• <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 ?

    結合注意力機制的面部表情識別方法研究

    2022-03-21 17:51:07任志強遲杏朱煜君劉型定張欣
    計算機時代 2022年3期

    任志強 遲杏 朱煜君 劉型定 張欣

    摘? 要: 傳統(tǒng)CNN對重要通道特征關注不足,制約面部表情識別準確率。文章將通道注意力機制應用到面部表情識別中,即將通道注意力模塊嵌入到卷積網(wǎng)絡中。在Fer2013和CK+表情數(shù)據(jù)集上的驗證結果表明,該方法有較高的識別率。

    關鍵詞: 面部表情識別; 通道注意力機制; 卷積網(wǎng)絡; 表情數(shù)據(jù)集

    中圖分類號:TP181? ? ? ? ? 文獻標識碼:A? ? ?文章編號:1006-8228(2022)03-24-03

    Abstract: Traditional CNN pays insufficient attention to important channel features, which restricts the accuracy of facial expression recognition. This paper applies the channel attention mechanism to facial expression recognition, i.e., to embed the channel attention module in the convolution network. The verification results on Fer2013 and CK + expression data sets show that the proposed method has high recognition rate.

    Key words: facial expression recognition; channel attention mechanism; convolution network;? expression data sets

    0 引言

    面部表情不僅可顯示交際者的情緒狀態(tài),還可傳達交際者的深層思想和情感[1]。Mehrabian的研究表明,人際交往中面部表情所傳達的信息占比高達55%[2-3]。在醫(yī)療、教育等領域建立人臉表情分析系統(tǒng)具有重要意義[4]。

    深度學習在面部表情識別中的應用多基于深度網(wǎng)絡,國內外許多學者研究了基于深度學習的面部表情識別方法。H. Sikkandar等[5]將改進的貓群算法應用于面部表情識別,取得良好識別效果。邵杰等[6]提出稠密人臉活躍度網(wǎng)絡,在Fer2013[7]上獲得了71% 的識別率。何俊等[8]改進殘差網(wǎng)絡,并引入遷移學習,在CK+[9]上實現(xiàn)較高識別率。

    為了進一步提高面部表情識別的準確率,本文提出一種基于通道注意力的表情識別方法。將通道注意力機制引入殘差網(wǎng)絡,使網(wǎng)絡自動學習每個特征通道的重要性,提升對重要通道特征的關注度。然后設計全連接層,利用Softmax對全連接層的輸出進行分類。最后設計對比實驗,在公共數(shù)據(jù)集上進行訓練和測試,實驗結果表明了本文方法的有效性。

    1 本文方法

    1.1 基于通道注意力機制的面部表情識別網(wǎng)絡

    本文創(chuàng)新點是將一種通道注意力機制引入殘差網(wǎng)絡的BasicBlock中,提出了一種新的表情識別網(wǎng)絡,本文將其命名為CAResNet20(CA含義是通道注意力),其結構如圖1。CAResNet20的主體結構是CABasicBlock,是BasicBlock和通道注意力機制的結合體。其結構如圖2。

    CABasicBlock與BasicBlock最大的不同之處是:第二個ReLu激活函數(shù)的輸出后面接入了新的結構CAlayer,即本文引入的通道注意力機制。

    1.2 通道注意力機制原理

    CABasicBlock中的CAlayer,是實現(xiàn)通道注意力機制[10]的主要部分。其結構如圖3。

    首先最左邊是經(jīng)過卷積、批歸一化(Batch Normalization)、激活等操作后得到的表情特征圖X,該特征圖有C個通道,我們希望通過注意力模塊來學習出每個通道的權重,從而產(chǎn)生通道域的注意力。這個注意力機制主要分為三部分:擠壓(Squeeze),激勵(Excitation),注意(Attention)。

    Squeeze:是把每個輸入特征圖的空間維度從H*W壓縮到1,即將一個channel上的整個空間特征編碼為一個全局特征。這里通過CAlayer中的AdAvPool層(自適應平均池化)完成。Sequeeze過程的函數(shù)表達式如下:

