• <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
    长腿黑丝高跟| 国产激情欧美一区二区| 亚洲成人免费电影在线观看| 国产又爽黄色视频| 婷婷六月久久综合丁香| 高清黄色对白视频在线免费看| 好男人在线观看高清免费视频 | 免费高清在线观看日韩| 高清毛片免费观看视频网站| 国产精品亚洲av一区麻豆| 伦理电影免费视频| 九色国产91popny在线| 老司机在亚洲福利影院| 国产成人系列免费观看| 亚洲av成人av| 国产精华一区二区三区| 黄色丝袜av网址大全| netflix在线观看网站| 欧美激情久久久久久爽电影 | 夜夜爽天天搞| 夜夜夜夜夜久久久久| 男男h啪啪无遮挡| 色婷婷久久久亚洲欧美| 涩涩av久久男人的天堂| 成人亚洲精品一区在线观看| 真人一进一出gif抽搐免费| 97超级碰碰碰精品色视频在线观看| 亚洲欧美日韩高清在线视频| 亚洲熟女毛片儿| 久久久国产欧美日韩av| 国产又爽黄色视频| av在线播放免费不卡| 午夜免费成人在线视频| 欧美+亚洲+日韩+国产| 女人被躁到高潮嗷嗷叫费观| 亚洲电影在线观看av| 国产精品亚洲一级av第二区| 国产精品国产高清国产av| 搡老熟女国产l中国老女人| 国产精品电影一区二区三区| 九色国产91popny在线| 亚洲精品国产色婷婷电影| 亚洲在线自拍视频| 日韩欧美国产在线观看| 色av中文字幕| 精品午夜福利视频在线观看一区| av片东京热男人的天堂| 自拍欧美九色日韩亚洲蝌蚪91| 久久这里只有精品19| 黄片大片在线免费观看| 高清毛片免费观看视频网站| 制服诱惑二区| or卡值多少钱| av视频免费观看在线观看| 在线观看66精品国产| 9热在线视频观看99| 丁香六月欧美| 无限看片的www在线观看| 丝袜在线中文字幕| 国产男靠女视频免费网站| 国产精品爽爽va在线观看网站 | 久久久久久国产a免费观看| 国产精品久久视频播放| 亚洲成国产人片在线观看| 91精品国产国语对白视频| 97人妻天天添夜夜摸| 亚洲中文字幕日韩| 又紧又爽又黄一区二区| 精品久久久久久久久久免费视频| 日本在线视频免费播放| 亚洲第一电影网av| 欧美一级a爱片免费观看看 | 女人高潮潮喷娇喘18禁视频| 久久久久亚洲av毛片大全| 纯流量卡能插随身wifi吗| 精品福利观看| 怎么达到女性高潮| 久久青草综合色| 亚洲午夜理论影院| 韩国精品一区二区三区| 亚洲精品粉嫩美女一区| 青草久久国产| 99精品在免费线老司机午夜| 亚洲精品国产区一区二| 一二三四社区在线视频社区8| av超薄肉色丝袜交足视频| 成人国语在线视频| 亚洲最大成人中文| 美女午夜性视频免费| 国产成人精品久久二区二区91| 免费不卡黄色视频| 成人欧美大片| 此物有八面人人有两片| 色综合站精品国产| x7x7x7水蜜桃| 亚洲色图综合在线观看| 免费看a级黄色片| 亚洲中文av在线| 国产欧美日韩一区二区精品| 人人澡人人妻人| 欧美精品亚洲一区二区| 免费高清视频大片| 精品熟女少妇八av免费久了| 波多野结衣巨乳人妻| 午夜视频精品福利| 国产亚洲欧美在线一区二区| 久久久国产成人免费| 夜夜躁狠狠躁天天躁| 日韩中文字幕欧美一区二区| 久久精品影院6| 两性夫妻黄色片| 九色国产91popny在线| 久久国产精品影院| 日本欧美视频一区| 亚洲黑人精品在线| 亚洲欧美精品综合久久99| 欧美乱色亚洲激情| 久久狼人影院| 亚洲av电影在线进入| 亚洲人成伊人成综合网2020| 精品久久久精品久久久| 中文字幕人成人乱码亚洲影| 色播亚洲综合网| 