• <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 ?

    自然環(huán)境下實時人臉口罩檢測與規(guī)范佩戴識別

    2021-12-21 14:04:46阿里甫庫爾班耿麗婷韓文軒
    計算機工程與應用 2021年24期
    關(guān)鍵詞:人臉口罩尺度

    丁 培,阿里甫·庫爾班,耿麗婷,韓文軒

    新疆大學 軟件學院,烏魯木齊830046

    自2019年12月新冠疫情在全球范圍內(nèi)爆發(fā)以來,人類的健康面臨著持續(xù)的威脅,生活受到巨大的影響。新型冠狀病毒具有強傳染性和長潛伏期性,它可以通過空氣中的飛沫、氣溶膠等載體進行傳播[1]。新冠病毒離體后可獨立存活數(shù)天,滯留于空氣中的病毒隨時有可能被人吸入身體。規(guī)范佩戴口罩能有效避免人在呼吸時吸入空氣中的新冠病毒,從而降低被病毒傳染的機率,因此規(guī)范佩戴口罩對疫情防控至關(guān)重要[2]。國家健康委員會發(fā)布的《新型冠狀病毒感染肺炎預防指南》中明確指出,個人外出前往公共場所、就醫(yī)和乘坐公共交通工具時,必須規(guī)范佩戴醫(yī)用外科口罩或N95口罩。然而隨著我國新冠疫情防控進入常態(tài)化階段,部分公民防護意識有所松懈,出現(xiàn)了在公共場合不規(guī)范佩戴口罩或不佩戴口罩的現(xiàn)象,增加感染病毒的風險。針對此問題,大部分地區(qū)經(jīng)常浪費大量人力用于檢查口罩是否規(guī)范佩戴。人工檢測工作強度大、效率低、覆蓋面窄、時效性差,且無法避免檢測人員與其他人接觸。因此,利用計算機視覺來設(shè)計人臉口罩規(guī)范佩戴檢測器以替代人力檢測可有效規(guī)避上述弊端,具有重要的研究價值。

    傳統(tǒng)的目標檢測算法通常基于手工特征設(shè)計如HOG[3]檢測器(Histogram of Oriented Gradient);基于可變部件的模型如DPM[4](Deformable Parts Model);滑動窗口搜索算法如Viola Jones檢測器[5]。傳統(tǒng)的目標檢測算法需在特定檢測環(huán)境下進行,手工設(shè)計特征存在工作量大和滑動窗口搜索性能差等問題。

    隨著深度學習在圖像分類與識別領(lǐng)域的飛速發(fā)展,使用卷積神經(jīng)網(wǎng)絡(luò)進行目標檢測成為研究熱點[6]?;谏疃葘W習的目標檢測主要分為兩類,一類是基于候選框的two-stage算法,另一類則是基于回歸的one-stage算法。two-stage主要是通過啟發(fā)式方法或者卷積神經(jīng)網(wǎng)絡(luò)RPN[7](Region Proposal Network)來產(chǎn)生一系列的候選框,對其候選框進行分類和回歸從而實現(xiàn)目標檢測如SPPNet[8]和Fast R-CNN[9],該方法通常檢測準確率較高但速度較慢。One-stage直接通過卷積神經(jīng)網(wǎng)絡(luò)來預測物體的類別和位置,借助錨框加速邊框回歸,輸出向量經(jīng)過非極大值抑制得出最終預測結(jié)果如SSD[10]和YOLO[11-14],該方法通常檢測速度快,適合做實時檢測任務。本文選擇檢測精度和速度均較優(yōu)的YOLOv4算法。YOLOv4的精度是通過161層網(wǎng)絡(luò)來保證,其層數(shù)和參數(shù)量較大,不利于部署應用在計算資源較少的設(shè)備上。目前,已有學者通過對YOLOv4進行改進以適應于其檢測目標和檢測環(huán)境,如唐翔翔等人[15]對YOLOv4的特征金字塔池化模塊和損失函數(shù)進行優(yōu)化,提高對電線路異物檢測的識別精度??拙S剛等人[16]將YOLOv4的CSPDarknet53改為MobileNetv3-large網(wǎng)絡(luò)結(jié)構(gòu),在嵌入式設(shè)備上進行實時檢測任務。王瀅暄等人[17]提出一種改進的YOLOv4網(wǎng)絡(luò)對交通場景下車輛目標進行檢測。本文方法旨在實現(xiàn)自然環(huán)境下的實時人臉口罩檢測與規(guī)范佩戴識別,并可部署應用在計算量小的終端設(shè)備上。

    目前,已經(jīng)有學者研究人臉口罩佩戴檢測算法。鄧黃瀟[18]通過遷移學習與RetinaNet網(wǎng)絡(luò)對佩戴口罩的人臉和未佩戴口罩的人臉進行識別檢測。肖俊杰[19]基于YOLOv3,利用YCrCb的橢圓膚色模型對人臉區(qū)域進行膚色檢測,實現(xiàn)人臉是否佩戴口罩及口罩佩戴是否規(guī)范的識別檢測。牛作東等人[20]基于RetinaFace人臉識別算法,優(yōu)化損失函數(shù),增加改進的自注意力機制,實現(xiàn)人臉口罩檢測。上述算法存在以下不足:在數(shù)據(jù)集方面只有佩戴口罩人臉圖片和未佩戴口罩人臉圖片,缺乏佩戴口罩不規(guī)范人臉圖片;對部署應用在計算資源較少的嵌入式設(shè)備實時檢測任務而言,在實時性和準確性方面仍有改進空間;對自然環(huán)境下目標差異大、場景復雜等問題需做進一步研究。