    其中,[xc]表示的是特征圖X中的某個通道特征,[zc]是通道特征壓縮后的結果,H和W表示特征圖的高和寬。

    Excitation:學習不同channel之間的非線性關系,保證學習關系不互斥(因為這里有多個通道的全局描述特征)。這里通過CAlayer的FC、ReLu、FC、Sigmoid等層完成。Excitation過程的函數(shù)表達式如下:

    其中,[z]是通道特征壓縮后的結果,[s]表示的是Sigmoid函數(shù),[W1]和[W2]是為全局描述特征所生成的權重。為了降低模型復雜度,提升泛化能力,這里采用包含兩個全連接層的bottleneck結構,其中第一個FC層起到降維的作用,降維系數(shù)r是個超參數(shù),這里我們選擇r=16,然后采用ReLu函數(shù)激活。最后的FC層恢復原始的維度。

    Attention:將Excitation的輸出的權重看做是特征選擇后的每個特征通道的重要性,然后通過乘法逐通道加權到先前的特征上,完成在通道維度上的對原始特征的重標定。即實現(xiàn)注意力機制。Attention過程的函數(shù)表達式如下:

    通道注意力機制的引入,使得CAResNet20可以更關注信息量最大的信道特性。具體來說,它可以通過學習自動獲取每個特征通道的重要性,然后根據(jù)重要性,增強有用的特征,抑制對當前任務無用的特征。

    2 實驗

    2.1 實驗平臺

    本文基于Windows10操作系統(tǒng),Pytorch版本為1.6,Python版本為3.8。顯卡為NVIDIA GeForce GTX2080Ti,顯存大小11GB。

    2.2 實驗數(shù)據(jù)集

    本文采用的數(shù)據(jù)集是Fer2013和CK+。

    Fer2013面部表情數(shù)據(jù)集是2013 kaggle比賽的數(shù)據(jù),有7種面部表情,分別是快樂(happy)、悲傷(sadness)、驚訝(surprise)、厭惡(disgust)、生氣(anger)、恐懼(fear),中性(neutral),對應的數(shù)字標簽為0-6。

    CK+數(shù)據(jù)庫是Cohn Kanade數(shù)據(jù)集的擴展,Cohn Kanade數(shù)據(jù)集于2010年發(fā)布。CK+包含從123個對象中提取的593個視頻序列,有7種面部表情表,類別和Fer2013相同。

    2.3 數(shù)據(jù)集處理

    由于Fer2013數(shù)據(jù)集部分圖像質量較差,存在一定的誤差,本文對Fer2013表情數(shù)據(jù)集進行處理。對數(shù)據(jù)集進行十類投票(多了Contempt,unknown和非人臉三類),采用最大投票方式,去除了不確定的圖像,增加了Contempt類表情。對于CK+數(shù)據(jù)集,本文也做了相應處理。增加了Contempt類表情。為了實現(xiàn)訓練和測試,將訓練集和測試集的比例劃分為6:4。

    2.4 實驗設計及結果分析

    本文實驗參數(shù)的選擇如下:針對Fer2013,本文將訓練的epoch數(shù)量設置為60,訓練集的batchsize設置為128,測試集的batchsize設置為128,學習率為非固定。訓練階段引入數(shù)據(jù)增強的思想,擴充訓練集,損失函數(shù)為交叉熵損失函數(shù),優(yōu)化器為SGD。針對CK+,本文將訓練的epoch數(shù)量設置為100,訓練集的batchsize設置為32,測試集的batchsize設置為32,學習率為非固定。訓練階段引入數(shù)據(jù)增強的思想,擴充訓練集,損失函數(shù)為交叉熵損失函數(shù),優(yōu)化器為SGD。

    為了驗證本文所提方法的有效性,將本文提出方法與主流方法進行實驗對比,對比結果如表1和表2所示。

    由表1可知,在Fer2013的測試集上,本文方法的識別正確率最高,識別率為83.57%,相較于VGG19高出1.14%,相較于VGG16高出2%,AlexNet識別正確率最低。由表2可知,在CK+數(shù)據(jù)集上,本文方法的識別正確率最高,識別率為97.14%,相較于VGG19高出0.66%,相較于VGG16高出1.97%,AlexNet識別正確率最低。從結果可以看出,本文方法在兩個表情數(shù)據(jù)集上的識別精度都優(yōu)于其他傳統(tǒng)方法。驗證了本文方法的有效性。

