久久精品大字幕| 男女之事视频高清在线观看| 两个人的视频大全免费| 如何舔出高潮| 国产精品三级大全| 白带黄色成豆腐渣| 一进一出抽搐动态| 婷婷六月久久综合丁香| netflix在线观看网站| 中国美女看黄片| 国产男靠女视频免费网站| 日韩欧美国产在线观看| 欧美一区二区亚洲| 国产一区二区三区视频了| 欧美成人免费av一区二区三区| 精品久久久久久久久av| 看十八女毛片水多多多| 国模一区二区三区四区视频| 午夜影院日韩av| 国产成人影院久久av| ponron亚洲| 内地一区二区视频在线| 噜噜噜噜噜久久久久久91| 国产老妇女一区| 亚洲一区高清亚洲精品| 国产av不卡久久| 国产精品国产高清国产av| 三级毛片av免费| 国产探花极品一区二区| 亚洲欧美日韩高清专用| 大型黄色视频在线免费观看| 色尼玛亚洲综合影院| 在线免费观看的www视频| 色尼玛亚洲综合影院| 哪里可以看免费的av片| 国产精品98久久久久久宅男小说| 国产美女午夜福利| 我的女老师完整版在线观看| 两性午夜刺激爽爽歪歪视频在线观看| 少妇猛男粗大的猛烈进出视频 | 俺也久久电影网| 亚洲欧美日韩无卡精品| 99热这里只有精品一区| 成人特级av手机在线观看| 亚洲,欧美,日韩| 亚洲av第一区精品v没综合| 亚洲成人久久性| 夜夜夜夜夜久久久久| 久久精品影院6| netflix在线观看网站| 午夜精品在线福利| av天堂在线播放| 亚洲avbb在线观看| 欧美精品国产亚洲| 韩国av一区二区三区四区| 国产亚洲精品久久久com| 男人舔奶头视频| 淫妇啪啪啪对白视频| 国产一区二区三区在线臀色熟女| 不卡一级毛片| 少妇人妻精品综合一区二区 | 日本免费a在线| 成人av一区二区三区在线看| aaaaa片日本免费| 精品久久久久久久久亚洲 | 欧美性猛交黑人性爽| 熟女电影av网| 最近在线观看免费完整版| 久久国产乱子免费精品|