• <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 ?

    基于外觀和動(dòng)作特征雙預(yù)測(cè)模型的視頻異常行為檢測(cè)

    2021-11-05 01:29:58李自強(qiáng)王正勇陳洪剛李林怡何小海
    計(jì)算機(jī)應(yīng)用 2021年10期
    關(guān)鍵詞:編碼器外觀動(dòng)作

    李自強(qiáng),王正勇,陳洪剛*,李林怡,何小海

    (1.四川大學(xué)電子信息學(xué)院,成都 610065;2.中國民航局第二研究所,成都 610041)

    0 引言

    視頻的異常行為檢測(cè)是計(jì)算機(jī)視覺領(lǐng)域極具挑戰(zhàn)性的問題,其中一個(gè)主要原因在于對(duì)異常沒有一個(gè)通用的定義,其判定通常依賴于所處的特定場(chǎng)景。例如一輛汽車行駛在步行街上是一個(gè)異常行為,而在公路上則是正常的。這種非常依賴于場(chǎng)景前后關(guān)系的行為識(shí)別是當(dāng)前異常行為檢測(cè)所面臨的重大挑戰(zhàn)。為了應(yīng)對(duì)這個(gè)問題,一個(gè)典型的方法就是將與正常視頻差異過大或未出現(xiàn)過的行為作為異常行為,但是這一方法可能將未在訓(xùn)練集中出現(xiàn)的正常行為當(dāng)作異常。一方面,異常行為發(fā)生頻率較低,而監(jiān)控視頻數(shù)據(jù)量大且多以正常行為為主,因此對(duì)視頻進(jìn)行人工標(biāo)注成本太高;另一方面,實(shí)際獲取的數(shù)據(jù)集只是真實(shí)場(chǎng)景下正常行為和異常行為的子集,故無法囊括所有發(fā)生的行為[1]。這種數(shù)據(jù)不平衡和異常樣本缺乏的問題使得當(dāng)前大多數(shù)研究都采用弱監(jiān)督學(xué)習(xí)和半監(jiān)督學(xué)習(xí)方法。

    當(dāng)前提出的弱監(jiān)督學(xué)習(xí)方法[2-3]多是采用基于多示例學(xué)習(xí)(Multiple Instance Learning,MIL)的異常檢測(cè)方法,將訓(xùn)練集中的每個(gè)視頻當(dāng)作一個(gè)包,視頻的每一幀當(dāng)作一個(gè)實(shí)例,把含有異常幀的視頻標(biāo)記為正包,全是正常幀的記為負(fù)包。這類方法是在已經(jīng)獲知一個(gè)視頻是否含有異常事件的假設(shè)下來研究異常檢測(cè)問題,只是不知道異常的時(shí)序位置和類型,但真實(shí)情況下這種先驗(yàn)知識(shí)是不存在的。因此當(dāng)前研究多采用基于重建或預(yù)測(cè)的半監(jiān)督學(xué)習(xí)方法。對(duì)于基于重建的方法[4-6],其通常使用卷積自編碼器或者生成對(duì)抗網(wǎng)絡(luò)(Generative Adversarial Network,GAN)來學(xué)習(xí)以較小的重建誤差來重建正常樣本,并希望當(dāng)重建異常樣本時(shí),訓(xùn)練好的模型能夠產(chǎn)生較大的誤差。而對(duì)于基于預(yù)測(cè)的方法[7-9],研究者們認(rèn)為異常事件是意料之外的,難以被預(yù)測(cè),故在正常視頻上訓(xùn)練的網(wǎng)絡(luò)能夠在異常幀上產(chǎn)生更大的預(yù)測(cè)誤差。然而這兩種方法并未達(dá)到理想的效果,主要在于這些方法只關(guān)注視頻幀外觀上的重建和預(yù)測(cè),而忽略了異常事件的區(qū)分是通過外觀、動(dòng)作或兩者兼之來判斷,比如:步行街上行駛的汽車與正常場(chǎng)景的區(qū)別在于外觀;而打架、游蕩等行為需要通過動(dòng)作判定,拋擲物品需要兩者共同判定??紤]到動(dòng)作信息對(duì)于異常檢測(cè)的重要作用,很多基于重建或預(yù)測(cè)的方法采用預(yù)訓(xùn)練模型來提取動(dòng)作信息,例如:Liu 等[9]和Nguyen 等[10]采用光流網(wǎng)絡(luò)來提取動(dòng)作特征,Morais等[7]使用姿態(tài)估計(jì)網(wǎng)絡(luò)提取人體關(guān)節(jié)點(diǎn)表征動(dòng)作信息。然而這些方法會(huì)使得網(wǎng)絡(luò)更加復(fù)雜,且容易受預(yù)訓(xùn)練模型本身的影響。

    為了解決上述問題,更好地學(xué)習(xí)視頻表征,本文提出了一種對(duì)動(dòng)作和外觀進(jìn)行聯(lián)合預(yù)測(cè)的孿生網(wǎng)絡(luò)。該網(wǎng)絡(luò)的兩個(gè)分支采用相同結(jié)構(gòu)的自編碼器,每個(gè)分支網(wǎng)絡(luò)由編碼器、記憶增強(qiáng)模塊和解碼器組成,其中編碼器和解碼器采用殘差結(jié)構(gòu)的上下采樣層用于更好地提取特征和預(yù)測(cè)幀圖。兩個(gè)子網(wǎng)絡(luò)的輸入不同,外觀子網(wǎng)絡(luò)輸入RGB 視頻幀預(yù)測(cè)未來幀,而動(dòng)作子網(wǎng)絡(luò)則使用相同長度且更容易獲得的RGB 幀差圖代替光流圖作為輸入預(yù)測(cè)未來幀差圖,最后將兩個(gè)分支網(wǎng)絡(luò)的預(yù)測(cè)幀圖再融合相加得到預(yù)測(cè)幀的下一幀,即預(yù)測(cè)未來兩幀。

    1 相關(guān)工作

    視頻異常檢測(cè)方法大致可以分為基于傳統(tǒng)機(jī)器學(xué)習(xí)的方法和深度學(xué)習(xí)的方法兩類。傳統(tǒng)方法主要是通過手動(dòng)提取的動(dòng)作和外觀特征來檢測(cè)異常,比如定向光流直方圖[11]、定向梯度直方圖[12]和3D梯度特征[13]等,例如:Kim等[14]為了能更好地捕捉局部運(yùn)動(dòng)特征,利用混合概率主成分分析來建模光流;Mahadevan 等[15]使用混合動(dòng)態(tài)紋理(Mixture of Dynamic Texture,MDT)來檢測(cè)時(shí)間上的異常;胡學(xué)敏等[16]提出使用運(yùn)動(dòng)特征圖來檢測(cè)人群異常行為。這些傳統(tǒng)方法所提取的特征有限,而視頻中包含豐富的高維特征難以通過傳統(tǒng)方法提取。

