• <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2D-FrFT多階次特征融合的人臉表情識(shí)別方法

    2012-09-13 07:57:30穆曉敏張嗣思
    關(guān)鍵詞:階次維數(shù)識(shí)別率

    穆曉敏,張嗣思,齊 林

    (鄭州大學(xué)信息工程學(xué)院,河南鄭州450001)

    0 引言

    近幾年,對(duì)于人臉表情識(shí)別已經(jīng)有了廣泛的研究.視覺圖像特征被公認(rèn)為是反映人類表情狀態(tài)最重要的信息之一.表情識(shí)別的關(guān)鍵技術(shù)包括特征提取和分類器設(shè)計(jì).Wang等人[1]利用Gabor小波提取視覺圖像特征,并采用基于FLDA的分類器進(jìn)行表情識(shí)別,平均識(shí)別率為49.29%.但是這種方法的計(jì)算復(fù)雜度較高,且識(shí)別率不高.分?jǐn)?shù)階傅里葉變換(FrFT)是近年發(fā)展起來的一種新型時(shí)頻分析工具,類似于傳統(tǒng)的二維傅里葉變換,2D-FrFT的相位函數(shù)包含了圖像的紋理信息,變換階次不同,相位函數(shù)所含的圖像邊緣信息也不同,這使得分?jǐn)?shù)階傅里葉變換可以更加靈活的用于圖像的邊緣提取和識(shí)別[2].文獻(xiàn)[2]首次將2D-FrFT應(yīng)用于人類表情識(shí)別,其思想是將2D-Fr-FT若干階次下提取到的圖像相位信息進(jìn)行分類識(shí)別,平均識(shí)別率達(dá)到54.17%.

    分析文獻(xiàn)[2]的實(shí)驗(yàn)結(jié)果,可以發(fā)現(xiàn)在二維分?jǐn)?shù)階傅里葉域內(nèi),不同表情的特征奇異性與變換階次密切相關(guān),因此不同表情的最高識(shí)別率將對(duì)應(yīng)于特定的階次;同一階次下不同表情的識(shí)別率也與該階次下表情特征的奇異性密切相關(guān),因此同一階次下不同表情的識(shí)別率也不同.基于上述分析,在不同階次之間進(jìn)行特征融合以取得更好的識(shí)別率成為可能.筆者在文獻(xiàn)[2]的基礎(chǔ)上,提出一種在分?jǐn)?shù)階傅里葉域內(nèi)兩個(gè)不同階次之間進(jìn)行特征融合的表情識(shí)別方法.該方法的思想是尋找兩個(gè)對(duì)所有表情均有較高識(shí)別率的變換階次,利用其分?jǐn)?shù)階域特征構(gòu)成兩組維數(shù)相同的特征矢量,然后利用典型相關(guān)分析法(Canonical Correlation Analysis,CCA)進(jìn)行兩個(gè)階次的特征融合,融合后的特征采用基于支持向量機(jī)(Support Vector Machine,SVM)的多層分類機(jī)制進(jìn)行識(shí)別.利用加拿大瑞爾森大學(xué)提供的人臉數(shù)據(jù)庫對(duì)所提方法進(jìn)行了仿真實(shí)驗(yàn),仿真結(jié)果表明該方法不僅使得表情識(shí)別率較單階次下有明顯的提高,而且所采用的融合算法降低了表情特征的維數(shù),減小了計(jì)算量.

    1 基于特征融合的人臉表情識(shí)別算法描述

    1.1 基于特征融合的人臉表情識(shí)別框架

    筆者提出的基于特征融合的人臉表情識(shí)別方法原理如圖1所示.通常原始圖像樣本直接利用2D-FrFT提取表情特征時(shí),變換維數(shù)很高,導(dǎo)致運(yùn)算量很大.為了減小運(yùn)算量,首先要對(duì)原始圖像樣本進(jìn)行降維預(yù)處理,其目的是提取對(duì)識(shí)別具有重要意義的奇異信息,去除冗余信息.常用的降維方法有:最鄰近線性差值法、主成分分析法、獨(dú)立成分分析法等[1].

    特征融合的基礎(chǔ)是選定針對(duì)生氣、沮喪、害怕、高興、悲傷、驚奇等6種基本表情都有較高識(shí)別率的兩個(gè)變換階次,這是算法的前提.在此基礎(chǔ)上設(shè)計(jì)特征融合算法和分類決策機(jī)制.該方法主要包含4個(gè)步驟:(1)為減小運(yùn)算量,先對(duì)原始圖像進(jìn)行降維預(yù)處理;(2)根據(jù)實(shí)驗(yàn)結(jié)果選擇2DFrFT中識(shí)別率較好的兩個(gè)階次提取到的表情特征構(gòu)成兩組特征向量;(3)設(shè)計(jì)融合算法進(jìn)行兩個(gè)階次下分?jǐn)?shù)階傅里葉域特征融合;(4)利用基于SVM的多層次分類機(jī)制進(jìn)行分類與識(shí)別.