    3 總結

    針對卷積神經(jīng)網(wǎng)絡對通道特征關注不足的問題,本文提出一種基于通道注意力機制的卷積神經(jīng)網(wǎng)絡表情識別方法。實驗結果表明,該算法在Fer2013和CK+數(shù)據(jù)集上獲得了較高的識別精度,優(yōu)于目前許多主流表情識別算法??紤]到本文算法仍存在一些問題:如深層網(wǎng)絡結構和模型參數(shù)。如何優(yōu)化網(wǎng)絡結構,解決光照、遮擋、側臉等干擾因素將是下一步的研究重點。

    參考文獻(References):

    [1] Pablo B, Nikhil C, Alessandra S. The FaceChannel: A Fast and Furious Deep Neural Network for Facial Expression Recognition[J]. SN Computer Science,2020,1(6):1-10

    [2] Zhong G Y, Liu G Y, Du X L. Facial Expression Recognition Method based on Convolution Neural Network[J]. Internat-ional Core Journal of Engineering,2021,7(5):511-515

    [3] Zhang Y, Yi W K. Research on Facial Expression Recognition Method Based on Bilinear Convolutional Neural Network[J].Journal of Physics: Conference Series,2021,1848(1):012089

    [4] Kong F Z. Facial expression recognition method based on deep convolutional neural network combined with improved LBP features[J]. Personal and Ubiquitous Computing,2019,23(3-4):531-539

    [5] Sikkandar H, Thiyagarajan R. Deep learning based facial expressionRecogni-tion using improved Cat Swarm Optimiz-ation[J]. Journal of Ambient Intelligence and Humanized Computing,2020,12(2):3037-3053

    [6] Shao J, Qian Y S. Three convolutional neural network models for facial express-ion recognition in the wild[J]. Neurocom-puting,2019,355:82-92

    [7] 黨宏社,王淼,張選德.基于深度學習的面部表情識別方法綜述[J].科學技術與工程,2020,20(24):9724-9732

    [8] 何俊,劉躍,李倡洪,等.基于改進的深度殘差網(wǎng)絡的表情識別研究[J].計算機應用研究,2020,37(5):1578-1581

    [9] Hyun-Soon Lee, Bo-Yeong Kang. Continuous emotion estimation of facial expressions on JAFFE and CK+ datasets for human-robot interaction[J]. Intelligent Service Robotics,2020,13(1):15-27

    [10] Zhou Q, Zhou Z Y, Chunmiao C, et al. Grading of hepatocellular carcinoma using 3D SE-DenseNet in dynamic enhanced MR images[J].Computers in Biology and Medicine,2019,107:47-57

