• <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(guān)鍵點特征融合的六自由度位姿估計方法

    2022-03-09 03:30:52王太勇孫浩文
    關(guān)鍵詞:位姿關(guān)鍵點深度

    王太勇,孫浩文

    基于關(guān)鍵點特征融合的六自由度位姿估計方法

    王太勇1, 2,孫浩文1

    (1. 天津大學機械工程學院,天津 300350;2. 天津仁愛學院,天津 301636)

    針對單張RGB-D圖像進行六自由度目標位姿估計難以充分利用顏色信息與深度信息的問題,提出了一種基于多種網(wǎng)絡(luò)(金字塔池化網(wǎng)絡(luò)和PointNet++網(wǎng)絡(luò)結(jié)合特征融合網(wǎng)絡(luò))構(gòu)成的深度學習網(wǎng)絡(luò)框架.方法用于估計在高度雜亂場景下一組已知對象的六自由度位姿.首先對RGB圖像進行語義識別,將每一個已知類別的對象掩膜應(yīng)用到深度圖中,按照掩膜的邊界框完成對彩色圖與深度圖進行語義分割;其次,在獲取到的點云數(shù)據(jù)中采用FPS算法獲取關(guān)鍵點,映射到彩色圖像與深度圖像中進行關(guān)鍵點特征提取,將RGB-D圖像中的顏色信息與深度信息視為異構(gòu)數(shù)據(jù),考慮關(guān)鍵點需要充分融合局部信息與全局信息,分別采用了金子塔池化網(wǎng)絡(luò)(pyramid scene parsing network,PSPNet)和PointNet++網(wǎng)絡(luò)提取顏色信息與深度信息;采用一種新型的關(guān)鍵點特征融合方法,深度融合提取到顏色信息與幾何信息的局部及全局特征,并嵌入到選定的特征點中;使用多層感知機(multilayer perceptron,MLP)輸出每一個像素點的六自由度位姿和置信度,利用每一個像素點的置信度,讓網(wǎng)絡(luò)自主選擇最優(yōu)的估計結(jié)果;最后,利用一種端到端的迭代位姿求精網(wǎng)絡(luò),進一步提高六自由度位姿估計的準確度.網(wǎng)絡(luò)在公開的數(shù)據(jù)集LineMOD和YCB-Video上進行測試,實驗結(jié)果表明和現(xiàn)有同類型的六自由度位姿估計方法相比,本文所提出的模型預(yù)測的六自由度準確度優(yōu)于現(xiàn)有的同類型方法,在采用相同的評價標準下,平均準確度分別達到了97.2%和95.1%,分別提升了2.9%和3.9%.網(wǎng)絡(luò)同時滿足實時性要求,完成每一幀圖像的六自由度位姿預(yù)測僅需0.06s.

    六自由度位姿估計;深度學習;特征融合;機器視覺

    六自由度位姿估計是指在標準坐標系下識別物體的三維位置和姿態(tài),是機器人抓取和操縱[1-3]、自主駕駛[4-5]、增強現(xiàn)實[6]等應(yīng)用中的重要組成部分.理想情況下的解決方案可以處理形狀和紋理不同的對象,并在傳感器噪聲和變化的光照條件中表現(xiàn)出魯棒性,同時達到實時性要求.

    傳統(tǒng)的方法如Papazov等[7]與Alvaro等[8]使用手工制作的特征來提取圖像和物體體素模型之間的對應(yīng)關(guān)系.這種依靠人類經(jīng)驗設(shè)計的特征在光照條件變化或嚴重遮擋的場景準確度會大幅下降,導致傳統(tǒng)的方法很難應(yīng)用到實際中.

    最近,隨著機器學習和深度學習技術(shù)的爆炸性增長,基于深度學習的方法被引入到這一任務(wù)中.Tekin等[9]與Tjaden等[10]提出直接使用深度卷積網(wǎng)絡(luò)回歸對象的旋轉(zhuǎn)和平移.然而,由于旋轉(zhuǎn)空間的非線性,這些方法通常具有較差的泛化能力.Peng等[11]提出了PVNet,通過霍夫投票得出關(guān)鍵點,并使用多點透視成像(perspective-n-point,PNP)算法計算對象的六自由度位姿,Park等[12]與Yu等[13]采用了類似的方法.雖然這兩個階段的方法表現(xiàn)更穩(wěn)定,但大多數(shù)都建立在物體的二維投影的基礎(chǔ)上.在真實的三維空間中,投影中較小的誤差會被放大,并伴隨投影重疊現(xiàn)象導致對象間難以區(qū)分.此外,剛性物體的幾何約束信息由于投影導致部分丟失.

    另一方面,隨著廉價RGB-D傳感器的發(fā)展,越來越多的RGB-D數(shù)據(jù)集被提出.借助從深度相機中獲取額外的深度信息,許多優(yōu)秀的二維空間算法被擴展到三維空間,如Xu等[14]提出了PointFusion、Qi?等[15]提出了Frustum PointNet和Chen等[16]提出了MVSNet++.傳統(tǒng)的方法如Teng等[17]直接將深度信息視作與顏色信息同構(gòu)的數(shù)據(jù),用相同的特征提取方法處理深度信息;Wang等[18]提出了DenseFusion網(wǎng)絡(luò)將深度信息利用已知的相機內(nèi)參轉(zhuǎn)換為點云數(shù)據(jù)采用PointNet模型來處理點云數(shù)據(jù)提取幾何特征,并進行像素級特征融合實現(xiàn)了高準確度的六自由度位姿估計;Deng等[6]利用自監(jiān)督學習與霍夫投票來進行六自由度位姿的預(yù)測;Chen等[19]提出一種類別級的六自由度位姿預(yù)測方法,將目標對象進行三維空間上的歸一化再進行位姿預(yù)測;Gao等[4]直接利用激光雷達獲取到的點云圖像完成六自由度位姿預(yù)測.

    盡管Wang等[18]提出了DenseFusion網(wǎng)絡(luò)在處理公開數(shù)據(jù)集中達到了良好的效果,但是在處理深度圖像時采用了PointNet[20]方法,此方法只能提取采樣點的幾何特征,局部幾何特征的欠缺,提高了預(yù)測六自由度位姿的難度.此外在生成全局特征的提取中,直接對所有采樣點進行平均池化,雖然平均池化函數(shù)作為對稱函數(shù)可以有效解決點云數(shù)據(jù)的無序性問題[20],但是沒有充分利用點云數(shù)據(jù)間的幾何關(guān)系和采樣點與二維圖像中像素點的映射關(guān)系.

    Peng等[11]提出的PVNet已經(jīng)在2D圖像中證實選取存在于物體的幾何邊界處的關(guān)鍵點對于提高預(yù)測位姿的準確度有較大的提升.本文提出了一種三維點云數(shù)據(jù)中基于關(guān)鍵點的新型網(wǎng)絡(luò)架構(gòu),在點云數(shù)據(jù)中利用最遠特征點采樣算法(farthest point sampling,F(xiàn)PS)選取關(guān)鍵點,引入金字塔池化網(wǎng)絡(luò)和PointNet++網(wǎng)絡(luò)[21]來分別處理彩色圖像和深度圖像,采用點云上采樣和平均池化函數(shù)生成全局幾何特征,對關(guān)鍵點進行像素級特征嵌入融合,提高模型的識別準確度,實現(xiàn)高準確度的六自由度位姿預(yù)測.