    近些年來,由于深度學(xué)習(xí)在異常檢測(cè)領(lǐng)域的顯著表現(xiàn),大量的研究都采用基于神經(jīng)網(wǎng)絡(luò)的方法[5-10,17-21]。由于視頻中的異常一般被定義為與正常行為差異較大或很少發(fā)生的行為,加上其異常數(shù)據(jù)獲取困難、人工標(biāo)注成本高等因素的影響,絕大部分研究采用半監(jiān)督學(xué)習(xí)方法,即只使用正常樣本進(jìn)行訓(xùn)練。Hasan 等[19]采用卷積自編碼器進(jìn)行重建幀圖像,通過重建誤差的大小檢測(cè)視頻幀的異常。在此基礎(chǔ)上,Luo 等[20]在自編碼網(wǎng)絡(luò)中加入卷積長短記憶(Convolutional Long Short-Term Memory,ConvLSTM)網(wǎng)絡(luò)捕捉正常樣本的時(shí)間信息。考慮到基于重建模型的方法無法充分提取視頻中豐富的動(dòng)作特征,而異常行為又多包含大量的動(dòng)作特征,為此Liu 等[9]提出基于GAN 的未來幀預(yù)測(cè)模型,使用連續(xù)幾幀圖像預(yù)測(cè)下一幀圖像,同時(shí)通過加入光流約束來提取動(dòng)作特征。Morias等[7]認(rèn)為視頻中異常多與行人相關(guān),而基于像素的特征對(duì)噪聲比較敏感,會(huì)將場(chǎng)景[9]中的重要信息掩蓋,故提出一個(gè)預(yù)測(cè)行人關(guān)節(jié)點(diǎn)軌跡的異常檢測(cè)網(wǎng)絡(luò),但該方法適合處理與行人相關(guān)的異常,而其他類型的異常(如汽車)無法檢測(cè),此外人體骨架的檢測(cè)對(duì)遠(yuǎn)鏡頭處的行人效果較差。為了更好地提取動(dòng)作和外觀特征,許多研究[10,21]使用雙流網(wǎng)絡(luò)結(jié)構(gòu)分別提取動(dòng)作和外觀特征進(jìn)行異常檢測(cè),并取得了較好的效果。

    盡管基于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)的方法很大程度上優(yōu)于傳統(tǒng)方法,但是由于CNN 強(qiáng)大的表征和“生成”能力,使得一些異常樣本也能被重建或預(yù)測(cè)得很好。為了降低CNN 的“生成”能力,更好地建模正常樣本的深層特征的分布,Abati 等[5]在自編碼器的瓶頸層(Bottleneck)加入自回歸模塊;Fan 等[21]則訓(xùn)練兩個(gè)高斯混合變分自編碼器,通過高斯混合模型學(xué)習(xí)正常樣本的表征;Gong等[4]通過在編碼器后級(jí)聯(lián)一個(gè)內(nèi)存尋址的記憶模塊來使得自編碼器在重建樣本時(shí)更加關(guān)注正常樣本的特有特征。

    受到上述研究的啟發(fā),本文提出將預(yù)測(cè)模型應(yīng)用在外觀和動(dòng)作的孿生網(wǎng)絡(luò)結(jié)構(gòu)中,期望其更好地對(duì)動(dòng)作和外觀信息進(jìn)行預(yù)測(cè),同時(shí)為了更好地提取特征和重建圖像,在編解碼器中采用殘差結(jié)構(gòu)的上下采樣模塊。此外本文不再使用許多方法廣泛使用的光流法來提取動(dòng)作特征,而是使用不需額外計(jì)算的視頻幀差圖,最后通過引入記憶增強(qiáng)模塊來應(yīng)對(duì)正常樣本多樣性和CNN的“生成”能力過強(qiáng)的問題。

    2 異常行為檢測(cè)方法

    為了更好地實(shí)現(xiàn)基于視頻的異常檢測(cè),本文提出了一個(gè)能同時(shí)對(duì)動(dòng)作和外觀進(jìn)行預(yù)測(cè)的半監(jiān)督異常檢測(cè)方法,其網(wǎng)絡(luò)框架如圖1所示。

    圖1 視頻異常行為檢測(cè)方法的網(wǎng)絡(luò)框架Fig.1 Network framework of video abnormal behavior detection method

    本文網(wǎng)絡(luò)框架由上下兩個(gè)外觀和動(dòng)作子網(wǎng)絡(luò)組成雙流結(jié)構(gòu),兩個(gè)子網(wǎng)絡(luò)分別由編碼器、記憶增強(qiáng)模塊以及解碼器依次級(jí)聯(lián)組成。兩個(gè)子網(wǎng)絡(luò)的輸入為長度都為t的RGB 幀圖和幀差圖,而最終兩子網(wǎng)絡(luò)輸出結(jié)果融合相加得到預(yù)測(cè)的t+2 幀視頻圖像。

    2.1 外觀自編碼器

    外觀自編碼器的作用是提取視頻中靜態(tài)場(chǎng)景和所關(guān)注目標(biāo)的外觀特征,通過連續(xù)幾幀RGB 圖來預(yù)測(cè)下一幀。該子網(wǎng)絡(luò)結(jié)構(gòu)借鑒廣泛用于圖像重建和預(yù)測(cè)的U-Net,如圖1 所示。在編碼器和與解碼器相同分辨率的高維特征層和低維特征層加入跳連接(skip-connection)來抑制梯度爆炸和每層的信息不平衡,從而保證較高的圖像預(yù)測(cè)質(zhì)量。

    對(duì)于編解碼器部分,以 Conv-AE(Convolutional AutoEncoder)[19]為基礎(chǔ),對(duì)編碼器的下采樣層和解碼器的上采樣層進(jìn)行改進(jìn),將原有的單流結(jié)構(gòu)調(diào)整為圖2 所示的殘差結(jié)構(gòu)來鼓勵(lì)網(wǎng)絡(luò)更好地提取特征和提高幀圖的預(yù)測(cè)質(zhì)量。編碼器由1個(gè)預(yù)處理模塊和3個(gè)殘差結(jié)構(gòu)的下采樣模塊組成,該下采樣模塊的兩個(gè)分支分別采用卷積和池化來壓縮特征,如圖2(a)。同理,解碼器由3個(gè)殘差結(jié)構(gòu)的上采樣模塊和1個(gè)生成模塊組成,而上采樣模塊采用不同大小的卷積核的反卷積來實(shí)現(xiàn),如圖2(b)。編碼器與解碼器形成對(duì)稱結(jié)構(gòu),編碼器的預(yù)處理模塊通過連續(xù)兩次卷積操作將輸入的幾幀視頻提取為64維的低維特征,而解碼器的生成模塊與之相反,通過3個(gè)卷積層將低維特征轉(zhuǎn)為3維的圖像。

    圖2 下采樣及上采樣模塊網(wǎng)絡(luò)結(jié)構(gòu)Fig.2 Network architecture of down-sampling and up-sampling modules

    給定連續(xù)輸入視頻幀I1,I2,…,It,經(jīng)過編碼器Ea下采樣提取關(guān)于圖像場(chǎng)景、目標(biāo)外觀信息等深層特征后,解碼器Da通過Za預(yù)測(cè)得到第t+1幀

