• <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 ?

    基于圖割精細化和可微分聚類的無監(jiān)督顯著性目標檢測

    2022-01-05 02:31:50李小雨房體育夏英杰李金屏
    計算機應用 2021年12期
    關鍵詞:精細化像素聚類

    李小雨,房體育,夏英杰,李金屏*

    (1.濟南大學信息科學與工程學院,濟南 250022;2.山東省網(wǎng)絡環(huán)境智能計算技術重點實驗室(濟南大學),濟南 250022;3.山東省“十三五”高校信息處理與認知計算重點實驗室(濟南大學),濟南 250022)

    (?通信作者電子郵箱ise_lijp@ujn.edu.cn)

    0 引言

    人類的視覺注意力機制可以很好地從復雜場景中提取感興趣的區(qū)域并提供給大腦進行后續(xù)分析,如何使計算機模擬此機制并準確、快速地提取圖像關鍵信息,是圖像顯著性檢測的主要目標。隨著顯著性檢測在目標識別、圖像壓縮、圖像自動裁剪等計算機視覺領域的廣泛應用,關注它的學者逐年增多,涌現(xiàn)了大量的顯著性檢測算法。目前顯著性檢測算法大致分為傳統(tǒng)模型和深度學習模型兩類。

    基于手工提取特征的傳統(tǒng)模型[1-4]通常根據(jù)輸入圖像本身利用主成分分析、頻率分析等方法提取線索來突出目標并抑制干擾,可以在很少的時間成本下執(zhí)行,但是檢測精度上普遍不高。例如:Achanta 等[1]利用頻域顏色特征和亮度特征來計算顯著值;Cheng等[4]將像素的顯著值定義為它與圖像中所有其他像素的顏色差異的加權(quán)和。

    深度學習模型[5-10]根據(jù)人類注釋的顯著性masks 是否用于訓練,可以分為全監(jiān)督方法和非全監(jiān)督方法。在全監(jiān)督方面,Lee 等[6]將編碼的低級距離圖和VGG 網(wǎng)絡提取的高層特征連接起來,并將它們連接到一個全連接分類器來評估顯著性。Hou等[7]提出了一種具有多分支短連接的深度監(jiān)督框架,它嵌入了高層次和低層次的特征來進行精確的全監(jiān)督顯著性檢測。非全監(jiān)督方法分為弱監(jiān)督方法和無監(jiān)督方法,它們大多使用圖像級分類標簽或使用其他任務生成的偽像素標簽來注釋顯著性。在弱監(jiān)督方面,Wang 等[8]開發(fā)了一種僅使用圖像級標記的弱監(jiān)督顯著性檢測算法,通過將前景推理網(wǎng)絡與全卷積網(wǎng)絡聯(lián)合訓練來預測圖像級標簽。而在無監(jiān)督方面,Zhang等[9]提出“融合監(jiān)督”,結(jié)合圖像內(nèi)融合流和圖像間融合流,從無監(jiān)督顯著性模型的融合過程中生成有用的監(jiān)督信號以監(jiān)督深度顯著目標檢測器的訓練。Zhang 等[10]用一個潛在的顯著性預測模塊和一個顯式的噪聲建模模型組成一種端到端的深度學習框架。

    傳統(tǒng)的顯著性檢測模型雖然模型簡單并且時間成本低,但分割精度普遍不高,而基于深度學習的模型雖然有較高的精確度,但是訓練階段依賴于大量的手動注釋數(shù)據(jù)或偽像素標簽,因此,如何在無人工標記或者少人工標記的情況下對顯著性目標進行精確檢測是目前該領域面臨的一個核心問題。針對該問題,本文提出一種基于圖割精細化和可微分聚類的無監(jiān)督顯著性目標檢測算法。該算法采用由“粗”到“精”的思想,將顯著性目標檢測問題分成定位和精細化兩個部分進行解決,在無人工標記的情況下僅利用單張圖像便可獲取精確的目標檢測結(jié)果。首先,利用Frequency-tuned 算法[1]根據(jù)圖像自身的顏色和亮度特征進行對比以得到顯著粗圖;然后根據(jù)圖像的統(tǒng)計特性進行二值化并結(jié)合中心優(yōu)先假設[11]得到顯著目標的候選區(qū)域,進而利用GrabCut 算法[12]對單張圖像迭代實現(xiàn)能量最小化以實現(xiàn)顯著目標的精細化分割;最后,結(jié)合具有良好邊界分割效果的無監(jiān)督可微分聚類算法[13]對單張顯著圖進一步優(yōu)化,使優(yōu)化顯著圖更接近于真值圖。

    1 算法原理

    為了彌補目前顯著性檢測存在的不足,本文提出一種基于圖割精細化和可微分聚類的無監(jiān)督顯著性目標檢測算法。該算法整體流程如圖1 所示,接下來將以顯著性目標粗定位、候選區(qū)域的生成、GrabCut 圖像精細化分割、可微分聚類優(yōu)化分割結(jié)果四個部分具體介紹本文算法。

    圖1 本文算法流程Fig.1 Flowchart of the proposed algorithm

    1.1 顯著性目標初定位

    顯著性目標粗定位指的是利用顯著性檢測算法對圖像進行顯著性檢測,得到一個顯著粗圖A,用于后續(xù)的精細化分割。圖像在頻率域可以分為低頻和高頻部分:低頻反映圖像的整體部分,如基本的組成區(qū)域;高頻部分反映圖像的細節(jié)信息,如物體的紋理。顯著性目標檢測算法更多用到的是低頻部分的信息。Frequency-tuned 算法充分考慮這個特點,首先利用高斯濾波排除高頻的干擾,再利用顏色和亮度特征來估計中心與周圍的對比度以作為顯著度,由此得到的顯著區(qū)域具有明確的邊界、完全分辨率和較高的計算效率,生成的顯著性映射可以更有效地應用于其他領域。因此,本文采用Frequency-tuned 算法進行初步顯著性檢測,具有如下的顯著性映射定義:

