• <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(jié)合自注意力特征過濾分類器和雙分支GAN的面部表情識(shí)別

    2022-04-06 07:57:10鄒海鋒
    模式識(shí)別與人工智能 2022年3期
    關(guān)鍵詞:集上編碼器分類器

    程 艷 蔡 壯 吳 剛 羅 品 鄒海鋒

    研究表明, 55%的人類情緒表達(dá)是通過面部表情傳達(dá)的[1].表情在人類的日常交際中起到重要作用.面部表情識(shí)別作為計(jì)算機(jī)視覺領(lǐng)域的一個(gè)重要研究方向,廣泛應(yīng)用于醫(yī)療診斷[2]、智能教學(xué)系統(tǒng)[3]、人機(jī)交互[4]、駕駛員疲勞檢測(cè)[5]等領(lǐng)域.早期的面部表情識(shí)別任務(wù)主要使用基于手工特征的方法.隨著深度學(xué)習(xí)的發(fā)展,基于深度神經(jīng)網(wǎng)絡(luò)的方法逐漸取代基于手工特征的方法.

    基于手工特征的方法包括圖像預(yù)處理、特征提取、分類器構(gòu)建等過程,可分為基于幾何的方法和基于外觀的方法.基于幾何的方法提取基于形狀變化的面部特征信息[6].Lanitis等[7]提出利用人的眼睛、鼻子和嘴巴的關(guān)鍵位置點(diǎn)計(jì)算臉部的運(yùn)動(dòng)情況,用于分析面部表達(dá)的表情.Tian等[8]開發(fā)自動(dòng)面部分析系統(tǒng),提取面部特征的詳細(xì)參數(shù)描述,識(shí)別面部動(dòng)作編碼系統(tǒng)(Facial Action Coding System,FACS)中的動(dòng)作單元(Action Unit, AU).局部特征描述符主要包括Gabor濾波器[9]、局部二值模式(Local Binary Pattern, LBP)[10]及各種變體,如局部弧形模式(Local Arc Pattern, LAP)[11].然而,基于手工特征方法的識(shí)別結(jié)果依賴于手工特征的設(shè)計(jì),這些手工特征的設(shè)計(jì)依賴于大量的先驗(yàn)知識(shí)和豐富的經(jīng)驗(yàn),大多為特定應(yīng)用設(shè)計(jì)的,泛化能力不強(qiáng),在應(yīng)用中需人工調(diào)整參數(shù),這無疑增加識(shí)別難度,并且容易丟失面部表情特征的關(guān)鍵信息[12].

    由于卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Net-work, CNN)[13]等深度學(xué)習(xí)模型以端到端的方式自動(dòng)學(xué)習(xí)特征,在特征提取上性能較優(yōu),因此基于深度神經(jīng)網(wǎng)絡(luò)的方法近來廣泛應(yīng)用于面部表情識(shí)別任務(wù)中.該類方法有效克服基于手工特征方法的缺點(diǎn),大幅提升識(shí)別效果[14].Zhang等[15]為了減輕個(gè)人屬性對(duì)面部表情識(shí)別結(jié)果的影響,提出IACNN(Identity-Aware CNN),實(shí)現(xiàn)身份不變的面部表情識(shí)別.Li等[16]針對(duì)真實(shí)環(huán)境中面部表情識(shí)別的遮擋問題,提出pACNN(Patch-Based CNN)和gACNN(Global-Local-Based CNN),在真實(shí)遮擋和合成遮擋數(shù)據(jù)集上的實(shí)驗(yàn)表明,2種方法都提高遮擋人臉和非遮擋人臉識(shí)別的準(zhǔn)確率.Zhao等[17]提出MA-Net(Global Multi-scale and Local Attention Network),用于面部表情識(shí)別.

    但基于CNN的面部表情識(shí)別方法從表情中提取的特征容易與其它的面部屬性混合,如姿勢(shì)和外觀的變化,影響特征提取的質(zhì)量,在分類不同的表情時(shí)辨別性不強(qiáng),不利于面部表情識(shí)別.針對(duì)此問題,Xie等[18]提出基于TDGAN(Two-Branch Disentangled Generative Adversarial Network)的面部表情識(shí)別模型,通過雙分支分解生成對(duì)抗網(wǎng)絡(luò)(Generative Ad-versarial Network, GAN),將表情從表情圖像遷移到面部圖像,實(shí)現(xiàn)從其它的面部屬性分離表情,生成具有辨別性的表情表示.該模型包括一個(gè)生成器和兩個(gè)判別器,但該模型生成器使用CNN提取表情特征.CNN提取的特征值表示每個(gè)空間位置檢測(cè)到的局部特征,由于CNN的局部聚合、歸納偏差,特征值具有有限的感受野,CNN提取的特征容易混入噪聲[19],全連接層作為分類器會(huì)將這些噪聲輸入分類器中,對(duì)最終的識(shí)別結(jié)果有一定的影響.TDGAN在參數(shù)學(xué)習(xí)時(shí)提出雙重圖像一致性損失(Dual Image Consistency Loss),使用原圖像和重構(gòu)圖像的整體像素計(jì)算重構(gòu)誤差[20],當(dāng)圖像整體發(fā)生細(xì)微變化和局部巨大變化時(shí),計(jì)算的差值可能相差無幾,這將導(dǎo)致有些生成的圖像發(fā)生局部表情崩塌現(xiàn)象,即在重要的局部區(qū)域(如眼睛)存在缺陷而實(shí)際的重構(gòu)誤差并不大.

    針對(duì)上述不足,本文提出結(jié)合自注意力特征過濾分類器和雙分支GAN的面部表情識(shí)別方法(Fa-cial Expression Recognition Combining Self-Attention Feature Filtering Classifier and Two-Branch GAN, TGAN-AFFC).首先,使用雙分支GAN學(xué)習(xí)辨別性的表情表示,并提出自注意力[21]特征過濾分類器(Self-Attention Feature Filtering Classifier, AFFC)作為表情的分類模塊.AFFC使用級(jí)聯(lián)的LayerNorm和ReLU將低激活單元?dú)w零,保留高激活單元,生成多級(jí)特征,使用自注意力融合輸出多級(jí)特征的預(yù)測(cè)結(jié)果,在一定程度上消除表情特征中混入的噪聲對(duì)識(shí)別結(jié)果的影響,提高識(shí)別的準(zhǔn)確率.然后,提出基于滑動(dòng)模塊的雙重圖像一致性損失,監(jiān)督模型學(xué)習(xí)具有辨別性的表情表示,減少生成圖像表情崩塌現(xiàn)象的發(fā)生.在4個(gè)公開的面部表情數(shù)據(jù)集上的實(shí)驗(yàn)表明,TGAN-AFFC具有較優(yōu)的識(shí)別效果.

    1 結(jié)合自注意力特征過濾分類器和雙分支GAN的面部表情識(shí)別方法

    1.1 網(wǎng)絡(luò)結(jié)構(gòu)

    結(jié)合自注意力特征過濾分類器和雙分支GAN的面部表情識(shí)別方法(TGAN-AFFC)框架如圖1 所示.

    圖1 TGAN-AFFC框圖Fig.1 Flow chart of TGAN-AFFC

    TGAN-AFFC包括兩部分:雙分支GAN和自注意力特征過濾分類器(AFFC).雙分支GAN使用TDGAN[18]提出的雙分支分解GAN結(jié)構(gòu).