    1?網(wǎng)絡(luò)結(jié)構(gòu)提出

    在實際的應(yīng)用場景中,六自由度位姿估計存在著物體相互遮擋、光線不佳等挑戰(zhàn),充分利用RGB-D圖像中的顏色信息和深度信息弱化外界環(huán)境的影響是當下主流的解決方法.通過關(guān)鍵點進行六自由度位姿估計可以弱化物體之間相互遮擋的影響,但是需要充分提取關(guān)鍵點的幾何信息與顏色信息.這兩種信息處于不同的空間之中,所以從異構(gòu)數(shù)據(jù)中提取特征并進行嵌入融合是六自由度位姿估計領(lǐng)域的關(guān)鍵技術(shù)挑戰(zhàn).本文所設(shè)計的網(wǎng)絡(luò)首先通過兩種不同的方式處理顏色和深度信息來解決數(shù)據(jù)異構(gòu)的問題,之后利用顏色信息和深度信息在二維圖像中內(nèi)在的映射關(guān)系在預(yù)先選定的像素點中進行特征嵌入融合,最后通過可微迭代求精模塊對估計位姿進行求精.

    1.1?網(wǎng)絡(luò)總體結(jié)構(gòu)

    本文所提出的網(wǎng)絡(luò)總體結(jié)構(gòu)如圖1所示.網(wǎng)絡(luò)模型包括兩個階段,第1階段以彩色圖像作為輸入對每個已知類別進行語義分割,即提取出已知對象的掩膜,應(yīng)用到彩色圖像和深度圖像中生成邊界框以完成語義分割.語義分割網(wǎng)絡(luò)是一個編碼解碼結(jié)構(gòu),利用輸入的彩色圖像,生成+1個語義分割圖.每個分割圖描述個可能的已知類別中的對象.由于筆者工作的重點是設(shè)計一種六自由度估計方法,并為了保證實驗對比的公平性,筆者選取當前主流方法使用的語義分割網(wǎng)絡(luò)[22].第2階段處理分割結(jié)果并估計對象的六自由度位姿,包括5個部分:關(guān)鍵點選取過程、基于PointNet++模型的深度信息提取網(wǎng)絡(luò)、像素級特征嵌入融合網(wǎng)絡(luò)、基于無監(jiān)督置信度評分的像素級六自由度位姿的估計、位姿求精網(wǎng)絡(luò).

    圖1?六自由度位姿估計網(wǎng)絡(luò)總體結(jié)構(gòu)

    1.2?關(guān)鍵點選取

    利用待估計物體的幾何信息的關(guān)鍵點主要存在于物體的幾何邊界處這一先驗信息[11,20],在高度雜亂的場景下,相較于從圖像中隨機選取個點作為關(guān)鍵點來進行位姿估計,預(yù)先選取幾何邊界處的采用點進行特征提取可以提高幾何信息的提取效率,并且可以大幅降低需要的采樣點數(shù)量,提高算法實時性.在二維RGB圖像中,通過選取關(guān)鍵點來進行六自由度位姿的估計是常用的方法,但是剛性物體會由于投影造成幾何信息的部分丟失,并且不同的關(guān)鍵點會由于投影而重疊,導致難以區(qū)分.在三維點云數(shù)據(jù)中,關(guān)鍵點通常選擇三維邊界框的8個角點,這些點是遠離物體上的虛擬點,使得網(wǎng)絡(luò)很難聚合它們附近的顏色以及幾何信息,造成距離關(guān)鍵點越遠的點的位姿估計的誤差越大,對于六自由度位姿估計的參數(shù)計算有一定的影響.

    本文選用了最遠特征點采樣算法(farthest point sampling,F(xiàn)PS)選取關(guān)鍵點.具體來說是將物體點云的中心點作為初始點添加入算法中來進行選擇過程,每一次添加距離所選定關(guān)鍵點最遠的點至關(guān)鍵點集中,將該點作為新的初始點進行迭代,直到集合數(shù)量達到個關(guān)鍵點.通過提取這些關(guān)鍵點的特征作為六自由度位姿估計的依據(jù).LineMOD數(shù)據(jù)集中燈罩對象的關(guān)鍵點的選取如圖2所示,橙色點代表選取的關(guān)鍵點,從圖2(a)的點云關(guān)鍵點可以看出橙色點主要集中在圖像的邊緣處,圖2(b)將關(guān)鍵點投影回二維圖像,關(guān)鍵點產(chǎn)生了一定程度上的重疊.

    圖2?LineMOD數(shù)據(jù)集燈罩關(guān)鍵點

    1.3?特征提取

    1.3.1?顏色特征提取網(wǎng)絡(luò)

    顏色特征提取網(wǎng)絡(luò)的目標是提取每個像素的顏色特征,以便在三維點特征和圖像特征之間形成緊密的對應(yīng)關(guān)系.本文采用了由Zhao等[23]提出的基于深度卷積網(wǎng)絡(luò)的金字塔池化模型.該網(wǎng)絡(luò)通過挖掘顏色特征并聚合了基于不同區(qū)域的上下文信息,在場景解析領(lǐng)域取得了良好的效果.它將尺寸為××3的圖像映射到××rgb特征空間.每個像素嵌入了表示相應(yīng)位置處的輸入圖像的顏色信息的rgb維特征向量.

    1.3.2?幾何特征提取網(wǎng)絡(luò)

    通過FPS算法選定的關(guān)鍵點集中在物體的邊緣位置,為了能讓邊界點可以更好地預(yù)測六自由度,需要邊界點能夠充分地融合局部幾何信息和全局幾何信息.PointNet網(wǎng)絡(luò)只是單純地做了幾何特征維度上的擴展,之后使用池化函數(shù)得到全局幾何特征,完全丟失了點的局部幾何特征.為了避免這一情況的發(fā)生,本文使用PointNet++來代替PointNet,利用PointNet++可以提取局部幾何特征這一特性讓關(guān)鍵點具有更加豐富的幾何信息.

    首先使用已知的相機內(nèi)參將分割好的深度圖像轉(zhuǎn)換為3D點云數(shù)據(jù),之后使用類似PointNet++模型來提取幾何特征,PointNet與PointNet++提取幾何特征原理如圖3所示.從圖3(a)中可以看出,PointNet模型直接對點的三維坐標特征進行學習,而忽略了點之間的幾何關(guān)系.所以Wang等[18]使用的PointNet雖然可以提取三維坐標點的幾何特征,但是忽略了三維坐標點之間的局部幾何特征.Qi等[20]提出了PointNet++模型,從圖3(b)中可以看出,模型將稀疏的點云進行分割,在分割區(qū)域內(nèi)不斷地提取幾何特征作為局部特征,擴大局部范圍繼續(xù)學習局部特征,直到獲得全局幾何特征.

    圖3?幾何特征下采樣提取原理

    為了更加充分地利用全局幾何特征,本文改進了PointNet++模型,對提取出的點云全局特征進行了上采樣,如圖4所示.二維圖像中的上采樣技術(shù)是將學習到的全局特征上采樣到每一個像素點,讓每一個像素點都獲取到全局特征.像素點根據(jù)全局特征預(yù)測所屬類別信息,已經(jīng)在二維圖像中的圖像分割領(lǐng)域取得了巨大的成功.利用點云三維數(shù)據(jù)與彩色圖像二維數(shù)據(jù)的內(nèi)在一一對應(yīng)關(guān)系,將點云數(shù)據(jù)進行上采樣,每個選定的像素點將獲得geo維度的全局幾何特征.