    2.2 動(dòng)作自編碼器

    除了較大的目標(biāo)外觀變化外,不尋常的目標(biāo)動(dòng)作也可以作為衡量視頻幀是否異常的重要條件,而動(dòng)作自編碼器被鼓勵(lì)學(xué)習(xí)連續(xù)視頻幀間的動(dòng)作關(guān)系。為了簡化網(wǎng)絡(luò)的設(shè)計(jì),動(dòng)作自編碼子網(wǎng)絡(luò)采用與外觀自編碼器相同的網(wǎng)絡(luò)結(jié)構(gòu),只有輸入數(shù)據(jù)不同。當(dāng)前大部分研究提取動(dòng)作特征采用的是光流估計(jì)法[22],提取的目標(biāo)光流可以很好地表示目標(biāo)的運(yùn)動(dòng)變化;但是其需要通過額外的神經(jīng)網(wǎng)絡(luò)生成,故計(jì)算量較大,不適合在實(shí)際應(yīng)用環(huán)境中使用。此外光流估計(jì)本身并不是專門為檢測(cè)異常行為而設(shè)計(jì)的網(wǎng)絡(luò),直接將其嵌入到圖1 中所設(shè)計(jì)的網(wǎng)絡(luò)中,實(shí)際效果并不理想,這一點(diǎn)將在實(shí)驗(yàn)部分說明。受到Wang 等[23]和Ionescu 等[24]采用了連續(xù)視頻幀的幀差圖來提取動(dòng)作特征的啟發(fā),本文提出使用幀差圖代替光流圖,從而達(dá)到不使用預(yù)訓(xùn)練模型、減少計(jì)算量的目的。故動(dòng)作自編碼器輸入與外觀子網(wǎng)絡(luò)相同長度的連續(xù)幀差圖來預(yù)測(cè)下一幀幀差圖。

    與式(1)類似,定義輸入的連續(xù)幀差圖為X1,X2,…,Xt,該t張幀差圖通過連續(xù)t+1 張視頻幀I1,I2,…,It,It+1前后幀相減處理獲得,其中,Zm表示編碼器Em輸出的動(dòng)作特征向量,然后解碼器Dm重建得到最終的幀差圖

    2.3 記憶增強(qiáng)模塊

    在半監(jiān)督的異常檢測(cè)研究中,如何使得設(shè)計(jì)的網(wǎng)絡(luò)更好地學(xué)習(xí)到正常樣本的特征,盡可能降低與異常行為無關(guān)的背景噪聲影響是富有挑戰(zhàn)性的問題。在使用自編碼器實(shí)現(xiàn)重建和預(yù)測(cè)任務(wù)時(shí),由于神經(jīng)網(wǎng)絡(luò)極強(qiáng)的學(xué)習(xí)能力,使得部分異常樣本也能重建得和正常樣本一樣好,導(dǎo)致最終的異常分?jǐn)?shù)差異不明顯,出現(xiàn)較高的誤檢率。參照Gong 等[4]和Park 等[17]所提方法,本文方法引入記憶增強(qiáng)模塊旨在學(xué)習(xí)最能表征所有正常樣本的有限個(gè)原型特征,并保存在內(nèi)存項(xiàng)中,在預(yù)測(cè)時(shí)給與內(nèi)存項(xiàng)相似度高的特征分配更高的權(quán)重,從而期望異常樣本獲得較大的重建誤差。

    如圖1 所示,外觀和動(dòng)作自編碼子網(wǎng)絡(luò)都嵌入了記憶增強(qiáng)模塊。定義記憶增強(qiáng)模塊的輸入和輸出為z和,大小為H×W×C,其中H、W、C分別表示特征向量的高、寬和通道數(shù)。定義zk(k=1,2,…,K),其表示z中大小為1×1×C的一項(xiàng),其中K=H×W。記憶增強(qiáng)模塊中還包含存儲(chǔ)M個(gè)正常樣本特征的內(nèi)存項(xiàng),同理定義每個(gè)內(nèi)存項(xiàng)為pm(m=1,2,…,M),大小為1×1×C。在訓(xùn)練過程中會(huì)不斷更新和讀取內(nèi)存項(xiàng)。

    對(duì)于讀取操作,首先計(jì)算每個(gè)z與所有pm的余弦相似度,生成一個(gè)大小為M×K的二維的相似度矩陣,之后在M維度上對(duì)該相似度矩陣應(yīng)用softmax 函數(shù),獲得相應(yīng)的匹配概率ωk,m,計(jì)算式如下:

    式中:s(?,?)代表余弦相似度計(jì)算,如式(8)所示:

    對(duì)于每個(gè)zk,該模塊將讀取內(nèi)存項(xiàng)中所有pm,計(jì)算相應(yīng)的權(quán)重ωk,m,即zk與內(nèi)存項(xiàng)中的特征越相似,其權(quán)重ωk,m越大。最后在原輸入特征zk的基礎(chǔ)上,將內(nèi)存項(xiàng)中保存的正常特征通過對(duì)應(yīng)權(quán)重ωk,m加到zk上,對(duì)正常特征起到增強(qiáng)效果,從而解碼器將更加關(guān)注正常特征的重建預(yù)測(cè)。增強(qiáng)后的特征如式(9)所示:

    從圖1 所示的記憶增強(qiáng)模塊網(wǎng)絡(luò)結(jié)構(gòu)可知,更新操作與讀取操作的前期都要計(jì)算余弦相似度和應(yīng)用softmax 函數(shù)。故對(duì)應(yīng)的權(quán)重νk,m計(jì)算如下:

    更新后的特征計(jì)算與式(9)的過程相反。在訓(xùn)練階段,輸入都為正常視頻,內(nèi)存項(xiàng)在不斷更新的過程中,期望學(xué)習(xí)到正常樣本廣泛具有的正常特征,故在迭代過程中,通過相似度計(jì)算,不斷將與pm相似度高的特征通過權(quán)重νk,m加入原有特征pm中。更新每個(gè)內(nèi)存項(xiàng)如式(11)所示:

    式中l(wèi)2(?,?)表示L2正則化。

    為了使內(nèi)存項(xiàng)真正記住正常樣本的特征,該模塊使用特征壓縮損失Lc和特征分離損失Ls兩個(gè)損失函數(shù)來保證網(wǎng)絡(luò)的收斂。Lc希望輸入特征zk與內(nèi)存中與其最相似的一項(xiàng)的相似度更加接近。如式(12)所示,引入L2范數(shù)懲罰它們之間的差異。

    式中:pτ表示所有內(nèi)存項(xiàng)與zk相似度最高的一項(xiàng),即固定k時(shí),式(7)中ωk,m取得最大值時(shí)的m定義為τ。

    網(wǎng)絡(luò)原本的目的是希望每個(gè)內(nèi)存項(xiàng)都能學(xué)習(xí)到不同的正常樣本特征,僅僅使用Lc可能會(huì)使得內(nèi)存中所有項(xiàng)都越來越相似,這會(huì)完全背離該設(shè)計(jì)的初衷。因此,引入特征分離損失函數(shù)來鼓勵(lì)內(nèi)存項(xiàng)間差異更大,降低相似度,從而學(xué)習(xí)到不同的特征,損失函數(shù)定義如下:

    式中:τ和γ分別表示式(7)中ωk,m取得最大值和第二大值時(shí)的索引m的值。

    2.4 總損失函數(shù)