    其中:Iμ是圖像在LAB 顏色空間的三個通道的算術平均像素值;Iwhc(x,y)是原始圖像經(jīng)過5× 5 高斯模糊后在LAB 顏色空間的像素值;‖ ‖是L2范數(shù)。

    生成的顯著粗圖如圖2 所示。圖2(a)是原圖,圖2(b)是經(jīng)過Frequency-tuned 算法得到的顯著粗圖,可以發(fā)現(xiàn)顯著粗圖中一些背景區(qū)域也被突出了。

    圖2 Frequency-tuned算法顯著性檢測結(jié)果Fig.2 Saliency detection results of Frequency-tuned algorithm

    1.2 候選區(qū)域生成

    由于顯著粗圖中部分背景區(qū)域被突出,自適應二值化得到的候選區(qū)域不利于后續(xù)的精細化分割。本文則基于圖像像素值的統(tǒng)計結(jié)果,獲取圖像像素值的最大值,并設置參數(shù)a調(diào)節(jié)前景和背景的比例,以此獲得更加精確的目標二值圖B,具體表示如下:

    其中,a是0到1的變量。

    目標二值圖作為下一步分割的先驗知識,以指導分割顯著目標的準確區(qū)域。將二值圖中包含所有白像素的相應矩形區(qū)域定義為候選區(qū)域。部分圖像背景與目標的相似程度較高,F(xiàn)requency-tuned 算法檢測出來的顯著粗圖不夠精確,導致目標二值圖的白像素覆于整個圖像。針對此類情況,本文引入顯著性檢測的中心優(yōu)先假設[11]:顯著對象更有可能在圖像中心附近找到,而邊界區(qū)域更有可能是背景。充分考慮目標存在于圖像邊緣時中心優(yōu)先假設造成的一定程度上的特征丟失,利用參數(shù)b調(diào)節(jié)目標區(qū)域的選定。目標區(qū)域定義為:

    其中:(xmin,ymin)和(xmax,ymax)表示候選區(qū)域的矩形對角坐標;表示包含所有白像素的最大矩形區(qū)域的對角坐標;b為0到20的變量;W表示圖像的寬度,H表示圖像的高度。

    生成的候選區(qū)域如圖3 所示。圖3 中的第一組圖是選取包含所有白像素的最大矩形區(qū)域作為候選區(qū)域的效果圖;第二組圖是針對目標二值圖的白像素覆于整個圖像的情況引入中心優(yōu)先假設后確定的候選區(qū)域效果圖。

    圖3 候選區(qū)域選擇結(jié)果Fig.3 Results of candidate region selection

    1.3 GrabCut 圖像精細化分割

    前文已經(jīng)對目標進行粗定位并得到一個目標區(qū)域,GrabCut 算法通過迭代圖形切割優(yōu)化和邊界摳圖結(jié)合硬分割來處理對象邊界上的模糊和混合像素,能夠?qū)崿F(xiàn)很好的分割效果。因此,基于前文所得到的背景區(qū)域和可能目標區(qū)域,選擇GrabCut來實現(xiàn)對顯著目標的準確分割。

    GrabCut 利用混合高斯模型背景區(qū)域和目標區(qū)域進行建模,對于每個像素,僅可能來自背景或目標的某個高斯分量。每完成一次分割,便計算一次能量項,即像素n分配目標或背景標簽的懲罰與相鄰像素n和m之間不連續(xù)的懲罰的和,用Gibbs能量項表示:

    其中:N表示輸入圖像的像素點集合,C表示相鄰像素對的集合;Pn表示像素n屬于目標或者背景高斯分量的概率;In和Im分別表示像素n和像素m的RGB(Red-Green-Blue)值;an和am表示像素的類別標簽;參數(shù)δ指的是高斯模型的方差;γ根據(jù)經(jīng)驗取值50。

    GrabCut 算法將一次最小割估計算法替換為一個更強大的迭代過程。第一步是對已知背景區(qū)域內(nèi)的每一像素n初始化類別標簽an=0;而對已知的可能目標區(qū)域內(nèi)的每個像素n初始化類別標簽an=1,再通過k-means 將可能目標像素和背景像素聚類成K類,即高斯混合模型(Gaussian Mixture Model,GMM)模型的K維高斯分量。第二步是根據(jù)RGB 值對每個像素分配GMM 的高斯分量并根據(jù)給定的圖像數(shù)據(jù)來更新GMM參數(shù)。第三步是利用Gibbs 能量項估計最小割。通過第二和第三步交替進行實現(xiàn)最小割估計和參數(shù)學習,得到一種使圖像Gibbs能量項最小的分割方式。

    利用GrabCut 算法對已注釋背景區(qū)域的圖像進行目標精細化分割得到的精細化分割顯著圖能較好地將顯著目標分割并突出,如圖4 所示第一組圖所示。但當背景和目標相似度高的情況下存在兩種問題:一是圖割結(jié)果中摻雜部分背景,如圖4 第二組圖;二是圖割結(jié)果無顯著目標或者目標區(qū)域極小,如圖4第三組圖。