    圖4?幾何特征上采樣原理

    1.4?像素級特征融合與位姿估計

    為了減小由于語義分割誤差對特征提取階段的影響,特征融合階段沒有采用直接融合顏色特征與幾何特征的全局信息方法,而是設(shè)計了像素級特征融合網(wǎng)絡(luò).其核心是先進行局部逐像素融合,再嵌入全局信息,以此增加每一關(guān)鍵點所攜帶的信息量.

    由于像素點和三維點之間的映射是唯一的,所以融合過程首先利用已知的攝像頭的內(nèi)參,基于圖像平面上的投影,將每個點的幾何特征與其對應(yīng)的像素點的顏色特征關(guān)聯(lián)并進行局部特征的融合.如圖5所示的特征融合階段,橙色方格代表的是每一個關(guān)鍵點對應(yīng)像素點的顏色特征,藍色方格代表的是每一個關(guān)鍵點的局部幾何特征,通過維度拼接的方式進行特征融合,融合后代表每一個關(guān)鍵點的局部特征.產(chǎn)生局部特征后嵌入經(jīng)過點云上采樣的全局幾何特征,并送入多層感知機進行學習,為了消除點云無序性的影響加入了平均池化函數(shù),最終得到了代表全局信息的綠色方格.通過這種方式有效地結(jié)合了提取到的所有特征,關(guān)鍵點的局部信息保證每個選取的像素點都可以做出預(yù)測,嵌入全局特征可以豐富每個像素點的特征,以提供全局上下文信息,達到了最小化遮擋和噪聲影響的目的.最后將全局信息送入多層感知機進行位姿估計.同時利用自監(jiān)督機制,讓網(wǎng)絡(luò)決定通過那個關(guān)鍵點可以得到最好的位姿預(yù)測,在輸出六自由度位姿估計的同時還輸出每個關(guān)鍵點的置信度分數(shù).

    本文的六自由度位姿估計的損失定義為真實位姿下物體模型上的關(guān)鍵點與預(yù)測姿態(tài)變換后的同一模型上對應(yīng)點之間的距離.每一個關(guān)鍵點的損失函數(shù)的公式為

    式中代表在N個關(guān)鍵點中第個關(guān)鍵點.

    式(1)只對非對稱物體有良好的效果,當估計對象是對稱物體時會有多個正確的六自由度位姿,使用式(2)來計算估計模型上每個點和真實模型上的最近點的距離.

    損失函數(shù)定義為每個關(guān)鍵點的損失綜合,本文所提出的網(wǎng)絡(luò)在輸出六自由度位姿的同時還輸出了每個關(guān)鍵點的置信度.關(guān)鍵點的置信度是根據(jù)每個關(guān)鍵點的上下文信息決定哪個位姿估計可能是最好的假設(shè),最終的損失函數(shù)定義為

    1.5?位姿求精模型

    迭代最近點(iterative closest point,ICP)算法是許多六自由度位姿估計方法使用的一種求精方法,雖然準確度很高但是效率較低,無法滿足實時性要求.

    2?實驗及數(shù)據(jù)對比

    2.1?數(shù)據(jù)集

    LineMOD數(shù)據(jù)集由Hinterstoisser等收集提出,是一個包含13個低紋理對象視頻的視頻數(shù)據(jù).數(shù)據(jù)集中有標注的真實六自由度位姿和實例的掩膜.這個數(shù)據(jù)集的主要挑戰(zhàn)是場景雜亂、存在低紋理物體和環(huán)境光照變化.它被經(jīng)典方法和基于學習的方法廣泛采用.本文沒有額外的合成數(shù)據(jù),挑選1214個關(guān)鍵幀作為訓練集,1335個關(guān)鍵幀作為測試集.

    YCB-Video數(shù)據(jù)集包含21個形狀和紋理各不相同的YCB對象.捕獲了92個對象子集的RGB-D視頻,每個視頻顯示不同室內(nèi)場景中21個對象的子集.這些視頻中包括六自由度位姿和實例語義分割產(chǎn)生的掩碼.數(shù)據(jù)集同樣具有多變的光照條件、顯著的圖像噪聲和遮擋等挑戰(zhàn).本文將數(shù)據(jù)集分割成80個視頻用于訓練,從剩余的12個視頻中挑選2949個關(guān)鍵幀用于測試.

    2.2?訓練細節(jié)

    本文對深度學習模型和測試模型都是基于pytorch1.7環(huán)境,在一個具備6Gb的GTX 1660 顯卡的計算機上完成的.顏色特征提取中下采樣部分采用的是ResNet-18,金字塔池化模型采用4層結(jié)構(gòu),每一層的上采樣前特征圖尺寸為1×1、2×2、3×3、?6×6.深度信息提取選取1024個點進行預(yù)處理,選取200個點作為關(guān)鍵點.每一個關(guān)鍵點在嵌入全局特征后包含1408維的特征向量.網(wǎng)絡(luò)的學習率為0.001,位姿迭代求精由4個全連接層組成,這些層直接輸出位姿的殘差,每一個實驗都采用了2次迭代求精.

    2.3?評價標準

    在測試集中每一次輸入一幀圖像進行六自由度位姿估計.在測試集中為了驗證位姿估計在整個物體上的準確度,每一次在整個物體上隨機采樣500個點,通過計算ADD/ADD-S曲線下的面積,即計算500個采樣點在歐氏空間下的平均距離來評估預(yù)測結(jié)果.閾值設(shè)定為0.1m,平均距離小于0.1m視為對此幀圖像六自由度位姿估計成功.通過計算所有數(shù)據(jù)集下的平均準確度對算法進行評價.

    2.4?測試結(jié)果評價分析

    2.4.1?LineMOD數(shù)據(jù)集實驗結(jié)果分析

    在基于LineMOD數(shù)據(jù)集的實驗中,將本文提出的方法與Wang等[18]DenseFusion方法在訓練過程中損失值的下降收斂情況進行對比,如圖6所示.從圖6中可以看出本文提出方法的收斂速度高于DenseFusion方法.在進行70次訓練后本文方法的平均誤差達到0.608cm,而DenseFusion的平均損失為0.708cm.在測試中,同時對比分析了輸入為RGB圖像的方法:PoseCNN方法[22]和PVNet方法[11];與輸入為RGB-D圖像的方法:SSD方法[24]和DenseFusion方法[18],這些方法都與本文采用了同樣的評價標準,測試結(jié)果如表1所示.