    根據(jù)圖1 所示,外觀自編碼網(wǎng)絡(luò)被鼓勵(lì)預(yù)測(cè)好It+1,而動(dòng)作自編碼網(wǎng)絡(luò)被鼓勵(lì)預(yù)測(cè)Xt+1,同時(shí)為了聯(lián)合利用到外觀特征與動(dòng)作特征,保證預(yù)測(cè)的It+1和Xt+1真實(shí)有效,將It+1與Xt+1相加獲得預(yù)測(cè)的It+2。因此總損失函數(shù)由三部分組成:外觀損失La、動(dòng)作損失Lm和預(yù)測(cè)損失Lp,其中,Lp是第t+2幀的真實(shí)圖It+2與預(yù)測(cè)圖的密度損失函數(shù),計(jì)算方法可參照式(3)。通過超參數(shù)λa、λm和λp來平衡3 個(gè)損失函數(shù),如式(14)所示:

    其中:La是由外觀自編碼器網(wǎng)絡(luò)的密度損失和對(duì)應(yīng)的特征壓縮損失和特征分離損失構(gòu)成。La如式(15)所示:

    同理Lm定義如下:

    式中αc、αs為超參數(shù)。

    2.5 異常評(píng)價(jià)分?jǐn)?shù)

    在測(cè)試階段,本文將給定連續(xù)t+1 幀視頻,前t幀圖直接送入外觀子網(wǎng)絡(luò)預(yù)測(cè)第t+1幀RGB圖,同時(shí)這t+1幀計(jì)算得到t張連續(xù)幀差圖后送入動(dòng)作子網(wǎng)絡(luò)預(yù)測(cè)第t+1幀與第t+2幀真實(shí)視頻間的幀差圖,最終兩子網(wǎng)絡(luò)預(yù)測(cè)結(jié)果相加得到第t+2幀的預(yù)測(cè)圖。對(duì)于基于預(yù)測(cè)思想的異常檢測(cè)網(wǎng)絡(luò)來說,預(yù)測(cè)的圖與真實(shí)圖的差異大小決定該幀是否異常,而本文采用動(dòng)作和外觀雙預(yù)測(cè)的孿生網(wǎng)絡(luò),外觀方面的異常會(huì)使得的預(yù)測(cè)效果較差,動(dòng)作層面的異常會(huì)導(dǎo)致的預(yù)測(cè)效果較差,而外觀和外觀兼有的異常則會(huì)導(dǎo)致的預(yù)測(cè)效果都不理想。為了更全面地評(píng)價(jià)所有的異常情況,同時(shí)簡化異常分?jǐn)?shù)的計(jì)算,本文網(wǎng)絡(luò)將t+2幀的預(yù)測(cè)圖質(zhì)量作為評(píng)估依據(jù),這是因?yàn)樯鲜鋈N異常情況都會(huì)導(dǎo)致t+2幀的預(yù)測(cè)效果下降。峰值信噪比(Peak Signal-to-Noise Ratio,PSNR)是一種比較常用的圖像質(zhì)量評(píng)價(jià)方法,廣泛用于基于重建或預(yù)測(cè)的異常檢測(cè)模型。參考Liu等[9]的方法,計(jì)算的PSNR:

    式中N表示視頻幀中的像素?cái)?shù)量。的值越小,代表圖像預(yù)測(cè)的質(zhì)量越差,就越可能是異常幀。此外,由于內(nèi)存增強(qiáng)模塊中的內(nèi)存單元存儲(chǔ)了正常樣本的原型特征,在測(cè)試階段,當(dāng)輸入的是正常視頻幀時(shí),其深層特征zk與內(nèi)存項(xiàng)pm的相似度較高,而輸入異常樣本則相反,故可以計(jì)算zk和與之最相近的pτ之間的L2距離:

    因此最終的分?jǐn)?shù)由三部分構(gòu)成:P和Dm(z,p),其中Da(z,p)和Dm(z,p)是D(z,p)分別在外觀和動(dòng)作子網(wǎng)絡(luò)的分?jǐn)?shù)表示。為了將這3 個(gè)分?jǐn)?shù)進(jìn)行融合,將式(17)、(18)的值歸一化到[0,1]得到和。然后通過超參數(shù)β來平衡三個(gè)分?jǐn)?shù)得到最終的異常評(píng)價(jià)分?jǐn)?shù)S:

    3 實(shí)驗(yàn)與結(jié)果分析

    3.1 數(shù)據(jù)集

    實(shí)驗(yàn)在3 個(gè)公共的異常檢測(cè)數(shù)據(jù)集UCSD-ped2[15]、Avenue[13]和ShanghaiTech[25]上進(jìn)行。UCSD-ped2 包含16 個(gè)正常視頻和14 個(gè)異常視頻,正常視頻中主要是攝像頭拍攝的人行道上的正常行走的行人,而異常視頻內(nèi)包括在人行道上騎自行車、溜冰、開小汽車、橫穿馬路等行為。測(cè)試集提供幀級(jí)別和像素級(jí)的標(biāo)簽,所有視頻分辨率為320×240。Avenue 數(shù)據(jù)集包含15 個(gè)正常視頻和21 個(gè)異常視頻,分辨率為640×360,其使用固定攝像頭拍攝學(xué)校走廊的場(chǎng)景,提供矩形框標(biāo)記異常對(duì)象的標(biāo)簽。異常視頻則涵蓋行人奔跑、拋擲物品和穿越草坪等行為。ShanghaiTech 數(shù)據(jù)集是當(dāng)前最具挑戰(zhàn)和難度的異常檢測(cè)公共數(shù)據(jù)集之一,它包含來自13 個(gè)攝像頭下的330 個(gè)訓(xùn)練視頻和107 個(gè)測(cè)試視頻,每個(gè)視頻分辨率為480×856。圖3 展示在3 個(gè)數(shù)據(jù)集中的正常與異常樣本示例,紅色矩形框標(biāo)注出正在發(fā)生的異常行為。

    圖3 三個(gè)數(shù)據(jù)集中的一些正常和異常樣本Fig.3 Some normal and abnormal samples in three datasets

    3.2 評(píng)估機(jī)制與實(shí)驗(yàn)細(xì)節(jié)

    當(dāng)前常用的評(píng)估方法就是采用受試者操作特征(Receiver Operating Characteristic,ROC)曲線,然后取曲線下面積(Area Under Curve,AUC)作為最終的評(píng)價(jià)指標(biāo),AUC 越高,代表異常檢測(cè)效果越好,本文將計(jì)算幀級(jí)別AUC 來評(píng)估模型的檢測(cè)效果。整個(gè)實(shí)驗(yàn)在Ubuntu 20.04、NVIDIA GeForce RTX 2080 Ti、Intel Core i7-9700 CPU 3.00 GHz的平臺(tái)上進(jìn)行,采用的深度學(xué)習(xí)框架為pytorch1.1。網(wǎng)絡(luò)輸入圖片尺寸將修改為256×256,使用Adam 優(yōu)化器優(yōu)化訓(xùn)練損失,初始學(xué)習(xí)率lr設(shè)為1E-4,其中記憶增強(qiáng)模塊的內(nèi)存項(xiàng)個(gè)數(shù)M=15,超參數(shù)λa=λm=1.0,λp=0.4,αc=0.1,αs=0.4,β=0.65。網(wǎng)絡(luò)訓(xùn)練50個(gè)epoch后損失收斂。