    TGAN-AFFC同時(shí)輸入一幅人臉圖像If和一幅表情圖像Ie.根據(jù)GAN的原理,TGAN-AFFC的雙分支GAN由生成器和判別器組成.生成器是編碼器-解碼器結(jié)構(gòu),由面部編碼器Ef、表情編碼器Ee、嵌入模塊和解碼器Dg構(gòu)成,用于將表情從表情圖像的人臉遷移到人臉圖像的人臉上,使表情編碼器學(xué)習(xí)具有辨別性的表情表示.判別器是雙分支結(jié)構(gòu),由面部判別器Df和表情判別器De構(gòu)成,用于評(píng)估輸入的圖像.在表情編碼器后,接入AFFC,輸入表情編碼器學(xué)習(xí)的表情表示,識(shí)別結(jié)果作為面部表情識(shí)別任務(wù)的結(jié)果.

    1.2 雙分支生成對(duì)抗網(wǎng)絡(luò)

    受TDGAN[18]工作的啟發(fā),TGAN-AFFC的雙分支GAN使用TDGAN提出的雙分支分解GAN結(jié)構(gòu),網(wǎng)絡(luò)參數(shù)也相同.雙分支GAN由生成器和判別器組成,生成器由面部編碼器、表情編碼器、嵌入模塊和解碼器組成,判別器是雙分支結(jié)構(gòu),由面部判別器和表情判別器構(gòu)成.面部編碼器、表情編碼器、面部判別器和表情判別器具有相同的特征提取網(wǎng)絡(luò),由具有Inception[22]結(jié)構(gòu)的CNN構(gòu)建,嵌入模塊由具有殘差塊的CNN構(gòu)建,解碼器由反卷積層構(gòu)建.生成器的目標(biāo)是通過將表情圖像的表情從一張人臉遷移到另一張人臉,學(xué)習(xí)具有辨別性的表情表示.

    雙分支GAN輸入圖像對(duì)為{(If,yf),(Ie,ye)},其中,If為輸入的人臉圖像,Ie為輸入的表情圖像,yf、ye分別為相應(yīng)的身份和表情的獨(dú)熱編碼標(biāo)簽.將輸入圖像對(duì)輸入面部編碼器Ef和表情編碼器Ee中,輸出特征表示為

    df=Ef(If),de=Ee(Ie),

    其中,df為人臉圖像的面部特征,de為表情圖像的表情特征.通過嵌入模塊融合面部特征df和表情特征de,得到融合后的特征:

    dfuse=Emb(con(df,de,dn)),

    其中,Emb(·)為嵌入模塊,con(x,y,z)為按通道拼接,dn為噪聲向量.

    融合后的特征dfuse經(jīng)過解碼器Dg生成圖像,表示為

    Ig=Dg(dfuse)=G(If,Ie,dn),

    其中G(x)為整個(gè)生成器.

    在理想情況下,生成圖像Ig應(yīng)保持和輸入人臉圖像If相同的面部外觀,保持和輸入表情圖像Ie相同的表情.為了評(píng)估生成圖像是否滿足期望,設(shè)計(jì)表情判別器De和面部判別器Df,分別判斷輸入圖像的表情和身份.表情判別器De(x)∈Rke,面部判別器Df(x)∈Rkf+1,其中,ke為表情的類別數(shù),kf為人臉數(shù)據(jù)集的標(biāo)簽數(shù)量.面部判別器中額外類的作用是區(qū)分輸入圖像是來自于真實(shí)樣本還是生成圖像.當(dāng)訓(xùn)練模型時(shí),所有生成圖像都將被標(biāo)記為kf+1類,這使得生成器生成符合人臉數(shù)據(jù)集分布的圖像.

    1.3 自注意力特征過濾分類器

    使用CNN提取的特征值表示每個(gè)空間位置檢測(cè)的局部特征,由于CNN的局部聚合、歸納偏差,特征值具有有限的感受野,提取的特征容易混入噪聲[19],全連接層作為分類器會(huì)將這些噪聲輸入分類器中,對(duì)最終的識(shí)別結(jié)果產(chǎn)生一定影響.受集成方法的啟發(fā),Seo等[19]提出FFC(Feature Filtering Cla-

    ssifier),由級(jí)聯(lián)的LayerNorm和ReLU、共享的全連接層組成.對(duì)于輸入特征F0,經(jīng)過多個(gè)LayerNorm和ReLU,生成多級(jí)特征,經(jīng)共享全連接層,生成多級(jí)特征的預(yù)測(cè)結(jié)果,最終平均集成多級(jí)特征的預(yù)測(cè)結(jié)果,得到最終的預(yù)測(cè)結(jié)果.

    輸入共享全連接層的多級(jí)特征具有不同的語義內(nèi)容,平均集成平等對(duì)待每個(gè)預(yù)測(cè)結(jié)果,未考慮多級(jí)特征的預(yù)測(cè)結(jié)果對(duì)最終預(yù)測(cè)結(jié)果的不同貢獻(xiàn).為了更好地融合多級(jí)特征的預(yù)測(cè)結(jié)果并得到最終表情的預(yù)測(cè)結(jié)果,本文結(jié)合自注意力機(jī)制[21],提出自注意力特征過濾分類器(AFFC),在表情編碼器后使用該分類器.AFFC由級(jí)聯(lián)的LayerNorm和ReLU、共享的全連接層和自注意力融合模塊組成.

    表情編碼器學(xué)習(xí)的辨別性表情表示de輸入AFFC,經(jīng)過L個(gè)LayerNorm和ReLU組成的簡(jiǎn)單特征過濾分類器,將低激活單元?dú)w零并保留高激活單元,生成多級(jí)特征F0,F1,…,FL.由于操作只使用特征的均值和標(biāo)準(zhǔn)差進(jìn)行平移和縮放,因此保留每個(gè)通道的語義信息.多級(jí)特征送入由全連接層構(gòu)成的共享分類器中,得到每個(gè)特征的預(yù)測(cè)結(jié)果Pi.簡(jiǎn)單特征過濾分類器表示如下:

    Fi=ReLU(LN(F)i-1)),Pi=Cls(Fi),

    其中,LN為L(zhǎng)ayerNorm,Cls(x)為全連接層共享分類器.

    為了更好地融合多級(jí)特征的預(yù)測(cè)結(jié)果,得到最終表情的預(yù)測(cè)結(jié)果,使用自注意力機(jī)制[21]學(xué)習(xí)每個(gè)特征預(yù)測(cè)結(jié)果對(duì)最終表情預(yù)測(cè)結(jié)果的權(quán)重.在自注意力融合模塊中,輸入多級(jí)特征組合的向量矩陣:

    F=[F0,F1,…,FL]∈RD×L.

    首先,將向量矩陣F進(jìn)行線性變換,映射到3個(gè)不同的子空間,得到3個(gè)向量矩陣:

    Q=WqF∈RDk×L,K=WkF∈RDk×L,V=WvF∈RDv×L,

    其中,Wq∈RDk×D為查詢矩陣,Wk∈RDk×D為鍵矩陣,Wv∈RDv×D為值矩陣.然后計(jì)算注意力值:

    最終,將學(xué)習(xí)的注意力值attention與多級(jí)特征的輸出結(jié)果矩陣P=[P0,P1,…,PL]的元素相乘,得到最終的表情預(yù)測(cè)結(jié)果:

    其中i對(duì)應(yīng)第i個(gè)特征.

