• <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
    波多野结衣高清作品| 国产真人三级小视频在线观看| 国产伦人伦偷精品视频| 亚洲国产中文字幕在线视频| 最好的美女福利视频网| 男女视频在线观看网站免费 | 亚洲精品粉嫩美女一区| 国产一卡二卡三卡精品| 亚洲熟女毛片儿| 精品一区二区三区av网在线观看| 熟女少妇亚洲综合色aaa.| 亚洲一区高清亚洲精品| 免费高清视频大片| 久久国产精品影院| 人人妻人人看人人澡| 人妻丰满熟妇av一区二区三区| 午夜久久久在线观看| 久久草成人影院| 麻豆成人午夜福利视频| 99国产精品一区二区蜜桃av| 欧美激情极品国产一区二区三区| 哪里可以看免费的av片| 日韩成人在线观看一区二区三区| 中文资源天堂在线| 婷婷丁香在线五月| www国产在线视频色| 久久性视频一级片| 欧美人与性动交α欧美精品济南到| 久久午夜亚洲精品久久| 国产av又大| 日本一区二区免费在线视频| 国产成人av教育| 夜夜夜夜夜久久久久| 国产成人欧美在线观看| 操出白浆在线播放| 国产亚洲欧美98| 国产成人av教育| 婷婷亚洲欧美| 日日干狠狠操夜夜爽| 免费女性裸体啪啪无遮挡网站| 一个人免费在线观看的高清视频| 欧美黑人欧美精品刺激| 精品国产美女av久久久久小说| 日本 av在线| 国产精品久久久人人做人人爽| 亚洲精品美女久久久久99蜜臀| 十八禁网站免费在线| 亚洲精品色激情综合| 色综合站精品国产| 免费av毛片视频| 亚洲精品粉嫩美女一区| 亚洲精品美女久久av网站| 变态另类丝袜制服| av有码第一页| 免费在线观看完整版高清| 妹子高潮喷水视频| 老司机靠b影院| 精品国产超薄肉色丝袜足j| 久久久久久九九精品二区国产 | 国产精品野战在线观看| 中文字幕高清在线视频| svipshipincom国产片| 成年免费大片在线观看| 中文字幕人妻熟女乱码| 国产视频内射| 99在线人妻在线中文字幕| 国产爱豆传媒在线观看 | 精品久久久久久成人av| 亚洲av电影不卡..在线观看| 十分钟在线观看高清视频www| 亚洲五月婷婷丁香| 欧美成人性av电影在线观看| 91国产中文字幕| 精品熟女少妇八av免费久了| 两性夫妻黄色片| 1024视频免费在线观看| 免费看十八禁软件| 国产亚洲欧美在线一区二区| 精品国产美女av久久久久小说| 精品少妇一区二区三区视频日本电影| 黄色毛片三级朝国网站| 欧美久久黑人一区二区| 国产又黄又爽又无遮挡在线| av片东京热男人的天堂| 亚洲精品中文字幕一二三四区| 国产精品爽爽va在线观看网站 | 日韩精品免费视频一区二区三区| 一二三四在线观看免费中文在| 又黄又爽又免费观看的视频| 国产成人精品久久二区二区免费| 久久这里只有精品19| 免费看美女性在线毛片视频| 一级a爱片免费观看的视频| 夜夜看夜夜爽夜夜摸| 中文字幕精品免费在线观看视频| 国产1区2区3区精品| 中文字幕av电影在线播放| netflix在线观看网站| 桃色一区二区三区在线观看| 午夜成年电影在线免费观看| 精品午夜福利视频在线观看一区| 成人18禁在线播放| 黄色视频不卡| bbb黄色大片| 制服丝袜大香蕉在线| 国产又色又爽无遮挡免费看| 亚洲国产精品合色在线| 久久青草综合色| 18禁黄网站禁片午夜丰满| av有码第一页| 女人高潮潮喷娇喘18禁视频| 一二三四在线观看免费中文在| 欧美日本视频| 色综合欧美亚洲国产小说| 久久午夜亚洲精品久久| 国产成人欧美在线观看| 久久人妻av系列| 成人18禁高潮啪啪吃奶动态图| 免费一级毛片在线播放高清视频| 