    3.3 結(jié)果分析

    3.3.1 與其他方法的比較

    表1 展示了本文所提方法與其他方法的比較。從表1 實(shí)驗(yàn)結(jié)果可以看出,所提方法與手動(dòng)提取特征的經(jīng)典方法MDT相比在UCSD-ped2 上AUC 提升了17.6%。AMC(Appearance-Motion Correspondence)[10]和TWD(TWo-stream Decoder)[26]都采用光流提取動(dòng)作特征的雙流網(wǎng)絡(luò)結(jié)構(gòu),與這兩種方法相比,本文方法在UCSD-Ped2和Avenue上AUC提升明顯,而且本文方法還未采用光流估計(jì)的預(yù)訓(xùn)練網(wǎng)絡(luò),極大降低了網(wǎng)絡(luò)復(fù)雜度。與作為預(yù)測(cè)方法基準(zhǔn)線(Baseline)的FFP(Future Frame Prediction)[9]比較可以看出,本文所提的雙分支預(yù)測(cè)的網(wǎng)絡(luò)有效。MemAE(Memory-augmented deep AutoEncoder)[4]和Mem-GN(Memory-Guided Normality)[17]都采用記憶增強(qiáng)的方法。與Mem-GN相比,本文方法在UCSD-ped2和ShanghaiTech數(shù)據(jù)集上取得了較好的結(jié)果,而在Avenue上略低于Mem-GN。從圖3可以看出,Avenue數(shù)據(jù)集的場(chǎng)景為校園內(nèi)的走廊,其背景走廊內(nèi)光線較暗,離攝像頭距離較遠(yuǎn)導(dǎo)致行人目標(biāo)過小等問題會(huì)使得通過視頻幀提取的幀差圖含有較多噪聲,從而對(duì)提取到的動(dòng)作特征產(chǎn)生影響。而當(dāng)前極具挑戰(zhàn)的ShanghaiTech 數(shù)據(jù)集來源于13 個(gè)不同攝像頭,對(duì)類似于Mem-GN等只對(duì)外觀進(jìn)行預(yù)測(cè)或重建的方法,其對(duì)場(chǎng)景變化的魯棒性較差。而本文方法通過幀差提取動(dòng)作特征則極大降低了背景的影響,從而使網(wǎng)絡(luò)更加關(guān)注于前景的變化。

    表1 不同方法在不同數(shù)據(jù)集上的AUC對(duì)比 單位:%Tab.1 AUC comparison of different methods on different datasets unit:%

    3.3.2 時(shí)間性能

    為了評(píng)估所提方法的時(shí)間性能,通過在UCSD-ped2 數(shù)據(jù)集上使用不同分辨率的輸入幀來測(cè)試網(wǎng)絡(luò)的實(shí)時(shí)性。在分別采用128×128、256×256 和400×400 分辨率時(shí),本文方法的時(shí)間性能為93 frame/s、40 frame/s 和16 frame/s。當(dāng)分辨率為256×256 時(shí),F(xiàn)FP 和Mem-GN 的時(shí)間性能分別為25 frame/s 和67 frame/s。故本文方法的時(shí)間性能可滿足實(shí)時(shí)性要求。

    圖4 分別展示了文中所提方法在Avenue、UCSD-ped2 和ShanghaiTech數(shù)據(jù)集中測(cè)試視頻上的檢測(cè)結(jié)果。

    圖4 本文方法在三個(gè)數(shù)據(jù)集的測(cè)試視頻上的異常檢測(cè)結(jié)果Fig.4 Abnormal detection results of the proposed method on test videos of three datasets

    從圖4 中可以清楚看出,異常發(fā)生時(shí)異常分?jǐn)?shù)迅速升高,故可通過設(shè)置一個(gè)分?jǐn)?shù)閾值將異常幀與正常幀區(qū)分出來。

    3.4 網(wǎng)絡(luò)分析

    為了進(jìn)一步證明所提出網(wǎng)絡(luò)各部分模塊的作用,本節(jié)將各部分模塊依次加入網(wǎng)絡(luò)中來測(cè)試異常檢測(cè)性能。

    表2中,幀差代表動(dòng)作子網(wǎng)絡(luò)采用幀差還是光流;Memory表示是否采用記憶增強(qiáng)模塊;而殘差采樣模塊表示自編碼器網(wǎng)絡(luò)中編碼器和解碼器是否采用殘差結(jié)構(gòu)的上下采樣層。

    表2 評(píng)估本文網(wǎng)絡(luò)中不同模塊的作用Tab.2 Function evaluation of different modules in the proposed network

    從表2 可以看出,在本網(wǎng)絡(luò)中幀差比光流具有更佳的表現(xiàn);記憶增強(qiáng)模塊的加入使AUC具有較大提升;將圖1中自編碼器網(wǎng)絡(luò)中上下采樣層從單流結(jié)構(gòu)改為殘差的雙流結(jié)構(gòu)后,其AUC 有一定程度提升,故該結(jié)構(gòu)更利于編碼器提取外觀和動(dòng)作特征并改善解碼器預(yù)測(cè)圖的質(zhì)量。

    本文所提方法損失函數(shù)中共設(shè)置了5 個(gè)超參數(shù),考慮到超參數(shù)對(duì)最終的檢測(cè)結(jié)果有較大影響,故表3對(duì)式(14)中3個(gè)參數(shù)λa、λm和λp對(duì)AUC 的影響。3 個(gè)超參數(shù)分別用于確定外觀損失La、動(dòng)作損失Lm和預(yù)測(cè)損失Lp的權(quán)重。表3 顯示3 個(gè)參數(shù)設(shè)定不同比重時(shí),檢測(cè)結(jié)果AUC的變化情況。

    表3 損失函數(shù)中主要超參數(shù)對(duì)AUC的影響Tab.3 Influence of main hyperparameters in loss function on AUC

    從表3 可知,總體來說,La相較Lm對(duì)AUC 的影響更大,Lp的目的是讓由融合相加得到的更接近真實(shí)幀It+2,而此幀的PSNR作為異常分?jǐn)?shù)的重要部分。

    如表4 所示,輸入視頻幀序列長度t的長度較小時(shí),無法達(dá)到預(yù)測(cè)的目的,其更接近于重建網(wǎng)絡(luò);但是,當(dāng)t的長度逐漸增大時(shí),網(wǎng)絡(luò)并不能因此學(xué)到更多的時(shí)序特征,反而會(huì)增加網(wǎng)絡(luò)參數(shù)。

    表4 不同長度幀序列下的AUCTab.4 AUC under frame sequences with different lengths

    4 結(jié)語

    本文提出了一種基于外觀和動(dòng)作特征雙預(yù)測(cè)的視頻異常行為檢測(cè)方法。該孿生網(wǎng)絡(luò)同時(shí)使用RGB 圖和幀差圖來提取動(dòng)作和外觀特征,并進(jìn)行預(yù)測(cè)。通過在自編碼器瓶頸層級(jí)聯(lián)了記憶增強(qiáng)模塊,促使網(wǎng)絡(luò)更好地學(xué)習(xí)正常樣本的特征,降低對(duì)異常樣本的預(yù)測(cè)效果。實(shí)驗(yàn)結(jié)果表明,所提方法提升了視頻異常行為的準(zhǔn)確率,提高了其在3 個(gè)數(shù)據(jù)集上的AUC 指標(biāo)。本文方法對(duì)提取正常行為的外觀和動(dòng)作特征進(jìn)行了部分優(yōu)化,降低預(yù)測(cè)網(wǎng)絡(luò)對(duì)異常視頻的預(yù)測(cè)效果,但仍未充分提取到正常樣本的特征,且網(wǎng)絡(luò)對(duì)背景噪聲的魯棒性欠佳,故在未來工作中,將進(jìn)一步對(duì)該問題進(jìn)行研究,提高網(wǎng)絡(luò)對(duì)異常行為檢測(cè)的準(zhǔn)確性和穩(wěn)定性。