    圖1 基于2D-FrFT特征融合的表情識(shí)別框架Fig.1 The framework of emotion recognition based on 2D-FrFT

    1.2 基于CCA的特征融合算法

    由H.Hotelling[4-5]提出的典型相關(guān)分析法(CCA)是處理兩組隨機(jī)矢量之間相關(guān)性的統(tǒng)計(jì)方法.利用該算法的統(tǒng)計(jì)結(jié)果可以把兩組隨機(jī)變量之間的相關(guān)性研究轉(zhuǎn)化為少數(shù)幾對(duì)不相關(guān)變量之間相關(guān)性的研究.將該算法用于多階次特征融合不僅可以降低表情特征的維數(shù),而且所抽取的典型相關(guān)特征具有良好的分類性能.

    將CCA算法用于兩個(gè)階次特征融合的關(guān)鍵是確定投影方向及尋找兩組隨機(jī)變量在投影方向上的典型相關(guān)矢量.假設(shè)在圖2中,用于特征融合的2D-FrFT兩個(gè)階次分別為a和b,將階次為a和b時(shí)提取到的圖像相位信息看成是兩組多維隨機(jī)變量,并分別用x和y表示.按照CCA的基本思想找到一組典型投影矢量u和v,通過投影得到x在u上的投影矢量X*,y在v上的投影矢量Y*,寫成如下形式:

    式中:pi和qi即為一對(duì)典型相關(guān)特征矢量(i=1,2,…,n,n=min[x的維數(shù),y的維數(shù)]),且每對(duì)典型相關(guān)特征矢量之間保持最大相關(guān)性,各對(duì)之間不相關(guān).

    每對(duì)典型相關(guān)特征矢量均對(duì)應(yīng)一個(gè)相關(guān)系數(shù)r(0≤r≤1),r代表了每對(duì)典型相關(guān)特征矢量的相關(guān)程度,r越趨近于1說明相關(guān)程度越高.通常會(huì)參考r值的大小選擇m(m≤n)對(duì)典型相關(guān)特征矢量組成融合特征,這樣只需分析m對(duì)典型相關(guān)特征矢量的關(guān)系即可達(dá)到對(duì)x和y之間的相關(guān)性分析[6].

    投影后的融合特征可以寫成:

    式中:Wx和Wy為典型投影子矩陣,又稱融合矩陣.Z為最終用于分類識(shí)別的融合特征,Z融合了2D-FrFT域中兩個(gè)最優(yōu)階次下提取到表情特征,并通過CCA消除了信息冗余,融合后降低了表情特征的維數(shù).

    1.3 多層次分類機(jī)制

    采用多層次分類機(jī)制[7]是為了減少參與每層分類的類別數(shù),從而將每層分類過程控制在一個(gè)類別數(shù)較少的范圍內(nèi),這樣更容易控制分類過程.同時(shí)也減少了誤判,有益于識(shí)別率的提高.

    多層次分類機(jī)制的最終目標(biāo)就是為了取得可靠的分類結(jié)果和更加準(zhǔn)確的識(shí)別率.鑒于SVM在模式識(shí)別和分類方面所表現(xiàn)出的可靠性[8],將多個(gè)基于SVM的基本分類器的輸出進(jìn)行組合形成一個(gè)多層次分類器.多層次分類機(jī)制的結(jié)構(gòu)如圖2所示:

    圖2 多層次分類機(jī)制Fig.2 The multiclassifier scheme

    假設(shè) 6 種基本表情狀態(tài)(AN,DI,F(xiàn)E,HA,SA,SU)為6種不同類別,標(biāo)號(hào)1至6.分類器設(shè)計(jì)為兩層,設(shè)置分類決策機(jī)制如下.

    第一層分類機(jī)制:由于SVM適合解決二元分類問題且兩類分類器的訓(xùn)練代價(jià)小,因此首先將6種基本表情類別中任意兩類進(jìn)行組合(C26=15),通過訓(xùn)練樣本建立對(duì)應(yīng)的15個(gè)基本分類器.分析待識(shí)別樣本通過第一層分類器后得到的15個(gè)分類結(jié)果,該樣本被歸類為15個(gè)分類結(jié)果中類別號(hào)出現(xiàn)頻度最高的類別.如果存在兩個(gè)或多個(gè)類別號(hào)出現(xiàn)的頻度相同而無法判決時(shí),意味著此待識(shí)別樣本的表情特征模糊于兩種或多種表情,此種情況下需通過第二層分類器區(qū)分出不同表情特征之間的細(xì)微差異,做進(jìn)一步識(shí)別.

    第二層分類機(jī)制:考慮第一層分類結(jié)果可能出現(xiàn)以下4種情況:兩個(gè)類別、三個(gè)類別,四個(gè)類別、五個(gè)類別出現(xiàn)頻度相同造成無法判決,因此在第二層構(gòu)建了針對(duì)不同情況的多個(gè)組合特征分類器,每個(gè)分類器參與組合的類別視要甄別哪些表情類別而定.