    圖4 精細化分割圖示Fig.4 Refined segmentation diagram

    1.4 可微分聚類優(yōu)化分割結(jié)果

    為了彌補GrabCut 圖像精細化分割存在的兩種不足,需要尋找一種具有良好邊界分割效果的算法來進行優(yōu)化?;谶@種需求,本文引入一種可微分聚類算法,該算法在卷積神經(jīng)網(wǎng)絡(Convolutional Neural Network,CNN)中對單張圖像進行微分聚類來實現(xiàn)圖像分割,分割結(jié)果保留了較好的邊緣信息,能夠有效解決前文算法的不足。

    可微分聚類是一種新的基于單圖像的端到端網(wǎng)絡的無監(jiān)督圖像分割方法,基于這種思想,設計出如圖5 所示的結(jié)構(gòu)。首先,使用CNN 進行特征提取獲取圖像特征{xn},接著利用q維卷積層計算q維特征圖{rn},再使用Batch Norm 進行歸一化得到歸一化特征圖。然后,借助argmax 函數(shù)獲取每個像素對應特征向量中最大值的ID作為像素類別,以此得到最終的聚類標簽{cn} 。最后,使用梯度下降的反向傳播方法來更新參數(shù),以找到一個使損失函數(shù)L最小化的標簽分配解決方案。損失函數(shù)L表示如下:

    圖5 可微分聚類算法流程Fig.5 Flowchart of differentiable clustering algorithm

    其中:N表示輸入圖像的像素點集合;表示在映射中的第i個元素的特征值表示在映射中(ξ,η)處的特征值;μ根據(jù)經(jīng)驗取值5,表示平衡這兩個約束的權(quán)重。

    可微分聚類結(jié)果如圖6(d)所示,針對精細化顯著圖的兩種不足,分別采用不同的方法優(yōu)化。

    針對精細化分割圖中包含背景的情況,由于精細化顯著圖中包含的背景是一些雜質(zhì),比例較小,將目標中像素占比最小的像素值所對應區(qū)域定義為背景得到優(yōu)化顯著圖S,映射關系見式(7)。

    其中:D(x,y)表示精細化分割圖中(x,y)處的像素值;Imin表示精細化分割圖中目標區(qū)域所對應可微分聚類圖的區(qū)域的統(tǒng)計灰度直方圖中占比最少的像素值;I(x,y)表示可微分聚類圖中(x,y)處的像素值。

    針對精細化分割圖無顯著目標或者目標區(qū)域極小的情況,以目標二值圖的最大連通區(qū)域為掩膜對可微分聚類圖進行感興趣區(qū)域(Region Of Interest,ROI)選擇后得到新的目標可能區(qū)域,將該區(qū)域灰度直方圖中除0 像素值以外占比最高的像素值作為種子點Imax來得到優(yōu)化顯著圖S,映射關系見式(8)。

    利用可微分聚類優(yōu)化后的結(jié)果如圖6 所示:從第一組圖可以看出,背景噪聲被有效抑制;從第二組可以看出,顯著目標被準確突出。

    圖6 可微分聚類優(yōu)化效果Fig.6 Differentiable clustering optimization effect

    2 實驗結(jié)果與分析

    2.1 實驗細節(jié)

    為驗證本文提出的基于圖割精細化和可微分聚類的無監(jiān)督顯著性目標檢測算法的有效性,采用ECSSD[14]和SOD[15]兩個國際公開的顯著性檢測數(shù)據(jù)集進行實驗,其中,ECSSD數(shù)據(jù)集由1 000 張圖像組成,圖像結(jié)構(gòu)較為復雜;SOD 數(shù)據(jù)集是一個更具挑戰(zhàn)的數(shù)據(jù)集,包含300 幅圖像,具有多個與背景或與圖像邊界形成低色彩對比度的顯著對象。實驗運行環(huán)境為Visual Studio 2017 和Pytorch 1.5,硬件平臺使用的GPU 為2080Ti,內(nèi)存為32 GB。

    部分參數(shù)設置如下:式(2)中的參數(shù)a=0.45,式(3)中的參數(shù)b=10,GrabCut 的最小割算法迭代次數(shù)設置為10,可微分聚類網(wǎng)絡的迭代次數(shù)設置為100。

    2.2 實驗評價指標

    為了保證對比實驗的客觀性,采用顯著性目標檢測普遍使用的平均絕對誤差eMAE(Mean Absolute Error,MAE)、準確率P(Precision)、召回率R(Recall)和F?measure值來進行評價。

    MAE表征真值圖GT與顯著圖之間的誤差,計算如下:

    其中:S(x,y)表示優(yōu)化顯著圖在(x,y)處的像素值;GT(x,y)表示二值化的ground truth 在(x,y)處的像素真值。eMAE值越低表明真值圖與優(yōu)化顯著圖之間誤差越小,算法越好。

    通過將優(yōu)化顯著圖S與真實標簽進行比較來計算準確率P和召回率R,計算公式如下:

    綜合考慮P與R,采用P與R的加權(quán)調(diào)和平均值F-measure來綜合評估顯著性圖片,計算公式為:

    其中,為突出準確率的重要性,根據(jù)經(jīng)驗值設置β2為0.3。Fmeasure值越大表明顯著性目標檢測算法的性能越好。

    2.3 對比現(xiàn)有算法

    為驗證本文算法的性能,與以下關注度較高的7 種算法進行實驗對比:文獻[16]中提出的基于圖論的視覺顯著性計算方法,檢測準確度高,記作GBVS;文獻[17]中利用主成分追蹤來準確地恢復低秩和稀疏分量的算法,記作RPCA;文獻[18]中提出的顯著性過濾算法,記作SF;文獻[19]中利用自底向上的先驗知識來約束圖像特征的算法,記作SLR;文獻[20]中利用連續(xù)性來提高背景先驗的魯棒性,記敘RBD;文獻[21]以及文獻[22]中的算法通過變形平滑約束的新傳播模型來優(yōu)化背景對比度低的對象區(qū)域,分別記作FBS與SC。