    在表1通過4種方法進行對比,列出了LinMOD數(shù)據(jù)集中每一個類別的ADD(S)準確率,可以看出本文提出的方法在準確率上高于現(xiàn)有的同類型方法.其中SSD方法將RGB-D圖像中的顏色圖像和深度圖像視為同構(gòu)數(shù)據(jù)采用了共享參數(shù)的多層感知機進行特征提取,從最終的位姿預(yù)測的準確度看出這種方法甚至遜于RGB圖像中的方法.本文將其視為異構(gòu)數(shù)據(jù),采用了不同方法處理兩種數(shù)據(jù),大幅提高了預(yù)測準確度.相較于傳統(tǒng)的RGB圖像的方法,本文所提出的方法也更加具有優(yōu)勢.由于本文充分利用了關(guān)鍵點之間的幾何關(guān)系,并設(shè)計了新的像素級特征融合方法,較于目前最優(yōu)秀的位姿預(yù)測方法DenseFusion,平均預(yù)測準確度提高了2.9%.對于LineMOD數(shù)據(jù)集訓練結(jié)果的可視化如圖7(a)所示,可以看出將經(jīng)過變換后的點云投影到圖片上與RGB圖像重合度?較高.

    圖6?LineMOD數(shù)據(jù)集損失值變化曲線

    表1?LineMOD數(shù)據(jù)集實驗預(yù)測準確度

    Tab.1?6-DoF estimation result of the LineMOD dataset

    圖7 LineMOD數(shù)據(jù)集與YCB-Video數(shù)據(jù)集中本文方法實驗結(jié)果效果

    2.4.2?YCB-Video數(shù)據(jù)集實驗結(jié)果分析

    在基于YCB-Video數(shù)據(jù)集的實驗中對比分析了PoseCNN方法[22]DenseFusion方法[18],兩種方法與本文采用了同樣的評價標準,測試結(jié)果如表2所示.從表2中可以看出本文所提出的方法相較于當前最優(yōu)秀的方法在ADD-S標準下提升了3.9%,在ADD(s)標準下提升了7.7%.

    表2?YCB-Video數(shù)據(jù)集實驗結(jié)果

    Tab.2?6-DoF estimation result of a YCB-Video dataset

    在YCB-Video數(shù)據(jù)集主要的挑戰(zhàn)是存在物體之間大量的遮擋,因此按照Wang等[18]提出的方法分析了在不同的遮擋條件下,遮擋對六自由度位姿估計的影響,如圖8所示.從圖8中可以看出在遮擋條件下本文所提方法明顯優(yōu)于現(xiàn)有的方法.在高遮擋下仍然擁有較高的準確度,說明本文所提出的基于關(guān)鍵點的特征融合算法在高度遮擋情況下仍然可以利用余下的關(guān)鍵點之間的幾何關(guān)系,達到較高的位姿估計準確度,再次證明了關(guān)鍵點的選取在位姿估計中的重要作用.在YCB-Video的數(shù)據(jù)集上的具體實驗效果對如圖7(b)所示.

    2.4.3?算法實時性

    由于增加了提取關(guān)鍵點局部幾何特征的PointNet++網(wǎng)絡(luò),增加了網(wǎng)絡(luò)的復(fù)雜度.為了驗證方法的實時性,本文也計算了在測試環(huán)境下對數(shù)據(jù)集中每一幀圖像進行六自由度位姿估計所需要的時間.實驗結(jié)果表明僅需要0.06s就可以完成一幀圖像的預(yù)測(16幀/s),滿足了實時性的要求.

    圖8 在YCB-Video數(shù)據(jù)集上,不同方法在遮擋程度不斷增加的情況下的性能

    2.4.4?六自由度參數(shù)誤差

    網(wǎng)絡(luò)最終輸出為平移矩陣與旋轉(zhuǎn)矩陣,為了更加直觀地表達各個六自由度的預(yù)測誤差,將旋轉(zhuǎn)矩陣轉(zhuǎn)化為歐拉角,最終結(jié)果如表3所示.其中ee、e分別代表在測試集中平移矩陣在、、方向平移分量的平均誤差.、、代表測試集中歐拉角表示下3個旋轉(zhuǎn)分量的平均誤差.從表3中可以看出網(wǎng)絡(luò)預(yù)測的平移分量的誤差較小,在歐拉角表示下的旋轉(zhuǎn)誤差由于一個旋轉(zhuǎn)矩陣是3個歐拉角共同作用的線性變換,誤差相較于平移分量偏大.

    表3?六自由度位姿參數(shù)誤差

    Tab.3?6-DoF estimation pose parameter error

    2.4.5?消融實驗

    為了驗證位姿求精環(huán)節(jié)的效果并得到進行迭代的最優(yōu)次數(shù),設(shè)計了關(guān)于位姿求精網(wǎng)絡(luò)的消融實驗.將網(wǎng)絡(luò)設(shè)定為不進行迭代求精,最終結(jié)果如表4所示.通過實驗可以看出,位姿求精環(huán)節(jié)可以提高最終的位姿預(yù)測準確率,達到了網(wǎng)絡(luò)的設(shè)計目的.通過實驗結(jié)果的對比分析,在滿足六自由度位姿估計的實時性要求下,本文最終選擇在每次預(yù)測六自由度位姿后進行兩次位姿迭代求精.

    表4?消融實驗位姿估計結(jié)果

    Tab.4?6-DoF estimation result of the ablation experiments

    3?結(jié)?論

    本文針對復(fù)雜環(huán)境下六自由度位姿估計問題,提出了基于關(guān)鍵點特征融合的六自由度位姿預(yù)測方法.網(wǎng)絡(luò)將RGB-D圖像作為輸入,相較于傳統(tǒng)的僅RGB圖像作為輸入的方法,弱化環(huán)境因素對位姿估計的影響,可以適用于光照條件不佳以及待檢測物體屬于低紋理物體等多種情況,具體可以應(yīng)用到機械臂抓取等場合.利用LineMOD數(shù)據(jù)集和YCB-Video數(shù)據(jù)集對所提出模型進行了多方面的實驗與測試,實驗結(jié)果表明:

    (1) 通過采用基于關(guān)鍵點的六自由度位姿估計網(wǎng)絡(luò),大幅減少了預(yù)測一幀圖像所需要的采樣點數(shù)量,同時提高了預(yù)測的準確度.在增加幾何信息提取網(wǎng)絡(luò)層數(shù)時,滿足了實時性要求,達到了估計每幀圖像位姿只需要0.06s.證明了關(guān)鍵點選取在六自由度位姿估計中的重要性;

    (2) 將顏色信息與深度信息視為異構(gòu)數(shù)據(jù),并將深度圖像轉(zhuǎn)換為點云數(shù)據(jù)可以更好地利用RGB-D圖像中的信息,使得網(wǎng)絡(luò)不需要去學習已知的轉(zhuǎn)換關(guān)系,提高了網(wǎng)絡(luò)的收斂速度;

    (3) 通過PointNet++網(wǎng)絡(luò)從深度圖像中提取幾何信息的方法可以有效地提取出關(guān)鍵點之間的局部幾何信息和全局幾何信息,有利于關(guān)鍵點做出準確的位姿估計;

    (4) 通過像素級特征融合可以讓關(guān)鍵點更加充分地利用網(wǎng)絡(luò)學習到的顏色信息和幾何信息,可以讓每一個像素點都根據(jù)對應(yīng)信息做出位姿估計,提高了網(wǎng)絡(luò)在物體相互遮擋條件下物體的位姿識別準確度;

    (5) 利用端到端的神經(jīng)網(wǎng)絡(luò)來進行位姿求精,可以加快預(yù)測速度,無需繁雜的迭代過程,可以更好地應(yīng)用到實際中去.

    通過實驗也說明了筆者所提出模型仍存在優(yōu)化和提升的空間,未來的研究重點為進一步簡化特征提取網(wǎng)絡(luò)、加快模型的訓練速度和提高在復(fù)雜環(huán)境下模型的適應(yīng)能力.