    2 仿真實(shí)驗(yàn)及結(jié)果分析

    仿真采用加拿大瑞爾森大學(xué)電子與計(jì)算工程學(xué)院提供的人臉數(shù)據(jù)庫,該數(shù)據(jù)庫采集了來自6個(gè)不同國家、不同文化背景的人在自然狀態(tài)下的高興、沮喪、生氣、害怕、驚奇、厭惡等人臉6種基本表情樣本,樣本均為112×96的8位灰度圖像.從中選取300幅樣本進(jìn)行仿真,為減小運(yùn)算量,先利用最鄰近線性差值法對(duì)圖像進(jìn)行降維處理,得到降維后的 48 維圖像[1,2,3].

    2.1 平均識(shí)別率與變換階次之間的關(guān)系

    將降維后圖像進(jìn)行二維分?jǐn)?shù)階傅里葉變換,提取到圖像的 48 維表情特征[1,2,3],送入多層次分類器進(jìn)行分類識(shí)別.根據(jù)分?jǐn)?shù)階傅里葉變換的對(duì)稱性質(zhì),筆者變換階次取值從0.1到2.0[3],其對(duì)應(yīng)的平均識(shí)別率如下圖3所示:

    圖3 2D-FrFT各階次下表情的平均識(shí)別率Fig.3 The average recognition rate under different orders of 2D-FrFT

    由圖3可以看出,當(dāng)變換階次為0.5和1.4時(shí)均取得了58.3%的平均識(shí)別率,明顯優(yōu)于其他階次,表明這兩個(gè)階次下提取到的表情特征針對(duì)不同表情的可區(qū)分性較強(qiáng).因此選擇在階次為0.5和1.4之間進(jìn)行基于CCA的特征融合.

    2.2 融合特征維數(shù)對(duì)表情識(shí)別率的影響

    根據(jù)CCA原理,x、y分別在u、v上投影得到的m對(duì)典型相關(guān)特征矢量構(gòu)成了最終用于識(shí)別的融合特征Z,Z的維數(shù)(2×m)對(duì)表情識(shí)別率有著直接影響.筆者通過仿真驗(yàn)證了融合特征Z維數(shù)對(duì)識(shí)別率的影響,結(jié)果如圖4所示.由圖4可以看出融合特征維數(shù)對(duì)表情識(shí)別率有一定影響,存在著融合特征的最佳維數(shù).當(dāng)m取18對(duì)典型相關(guān)特征矢量即Z為36維時(shí),達(dá)到最高識(shí)別率75%.

    圖4 平均識(shí)別率隨典型相關(guān)特征矢量對(duì)數(shù)m的變化情況Fig.4 The change of average recognition rate in situation to the number of canonical correlation feature pair

    2.3 識(shí)別率比較

    為了驗(yàn)證多階次特征融合的識(shí)別效果,將融合特征Z為36維時(shí)6種表情的識(shí)別率與單階次0.5和1.4時(shí)的識(shí)別率進(jìn)行了比較,結(jié)果如圖5所示.

    圖5 特征融合前后的各表情識(shí)別率對(duì)比Fig.5 The comparision of recognition rate between before and after feature fusion

    從圖5可以看出,在未做特征融合時(shí),當(dāng)變換階次為0.5和1.4時(shí),平均識(shí)別率最高均為58.3%,同一階次下不同表情的識(shí)別率并不相同.這就意味著表情特征值的奇異強(qiáng)烈地依賴于變換階次,因此識(shí)別率的高低也與變換階次的選擇緊密相關(guān).利用CCA對(duì)階次0.5和1.4提取到的表情特征進(jìn)行融合后,平均識(shí)別率達(dá)到了75%,較單階次下平均識(shí)別率有明顯提高.2D-FrFT中階次分別取0.5和1.4時(shí)提取到的表情特征對(duì)不同表情的針對(duì)性各有偏重,特征融合將不同階次下的有效信息進(jìn)行融合并消除冗余信息,實(shí)現(xiàn)了信息之間的互補(bǔ).

    3 結(jié)論

    在文獻(xiàn)[2]的基礎(chǔ)上,提出了基于2D-FrFT多階次特征融合的人臉表情識(shí)別方法.仿真實(shí)驗(yàn)結(jié)果表明經(jīng)過特征融合后達(dá)到的平均識(shí)別率75%較未融合時(shí)單階次下的平均識(shí)別率58.3%有了大幅提高,這表明通過特征融合對(duì)不同階次下提取到的表情特征起到了互補(bǔ)作用,融合后特征針對(duì)同種表情實(shí)現(xiàn)了共性最大化,針對(duì)不同表情實(shí)現(xiàn)了差異性最大化,從而提高了識(shí)別率.同時(shí)由于采用CCA融合算法也降低了表情特征維數(shù),減小了計(jì)算量.另外,對(duì)表情識(shí)別框架進(jìn)行分析可知,預(yù)處理算法的選擇也直接影響識(shí)別率,仿真中采用了基于最鄰近線性差值法的降維方法[1],該方法計(jì)算復(fù)雜度小適合實(shí)時(shí)處理,但可能丟失部分信息.未來將嘗試采用主成分分析法(PCA)、獨(dú)立成分分析法(ICA)等其他降維預(yù)處理方法.同時(shí),多階次下的特征融合也將是下一步研究的重點(diǎn).