    猜你喜歡
    編碼器外觀動(dòng)作
    外觀動(dòng)作自適應(yīng)目標(biāo)跟蹤方法
    A Shopping Story to Remember
    不論外觀還是聲音,它都很美 Yamaha(雅馬哈)A-S3200合并功放
    基于FPGA的同步機(jī)軸角編碼器
    動(dòng)作描寫要具體
    方外觀遺跡舊照
    紫禁城(2017年6期)2017-08-07 09:22:52
    畫動(dòng)作
    動(dòng)作描寫不可少
    基于PRBS檢測(cè)的8B/IOB編碼器設(shè)計(jì)
    JESD204B接口協(xié)議中的8B10B編碼器設(shè)計(jì)
    電子器件(2015年5期)2015-12-29 08:42:24
    国产欧美日韩一区二区精品| 亚洲欧美一区二区三区黑人| 欧美日本亚洲视频在线播放| 老熟妇乱子伦视频在线观看| 国产亚洲精品一区二区www| 三级毛片av免费| 国产极品粉嫩免费观看在线| 国产极品粉嫩免费观看在线| 女警被强在线播放| 非洲黑人性xxxx精品又粗又长| 久久精品成人免费网站| 国产高清有码在线观看视频 | 女人被狂操c到高潮| 成人手机av| 高清毛片免费观看视频网站| 久久精品国产亚洲av高清一级| 性色av乱码一区二区三区2| 听说在线观看完整版免费高清| 19禁男女啪啪无遮挡网站| 国产av不卡久久| 啦啦啦免费观看视频1| 亚洲欧美精品综合一区二区三区| 啦啦啦观看免费观看视频高清| 可以免费在线观看a视频的电影网站| 热99re8久久精品国产| 午夜亚洲福利在线播放| 天堂√8在线中文| 欧美午夜高清在线| 欧美黑人精品巨大| 男女做爰动态图高潮gif福利片| 美女大奶头视频| 亚洲美女黄片视频| 免费看a级黄色片| 国产精品影院久久| 亚洲真实伦在线观看| 无遮挡黄片免费观看| 欧美日本亚洲视频在线播放| 婷婷六月久久综合丁香| 国产一卡二卡三卡精品| 日本 av在线| 亚洲男人天堂网一区| 亚洲av电影在线进入| 黑丝袜美女国产一区| 69av精品久久久久久| 免费人成视频x8x8入口观看| 最近最新免费中文字幕在线| www.999成人在线观看| 国产精品久久久av美女十八| 亚洲国产精品999在线| 国产三级在线视频| 日本 av在线| 国产黄a三级三级三级人| 亚洲av电影在线进入| 国产欧美日韩精品亚洲av| 亚洲国产欧洲综合997久久, | 欧美中文综合在线视频| www.精华液| 国产日本99.免费观看| 欧美成人一区二区免费高清观看 | 日韩精品青青久久久久久| 男人舔奶头视频| 男女午夜视频在线观看| 欧美av亚洲av综合av国产av| 久久国产精品男人的天堂亚洲| 亚洲激情在线av| 亚洲精品美女久久久久99蜜臀| 国产一区二区三区在线臀色熟女| 露出奶头的视频| 日韩av在线大香蕉| 丝袜人妻中文字幕| 中文字幕人妻熟女乱码| 在线av久久热| 午夜久久久久精精品| 亚洲人成网站高清观看| 9191精品国产免费久久| 白带黄色成豆腐渣| 老汉色∧v一级毛片| 波多野结衣av一区二区av| 丰满的人妻完整版| 国产91精品成人一区二区三区| 欧美激情极品国产一区二区三区| 母亲3免费完整高清在线观看| 久久九九热精品免费| 国内精品久久久久久久电影| 在线看三级毛片| 色尼玛亚洲综合影院| 男女那种视频在线观看| 久久久久久久久中文| 无限看片的www在线观看| 亚洲自偷自拍图片 自拍| 亚洲五月色婷婷综合| 亚洲专区中文字幕在线| 无遮挡黄片免费观看| www.999成人在线观看| 日本a在线网址| 免费看美女性在线毛片视频| 午夜福利在线观看吧| 国产视频内射| √禁漫天堂资源中文www| 久久国产亚洲av麻豆专区| 日本熟妇午夜| 妹子高潮喷水视频| 亚洲国产精品999在线| 在线免费观看的www视频| videosex国产| 夜夜爽天天搞| av福利片在线| www.精华液| 免费在线观看日本一区| 成人精品一区二区免费| 精品福利观看| 亚洲成人久久性| 老司机靠b影院| 成人三级黄色视频| 国产精品久久久久久精品电影 | 国产在线精品亚洲第一网站| 一本综合久久免费| 亚洲三区欧美一区| 免费看a级黄色片| 久久久水蜜桃国产精品网| 日韩欧美免费精品| tocl精华| 精品久久蜜臀av无| 99久久99久久久精品蜜桃| 亚洲三区欧美一区| 国产真人三级小视频在线观看| 成人免费观看视频高清| 久久精品成人免费网站| 色av中文字幕| 50天的宝宝边吃奶边哭怎么回事| 手机成人av网站| 亚洲成人久久性| 国产一卡二卡三卡精品| 亚洲av第一区精品v没综合| www.www免费av| 老司机午夜十八禁免费视频| 精品欧美国产一区二区三| 十分钟在线观看高清视频www| 我的亚洲天堂| 美女国产高潮福利片在线看| 少妇粗大呻吟视频| 国产主播在线观看一区二区| 亚洲精品粉嫩美女一区| 一边摸一边抽搐一进一小说| 老司机福利观看| 国产成人精品久久二区二区免费| 亚洲午夜精品一区,二区,三区| 老熟妇仑乱视频hdxx| 国产精品,欧美在线| 亚洲人成77777在线视频| 1024视频免费在线观看| 久久伊人香网站| 99精品在免费线老司机午夜| 色婷婷久久久亚洲欧美| av中文乱码字幕在线| 欧美午夜高清在线| 69av精品久久久久久| 色尼玛亚洲综合影院| 美国免费a级毛片| 亚洲全国av大片| 久久精品影院6| 久久亚洲真实| 人人妻人人澡人人看| 日日爽夜夜爽网站| 一边摸一边做爽爽视频免费| 草草在线视频免费看| 嫩草影院精品99| 国产精品永久免费网站| 国产精品野战在线观看| 欧美日韩黄片免| 他把我摸到了高潮在线观看| 成人午夜高清在线视频 | 亚洲电影在线观看av| 欧美黑人精品巨大| 亚洲精品中文字幕一二三四区| 黄色片一级片一级黄色片| 国产片内射在线| 亚洲av五月六月丁香网| 国产av在哪里看| 亚洲精品粉嫩美女一区| 久久久久九九精品影院| 午夜福利成人在线免费观看| 久久久久免费精品人妻一区二区 | 久久久水蜜桃国产精品网| 久久久久国内视频| xxx96com| 老司机在亚洲福利影院| 日本五十路高清| 