    在现免费观看毛片| www日本黄色视频网| 国产精品国产高清国产av| 亚洲在线观看片| 国产单亲对白刺激| 一边摸一边抽搐一进一小说| 天堂√8在线中文| 午夜影院日韩av| 国产视频一区二区在线看| 亚洲午夜理论影院| 国产精品一区二区免费欧美| 三级毛片av免费| 午夜老司机福利剧场| 免费看美女性在线毛片视频| 国产高清激情床上av| 免费看a级黄色片| 国产精品亚洲一级av第二区| 网址你懂的国产日韩在线| 国产伦精品一区二区三区四那| 国产精品一区二区免费欧美| 12—13女人毛片做爰片一| 亚洲一区二区三区不卡视频| 国内精品久久久久精免费| 性欧美人与动物交配| 久久午夜亚洲精品久久| 久久久久国内视频| 黄色视频,在线免费观看| 男人舔女人下体高潮全视频| 麻豆久久精品国产亚洲av| h日本视频在线播放| 日韩欧美在线乱码| 老师上课跳d突然被开到最大视频 久久午夜综合久久蜜桃 | 国产一区二区激情短视频| 国产三级在线视频| 国产视频一区二区在线看| 亚洲va日本ⅴa欧美va伊人久久| 中文字幕av在线有码专区| 美女高潮的动态| 亚洲欧美清纯卡通| 岛国在线免费视频观看| 搡老妇女老女人老熟妇| 亚洲精品色激情综合| 嫩草影视91久久| 又紧又爽又黄一区二区| 精品一区二区三区人妻视频| 激情在线观看视频在线高清| 99国产精品一区二区三区| 99久久精品一区二区三区| 亚洲第一电影网av| 热99re8久久精品国产| 丝袜美腿在线中文| 一级毛片久久久久久久久女| 日本精品一区二区三区蜜桃| 亚洲乱码一区二区免费版| 伊人久久精品亚洲午夜| 国产在线精品亚洲第一网站| 99久国产av精品| 高清毛片免费观看视频网站| 18禁在线播放成人免费| 我的女老师完整版在线观看| 亚洲美女黄片视频| 悠悠久久av| 人妻夜夜爽99麻豆av| 亚洲一区二区三区不卡视频| 一本精品99久久精品77| 日本黄色片子视频| 国产成人av教育| 国产美女午夜福利| 毛片女人毛片| 中文字幕熟女人妻在线| 91麻豆精品激情在线观看国产| 一级a爱片免费观看的视频| 欧美三级亚洲精品| h日本视频在线播放| 久久久久免费精品人妻一区二区| 91狼人影院| 午夜视频国产福利| 性欧美人与动物交配| 男女视频在线观看网站免费| 亚州av有码| 男女做爰动态图高潮gif福利片| 91av网一区二区| 亚洲乱码一区二区免费版| 午夜影院日韩av| 国产精品影院久久| 久久热精品热| 亚洲中文字幕一区二区三区有码在线看| av福利片在线观看| 婷婷亚洲欧美| 一本精品99久久精品77| 可以在线观看的亚洲视频| 免费人成视频x8x8入口观看| 制服丝袜大香蕉在线| 日韩欧美国产一区二区入口| 熟女电影av网| 日本熟妇午夜| 老熟妇乱子伦视频在线观看| 欧美日韩瑟瑟在线播放| 搡老熟女国产l中国老女人| 搡老熟女国产l中国老女人| 欧美日本视频| 欧美日本视频| 成人永久免费在线观看视频| 国产精品亚洲美女久久久| 日本熟妇午夜| 久久精品国产亚洲av涩爱 | 少妇人妻精品综合一区二区 | 久久久精品大字幕| 欧美极品一区二区三区四区| 男人狂女人下面高潮的视频| 又爽又黄无遮挡网站| 女人被狂操c到高潮| 午夜激情欧美在线| 99热6这里只有精品| 熟女人妻精品中文字幕| 国产亚洲欧美98| 乱码一卡2卡4卡精品| 国产精品一区二区免费欧美| 成人精品一区二区免费| 国产成人a区在线观看| 精品久久久久久久人妻蜜臀av| 亚洲午夜理论影院| 伊人久久精品亚洲午夜| 亚洲av五月六月丁香网| 