    [1]WANG Yong-jin,GUAN Ling.Recognizing human emotional state from audiovisual signals[J].IEEE Trans.Multimedia,2008,10(5):936-946.

    [2]QI Lin,CHEN En-qing,MU Xiao-min,et al.Recognizing human emotional state based on the 2D-FrFT and FLDA[J].2nd Image and Signal Processing Conference,2009:1-4.

    [3]GAO Lei,QI Lin,CHEN En-qing,et al.Recognizing Human Emotional States Based on the Phase Information of the Two Dimensional Fractional Fourier Transform[J].Lecture Notes in Computer Science,2010,6298(2):694-704.

    [4]CEN Ling,Ser,ZHU Liang-yu.Speech emotion recognition using canonical correlation analysis and probabilistic neural network[J].ICMLA,2008,137(21):85.

    [5]HOTELLING H.Relations between two sets of variates[J].Biometrika,1936(28):312-377.

    [6]孫權(quán)森,曾生根,王平安,等.典型相關(guān)分析的理論及其在特征融合中的應(yīng)用[J].計(jì)算機(jī)學(xué)報(bào),2005,28(9):1524-1533.

    [7]RICHARD O D,PETER E HART D G S.Pattern Classification[M].Wiley-Enterscience,2000.

    [8]WANG Xiang-yin,ZHONG Yin-xin.Statistical learning theory and state of the art of SVM[J].ICCI’03:55-59.