    1.4 模型學(xué)習(xí)

    1.4.1 判別器的參數(shù)學(xué)習(xí)

    GAN的訓(xùn)練是先訓(xùn)練判別器,再訓(xùn)練生成器,兩者交替迭代.面部判別器的總體損失函數(shù)為:

    Lf=E(If,yf)~pf[lnDf(If)]+E(Ig,yg)~pg[lnDf(Ig)],

    (1)

    其中,pf為人臉圖像的數(shù)據(jù)分布,pg為生成圖像的數(shù)據(jù)分布,yg為生成圖像的身份標(biāo)簽.在模型的訓(xùn)練中,生成圖像僅被送入面部判別器中.通過最大化式(1)優(yōu)化面部判別器Df.

    表情判別器的總體損失函數(shù)表示如下:

    Le=E(Ie,ye)~pe[lnDe(Ie)],

    (2)

    其中pe為表情圖像的數(shù)據(jù)分布.通過最大化式(2)優(yōu)化表情判別器De.

    1.4.2 生成器的參數(shù)學(xué)習(xí)

    生成器的損失函數(shù)包括3部分:分類損失、感知損失、基于滑動(dòng)模塊的雙重圖像一致性損失.

    1)生成器的分類損失.生成器的目標(biāo)是能生成欺騙2個(gè)判別器的圖像.生成器的分類損失為:

    LC=-{λGfE(Ig,yf)~pg[lnDf(Ig)]+λGeE(Ig,ye)~pg[lnDe(Ig)]},

    其中,λGf、λGe為超參數(shù),平衡面部判別器的損失和表情判別器的損失.

    2)生成器的感知損失.為了保持輸入人臉圖像的語義內(nèi)容不變,引入感知損失,測(cè)量2個(gè)圖像之間的語義內(nèi)容差異,感知損失定義為

    其中,λpf為超參數(shù),df為人臉圖像在面部判別器的特征,d(g,f)=Df(Ig),為生成圖像在面部判別器的特征.

    3)基于滑動(dòng)模塊的雙重圖像一致性損失.為了更好地監(jiān)督TGAN-AFFC的訓(xùn)練,提出基于滑動(dòng)模塊的雙重圖像一致性損失,通過滑動(dòng)窗口的滑動(dòng),逐步計(jì)算每個(gè)滑動(dòng)窗口內(nèi)的像素差值,再對(duì)所有滑動(dòng)窗口中的像素差值取平均.基于滑動(dòng)模塊的雙重圖像一致性損失過程如圖2所示.

    圖2 基于滑動(dòng)模塊的雙重圖像一致性損失流程圖Fig.2 Flow chart of dual image consistency loss based on slid module

    LD=

    其中,λD為超參數(shù),n為滑動(dòng)窗口的總數(shù).

    綜上所述,生成器總的損失函數(shù)為:

    LG=LC+LD+LP.

    1.4.3 AFFC的參數(shù)學(xué)習(xí)

    TGAN-AFFC通過雙分支GAN將表情從一張人臉遷移到另一張人臉,學(xué)習(xí)具有辨別性的表情表示,識(shí)別不同的面部表情.具體地,在優(yōu)化雙分支GAN的同時(shí),使用交叉熵?fù)p失函數(shù)訓(xùn)練AFFC.AFFC的損失函數(shù)為:

    2 實(shí)驗(yàn)及結(jié)果分析

    2.1 實(shí)驗(yàn)數(shù)據(jù)集

    本文在如下4個(gè)公開的面部表情數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn).

    1)CK+數(shù)據(jù)集[23].包含從123名對(duì)象收集的593個(gè)圖像序列,每個(gè)序列的表情都是從中性表情到峰值表情,只有309個(gè)序列被標(biāo)記成6種典型表情(憤怒、厭惡、恐懼、快樂、悲傷、驚訝)之一.挑選每個(gè)序列的最后三幀構(gòu)建訓(xùn)練集和測(cè)試集.此外,每個(gè)選定序列的第1幀都被收集為中性表情.實(shí)驗(yàn)總共涉及1 236幅面部表情圖像.

    2)RAF-DB數(shù)據(jù)集[24].實(shí)驗(yàn)中只使用具有基本表情(包括6種典型表情和中性表情)的圖像進(jìn)行實(shí)驗(yàn),其中12 271幅圖像作為訓(xùn)練數(shù)據(jù),3 068幅圖像作為測(cè)試數(shù)據(jù).

    3)BAUM-2i數(shù)據(jù)集[25].包含不同條件下的面部表情,使用8種表情標(biāo)簽(6種典型的表情+中性+鄙視)進(jìn)行標(biāo)記.實(shí)驗(yàn)中僅使用7種表情(6種典型表情+中性表情)標(biāo)記的數(shù)據(jù)進(jìn)行實(shí)驗(yàn),共涉及998幅面部表情圖像.

    4)TFEID數(shù)據(jù)集(http://bml.ym.edu.tw/tfeid).從40名受試者(20名男性和20名女性)中采集面部表情圖像,每位受試者采集8種面部表情(6種典型表情+中性+蔑視).實(shí)驗(yàn)中使用6種典型表情和中性表情的面部表情數(shù)據(jù),共涉及580幅圖像.

    2.2 實(shí)驗(yàn)設(shè)置

    本文實(shí)驗(yàn)選擇PyTorch 1.8.0作為深度學(xué)習(xí)環(huán)境,訓(xùn)練機(jī)器使用GeForce RTX 3060.

    為了完成表情的遷移任務(wù),面部編碼器分支輸入的圖像應(yīng)是被身份標(biāo)注的圖像.因此,選擇CASIA-

    WebFace數(shù)據(jù)集[26]作為面部編碼器分支的輸入.TGAN-AFCC的主要任務(wù)是表情識(shí)別而不是人臉識(shí)別,所以只使用CASIA-WebFace數(shù)據(jù)集上前10個(gè)類別的圖像作為面部編碼器分支的輸入,選擇的人臉圖像共包含1 021幅圖像.在模型的訓(xùn)練過程中,一幅面部圖像和一幅表情圖像分別從CASIA-WebFace數(shù)據(jù)集和表情數(shù)據(jù)集中隨機(jī)采樣,兩幅圖像構(gòu)成模型輸入的圖像對(duì).

    在數(shù)據(jù)的預(yù)處理階段,首先通過MTCNN(Multi-

    task Cascaded CNN)[27]檢測(cè)輸入圖像的臉部區(qū)域,獲得輸入圖像的關(guān)鍵點(diǎn)坐標(biāo).根據(jù)關(guān)鍵點(diǎn)的坐標(biāo)進(jìn)行臉部的校正和裁剪,將圖像裁剪為140×140×1.在訓(xùn)練階段,采用隨機(jī)裁剪和水平翻轉(zhuǎn)的方式進(jìn)行數(shù)據(jù)集擴(kuò)充,隨機(jī)裁剪后圖像大小為128×128×1.為了與其它方法公平對(duì)比,在CK+、BAUM-2i、TFEID數(shù)據(jù)集上進(jìn)行十折交叉驗(yàn)證實(shí)驗(yàn);在RAF-DB數(shù)據(jù)集上,使用預(yù)先劃分好的訓(xùn)練集和測(cè)試集進(jìn)行訓(xùn)練和評(píng)估.對(duì)于超參數(shù),設(shè)置λGf=0.2、λGe=0.8、λpf=1、λD=1.優(yōu)化器使用自適應(yīng)矩估計(jì)(Adaptive Moment Estimation, Adam)優(yōu)化器.相對(duì)RAF-DB數(shù)據(jù)集,CK+、BAUM-2i、TFEID數(shù)據(jù)集數(shù)據(jù)量相對(duì)較少,為了模型訓(xùn)練,在具有287 401幅訓(xùn)練數(shù)據(jù)的AffectNet數(shù)據(jù)集[28]上進(jìn)行預(yù)訓(xùn)練.