    表1 列出了8 種算法在F-measure值和eMAE評估指標上的評估結(jié)果,加粗數(shù)字表示最佳性能,下劃線數(shù)字表示次優(yōu)性能。從表1 中可以看出,在ECSSD 和SOD 數(shù)據(jù)集上本文算法表現(xiàn)優(yōu)異。

    ECSSD數(shù)據(jù)集包含多個獨立或者相鄰的顯著目標且顯著目標大小各異。從表1 可看出,本文算法實現(xiàn)了最低的eMAE值,而且F?measure值僅僅略低于SC 算法。結(jié)果表明,本文算法能夠有效地對具有多個顯著目標的圖像進行檢測。

    表1 不同顯著性檢測算法在ECSSD和SOD數(shù)據(jù)集上的指標得分Tab.1 Index scores of different saliency detection methods on ECSSD and SOD datasets

    SOD 數(shù)據(jù)集圖像背景復雜且顯著目標大小各異。從表1中可看出,本文算法從eMAE值和F?measure值綜合來看優(yōu)于除SC 算法以外的算法,本文算法在背景復雜的場景中能夠較好地檢測顯著目標。與SC 算法相比,本文算法具有較低的eMAE值,表明本文算法檢測的顯著圖更接近于真值圖。

    2.4 優(yōu)化策略有效性實驗比較

    為驗證本文所用優(yōu)化策略的有效性,在ECSSD 數(shù)據(jù)集和SOD 數(shù)據(jù)集上生成顯著粗圖、精細化分割圖、優(yōu)化顯著圖,并計算相應eMAE、P、R和F?measure值,結(jié)果如表2。表2 中“顯著粗圖”表示Frequency-tuned 算法檢測的顯著粗圖,“精細化分割圖”表示經(jīng)過GrabCut 精細化分割的顯著圖,“優(yōu)化顯著圖”表示在精細化分割圖經(jīng)過可微分聚類優(yōu)化后的顯著圖。從表2 可以看出,精細化分割的顯著圖與顯著粗圖相比,在4 個指標上均有明顯的提升,優(yōu)化后的顯著圖與精細化分割圖相比,在3個指標上有一定的提升。

    表2 顯著粗圖、精細化分割圖、優(yōu)化顯著圖的比較Tab.2 Comparison of saliency rough map,refined segmentation map and optimized saliency map

    2.5 靈敏度分析

    對于本文算法所涉及的顯著粗圖進行二值化時的閾值選擇,為了盡可能多地保留圖像信息,實驗中基于顯著圖自身的灰度統(tǒng)計特性,選擇了多種閾值進行二值化進行對比實驗,eMAE值和F?measure值結(jié)果顯示見表3。從表3中可以看出,在ECSSD數(shù)據(jù)集上,當a=0.45時所得優(yōu)化顯著圖的eMAE值略差于a=0.4的情況;在SOD 數(shù)據(jù)集上,當a=0.45時所得顯著圖的eMAE值和F?measure值均優(yōu)于其他取值情況;綜合考慮,選擇a=0.45。

    表3 二值化閾值的靈敏度分析(b=10)Tab.3 Sensitivity analysis of binarization threshold(b=10)

    對于本文候選區(qū)域生成時候選區(qū)域選擇所涉及的參數(shù)b,選擇了多種取值進行對比實驗,結(jié)果見表4。從表4中可以看出,在ECSSD數(shù)據(jù)集和SOD數(shù)據(jù)集上,當b=10時所得優(yōu)化顯著圖的eMAE值略差于b=15 的情況,但F?measure值均優(yōu)于其他取值情況,綜合看來,當b=10時實驗結(jié)果最好。

    表4 候選區(qū)域選擇的靈敏度分析(a=0.45)Tab.4 Sensitivity analysis of candidate area selection(a=0.45)

    2.6 可視化實驗

    從主觀視覺上,圖7 顯示了本文優(yōu)化過程在ECSSD 數(shù)據(jù)集和SOD 的數(shù)據(jù)集上的視覺顯著圖。從上到下依次是:原始輸入圖像、人工標注真值圖、Frequency-tuned 算法檢測的顯著粗圖、經(jīng)GrabCut 精細化分割的精細化分割圖、經(jīng)可微分聚類優(yōu)化精細化分割圖后的優(yōu)化顯著圖。通過對比可看出,顯著粗圖能夠檢測出目標的大致輪廓;經(jīng)過精細化分割以后,可以將目標從背景中分割出來,但是在精細化分割圖中依然存在一部分的背景噪聲;可微分聚類可以有效地過濾這些背景噪聲,得到一個更接近真值圖的優(yōu)化顯著圖;針對顯著粗圖不準確導致精細化分割圖不包含任何目標或者僅存在部分小區(qū)域的情況,經(jīng)過優(yōu)化后顯著目標也可以比較準確地檢測出來。

    圖7 本文優(yōu)化算法在ECSSD、SOD數(shù)據(jù)集上的視覺顯著圖對比Fig.7 Comparison of visual saliency maps on ECSSD and SOD datasets