    綜上,有必要設(shè)計一種自然環(huán)境下的實時人臉口罩檢測與規(guī)范佩戴識別方法,本文選擇YOLOv4作為基準網(wǎng)絡(luò)來實現(xiàn)人臉口罩規(guī)范佩戴的識別。針對缺乏佩戴口罩不規(guī)范人臉圖片問題,本文補充收集了不規(guī)范佩戴口罩人臉圖片1 000張。同時,設(shè)計了輕量級骨干網(wǎng)絡(luò)L-CSPDarkNet,以提高模型的檢測速度,滿足實時性的要求。針對自然環(huán)境下目標差異大、場景復雜等問題,設(shè)計輕量級特征增強模塊Light-FEB和多尺度注意力模塊Multi-Scale-Sam增強輕量級主干網(wǎng)絡(luò)的特征提取能力。實驗結(jié)果表明,該方法在自然環(huán)境下人臉口罩檢測任務中具有良好的檢測速度和精度。

    1 算法框架

    本文以YOLOv4算法為基礎(chǔ),為解決模型計算量大,運行內(nèi)存過高等難題,設(shè)計了輕量級的骨干網(wǎng)絡(luò)Light-CSPDarkNet提高人臉口罩檢測速度;為解決自然環(huán)境下多尺度、人臉密集等難題,提出輕量級特征增強模塊Light-FEB和多尺度注意力機制Multi-Scale-Sam提高人臉口罩檢測的準確性。算法的具體網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

    圖1 算法的網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.1 Network structure of proposed algorithm

    1.1 輕量級骨干網(wǎng)絡(luò)

    YOLOv4算法檢測時先將圖片分割成S×S的網(wǎng)格,每個網(wǎng)格進行邊框預測及類別預測后保留置信度最大的邊框,再采用NMS(Non-Maximum Suppression)非極大值抑制算法去除重疊邊框得到預測最準確的邊框。YOLOv4的骨干網(wǎng)絡(luò)為CSPDarknet53,由如圖2(a)的CSPResNe(X)t構(gòu)成,經(jīng)過卷積神經(jīng)網(wǎng)絡(luò)Part1和Part2,Part2后接如圖2(b)的殘差網(wǎng)絡(luò),最后進行特征融合。這種設(shè)計提高了網(wǎng)絡(luò)的準確性,但也增加了網(wǎng)絡(luò)的復雜度,檢測速度會相對變慢,對本任務而言性價比不高。YOLOv4的CSPDarknet53有52層,骨干網(wǎng)絡(luò)層數(shù)較多,很難在資源受限的設(shè)備上進行實時計算。故本文設(shè)計輕量級的骨干網(wǎng)絡(luò)L-CSPDarkNet降低模型復雜度,減少計算量,從而提高自然環(huán)境下人臉口罩檢測的速度。

    圖2 CSPResNet(X)t模塊Fig.2 CSPResNet(X)t Block

    本文提出的輕量級骨干網(wǎng)絡(luò)L-CSPDarkNet還基于以下事實:(1)YOLOv4最初是在MS COCO和Pascal VOC數(shù)據(jù)集上進行訓練的,其中數(shù)據(jù)集Pascal VOC有9 963張圖片和20種類別的待檢目標,MS COCO數(shù)據(jù)集有328 000張圖片和91種目標。故52層的CSPDarknet53網(wǎng)絡(luò)才能達到較好的效果。本任務只有3 000張圖片和3種待檢目標,太深的網(wǎng)絡(luò)不易于訓練,同時容易過擬合;(2)隨著網(wǎng)絡(luò)層次的加深,神經(jīng)網(wǎng)絡(luò)的表達能力增強,所需計算資源增多,檢測速度較慢。而本任務要求實時準確,故采用輕量級的L-CSPDarkNet骨干網(wǎng)絡(luò),其主要是由3個CSPNet構(gòu)成,相比于CSPDarknet53網(wǎng)絡(luò)結(jié)構(gòu)更為簡單,參數(shù)更少,所需計算資源更少,更適合部署應用在移動或嵌入式設(shè)備上。

    如圖3所示,L-CSPNet模塊是CSPResNe(X)t去掉Part1部分,同時在Part2部分只連接一個類殘差網(wǎng)絡(luò),其中類殘差網(wǎng)絡(luò)用concat。具體來說是Path B的一半卷積經(jīng)過3×3的卷積后分成兩路,一路先經(jīng)過3×3的卷積與另一路進行concat使得卷積核的filter加倍后采用1×1卷積,最后用concat連接Path A和Path B。由于Path A保持原來特征,L-CSPNet模塊在擁有原有特征的同時對特征進行了進一步的提取,其構(gòu)成的網(wǎng)絡(luò)特征準確度更高。針對類別數(shù)較少且圖像數(shù)量不多的數(shù)據(jù)集,使用輕量級L-CSPNet模塊能在檢測精度和速度上達到較好的平衡。

    圖3 L-CSPNet模塊Fig.3 L-CSPNet Block

    本文算法中的輕量級骨干網(wǎng)絡(luò)L-CSPDarkNet共有23層,由2個3×3步長為2的卷積層,3個下采樣層和3個輕量級L-CSPNet模塊構(gòu)成,其通道數(shù)最多為256,相比于CSPdarknet53體積和參數(shù)量大幅下降,有利于實現(xiàn)實時人臉口罩檢測與規(guī)范佩戴識別。