欧美激情 高清一区二区三区| 久久精品国产亚洲av高清一级| 最新在线观看一区二区三区| 精品高清国产在线一区| 悠悠久久av| 两个人免费观看高清视频| 日韩视频一区二区在线观看| bbb黄色大片| 非洲黑人性xxxx精品又粗又长| 日日爽夜夜爽网站| 亚洲中文字幕日韩| 午夜两性在线视频| www日本黄色视频网| 美女午夜性视频免费| 亚洲狠狠婷婷综合久久图片| 精品欧美国产一区二区三| 国内精品久久久久精免费| 午夜福利高清视频| 天堂√8在线中文| 国产av又大| 久久久久国内视频| 精品一区二区三区av网在线观看| 12—13女人毛片做爰片一| 亚洲熟妇熟女久久| 久久亚洲真实| 久久午夜综合久久蜜桃| 老司机靠b影院| 欧美激情极品国产一区二区三区| 亚洲国产精品成人综合色| 老司机午夜十八禁免费视频| 我的亚洲天堂| 日韩中文字幕欧美一区二区| 巨乳人妻的诱惑在线观看| 国产精品精品国产色婷婷| 一本一本综合久久| 欧美久久黑人一区二区| 久热爱精品视频在线9| 久久国产精品男人的天堂亚洲| 99国产综合亚洲精品| 99热6这里只有精品| 高潮久久久久久久久久久不卡| 亚洲五月色婷婷综合| 少妇被粗大的猛进出69影院| 制服丝袜大香蕉在线| 十分钟在线观看高清视频www| 热re99久久国产66热| 波多野结衣高清无吗| videosex国产| 非洲黑人性xxxx精品又粗又长| 一级毛片精品| 午夜福利高清视频| 国产午夜精品久久久久久| 免费在线观看黄色视频的| 男男h啪啪无遮挡| 国产亚洲精品第一综合不卡| 男女床上黄色一级片免费看| 两个人视频免费观看高清| av片东京热男人的天堂| 久久久久久久久中文| www.自偷自拍.com| 女性生殖器流出的白浆| 男人的好看免费观看在线视频 | 亚洲成人久久爱视频| 一级毛片精品| 国产爱豆传媒在线观看 | 嫩草影院精品99| 国产精品av久久久久免费| 午夜福利视频1000在线观看| 亚洲一区高清亚洲精品| 久久久久久久久免费视频了| 黄网站色视频无遮挡免费观看| 免费高清视频大片| 国产av又大| 啦啦啦观看免费观看视频高清| 伊人久久大香线蕉亚洲五| 久久久久久国产a免费观看| 日本一区二区免费在线视频| 国产成人精品久久二区二区免费| 国产精品影院久久| 制服丝袜大香蕉在线| 夜夜夜夜夜久久久久| 麻豆一二三区av精品| 韩国精品一区二区三区| 久久久久久久午夜电影| 热99re8久久精品国产| 久久久久久久久中文| 国产三级在线视频| 性色av乱码一区二区三区2| 亚洲欧美精品综合久久99| 精品福利观看| 国产精品久久久av美女十八| 久久久久久久精品吃奶| 国产成人啪精品午夜网站| 国产精品98久久久久久宅男小说| 久久99热这里只有精品18| www.www免费av| 高潮久久久久久久久久久不卡| 国内少妇人妻偷人精品xxx网站 | 18禁国产床啪视频网站| 在线观看免费日韩欧美大片| 亚洲 欧美一区二区三区| 97碰自拍视频| 成在线人永久免费视频| 亚洲成国产人片在线观看| 成人永久免费在线观看视频| 国产精品久久久av美女十八| 国产成人精品久久二区二区91| 欧美另类亚洲清纯唯美| 亚洲三区欧美一区| 88av欧美| 久99久视频精品免费| 国产熟女xx| 亚洲国产毛片av蜜桃av| 色播亚洲综合网| 久久久久久久久免费视频了| 18禁观看日本| 精品免费久久久久久久清纯| 亚洲精品国产一区二区精华液| 久久国产精品影院| 亚洲男人天堂网一区| 99热6这里只有精品| 亚洲自偷自拍图片 自拍| av中文乱码字幕在线| 亚洲七黄色美女视频| 欧美中文综合在线视频| 一区二区三区激情视频| 国产一区二区激情短视频| 欧美黄色淫秽网站| 美女国产高潮福利片在线看| 国产精品,欧美在线| 美女 人体艺术 gogo| 亚洲国产精品合色在线| 中文字幕人成人乱码亚洲影| 十八禁人妻一区二区| 人妻丰满熟妇av一区二区三区| 精品电影一区二区在线| 黄频高清免费视频| 国产人伦9x9x在线观看| 久久久久久人人人人人| 免费看美女性在线毛片视频| 色av中文字幕| 日本黄色视频三级网站网址| 日韩视频一区二区在线观看| 特大巨黑吊av在线直播 | 午夜福利在线观看吧| 亚洲 欧美一区二区三区| 午夜影院日韩av| 成人手机av| 国产亚洲精品综合一区在线观看 | 99re在线观看精品视频| www.www免费av| 99国产精品99久久久久| 国产又爽黄色视频| 亚洲成av人片免费观看| 亚洲av成人一区二区三| 一区二区日韩欧美中文字幕| 国产熟女午夜一区二区三区| 不卡av一区二区三区| 他把我摸到了高潮在线观看| 午夜精品久久久久久毛片777| 欧美乱色亚洲激情| 欧美日本亚洲视频在线播放| 一边摸一边抽搐一进一小说| 日日摸夜夜添夜夜添小说| 国产一区在线观看成人免费| 午夜免费激情av| 色综合婷婷激情| av欧美777| 久久久久久大精品| 熟女少妇亚洲综合色aaa.| 老司机靠b影院| 最近最新中文字幕大全免费视频| 精品久久久久久久久久免费视频| 男女午夜视频在线观看| 日日干狠狠操夜夜爽| 久久久久精品国产欧美久久久| 日本五十路高清| 18禁裸乳无遮挡免费网站照片 | 不卡一级毛片| 亚洲性夜色夜夜综合| 在线av久久热| 麻豆成人av在线观看| 国产一区二区三区在线臀色熟女| 高清在线国产一区| 村上凉子中文字幕在线| 久久久久九九精品影院| 香蕉久久夜色| 草草在线视频免费看| 国产精品美女特级片免费视频播放器 | 午夜久久久久精精品| 人人妻,人人澡人人爽秒播| 亚洲av熟女| 看免费av毛片| 成人三级黄色视频| 亚洲精品久久国产高清桃花| 女人爽到高潮嗷嗷叫在线视频| 国产主播在线观看一区二区| 黄色片一级片一级黄色片| 手机成人av网站| 久久香蕉国产精品| 精品久久久久久成人av| 午夜视频精品福利| 亚洲黑人精品在线| 午夜日韩欧美国产| 国产免费av片在线观看野外av| 成年人黄色毛片网站| 国产亚洲精品一区二区www| 国产精品,欧美在线| 国产97色在线日韩免费| 一区二区三区激情视频| 精品免费久久久久久久清纯| 久久久久久久久免费视频了| 亚洲国产毛片av蜜桃av| 中文字幕人妻熟女乱码| 欧美不卡视频在线免费观看 | 亚洲人成77777在线视频| 国产人伦9x9x在线观看| 男女午夜视频在线观看| 99riav亚洲国产免费| 国产精品野战在线观看| 免费在线观看完整版高清| 国产97色在线日韩免费| 亚洲精品一卡2卡三卡4卡5卡| 国产欧美日韩精品亚洲av| 99热这里只有精品一区 | av视频在线观看入口| 亚洲欧美日韩高清在线视频| 一区福利在线观看| 日韩一卡2卡3卡4卡2021年| 夜夜看夜夜爽夜夜摸| 亚洲精品中文字幕一二三四区| 精品久久久久久久久久免费视频| 精华霜和精华液先用哪个| 中文字幕人妻熟女乱码| 免费无遮挡裸体视频| 国产精品爽爽va在线观看网站 | 亚洲国产精品合色在线| 亚洲,欧美精品.