一卡2卡三卡四卡精品乱码亚洲| 欧美日本视频| 久久婷婷成人综合色麻豆| 一二三四社区在线视频社区8| 青草久久国产| 淫妇啪啪啪对白视频| 亚洲国产高清在线一区二区三 | ponron亚洲| 国产精品一区二区三区四区久久 | 免费人成视频x8x8入口观看| 国产区一区二久久| 欧美性长视频在线观看| 国产免费av片在线观看野外av| 母亲3免费完整高清在线观看| 久久久久国产一级毛片高清牌| 又黄又粗又硬又大视频| 在线观看免费视频网站a站| 极品教师在线免费播放| 91大片在线观看| 久久国产精品影院| 99在线人妻在线中文字幕| 午夜免费激情av| 国产成人免费无遮挡视频| 悠悠久久av| 一二三四社区在线视频社区8| 欧美成狂野欧美在线观看| 淫妇啪啪啪对白视频| 动漫黄色视频在线观看| 宅男免费午夜| 欧美成狂野欧美在线观看| 午夜免费鲁丝| 神马国产精品三级电影在线观看 | 日韩中文字幕欧美一区二区| 久久亚洲精品不卡| av在线天堂中文字幕| 久久久久久久久久久久大奶| 久久久久久大精品| 色精品久久人妻99蜜桃| 波多野结衣一区麻豆| 亚洲欧美激情综合另类| 看片在线看免费视频| 日本免费一区二区三区高清不卡 | 久久影院123| 超碰成人久久| 欧美激情 高清一区二区三区| 久久中文字幕人妻熟女| xxx96com| 亚洲 国产 在线| 91av网站免费观看| 精品国内亚洲2022精品成人| 精品人妻1区二区| 国产精品久久久久久人妻精品电影| 女警被强在线播放| 一级,二级,三级黄色视频| 亚洲一区高清亚洲精品| www国产在线视频色| 一本综合久久免费| 在线观看免费视频网站a站| a在线观看视频网站| 精品国内亚洲2022精品成人| 久久久久亚洲av毛片大全| 亚洲七黄色美女视频| www.熟女人妻精品国产| 精品一区二区三区视频在线观看免费| 在线天堂中文资源库| 免费在线观看亚洲国产| 又黄又爽又免费观看的视频| 久久精品国产清高在天天线| 久久香蕉激情| 国产亚洲精品综合一区在线观看 | 国产精品久久久久久人妻精品电影| 精品午夜福利视频在线观看一区| 国产日韩一区二区三区精品不卡| 免费无遮挡裸体视频| 精品人妻1区二区| 国产精品爽爽va在线观看网站 | www.999成人在线观看| a在线观看视频网站| 99久久精品国产亚洲精品| 两个人看的免费小视频| 亚洲va日本ⅴa欧美va伊人久久| 好男人电影高清在线观看| 日本精品一区二区三区蜜桃| a级毛片在线看网站| 久久精品国产99精品国产亚洲性色 | 久久九九热精品免费| 亚洲人成伊人成综合网2020| 国产精品 欧美亚洲| 成人精品一区二区免费| 动漫黄色视频在线观看| 一级a爱片免费观看的视频| 欧美日韩中文字幕国产精品一区二区三区 | 美女 人体艺术 gogo| 99国产精品99久久久久| 不卡一级毛片| 最好的美女福利视频网| 亚洲精品国产色婷婷电影| 一级黄色大片毛片| 少妇被粗大的猛进出69影院| 久久久久久久精品吃奶| 久久精品成人免费网站| 免费在线观看黄色视频的| 午夜久久久久精精品| 黄色成人免费大全| www日本在线高清视频| 午夜视频精品福利| 久热这里只有精品99| 国产精品自产拍在线观看55亚洲| 午夜免费激情av| 午夜成年电影在线免费观看| 精品国产国语对白av| 国产精品综合久久久久久久免费 | 巨乳人妻的诱惑在线观看| 久久精品国产清高在天天线| 男女之事视频高清在线观看| 国产欧美日韩综合在线一区二区| 国产aⅴ精品一区二区三区波| 少妇熟女aⅴ在线视频| www.