    1.2 輕量級特征增強模塊Light-FEB

    針對自然環(huán)境下目標多尺度、高密集等問題,本文算法在淺層使用輕量級特征增強模塊Light-FEB。輕量級特征增強模塊Light-FEB在保證小目標準確率提高的同時,兼顧模型的輕量高效,有效解決在淺層特征圖語義信息不足和小目標準確性較低等問題。

    輕量級特征增強模塊Light-FEB的設(shè)計主要采用多尺度特征融合網(wǎng)絡(luò)中的多分支Inception[21]設(shè)計思想??紤]到網(wǎng)絡(luò)的計算量和體積問題,采用膨脹卷積和普通卷積組合設(shè)計該模塊。膨脹卷積通過擴展卷積核像素之間的距離,在不增加計算量的前提下增加模型的感受野[22]。該距離稱為膨脹率比例Rate,如卷積核為3×3情況下,當Rate=1時感受野為3×3,當Rate=2的時感受野為7×7。

    受到文獻[23]的啟發(fā),用多種尺度的卷積核增強目標特征,輕量級特征增強模塊Light-FEB如圖4所示。首先用1×1卷積核,再用3×3的卷積核,最后用3×3膨脹卷積。為了減少計算量,卷積核的大小不超過3×3,卷積核的通道數(shù)小于等于輸入通道數(shù)的1/4。具體來說,每一個分支的前部分,使用普通的卷積,在分支的后半部分使用膨脹卷積,膨脹率比例Rate分別是1、3、5、7,其感受野分別是3×3、7×7、11×11和19×19,之后進行特征融合增大感受野,最后使用add來增加上下文的理解能力。

    圖4 輕量級特征提取模塊Light-FEBFig.4 Light feature extraction Light-FEB block

    1.3 多尺度注意力機制Multi-Scale-Sam

    為了增加自然環(huán)境下人臉口罩檢測與規(guī)范佩戴的準確率,本文提出一種多尺度空間注意力機制Multi-Scale-Sam。如圖5(a)所示的空間注意力機制Sam,卷積神經(jīng)網(wǎng)絡(luò)通過池化層將圖片信息壓縮,減少運算量,池化具有特征不變性,但會降低特征的分辨率,丟失特征細節(jié)。如圖5(b)所示的點注意力機制,不經(jīng)過池化層,直接將有用的信息合并,會導致一些關(guān)鍵信息無法識別。

    圖5 空間和點注意力機制Fig.5 Spatial and point attention mechanism

    通過對上面兩種注意力機制模型和文獻[24]總結(jié)分析,發(fā)現(xiàn)注意力機制只從一個尺度來對網(wǎng)絡(luò)特征進行操作,容易產(chǎn)生錯誤的注意,或注意信息不全面。本文設(shè)計的多尺度注意力機制由膨脹卷積構(gòu)成的空間卷積池化金字塔和點注意力機制相結(jié)合而成。膨脹卷積增大濾波器視野,其構(gòu)成的空間卷積池化金字塔可以捕獲不同尺度信息,獲得的多尺度信息再經(jīng)過點注意力機制,可以保證關(guān)鍵的信息不丟失,從而增加檢測準確率。

    其模型結(jié)構(gòu)如圖6所示,卷積神經(jīng)網(wǎng)絡(luò)先通過3個rate分別是1、3、5的3×3膨脹卷積的和一個1×1的普通卷積。其中膨脹卷積和普通卷積的通道數(shù)都是原始輸入的一半,進行特征融合concat捕獲到多尺度信息后經(jīng)過點注意力機制。實驗結(jié)果表明其mAP比空間注意力Sam提高了3.18個百分點,模型的FPS只比空間注意力Sam少1。

    圖6 多尺度注意力機制Multi-Scale-SamFig.6 Multi-scale attention mechanism Multi-Scale-Sam

    2 實驗

    2.1 實驗環(huán)境

    實驗在CPU Intel?CoreTMi7-8750H 2.21 GHz,32 GB內(nèi)存,Windows 10系統(tǒng)下搭建的Pytorch和Darknet環(huán)境下進行,顯卡為GeForce RTX 2070,實驗環(huán)境的配置參數(shù)如表1所示。

    表1 實驗環(huán)境配置參數(shù)Table 1 Experimental environment

    2.2 實驗數(shù)據(jù)

    實驗使用的數(shù)據(jù)集一部分來源于網(wǎng)上公開MAFA(MAsked FAces)和AIZOO數(shù)據(jù)集,另一部由網(wǎng)絡(luò)爬取樣本及相機拍攝。經(jīng)整理數(shù)據(jù)集共計3 000張圖片,包含自然場景下的規(guī)范佩戴口罩人臉、未規(guī)范佩戴口罩人臉和未佩戴口罩人臉三種情況,部分樣本如圖7所示。使用LableImg標注軟件對數(shù)據(jù)集進行人工標注,標注類別分為Mask、Badmask、Nomask三類,數(shù)據(jù)集為VOC2007格式。標注后的數(shù)據(jù)集劃分為訓練集和測試集,其中訓練集包含2 550張圖片。

    圖7 圖像數(shù)據(jù)示例Fig.7 Image examples

    人工標注的3個分類目標數(shù)目如表2所示,其中Mask數(shù)目是3 862,Nomask數(shù)目是4 124,Badmask數(shù)目是3 527。

    表2 目標數(shù)目Table 2 Number of targets

    2.3 實驗分析

    分別使用目前比較主流的目標檢測算法YOLOv4、YOLOv3、SSD和Faster R-CNN與本文算法進行實驗對比,訓練時圖片大小設(shè)為512×512像素,batch_size設(shè)置為4,epoch設(shè)置為50,初始學習率設(shè)置0.001,訓練時如果超過5個epoch沒有降低,則降低學習率,學習率最低設(shè)為0.000 01。對比結(jié)果如表3所示,本文的算法與原始的YOLOv4方法相比,檢測速度(FPS)提高34.8,達到了69.7,mAP也提高到91.94%。此外與YOLOv3、Faster R-CNN和SSD比,mAP分別提高了13.03、15.49和18.27個百分點,F(xiàn)PS分別提高了19.9、63.4和54。