    2.3 對(duì)比實(shí)驗(yàn)

    2.3.1 實(shí)驗(yàn)室條件下的實(shí)驗(yàn)結(jié)果

    在實(shí)驗(yàn)室受控條件下的CK+、TFEID數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn).選擇如下對(duì)比方法:LAP、IACNN、pACN-

    N、TDGAN、PHOG(Pyramid of Histogram of Gradi-

    ents)-LBP、Boosting-POOF(Boosting Part Based One-

    vs-One Feature)、DeRL(De-expression Residue Lear-

    ning)、REC(Self-Organizing Network for Facial Ex-

    pression Recognition from Radial Encoded Contours)、LMBP(Local Mean Binary Pattern)、MPC(Meta Pro-

    bability Codes)、LGBPHS(Local Gabor Binary Pa-

    ttern Histogram Sequence)、CNN-Base,其中CNN-

    Base為TGAN-AFFC的表情判別器.

    TGAN-AFFC在2個(gè)數(shù)據(jù)集上的混淆矩陣如圖3所示.在混淆矩陣中,當(dāng)所有輸入都在受控的環(huán)境下捕獲時(shí),TGAN-AFFC性能較優(yōu).此外,從CK+數(shù)據(jù)集上的混淆矩陣中可見,在所有7個(gè)表情類別中,傷心表情的識(shí)別率最低,為89%,近11%的傷心表情歸類為中性表情.這是因?yàn)樵贑K+數(shù)據(jù)集上,部分傷心表情的圖像和中性表情的圖像在面部區(qū)域具有一些相似動(dòng)作,如嘴巴緊閉、眉毛舒展.所以在網(wǎng)絡(luò)學(xué)習(xí)過程中,對(duì)于相似度很高的傷心表情和中性表情,學(xué)習(xí)特征更傾向于中性表情.在TFEID數(shù)據(jù)集上的混淆矩陣可見,在所有7個(gè)表情類別中,厭惡表情的識(shí)別率最低,為88%,近12%的厭惡表情歸類為中性表情.原因在于:厭惡表情和中性表情在局部的面部區(qū)域具有一些類似的面部變化,如嘴巴緊閉.所以在訓(xùn)練過程中,對(duì)于相似度很高的厭惡表情和中性表情,訓(xùn)練學(xué)習(xí)的特征更傾向于中性類別.

    (a)CK+

    (b)TFEID圖3 TGAN-AFFC在CK+、TFEID數(shù)據(jù)集上的混淆矩陣Fig.3 Confusion matrices of TGAN-AFFC on CK+ and TFEID datasets

    各方法在CK+數(shù)據(jù)集上的準(zhǔn)確率如下:CNN-

    Base為92.68%,IACNN[15]為94.37%,PHOG-LBP[29]

    為94.63%,Boosting-POOF[30]為95.70%,pACNN[16]為

    97.03%,DeRL[31]為97.30%,TDGAN[18]為97.53%,TGAN-AFFC為98.49%.

    各方法在TFEID數(shù)據(jù)集上的準(zhǔn)確率如下:REC[32]為85.45%,LMBP[33]為90.49%,MPC[34]為92.54%,LGBPHS[35]為93.66%,LAP[11]為95.15%,CNN-Base為96.07%,TDGAN[18]為97.20%,TGAN-AFFC為98.26%.

    各方法上的文獻(xiàn)序號(hào)表示結(jié)果引自此文獻(xiàn).

    相比TDGAN,在CK+、TFEID數(shù)據(jù)集上,TGAN-

    AFFC的準(zhǔn)確率分別提升0.96%和1.06%.原因在于:1)TGAN-AFFC使用基于滑動(dòng)模塊的雙重圖像一致性損失,能在有局部變化時(shí)更準(zhǔn)確地計(jì)算差值,避免臉部局部區(qū)域變化時(shí)損失變化不大的情況,使生成器學(xué)習(xí)具有辨別性的表情表示;2)自注意力特征過濾分類器生成特征的多個(gè)版本,使用自注意力融合模塊融合多個(gè)特征的預(yù)測(cè)結(jié)果,在一定程度上消除特征中混入的噪聲,提高表情識(shí)別的準(zhǔn)確率.相比傳統(tǒng)的手工特征方法(LAP、PHOG-LBP、Boosting-

    POOF、REC、LMBP、MPC、LGBPHS),TGAN-AFFC在2個(gè)數(shù)據(jù)集上都取得更好的分類效果,這表明神經(jīng)網(wǎng)絡(luò)模型在面部表情識(shí)別任務(wù)上具有更優(yōu)識(shí)別效果.同時(shí),相比基于神經(jīng)網(wǎng)絡(luò)的方法(IACNN、pACN-

    N、TDGAN、DeRL),基于GAN構(gòu)建的TGAN-AFFC取得更優(yōu)效果,在CK+數(shù)據(jù)集上比DeRL(97.30%)提高1.19%,在TFEID數(shù)據(jù)集上比CNN-Base(96.07%)提高2.19%.這表明通過GAN,生成器學(xué)習(xí)的表情表示比基于CNN學(xué)習(xí)的表情表示更有辨別性.

    2.3.2 不受約束條件下的實(shí)驗(yàn)結(jié)果

    為了驗(yàn)證TGAN-AFFC在不受約束條件下的性能,在RAF-DB、BAUM-2i數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn).選擇如下對(duì)比方法:gACNN、MA-Net、TDGAN、DLP-CNN

    (Deep Locality-Preserving CNN)、Boosting-POOF、LAP、LPQ(Local Phase Quantization)、3DFM(3D Face Modeling Approach for In-the-Wild Facial Expression Recognition on Image Datasets)、WLD(Multi-scale Weber Local Descriptor)、LMP(Local Monotonic Pattern)、SLPM(Soft Locality Preserving Map)、CNN-

    Base.

    TGAN-AFFC在RAF-DB、BAUM-2i數(shù)據(jù)集上的混淆矩陣如圖4所示.由圖可見,TGAN-AFFC在識(shí)別快樂表情時(shí)性能最優(yōu),在2個(gè)數(shù)據(jù)集上的準(zhǔn)確率都超過90%,然而,對(duì)厭惡表情和害怕表情不敏感.一方面厭惡表情和害怕表情的樣本數(shù)量最少:在RAF-DB數(shù)據(jù)集上,厭惡表情和害怕表情分別只占5.71%、2.31%,而快樂表情占38.83%;在BAUM-2i數(shù)據(jù)集上,厭惡表情和害怕表情分別占5.11%、6.81%,而快樂表情占24.84%.當(dāng)面對(duì)不同表情類別樣本量如此巨大的差距時(shí),很難從不同的表情中平等學(xué)習(xí),導(dǎo)致對(duì)厭惡表情和害怕表情學(xué)習(xí)的特征較少.另一方面,選擇的面部編碼器分支輸入的數(shù)據(jù)集為CASIA-WebFace數(shù)據(jù)集,該數(shù)據(jù)集上樣本大部分是笑臉,很少有厭惡表情和害怕表情的人臉.由于TGAN-AFFC可從面部數(shù)據(jù)集和表情數(shù)據(jù)集中學(xué)習(xí),所以TGAN-AFFC能學(xué)習(xí)更多關(guān)于快樂的知識(shí),相比厭惡表情和害怕表情,對(duì)快樂表情的識(shí)別能力更強(qiáng).

