• <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 ?

    基于關鍵點估計的抓取檢測算法

    2022-03-02 08:32:14關立文孫鑫磊
    計算機工程與應用 2022年4期
    關鍵詞:關鍵點特征檢測

    關立文,孫鑫磊,楊 佩

    1.清華大學 機械工程系,北京100084

    2.電子科技大學 機械與電氣工程學院,成都611731

    雖然抓取物體對于人類而言非常簡單,但是對于機器人而言,可靠地抓取任意物體仍然是非常具有難度的。解決這個問題可以促進機器人在工業(yè)領域的應用,如零件組裝、分揀、裝箱等,同時也能夠推進服務機器人的發(fā)展,通過增強機器人與周圍環(huán)境的交互,滿足人類的需求。機器人抓取涉及到物體感知、路徑規(guī)劃以及控制。得到要抓取的對象的位置以及對應的抓取姿態(tài)對于一個成功的抓取是非常重要的。物體的幾何外形是決定抓取位置的主要因素,可以通過引入機器視覺來增加抓取檢測網(wǎng)絡的泛化能力。描述一個抓取的參數(shù)主要有三個,分別是抓取點的坐標、抓取手爪張開的寬度以及抓取的旋轉(zhuǎn)角度。

    抓取檢測算法的研究在20 世紀80 年代就開始了,但早期的研究主要是針對抓取點的檢測,無法提供一個準確的抓取描述。直到2011 年Jiang 等[1]提出了一種抓取矩形框的表示方法,如圖1(a)所示,抓取矩形框由一個五維向量g=(x,y,w,h,θ)來表示,其中(x,y)表示抓取點在圖像中的坐標,h表示平行爪夾持器張開的寬度,w表示手爪的寬度,θ表示抓取角度。用這樣的方法表示抓取,那么抓取檢測就可以將一個在空間中尋找抓取姿態(tài)與抓取點的問題,轉(zhuǎn)換成在一個包含待抓取目標的圖像中檢測抓取矩形框的問題。針對這一問題,使用深度學習在圖像上學習特征的方法在抓取檢測中獲得了很好的效果。

    Lenz等[2]率先采用深度學習方法提取特征,使用基于滑動窗口檢測的框架同時使用支持向量機(support vector machine,SVM)作為分類器,預測輸入圖像中是否存在合適的抓取位置,這種方法在康奈爾抓取數(shù)據(jù)集[3]上達到了73.9%的準確率。但是由于采用滑動窗口的方法導致在遍歷可能存在抓取時消耗大量時間。

    Redmon等[4]拋棄了滑動窗口機制,將整幅圖像劃分成N×N個單元網(wǎng)絡,使用AlexNet 網(wǎng)絡[5]直接在每個單元格中回歸抓取框的參數(shù)以及可行抓取的概率,取其中概率最高的作為預測結果。這種方法在相同的數(shù)據(jù)集中達到了88.0%的準確率。

    Guo 等[6]將參考矩形框引入到抓取檢測當中,這是一種無向錨框,如圖1(b)所示,這些參考矩形是圖像在每個特定大小的區(qū)域中生成的具有相同面積、不同長寬比的矩形框。在他的研究中,并沒有直接通過深度學習的方法檢測抓取方向,而是通過一種融合視覺感知與觸覺感知的模型預測可抓取性、抓取手爪的張開寬度以及抓取的方向。

    Chu等[7]利用深度學習的方法來檢測抓取框的位置以及抓取方向,他們使用了與Guo文章中相同的參考矩形框,用來回歸抓取矩形框,同時將抓取角度看作抓取的語義信息,將角度按照不同的區(qū)間分成不同的類。網(wǎng)絡檢測時對回歸的抓取矩形框旋轉(zhuǎn)預測得到的角度類別所對應的角度,如圖1(c),得到一個有向抓取矩形框的檢測結果。

    圖1 基于錨框的抓取表示Fig.1 Anchor-based grasping representation

    以上幾個研究都是基于錨框的抓取檢測算法?;阱^框的檢測算法檢測速度較慢,同時錨框的設計也影響著網(wǎng)絡的性能。另外在Guo 與Chu 的研究中對水平抓取框與抓取角度分別進行檢測,忽略了抓取角度是抓取框的幾何屬性而非語義屬性的事實,這樣做會導致抓取檢測的準確度下降。因此本文提出了一種更加簡單高效的方法,如圖2 所示,用抓取框的中心點來表示一個抓取,同時在中心點處直接預測抓取檢測框的尺寸和角度。這里抓取檢測問題被簡化成了一個關鍵點檢測問題,本文將圖片輸入到一個全卷積網(wǎng)絡中得到一張抓取熱力圖,在抓取熱力圖中的局部峰值就對應抓取檢測框中心點的位置。同時在特征圖上中心點對應的位置會預測抓取框的尺寸和角度。該模型在康奈爾抓取數(shù)據(jù)集上使用GTX1080TI顯卡運行,達到了97.6%的準確率,并且達到了42 frame/s的檢測速度,滿足檢測實時性的要求。本文主要做了以下工作:

    圖2 基于關鍵點的抓取框表示Fig.2 Key-point-based grasping representation

    (1)設計了一種特征融合方法B-FPN,可以通過權重融合不同階段的特征圖,減少特征的丟失。

    (2)設計了一個基于關鍵點估計的抓取檢測網(wǎng)絡,直接在特征圖上預測抓取中心點位置以及抓取尺寸與抓取角度。

    (3)使用了一種新的損失函數(shù),能夠在不增加模型復雜度的情況下避免由于正負樣本不均衡帶來的預測準確度下降。

    1 方法介紹

    1.1 目標檢測的類別與特點

    目標檢測算法主要可以分為單階段與兩階段兩種類型,目前主流的兩階段目標檢測算法以R-CNN(region-based convolutional neural networks)系列為主,比較成功的有Faster R-CNN[8]、Mask R-CNN[9]等。兩階段的目標檢測算法首先通過一次粗回歸得到ROI(region of interest)作為候選框樣本輸入到卷積神經(jīng)網(wǎng)絡中,通過精回歸得到對應的目標檢測框。R-CNN 系列算法雖然在性能上有比較大的提升,但是由于其在訓練網(wǎng)絡時的正負樣本由傳統(tǒng)算法生成,這限制了算法的檢測速度。