    表3 不同算法測試結(jié)果對比Table 3 Test results of different algorithms

    實驗數(shù)據(jù)表明,本文提出的自然環(huán)境下的實時人臉口罩檢測與規(guī)范佩戴識別方法,在自然環(huán)境下對于目標差異大、場景復雜且運算速度要求高的任務而言,明顯優(yōu)于其他幾種算法,可更好地適用于實際檢測任務。

    設(shè)計消融實驗驗證本文算法的有效性,分別采用5個實驗對本文所提算法進行分析:實驗一為原始的YOLOv4算法;實驗二僅采用L-CSPDarkNet輕量級骨干網(wǎng)絡(luò),如圖8所示;實驗三在實驗二的基礎(chǔ)上將CBL模塊②替換為Light-FEB模塊;實驗四在實驗二的基礎(chǔ)上把CBL模塊①替換為Multi-Scale-Sam模塊;實驗五在實驗二的基礎(chǔ)上把CBL模塊②替換為Light-FEB模塊,CBL模塊①替換為Multi-Scale-Sam模塊。

    圖8 實驗二的網(wǎng)絡(luò)結(jié)構(gòu)圖Fig.8 Network structure diagram of experiment two

    消融實驗的結(jié)果如表4所示,實驗一與實驗二結(jié)果表明,輕量級骨干網(wǎng)絡(luò)L-CSPDarkNet構(gòu)成的網(wǎng)絡(luò)結(jié)構(gòu),相比于原始的YOLOv4算法mAP下降了2.81個百分點,F(xiàn)PS提高到74.8,是原始YOLOv4的2.14倍,計算量BFLOPS為9.318是原始YOLOv4的10.3%,犧牲少量精度而獲得速度的較大提升,可見本文算法提出的輕量級骨干網(wǎng)絡(luò)L-CSPDarkNet可用于實時檢測任務。實驗二和實驗三的實驗數(shù)據(jù)顯示,在輕量級骨干網(wǎng)絡(luò)上添加Light-FEB模塊后mAP提高了4.82個百分點,F(xiàn)PS下降0.9,證明Light-FEB可在提高精度的同時不對速度造成較大影響。實驗四和實驗二的測試數(shù)據(jù)顯示,在輕量級骨干網(wǎng)絡(luò)網(wǎng)絡(luò)上添加多尺度注意力機制Multi-Scale-Sam后mAP提高3.16個百分點,F(xiàn)PS下降4,證明多尺度注意機制Multi-Scale-Sam在提取多尺度目標的特征方面具有優(yōu)勢。實驗五表明添加Light-FEB和Multi-Scale-Sam的mAP比實驗二提高6.36個百分點,且FPS值下降5.1。綜上,本文所提方法在mAP和FPS上均有不錯的表現(xiàn),所占用計算資源大幅降低,適用于自然環(huán)境下人臉口罩規(guī)范佩戴的實時檢測任務,可部署應用在計算資源有限的設(shè)備上。

    表4 消融實驗Table 4 Ablation Experiment

    為驗證本文提出的多尺度空間注意力機制Multi-Scale-Sam的有效性,將實驗二的網(wǎng)絡(luò)結(jié)構(gòu)圖中CBL模塊①分別替換成Sam、Point-Sam和Multi-Scale-Sam后進行實驗,并將未加任何注意力機制的實驗二(No attention)作為對照進行分析。實驗結(jié)果如表5所示,結(jié)果表明,相較于未加任何注意力的實驗二,采用多尺度注意力機制Multi-Scale-Sam的mAP提高3.16個百分點,采用Sam的mAP提高1.31個百分點,采用Point-Sam的mAP下降0.02個百分點。上述結(jié)果證明了多尺度注意力機制Multi-Scale-Sam的有效性,且其在多尺度目標上特征提取能力更好。

    表5 不同注意力機制對比Table 5 Comparison of different attention mechanisms

    通過對測試集的檢測結(jié)果進行分析得到如表6所示的YOLOv4和本文方法的誤檢率,數(shù)據(jù)表明,本文方法的Mask誤檢率、Nomask誤檢率和Badmask誤檢率分別比YOLOv4低2.86、2.85和3.21個百分點。

    表6 YOLOv4和本文方法的誤檢率對比Table 6 False detection rate comparison between YOLOv4 and proposed algorithm

    為進一步驗證本文算法在自然環(huán)境下的檢測效果,從測試集中隨機選擇4張圖片進行測試。結(jié)果如圖9所示,本文算法在自然環(huán)境下對規(guī)范佩戴口罩的人臉、不規(guī)范佩戴口罩的人臉、沒有佩戴口罩人臉檢測到的正確個數(shù)和YOLOv4基本一致,且本文方法檢測的置信度高于YOLOv4,誤檢情況也有所改善。除此之外如表4所示,本文算法的檢測速度(FPS)、計算量(BFLOPS)都明顯優(yōu)于YOLOv4,故本文方法總體優(yōu)于YOLOv4,可更好地應用于自然環(huán)境下實時人臉口罩檢測與規(guī)范佩戴識別。