    (c)RAF-DB

    (d)BAUM-2i圖4 TGAN-AFFC在RAF-DB、BAUM-2i數(shù)據(jù)集上的混淆 矩陣Fig.4 Confusion matrices of TGAN-AFFC on datasets RAF-DB and BAUM-2i

    各方法在RAF-DB數(shù)據(jù)集上的準(zhǔn)確率如下:Boosting-POOF[30]為73.19%,DLP-CNN[24]為74.20%,CNN-Base為82.92%, TDGAN[18]為83.09%, gA-

    CNN[16]為85.07%,TGAN-AFFC為85.21%, 3DF-

    M[36]為86.10%,MA-Net[17]為88.40%.

    各方法在BAUM-2i數(shù)據(jù)集上的準(zhǔn)確率如下:WLD[37]為54.97%,LMP[38]為57.43%,LAP[35]為58.32%,LPQ[35]為58.99%,CNN-Base為61.46%,SLPM[39]為63.84%,TDGAN[18]為65.76%,TGAN-

    AFFC為67.71%.

    各方法上的文獻(xiàn)序號(hào)表示結(jié)果引自該文獻(xiàn).

    在不受約束條件下,面部表情識(shí)別任務(wù)因姿態(tài)和背景等變化多樣而更具有挑戰(zhàn)性.在RAF-DB數(shù)據(jù)集上,3DFM、MA-Net實(shí)現(xiàn)較高的準(zhǔn)確率,這是因?yàn)?DFM、MA-Net的網(wǎng)絡(luò)架構(gòu)深于TGAN-AFFC,使方法具有更強(qiáng)大的特征學(xué)習(xí)能力以處理更復(fù)雜的場(chǎng)景.相比TDGAN,TGAN-AFFC在RAF-DB、BAUM-2i數(shù)據(jù)集上分別提高2.12%、1.95%.這是因?yàn)門DG-

    AN使用全連接層作為分類器,生成器提取的特征具有一定的噪聲,會(huì)對(duì)最終的識(shí)別結(jié)果造成影響.TGAN-AFFC使用自注意力特征過濾分類器,使用多個(gè)LayerNorm和ReLU生成多級(jí)特征,采用自注意力融合輸出預(yù)測(cè)結(jié)果,能在一定程度上消除噪聲的影響,提高識(shí)別率.同時(shí),使用滑動(dòng)模塊計(jì)算重構(gòu)損失,減少表情崩塌圖像的生成,通過GAN,生成器學(xué)習(xí)更有辨別性的表情表示.

    2.3.3 自注意力特征過濾分類器的消融實(shí)驗(yàn)

    為了評(píng)估自注意力特征過濾分類器的效果,將TGAN-AFFC與TGAN、TGAN-FFC進(jìn)行消融實(shí)驗(yàn),結(jié)果如表1所示,表中TGAN使用全連接作為分類器,TGAN-FFC使用FFC作為表情分類器.

    由表1可知,相比TGAN,TGAN-FFC的準(zhǔn)確率在4個(gè)數(shù)據(jù)集上都有所提高,表明FFC通過級(jí)聯(lián)的LayerNorm和ReLU,將低激活單元?dú)w零并保留高激活單元,能在一定程度上消除噪聲對(duì)實(shí)驗(yàn)結(jié)果的影響,提高識(shí)別效果.相比TGAN-FFC,TGAN-AFFC的識(shí)別率在4個(gè)數(shù)據(jù)集上都有所提高,表明通過自注意力機(jī)制融合多級(jí)特征的預(yù)測(cè)結(jié)果,能取得更優(yōu)效果,驗(yàn)證特征過濾器中引入自注意力機(jī)制的有效性.

    表1 AFFC的消融實(shí)驗(yàn)結(jié)果

    2.4 超參數(shù)選取

    下面通過4組實(shí)驗(yàn)研究超參數(shù)λGf、λGe、λpf、λD對(duì)最終表情識(shí)別結(jié)果的影響.第1組實(shí)驗(yàn)固定λGe=0.8,λpf=1,λD=1,λGf從0變化到1,結(jié)果如圖5(a)所示.當(dāng)λGf=0.2時(shí),獲得最高準(zhǔn)確率.第2組實(shí)驗(yàn)固定λGf=0.2,λpf=1,λD=1,λGe從0變化到1,結(jié)果如圖5(b)所示.當(dāng)λGe=0.8時(shí),獲得最高準(zhǔn)確率.第3組實(shí)驗(yàn)固定λGf=0.2,λGe=0.8,λD=1,λpf從0變化到1,結(jié)果如圖5(c)所示.當(dāng)λpf=1時(shí),獲得最高準(zhǔn)確率.第4組實(shí)驗(yàn)固定λGf=0.2,λGe=0.8,λpf=1,λD從0變化到1,實(shí)驗(yàn)結(jié)果如圖5(d)所示.當(dāng)λD=1時(shí),獲得最高準(zhǔn)確率.

    由圖5可觀察到,TGAN-AFFC的準(zhǔn)確率隨著4個(gè)超參數(shù)的改變而改變,但不是規(guī)律性的變化,原因在于GAN容易發(fā)生模式崩潰現(xiàn)象,超參數(shù)的改變會(huì)影響方法訓(xùn)練效果.

    (a)λGf

    (b)λGe

    (c)λpf

    (d)λD圖5 超參數(shù)改變時(shí)TGAN-AFFC在2個(gè)數(shù)據(jù)集上的變化 曲線Fig.5 Curves of accuracy versus different hyperparameters on 2 datasets

    2.5 基于滑動(dòng)模塊的雙重圖像一致性損失

    為了評(píng)估滑動(dòng)模塊計(jì)算重構(gòu)損失的效果,TD-GAN和TGAN-AFFC在4個(gè)數(shù)據(jù)集上的生成圖像如圖6所示.由圖可看出,相比未使用滑動(dòng)模塊計(jì)算重構(gòu)損失的TDGAN,TGAN-AFFC可避免生成局部表情崩塌的圖像.在TFEID、BAUM-2i數(shù)據(jù)集的圖像上,可明顯觀察到TDGAN生成圖像在鼻子、嘴巴區(qū)域存在明顯畸變,而使用滑動(dòng)模塊計(jì)算重構(gòu)損失的TGAN-AFFC生成圖像比TDGAN正常,在姿態(tài)變化的條件下,TGAN-AFFC生成圖像只出現(xiàn)輕微的畸變.原因在于基于滑動(dòng)模塊的雙重圖像一致性損失更關(guān)注面部的局部區(qū)域,能生成更好的圖像,在一定程度上表明引入滑動(dòng)模塊計(jì)算重構(gòu)損失可有效避免生成圖像的局部表情崩塌現(xiàn)象的發(fā)生,驗(yàn)證滑動(dòng)模塊的有效性.