    以R-CNN算法為代表的兩階段檢測算法由于RPN結構的存在,雖然檢測的精度越來越高,但是檢測速度卻很難達到實時檢測的需求。因此,研究人員提出了基于回歸的單階段目標檢測算法。以YOLO(you only look once)系列為例,YOLO算法經(jīng)歷了從早期的YOLO[10]到YOLOv2[11]再到后來的YOLOv3[12],算法的準確率不斷提高。在YOLOv3中也引入了anchor機制,并采用特征金字塔結構增強網(wǎng)絡對多尺度目標的檢測能力。

    1.2 CenterNet目標檢測

    CenterNet[13]目標檢測算法不同于R-CNN、YOLOv3[12]、SSD[14]等基于錨框的檢測算法,它利用關鍵點估計的思想,通過檢測目標框的中心點,然后回歸檢測框的其他屬性,比如尺寸、姿態(tài)等,如圖3所示邊界框的尺寸與其他對象屬性是從中心的關鍵點特征判斷出來的,中心點以彩色顯示。相比基于錨框的檢測算法,CenterNet 的模型是端到端的,因此它更加簡單、更加準確,檢測速度也更快,其與不同算法的比較如圖4所示。

    圖3 利用邊界框的中心點建模Fig.3 Modelling object as center point of bounding box

    圖4 不同檢測方法在COCO數(shù)據(jù)集上的速度-精度曲線圖Fig.4 Speed-accuracy trade-off on COCO validation for different detectors

    CenterNet 以目標的中心點來表示目標的位置,然后在特征圖上中心點的位置回歸出目標的其他屬性,這樣一來就將目標檢測問題轉(zhuǎn)換成一個關鍵點估計的問題。將圖像傳入到一個全卷積網(wǎng)絡中,網(wǎng)絡會輸出一個熱力圖,熱力圖中峰值點的位置就是圖像中目標的中心點位置,同時特征圖上每一個峰值點的位置都會預測目標的尺寸信息。整個網(wǎng)絡采用監(jiān)督學習的方式來訓練,并且不需要對檢測結果進行附加的后處理操作。

    2 算法原理

    本文算法的整體框架如圖5所示,本章主要從網(wǎng)絡結構、損失函數(shù)以及訓練策略三方面對基于關鍵點估計的抓取檢測算法進行介紹。

    圖5 基于關鍵點估計的抓取檢測算法框架Fig.5 Grasping detection algorithm based on key point estimation

    2.1 網(wǎng)絡結構

    在CenterNet論文中采用Resnet101[15]作為特征提取網(wǎng)絡,在上采樣階段,先用3×3 的深度可分離卷積改變圖像的通道數(shù),然后使用轉(zhuǎn)置卷積進行上采樣。最后得到相當于輸入圖像4倍下采樣大小的特征圖,相比于傳統(tǒng)目標檢測算法使用16 倍下采樣作為特征圖,較大的特征圖更適合關鍵點估計。但是這里用到的特征圖原論文中只使用了最后4 倍下采樣的特征圖進行目標檢測,這會導致圖像的一些特征丟失。為了充分利用卷積階段的各個特征圖,本文將Resnet101網(wǎng)絡產(chǎn)生的4個特征圖使用特征金字塔(feature pyramid networks,F(xiàn)PN)[16]的特征圖融合方法進行融合。

    但是常規(guī)的特征金字塔融合方法是直接將各個特征圖進行融合的,沒有考慮到不同的特征圖對最后的目標檢測性能的區(qū)別。研究表明,各個階段的特征圖對于最后融合的特征圖的貢獻是不同的,Tan 等[17]在EfficientDet 中提出了一種對各個特征圖的加權特征融合方法BiFPN。在對特征圖進行融合時,對每個輸入的特征圖增加一個權重,這個權重是可學習的,這樣網(wǎng)絡能夠在訓練過程中學習到特征圖融合的權重,改變各個特征圖對最后目標檢測性能的貢獻。

    本文采用了快速標準化特征融合的方法來進行特征圖的權重融合,其表達式如下:

    在每一個wi后接一個Relu 函數(shù)來保證wi≥0 。其中ε=0.000 1,可以避免分母為0 而導致的數(shù)值不穩(wěn)定。經(jīng)過標準化之后每一個權重都落在了0 到1 之間,然后對不同的特征圖Ii進行加權求和,得到的O就是融合特征圖。

    本文中的特征融合網(wǎng)絡B-FPN的結構如圖6所示,圖中的圓形表示卷積操作,虛線箭頭表示上采樣,高層的特征圖通過上采樣與低層的特征圖進行融合,得到最后的特征圖輸出O。

    圖6 B-FPN結構Fig.6 B-FPN structure

    其計算公式如下:

    與CenterNet中的Resnet101特征提取網(wǎng)絡相比,本文使用的Resnet101+B-FPN 特征提取網(wǎng)絡能夠通過添加權重的方式進行特征圖融合,減少特征的損失。