    [1] Cui S,Wang R,Wei J,et al. Grasp state assessment of deformable objects using visual-tactile fusion perception[C]//2020 IEEE International Conference on Robotics and Automation(ICRA). 2020:538-544.

    [2] Zakharov S,Shugurov I,Ilic S. Dpod:6D pose object detector and refiner[C]//Proceedings of the IEEE/CVF International Conference on Computer Vision. Seoul,Korea,2019:1941-1950.

    [3] Zeng A,Song S,Yu K T,et al. Robotic pick-and-place of novel objects in clutter with multi-affordance grasping and cross-domain image matching[C]//2018 IEEE International Conference on Robotics and Automation(ICRA). Brisbane,Australia,2018:3750-3757.

    [4] Gao G,Lauri M,Wang Y,et al. 6D object pose regression via supervised learning on point clouds[C]// 2020 IEEE International Conference on Robotics and Automation(ICRA). 2020:3643-3649.

    [5] Qi C R,Chen X,Litany O,et al. Imvotenet:Boosting 3D object detection in point clouds with image votes[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. Seattle,USA,2020:4404-4413.

    [6] Deng X,Xiang Y,Mousavian A,et al. Self-supervised 6D object pose estimation for robot manipulation[C]// 2020 IEEE International Conference on Robotics and Automation(ICRA). 2020:3665-3671.

    [7] Papazov C,Haddadin S,Parusel S,et al. Rigid 3D geometry matching for grasping of known objects in cluttered scenes[J]. International Journal of Robotics Research,2012,31(4):538-553.

    [8] Alvaro C,Dmitry B,Siddhartha S S,et al. Object recognition and full pose registration from a single image for robotic manipulation[C]//2009 IEEE International Conference on Robotics and Automation. Kobe,Japan,2009:48-55.

    [9] Tekin B,Sinha S N,F(xiàn)ua P. Real-time seamless single shot 6d object pose predition[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Salt Lake City,USA,2018:292-301.

    [10] Tjaden H,Schwanecke U,Schomer E. Real-time monocular pose estimation of 3D objects using temporally consistent local color historams[C]//Proceedings of the IEEE International Conference on Computer Vision. Venice,Italy,2017:124-132.

    [11] Peng S,Liu Y,Huang Q,et al. PVNet:Pixel-wise voting network for 6DoF pose estimation[C]// Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. Lone Beach,USA,2019:4561-4570.

    [12] Park K,Patten T,Vincze M. Pix2pose:Pixel-wise coordinate regression of objects for 6D pose estimation[C]// Proceedings of the IEEE/CVF International Conference on Computer Vision. Seoul,Korea,2019:7668-7677.

    [13] Yu X,Zhuang Z,Koniusz P,et al. 6DoF object pose estimation via differentiable proxy voting loss[EB/OL]. https://arxiv.org/abs/2002.03923,2020-05-04.

    [14] Xu D,Anguelov D,Jain A. Pointfusion:Deep sensor fusion for 3D bounding box estimation[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Salt Lake City,USA,2018:244-253.

    [15] Qi C R,Liu W,Wu C,et al. Frustum pointnets for 3D object detection from RGB-D data[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Salt Lake City,USA,2018:918-927.

    [16] Chen P H,Yang H C,Chen K W,et al. MVSNet++:Learning depth-based attention pyramid features for multi-view stereo[J]. IEEE Transactions on Image Processing,2020,29:7261-7273.

    [17] Teng Z,Xiao J. Surface-based detection and 6-DoF pose estimation of 3-D objects in cluttered scenes[J]. IEEE Transactions on Robotics,2016,32(6):1347-1361.

    [18] Wang C,Xu D,Zhu Y,et al. DenseFusion:6D object pose estimation by iterative dense fusion[C]// Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. Long Beach,USA,2019:3343-3352.

    [19] Chen X,Dong Z,Song J,et al. Category level object pose estimation via neural analysis-by-synthesis[C]// European Conference on Computer Vision. Glasgow,UK,2020:139-156.

    [20] Qi C R,Su H,Mo K,et al. PointNet:Deep learning on point sets for 3D classification and segmentation[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Hawaii,USA,2017:652-660.

    [21] Qi C R,Yi L,Su H,et al. Pointnet++:Deep hierarchical feature learning on point sets in a metric space[EB/OL]. https://arxiv.org/abs/1706.02413,2017-06-07.

    [22] Xiang Y,Schmidt T,Narayanan V,et al. Posecnn:A convolutional neural network for 6D object pose estimation in cluttered scenes[EB/OL]. https://arxiv.org/abs/ 1711.00199,2018-05-26.

    [23] Zhao H,Shi J,Qi X,et al. Pyramid scene parsing network[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Hawaii,USA,2017:2881-2890.

    [24] Kehl W,Manhardt F,Tombari F,et al. SSD-6D:Making RGB-based 3D detection and 6D pose estimation great again[C]//Proceedings of the IEEE International Conference on Computer Vision. Venice,Italy,2017:1521-1529.

    Six Degrees of Freedom Pose Estimation Based on Keypoints Feature Fusion

    Wang Taiyong1, 2,Sun Haowen1

    (1. School of Mechanical Engineering,Tianjin University,Tianjin 300350,China;2. Tianjin Ren’ai College,Tianjin 301636,China)

    There exists a key technical challenge in performing six degrees of freedom(6-DoF)object pose estimation from a signal red,green,blue,and depth(RGB-D)image to fully leverage the color and depth information.To address this,we present a deep learning framework based on multiple networks pyramid scene parsing network(PSPNet)and PointNet++ combined with a feature fusion network.This method is used for estimating the 6-DoF pose of a set of known objects under a highly cluttered scene.The first stage involved taking colored images as input,performing semantic segmentation for each known object category,and feeding the masked depth pixels as well as an image patch cropped by the mask bounding box to the next stage.Second,point cloud data use the farthest point sampling algorithm to obtain the keypoints and map the keypoints to the color image and the depth image for feature extraction.Color and depth information in the RGB-D image are regarded as heterogeneous data.In the feature extraction process,the keypoints need to fully integrate the local and global information by regarding the color and depth information as heterogeneous data.The PSPNet module and PointNet++ module were used to extract color and geometric information for the RGB image and point cloud data,respectively.Then,a novel pixel-wise feature fu-sion was used to deeply fuse the local and global features of color and geometric information in the selected pix-els.Additionally,a multilayer perceptron was used to output the 6-DoF pose and confidence of each pixel.Finally,an end-to-end iterative pose refinement procedure further improved the pose estimation.Under the open dataset test,LineMOD and YCB-Video,the experimental results showed that compared with other similar existing methods,the proposed method has higher accuracy.Under the same evaluation metrics,the average precisions of the two datasets reach 97.2% and 95.1%,respectively,an increase of 2.9% and 3.9%.The network also meets real-time requirements,and it only takes 0.06s to complete the 6-DoF pose prediction of each image frame.

    6-DoF pose estimation;deep learning;feature fusion;machine vision

    10.11784/tdxbz202101024

    TP391

    A

    0493-2137(2022)05-0543-09

    2021-01-13;

    2021-04-12.

    王太勇(1962—??),男,博士,教授.