亚洲国产日韩欧美精品在线观看 | 中文字幕高清在线视频| 久久性视频一级片| 国产高清有码在线观看视频 | 精品卡一卡二卡四卡免费| 人妻丰满熟妇av一区二区三区| 亚洲中文日韩欧美视频| 麻豆一二三区av精品| 激情在线观看视频在线高清| 亚洲中文字幕日韩| 欧美 亚洲 国产 日韩一| 欧美乱色亚洲激情| 老熟妇乱子伦视频在线观看| 中文字幕高清在线视频| 国产伦在线观看视频一区| 国产熟女xx| 亚洲一区中文字幕在线| 精品国产亚洲在线| 欧美又色又爽又黄视频| 99国产极品粉嫩在线观看| 韩国精品一区二区三区| 欧美在线黄色| 美女午夜性视频免费| 久久精品国产清高在天天线| 在线免费观看的www视频| 亚洲精品美女久久久久99蜜臀| 国产欧美日韩一区二区三| 亚洲真实伦在线观看| 成人三级黄色视频| 啦啦啦 在线观看视频| 母亲3免费完整高清在线观看| 制服人妻中文乱码| 国产国语露脸激情在线看| 欧美zozozo另类| 久久婷婷人人爽人人干人人爱| 国产乱人伦免费视频| 中文字幕av电影在线播放| svipshipincom国产片| 一边摸一边抽搐一进一小说| 香蕉丝袜av| 国产一区二区三区在线臀色熟女| 午夜福利欧美成人| 又黄又爽又免费观看的视频| 亚洲国产日韩欧美精品在线观看 | 久久国产乱子伦精品免费另类| 一级黄色大片毛片| 黑人操中国人逼视频| 久久久久精品国产欧美久久久| 亚洲人成伊人成综合网2020| 性色av乱码一区二区三区2| 亚洲av日韩精品久久久久久密| 欧美日韩中文字幕国产精品一区二区三区| 久久中文字幕人妻熟女| 国产精品久久久久久人妻精品电影| 午夜精品久久久久久毛片777| 国内精品久久久久久久电影| 国产成人啪精品午夜网站| 伦理电影免费视频| 成人永久免费在线观看视频| 欧美日本视频| 久久香蕉精品热| 12—13女人毛片做爰片一| 亚洲专区中文字幕在线| 最好的美女福利视频网| av中文乱码字幕在线| 1024香蕉在线观看| 香蕉av资源在线| 精品免费久久久久久久清纯| 男人的好看免费观看在线视频 | 国产精品久久视频播放| 国产真实乱freesex| 国产av又大| xxxwww97欧美| 9191精品国产免费久久| 精品国产超薄肉色丝袜足j| 一区二区日韩欧美中文字幕| 两个人视频免费观看高清| 成年女人毛片免费观看观看9| 亚洲一区二区三区不卡视频| 人人妻,人人澡人人爽秒播| 日本精品一区二区三区蜜桃| 一个人观看的视频www高清免费观看 | 人人妻人人看人人澡| 免费无遮挡裸体视频| 欧美亚洲日本最大视频资源| 丁香欧美五月| 国产一卡二卡三卡精品| 日韩av在线大香蕉| 日本撒尿小便嘘嘘汇集6| 真人做人爱边吃奶动态| 亚洲三区欧美一区| 国产成年人精品一区二区| 久久久久久久精品吃奶| 国产欧美日韩一区二区精品| 欧美大码av| 亚洲最大成人中文| 亚洲真实伦在线观看| 中文字幕另类日韩欧美亚洲嫩草| 女警被强在线播放| 高清在线国产一区| 欧美绝顶高潮抽搐喷水| 亚洲专区中文字幕在线| 老汉色av国产亚洲站长工具| 欧美色视频一区免费| 国产精品永久免费网站| www日本在线高清视频| 午夜福利在线在线| 美女高潮到喷水免费观看| 好男人在线观看高清免费视频 | 亚洲三区欧美一区| 亚洲全国av大片| 亚洲一区中文字幕在线| 国产精品国产高清国产av| 国产亚洲精品av在线| 免费在线观看视频国产中文字幕亚洲| 国产99久久九九免费精品| 日日摸夜夜添夜夜添小说| 亚洲天堂国产精品一区在线| 丰满人妻熟妇乱又伦精品不卡| 国产97色在线日韩免费| 成年免费大片在线观看| 可以在线观看的亚洲视频| 男人操女人黄网站| 