自偷自拍.com| 国产一区二区三区综合在线观看| 亚洲国产欧美一区二区综合| 极品人妻少妇av视频| 久久青草综合色| 国产精品99久久99久久久不卡| 最好的美女福利视频网| 亚洲中文av在线| 嫁个100分男人电影在线观看| 法律面前人人平等表现在哪些方面| 韩国av一区二区三区四区| 在线观看免费视频日本深夜| 国产av一区二区精品久久| 日韩视频一区二区在线观看| 好男人在线观看高清免费视频 | 中文字幕人妻熟女乱码| 伦理电影免费视频| 国产精品国产高清国产av| 国产三级在线视频| 国产三级黄色录像| 男人操女人黄网站| av天堂久久9| 亚洲精品一卡2卡三卡4卡5卡| 99re在线观看精品视频| 69av精品久久久久久| 50天的宝宝边吃奶边哭怎么回事| 亚洲成人精品中文字幕电影| 亚洲色图 男人天堂 中文字幕| av电影中文网址| 精品国产美女av久久久久小说| 国产精品美女特级片免费视频播放器 | 久久精品91蜜桃| 亚洲人成77777在线视频| 欧美成人免费av一区二区三区| 欧美一区二区精品小视频在线| 日本a在线网址| 久久人妻av系列| 女人高潮潮喷娇喘18禁视频| 狠狠狠狠99中文字幕| 日韩大尺度精品在线看网址 | 在线天堂中文资源库| 亚洲国产精品久久男人天堂| 国产精品久久久久久亚洲av鲁大| 在线观看午夜福利视频| 亚洲av片天天在线观看| 国产av在哪里看| 亚洲人成电影观看| 两性午夜刺激爽爽歪歪视频在线观看 | 女人被狂操c到高潮| 国产乱人伦免费视频| 久久久久久国产a免费观看| 一卡2卡三卡四卡精品乱码亚洲| 丝袜在线中文字幕| 一本综合久久免费| 色综合亚洲欧美另类图片| 狂野欧美激情性xxxx| 亚洲中文字幕一区二区三区有码在线看 | 久久中文看片网| 色精品久久人妻99蜜桃| 亚洲av电影不卡..在线观看| 91精品国产国语对白视频| 91字幕亚洲| 国产成人精品久久二区二区91| 国产99久久九九免费精品| 啦啦啦免费观看视频1| 性色av乱码一区二区三区2| 亚洲男人的天堂狠狠| 18禁观看日本| 色播亚洲综合网| 淫妇啪啪啪对白视频| 丁香欧美五月| 99riav亚洲国产免费| 久久精品亚洲熟妇少妇任你| 淫秽高清视频在线观看| 50天的宝宝边吃奶边哭怎么回事| 人人妻人人澡欧美一区二区 | 久久精品91蜜桃| 欧美日韩亚洲综合一区二区三区_| 正在播放国产对白刺激| 亚洲成人精品中文字幕电影| 国产麻豆69| 国产精品亚洲一级av第二区| 亚洲av熟女| 亚洲精品av麻豆狂野| 免费在线观看完整版高清| 亚洲人成电影免费在线| 侵犯人妻中文字幕一二三四区| 黄色视频,在线免费观看| 免费在线观看日本一区| 免费av毛片视频| 97超级碰碰碰精品色视频在线观看| 日本黄色视频三级网站网址| АⅤ资源中文在线天堂| 久久久久国产一级毛片高清牌| 色婷婷久久久亚洲欧美| 丝袜美足系列| 精品卡一卡二卡四卡免费| av在线播放免费不卡| 一级作爱视频免费观看| 亚洲午夜精品一区,二区,三区| 十八禁网站免费在线| 级片在线观看| 91成人精品电影| 老鸭窝网址在线观看| 免费在线观看日本一区| 伊人久久大香线蕉亚洲五| cao死你这个sao货| 丁香六月欧美| 日韩 欧美 亚洲 中文字幕| 亚洲一卡2卡3卡4卡5卡精品中文| 不卡av一区二区三区| 国产成年人精品一区二区| 首页视频小说图片口味搜索| 亚洲中文字幕日韩| 久久人妻熟女aⅴ| 我的亚洲天堂| 99re在线观看精品视频| 国产欧美日韩一区二区精品| 欧美日韩瑟瑟在线播放| 国产精品,欧美在线| 久9热在线精品视频| 国产成人精品久久二区二区免费| 最好的美女福利视频网| 大型av网站在线播放| 国产高清videossex| 99久久久亚洲精品蜜臀av| 