    王太勇,tywang@tju.edu.cn.

    國家自然科學基金資助項目(51975402);中國兵器工業(yè)集團公司基礎(chǔ)性創(chuàng)新團隊項目(2017CX031).

    Supported by the National Natural Science Foundation of China(No. 51975402),the Basic Innovation Team Program of China North Industries Group Corporation Limited(No. 2017CX031).

    (責任編輯:王曉燕)

    猜你喜歡
    位姿關(guān)鍵點深度
    聚焦金屬關(guān)鍵點
    肉兔育肥抓好七個關(guān)鍵點
    深度理解一元一次方程
    深度觀察
    深度觀察
    深度觀察
    基于共面直線迭代加權(quán)最小二乘的相機位姿估計
    基于CAD模型的單目六自由度位姿測量
    小型四旋翼飛行器位姿建模及其仿真
    醫(yī)聯(lián)體要把握三個關(guān)鍵點
    欧美一级a爱片免费观看看| 亚洲欧美精品综合久久99| 欧美xxxx性猛交bbbb| 女人十人毛片免费观看3o分钟| 日韩av不卡免费在线播放| 此物有八面人人有两片| a级毛片a级免费在线| 久久国内精品自在自线图片| 国产久久久一区二区三区| 国产成人一区二区在线| 一区二区三区高清视频在线| 有码 亚洲区| 欧美日韩一区二区视频在线观看视频在线 | 久久久国产成人免费| aaaaa片日本免费| 成熟少妇高潮喷水视频| 亚洲精品456在线播放app| 欧美另类亚洲清纯唯美| 欧美色欧美亚洲另类二区| 精品99又大又爽又粗少妇毛片| 久久久精品大字幕| 亚洲av五月六月丁香网| 亚洲欧美精品自产自拍| 国产一区二区三区av在线 | 白带黄色成豆腐渣| 不卡一级毛片| 国产高清激情床上av| 久久精品影院6| 深爱激情五月婷婷| 最近在线观看免费完整版| 国产精品久久久久久久久免| 99热精品在线国产| 少妇高潮的动态图| 婷婷精品国产亚洲av在线| 欧美bdsm另类| 国产精品日韩av在线免费观看| 久久6这里有精品| 亚洲欧美中文字幕日韩二区| 一本精品99久久精品77| 亚洲国产高清在线一区二区三| av天堂在线播放| 亚洲美女视频黄频| 最新中文字幕久久久久| 欧美一区二区国产精品久久精品| 男人的好看免费观看在线视频| 美女高潮的动态| 国产又黄又爽又无遮挡在线| 亚州av有码| 一级毛片久久久久久久久女| 亚洲欧美中文字幕日韩二区| 亚洲久久久久久中文字幕| 成人综合一区亚洲| 精品福利观看| 欧美日本亚洲视频在线播放| 亚洲av成人av| 狠狠狠狠99中文字幕| 一本一本综合久久| 老司机午夜福利在线观看视频| 精品99又大又爽又粗少妇毛片| 一级毛片aaaaaa免费看小| 两性午夜刺激爽爽歪歪视频在线观看| 亚洲一区二区三区色噜噜| 日本色播在线视频| 丰满乱子伦码专区| 亚洲va在线va天堂va国产| 国产人妻一区二区三区在| 成年女人毛片免费观看观看9| 国产在视频线在精品| 亚洲人成网站在线观看播放| 久久精品91蜜桃| 色在线成人网| 久久久精品94久久精品| 禁无遮挡网站| 啦啦啦啦在线视频资源| 国产探花在线观看一区二区| 黄色配什么色好看| 久久欧美精品欧美久久欧美| 亚洲国产欧洲综合997久久,| 69av精品久久久久久| 一本一本综合久久| 久久久久精品国产欧美久久久| 成人一区二区视频在线观看| 又黄又爽又免费观看的视频| 蜜臀久久99精品久久宅男| 一进一出好大好爽视频| 亚洲av第一区精品v没综合| 亚洲四区av| 免费在线观看成人毛片| 精品免费久久久久久久清纯| 国产精品av视频在线免费观看| 免费av毛片视频| 香蕉av资源在线| 日韩精品青青久久久久久| 欧美高清成人免费视频www| 国产成人a区在线观看| 国产精品一区二区免费欧美| 国产亚洲精品av在线| 亚洲专区国产一区二区| 久久人人精品亚洲av| 久久久成人免费电影| 麻豆国产97在线/欧美| 国产精品久久视频播放| 国内久久婷婷六月综合欲色啪| 欧美人与善性xxx| 国产爱豆传媒在线观看| 国产欧美日韩精品亚洲av| 欧美在线一区亚洲| 91精品国产九色| 在线国产一区二区在线| 国产精品一区二区性色av| 丰满的人妻完整版| 毛片一级片免费看久久久久| 国产v大片淫在线免费观看| 99热精品在线国产| 国产成人精品久久久久久| 美女免费视频网站| 变态另类丝袜制服| 久久久久国内视频| 天堂影院成人在线观看| 波多野结衣高清无吗| 久久人人精品亚洲av| 久久精品国产自在天天线| 性插视频无遮挡在线免费观看| 亚洲第一电影网av| 全区人妻精品视频| 综合色av麻豆| 精品99又大又爽又粗少妇毛片| 熟女电影av网| 听说在线观看完整版免费高清| 精品午夜福利视频在线观看一区| 日本成人三级电影网站| 久久精品综合一区二区三区| 亚洲欧美精品综合久久99| 在线a可以看的网站| 国产成年人精品一区二区| 在线免费十八禁| 午夜日韩欧美国产| 国产高清激情床上av| 男人和女人高潮做爰伦理| 看片在线看免费视频| 欧美日本亚洲视频在线播放| 最近手机中文字幕大全| 看黄色毛片网站| 国产真实伦视频高清在线观看| 日日摸夜夜添夜夜爱| 国产在视频线在精品| 国产高潮美女av| 欧美性猛交╳xxx乱大交人| 亚洲欧美精品综合久久99| 国产视频一区二区在线看| 国产男人的电影天堂91| 精品日产1卡2卡| 日本成人三级电影网站| 国产精品三级大全| 亚洲国产精品久久男人天堂| 亚洲精品日韩在线中文字幕 | 亚洲欧美日韩高清专用| 伊人久久精品亚洲午夜| 亚洲熟妇中文字幕五十中出| 蜜桃亚洲精品一区二区三区| 精品一区二区三区视频在线观看免费| 露出奶头的视频| 欧美3d第一页| 你懂的网址亚洲精品在线观看 | 日韩精品青青久久久久久| 久久综合国产亚洲精品| 久久久久久久亚洲中文字幕| 91av网一区二区| 久久久久国内视频| 亚洲,欧美,日韩| 国产伦精品一区二区三区视频9| 欧美色视频一区免费| 日韩在线高清观看一区二区三区| 国产高清激情床上av| 国内精品宾馆在线| 天天一区二区日本电影三级| 