    網(wǎng)絡改進前后的特征提取網(wǎng)絡如圖7所示。圖7(a)為CenterNet 中原本的特征提取網(wǎng)絡,圖7(b)為改進后的特征提取網(wǎng)絡。在網(wǎng)絡的上采樣階段在每一個轉(zhuǎn)置卷積前加上了一個3×3 的深度可分離卷積來改變通道數(shù),然后使用轉(zhuǎn)置卷積進行上采樣(如圖中32 →16 的上采樣過程中,黑色虛線箭頭表示深度可分離卷積,紅色實線箭頭表示轉(zhuǎn)置卷積上采樣,在16 →8、8 →4 的上采樣過程中,使用一個紅色虛線箭頭代替兩個過程)。最后得到相當于輸入圖像4倍下采樣大小的特征圖,相比于傳統(tǒng)目標檢測算法使用16 倍下采樣作為特征圖,較大的特征圖更適合關鍵點估計。

    圖7 特征提取網(wǎng)絡Fig.7 Feature extraction network

    特征圖后接4 個通道,分別為關鍵點檢測通道、關鍵點偏移量預測通道、抓取框尺寸預測通道以及抓取角度的預測通道。在本文的抓取檢測算法中,因為不涉及對目標類別的分類,只需要檢測是否可抓取,所以在抓取可行性熱力圖的通道數(shù)為1。在關鍵點偏移量預測通道中網(wǎng)絡會預測每個點在x與y方向上的偏移量,因此其通道數(shù)為2。在抓取框尺寸預測通道中網(wǎng)絡會預測抓取框的尺寸信息,分別w、h,通道數(shù)為2。最后在抓取角度預測通道,網(wǎng)絡會預測抓取框的抓取角度θ,其通道數(shù)為1。

    2.2 關鍵點估計及損失

    設I∈RH×W×3為寬為W、高為H的輸入圖像,網(wǎng)絡的輸出是利用關鍵點估計生成的熱力圖其中R是輸出特征圖的下采樣倍率(即尺寸縮放比例),本文中取4。C表示輸出特征圖的個數(shù),在本文的抓取檢測算法中,C=1,即可抓取類別。對于Ground Truth 的關鍵點K,其坐標為p∈R2,經(jīng)過下采樣之后在特征圖上的位置為。本文通過使用二維高斯核將熱力標簽分散到熱力圖中。其中σp為尺度自適應標準差,其值為卷積核大小的,本文使用大小為的高斯核,w表示標注抓取框的寬度。如圖8所示為高斯熱力分布圖。

    圖8 康奈爾抓取數(shù)據(jù)集中的物體及其抓取熱力圖Fig.8 Objects in Cornell grasp dataset and grasping heat map

    熱力圖在訓練時的損失函數(shù)使用改進的Focal Loss[18],其表達式如下:

    其中α、β為超參數(shù),在本實驗中選擇2 和4,N表示一張圖片中關鍵點的個數(shù)。不考慮權重(1-Yxyc)β,可以將上述損失函數(shù)轉(zhuǎn)換成以下形式:

    當Pt的值比較接近于1 時,(1-Pt)α會比較小,這樣損失函數(shù)的值也會變小;當Pt的值比較小時,表示當前樣本為難分樣本,對應的(1-Pt)α會比較大,這樣一來網(wǎng)絡在訓練過程中會更加關注難分樣本的分類。(1-Yxyc)β表示負樣本的權重項,在傳統(tǒng)的Focal Loss 中,對于預測值過高的負樣本,網(wǎng)絡會用來懲罰損失函數(shù),但是在關鍵點檢測中,期望越接近于中心點的位置其預測值越大,因此這里使用了(1-Yxyc)β權重項,當預測位置越接近中心點,其值就越小,損失函數(shù)也會越小。而對于遠離中心的預測位置,該項不起作用。

    2.3 關鍵點偏移及損失

    因為在對圖像進行下采樣操作時存在量化操作,這使得Ground Truth的關鍵點會產(chǎn)生偏移,所以需要對關鍵點的位置進行回歸。本文對每一個關鍵點的位置進行了局部偏移的預測,對于這個偏移量,使用L1 Loss 來訓練,這里只計算關鍵點處的偏移損失,損失函數(shù)表達式如下:

    其中,p表示中心點在原圖中的坐標,R為圖像的縮放尺度,本文取4,為量化操作后的坐標,N為正樣本的數(shù)量。

    2.4 目標尺寸預測及損失

    因為在抓取檢測算法中,目標框的bounding box不是水平矩形,所以無法用左上右下點的坐標來表示,這里需要用4 個點的坐標來表示bounding box。設表示目標k的bounding box 的4個角點的坐標,那么其中心點的位置為:

    同時也可以計算出目標的尺寸信息。根據(jù)康奈爾數(shù)據(jù)標注的特點,參考抓取框的寬為參考抓取框的高為。可以估計出目標尺寸信息:

    這里的損失函數(shù)也用到了L1 Loss函數(shù),其表達式如下:

    其中,為目標k的參考抓取框尺寸,可以表示為(w,h),w表示平行爪夾持器張開的寬度,h表示手爪的寬度,N為正樣本的數(shù)量。

    2.5 抓取角度預測及損失

    在抓取檢測算法中除了對抓取檢測框尺寸進行預測,還需要預測抓取框的角度,本文中的抓取角度θ表示平行爪夾持器在圖像平面中的投影與圖像水平方向所成的夾角,范圍為(0,π)。根據(jù)康奈爾抓取數(shù)據(jù)集上數(shù)據(jù)標注的規(guī)則,前兩個點所連線段的方向代表平行爪夾持器手爪張開的方向,即抓取角度,因此可以用θ=來表示。計算角度損失使用的損失函數(shù)為L1損失函數(shù),其表達式如下:

    其中,為目標k的抓取角度,N表示正樣本的數(shù)量。

    2.6 總損失函數(shù)

    因為本文沒有對目標尺寸做歸一化處理,直接選用原始像素的坐標,所以會導致Lsize的值較大。為了平衡損失函數(shù)的分布,需要在各個損失函數(shù)前添加權重,其表達式如下:

    參考了文獻[12]中的權重設置,在實驗中,使用λsize=0.1,λoff=1,λtheta=1。

    2.7 網(wǎng)絡的預測

    本文使用的輸入圖像大小為512×512,經(jīng)過4 倍下采樣操作之后特征圖的大小為128×128,網(wǎng)絡會在特征圖的每一個位置預測6個值,分別為特征圖每個點處的關鍵點熱力圖,偏移量δx、δy,尺寸預測值w、h,抓取角度預測量θ。

    在抓取熱力圖中將所有點與其8 鄰域內(nèi)的所有點的預測值做比較,如果該點的值大于或等于其他8個鄰近點則保留,最后保留滿足之前所有要求的前100個峰值點。設為抓取熱力圖中檢測到的n個預測關鍵點的集合,。其中每一個關鍵點的坐標都是以整數(shù)形式(i,)給出的,因此最后生成的抓取檢測框的表示形式為:

    其中,(δi,)表示關鍵點位置偏移量預測,表示抓取框的尺寸預測,表示抓取角度的預測值。所有的預測輸出都是通過點估計直接產(chǎn)生的,不需要進行非極大值抑制或其他后處理操作。

    3 實驗結果及分析

    3.1 實驗條件

    本文實驗使用的操作系統(tǒng)是ubuntu16.04,處理器的型號為Intel?CoreTMi7-8700K,顯卡型號為NVIDIA GeForce?GTX 1080Ti,采用NVIDIA CUDA9.0 加速工具箱。

    3.2 模型測試

    為了對新設計的Resnet101+B-FPN 模型的性能進行測試,在Pascal VOC數(shù)據(jù)集上進行實驗。Pascal VOC是一個常用的目標檢測數(shù)據(jù)集,其中包含20 個類別的16 551 張訓練圖片以及4 962 張測試圖片。本文使用IoU閾值為0.5時的mAP作為評價指標。比較CenterNet在分別使用Resnet101和Resnet101+B-FPN時網(wǎng)絡的表現(xiàn)。在實驗中分別采用了兩種分辨率的輸入384×384,512×512。兩個網(wǎng)絡采用相同的訓練策略,批大小為32,初始學習率設置為1.25E-4,總共迭代70次,其中在迭代次數(shù)達到45 和60 時將學習率減小為原來的1/10。實驗結果如表1所示。

    表1 Pascal VOC數(shù)據(jù)集上目標檢測的結果Table 1 Object detection results on Pascal VOC dataset

    從表1中可以看到,加入B-FPN之后網(wǎng)絡的mAP提高了,并且在大分辨率的圖片上mAP提高得更加明顯,由此可見使用了特征融合方法融合特征圖之后可以增強網(wǎng)絡的性能。在后續(xù)的抓取檢測網(wǎng)絡中,用到的特征提取網(wǎng)絡部分為Resnet101+B-FPN。

    3.3 訓練

    本實驗在康奈爾抓取數(shù)據(jù)集上進行訓練和測試,該數(shù)據(jù)集包含240 個可抓取物品的885 張圖片,在每張圖片中,可行的抓取被表示成抓取矩形框。在訓練時將數(shù)據(jù)集按照4∶1的比例劃分成訓練集與測試集。

    在訓練集上進行算法模型的訓練,512×512的圖像輸入到網(wǎng)絡當中,模型輸出大小為128×128。在訓練過程中,對訓練集中的圖像進行隨機翻轉(zhuǎn)、隨機旋轉(zhuǎn)、隨機縮放、隨機裁剪和色彩抖動等方法來進行數(shù)據(jù)增強,算法模型的優(yōu)化器選擇Adam。輸入數(shù)據(jù)的批量大小為16,迭代步數(shù)為140,初始學習率設定為0.001,在訓練步數(shù)達到60和80時,學習率減小為原來的1/10。

    訓練過程中損失函數(shù)的收斂趨勢如圖9所示。圖9(a)表示抓取檢測總損失函數(shù)(Ldet)的收斂趨勢,圖9(b)表示關鍵點估計損失函數(shù)(Lhm)的收斂趨勢,圖9(c)表示目標尺寸大小損失函數(shù)(Lsize)的收斂趨勢,圖9(d)表示目標中心點偏移損失函數(shù)(Loff)的收斂趨勢,圖9(e)表示角度預測損失函數(shù)(Ltheta)的收斂趨勢。

    圖9 訓練階段損失Fig.9 Loss in training stage

    3.4 評價指標及測試

    測試時本文采用的仍然是康奈爾抓取數(shù)據(jù)集來評估抓取檢測的性能。本實驗采用Zhang等人[22]提出的評價指標,當抓取檢測框滿足以下兩個條件時認為是一個正確的預測:

    (1)預測抓取框與參考抓取框之間抓取角度的差值小于30°。

    (2)Jaccard相似系數(shù)大于25%,其中Jaccard相似系數(shù)計算公式如下:

    其中,g表示預測抓取框所圍成的區(qū)域,表示參考抓取框所圍成的區(qū)域,表示兩個區(qū)域相交部分的面積,表示兩個區(qū)域覆蓋部分的面積。

    模型在康奈爾抓取數(shù)據(jù)集中的驗證集上的檢測結果如圖10所示。第一行為康奈爾抓取數(shù)據(jù)集中的物體,第二行為預測抓取熱力圖,第三行為抓取框的檢測結果。

    圖10 抓取檢測結果Fig.10 Results of grasp detection

    表2 是本文網(wǎng)絡模型與其他抓取網(wǎng)絡檢測模型的準確率與檢測速度的對比表。

    由表2可以發(fā)現(xiàn),本文的模型在準確率與檢測速度上都有提升,使用了無錨框的網(wǎng)絡結構使檢測速度更加快,同時使網(wǎng)絡具有更強的魯棒性。