    猜你喜歡
    階次維數(shù)識(shí)別率
    β-變換中一致丟番圖逼近問題的維數(shù)理論
    一類齊次Moran集的上盒維數(shù)
    基于類圖像處理與向量化的大數(shù)據(jù)腳本攻擊智能檢測(cè)
    階次分析在驅(qū)動(dòng)橋異響中的應(yīng)用
    基于Vold-Kalman濾波的階次分析系統(tǒng)設(shè)計(jì)與實(shí)現(xiàn)*
    基于真耳分析的助聽器配戴者言語可懂度指數(shù)與言語識(shí)別率的關(guān)系
    提升高速公路MTC二次抓拍車牌識(shí)別率方案研究
    基于齒輪階次密度優(yōu)化的變速器降噪研究
    關(guān)于齊次Moran集的packing維數(shù)結(jié)果
    高速公路機(jī)電日常維護(hù)中車牌識(shí)別率分析系統(tǒng)的應(yīng)用
    女人精品久久久久毛片| 熟女少妇亚洲综合色aaa.| 亚洲天堂av无毛| 永久免费av网站大全| 精品免费久久久久久久清纯 | 自拍欧美九色日韩亚洲蝌蚪91| 亚洲av国产av综合av卡| 叶爱在线成人免费视频播放| av有码第一页| 免费在线观看完整版高清| 一本一本久久a久久精品综合妖精| 日韩欧美一区视频在线观看| 国产高清视频在线播放一区 | 999精品在线视频| 悠悠久久av| 下体分泌物呈黄色| 亚洲国产精品成人久久小说| 曰老女人黄片| 久久久久网色| 成年人午夜在线观看视频| 成年人午夜在线观看视频| 黄网站色视频无遮挡免费观看| 亚洲成人免费电影在线观看 | 99国产精品一区二区蜜桃av | 国产高清视频在线播放一区 | 亚洲中文日韩欧美视频| 久久精品国产亚洲av高清一级| 午夜精品国产一区二区电影| 99久久99久久久精品蜜桃| av在线播放精品| 亚洲欧美日韩高清在线视频 | 午夜91福利影院| 久久久久久久久免费视频了| www.熟女人妻精品国产| 亚洲av欧美aⅴ国产| 欧美日韩综合久久久久久| 免费高清在线观看日韩| 女性生殖器流出的白浆| 19禁男女啪啪无遮挡网站| 捣出白浆h1v1| h视频一区二区三区| 自线自在国产av| 999精品在线视频| 久久精品久久久久久久性| 2021少妇久久久久久久久久久| 最近手机中文字幕大全| 亚洲欧美一区二区三区久久| 大片免费播放器 马上看| 久久久久视频综合| 桃花免费在线播放| 性少妇av在线| 在线av久久热| 亚洲一卡2卡3卡4卡5卡精品中文| 国产精品偷伦视频观看了| 婷婷色麻豆天堂久久| 日韩av在线免费看完整版不卡| 最新的欧美精品一区二区| 男的添女的下面高潮视频| 国产精品久久久久久人妻精品电影 | 亚洲av成人不卡在线观看播放网 | 亚洲中文字幕日韩| 丝袜脚勾引网站| 亚洲午夜精品一区,二区,三区| 亚洲欧美精品综合一区二区三区| 国产日韩欧美视频二区| 手机成人av网站| 亚洲成人免费电影在线观看 | 纵有疾风起免费观看全集完整版| 亚洲欧美一区二区三区黑人| 中文字幕另类日韩欧美亚洲嫩草| 性高湖久久久久久久久免费观看| 国产熟女欧美一区二区| 大型av网站在线播放| 免费人妻精品一区二区三区视频| 女警被强在线播放| 亚洲伊人久久精品综合| 亚洲精品乱久久久久久| 自拍欧美九色日韩亚洲蝌蚪91| 免费av中文字幕在线| 一级毛片女人18水好多 | 欧美激情极品国产一区二区三区| 亚洲人成77777在线视频| 男女之事视频高清在线观看 | 亚洲精品国产一区二区精华液| 国产片内射在线| 日日摸夜夜添夜夜爱| 咕卡用的链子| 老司机影院成人| 黄网站色视频无遮挡免费观看| 亚洲av在线观看美女高潮| av天堂在线播放| av在线老鸭窝| 99re6热这里在线精品视频| 亚洲成色77777| 欧美精品人与动牲交sv欧美| 免费观看a级毛片全部| 菩萨蛮人人尽说江南好唐韦庄| √禁漫天堂资源中文www| 婷婷色麻豆天堂久久| 欧美日韩成人在线一区二区| 麻豆国产av国片精品| 久9热在线精品视频| 国产熟女午夜一区二区三区| 色婷婷av一区二区三区视频| av网站在线播放免费| 亚洲精品国产色婷婷电影| 亚洲国产精品一区三区| 精品久久久精品久久久| 午夜两性在线视频| 午夜福利视频在线观看免费| 亚洲成人国产一区在线观看 | 中国国产av一级| 日日爽夜夜爽网站| 中文字幕av电影在线播放| 91九色精品人成在线观看| 大片免费播放器 马上看| xxxhd国产人妻xxx| 久久久久久久精品精品| 伦理电影免费视频| 美女福利国产在线| 97精品久久久久久久久久精品| 一二三四在线观看免费中文在| 在线观看www视频免费| 涩涩av久久男人的天堂| 久久毛片免费看一区二区三区| 