国产av不卡久久| 在线看三级毛片| 白带黄色成豆腐渣| 中国国产av一级| 九九爱精品视频在线观看| 寂寞人妻少妇视频99o| 听说在线观看完整版免费高清| 日本三级黄在线观看| 欧美一区二区精品小视频在线| 深爱激情五月婷婷| 国产精品电影一区二区三区| 日韩精品有码人妻一区| 午夜激情欧美在线| 国产极品精品免费视频能看的| 露出奶头的视频| 亚洲图色成人| 国产精品无大码| 在线观看午夜福利视频| 亚洲,欧美,日韩| 在线免费观看的www视频| 久久精品夜色国产| 三级经典国产精品| 国产一区二区激情短视频| 一卡2卡三卡四卡精品乱码亚洲| 免费观看在线日韩| 国产成人a∨麻豆精品| 免费观看精品视频网站| 3wmmmm亚洲av在线观看| 久99久视频精品免费| 亚洲欧美日韩东京热| 97超视频在线观看视频| 中文字幕精品亚洲无线码一区| 日日摸夜夜添夜夜添小说| 国产淫片久久久久久久久| 老司机福利观看| 99久久九九国产精品国产免费| eeuss影院久久| 免费看美女性在线毛片视频| 国产人妻一区二区三区在| 看片在线看免费视频| 欧美日本亚洲视频在线播放| 色综合站精品国产| 国产淫片久久久久久久久| 国产成人a区在线观看| 女同久久另类99精品国产91| 婷婷六月久久综合丁香| 久久久国产成人精品二区| 在线天堂最新版资源| 综合色丁香网| 久久久久久久亚洲中文字幕| 草草在线视频免费看| 亚洲成人久久爱视频| 日韩精品中文字幕看吧| 久久久精品欧美日韩精品| 尤物成人国产欧美一区二区三区| 亚洲成人中文字幕在线播放| 国产欧美日韩一区二区精品| 国产高清不卡午夜福利| 校园人妻丝袜中文字幕| 99热精品在线国产| 久久亚洲精品不卡| 日韩 亚洲 欧美在线| 老熟妇乱子伦视频在线观看| 国产黄色小视频在线观看| 国产精品一区二区免费欧美| 久久99热这里只有精品18| 三级毛片av免费| av天堂中文字幕网| 舔av片在线| 最近最新中文字幕大全电影3| 自拍偷自拍亚洲精品老妇| 国产亚洲精品久久久com| 人妻制服诱惑在线中文字幕| 嫩草影院精品99| 老师上课跳d突然被开到最大视频| 亚洲精品日韩在线中文字幕 | 最后的刺客免费高清国语| 国产精品野战在线观看| 欧美精品国产亚洲| 中文字幕人妻熟人妻熟丝袜美| 久久久午夜欧美精品| 一区二区三区免费毛片| 国产精品亚洲美女久久久| 国产高清视频在线观看网站| 最近最新中文字幕大全电影3| 搡老岳熟女国产| 精品欧美国产一区二区三| h日本视频在线播放| 91久久精品国产一区二区三区| 精品99又大又爽又粗少妇毛片| 中文字幕av成人在线电影| videossex国产| 久久久久免费精品人妻一区二区| 国产黄a三级三级三级人| 免费黄网站久久成人精品| 国产三级中文精品| 日韩亚洲欧美综合| 亚洲av二区三区四区| 男女边吃奶边做爰视频| 久久久精品大字幕| 国产成人91sexporn| 色视频www国产| 免费在线观看影片大全网站| 国产成人影院久久av| 久久精品国产亚洲av涩爱 | 午夜爱爱视频在线播放| 身体一侧抽搐| 性色avwww在线观看| 国产精品99久久久久久久久| 欧美性猛交黑人性爽| 国产精品永久免费网站| 少妇被粗大猛烈的视频| 麻豆精品久久久久久蜜桃| 精品熟女少妇av免费看| 天天躁日日操中文字幕| 天天一区二区日本电影三级| 综合色丁香网| 久久久久久久久久成人| 中文字幕熟女人妻在线| 国产欧美日韩精品一区二区| 久久精品影院6| 尤物成人国产欧美一区二区三区| 一级a爱片免费观看的视频| 国产麻豆成人av免费视频| 日本黄色视频三级网站网址| 免费看美女性在线毛片视频| 午夜免费男女啪啪视频观看 | 赤兔流量卡办理| 99久久中文字幕三级久久日本| 干丝袜人妻中文字幕| 日本-黄色视频高清免费观看| 精品免费久久久久久久清纯| 午夜视频国产福利| 国国产精品蜜臀av免费| 成人欧美大片| 免费电影在线观看免费观看| 九九爱精品视频在线观看| 自拍偷自拍亚洲精品老妇| 最近2019中文字幕mv第一页| 国产午夜福利久久久久久| 18禁在线播放成人免费| 麻豆一二三区av精品| 国产精品人妻久久久影院| 99久久成人亚洲精品观看| 午夜福利18| 久久午夜亚洲精品久久| 网址你懂的国产日韩在线| 久久久精品欧美日韩精品| 黄色欧美视频在线观看| 日韩三级伦理在线观看| 又黄又爽又刺激的免费视频.| 18禁黄网站禁片免费观看直播| 可以在线观看的亚洲视频| 熟女电影av网| 插阴视频在线观看视频| 欧美日韩综合久久久久久| 嫩草影院新地址| 色5月婷婷丁香| 久久久精品94久久精品| 国产av麻豆久久久久久久| 色综合亚洲欧美另类图片| 国产精品久久久久久久久免| 色噜噜av男人的天堂激情| 少妇熟女欧美另类| 亚洲精品日韩在线中文字幕 | 波多野结衣巨乳人妻| 久久精品影院6| 国产在线精品亚洲第一网站| 亚洲av成人av| 国产精品电影一区二区三区| 久久久精品94久久精品| 亚洲精华国产精华液的使用体验 | 成人无遮挡网站| 国产成人freesex在线 | 国产视频一区二区在线看| 性插视频无遮挡在线免费观看| 不卡视频在线观看欧美| 岛国在线免费视频观看| 国语自产精品视频在线第100页| 久久久久久国产a免费观看| 99热这里只有精品一区| 成人av一区二区三区在线看| 高清日韩中文字幕在线| 日韩欧美三级三区| 亚洲人与动物交配视频| 国产精品电影一区二区三区| 12—13女人毛片做爰片一| 日韩成人av中文字幕在线观看 | 嫩草影视91久久| 俄罗斯特黄特色一大片| 亚洲一区高清亚洲精品| 国产老妇女一区| 国产精品女同一区二区软件| 成熟少妇高潮喷水视频| 亚洲第一区二区三区不卡| 两个人视频免费观看高清| 精品久久久久久久人妻蜜臀av| 色在线成人网| 日本一二三区视频观看| 亚洲av五月六月丁香网| 亚洲七黄色美女视频| 亚洲性久久影院| 成人漫画全彩无遮挡| 久久久欧美国产精品| 亚洲内射少妇av| 亚洲av成人精品一区久久| 丰满人妻一区二区三区视频av| 九九爱精品视频在线观看| 少妇被粗大猛烈的视频| 内地一区二区视频在线| 国产成人91sexporn| 欧美国产日韩亚洲一区| 亚洲欧美成人综合另类久久久 | 夜夜爽天天搞| av福利片在线观看| 国模一区二区三区四区视频| 国产熟女欧美一区二区| 国产真实乱freesex| 1000部很黄的大片| 美女 人体艺术 gogo| 精品人妻偷拍中文字幕| 国产日本99.