嫩草影院精品99| 99在线视频只有这里精品首页| 怎么达到女性高潮| 老司机靠b影院| 女性生殖器流出的白浆| 桃色一区二区三区在线观看| 欧美激情久久久久久爽电影 | 香蕉丝袜av| 婷婷丁香在线五月| 久久国产精品影院| 99在线人妻在线中文字幕| av片东京热男人的天堂| 手机成人av网站| 99热只有精品国产| 久久久精品国产亚洲av高清涩受| 欧美国产精品va在线观看不卡| 精品人妻在线不人妻| 亚洲色图 男人天堂 中文字幕| 欧美日本视频| 精品一品国产午夜福利视频| 在线观看免费日韩欧美大片| 成人精品一区二区免费| 亚洲国产看品久久| 大香蕉久久成人网| 国产高清videossex| 亚洲五月色婷婷综合| 亚洲av电影在线进入| 欧美中文日本在线观看视频| 免费无遮挡裸体视频| 少妇被粗大的猛进出69影院| 黄片大片在线免费观看| 午夜免费鲁丝| 欧美性长视频在线观看| 午夜福利欧美成人| 99riav亚洲国产免费| 午夜日韩欧美国产| 免费少妇av软件| 久久久久九九精品影院| 国产1区2区3区精品| 中文字幕人成人乱码亚洲影| 成人手机av| 啦啦啦韩国在线观看视频| 日本五十路高清| 最近最新免费中文字幕在线| 久久青草综合色| 国产男靠女视频免费网站| av网站免费在线观看视频| 两个人看的免费小视频| 国产av在哪里看| 午夜免费激情av| 9色porny在线观看| 纯流量卡能插随身wifi吗| 欧美成人一区二区免费高清观看 | 黄色女人牲交| 多毛熟女@视频| 国产又爽黄色视频| 热99re8久久精品国产| 国产精品免费视频内射| 久久久久久久精品吃奶| 国产乱人伦免费视频| 啦啦啦 在线观看视频| 99久久综合精品五月天人人| 国产精品一区二区精品视频观看| 国产精品久久久久久精品电影 | 国产一区二区三区综合在线观看| 性少妇av在线| 曰老女人黄片| АⅤ资源中文在线天堂| 一级作爱视频免费观看| 岛国在线观看网站| 国产三级黄色录像| 免费久久久久久久精品成人欧美视频| 亚洲精品在线美女| 亚洲九九香蕉| 少妇的丰满在线观看| 十分钟在线观看高清视频www| 美女国产高潮福利片在线看| 国产精品自产拍在线观看55亚洲| 国产麻豆成人av免费视频| 女性被躁到高潮视频| 久久亚洲真实| 久久久久久久精品吃奶| 亚洲成国产人片在线观看| 亚洲精品中文字幕在线视频| 国产精品爽爽va在线观看网站 | 久久国产精品男人的天堂亚洲| 亚洲五月婷婷丁香| 欧美 亚洲 国产 日韩一| 人人妻人人爽人人添夜夜欢视频| 亚洲欧美激情综合另类| 亚洲熟女毛片儿| 亚洲av电影在线进入| 国产成人啪精品午夜网站| 国语自产精品视频在线第100页| 19禁男女啪啪无遮挡网站| 色av中文字幕| 亚洲专区中文字幕在线| 母亲3免费完整高清在线观看| 午夜日韩欧美国产| 亚洲成人国产一区在线观看| 两人在一起打扑克的视频| 精品福利观看| 色精品久久人妻99蜜桃| 一级黄色大片毛片| 在线观看免费日韩欧美大片| 亚洲精品国产区一区二| 在线观看日韩欧美| 欧美成人午夜精品| 日韩高清综合在线| 日本黄色视频三级网站网址| 亚洲色图 男人天堂 中文字幕| 少妇熟女aⅴ在线视频| 国产欧美日韩一区二区三| 亚洲第一欧美日韩一区二区三区| 男人舔女人下体高潮全视频| 亚洲第一电影网av| 亚洲av美国av| 国产片内射在线| 久久精品aⅴ一区二区三区四区| 伦理电影免费视频| 国产精品免费一区二区三区在线| 欧美大码av| 99精品欧美一区二区三区四区| 日韩大尺度精品在线看网址 | 亚洲一卡2卡3卡4卡5卡精品中文| 欧美+亚洲+日韩+国产| 国产97色在线日韩免费| 