久久国产精品大桥未久av| 亚洲av国产av综合av卡| 99热国产这里只有精品6| av又黄又爽大尺度在线免费看| 亚洲精品国产色婷婷电影| 丝袜美足系列| 午夜激情久久久久久久| 国产一区有黄有色的免费视频| 久久久欧美国产精品| 天天躁夜夜躁狠狠躁躁| 97在线人人人人妻| 女人被躁到高潮嗷嗷叫费观| 嫩草影视91久久| 一区福利在线观看| 老司机影院毛片| 超色免费av| 婷婷丁香在线五月| 亚洲 欧美一区二区三区| 777久久人妻少妇嫩草av网站| 亚洲专区中文字幕在线| 一区福利在线观看| 夫妻性生交免费视频一级片| 日韩大码丰满熟妇| 久久久久久亚洲精品国产蜜桃av| 人人妻人人添人人爽欧美一区卜| av不卡在线播放| 婷婷成人精品国产| 一区福利在线观看| 大陆偷拍与自拍| 日本色播在线视频| 亚洲欧洲日产国产| 王馨瑶露胸无遮挡在线观看| 建设人人有责人人尽责人人享有的| 国产精品久久久av美女十八| 日韩,欧美,国产一区二区三区| 国产免费福利视频在线观看| 黄色片一级片一级黄色片| 国产片内射在线| 久久精品亚洲熟妇少妇任你| 18禁观看日本| 宅男免费午夜| 大话2 男鬼变身卡| 日本wwww免费看| 搡老乐熟女国产| 日韩免费高清中文字幕av| 亚洲av综合色区一区| 欧美在线黄色| 色94色欧美一区二区| 久久九九热精品免费| 日本猛色少妇xxxxx猛交久久| 国产成人a∨麻豆精品| 久热爱精品视频在线9| 老熟女久久久| 国产精品二区激情视频| 大话2 男鬼变身卡| 精品国产一区二区久久| 国产高清国产精品国产三级| 国产片特级美女逼逼视频| 国产亚洲av片在线观看秒播厂| 99国产精品免费福利视频| 亚洲欧美色中文字幕在线| 亚洲成av片中文字幕在线观看| 日韩av不卡免费在线播放| 性少妇av在线| 啦啦啦视频在线资源免费观看| 一二三四在线观看免费中文在| 国产在线观看jvid| 91精品三级在线观看| 亚洲精品日韩在线中文字幕| 亚洲国产欧美在线一区| 亚洲国产欧美网| 久久久精品区二区三区| 国产淫语在线视频| 国产熟女欧美一区二区| 欧美人与性动交α欧美精品济南到| 亚洲国产中文字幕在线视频| 国产成人免费无遮挡视频| 日韩 亚洲 欧美在线| 免费在线观看影片大全网站 | 超碰成人久久| 晚上一个人看的免费电影| av视频免费观看在线观看| 99精国产麻豆久久婷婷| 久久精品久久久久久噜噜老黄| 国产男女内射视频| 一级毛片我不卡| 欧美亚洲日本最大视频资源| 久热这里只有精品99| 中文字幕另类日韩欧美亚洲嫩草| 午夜老司机福利片| 国产精品一区二区免费欧美 | 2021少妇久久久久久久久久久| 一区二区三区激情视频| 午夜福利乱码中文字幕| 久久中文字幕一级| 国产成人免费观看mmmm| 久久久久久久久免费视频了| 亚洲专区国产一区二区| 午夜影院在线不卡| 国产精品九九99| 国产成人精品久久久久久| 黄色片一级片一级黄色片| 黄色毛片三级朝国网站| 亚洲欧美激情在线| 国产免费又黄又爽又色| 女人久久www免费人成看片| 日韩大码丰满熟妇| 色综合欧美亚洲国产小说| 午夜91福利影院| 天天躁夜夜躁狠狠躁躁| 欧美人与善性xxx| 亚洲一区二区三区欧美精品| 日韩中文字幕视频在线看片| 高清不卡的av网站| 飞空精品影院首页| 尾随美女入室| 久久久久久久久久久久大奶| 久久久久国产一级毛片高清牌| 国产免费一区二区三区四区乱码| 悠悠久久av| 国产精品二区激情视频| 日韩大码丰满熟妇| 国产精品三级大全| 国产精品熟女久久久久浪| 精品亚洲成a人片在线观看| 日韩,欧美,国产一区二区三区| 中文欧美无线码| 久久影院123| 国产精品99久久99久久久不卡| 欧美黑人精品巨大| 欧美日韩亚洲综合一区二区三区_| 国产成人免费观看mmmm| 亚洲av片天天在线观看| 国产在线一区二区三区精| 老汉色av国产亚洲站长工具| 欧美亚洲 丝袜 人妻 在线| 青春草亚洲视频在线观看| 午夜两性在线视频| 国产不卡av网站在线观看| 丝袜人妻中文字幕| www.