    (a)人臉(a)Faces

    (b)表情(b)Expressions

    (c)TDGAN生成圖像(c)Images generated by TDGAN

    (d)TGAN-AFFC生成圖像(d)Images generated by TGAN-AFFC圖6 TDGAN和TGAN-AFFC的生成圖像Fig.6 Images generated by TDGAN and TGAN-AFFC

    3 結(jié) 束 語

    本文提出結(jié)合自注意力特征過濾分類器和雙分支GAN的面部表情識(shí)別方法(TGAN-AFFC).使用雙分支GAN學(xué)習(xí)辨別性的表情表示,并提出自注意力特征過濾分類器作為表情的分類模塊,有效融合多級(jí)特征的識(shí)別結(jié)果,在一定程度上消除表情表示中的噪聲對(duì)識(shí)別結(jié)果的影響,提高表情識(shí)別的準(zhǔn)確率.提出基于滑動(dòng)模塊的雙重圖像一致性損失,通過滑動(dòng)窗口計(jì)算損失,更好地監(jiān)督模型學(xué)習(xí)具有辨別性的表情表示.在不同數(shù)據(jù)集上的對(duì)比實(shí)驗(yàn)驗(yàn)證方法性能.雖然TGAN-AFFC在4個(gè)公開的數(shù)據(jù)集上具有良好的表現(xiàn),但在真實(shí)環(huán)境中的應(yīng)用還有待研究,下一步將圍繞該方法的實(shí)用性展開深入研究.