成人美女网站在线观看视频| 最近最新中文字幕大全电影3| 内地一区二区视频在线| 丰满人妻熟妇乱又伦精品不卡| 久久久久精品国产欧美久久久| 天堂影院成人在线观看| 国产大屁股一区二区在线视频| 国产 一区 欧美 日韩| 久久国产精品人妻蜜桃| 99热这里只有是精品50| 精品国内亚洲2022精品成人| 欧美乱色亚洲激情| 韩国av一区二区三区四区| 9191精品国产免费久久| 亚洲成av人片在线播放无| 亚洲av中文字字幕乱码综合| 成人美女网站在线观看视频| 夜夜躁狠狠躁天天躁| 十八禁国产超污无遮挡网站| 一本精品99久久精品77| 精品久久久久久久久久久久久| 国产成人啪精品午夜网站| 亚洲avbb在线观看| 精品日产1卡2卡| 亚洲av不卡在线观看| 亚洲人成网站在线播| 桃色一区二区三区在线观看| 免费观看的影片在线观看| 日韩亚洲欧美综合| 99在线视频只有这里精品首页| 嫩草影院入口| 欧美黑人巨大hd| 亚洲狠狠婷婷综合久久图片| 少妇的逼好多水| 香蕉av资源在线| 国产精品免费一区二区三区在线| 精品国产三级普通话版| 日本 av在线| 成人av一区二区三区在线看| 在线观看66精品国产| 在线天堂最新版资源| 日韩欧美 国产精品| 亚洲成人精品中文字幕电影| 九九久久精品国产亚洲av麻豆| 欧美精品国产亚洲| 听说在线观看完整版免费高清| 一夜夜www| 最近最新免费中文字幕在线| 精品欧美国产一区二区三| 免费在线观看成人毛片| 成人亚洲精品av一区二区| 脱女人内裤的视频| 日韩欧美在线乱码| 激情在线观看视频在线高清| 三级男女做爰猛烈吃奶摸视频| 天堂av国产一区二区熟女人妻| 国内精品久久久久精免费| 欧美最黄视频在线播放免费| 国产熟女xx| 黄色配什么色好看| 999久久久精品免费观看国产| 久久热精品热| 久久精品久久久久久噜噜老黄 | 青草久久国产| 亚洲第一欧美日韩一区二区三区| 国产成人啪精品午夜网站| 欧美一级a爱片免费观看看| 91在线观看av| 亚洲无线观看免费| 好看av亚洲va欧美ⅴa在| 免费人成在线观看视频色| 午夜日韩欧美国产| 人妻制服诱惑在线中文字幕| 99久久久亚洲精品蜜臀av| 国产真实伦视频高清在线观看 | 国产极品精品免费视频能看的| 亚洲真实伦在线观看| 国产亚洲欧美在线一区二区| 国产精华一区二区三区| 性欧美人与动物交配| 在线国产一区二区在线| 欧美高清成人免费视频www| 国产黄片美女视频| 国产精品影院久久| 国产av不卡久久| 久久精品综合一区二区三区| 91在线精品国自产拍蜜月| 欧美成人一区二区免费高清观看| 好男人在线观看高清免费视频| 午夜激情福利司机影院| 亚洲欧美精品综合久久99| 天堂影院成人在线观看| 成人永久免费在线观看视频| 看十八女毛片水多多多| 三级国产精品欧美在线观看| 亚洲精品日韩av片在线观看| 嫩草影院精品99| 午夜老司机福利剧场| 99热这里只有是精品在线观看 | 国产乱人伦免费视频| 日韩欧美 国产精品| 色综合亚洲欧美另类图片| 乱人视频在线观看| 中亚洲国语对白在线视频| 午夜福利在线观看吧| 一级黄片播放器| 亚洲精品乱码久久久v下载方式| 看片在线看免费视频| 欧美不卡视频在线免费观看| 波多野结衣高清无吗| 久久精品国产亚洲av香蕉五月| 深爱激情五月婷婷| 免费观看的影片在线观看| 性欧美人与动物交配| 国产色婷婷99| 婷婷亚洲欧美| 嫩草影视91久久| 床上黄色一级片| 日本a在线网址| 欧美成人一区二区免费高清观看| 非洲黑人性xxxx精品又粗又长| 