    圖9 檢測效果對比Fig.9 Comparison of detection results

    3 結(jié)束語

    本文提出一種高效的自然環(huán)境下實時人臉口罩檢測與規(guī)范佩戴識別方法。一方面針對YOLOv4算法模型過大,運行內(nèi)存占用量過高,精心設(shè)計了輕量級的骨干網(wǎng)絡(luò)L-CSPDarkNet。另一方面,針對自然環(huán)境下目標多尺度、場景復雜等難題,引入輕量級特征增強模塊Light-FEB和多尺度注意力機制Multi-Scale-Sam。實驗結(jié)果表明,本文方法在自然環(huán)境下檢測人臉口罩的準確度優(yōu)于YOLOv4,檢測速度也有明顯的優(yōu)勢,可以更好地應用到檢測服務中。

    猜你喜歡
    人臉口罩尺度
    有特點的人臉
    財產(chǎn)的五大尺度和五重應對
    戴口罩的苦與樂
    意林(2020年9期)2020-06-01 07:26:22
    因為一個口罩,我決定離婚了
    海峽姐妹(2020年4期)2020-05-30 13:00:08
    霧霾口罩
    三國漫——人臉解鎖
    動漫星空(2018年9期)2018-10-26 01:17:14
    要戴口罩的霧霾天
    宇宙的尺度
    太空探索(2016年5期)2016-07-12 15:17:55
    馬面部與人臉相似度驚人
    9
    久久久久久久久大av| 久久精品久久久久久噜噜老黄| 一本色道久久久久久精品综合| 黄片wwwwww| 国产精品av视频在线免费观看| 哪个播放器可以免费观看大片| 国产精品无大码| 黄片无遮挡物在线观看| 亚洲国产欧美在线一区| 亚洲内射少妇av| 免费观看无遮挡的男女| 亚洲av免费高清在线观看| 欧美丝袜亚洲另类| 国产亚洲av片在线观看秒播厂| 免费人成在线观看视频色| 欧美激情久久久久久爽电影| 亚洲av中文av极速乱| 美女主播在线视频| 99九九线精品视频在线观看视频| 亚洲精品日本国产第一区| 蜜桃亚洲精品一区二区三区| 欧美潮喷喷水| 你懂的网址亚洲精品在线观看| 午夜福利在线在线| 自拍欧美九色日韩亚洲蝌蚪91 | 精品熟女少妇av免费看| 亚洲精品成人久久久久久| 五月玫瑰六月丁香| 六月丁香七月| 97精品久久久久久久久久精品| 国产精品久久久久久久久免| 免费看不卡的av| 精品国产露脸久久av麻豆| 欧美精品人与动牲交sv欧美| 日韩大片免费观看网站| 卡戴珊不雅视频在线播放| 亚洲成人久久爱视频| 国产91av在线免费观看| 乱系列少妇在线播放| 欧美激情国产日韩精品一区| 精品午夜福利在线看| 如何舔出高潮| 亚洲最大成人手机在线| 欧美性感艳星| 精品久久久久久久久亚洲| 看免费成人av毛片| 免费黄频网站在线观看国产| 99热这里只有是精品在线观看| 午夜福利视频精品| 久久ye,这里只有精品| 国产欧美另类精品又又久久亚洲欧美| 中文天堂在线官网| 国产色爽女视频免费观看| 2021天堂中文幕一二区在线观| 三级国产精品欧美在线观看| 欧美潮喷喷水| 男男h啪啪无遮挡| 一边亲一边摸免费视频| 男的添女的下面高潮视频| 99re6热这里在线精品视频| 精品少妇黑人巨大在线播放| 人妻 亚洲 视频| 97在线人人人人妻| 国产在视频线精品| 好男人在线观看高清免费视频| 啦啦啦中文免费视频观看日本| 亚洲,一卡二卡三卡| 观看美女的网站| 少妇猛男粗大的猛烈进出视频 | 欧美成人精品欧美一级黄| 99热这里只有精品一区| 乱码一卡2卡4卡精品| 秋霞伦理黄片| 免费大片黄手机在线观看| av在线观看视频网站免费| 日本猛色少妇xxxxx猛交久久| 99久久精品国产国产毛片| 亚洲久久久久久中文字幕| 国产探花极品一区二区| 亚洲真实伦在线观看| 麻豆国产97在线/欧美| 成年人午夜在线观看视频| 亚洲人成网站高清观看| 国产爱豆传媒在线观看| 超碰av人人做人人爽久久| 在线免费观看不下载黄p国产| 日韩一区二区视频免费看| 亚洲第一区二区三区不卡| 国产成年人精品一区二区| 欧美日韩国产mv在线观看视频 | 白带黄色成豆腐渣| 国产精品久久久久久精品电影| 69av精品久久久久久| 久久久久久久国产电影| 精品国产一区二区三区久久久樱花 | 国产亚洲一区二区精品| 日韩国内少妇激情av| 午夜福利在线在线| 国产免费视频播放在线视频| 亚洲图色成人| 日本免费在线观看一区| 国产精品久久久久久精品电影| 美女内射精品一级片tv| 99热这里只有是精品50| freevideosex欧美| 色视频在线一区二区三区| 在线免费观看不下载黄p国产| 小蜜桃在线观看免费完整版高清| 国产乱人视频| 日韩av免费高清视频| 日韩av免费高清视频| 