    表2 抓取位置檢測算法準確率對比Table 2 Accuracy for grasping detection

    4 結束語

    為了加快抓取檢測網(wǎng)絡的檢測速度以及增強對抓取角度的檢測能力,本文提出了一種新的檢測方法,通過關鍵點估計的方法檢測抓取框的中心點位置,并且預測抓取的角度、尺寸等信息。一方面CenterNet 端到端的網(wǎng)絡結構以及無需后處理的網(wǎng)絡特點,能夠加快網(wǎng)絡的檢測速度;另一方面高分辨率的特征圖的輸入能夠檢測到更多的可行抓取框。同時,基于關鍵點的檢測思路與抓取檢測任務更加匹配,在抓取檢測時從抓取點去回歸抓取框,相較于基于錨框的抓取檢測算法能夠更好地得到抓取輪廓,獲得更多的可行抓取。在康奈爾抓取數(shù)據(jù)集中,相比于基于錨框的抓取檢測算法,基于關鍵點估計的檢測模型能夠在保證較高準確率的同時達到較快的檢測速度。實驗結果顯示本文的模型在驗證集上有97.6%的準確率,并且能夠達到42 frame/s的檢測速度。

    猜你喜歡
    關鍵點特征檢測
    聚焦金屬關鍵點
    肉兔育肥抓好七個關鍵點
    “不等式”檢測題
    “一元一次不等式”檢測題
    “一元一次不等式組”檢測題
    如何表達“特征”
    不忠誠的四個特征
    當代陜西(2019年10期)2019-06-03 10:12:04
    抓住特征巧觀察
    小波變換在PCB缺陷檢測中的應用
    醫(yī)聯(lián)體要把握三個關鍵點
    亚洲精品一区蜜桃| 婷婷丁香在线五月| 亚洲人成电影免费在线| 午夜精品久久久久久毛片777| 波多野结衣一区麻豆| 国产一区二区三区av在线| 色94色欧美一区二区| 91成人精品电影| 亚洲欧美一区二区三区久久| 搡老熟女国产l中国老女人| 我要看黄色一级片免费的| netflix在线观看网站| 一本久久精品| 一边摸一边抽搐一进一出视频| 午夜激情av网站| 亚洲专区字幕在线| 亚洲av成人一区二区三| 色播在线永久视频| 一本久久精品| 亚洲五月色婷婷综合| 日韩电影二区| 老鸭窝网址在线观看| 成年人黄色毛片网站| 伦理电影免费视频| 不卡一级毛片| 女人久久www免费人成看片| 久久性视频一级片| 啦啦啦在线免费观看视频4| 久久久久久免费高清国产稀缺| 午夜福利一区二区在线看| 99国产精品一区二区蜜桃av | 人妻一区二区av| 久久精品成人免费网站| 黄色怎么调成土黄色| 国产视频一区二区在线看| av欧美777| 国产成人精品无人区| 可以免费在线观看a视频的电影网站| 国产免费一区二区三区四区乱码| 成人av一区二区三区在线看 | 日日摸夜夜添夜夜添小说| 亚洲精品国产区一区二| 国产伦理片在线播放av一区| 亚洲美女黄色视频免费看| 国产高清国产精品国产三级| 动漫黄色视频在线观看| 黄色视频不卡| 国产一区二区在线观看av| 男男h啪啪无遮挡| 久久久久久久国产电影| 99精国产麻豆久久婷婷| 少妇人妻久久综合中文| 一区二区三区乱码不卡18| 国产精品影院久久| 精品国产乱码久久久久久男人| 日本vs欧美在线观看视频| 精品少妇内射三级| 国产一区有黄有色的免费视频| 亚洲av电影在线进入| 精品国产乱码久久久久久小说| 脱女人内裤的视频| 成年av动漫网址| 国产精品九九99| 国产欧美日韩综合在线一区二区| 咕卡用的链子| 新久久久久国产一级毛片| 久久精品人人爽人人爽视色| 一本色道久久久久久精品综合| 91九色精品人成在线观看| 乱人伦中国视频| 成人亚洲精品一区在线观看| 亚洲免费av在线视频| 大片免费播放器 马上看| 成人国产一区最新在线观看| 天天添夜夜摸| 少妇的丰满在线观看| 免费在线观看视频国产中文字幕亚洲 | 免费在线观看影片大全网站| 国产一区二区激情短视频 | 男人添女人高潮全过程视频| 欧美亚洲 丝袜 人妻 在线| 两个人看的免费小视频| 久久人人爽人人片av| 亚洲成人国产一区在线观看| 亚洲人成电影免费在线| 亚洲va日本ⅴa欧美va伊人久久 | 色综合欧美亚洲国产小说| 搡老熟女国产l中国老女人| 午夜视频精品福利| 又黄又粗又硬又大视频| 99久久国产精品久久久| 久久精品久久久久久噜噜老黄| 久久久久久久精品精品| 麻豆乱淫一区二区| 久久毛片免费看一区二区三区| a级毛片在线看网站| 亚洲精品国产一区二区精华液| 国产成人a∨麻豆精品| 亚洲色图综合在线观看| 丝袜脚勾引网站| 巨乳人妻的诱惑在线观看| 亚洲成人国产一区在线观看| 国产欧美日韩精品亚洲av| 中亚洲国语对白在线视频| 午夜福利在线观看吧| 可以免费在线观看a视频的电影网站| 十分钟在线观看高清视频www| 国产亚洲一区二区精品| 国产无遮挡羞羞视频在线观看| 无限看片的www在线观看| 9色porny在线观看| 久久久久视频综合| av网站在线播放免费| 久久久久久久久免费视频了| 