    3 結(jié)語

    近年來,隨著深度學習的迅速發(fā)展,顯著性目標檢測算法大部分都是依賴于大量數(shù)據(jù)或像素級標簽的,而本文將圖割和可微分聚類引入顯著性檢測,由“粗”到“精”地優(yōu)化傳統(tǒng)顯著性檢測算法,僅通過提取單張圖像的信息特征便能夠在無人工標記的情況下獲取精確的顯著性目標檢測結(jié)果。本文提出的算法與7 種現(xiàn)有算法在ECSSD、SOD 數(shù)據(jù)集上進行對比,本文算法在對背景復雜和多目標的圖像進行顯著性目標檢測時具有一定的優(yōu)勢。在未來的工作中,一方面可以從顯著粗圖生成方面入手,采用一種更為準確的無監(jiān)督算法來粗定位目標;另一方面由于本文算法是完全基于圖像本身特征進行的無監(jiān)督的顯著性目標檢測,后續(xù)可以結(jié)合有監(jiān)督的顯著性目標檢測算法,進一步提高精度。

    猜你喜歡
    精細化像素聚類
    趙運哲作品
    藝術家(2023年8期)2023-11-02 02:05:28
    探討市政工程的精細化管理
    像素前線之“幻影”2000
    精細化管理的企業(yè)管理模式探討
    活力(2021年6期)2021-08-05 07:25:02
    “精細化”全方位培養(yǎng)好參謀
    人大建設(2019年4期)2019-11-17 13:04:02
    “像素”仙人掌
    基于DBSACN聚類算法的XML文檔聚類
    電子測試(2017年15期)2017-12-18 07:19:27
    如何打造精細化立法產(chǎn)品
    公民與法治(2016年7期)2016-05-17 04:11:03
    高像素不是全部
    CHIP新電腦(2016年3期)2016-03-10 14:22:03
    基于改進的遺傳算法的模糊聚類算法
    日本wwww免费看| 老司机影院毛片| 国产色婷婷99| 中文字幕亚洲精品专区| 国产精品久久久久久精品电影小说 | 老司机影院成人| 中文字幕精品免费在线观看视频 | 久久人人爽人人片av| 久久青草综合色| 精华霜和精华液先用哪个| www.av在线官网国产| av专区在线播放| 久久精品国产亚洲网站| 国产精品一区www在线观看| 免费黄色在线免费观看| 欧美丝袜亚洲另类| 久久精品夜色国产| 秋霞在线观看毛片| 美女福利国产在线 | 日本wwww免费看| 国内少妇人妻偷人精品xxx网站| www.av在线官网国产| 成人亚洲欧美一区二区av| 少妇人妻一区二区三区视频| av国产精品久久久久影院| 亚洲欧美清纯卡通| 免费黄色在线免费观看| 麻豆成人午夜福利视频| 99九九线精品视频在线观看视频| 18禁裸乳无遮挡动漫免费视频| 亚洲av中文av极速乱| 天堂中文最新版在线下载| 在线精品无人区一区二区三 | 男女边吃奶边做爰视频| 熟女人妻精品中文字幕| 男女无遮挡免费网站观看| 国产av精品麻豆| 91午夜精品亚洲一区二区三区| 自拍偷自拍亚洲精品老妇| av播播在线观看一区| 少妇被粗大猛烈的视频| 国产一区二区在线观看日韩| 国产欧美亚洲国产| 国产欧美日韩精品一区二区| 精品亚洲成a人片在线观看 | 色网站视频免费| 日本免费在线观看一区| 99久久中文字幕三级久久日本| 91精品伊人久久大香线蕉| 欧美精品亚洲一区二区| 妹子高潮喷水视频| 性色avwww在线观看| 亚洲一级一片aⅴ在线观看| av在线观看视频网站免费| 日韩欧美 国产精品| 99视频精品全部免费 在线| 国产精品一区二区性色av| 爱豆传媒免费全集在线观看| 一本久久精品| 成年女人在线观看亚洲视频| freevideosex欧美| 最近中文字幕高清免费大全6| 国产乱来视频区| 观看免费一级毛片| 最近最新中文字幕大全电影3| 精品久久久久久久末码| 99九九线精品视频在线观看视频| 国产精品爽爽va在线观看网站| 国产精品欧美亚洲77777| 在线观看三级黄色| 国产亚洲午夜精品一区二区久久| 中文字幕精品免费在线观看视频 | 精品人妻视频免费看| 99久久精品热视频| 一级毛片 在线播放| 国产精品国产三级专区第一集| 99精国产麻豆久久婷婷| 国产av码专区亚洲av| 国产在线视频一区二区| 欧美97在线视频| 国产精品久久久久久av不卡| 免费看av在线观看网站| 黄色日韩在线| 亚洲av福利一区| 简卡轻食公司| 久热这里只有精品99| 国产男女超爽视频在线观看| 国产永久视频网站| 你懂的网址亚洲精品在线观看| 日韩国内少妇激情av| 久久99热6这里只有精品| 中文字幕精品免费在线观看视频 | 妹子高潮喷水视频| 老司机影院毛片| 精品人妻视频免费看| 18禁裸乳无遮挡动漫免费视频| 亚洲国产精品专区欧美| 久久久午夜欧美精品| 欧美日韩综合久久久久久| .