非洲黑人性xxxx精品又粗又长| 可以在线观看的亚洲视频| 一进一出抽搐动态| 亚洲一卡2卡3卡4卡5卡精品中文| 午夜免费激情av| 日韩一卡2卡3卡4卡2021年| 黑人操中国人逼视频| 可以在线观看的亚洲视频| 日韩欧美在线二视频| 一本大道久久a久久精品| 成人三级黄色视频| 亚洲欧美一区二区三区黑人| 在线观看免费午夜福利视频| 亚洲男人的天堂狠狠| 国产激情偷乱视频一区二区| 欧美+亚洲+日韩+国产| 亚洲国产欧洲综合997久久, | 亚洲va日本ⅴa欧美va伊人久久| 午夜福利在线在线| 久久人妻福利社区极品人妻图片| 国内精品久久久久久久电影| 亚洲中文字幕一区二区三区有码在线看 | 亚洲国产精品成人综合色| 校园春色视频在线观看| 亚洲电影在线观看av| 女生性感内裤真人,穿戴方法视频| 黄色片一级片一级黄色片| 50天的宝宝边吃奶边哭怎么回事| 女人被狂操c到高潮| 国产亚洲精品久久久久5区| 日日干狠狠操夜夜爽| 欧洲精品卡2卡3卡4卡5卡区| 每晚都被弄得嗷嗷叫到高潮| 美女午夜性视频免费| 国产精品 国内视频| 国内精品久久久久久久电影| 中文字幕精品免费在线观看视频| 午夜福利18| 黄频高清免费视频| 欧美一级a爱片免费观看看 | 久热爱精品视频在线9| 国产精品久久久久久亚洲av鲁大| 俄罗斯特黄特色一大片| 久久这里只有精品19| 色老头精品视频在线观看| 免费在线观看影片大全网站| 亚洲人成电影免费在线| 亚洲男人的天堂狠狠| 亚洲国产日韩欧美精品在线观看 | 久久婷婷成人综合色麻豆| 亚洲精品国产精品久久久不卡| 最新在线观看一区二区三区| 国产精品99久久99久久久不卡| 国产在线观看jvid| 成人午夜高清在线视频 | av中文乱码字幕在线| 国产精品九九99| 99久久国产精品久久久| 免费一级毛片在线播放高清视频| 最好的美女福利视频网| 18美女黄网站色大片免费观看| 一级毛片女人18水好多| 精品一区二区三区视频在线观看免费| 老汉色av国产亚洲站长工具| x7x7x7水蜜桃| 免费一级毛片在线播放高清视频| 精品人妻1区二区| 午夜福利免费观看在线| 黄色片一级片一级黄色片| 精品久久久久久久久久久久久 | 亚洲中文字幕日韩| 久久精品aⅴ一区二区三区四区| 国产精品 国内视频| 亚洲欧洲精品一区二区精品久久久| 国产亚洲av高清不卡| 欧美午夜高清在线| 一本一本综合久久| 亚洲午夜理论影院| 午夜福利18| 久久精品91无色码中文字幕| 亚洲在线自拍视频| 91字幕亚洲| 极品教师在线免费播放| 十分钟在线观看高清视频www| 亚洲国产精品合色在线| 亚洲激情在线av| 日本一区二区免费在线视频| 看片在线看免费视频| 亚洲精品一区av在线观看| 黑丝袜美女国产一区| e午夜精品久久久久久久| 看片在线看免费视频| 99国产极品粉嫩在线观看| 夜夜爽天天搞| 中文在线观看免费www的网站 | 搞女人的毛片| 少妇被粗大的猛进出69影院| 国产av又大| 国产高清videossex| 欧美亚洲日本最大视频资源| 日韩三级视频一区二区三区| 国产精品久久视频播放| 免费一级毛片在线播放高清视频| 2021天堂中文幕一二区在线观 | 亚洲最大成人中文| 男女床上黄色一级片免费看| 午夜免费激情av| 久久久久久久久中文| 亚洲全国av大片| 亚洲av电影在线进入| 久久久久国产一级毛片高清牌| 一级毛片女人18水好多| 色老头精品视频在线观看| 午夜福利一区二区在线看| 99精品久久久久人妻精品| 国产99久久九九免费精品| 精品福利观看| 一二三四社区在线视频社区8| a级毛片在线看网站| 91大片在线观看| 