精华液| 一边摸一边抽搐一进一出视频| 亚洲伊人色综图| 久久久国产精品麻豆| 欧美日韩福利视频一区二区| 男女边吃奶边做爰视频| 老司机在亚洲福利影院| 日韩视频在线欧美| 成在线人永久免费视频| 日韩一卡2卡3卡4卡2021年| 少妇猛男粗大的猛烈进出视频| 美女视频免费永久观看网站| 亚洲成av片中文字幕在线观看| 国产色视频综合| 亚洲欧美日韩高清在线视频 | 精品国产乱码久久久久久小说| 在线观看免费高清a一片| 午夜精品国产一区二区电影| 亚洲精品美女久久久久99蜜臀 | 国产精品免费视频内射| av视频免费观看在线观看| 交换朋友夫妻互换小说| 亚洲国产中文字幕在线视频| 一二三四在线观看免费中文在| 欧美变态另类bdsm刘玥| 日韩一本色道免费dvd| 国产激情久久老熟女| 亚洲国产精品成人久久小说| 亚洲第一av免费看| 99国产综合亚洲精品| 国产精品人妻久久久影院| 老司机亚洲免费影院| 天天影视国产精品| 一级片免费观看大全| 高清av免费在线| 亚洲欧美中文字幕日韩二区| 另类亚洲欧美激情| 丰满迷人的少妇在线观看| 精品少妇一区二区三区视频日本电影| 亚洲人成网站在线观看播放| 免费高清在线观看视频在线观看| 欧美久久黑人一区二区| 一级黄片播放器| 99国产精品免费福利视频| 国产一区二区三区av在线| 亚洲,一卡二卡三卡| 乱人伦中国视频| 五月开心婷婷网| 人人妻人人澡人人看| 我要看黄色一级片免费的| 免费少妇av软件| 国产熟女欧美一区二区| 成人三级做爰电影| 欧美精品啪啪一区二区三区 | 中文乱码字字幕精品一区二区三区| 午夜影院在线不卡| 老汉色av国产亚洲站长工具| 久久久精品国产亚洲av高清涩受| 国产免费一区二区三区四区乱码| 成人国产一区最新在线观看 | 国产精品免费大片| 婷婷色综合www| 午夜免费观看性视频| 国产黄频视频在线观看| 一级毛片女人18水好多 | 色精品久久人妻99蜜桃| 丰满迷人的少妇在线观看| 一级黄色大片毛片| 人妻 亚洲 视频| 美女主播在线视频| 啦啦啦在线免费观看视频4| 黑人巨大精品欧美一区二区蜜桃| 成在线人永久免费视频| 在线av久久热| 久热爱精品视频在线9| 成人免费观看视频高清| 亚洲av男天堂| 国产精品免费视频内射| 黄片小视频在线播放| 亚洲天堂av无毛| 9191精品国产免费久久| 新久久久久国产一级毛片| 99国产精品免费福利视频| 日韩av在线免费看完整版不卡| 亚洲免费av在线视频| 制服人妻中文乱码| 在线观看www视频免费| 国产精品.久久久| 国产熟女欧美一区二区| 一级,二级,三级黄色视频| 国产黄色免费在线视频| 欧美少妇被猛烈插入视频| 少妇粗大呻吟视频| 免费高清在线观看日韩| 国产亚洲欧美精品永久| 美女国产高潮福利片在线看| 国产一级毛片在线| 亚洲中文av在线| 十分钟在线观看高清视频www| 91九色精品人成在线观看| 亚洲精品国产av蜜桃| 99国产综合亚洲精品| 亚洲国产av新网站| 2021少妇久久久久久久久久久| 欧美黑人精品巨大| 国产一区二区三区av在线| netflix在线观看网站| 91成人精品电影| 大型av网站在线播放| 亚洲欧美日韩高清在线视频 | 亚洲成av片中文字幕在线观看| 国产黄频视频在线观看| 黄片播放在线免费| 啦啦啦啦在线视频资源| 国产三级黄色录像| 777米奇影视久久| 777久久人妻少妇嫩草av网站| 国产欧美日韩精品亚洲av| 大码成人一级视频| 女性被躁到高潮视频| 国产在线观看jvid| 欧美亚洲 丝袜 人妻 在线| 国产成人a∨麻豆精品| 精品亚洲成国产av| 丝袜人妻中文字幕| 欧美大码av| 日本五十路高清| 交换朋友夫妻互换小说| 国产99久久九九免费精品| 国产真人三级小视频在线观看| 欧美日韩成人在线一区二区| 中文字幕高清在线视频| 日韩视频在线欧美| 一区二区三区精品91| 一本综合久久免费| 一区二区日韩欧美中文字幕| 欧美日韩一级在线毛片| 五月天丁香电影| 啦啦啦 在线观看视频| 一级片'在线观看视频| 亚洲三区欧美一区| 国产男女超爽视频在线观看| 亚洲欧洲精品一区二区精品久久久| 久久久久久久大尺度免费视频| 国产福利在线免费观看视频| 国产成人av激情在线播放| 精品人妻1区二区| 久久精品亚洲av国产电影网| 午夜日韩欧美国产| 80岁老熟妇乱子伦牲交| 国产极品粉嫩免费观看在线| 超碰成人久久| 久久久久精品人妻al黑| 成年女人毛片免费观看观看9 | 精品一区二区三区av网在线观看 | 纵有疾风起免费观看全集完整版| 久久热在线av| 国产在线观看jvid| 国产精品成人在线| 欧美国产精品va在线观看不卡| 国产精品二区激情视频| 成人国产av品久久久| 国产精品国产av在线观看| 精品熟女少妇八av免费久了| 欧美日韩av久久| 久久久国产精品麻豆| 激情五月婷婷亚洲| av有码第一页| 18禁裸乳无遮挡动漫免费视频| 久久久久国产精品人妻一区二区| 性高湖久久久久久久久免费观看| 亚洲欧洲日产国产| 亚洲av成人不卡在线观看播放网 | 男女边摸边吃奶| 最近手机中文字幕大全| 老汉色av国产亚洲站长工具| 国产激情久久老熟女| 久久人人97超碰香蕉20202| 日韩av在线免费看完整版不卡| 好男人视频免费观看在线| 国产91精品成人一区二区三区 | 一区福利在线观看| 日本vs欧美在线观看视频| 国产在线免费精品| 男女无遮挡免费网站观看| 日本色播在线视频| 