国产精品久久| 欧美最新免费一区二区三区| 永久网站在线| 亚洲天堂av无毛| 亚洲色图综合在线观看| 国产大屁股一区二区在线视频| 高清午夜精品一区二区三区| 欧美日韩精品成人综合77777| 国产亚洲91精品色在线| 国产伦精品一区二区三区视频9| 美女脱内裤让男人舔精品视频| 国产成人一区二区在线| 中文资源天堂在线| 人人妻人人爽人人添夜夜欢视频 | 久久久久久人妻| 亚洲性久久影院| 国产免费福利视频在线观看| 国产高潮美女av| 22中文网久久字幕| 亚洲av国产av综合av卡| 日本黄大片高清| 你懂的网址亚洲精品在线观看| 亚洲色图av天堂| 亚洲精品视频女| 欧美国产精品一级二级三级 | 国产高清国产精品国产三级 | 99久久人妻综合| 秋霞在线观看毛片| 建设人人有责人人尽责人人享有的 | 欧美日韩亚洲高清精品| 女性生殖器流出的白浆| 九九久久精品国产亚洲av麻豆| 黄色怎么调成土黄色| 毛片一级片免费看久久久久| 一级毛片久久久久久久久女| 91久久精品国产一区二区成人| 久久6这里有精品| 黄色视频在线播放观看不卡| 乱系列少妇在线播放| 国产亚洲一区二区精品| 亚洲av综合色区一区| 老师上课跳d突然被开到最大视频| 伦理电影大哥的女人| 日韩人妻高清精品专区| 欧美bdsm另类| 在线观看免费日韩欧美大片 | 人人妻人人添人人爽欧美一区卜 | 在线免费观看不下载黄p国产| 99热这里只有是精品在线观看| 欧美激情国产日韩精品一区| 国产伦精品一区二区三区视频9| 在现免费观看毛片| 亚洲不卡免费看| 一级毛片aaaaaa免费看小| 精品视频人人做人人爽| 免费少妇av软件| 精品人妻一区二区三区麻豆| 免费少妇av软件| 小蜜桃在线观看免费完整版高清| 亚洲欧美日韩东京热| 亚洲熟女精品中文字幕| 亚洲综合精品二区| 国产成人a区在线观看| 女性生殖器流出的白浆| 我的老师免费观看完整版| 黑丝袜美女国产一区| 91久久精品电影网| 26uuu在线亚洲综合色| 男女边吃奶边做爰视频| 91在线精品国自产拍蜜月| 99久久精品国产国产毛片| 欧美变态另类bdsm刘玥| 国产伦精品一区二区三区视频9| 国产精品久久久久久av不卡| 婷婷色av中文字幕| 免费黄频网站在线观看国产| 久久国产精品男人的天堂亚洲 | 97精品久久久久久久久久精品| 久久久久性生活片| 国产日韩欧美在线精品| 少妇人妻精品综合一区二区| 亚洲成人av在线免费| 免费av中文字幕在线| 欧美 日韩 精品 国产| 黄色日韩在线| 日韩制服骚丝袜av| 久久99热这里只频精品6学生| 狂野欧美激情性xxxx在线观看| 久久97久久精品| 乱系列少妇在线播放| 中文字幕亚洲精品专区| 免费看不卡的av| 国产成人精品福利久久| 亚洲精品,欧美精品| 超碰av人人做人人爽久久| 99久久人妻综合| 高清黄色对白视频在线免费看 | 一区二区三区精品91| 亚洲欧美精品专区久久| 久久久久视频综合| 免费不卡的大黄色大毛片视频在线观看| 欧美另类一区| 午夜老司机福利剧场| 99热6这里只有精品| 久久鲁丝午夜福利片| 黑人高潮一二区| 久久久久国产精品人妻一区二区| 99久久精品一区二区三区| 黑丝袜美女国产一区| 男人舔奶头视频| 午夜日本视频在线| 1000部很黄的大片| 亚洲美女视频黄频| 久久精品久久精品一区二区三区| 国产乱来视频区| 久热这里只有精品99| 少妇丰满av| 亚洲精品日本国产第一区| 精品久久久噜噜| 亚洲国产日韩一区二区| 男女免费视频国产| 国产精品福利在线免费观看| 七月丁香在线播放| 国产综合精华液| 亚洲欧美日韩另类电影网站 | 亚洲性久久影院| 99热网站在线观看| 人妻系列 视频| 大香蕉久久网| 3wmmmm亚洲av在线观看| 国产综合精华液| 亚洲成人手机| 国产片特级美女逼逼视频| 国产69精品久久久久777片| 亚洲国产毛片av蜜桃av| .国产精品久久| 日韩制服骚丝袜av| 国产v大片淫在线免费观看| 国产精品久久久久久久电影| 亚洲一级一片aⅴ在线观看| 91精品国产国语对白视频| 国产视频内射| 新久久久久国产一级毛片| 人妻 亚洲 视频| 亚洲av二区三区四区| 国产精品偷伦视频观看了| 久久久久久久久大av| 一本久久精品| 国产大屁股一区二区在线视频| 成人亚洲欧美一区二区av| 日韩中字成人| 亚洲欧美日韩卡通动漫| 另类亚洲欧美激情| 又粗又硬又长又爽又黄的视频| 亚洲欧美日韩另类电影网站 | 高清视频免费观看一区二区| 日韩国内少妇激情av| 亚洲av日韩在线播放| 久久精品久久久久久噜噜老黄| 久久人人爽人人爽人人片va| 国产人妻一区二区三区在| 欧美高清成人免费视频www| 91久久精品电影网| 欧美另类一区| 香蕉精品网在线| 婷婷色综合www| 亚洲人成网站高清观看| 91aial.com中文字幕在线观看| 亚洲成人手机| a级一级毛片免费在线观看| av在线观看视频网站免费| 毛片一级片免费看久久久久| 