亚洲av成人不卡在线观看播放网| 国产成人精品无人区| 可以在线观看毛片的网站| 深夜精品福利| 麻豆成人午夜福利视频| 欧美日韩精品网址| av在线天堂中文字幕| 精品国产国语对白av| 一个人免费在线观看的高清视频| 中文字幕高清在线视频| 午夜福利免费观看在线| 午夜日韩欧美国产| 极品教师在线免费播放| av电影中文网址| 国内毛片毛片毛片毛片毛片| 女人爽到高潮嗷嗷叫在线视频| av有码第一页| 搡老熟女国产l中国老女人| 久久久国产精品麻豆| 成人精品一区二区免费| a级毛片a级免费在线| 黑人操中国人逼视频| 美女高潮到喷水免费观看| 亚洲av中文字字幕乱码综合 | 搡老熟女国产l中国老女人| 90打野战视频偷拍视频| 成人永久免费在线观看视频| 欧美zozozo另类| 老司机在亚洲福利影院| 精品久久久久久久末码| 黄色a级毛片大全视频| 国产欧美日韩一区二区精品| 久久久国产精品麻豆| 可以在线观看的亚洲视频| 一本综合久久免费| 欧美午夜高清在线| 久久这里只有精品19| 国产精品1区2区在线观看.| 成人免费观看视频高清| 中文字幕最新亚洲高清| www日本在线高清视频| 少妇粗大呻吟视频| 久久久久久免费高清国产稀缺| or卡值多少钱| 国产久久久一区二区三区| 欧美日韩黄片免| 成在线人永久免费视频| 久久伊人香网站| 亚洲三区欧美一区| 91av网站免费观看| 观看免费一级毛片| 最好的美女福利视频网| 俺也久久电影网| 欧美性长视频在线观看| 波多野结衣高清作品| www.精华液| 老熟妇仑乱视频hdxx| 两个人视频免费观看高清| 色播在线永久视频| 国产欧美日韩精品亚洲av| 国产v大片淫在线免费观看| ponron亚洲| 亚洲精华国产精华精| 啦啦啦观看免费观看视频高清| 亚洲美女黄片视频| 青草久久国产| 在线观看66精品国产| 国产午夜精品久久久久久| 欧美另类亚洲清纯唯美| 久久久久久人人人人人| 久久久久国内视频| 精品国内亚洲2022精品成人| 国产一区在线观看成人免费| 在线看三级毛片| 男人舔女人的私密视频| 精品欧美国产一区二区三| 一边摸一边做爽爽视频免费| cao死你这个sao货| 国产精品野战在线观看| 国产av一区二区精品久久| 日韩欧美 国产精品| www日本黄色视频网| 亚洲欧美激情综合另类| 亚洲一区二区三区色噜噜| a级毛片在线看网站| 国产精品亚洲美女久久久| 长腿黑丝高跟| 精品久久久久久久久久免费视频| 日本 av在线| 久久精品国产99精品国产亚洲性色| 色哟哟哟哟哟哟| 亚洲aⅴ乱码一区二区在线播放 | 国产国语露脸激情在线看| 久热爱精品视频在线9| 国产私拍福利视频在线观看| 成人三级做爰电影| 性欧美人与动物交配| 亚洲成人免费电影在线观看| 嫩草影院精品99| 午夜免费鲁丝| 波多野结衣av一区二区av| bbb黄色大片| 美女国产高潮福利片在线看| 成人亚洲精品一区在线观看| 可以在线观看毛片的网站| 88av欧美| 两个人看的免费小视频| 亚洲精品久久成人aⅴ小说| 午夜福利成人在线免费观看| 精品久久久久久久久久久久久 | 一本综合久久免费| 欧美日韩黄片免| 国产精品日韩av在线免费观看| 色综合欧美亚洲国产小说| 不卡一级毛片| 性色av乱码一区二区三区2| 老司机福利观看| 精品国产亚洲在线| 亚洲七黄色美女视频| 中文字幕久久专区| 18禁国产床啪视频网站| www.