一二三四在线观看免费中文在| videosex国产| 伦理电影免费视频| 国产一区有黄有色的免费视频| 成人黄色视频免费在线看| 欧美日韩av久久| 色94色欧美一区二区| 亚洲精品国产一区二区精华液| av线在线观看网站| 这个男人来自地球电影免费观看| 99国产精品一区二区三区| 老汉色av国产亚洲站长工具| 激情五月婷婷亚洲| 国产野战对白在线观看| 国产成人一区二区三区免费视频网站 | 免费av中文字幕在线| 成人国产一区最新在线观看 | 国产精品免费视频内射| 国产熟女欧美一区二区| 丁香六月欧美| 国产欧美日韩一区二区三 | 久久免费观看电影| 免费在线观看视频国产中文字幕亚洲 | 一边摸一边做爽爽视频免费| 狠狠婷婷综合久久久久久88av| 成人三级做爰电影| 一边摸一边做爽爽视频免费| 亚洲国产精品一区二区三区在线| 在线观看免费高清a一片| 亚洲,欧美精品.| 可以免费在线观看a视频的电影网站| a级毛片黄视频| 色94色欧美一区二区| 亚洲欧洲精品一区二区精品久久久| 欧美av亚洲av综合av国产av| 一区在线观看完整版| 亚洲熟女毛片儿| 母亲3免费完整高清在线观看| 色播在线永久视频| 亚洲国产精品999| 久久久精品94久久精品| 人人妻,人人澡人人爽秒播 | 高潮久久久久久久久久久不卡| 成年动漫av网址| 少妇人妻 视频| 午夜两性在线视频| 亚洲一码二码三码区别大吗| 一区二区三区乱码不卡18| 久久久久精品人妻al黑| 中文字幕最新亚洲高清| 美女中出高潮动态图| 一区二区av电影网| 欧美亚洲日本最大视频资源| 高清黄色对白视频在线免费看| 色播在线永久视频| 黑丝袜美女国产一区| 久久 成人 亚洲| 国产在线视频一区二区| av天堂久久9| 少妇被粗大的猛进出69影院| 色婷婷av一区二区三区视频| 欧美成人精品欧美一级黄| 欧美精品一区二区免费开放| 丝袜脚勾引网站| 51午夜福利影视在线观看| 亚洲av片天天在线观看| 久久鲁丝午夜福利片| 黑人欧美特级aaaaaa片| 一区二区日韩欧美中文字幕| 婷婷丁香在线五月| 亚洲成人免费av在线播放| 视频区图区小说| 18禁观看日本| 亚洲美女黄色视频免费看| 国产亚洲一区二区精品| 这个男人来自地球电影免费观看| 国产精品99久久99久久久不卡| 在线看a的网站| 国产精品久久久久成人av| videosex国产| 99久久综合免费| 19禁男女啪啪无遮挡网站| 看免费av毛片| 亚洲精品一二三| 一边亲一边摸免费视频| 无遮挡黄片免费观看| 菩萨蛮人人尽说江南好唐韦庄| 欧美+亚洲+日韩+国产| 欧美成狂野欧美在线观看| 超碰97精品在线观看| 十八禁人妻一区二区| a 毛片基地| 电影成人av| 国产片特级美女逼逼视频| 51午夜福利影视在线观看| 热re99久久国产66热| 久久国产精品大桥未久av| 午夜福利视频精品| 在线天堂中文资源库| 亚洲情色 制服丝袜| 国产一卡二卡三卡精品| 久久ye,这里只有精品| avwww免费| √禁漫天堂资源中文www| 女人高潮潮喷娇喘18禁视频| 菩萨蛮人人尽说江南好唐韦庄| 乱人伦中国视频| 菩萨蛮人人尽说江南好唐韦庄| av在线app专区| 最新在线观看一区二区三区 | 女性生殖器流出的白浆| 少妇猛男粗大的猛烈进出视频| 女性生殖器流出的白浆| 日日爽夜夜爽网站| 性高湖久久久久久久久免费观看| 精品高清国产在线一区| 国产成人系列免费观看| 91国产中文字幕| 久久久久久人人人人人| 午夜老司机福利片| 十八禁高潮呻吟视频| 国产麻豆69| 亚洲成人免费电影在线观看 | 国产精品久久久久成人av| 欧美xxⅹ黑人| 亚洲欧美一区二区三区国产| 国产精品 国内视频| 韩国高清视频一区二区三区| 在线观看免费日韩欧美大片| 国产成人欧美| 99香蕉大伊视频| 新久久久久国产一级毛片| 亚洲精品乱久久久久久| 国产又爽黄色视频| 啦啦啦在线观看免费高清www| 欧美黑人精品巨大| 久久国产精品人妻蜜桃| 欧美黑人欧美精品刺激| 中文字幕av电影在线播放| 国产有黄有色有爽视频| 免费日韩欧美在线观看| 亚洲国产精品一区二区三区在线| 男人爽女人下面视频在线观看| 日韩大码丰满熟妇| 久久精品久久久久久久性| 精品国产乱码久久久久久小说| av在线app专区| 大片电影免费在线观看免费| 80岁老熟妇乱子伦牲交| 人人澡人人妻人| 国产精品二区激情视频| 99久久综合免费| 国产成人精品久久久久久| 咕卡用的链子| 亚洲欧美一区二区三区黑人| 中文字幕精品免费在线观看视频| 国产精品久久久久久人妻精品电影 | 久久精品aⅴ一区二区三区四区| 男女高潮啪啪啪动态图| 精品少妇黑人巨大在线播放| 午夜福利视频精品| 亚洲七黄色美女视频| 国产精品99久久99久久久不卡| 国产精品偷伦视频观看了|