一个人免费看片子| 久久精品人妻少妇| 好男人视频免费观看在线| 国产在线男女| 五月伊人婷婷丁香| 久久午夜福利片| 欧美一级a爱片免费观看看| av在线观看视频网站免费| 六月丁香七月| 日韩欧美一区视频在线观看 | 婷婷色麻豆天堂久久| 午夜免费鲁丝| 久久久a久久爽久久v久久| av在线观看视频网站免费| 久久午夜福利片| 国产一区有黄有色的免费视频| 亚洲精品,欧美精品| 亚洲综合精品二区| kizo精华| 一区二区av电影网| 国产中年淑女户外野战色| 免费看光身美女| 中文精品一卡2卡3卡4更新| 国产69精品久久久久777片| 女人久久www免费人成看片| 亚洲国产欧美人成| 国产久久久一区二区三区| 在线看a的网站| 亚洲国产精品一区三区| 亚洲精品乱码久久久v下载方式| 欧美激情极品国产一区二区三区 | 欧美xxxx黑人xx丫x性爽| 久久久久国产精品人妻一区二区| 精品一区在线观看国产| 一级黄片播放器| 国产淫语在线视频| 久久国产精品大桥未久av | 只有这里有精品99| 亚洲国产精品一区三区| 久久精品夜色国产| 国产伦在线观看视频一区| 亚洲熟女精品中文字幕| 亚洲精品成人av观看孕妇| 纵有疾风起免费观看全集完整版| 性色avwww在线观看| 国产av一区二区精品久久 | 亚洲自偷自拍三级| 国模一区二区三区四区视频| 99热这里只有是精品在线观看| 80岁老熟妇乱子伦牲交| 熟女电影av网| 久久久久视频综合| 国产淫片久久久久久久久| 丝瓜视频免费看黄片| 精品国产一区二区三区久久久樱花 | 丰满少妇做爰视频| 久久鲁丝午夜福利片| 久久人人爽av亚洲精品天堂 | 啦啦啦视频在线资源免费观看| 亚洲人成网站在线观看播放| 欧美bdsm另类| 国产精品久久久久成人av| 涩涩av久久男人的天堂| 国产成人freesex在线| 亚洲精品久久久久久婷婷小说| 亚洲国产欧美人成| 色婷婷久久久亚洲欧美| 久久国产精品男人的天堂亚洲 | 日韩成人av中文字幕在线观看| 精品99又大又爽又粗少妇毛片| 成人亚洲精品一区在线观看 | 久久久久精品久久久久真实原创| 国产精品三级大全| 亚洲婷婷狠狠爱综合网| 夜夜爽夜夜爽视频| 中文字幕av成人在线电影| 精品久久久久久久久av| 欧美极品一区二区三区四区| 欧美日韩精品成人综合77777| 男人狂女人下面高潮的视频| 国产真实伦视频高清在线观看| 亚洲精品成人av观看孕妇| 男女边摸边吃奶| 黄色视频在线播放观看不卡| 91午夜精品亚洲一区二区三区| 久久韩国三级中文字幕| 亚洲三级黄色毛片| 欧美亚洲 丝袜 人妻 在线| 综合色丁香网| 性色av一级| 国产成人freesex在线| 五月伊人婷婷丁香| 最后的刺客免费高清国语| 国产av一区二区精品久久 | 久久久成人免费电影| 成年免费大片在线观看| 国产真实伦视频高清在线观看| 欧美丝袜亚洲另类| 哪个播放器可以免费观看大片| 男人狂女人下面高潮的视频| 成人黄色视频免费在线看| 一级av片app| 日本色播在线视频| 亚洲精品第二区| 国产熟女欧美一区二区| 我要看日韩黄色一级片| 99热这里只有精品一区| 国产乱人视频| 99九九线精品视频在线观看视频| 一级av片app| 国产在线视频一区二区| 一级毛片 在线播放| 黄色视频在线播放观看不卡| 久久毛片免费看一区二区三区| 男女边摸边吃奶| 偷拍熟女少妇极品色| 亚洲人成网站高清观看| 国内揄拍国产精品人妻在线| 97在线人人人人妻| 欧美日韩视频精品一区| 丝袜脚勾引网站| 国产在线免费精品| 一区二区av电影网| 在现免费观看毛片| 内射极品少妇av片p| 久久久久久伊人网av| 国产黄色视频一区二区在线观看| 精品少妇黑人巨大在线播放| 久久久久久伊人网av| 国产精品久久久久久精品电影小说 | 成人毛片a级毛片在线播放| 黄色视频在线播放观看不卡| freevideosex欧美| 欧美成人精品欧美一级黄| 欧美bdsm另类| 精品亚洲成国产av| 中国三级夫妇交换| 妹子高潮喷水视频| 两个人的视频大全免费| 青青草视频在线视频观看| 中文字幕制服av| 亚洲电影在线观看av| 成人影院久久| 精品亚洲成国产av| 日产精品乱码卡一卡2卡三| 免费大片18禁| 老师上课跳d突然被开到最大视频| 久久99精品国语久久久| 妹子高潮喷水视频| 亚洲欧美成人综合另类久久久| 男人狂女人下面高潮的视频| 日韩av不卡免费在线播放| 视频中文字幕在线观看| 特大巨黑吊av在线直播| 久久久久久久久久人人人人人人| 国产亚洲午夜精品一区二区久久| 欧美3d第一页| 最近中文字幕2019免费版| 成人18禁高潮啪啪吃奶动态图 | 看免费成人av毛片| 国产免费视频播放在线视频| 亚洲电影在线观看av| 国产人妻一区二区三区在| 亚洲av国产av综合av卡| 中文字幕亚洲精品专区| 成人国产av品久久久| 日韩伦理黄色片| 嫩草影院入口| 欧美97在线视频| 