99久久综合免费| 777久久人妻少妇嫩草av网站| 亚洲专区中文字幕在线| 国产xxxxx性猛交| 高清视频免费观看一区二区| 免费女性裸体啪啪无遮挡网站| 久久九九热精品免费| 日韩一卡2卡3卡4卡2021年| 国产一区二区 视频在线| 一区二区三区乱码不卡18| 亚洲自偷自拍图片 自拍| 亚洲欧美日韩另类电影网站| 999久久久精品免费观看国产| 亚洲成人免费电影在线观看| 亚洲精品一区蜜桃| 欧美午夜高清在线| 色94色欧美一区二区| 一级片免费观看大全| 欧美人与性动交α欧美精品济南到| 亚洲成国产人片在线观看| 欧美久久黑人一区二区| 在线观看舔阴道视频| 韩国高清视频一区二区三区| 国产又爽黄色视频| 亚洲国产日韩一区二区| 精品久久蜜臀av无| 婷婷色av中文字幕| 免费观看人在逋| 国产激情久久老熟女| 麻豆乱淫一区二区| 亚洲人成77777在线视频| 亚洲国产欧美在线一区| 成人av一区二区三区在线看 | 日日夜夜操网爽| 丝袜在线中文字幕| 性色av乱码一区二区三区2| 国产精品免费大片| 久久久久久久大尺度免费视频| 免费高清在线观看日韩| 男女国产视频网站| 天天躁夜夜躁狠狠躁躁| 国产福利在线免费观看视频| 黄色a级毛片大全视频| 亚洲 国产 在线| 99精国产麻豆久久婷婷| 亚洲精品国产色婷婷电影| 国产成人欧美| 亚洲欧美精品自产自拍| 黄色毛片三级朝国网站| 一个人免费看片子| 桃红色精品国产亚洲av| 女人爽到高潮嗷嗷叫在线视频| 精品视频人人做人人爽| bbb黄色大片| 夜夜骑夜夜射夜夜干| 一区福利在线观看| 午夜精品久久久久久毛片777| 亚洲专区字幕在线| 国产精品二区激情视频| 亚洲精品乱久久久久久| 黄色 视频免费看| 国产精品av久久久久免费| 欧美一级毛片孕妇| 亚洲三区欧美一区| 免费高清在线观看日韩| av天堂久久9| 亚洲国产成人一精品久久久| 免费观看人在逋| 免费av中文字幕在线| 另类精品久久| 国产伦人伦偷精品视频| 欧美精品av麻豆av| 一个人免费看片子| 亚洲天堂av无毛| 久久精品国产综合久久久| 日韩欧美一区视频在线观看| 日韩有码中文字幕| 欧美日韩av久久| 一本一本久久a久久精品综合妖精| 国产欧美日韩综合在线一区二区| 国产精品免费视频内射| 亚洲人成77777在线视频| 99热网站在线观看| 日韩中文字幕欧美一区二区| 俄罗斯特黄特色一大片| 国产日韩一区二区三区精品不卡| 搡老岳熟女国产| 中文欧美无线码| 午夜日韩欧美国产| 一本一本久久a久久精品综合妖精| 日本wwww免费看| 下体分泌物呈黄色| 亚洲人成77777在线视频| 伦理电影免费视频| 国产野战对白在线观看| 中亚洲国语对白在线视频| 久久99热这里只频精品6学生| 巨乳人妻的诱惑在线观看| 国产色视频综合| 国产亚洲精品一区二区www | tube8黄色片| 母亲3免费完整高清在线观看| 高潮久久久久久久久久久不卡| 免费黄频网站在线观看国产| 免费在线观看黄色视频的| 曰老女人黄片| 国产精品自产拍在线观看55亚洲 | 少妇人妻久久综合中文| 蜜桃国产av成人99| 午夜福利在线观看吧| 热re99久久国产66热| 亚洲精品久久成人aⅴ小说| 最黄视频免费看| 岛国在线观看网站| 欧美激情极品国产一区二区三区| 欧美精品av麻豆av| 巨乳人妻的诱惑在线观看| 国产欧美日韩一区二区精品| 美女国产高潮福利片在线看| 国内毛片毛片毛片毛片毛片| 天堂8中文在线网| 欧美av亚洲av综合av国产av| 一进一出抽搐动态| 热re99久久精品国产66热6| 国产亚洲精品久久久久5区| 搡老乐熟女国产| 91成人精品电影| 亚洲色图 男人天堂 中文字幕| 午夜日韩欧美国产| 久久久精品免费免费高清| 精品久久久久久电影网| 精品一区二区三区av网在线观看 | 他把我摸到了高潮在线观看 | 啦啦啦在线免费观看视频4| 男人添女人高潮全过程视频| 国产成人免费观看mmmm| 成年av动漫网址| 汤姆久久久久久久影院中文字幕| 美女国产高潮福利片在线看| 国产亚洲精品久久久久5区| 精品国内亚洲2022精品成人 | 欧美乱码精品一区二区三区| 国产一区二区三区综合在线观看| 搡老乐熟女国产| videos熟女内射| 国产黄频视频在线观看| 久久国产精品影院| 亚洲av欧美aⅴ国产| 亚洲欧美一区二区三区久久| 欧美日韩中文字幕国产精品一区二区三区 | 99热国产这里只有精品6| 侵犯人妻中文字幕一二三四区| 黄色视频,在线免费观看| 亚洲情色 制服丝袜| 天天影视国产精品| 欧美黄色淫秽网站| 亚洲精品一区蜜桃| 如日韩欧美国产精品一区二区三区| 老司机影院成人| 五月开心婷婷网| 法律面前人人平等表现在哪些方面 | 亚洲欧美精品自产自拍| 久久久久精品国产欧美久久久 | 亚洲av日韩在线播放| 国产成人欧美在线观看 | 天天操日日干夜夜撸| 免费久久久久久久精品成人欧美视频| 五月天丁香电影| 国产淫语在线视频| 