精品久久久久久,| 国产亚洲欧美精品永久| 丰满的人妻完整版| 黄色a级毛片大全视频| 露出奶头的视频| 又黄又粗又硬又大视频| 色播亚洲综合网| 少妇 在线观看| 午夜福利视频1000在线观看 | 亚洲成人精品中文字幕电影| 久久久久精品国产欧美久久久| 99精品欧美一区二区三区四区| 欧美最黄视频在线播放免费| 亚洲人成77777在线视频| 国产在线精品亚洲第一网站| 在线永久观看黄色视频| 制服人妻中文乱码| 19禁男女啪啪无遮挡网站| 色播在线永久视频| 日本免费a在线| 亚洲va日本ⅴa欧美va伊人久久| av在线天堂中文字幕| 欧美激情久久久久久爽电影 | 久久精品国产综合久久久| 亚洲无线在线观看| 亚洲自偷自拍图片 自拍| 亚洲自偷自拍图片 自拍| 国产又爽黄色视频| 欧美在线一区亚洲| 欧美日韩精品网址| 国产极品粉嫩免费观看在线| 日韩精品免费视频一区二区三区| 啦啦啦观看免费观看视频高清 | 国产免费男女视频| 国产亚洲精品久久久久5区| 亚洲人成网站在线播放欧美日韩| 三级毛片av免费| 在线观看一区二区三区| 国产精品野战在线观看| 国产成人精品久久二区二区91| 亚洲精品国产区一区二| 欧美成人免费av一区二区三区| 一二三四社区在线视频社区8| 99国产精品一区二区三区| 亚洲五月婷婷丁香| 久久国产乱子伦精品免费另类| 黑人欧美特级aaaaaa片| 男女之事视频高清在线观看| 欧美亚洲日本最大视频资源| 成熟少妇高潮喷水视频| 女生性感内裤真人,穿戴方法视频| 曰老女人黄片| 99久久国产精品久久久| 免费av毛片视频| 丝袜美足系列| 高清毛片免费观看视频网站| 精品久久久久久,| 亚洲欧美日韩高清在线视频| 亚洲精品中文字幕一二三四区| 悠悠久久av| 国产精品久久电影中文字幕| 90打野战视频偷拍视频| 国产亚洲av高清不卡| 国产97色在线日韩免费| 中文字幕人妻丝袜一区二区| 欧美激情久久久久久爽电影 | 午夜福利欧美成人| 久久国产亚洲av麻豆专区| 最近最新免费中文字幕在线| 日本五十路高清| 黑人欧美特级aaaaaa片| 18禁美女被吸乳视频| 亚洲精品国产区一区二| 熟女少妇亚洲综合色aaa.| 国产黄a三级三级三级人| 国产精品99久久99久久久不卡| x7x7x7水蜜桃| 欧美黄色片欧美黄色片| 在线十欧美十亚洲十日本专区| 欧美人与性动交α欧美精品济南到| 久久久国产欧美日韩av| 精品国产乱子伦一区二区三区| 欧美成人性av电影在线观看| 纯流量卡能插随身wifi吗| 美女扒开内裤让男人捅视频| 国产亚洲欧美在线一区二区| 黑人巨大精品欧美一区二区mp4| aaaaa片日本免费| 男女床上黄色一级片免费看| 激情在线观看视频在线高清| x7x7x7水蜜桃| 99精品欧美一区二区三区四区| 又黄又爽又免费观看的视频| 精品国产一区二区久久| 99热只有精品国产| 亚洲一区中文字幕在线| 精品无人区乱码1区二区| 亚洲视频免费观看视频| 午夜福利影视在线免费观看| 69精品国产乱码久久久| 国产免费av片在线观看野外av| 国产亚洲精品一区二区www| 香蕉国产在线看| 日本 av在线| 欧美日本视频| 一区在线观看完整版| 男女做爰动态图高潮gif福利片 | 国产一区二区在线av高清观看| 久久久久久久久中文| 桃红色精品国产亚洲av| 精品国产一区二区三区四区第35| 中文字幕av电影在线播放| 中国美女看黄片| 国产成人系列免费观看| 国产精品电影一区二区三区| 视频在线观看一区二区三区| 美女大奶头视频| 一区二区三区国产精品乱码| 91国产中文字幕| 国产主播在线观看一区二区| 99国产精品99久久久久|