亚洲精品国产色婷婷电影| 亚洲av一区综合| 精品午夜福利在线看| 亚洲,一卡二卡三卡| 亚洲国产最新在线播放| 国产黄色视频一区二区在线观看| 在线亚洲精品国产二区图片欧美 | 观看免费一级毛片| 国产免费又黄又爽又色| 日韩在线高清观看一区二区三区| 亚洲精品一二三| 白带黄色成豆腐渣| 熟女电影av网| 欧美精品一区二区大全| 亚洲精品久久久久久婷婷小说| 免费观看a级毛片全部| 免费电影在线观看免费观看| 视频中文字幕在线观看| 日本黄色片子视频| 一个人看的www免费观看视频| 高清日韩中文字幕在线| 秋霞在线观看毛片| 亚洲无线观看免费| 亚洲国产av新网站| 人妻少妇偷人精品九色| 十八禁网站网址无遮挡 | 只有这里有精品99| 欧美激情在线99| 九九爱精品视频在线观看| av天堂中文字幕网| 久久久久久国产a免费观看| 99热全是精品| 在线精品无人区一区二区三 | 丝袜美腿在线中文| 午夜精品一区二区三区免费看| 人妻夜夜爽99麻豆av| 国产精品三级大全| 男人狂女人下面高潮的视频| 亚洲成人av在线免费| 一级毛片 在线播放| 18禁裸乳无遮挡免费网站照片| 老师上课跳d突然被开到最大视频| 国产有黄有色有爽视频| 国产成人精品婷婷| 国产中年淑女户外野战色| 免费av观看视频| 国产精品偷伦视频观看了| 在线观看美女被高潮喷水网站| 国产精品久久久久久精品古装| 日本熟妇午夜| 少妇的逼好多水| 最近的中文字幕免费完整| 日韩在线高清观看一区二区三区| 精品久久久久久久久亚洲| 精品久久久久久久末码| 可以在线观看毛片的网站| 亚洲精品自拍成人| 亚洲av一区综合| 91精品国产九色| 十八禁网站网址无遮挡 | 国产永久视频网站| 亚洲,一卡二卡三卡| 伊人久久国产一区二区| 在线观看av片永久免费下载| 在线观看免费高清a一片| 老师上课跳d突然被开到最大视频| 三级国产精品欧美在线观看| 男女国产视频网站| 女人被狂操c到高潮| 高清视频免费观看一区二区| 最近最新中文字幕免费大全7| 国产精品嫩草影院av在线观看| 国产成人午夜福利电影在线观看| 日本wwww免费看| 高清欧美精品videossex| a级一级毛片免费在线观看| 日本与韩国留学比较| 在线观看免费高清a一片| 日本一本二区三区精品| 男女边摸边吃奶| 久久综合国产亚洲精品| 最近最新中文字幕大全电影3| 国产爱豆传媒在线观看| av国产久精品久网站免费入址| 国产色爽女视频免费观看| freevideosex欧美| 性插视频无遮挡在线免费观看| 中文在线观看免费www的网站| 亚洲av欧美aⅴ国产| 欧美日韩视频高清一区二区三区二| 亚洲精品乱码久久久v下载方式| 国产老妇女一区| 亚洲欧洲日产国产| 成年av动漫网址| 一级毛片黄色毛片免费观看视频| 99九九线精品视频在线观看视频| 国产一区有黄有色的免费视频| 日韩av不卡免费在线播放| 亚洲色图综合在线观看| 免费少妇av软件| 免费看a级黄色片| 国产成人免费无遮挡视频| 亚洲天堂国产精品一区在线| 日产精品乱码卡一卡2卡三| 欧美zozozo另类| 亚洲人成网站高清观看| 国产精品无大码| 一级毛片我不卡| 成人综合一区亚洲| 看非洲黑人一级黄片| 性色avwww在线观看| 波多野结衣巨乳人妻| 国产黄频视频在线观看| 一本一本综合久久| 免费看光身美女| 97超视频在线观看视频| 日韩一区二区三区影片| 全区人妻精品视频| 久久精品综合一区二区三区| 国产精品久久久久久久久免| 成年女人看的毛片在线观看| 18禁在线播放成人免费| 在线观看人妻少妇| 国产一区二区三区av在线| 亚洲高清免费不卡视频| kizo精华| 18禁裸乳无遮挡动漫免费视频 | 视频区图区小说| 大香蕉97超碰在线| 国产毛片在线视频| 爱豆传媒免费全集在线观看| 日本黄色片子视频| 大话2 男鬼变身卡| 亚洲av一区综合| 国产综合懂色| av免费观看日本| 亚洲精品国产av成人精品| 欧美日本视频| 亚洲国产精品专区欧美| 欧美3d第一页| 永久网站在线| 国产av国产精品国产| 日本一本二区三区精品| 久久国产乱子免费精品| 在线 av 中文字幕| 网址你懂的国产日韩在线| 国产亚洲91精品色在线| 女人被狂操c到高潮| 免费观看在线日韩| 色播亚洲综合网| 亚洲人成网站高清观看| 3wmmmm亚洲av在线观看| 99热全是精品| 两个人的视频大全免费| 久久韩国三级中文字幕| 小蜜桃在线观看免费完整版高清| 日日撸夜夜添| 中文字幕制服av| 午夜日本视频在线| 国产美女午夜福利| 一级毛片黄色毛片免费观看视频| 好男人视频免费观看在线| 久久久久久久久久成人| av在线天堂中文字幕| 男人添女人高潮全过程视频| 爱豆传媒免费全集在线观看| 久久精品国产a三级三级三级| 2022亚洲国产成人精品| 97精品久久久久久久久久精品| 国产精品久久久久久久电影| 欧美成人a在线观看| 伦精品一区二区三区| 2018国产大陆天天弄谢| 国产成人a区在线观看| 国产伦精品一区二区三区视频9| 美女高潮的动态| 午夜福利高清视频| 好男人在线观看高清免费视频| .