亚洲精华国产精华精| 亚洲国产中文字幕在线视频| 国产精品1区2区在线观看. | av网站在线播放免费| 亚洲精品成人av观看孕妇| 中文字幕人妻丝袜一区二区| 精品熟女少妇八av免费久了| 99久久99久久久精品蜜桃| 亚洲成av片中文字幕在线观看| 夫妻午夜视频| 精品视频人人做人人爽| 高清av免费在线| av在线app专区| 18禁黄网站禁片午夜丰满| 在线观看www视频免费| 国产精品 国内视频| 无限看片的www在线观看| 视频区欧美日本亚洲| 精品一区二区三区av网在线观看 | 国产免费现黄频在线看| 午夜福利视频精品| 女人久久www免费人成看片| 青青草视频在线视频观看| 欧美黑人精品巨大| 美女扒开内裤让男人捅视频| 日韩精品免费视频一区二区三区| 美女扒开内裤让男人捅视频| 国产在线观看jvid| 欧美一级毛片孕妇| 国产野战对白在线观看| 在线av久久热| 波多野结衣av一区二区av| 人人妻人人澡人人看| 婷婷色av中文字幕| 免费人妻精品一区二区三区视频| 91九色精品人成在线观看| 天天躁狠狠躁夜夜躁狠狠躁| 交换朋友夫妻互换小说| 日本av手机在线免费观看| 国产欧美日韩一区二区三 | 一个人免费看片子| 一本色道久久久久久精品综合| 乱人伦中国视频| 国产极品粉嫩免费观看在线| 老汉色∧v一级毛片| 超色免费av| 国产精品一区二区在线不卡| 亚洲精品成人av观看孕妇| 天天操日日干夜夜撸| 久久精品亚洲熟妇少妇任你| 免费观看人在逋| 精品久久久精品久久久| 丝袜美腿诱惑在线| 搡老熟女国产l中国老女人| 久久久国产精品麻豆| 中文字幕av电影在线播放| 国产欧美日韩精品亚洲av| 久久久久久久久免费视频了| 一二三四社区在线视频社区8| 成人影院久久| 高清视频免费观看一区二区| 精品国产乱子伦一区二区三区 | 久久国产亚洲av麻豆专区| 日韩,欧美,国产一区二区三区| 黄色a级毛片大全视频| 精品乱码久久久久久99久播| 50天的宝宝边吃奶边哭怎么回事| 十八禁网站网址无遮挡| 9色porny在线观看| 日韩,欧美,国产一区二区三区| 精品国产乱子伦一区二区三区 | 亚洲专区字幕在线| 亚洲av日韩在线播放| 99国产精品一区二区三区| 狠狠婷婷综合久久久久久88av| 欧美乱码精品一区二区三区| 中文字幕人妻丝袜制服| 亚洲一区中文字幕在线| 电影成人av| 国产精品1区2区在线观看. | 在线精品无人区一区二区三| 亚洲色图综合在线观看| 人人妻人人澡人人爽人人夜夜| 真人做人爱边吃奶动态| 91成年电影在线观看| 亚洲国产欧美网| 午夜福利免费观看在线| 国产成+人综合+亚洲专区| 欧美激情高清一区二区三区| 99国产精品一区二区三区| 亚洲欧美精品自产自拍| 欧美精品亚洲一区二区| 嫁个100分男人电影在线观看| 亚洲欧美激情在线| 日本av免费视频播放| 老汉色∧v一级毛片| 午夜精品久久久久久毛片777| 每晚都被弄得嗷嗷叫到高潮| 视频区图区小说| 99久久人妻综合| 黄色片一级片一级黄色片| 男人舔女人的私密视频| 最新在线观看一区二区三区| 精品国产一区二区三区四区第35| 国产精品欧美亚洲77777| 欧美黑人精品巨大| 国产一区二区 视频在线| 人人妻人人爽人人添夜夜欢视频| 99国产精品免费福利视频| 多毛熟女@视频| 午夜福利乱码中文字幕| 亚洲国产精品一区三区| 啦啦啦 在线观看视频| 人人澡人人妻人| 欧美黄色片欧美黄色片| 啦啦啦视频在线资源免费观看| 岛国毛片在线播放| 9色porny在线观看| 80岁老熟妇乱子伦牲交| 欧美大码av| 欧美变态另类bdsm刘玥| 婷婷丁香在线五月| 少妇精品久久久久久久| 亚洲欧洲日产国产| 男女床上黄色一级片免费看| 91精品伊人久久大香线蕉| 成在线人永久免费视频| 亚洲一区中文字幕在线| 欧美亚洲 丝袜 人妻 在线| 999久久久精品免费观看国产| tocl精华| 午夜免费成人在线视频| 亚洲综合色网址| 国产av一区二区精品久久| 久久ye,这里只有精品| 国产精品二区激情视频| 热re99久久国产66热| 日韩欧美免费精品| 亚洲欧美精品综合一区二区三区| 成年人黄色毛片网站| 狠狠精品人妻久久久久久综合| 日韩一卡2卡3卡4卡2021年| 欧美av亚洲av综合av国产av| 丰满人妻熟妇乱又伦精品不卡| 亚洲国产精品999| 久久99热这里只频精品6学生| 性高湖久久久久久久久免费观看| 欧美人与性动交α欧美软件| 午夜福利在线观看吧| 热re99久久精品国产66热6| av福利片在线| 国产一区有黄有色的免费视频| www.