欧美国产日韩亚洲一区| 真人做人爱边吃奶动态| 国产精品一区二区三区四区免费观看 | 亚洲三级黄色毛片| 亚洲最大成人中文| 99久久久亚洲精品蜜臀av| 美女免费视频网站| 长腿黑丝高跟| 天美传媒精品一区二区| 禁无遮挡网站| 色av中文字幕| 午夜免费男女啪啪视频观看 | 波多野结衣高清作品| 制服丝袜大香蕉在线| 日韩亚洲欧美综合| 亚洲欧美精品综合久久99| 啦啦啦观看免费观看视频高清| 国产探花极品一区二区| 亚洲成人久久性| 少妇被粗大猛烈的视频| 亚洲av日韩精品久久久久久密| 久久久久国内视频| 校园春色视频在线观看| 在线国产一区二区在线| 黄色日韩在线| 国产精品一区二区性色av| 久久精品国产亚洲av香蕉五月| or卡值多少钱| 欧美xxxx黑人xx丫x性爽| 简卡轻食公司| 中文字幕人妻熟人妻熟丝袜美| 亚洲va日本ⅴa欧美va伊人久久| 中文字幕av成人在线电影| 亚洲av免费在线观看| 免费人成视频x8x8入口观看| 美女高潮的动态| 美女被艹到高潮喷水动态| 熟女电影av网| 国产精品av视频在线免费观看| 超碰av人人做人人爽久久| 无人区码免费观看不卡| 观看免费一级毛片| 女同久久另类99精品国产91| 草草在线视频免费看| 老鸭窝网址在线观看| 久久精品国产99精品国产亚洲性色| 亚洲三级黄色毛片| 在线a可以看的网站| 日韩欧美精品v在线| 亚洲熟妇中文字幕五十中出| 老鸭窝网址在线观看| 桃色一区二区三区在线观看| 看免费av毛片| 亚洲专区国产一区二区| 久久人人精品亚洲av| 麻豆国产97在线/欧美| 欧美成人a在线观看| 欧美丝袜亚洲另类 | 欧美另类亚洲清纯唯美| 老司机深夜福利视频在线观看| 国内少妇人妻偷人精品xxx网站| 宅男免费午夜| 老鸭窝网址在线观看| 色视频www国产| 国产伦精品一区二区三区四那| 小说图片视频综合网站| 久久国产乱子伦精品免费另类| 天美传媒精品一区二区| 久久99热6这里只有精品| 看片在线看免费视频| 两个人的视频大全免费| 在线免费观看的www视频| 老鸭窝网址在线观看| 久久国产精品人妻蜜桃| 国产高清视频在线播放一区| 精品午夜福利在线看| 男女视频在线观看网站免费| 亚洲av不卡在线观看| 国产伦一二天堂av在线观看| 夜夜看夜夜爽夜夜摸| 色综合亚洲欧美另类图片| 一级毛片久久久久久久久女| 很黄的视频免费| 国产精品野战在线观看| 一区二区三区高清视频在线| 欧美精品国产亚洲| 午夜老司机福利剧场| 亚洲国产精品久久男人天堂| 久久久精品大字幕| 久久精品国产亚洲av涩爱 | 欧美3d第一页| 国产精品98久久久久久宅男小说| 亚洲综合色惰| 午夜福利在线观看吧| 色尼玛亚洲综合影院| 欧美日韩瑟瑟在线播放| 一级a爱片免费观看的视频| 欧美性猛交╳xxx乱大交人| 18禁黄网站禁片午夜丰满| 免费观看精品视频网站| 午夜两性在线视频| 国产免费av片在线观看野外av| av视频在线观看入口| 国产成人欧美在线观看| 日韩精品中文字幕看吧| 亚洲自拍偷在线| 久久久精品欧美日韩精品| 美女高潮的动态| 熟妇人妻久久中文字幕3abv| 一级a爱片免费观看的视频| 淫秽高清视频在线观看| 成人亚洲精品av一区二区| 黄色一级大片看看| 亚洲美女视频黄频| 日本 欧美在线| 老司机福利观看| 免费av不卡在线播放| 久久人人精品亚洲av| 欧美zozozo另类| 特大巨黑吊av在线直播| 日韩国内少妇激情av| 精品人妻1区二区| 国产黄a三级三级三级人| 国产精品美女特级片免费视频播放器| 