国产精品久久| 国产综合精华液| 午夜视频国产福利| 久久久久久国产a免费观看| 免费黄频网站在线观看国产| 高清日韩中文字幕在线| 99热这里只有精品一区| 男女下面进入的视频免费午夜| 久久精品国产亚洲网站| 亚洲精品亚洲一区二区| 狂野欧美白嫩少妇大欣赏| 全区人妻精品视频| 日韩免费高清中文字幕av| 日韩,欧美,国产一区二区三区| 亚洲最大成人av| 国产色婷婷99| 国产男人的电影天堂91| 国产色爽女视频免费观看| 亚洲av成人精品一二三区| 亚洲成人一二三区av| 天天躁夜夜躁狠狠久久av| 久久韩国三级中文字幕| 夜夜爽夜夜爽视频| 久久久午夜欧美精品| 欧美97在线视频| 一级毛片 在线播放| 久久久久精品性色| 午夜福利高清视频| 91在线精品国自产拍蜜月| 国产爽快片一区二区三区| 深夜a级毛片| videossex国产| 国产淫语在线视频| 一本色道久久久久久精品综合| 亚洲国产精品成人久久小说| 亚洲国产日韩一区二区| 超碰av人人做人人爽久久| 亚洲av在线观看美女高潮| 成年女人看的毛片在线观看| 超碰97精品在线观看| 色综合色国产| 亚洲国产欧美在线一区| 亚洲av成人精品一区久久| 精品国产露脸久久av麻豆| 国产亚洲午夜精品一区二区久久 | 久久精品久久久久久噜噜老黄| 色婷婷久久久亚洲欧美| 亚洲精品aⅴ在线观看| 欧美一区二区亚洲| 亚洲天堂国产精品一区在线| 日本wwww免费看| 在线免费十八禁| 日日摸夜夜添夜夜添av毛片| 亚洲精品亚洲一区二区| 亚洲欧美日韩另类电影网站 | 亚洲丝袜综合中文字幕| 黄片无遮挡物在线观看| 春色校园在线视频观看| 免费观看在线日韩| 观看美女的网站| 久久久久久久久久成人| 免费不卡的大黄色大毛片视频在线观看| 国产人妻一区二区三区在| 久久久精品免费免费高清| 一边亲一边摸免费视频| 中文字幕制服av| 国产成人精品久久久久久| 国语对白做爰xxxⅹ性视频网站| 国产在线男女| 精品国产三级普通话版| 亚洲不卡免费看| 三级国产精品欧美在线观看| 啦啦啦中文免费视频观看日本| 欧美+日韩+精品| 免费电影在线观看免费观看| 美女高潮的动态| 亚洲欧美精品专区久久| 午夜老司机福利剧场| 美女脱内裤让男人舔精品视频| 男女国产视频网站| 亚洲天堂国产精品一区在线| 七月丁香在线播放| 99热这里只有是精品在线观看| 高清午夜精品一区二区三区| 婷婷色综合www| 国产精品国产av在线观看| 久久久久精品久久久久真实原创| 国产精品久久久久久久久免| 在线看a的网站| 校园人妻丝袜中文字幕| 国产欧美亚洲国产| 丰满乱子伦码专区| av在线天堂中文字幕| 国产精品人妻久久久久久| 又大又黄又爽视频免费| 久久精品国产a三级三级三级| 亚洲精品久久久久久婷婷小说| 亚洲婷婷狠狠爱综合网| 色网站视频免费| 激情 狠狠 欧美| 新久久久久国产一级毛片| 国产精品久久久久久精品电影| 国产乱来视频区| 在线天堂最新版资源| 插阴视频在线观看视频| 国产一区二区三区综合在线观看 | 精品人妻偷拍中文字幕| 少妇猛男粗大的猛烈进出视频 | 免费观看av网站的网址| 婷婷色综合大香蕉| 男人狂女人下面高潮的视频| 国产爱豆传媒在线观看| 国产中年淑女户外野战色| 国产黄片美女视频| 亚洲国产欧美人成| 波多野结衣巨乳人妻| 亚洲国产精品专区欧美| 麻豆精品久久久久久蜜桃| 亚洲真实伦在线观看| 日本一二三区视频观看| 91狼人影院| 国产成年人精品一区二区| 国产精品伦人一区二区| 亚洲精品成人久久久久久| 国产精品久久久久久精品电影小说 | 夜夜爽夜夜爽视频| 欧美bdsm另类| 九九爱精品视频在线观看| 中文字幕av成人在线电影| 啦啦啦中文免费视频观看日本| 白带黄色成豆腐渣| 欧美一区二区亚洲| 欧美潮喷喷水| 青春草亚洲视频在线观看| 久久久久久久亚洲中文字幕| 中文精品一卡2卡3卡4更新| 国产精品蜜桃在线观看| 亚洲精品自拍成人| 如何舔出高潮| 亚洲欧美精品专区久久| 免费黄网站久久成人精品| 天天躁夜夜躁狠狠久久av| 天堂俺去俺来也www色官网| 日本-黄色视频高清免费观看| 综合色丁香网| 国产欧美亚洲国产| 国产精品爽爽va在线观看网站| 国产乱人偷精品视频| 亚洲一级一片aⅴ在线观看| 又爽又黄无遮挡网站| 亚洲第一区二区三区不卡| 熟女人妻精品中文字幕| 国产老妇女一区| 国产成人免费观看mmmm| 真实男女啪啪啪动态图| 亚洲国产精品专区欧美| 中文字幕久久专区| 亚洲国产av新网站| 精品99又大又爽又粗少妇毛片| 我的女老师完整版在线观看| 