熟女人妻精品国产| av欧美777| 天堂√8在线中文| 黄色丝袜av网址大全| 老熟妇乱子伦视频在线观看| 国产精品爽爽va在线观看网站 | 老熟妇乱子伦视频在线观看| 在线永久观看黄色视频| 中文字幕人妻熟女乱码| 久热爱精品视频在线9| 亚洲狠狠婷婷综合久久图片| 中文在线观看免费www的网站 | 日韩 欧美 亚洲 中文字幕| 国产精品美女特级片免费视频播放器 | 午夜福利高清视频| 欧美日韩中文字幕国产精品一区二区三区| 欧美色欧美亚洲另类二区| 一边摸一边做爽爽视频免费| 午夜福利在线观看吧| 国产伦一二天堂av在线观看| 91成年电影在线观看| 人妻丰满熟妇av一区二区三区| 亚洲,欧美精品.| 中文在线观看免费www的网站 | 国产蜜桃级精品一区二区三区| 欧美丝袜亚洲另类 | 欧美午夜高清在线| 日韩有码中文字幕| 国产精品98久久久久久宅男小说| 成在线人永久免费视频| 我的亚洲天堂| 啦啦啦 在线观看视频| 免费在线观看日本一区| 99热只有精品国产| 啦啦啦观看免费观看视频高清| 女生性感内裤真人,穿戴方法视频| 国产精品电影一区二区三区| 久久久久久久午夜电影| 99国产精品99久久久久| 亚洲熟妇熟女久久| 国产精品一区二区免费欧美| 一进一出好大好爽视频| 国产亚洲欧美精品永久| 国产三级在线视频| 国产亚洲欧美98| 人人妻人人澡欧美一区二区| 久久久国产成人精品二区| 久久久国产欧美日韩av| 桃色一区二区三区在线观看| 男女午夜视频在线观看| 欧美中文日本在线观看视频| 美女免费视频网站| 特大巨黑吊av在线直播 | av福利片在线| 97碰自拍视频| 日韩一卡2卡3卡4卡2021年| 每晚都被弄得嗷嗷叫到高潮| 久久久久国内视频| 一级a爱视频在线免费观看| 日韩高清综合在线| 999精品在线视频| 国产成人av教育| www.自偷自拍.com| e午夜精品久久久久久久| 国内少妇人妻偷人精品xxx网站 | 在线观看免费视频日本深夜| 欧美zozozo另类| 在线观看66精品国产| 亚洲av美国av| √禁漫天堂资源中文www| 午夜免费观看网址| 欧美大码av| 国产蜜桃级精品一区二区三区| 制服人妻中文乱码| 久久精品影院6| 麻豆一二三区av精品| 日韩视频一区二区在线观看| 国产亚洲精品综合一区在线观看 | 午夜亚洲福利在线播放| 欧美性长视频在线观看| 黄频高清免费视频| 手机成人av网站| 亚洲av熟女| 国产精品亚洲一级av第二区| 在线观看午夜福利视频| 国产亚洲精品久久久久久毛片| 高清毛片免费观看视频网站| 一边摸一边做爽爽视频免费| 国产亚洲av嫩草精品影院| 日本免费一区二区三区高清不卡| 亚洲欧美激情综合另类| 久久国产精品男人的天堂亚洲| 丰满人妻熟妇乱又伦精品不卡| 国产精品久久久久久精品电影 | 免费电影在线观看免费观看| 可以在线观看毛片的网站| 听说在线观看完整版免费高清| 欧美精品啪啪一区二区三区| 欧美在线一区亚洲| 国产乱人伦免费视频| 嫁个100分男人电影在线观看| 国产午夜福利久久久久久| 国产精品美女特级片免费视频播放器 | 国产精品 国内视频| 亚洲精品在线美女| 美女 人体艺术 gogo| 欧美av亚洲av综合av国产av| 可以免费在线观看a视频的电影网站| 国产真人三级小视频在线观看| 国产激情久久老熟女| 欧美激情 高清一区二区三区| 亚洲 欧美一区二区三区| 亚洲九九香蕉| 男男h啪啪无遮挡| 国产黄色小视频在线观看| 黄色成人免费大全| 国产色视频综合| 久久久久久九九精品二区国产 | 日日夜夜操网爽| 香蕉丝袜av| 在线观看免费视频日本深夜| 久久九九热精品免费| 亚洲精品在线观看二区| 制服人妻中文乱码| 最近最新中文字幕大全免费视频| 一进一出抽搐gif免费好疼| 日本在线视频免费播放| 91av网站免费观看| 麻豆久久精品国产亚洲av| 成人18禁在线播放| 俄罗斯特黄特色一大片| 妹子高潮喷水视频|