国产精品野战在线观看| 日韩欧美国产一区二区入口| av在线天堂中文字幕| 又爽又黄无遮挡网站| 一本综合久久免费| 午夜福利欧美成人| 啪啪无遮挡十八禁网站| 亚洲天堂国产精品一区在线| 国产午夜福利久久久久久| 99在线人妻在线中文字幕| 亚洲人与动物交配视频| 中文资源天堂在线| 久久这里只有精品中国| av女优亚洲男人天堂| 看黄色毛片网站| 最好的美女福利视频网| 亚洲av一区综合| 亚洲第一欧美日韩一区二区三区| 在线十欧美十亚洲十日本专区| 久久精品国产自在天天线| 啪啪无遮挡十八禁网站| 亚洲第一电影网av| 成年女人看的毛片在线观看| 精品午夜福利在线看| 别揉我奶头~嗯~啊~动态视频| 人人妻人人看人人澡| 2021天堂中文幕一二区在线观| 超碰av人人做人人爽久久| 亚洲欧美精品综合久久99| 国产白丝娇喘喷水9色精品| 亚洲精品色激情综合| 午夜激情福利司机影院| 国产免费男女视频| 男女做爰动态图高潮gif福利片| 18禁裸乳无遮挡免费网站照片| 夜夜躁狠狠躁天天躁| 午夜免费成人在线视频| 免费看美女性在线毛片视频| 国产成人欧美在线观看| 国产精品乱码一区二三区的特点| 色噜噜av男人的天堂激情| 久久久久国内视频| 午夜久久久久精精品| 国产高潮美女av| 欧美性猛交╳xxx乱大交人| 欧美中文日本在线观看视频| 欧美最新免费一区二区三区 | 国产欧美日韩精品亚洲av| 欧美乱妇无乱码| 亚洲无线观看免费| www.色视频.com| 好男人在线观看高清免费视频| 小蜜桃在线观看免费完整版高清| 国产午夜精品久久久久久一区二区三区 | 精品久久久久久,| 亚洲精华国产精华精| 美女被艹到高潮喷水动态| 国产野战对白在线观看| 18美女黄网站色大片免费观看| 久久久精品大字幕| 国产男靠女视频免费网站| 久久久久九九精品影院| 日韩欧美在线乱码| 亚洲精品成人久久久久久| 成年人黄色毛片网站| 99久久99久久久精品蜜桃| avwww免费| 久久久色成人| 精品久久久久久久人妻蜜臀av| 亚洲欧美日韩无卡精品| 中国美女看黄片| 国产精品野战在线观看| 五月伊人婷婷丁香| 18禁裸乳无遮挡免费网站照片| 黄色配什么色好看| 18禁在线播放成人免费| 成人欧美大片| 国产精品久久久久久精品电影| 欧美+日韩+精品| 不卡一级毛片| 在线观看美女被高潮喷水网站 | 欧美最黄视频在线播放免费| 国产真实伦视频高清在线观看 | 老鸭窝网址在线观看| 中文字幕高清在线视频| 国产精品久久久久久精品电影| 日本撒尿小便嘘嘘汇集6| 一级黄色大片毛片| 国产三级黄色录像| 99热这里只有精品一区| 99久久久亚洲精品蜜臀av| 亚洲欧美日韩卡通动漫| 欧美一级a爱片免费观看看| av在线观看视频网站免费| 欧美xxxx黑人xx丫x性爽| 久久久久久久久中文| 久久这里只有精品中国| 很黄的视频免费| av天堂中文字幕网| 黄色视频,在线免费观看| 天堂影院成人在线观看| 人人妻,人人澡人人爽秒播| 中亚洲国语对白在线视频| a级一级毛片免费在线观看| 久久精品国产自在天天线| 午夜精品久久久久久毛片777| 欧美激情久久久久久爽电影| 久久久久久大精品| 又黄又爽又刺激的免费视频.