| 国产av又大| 两性午夜刺激爽爽歪歪视频在线观看 | 亚洲色图av天堂| 女生性感内裤真人,穿戴方法视频| 亚洲欧洲精品一区二区精品久久久| 亚洲av成人不卡在线观看播放网| 一级片免费观看大全| 人人妻人人看人人澡| 美女高潮喷水抽搐中文字幕| 成人三级做爰电影| 99国产极品粉嫩在线观看| 一本一本综合久久| 精品福利观看| 欧美日韩亚洲综合一区二区三区_| 欧美久久黑人一区二区| 久久国产精品男人的天堂亚洲| 女警被强在线播放| 亚洲专区国产一区二区| 免费观看人在逋| 91老司机精品| 国产真人三级小视频在线观看| 国产成人av教育| 久久国产精品影院| 午夜亚洲福利在线播放| 啦啦啦韩国在线观看视频| 国产私拍福利视频在线观看| 人妻久久中文字幕网| 嫩草影视91久久| 久久九九热精品免费| 亚洲va日本ⅴa欧美va伊人久久| 天堂动漫精品| 欧美国产日韩亚洲一区| 村上凉子中文字幕在线| 可以在线观看的亚洲视频| 亚洲成人久久性| 啦啦啦免费观看视频1| 一进一出抽搐动态| 变态另类成人亚洲欧美熟女| 国产亚洲精品久久久久5区| 国产激情欧美一区二区| 日韩欧美一区二区三区在线观看| 美女 人体艺术 gogo| 妹子高潮喷水视频| 十八禁人妻一区二区| 欧美日韩瑟瑟在线播放| 欧美日韩中文字幕国产精品一区二区三区| 国产片内射在线| 国产不卡一卡二| xxxwww97欧美| 天天躁夜夜躁狠狠躁躁| 国产欧美日韩一区二区精品| 一边摸一边做爽爽视频免费| 日韩av在线大香蕉| 欧美绝顶高潮抽搐喷水| 女性生殖器流出的白浆| 免费在线观看日本一区| 国产成年人精品一区二区| 久久久久精品国产欧美久久久| av在线播放免费不卡| xxxwww97欧美| 欧美+亚洲+日韩+国产| 制服诱惑二区| 国产精品一区二区精品视频观看| 国产黄色小视频在线观看| 久久久久久久久中文| 美女高潮到喷水免费观看| 夜夜躁狠狠躁天天躁| 一进一出好大好爽视频| 午夜成年电影在线免费观看| 18禁黄网站禁片免费观看直播| 99久久国产精品久久久| 国产精品98久久久久久宅男小说| 久久久久久久午夜电影| √禁漫天堂资源中文www| 黄网站色视频无遮挡免费观看| 婷婷六月久久综合丁香| a级毛片在线看网站| 国产单亲对白刺激| 日本一本二区三区精品| 亚洲一区二区三区色噜噜| 十八禁网站免费在线| 日本一区二区免费在线视频| 色哟哟哟哟哟哟| 一本久久中文字幕| 熟女电影av网| 又大又爽又粗| 国产精品亚洲一级av第二区| 听说在线观看完整版免费高清| 欧美乱码精品一区二区三区| 99国产综合亚洲精品| 久久久久免费精品人妻一区二区 | 免费在线观看亚洲国产| 男人舔奶头视频| 日本撒尿小便嘘嘘汇集6| 一区二区三区高清视频在线| 欧美日韩福利视频一区二区| 欧美三级亚洲精品| 成人手机av| 999久久久精品免费观看国产| 中国美女看黄片| 一级a爱视频在线免费观看| 国产精品久久视频播放| 一级a爱视频在线免费观看| a级毛片在线看网站| 国产精品亚洲一级av第二区| 久久精品成人免费网站| 国产视频一区二区在线看| 大型av网站在线播放| 国产免费男女视频| 精品国产乱码久久久久久男人| 热re99久久国产66热| 国产亚洲欧美在线一区二区| 男男h啪啪无遮挡| 成在线人永久免费视频| 国产成人精品久久二区二区免费| 久久久久久久午夜电影| 久久 成人 亚洲| 欧美日韩中文字幕国产精品一区二区三区| 国产精品野战在线观看| 90打野战视频偷拍视频| 在线观看舔阴道视频| 久久中文字幕一级| 亚洲自偷自拍图片 自拍| 亚洲欧美一区二区三区黑人| 不卡av一区二区三区| 欧美成人性av电影在线观看| 日韩精品中文字幕看吧| 亚洲国产欧美一区二区综合| 亚洲专区国产一区二区| 禁无遮挡网站| 亚洲人成网站在线播放欧美日韩| 亚洲五月婷婷丁香| 老汉色∧v一级毛片| 午夜精品久久久久久毛片777| 亚洲精品国产区一区二| 99精品久久久久人妻精品| 国产一区二区三区视频了| 欧美色视频一区免费| 日本黄色视频三级网站网址| 免费人成视频x8x8入口观看| 欧美日韩精品网址| 一区二区三区精品91| 欧美日韩黄片免| 国产真实乱freesex| 色老头精品视频在线观看| 久久亚洲真实| 中文亚洲av片在线观看爽| 亚洲色图 男人天堂 中文字幕| 不卡一级毛片| 亚洲成人久久爱视频| 99国产极品粉嫩在线观看| 亚洲免费av在线视频| av在线播放免费不卡| 国产高清videossex| 88av欧美| 99精品在免费线老司机午夜| 淫秽高清视频在线观看| 中文字幕精品免费在线观看视频| 欧美成人性av电影在线观看| 精品福利观看| 黄片大片在线免费观看| 一进一出抽搐gif免费好疼| 国产麻豆成人av免费视频| 亚洲精华国产精华精| 欧美成人午夜精品| 久久香蕉激情| 男女午夜视频在线观看| 午夜福利成人在线免费观看| av欧美777| 日本一本二区三区精品| 国产亚洲欧美在线一区二区| 久久精品亚洲精品国产色婷小说| 色播亚洲综合网| 中文亚洲av片在线观看爽| 亚洲人成电影免费在线| 日韩欧美国产一区二区入口| 久久久国产成人精品二区| 男女下面进入的视频免费午夜 | 国产精品99久久99久久久不卡| 一区二区三区精品91| 日本免费一区二区三区高清不卡| av片东京热男人的天堂| 亚洲电影在线观看av| 一进一出抽搐动态| 在线视频色国产色| 欧美国产日韩亚洲一区| 日本精品一区二区三区蜜桃| 麻豆一二三区av精品| 91av网站免费观看|