精华液| 亚洲国产精品999| 丁香六月欧美| 国产伦人伦偷精品视频| 精品少妇一区二区三区视频日本电影| 成年动漫av网址| 午夜久久久在线观看| 欧美午夜高清在线| 日日爽夜夜爽网站| 男女之事视频高清在线观看| 97精品久久久久久久久久精品| 欧美亚洲 丝袜 人妻 在线| 每晚都被弄得嗷嗷叫到高潮| 十分钟在线观看高清视频www| 日韩电影二区| 两个人看的免费小视频| 亚洲人成77777在线视频| 欧美性长视频在线观看| 桃红色精品国产亚洲av| 亚洲av成人不卡在线观看播放网 | 国产一卡二卡三卡精品| 在线观看免费高清a一片| 国产亚洲精品久久久久5区| 亚洲欧美精品综合一区二区三区| 午夜精品久久久久久毛片777| 97在线人人人人妻| 黑人猛操日本美女一级片| www.999成人在线观看| 精品国产国语对白av| 99国产精品一区二区蜜桃av | 午夜激情av网站| 两性夫妻黄色片| 亚洲全国av大片| 日韩中文字幕视频在线看片| 久久中文看片网| 午夜福利视频精品| 天天操日日干夜夜撸| 久久久久久免费高清国产稀缺| 国产精品秋霞免费鲁丝片| 国产精品麻豆人妻色哟哟久久| 夫妻午夜视频| 欧美激情极品国产一区二区三区| av不卡在线播放| 视频在线观看一区二区三区| 久久人人97超碰香蕉20202| 精品欧美一区二区三区在线| 深夜精品福利| 咕卡用的链子| 18在线观看网站| 亚洲 国产 在线| 老司机福利观看| 日本精品一区二区三区蜜桃| 咕卡用的链子| 18在线观看网站| www.自偷自拍.com| 国产精品 欧美亚洲| 亚洲久久久国产精品| 搡老熟女国产l中国老女人| 最近最新免费中文字幕在线| 亚洲专区中文字幕在线| 免费久久久久久久精品成人欧美视频| 欧美日本中文国产一区发布| 欧美国产精品va在线观看不卡| 这个男人来自地球电影免费观看| 日韩欧美国产一区二区入口| 欧美少妇被猛烈插入视频| 国产一区二区激情短视频 | 亚洲天堂av无毛| 波多野结衣av一区二区av| av天堂久久9| 国产精品一区二区在线观看99| 下体分泌物呈黄色| 国产极品粉嫩免费观看在线| 一区福利在线观看| 久久国产亚洲av麻豆专区| 99国产精品一区二区蜜桃av | 秋霞在线观看毛片| 久久久精品国产亚洲av高清涩受| 80岁老熟妇乱子伦牲交| 丝袜美足系列| 日韩人妻精品一区2区三区| 午夜精品国产一区二区电影| 色综合欧美亚洲国产小说| 精品少妇黑人巨大在线播放| 精品国产国语对白av| 视频在线观看一区二区三区| 人人妻,人人澡人人爽秒播| 男女高潮啪啪啪动态图| 亚洲人成77777在线视频| 97精品久久久久久久久久精品| 三级毛片av免费| 两个人免费观看高清视频| 国产av国产精品国产| cao死你这个sao货| 999久久久国产精品视频| 亚洲综合色网址| 日韩,欧美,国产一区二区三区| 亚洲va日本ⅴa欧美va伊人久久 | 国产视频一区二区在线看| 亚洲国产av影院在线观看| 日韩欧美一区二区三区在线观看 | 日本vs欧美在线观看视频| 日韩欧美一区视频在线观看| 亚洲成人手机| 丝袜人妻中文字幕| 91成人精品电影| 久久综合国产亚洲精品| 亚洲欧美精品自产自拍| 成人av一区二区三区在线看 | 国产一区二区三区综合在线观看| 岛国在线观看网站| 久久精品久久久久久噜噜老黄| 亚洲精品久久成人aⅴ小说| 美女福利国产在线| 亚洲精品自拍成人| 男女午夜视频在线观看| 久久人人爽av亚洲精品天堂| 亚洲欧美一区二区三区黑人| 亚洲国产欧美日韩在线播放| 国产激情久久老熟女| 久久精品人人爽人人爽视色| 国产视频一区二区在线看| 欧美黄色淫秽网站| 久久久久精品人妻al黑| 美女国产高潮福利片在线看| 黄色片一级片一级黄色片| 国产又色又爽无遮挡免| 国产在视频线精品| 亚洲美女黄色视频免费看| 日韩视频在线欧美| 在线观看免费高清a一片| 亚洲av国产av综合av卡| 午夜福利视频在线观看免费| 黄色a级毛片大全视频| 99国产精品一区二区蜜桃av | 国产成人欧美| 国产精品免费大片| 天天添夜夜摸| 国产无遮挡羞羞视频在线观看| 亚洲综合色网址| videosex国产| 午夜两性在线视频| 777米奇影视久久| 成人免费观看视频高清| 亚洲熟女毛片儿| 欧美一级毛片孕妇| 成人免费观看视频高清| 午夜两性在线视频| 中文精品一卡2卡3卡4更新| 性高湖久久久久久久久免费观看| 亚洲午夜精品一区,二区,三区| 超色免费av| 黑人巨大精品欧美一区二区蜜桃| 亚洲国产欧美在线一区| 12—13女人毛片做爰片一| 国产有黄有色有爽视频| 亚洲一区中文字幕在线| 后天国语完整版免费观看| 中文字幕精品免费在线观看视频| 五月开心婷婷网| 一本—道久久a久久精品蜜桃钙片| 天天躁夜夜躁狠狠躁躁| 亚洲伊人久久精品综合| 国产又爽黄色视频| 亚洲国产精品一区三区| 久久女婷五月综合色啪小说| 91九色精品人成在线观看| 久久亚洲精品不卡| 欧美久久黑人一区二区| 欧美日韩中文字幕国产精品一区二区三区 | 精品国产国语对白av| 高清黄色对白视频在线免费看| 久热爱精品视频在线9| 天堂中文最新版在线下载| 国产日韩欧美视频二区| 久9热在线精品视频| 99国产极品粉嫩在线观看| 亚洲第一欧美日韩一区二区三区 | 99国产极品粉嫩在线观看| 国产男女内射视频|