    猜你喜歡
    集上編碼器分類器
    Cookie-Cutter集上的Gibbs測(cè)度
    鏈完備偏序集上廣義向量均衡問題解映射的保序性
    基于FPGA的同步機(jī)軸角編碼器
    BP-GA光照分類器在車道線識(shí)別中的應(yīng)用
    復(fù)扇形指標(biāo)集上的分布混沌
    基于PRBS檢測(cè)的8B/IOB編碼器設(shè)計(jì)
    加權(quán)空-譜與最近鄰分類器相結(jié)合的高光譜圖像分類
    結(jié)合模糊(C+P)均值聚類和SP-V-支持向量機(jī)的TSK分類器
    JESD204B接口協(xié)議中的8B10B編碼器設(shè)計(jì)
    電子器件(2015年5期)2015-12-29 08:42:24
    基于LLE降維和BP_Adaboost分類器的GIS局部放電模式識(shí)別
    男男h啪啪无遮挡| 蜜桃国产av成人99| 成人漫画全彩无遮挡| 中文字幕人妻熟女乱码| 一区二区日韩欧美中文字幕 | 久久国产亚洲av麻豆专区| 国产 精品1| 18在线观看网站| 久久久欧美国产精品| 2018国产大陆天天弄谢| 久久久久国产网址| 黑人巨大精品欧美一区二区蜜桃 | 中文字幕精品免费在线观看视频 | 亚洲国产精品一区二区三区在线| 99久国产av精品国产电影| 观看av在线不卡| 中文字幕人妻丝袜制服| 午夜福利视频在线观看免费| 美女国产高潮福利片在线看| 欧美精品国产亚洲| 男女免费视频国产| 午夜影院在线不卡| 久久精品久久精品一区二区三区| 伊人亚洲综合成人网| 高清在线视频一区二区三区| 亚洲欧美中文字幕日韩二区| 丝袜美足系列| 最新中文字幕久久久久| 国产高清不卡午夜福利| 成年动漫av网址| 久久综合国产亚洲精品| 黑丝袜美女国产一区| 亚洲人与动物交配视频| 亚洲精品久久午夜乱码| 色婷婷av一区二区三区视频| 99视频精品全部免费 在线| 午夜福利视频在线观看免费| 亚洲精品第二区| 看免费av毛片| 国产一区二区在线观看av| 亚洲久久久国产精品| 少妇 在线观看| 看免费av毛片| 只有这里有精品99| 人妻一区二区av| 亚洲国产成人一精品久久久| 亚洲欧美日韩卡通动漫| 国产一区二区在线观看av| av.在线天堂| 久久狼人影院| 亚洲欧美日韩另类电影网站| 狂野欧美激情性xxxx在线观看| 亚洲精品日韩在线中文字幕| 久久精品aⅴ一区二区三区四区 | 亚洲精品久久成人aⅴ小说| 极品少妇高潮喷水抽搐| 国产精品久久久久久精品电影小说| 国产精品女同一区二区软件| 日本vs欧美在线观看视频| 国产精品国产三级专区第一集| 欧美激情 高清一区二区三区| 如何舔出高潮| 欧美日韩国产mv在线观看视频| 欧美日韩视频高清一区二区三区二| 免费观看a级毛片全部| 永久网站在线| 精品视频人人做人人爽| 另类精品久久| 日日爽夜夜爽网站| 国产 一区精品| 美女脱内裤让男人舔精品视频| 亚洲人成网站在线观看播放| 免费黄网站久久成人精品| 国产片特级美女逼逼视频| 精品少妇久久久久久888优播| 色婷婷av一区二区三区视频| 交换朋友夫妻互换小说| 尾随美女入室| 成人综合一区亚洲| 免费黄网站久久成人精品| 最近2019中文字幕mv第一页| 少妇的逼好多水| 免费观看av网站的网址| 性高湖久久久久久久久免费观看| av在线老鸭窝| 狠狠精品人妻久久久久久综合| 麻豆乱淫一区二区| 日韩免费高清中文字幕av| 一级毛片电影观看| 桃花免费在线播放| 插逼视频在线观看| 久久精品国产亚洲av天美| 激情五月婷婷亚洲| 汤姆久久久久久久影院中文字幕| 国产一区二区激情短视频 | 中国国产av一级| 国产精品国产三级国产av玫瑰| 人成视频在线观看免费观看| 欧美日本中文国产一区发布| 久久久国产欧美日韩av| 麻豆乱淫一区二区| 美国免费a级毛片| 伦理电影免费视频| 日韩一本色道免费dvd| 午夜视频国产福利| 日韩制服丝袜自拍偷拍| 国产日韩欧美视频二区| 亚洲成人手机| 欧美少妇被猛烈插入视频| 在线观看三级黄色| av免费在线看不卡| 国产成人91sexporn| 亚洲精品久久久久久婷婷小说| 亚洲av中文av极速乱| 欧美最新免费一区二区三区| 中国美白少妇内射xxxbb| 欧美精品高潮呻吟av久久| 韩国av在线不卡| 午夜91福利影院| 免费播放大片免费观看视频在线观看| 纵有疾风起免费观看全集完整版| 久久亚洲国产成人精品v| 精品国产一区二区三区四区第35| 一级黄片播放器| 国产在视频线精品| 亚洲成国产人片在线观看| 超色免费av| 纵有疾风起免费观看全集完整版| 日本免费在线观看一区| 少妇高潮的动态图| 欧美激情 高清一区二区三区| 亚洲丝袜综合中文字幕| 2021少妇久久久久久久久久久| 亚洲av男天堂| 午夜福利在线观看免费完整高清在| www.av在线官网国产| 精品人妻在线不人妻| 涩涩av久久男人的天堂| 女人被躁到高潮嗷嗷叫费观| 嫩草影院入口| 夜夜骑夜夜射夜夜干| 性色avwww在线观看| 9191精品国产免费久久| 成人影院久久| 各种免费的搞黄视频| 欧美精品一区二区免费开放| 精品人妻偷拍中文字幕| 久久女婷五月综合色啪小说| 精品亚洲成a人片在线观看| 人妻系列 视频| 老司机亚洲免费影院| 欧美日韩国产mv在线观看视频| 中文字幕精品免费在线观看视频 | 精品国产国语对白av| av一本久久久久| 亚洲av男天堂| 免费高清在线观看视频在线观看| 伦精品一区二区三区| 美女中出高潮动态图| 欧美成人午夜免费资源| 亚洲精品中文字幕在线视频| 人妻少妇偷人精品九色| 熟女人妻精品中文字幕| 在现免费观看毛片| 久久午夜福利片| 免费观看无遮挡的男女| 91久久精品国产一区二区三区| 精品久久蜜臀av无| 亚洲欧美成人综合另类久久久| av.在线天堂| 久久久久国产网址| 久久久欧美国产精品| 99热国产这里只有精品6| 成人毛片60女人毛片免费| 亚洲成人av在线免费| 久久亚洲国产成人精品v| 中国美白少妇内射xxxbb| 久久久精品免费免费高清| 99久久人妻综合| 丝袜在线中文字幕| 激情视频va一区二区三区| 热99国产精品久久久久久7| 亚洲精品国产av成人精品| 丝袜美足系列| 精品少妇内射三级| 观看美女的网站| 国产高清国产精品国产三级| 亚洲一级一片aⅴ在线观看| 亚洲天堂av无毛| 成人毛片a级毛片在线播放| 免费av不卡在线播放| 不卡视频在线观看欧美| 亚洲久久久国产精品| 国产午夜精品一二区理论片| 成人综合一区亚洲| 久久人人97超碰香蕉20202| 一级黄片播放器| 国产 精品1| 久久久久精品性色| 男人爽女人下面视频在线观看| 中文字幕精品免费在线观看视频 | 18禁动态无遮挡网站| 建设人人有责人人尽责人人享有的| 在现免费观看毛片| 国产精品久久久久成人av| 精品卡一卡二卡四卡免费| 日日摸夜夜添夜夜爱| 观看美女的网站| 免费观看性生交大片5| 精品第一国产精品| 久久影院123| 亚洲内射少妇av| 又粗又硬又长又爽又黄的视频| 日日撸夜夜添| 国产麻豆69| 精品久久久久久电影网| 日本与韩国留学比较| 国产黄色免费在线视频| 大香蕉久久成人网| 亚洲欧美成人综合另类久久久| 久久精品国产自在天天线| 91aial.com中文字幕在线观看| 69精品国产乱码久久久| 免费播放大片免费观看视频在线观看| 色婷婷av一区二区三区视频| 高清av免费在线| 久久久国产一区二区| 一级毛片电影观看| 色视频在线一区二区三区| 搡老乐熟女国产| 久久国产亚洲av麻豆专区| 性色avwww在线观看| 久久久久网色| 99热6这里只有精品| 国产日韩欧美亚洲二区| 亚洲精品一区蜜桃| 久久久a久久爽久久v久久| 亚洲精品国产色婷婷电影| 97在线视频观看| 欧美精品av麻豆av| 亚洲精品久久久久久婷婷小说| 天天躁夜夜躁狠狠久久av| 成人手机av| 亚洲色图 男人天堂 中文字幕 | 中文字幕精品免费在线观看视频 | 亚洲国产成人一精品久久久| 男女午夜视频在线观看 | 日韩 亚洲 欧美在线| 亚洲四区av| 性色avwww在线观看| 亚洲高清免费不卡视频| 国产精品一区二区在线观看99| 少妇高潮的动态图| 在线天堂中文资源库| 国产毛片在线视频| 亚洲精品久久午夜乱码| 亚洲成色77777| 人妻 亚洲 视频| 在线观看一区二区三区激情| 亚洲国产精品国产精品| 久久久久网色| 亚洲欧美日韩另类电影网站| 51国产日韩欧美| 另类精品久久| 中文字幕免费在线视频6| 黑人巨大精品欧美一区二区蜜桃 | 亚洲精品国产av蜜桃| 人妻少妇偷人精品九色| 少妇熟女欧美另类| a级毛色黄片| 国产深夜福利视频在线观看| 国产乱人偷精品视频| 亚洲丝袜综合中文字幕| 日韩视频在线欧美| 亚洲精华国产精华液的使用体验| 少妇被粗大的猛进出69影院 | 免费不卡的大黄色大毛片视频在线观看| 少妇人妻 视频| 中国三级夫妇交换| 免费av中文字幕在线| 青春草亚洲视频在线观看| 青青草视频在线视频观看| 日日摸夜夜添夜夜爱| 亚洲欧美清纯卡通| 欧美成人午夜精品| 成人二区视频| 欧美精品高潮呻吟av久久| 国产精品麻豆人妻色哟哟久久| 三上悠亚av全集在线观看| 