| 2021天堂中文幕一二区在线观| 美女cb高潮喷水在线观看| 欧美+日韩+精品| 五月玫瑰六月丁香| 免费看日本二区| 亚洲一区二区三区色噜噜| 男女之事视频高清在线观看| 男女那种视频在线观看| 久久人人精品亚洲av| 久久九九热精品免费| 国产免费男女视频| 精品午夜福利在线看| 久久草成人影院| 久久久久亚洲av毛片大全| 性色avwww在线观看| 小蜜桃在线观看免费完整版高清| 91麻豆精品激情在线观看国产| 亚洲成a人片在线一区二区| h日本视频在线播放| 欧美日韩中文字幕国产精品一区二区三区| 一卡2卡三卡四卡精品乱码亚洲| 欧美日韩黄片免| 免费看美女性在线毛片视频| 亚洲人成网站高清观看| www日本黄色视频网| 国产人妻一区二区三区在| 又紧又爽又黄一区二区| 免费看美女性在线毛片视频| 怎么达到女性高潮| 亚洲成人中文字幕在线播放| 麻豆国产av国片精品| 看十八女毛片水多多多| 一级毛片久久久久久久久女| 看免费av毛片| 黄片小视频在线播放| 久久草成人影院| 中文字幕av成人在线电影| 午夜福利视频1000在线观看| 欧美激情久久久久久爽电影| 色综合站精品国产| 男女那种视频在线观看| 男人舔女人下体高潮全视频| 亚洲欧美激情综合另类| 1000部很黄的大片| 国模一区二区三区四区视频| 国产精品亚洲美女久久久| 男女床上黄色一级片免费看| 校园春色视频在线观看| 日本与韩国留学比较| 国产成人aa在线观看| 亚洲 欧美 日韩 在线 免费| 亚洲黑人精品在线| 特级一级黄色大片| 露出奶头的视频| 免费人成在线观看视频色| 国产私拍福利视频在线观看| 老司机福利观看| 午夜福利在线在线| 久久九九热精品免费| 亚洲专区国产一区二区| 两个人视频免费观看高清| 91在线观看av| 欧美日韩中文字幕国产精品一区二区三区| 最近最新中文字幕大全电影3| 最新中文字幕久久久久| 女人被狂操c到高潮| 97碰自拍视频| 久久久国产成人免费| 日本黄色视频三级网站网址| 最近最新免费中文字幕在线| 国产伦在线观看视频一区| 中文字幕熟女人妻在线| 亚洲午夜理论影院| 舔av片在线| 免费一级毛片在线播放高清视频| 精品乱码久久久久久99久播| 国产久久久一区二区三区| 五月伊人婷婷丁香| 中文字幕免费在线视频6| 中文字幕人成人乱码亚洲影| 国产成人欧美在线观看| 久久热精品热| 久99久视频精品免费| 两个人的视频大全免费| 国产精品嫩草影院av在线观看 | 国产淫片久久久久久久久 | www.色视频.com| 亚洲美女搞黄在线观看 | 国产亚洲精品久久久com| 搞女人的毛片| 男女之事视频高清在线观看| 欧美日本视频| 最近视频中文字幕2019在线8| 波多野结衣巨乳人妻| 久久人人爽人人爽人人片va | 内射极品少妇av片p| 国产精品精品国产色婷婷| 亚洲中文日韩欧美视频| 国产三级黄色录像| 看免费av毛片| 亚洲av成人av| 欧美一级a爱片免费观看看| 美女黄网站色视频| 乱码一卡2卡4卡精品| 亚洲av.av天堂| 国产精品永久免费网站| 亚洲美女视频黄频| 精品人妻一区二区三区麻豆 | 俄罗斯特黄特色一大片| 在线播放无遮挡| 嫩草影院精品99| 欧美激情国产日韩精品一区| 99久久无色码亚洲精品果冻| 成年版毛片免费区| a在线观看视频网站| 不卡一级毛片| 18美女黄网站色大片免费观看| 在线a可以看的网站| 色播亚洲综合网| .国产精品久久| 国产欧美日韩一区二区精品| 久久久久亚洲av毛片大全| 亚洲欧美精品综合久久99| 亚洲激情在线av| 成人欧美大片| 观看美女的网站| 国产亚洲精品久久久久久毛片| 国产精品嫩草影院av在线观看 | 尤物成人国产欧美一区二区三区| 少妇丰满av| 久久伊人香网站| www.色视频.com| 精品久久久久久久久久免费视频| 综合色av麻豆| 两性午夜刺激爽爽歪歪视频在线观看| 日本免费a在线| 人妻制服诱惑在线中文字幕|