免费观看| 亚洲精品在线观看二区| 夜夜夜夜夜久久久久| 亚洲精品日韩av片在线观看| 国产精品久久久久久久久免| avwww免费| 尤物成人国产欧美一区二区三区| 五月玫瑰六月丁香| 成人欧美大片| 欧美性感艳星| 久久久久国产网址| 亚洲国产精品成人综合色| h日本视频在线播放| 最后的刺客免费高清国语| 欧美日韩一区二区视频在线观看视频在线 | 国产伦精品一区二区三区视频9| 欧美高清性xxxxhd video| 日本 av在线| 亚洲精品乱码久久久v下载方式| 亚洲av.av天堂| 国产大屁股一区二区在线视频| 高清日韩中文字幕在线| 青春草视频在线免费观看| 亚洲内射少妇av| a级一级毛片免费在线观看| 亚洲国产欧美人成| 欧美绝顶高潮抽搐喷水| 卡戴珊不雅视频在线播放| 久久久久国产精品人妻aⅴ院| 欧美成人a在线观看| 国产精品久久久久久久电影| 日本欧美国产在线视频| 亚洲av中文av极速乱| 国产精品伦人一区二区| 日韩制服骚丝袜av| 亚洲人成网站高清观看| 日韩强制内射视频| 亚洲国产日韩欧美精品在线观看| 日韩成人av中文字幕在线观看 | 在线免费十八禁| 日韩精品青青久久久久久| 日本撒尿小便嘘嘘汇集6| 村上凉子中文字幕在线| 蜜桃久久精品国产亚洲av| 美女黄网站色视频| 成人欧美大片| 99九九线精品视频在线观看视频| 两性午夜刺激爽爽歪歪视频在线观看| 一个人观看的视频www高清免费观看| 伦理电影大哥的女人| 18禁在线无遮挡免费观看视频 | 最近2019中文字幕mv第一页| 国产精品一区二区性色av| 夜夜爽天天搞| 久久精品91蜜桃| 日本欧美国产在线视频| 日韩一本色道免费dvd| 成年免费大片在线观看| av国产免费在线观看| 国产久久久一区二区三区| 国产精品免费一区二区三区在线| 99精品在免费线老司机午夜| 哪里可以看免费的av片| 99久久精品一区二区三区| 成人漫画全彩无遮挡| 久久久久国产精品人妻aⅴ院| 性插视频无遮挡在线免费观看| 全区人妻精品视频| 乱系列少妇在线播放| 神马国产精品三级电影在线观看| 91精品国产九色| 男女做爰动态图高潮gif福利片| 国产av一区在线观看免费| 免费av毛片视频| 国产精品电影一区二区三区| 国产精品女同一区二区软件| 免费无遮挡裸体视频| 毛片女人毛片| 欧美日本亚洲视频在线播放| 特大巨黑吊av在线直播| 亚洲欧美成人综合另类久久久 | 成人亚洲精品av一区二区| 色噜噜av男人的天堂激情| 成熟少妇高潮喷水视频| 精品午夜福利在线看| 赤兔流量卡办理| 欧美zozozo另类| 日本黄色视频三级网站网址| 国产视频内射| 日日撸夜夜添| 亚洲在线观看片| 激情 狠狠 欧美| 看十八女毛片水多多多| 亚洲欧美日韩高清专用| 无遮挡黄片免费观看| 日本在线视频免费播放| 国产国拍精品亚洲av在线观看| 大又大粗又爽又黄少妇毛片口| 一级毛片电影观看 | 校园春色视频在线观看| 国产精品,欧美在线| 一级毛片aaaaaa免费看小| 俄罗斯特黄特色一大片| h日本视频在线播放| 久久久国产成人免费| 日本与韩国留学比较| 蜜桃久久精品国产亚洲av| 国产私拍福利视频在线观看| 午夜日韩欧美国产| 一个人观看的视频www高清免费观看| 寂寞人妻少妇视频99o| 97超级碰碰碰精品色视频在线观看| 亚洲成人精品中文字幕电影| 别揉我奶头 嗯啊视频| 精品久久久久久久久av| 成人永久免费在线观看视频| 久久韩国三级中文字幕| 日韩欧美 国产精品| 色视频www国产| 国产精品,欧美在线| 亚洲精华国产精华液的使用体验 | 欧美国产日韩亚洲一区| 国产精品日韩av在线免费观看| 国产精品一区二区三区四区免费观看 | 欧美绝顶高潮抽搐喷水| 日韩高清综合在线| 久久热精品热| 高清毛片免费看| 国产精品日韩av在线免费观看| 两性午夜刺激爽爽歪歪视频在线观看| 一本久久中文字幕| 亚洲精品一区av在线观看| 99久久成人亚洲精品观看| 91久久精品国产一区二区三区| 精品福利观看| 热99re8久久精品国产| 91av网一区二区| 日韩大尺度精品在线看网址| 一个人免费在线观看电影| 在线天堂最新版资源| 国产亚洲欧美98| 久久久久久久久久黄片| 久久久欧美国产精品| 亚洲精品久久国产高清桃花| 亚洲真实伦在线观看| 国产乱人偷精品视频| 久久久久久大精品| 亚洲成人av在线免费| 午夜激情欧美在线| 免费av毛片视频| 中国美白少妇内射xxxbb| 国模一区二区三区四区视频| 日产精品乱码卡一卡2卡三| 级片在线观看| 免费大片18禁| 不卡一级毛片| 欧美另类亚洲清纯唯美| 久久久久久大精品| 欧美区成人在线视频| 欧美丝袜亚洲另类| 久久中文看片网| 内射极品少妇av片p| 禁无遮挡网站| 五月伊人婷婷丁香| 国产av麻豆久久久久久久| 嫩草影院入口| 日本五十路高清| 国产精品一区二区免费欧美| 国产高清有码在线观看视频| 不卡一级毛片| 精品久久久久久成人av| 精品久久久久久久久av| 在线观看66精品国产| 日本撒尿小便嘘嘘汇集6| 在线免费观看的www视频| 免费看光身美女| 国产精品嫩草影院av在线观看| 国产 一区精品| 美女被艹到高潮喷水动态| av卡一久久| 欧美又色又爽又黄视频| 精品人妻一区二区三区麻豆 | 免费观看精品视频网站| 色播亚洲综合网| 国产三级中文精品| 国产色爽女视频免费观看| 亚洲av第一区精品v没综合| 三级国产精品欧美在线观看| 人妻久久中文字幕网| 久久久久久久午夜电影| 一个人看的www免费观看视频| 狂野欧美白嫩少妇大欣赏| 香蕉av资源在线| 搡老熟女国产l中国老女人| 日韩亚洲欧美综合| 成人国产麻豆网| 在线播放无遮挡| 久久国内精品自在自线图片| 日本色播在线视频| 成人精品一区二区免费| videossex国产| 国产精品无大码| 国产精品野战在线观看| 六月丁香七月| 亚洲精品一区av在线观看| 黄色欧美视频在线观看| 免费人成视频x8x8入口观看| 亚洲精品日韩在线中文字幕 | 高清午夜精品一区二区三区 | 黄色配什么色好看| 国产中年淑女户外野战色| 天堂动漫精品| 色综合色国产| 最新在线观看一区二区三区| 精品午夜福利在线看| .国产精品久久| 夜夜夜夜夜久久久久| 麻豆国产97在线/欧美|