黄网站色视频无遮挡免费观看| 婷婷成人精品国产| 精品亚洲乱码少妇综合久久| 青春草视频在线免费观看| 久久久精品免费免费高清| 成年动漫av网址| 免费少妇av软件| 在线观看人妻少妇| 久久精品aⅴ一区二区三区四区 | 成年av动漫网址| 国产淫语在线视频| 宅男免费午夜| 99re6热这里在线精品视频| 久久久亚洲精品成人影院| 国产极品粉嫩免费观看在线| 欧美国产精品一级二级三级| 欧美人与性动交α欧美软件 | 美国免费a级毛片| av电影中文网址| 丰满饥渴人妻一区二区三| 免费黄频网站在线观看国产| 亚洲国产精品999| 亚洲第一av免费看| 少妇精品久久久久久久| 国产 精品1| 少妇 在线观看| 狂野欧美激情性bbbbbb| 日韩一区二区三区影片| 中文字幕精品免费在线观看视频 | 综合色丁香网| 亚洲欧美清纯卡通| 亚洲成人一二三区av| 成人综合一区亚洲| 99国产综合亚洲精品| 精品人妻熟女毛片av久久网站| 欧美激情国产日韩精品一区| 日本免费在线观看一区| 欧美精品一区二区免费开放| 成人国语在线视频| 夫妻午夜视频| 多毛熟女@视频| 少妇的逼好多水| av国产精品久久久久影院| 丰满少妇做爰视频| 亚洲精品第二区| 老熟女久久久| 日韩在线高清观看一区二区三区| 免费大片黄手机在线观看| 男女免费视频国产| 香蕉国产在线看| 午夜日本视频在线| 成人免费观看视频高清| 亚洲精品aⅴ在线观看| 一区在线观看完整版| 久久影院123| 亚洲五月色婷婷综合| 丝袜在线中文字幕| 国产亚洲精品第一综合不卡 | 久久韩国三级中文字幕| 人妻人人澡人人爽人人| 高清欧美精品videossex| 韩国av在线不卡| 久久久久久久国产电影| 国产爽快片一区二区三区| 黄网站色视频无遮挡免费观看| 狠狠精品人妻久久久久久综合| 欧美精品高潮呻吟av久久| 十八禁网站网址无遮挡| 国产福利在线免费观看视频| 搡女人真爽免费视频火全软件| 26uuu在线亚洲综合色| 伦理电影免费视频| 毛片一级片免费看久久久久| 国产精品熟女久久久久浪| 纯流量卡能插随身wifi吗| 久久av网站| 在线观看免费日韩欧美大片| 黑人猛操日本美女一级片| 男人爽女人下面视频在线观看| 水蜜桃什么品种好| 一级黄片播放器| 在线观看免费视频网站a站| 欧美日韩综合久久久久久| 久久久久精品久久久久真实原创| 啦啦啦在线观看免费高清www| xxxhd国产人妻xxx| 一本久久精品| 亚洲伊人色综图| 少妇高潮的动态图| 国产精品成人在线| 在线观看三级黄色| 丝袜美足系列| 亚洲av综合色区一区| 成年动漫av网址| 天堂中文最新版在线下载| 久久精品国产自在天天线| 九色成人免费人妻av| 91精品伊人久久大香线蕉| 欧美xxxx性猛交bbbb| 国产日韩欧美亚洲二区| 亚洲人成77777在线视频| 一区在线观看完整版| 久久人人爽av亚洲精品天堂| 午夜激情av网站| h视频一区二区三区| 亚洲欧美成人精品一区二区| 欧美xxⅹ黑人| 日本猛色少妇xxxxx猛交久久| 在线免费观看不下载黄p国产| 精品少妇黑人巨大在线播放| 日韩不卡一区二区三区视频在线| 人妻人人澡人人爽人人| 少妇精品久久久久久久| 欧美xxⅹ黑人| 男女国产视频网站| 我要看黄色一级片免费的| 97人妻天天添夜夜摸| 日韩在线高清观看一区二区三区| 交换朋友夫妻互换小说| 国产一区亚洲一区在线观看| 国产成人免费无遮挡视频| 婷婷成人精品国产| 在线观看人妻少妇| 夜夜爽夜夜爽视频| 成人毛片a级毛片在线播放| 一级毛片 在线播放| 综合色丁香网| 国产69精品久久久久777片| av视频免费观看在线观看| 最近最新中文字幕大全免费视频 | 观看美女的网站| 国产av国产精品国产| 黄色怎么调成土黄色| 人妻人人澡人人爽人人| 纯流量卡能插随身wifi吗| 国产成人精品福利久久| 99香蕉大伊视频| 在线观看三级黄色| 王馨瑶露胸无遮挡在线观看| 国产乱来视频区| 久久精品国产鲁丝片午夜精品| 久久亚洲国产成人精品v| 亚洲精品久久成人aⅴ小说| 国产午夜精品一二区理论片| 亚洲成人av在线免费| 你懂的网址亚洲精品在线观看| 精品午夜福利在线看| 欧美人与性动交α欧美软件 | 日本欧美国产在线视频| 乱码一卡2卡4卡精品| 国产一区二区激情短视频 | 亚洲精品色激情综合| 中文字幕av电影在线播放| 好男人视频免费观看在线| 性色av一级| 午夜免费男女啪啪视频观看| 日韩一本色道免费dvd| 国产男人的电影天堂91| 在线观看国产h片| 大香蕉97超碰在线| 丝袜喷水一区| 国产熟女欧美一区二区| 自拍欧美九色日韩亚洲蝌蚪91| 少妇人妻精品综合一区二区| 日韩在线高清观看一区二区三区| 22中文网久久字幕| 免费av中文字幕在线| 少妇熟女欧美另类| 午夜福利乱码中文字幕| 观看美女的网站| 曰老女人黄片| 成人综合一区亚洲| 插逼视频在线观看| 久久精品久久久久久噜噜老黄| 美女国产视频在线观看| 91精品国产国语对白视频| 麻豆乱淫一区二区| 国产高清三级在线| 久久99蜜桃精品久久| 久久鲁丝午夜福利片| 两性夫妻黄色片 | 久久婷婷青草| 男女免费视频国产| 2018国产大陆天天弄谢| 亚洲精品日本国产第一区| 男人添女人高潮全过程视频| 午夜福利网站1000一区二区三区| 又大又黄又爽视频免费| 午夜老司机福利剧场| 午夜精品国产一区二区电影| 亚洲中文av在线| 久久精品国产自在天天线| av国产精品久久久久影院| 香蕉精品网在线| 久久人妻熟女aⅴ| 免费人妻精品一区二区三区视频| 成人影院久久| 国产爽快片一区二区三区| 另类亚洲欧美激情| 日本av免费视频播放| 最近中文字幕高清免费大全6| 亚洲伊人色综图| 成年动漫av网址| 国产精品 国内视频| 一本色道久久久久久精品综合| 好男人视频免费观看在线| 国产精品久久久久久精品古装| 国产在线免费精品| 亚洲精品,欧美精品| xxx大片免费视频| 国产成人欧美| 亚洲国产日韩一区二区| a级片在线免费高清观看视频| 国产欧美日韩一区二区三区在线| 亚洲国产看品久久| 人妻系列 视频| 亚洲国产精品成人久久小说| 高清毛片免费看| 亚洲成av片中文字幕在线观看 | 夫妻性生交免费视频一级片| av免费在线看不卡| 亚洲综合精品二区| 日韩一区二区视频免费看| 伊人亚洲综合成人网| 久久综合国产亚洲精品| 观看美女的网站| 91精品国产国语对白视频| 国产在线一区二区三区精| 亚洲国产精品一区二区三区在线| 一级片'在线观看视频| 美女内射精品一级片tv| 最近最新中文字幕大全免费视频 | 精品第一国产精品| 天天躁夜夜躁狠狠躁躁| 你懂的网址亚洲精品在线观看| 视频区图区小说| 婷婷色综合www| 大香蕉久久网| 精品久久蜜臀av无| 久久精品久久久久久久性| 国产一区二区三区综合在线观看 | 91精品伊人久久大香线蕉| 男女午夜视频在线观看 | 热99国产精品久久久久久7| 亚洲精品美女久久久久99蜜臀 | 啦啦啦在线观看免费高清www| 日韩一区二区三区影片| av网站免费在线观看视频| 看免费av毛片| a级片在线免费高清观看视频| 桃花免费在线播放| 乱人伦中国视频| 国产黄色免费在线视频| 国产av国产精品国产| 人人妻人人爽人人添夜夜欢视频| 七月丁香在线播放| 最近的中文字幕免费完整| 久久久久国产网址| 五月玫瑰六月丁香| 久热久热在线精品观看| 一级毛片黄色毛片免费观看视频| videossex国产| 巨乳人妻的诱惑在线观看| 搡女人真爽免费视频火全软件| 亚洲五月色婷婷综合| 免费大片黄手机在线观看| 国产精品女同一区二区软件| 天天影视国产精品| 欧美日韩成人在线一区二区| 国产精品一区www在线观看| 捣出白浆h1v1| 男女边吃奶边做爰视频| 欧美97在线视频| 精品国产乱码久久久久久小说| 国产精品熟女久久久久浪| 久久国产精品大桥未久av| 国产片内射在线| 国产精品一区www在线观看| 免费观看av网站的网址| 国产高清国产精品国产三级| 十八禁高潮呻吟视频| 成人国产麻豆网| 久久精品夜色国产| 免费看不卡的av| 中文字幕另类日韩欧美亚洲嫩草| 高清不卡的av网站| 自线自在国产av| 人成视频在线观看免费观看| 亚洲国产精品成人久久小说| av有码第一页| 色哟哟·www| 国产精品蜜桃在线观看| 欧美精品一区二区大全| 亚洲,一卡二卡三卡| 岛国毛片在线播放| 一级毛片电影观看| 久久久久久人妻| 国产欧美日韩综合在线一区二区| 9热在线视频观看99| 看十八女毛片水多多多| 9191精品国产免费久久| 蜜桃在线观看..| 一二三四在线观看免费中文在 | 美国免费a级毛片| 两个人免费观看高清视频| 91久久精品国产一区二区三区| 亚洲伊人色综图| 国产黄色免费在线视频| 亚洲人与动物交配视频| 免费av不卡在线播放| √禁漫天堂资源中文www| 亚洲国产看品久久| 国产成人91sexporn| 国语对白做爰xxxⅹ性视频网站| 色网站视频免费| 免费观看性生交大片5| 久久狼人影院| www.熟女人妻精品国产 | 亚洲精品美女久久av网站| 综合色丁香网| 秋霞伦理黄片| 亚洲国产av新网站| 国产深夜福利视频在线观看| 国产一区二区三区av在线| 日韩一区二区三区影片| 美女脱内裤让男人舔精品视频|