香蕉精品网在线| 久久久精品免费免费高清| 波野结衣二区三区在线| 一区二区av电影网| 春色校园在线视频观看| 日本欧美国产在线视频| 大又大粗又爽又黄少妇毛片口| 全区人妻精品视频| 一本色道久久久久久精品综合| 久久久久九九精品影院| 欧美97在线视频| 中文字幕av成人在线电影| 日本猛色少妇xxxxx猛交久久| 亚洲欧美中文字幕日韩二区| 亚洲丝袜综合中文字幕| 如何舔出高潮| 免费av不卡在线播放| 七月丁香在线播放| 高清欧美精品videossex| 国产日韩欧美在线精品| 欧美日韩一区二区视频在线观看视频在线 | 中文在线观看免费www的网站| 九九在线视频观看精品| 亚洲自拍偷在线| 又大又黄又爽视频免费| 成年人午夜在线观看视频| 日韩欧美一区视频在线观看 | 国产一区二区三区av在线| 简卡轻食公司| 国产又色又爽无遮挡免| 精品久久久久久久久亚洲| 高清欧美精品videossex| 久久精品国产亚洲av天美| 亚洲欧美日韩东京热| 久久综合国产亚洲精品| 直男gayav资源| 亚洲成人精品中文字幕电影| 五月天丁香电影| 国产精品成人在线| 欧美xxxx性猛交bbbb| 欧美日韩综合久久久久久| 欧美激情在线99| 国产一区二区三区综合在线观看 | 日韩欧美精品v在线| 51国产日韩欧美| 日本午夜av视频| 韩国高清视频一区二区三区| 国产伦精品一区二区三区视频9| 亚洲人成网站在线播| 欧美亚洲 丝袜 人妻 在线| 日本三级黄在线观看| 中文欧美无线码| 日韩 亚洲 欧美在线| 久久久午夜欧美精品| 大片免费播放器 马上看| 精品久久久噜噜| 欧美日韩精品成人综合77777| 亚洲国产精品成人综合色| av在线app专区| 永久免费av网站大全| 激情 狠狠 欧美| 免费看日本二区| 高清午夜精品一区二区三区| 日韩制服骚丝袜av| 国产久久久一区二区三区| 一个人看的www免费观看视频| 国产成年人精品一区二区| 国产亚洲一区二区精品| 日本-黄色视频高清免费观看| 日韩免费高清中文字幕av| 国产欧美日韩精品一区二区| 国产 一区精品| 美女内射精品一级片tv| 国产毛片a区久久久久| 毛片女人毛片| 美女脱内裤让男人舔精品视频| 欧美zozozo另类| 人人妻人人爽人人添夜夜欢视频 | 好男人视频免费观看在线| 中文天堂在线官网| 亚洲欧美中文字幕日韩二区| 精品熟女少妇av免费看| 国产在视频线精品| 国产成人精品久久久久久| 一级av片app| 久久精品人妻少妇| 中文字幕亚洲精品专区| 最新中文字幕久久久久| 极品教师在线视频| 一级a做视频免费观看| 久久精品熟女亚洲av麻豆精品| 天美传媒精品一区二区| 欧美激情久久久久久爽电影| 在线 av 中文字幕| 午夜福利网站1000一区二区三区| 欧美xxxx黑人xx丫x性爽| 最近中文字幕2019免费版| a级毛色黄片| av在线观看视频网站免费| 国产 一区 欧美 日韩| 亚洲国产精品专区欧美| 日本三级黄在线观看| 噜噜噜噜噜久久久久久91| a级一级毛片免费在线观看| 亚洲高清免费不卡视频| 三级男女做爰猛烈吃奶摸视频| 最近2019中文字幕mv第一页| 亚洲精品乱码久久久久久按摩| 国产乱人偷精品视频| 美女国产视频在线观看| 国产久久久一区二区三区| 日韩伦理黄色片| 直男gayav资源| av在线天堂中文字幕| 色5月婷婷丁香| 在现免费观看毛片| av.在线天堂| 亚洲最大成人手机在线| 深夜a级毛片| 成人鲁丝片一二三区免费| 自拍欧美九色日韩亚洲蝌蚪91 | 久久久久精品久久久久真实原创| 日韩一区二区视频免费看| 欧美少妇被猛烈插入视频| 国产精品不卡视频一区二区| 久久久精品94久久精品| 亚洲精品一二三| 亚洲最大成人手机在线| 我的老师免费观看完整版| 九九爱精品视频在线观看| 99久久精品热视频| 青春草国产在线视频| 精品午夜福利在线看| 日韩电影二区| 欧美xxxx黑人xx丫x性爽| 日本-黄色视频高清免费观看| 一级av片app| 日韩伦理黄色片| 免费av观看视频| 舔av片在线| 国产成人精品久久久久久| 性色avwww在线观看| 哪个播放器可以免费观看大片| 蜜桃亚洲精品一区二区三区| 日韩大片免费观看网站| 成人一区二区视频在线观看| av国产免费在线观看| 国产精品国产av在线观看| 亚洲av一区综合| 国产永久视频网站| 久久人人爽人人片av| 大码成人一级视频| 另类亚洲欧美激情| 国产在视频线精品| 1000部很黄的大片| 国产淫片久久久久久久久| 亚洲精品久久久久久婷婷小说| 国产精品嫩草影院av在线观看| 日韩不卡一区二区三区视频在线| 亚洲精品乱码久久久v下载方式| 久久ye,这里只有精品| 欧美激情国产日韩精品一区| 亚洲欧美一区二区三区国产| 2022亚洲国产成人精品| 亚洲三级黄色毛片| 久久久精品94久久精品|