视频区图区小说| 啦啦啦啦在线视频资源| 精品国产一区二区三区久久久樱花 | 久久99热6这里只有精品| 亚洲精品aⅴ在线观看| 免费观看的影片在线观看| 日本黄色日本黄色录像| 国产国拍精品亚洲av在线观看| 国产精品99久久99久久久不卡 | 日本黄大片高清| 多毛熟女@视频| 高清在线视频一区二区三区| 欧美精品一区二区免费开放| av线在线观看网站| 九色成人免费人妻av| 成年av动漫网址| 国产淫语在线视频| 久久久久久久久大av| 久久久久久久久久久丰满| 在线观看三级黄色| 久久av网站| 一区二区三区四区激情视频| 人体艺术视频欧美日本| 狂野欧美激情性bbbbbb| 日韩中字成人| 丝袜喷水一区| 高清日韩中文字幕在线| 香蕉精品网在线| 欧美精品国产亚洲| 18禁在线无遮挡免费观看视频| 成年女人在线观看亚洲视频| 国产一区二区在线观看日韩| 色婷婷久久久亚洲欧美| 精品国产露脸久久av麻豆| 亚洲欧美日韩卡通动漫| 日本-黄色视频高清免费观看| 久久久久网色| av.在线天堂| 王馨瑶露胸无遮挡在线观看| 国产伦理片在线播放av一区| 久久久久久伊人网av| 成年人午夜在线观看视频| 日韩一区二区视频免费看| 免费播放大片免费观看视频在线观看| 色婷婷久久久亚洲欧美| 免费av不卡在线播放| 少妇裸体淫交视频免费看高清| 国产色爽女视频免费观看| 日本wwww免费看| 亚洲图色成人| 高清av免费在线| 亚洲精品一二三| 毛片一级片免费看久久久久| 成人亚洲精品一区在线观看 | 男人爽女人下面视频在线观看| 亚洲成人av在线免费| 91久久精品国产一区二区成人| h视频一区二区三区| 18禁裸乳无遮挡动漫免费视频| 99热这里只有是精品在线观看| 欧美日韩一区二区视频在线观看视频在线| 一级二级三级毛片免费看| 青春草视频在线免费观看| 久久人人爽人人爽人人片va| 在线亚洲精品国产二区图片欧美 | 汤姆久久久久久久影院中文字幕| 亚洲av免费高清在线观看| 色网站视频免费| 超碰av人人做人人爽久久| 亚洲久久久国产精品| 欧美性感艳星| 麻豆成人av视频| 久久人人爽av亚洲精品天堂 | 欧美少妇被猛烈插入视频| 久久婷婷青草| 欧美另类一区| 久久婷婷青草| 少妇的逼好多水| a级一级毛片免费在线观看| 丰满乱子伦码专区| 在线播放无遮挡| 久久影院123| 国产成人一区二区在线| 搡老乐熟女国产| 97超碰精品成人国产| 久久人人爽av亚洲精品天堂 | 亚洲aⅴ乱码一区二区在线播放| 大香蕉久久网| 男男h啪啪无遮挡| 免费av不卡在线播放| 午夜老司机福利剧场| 欧美区成人在线视频| 一级毛片我不卡| 免费观看在线日韩| 2021少妇久久久久久久久久久| av在线蜜桃| a 毛片基地| 亚洲精品亚洲一区二区| 一级黄片播放器| 日韩人妻高清精品专区| 狂野欧美白嫩少妇大欣赏| 身体一侧抽搐| 91精品伊人久久大香线蕉| 欧美日本视频| 深爱激情五月婷婷| 国产一区有黄有色的免费视频| 精品人妻视频免费看| 国产精品蜜桃在线观看| 美女主播在线视频| 特大巨黑吊av在线直播| 亚洲天堂av无毛| 99热这里只有精品一区| 一区二区av电影网| av在线app专区| 日韩三级伦理在线观看| 精品一区二区三卡| 又粗又硬又长又爽又黄的视频| 秋霞伦理黄片| 国产精品一区二区在线不卡| 国产精品不卡视频一区二区| 一级毛片久久久久久久久女| 免费看光身美女| 国精品久久久久久国模美| 岛国毛片在线播放| 一区二区三区四区激情视频| 性高湖久久久久久久久免费观看| 亚洲欧美日韩卡通动漫| 国产精品一区二区三区四区免费观看| 毛片一级片免费看久久久久| 全区人妻精品视频| 毛片女人毛片| 22中文网久久字幕| 三级国产精品片| 精华霜和精华液先用哪个| 高清毛片免费看| 777米奇影视久久| 熟女av电影| 久久国产亚洲av麻豆专区| 欧美三级亚洲精品| 97精品久久久久久久久久精品| 欧美精品一区二区免费开放| 高清毛片免费看| av又黄又爽大尺度在线免费看| 国产在线男女| 色视频在线一区二区三区| 亚洲av二区三区四区| 国内精品宾馆在线| freevideosex欧美| 中文字幕免费在线视频6| 日韩三级伦理在线观看| 少妇的逼水好多| 国产av国产精品国产| 熟女电影av网| 97精品久久久久久久久久精品| 哪个播放器可以免费观看大片| 伊人久久国产一区二区| 国产国拍精品亚洲av在线观看| 日韩成人伦理影院| 久久国产亚洲av麻豆专区| 亚洲第一区二区三区不卡| 一级黄片播放器| 视频区图区小说| 中文字幕久久专区| 偷拍熟女少妇极品色| 久久午夜福利片| 亚洲国产日韩一区二区| 国模一区二区三区四区视频| av在线蜜桃| 欧美3d第一页| 久久久久久伊人网av| 久久久精品免费免费高清| 久久精品久久精品一区二区三区| 精品国产一区二区三区久久久樱花 | 久久久久久久精品精品| 精品国产露脸久久av麻豆|