• <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 ?

    基于改進(jìn)Mask R-CNN+LaneNet的車載圖像車輛壓線檢測(cè)

    2022-04-27 14:42:34孫建波常旭嶺
    光學(xué)精密工程 2022年7期
    關(guān)鍵詞:壓線車道像素

    孫建波,張 葉,常旭嶺

    (1.中國(guó)科學(xué)院 長(zhǎng)春光學(xué)精密機(jī)械與物理研究所 應(yīng)用光學(xué)國(guó)家重點(diǎn)實(shí)驗(yàn)室,吉林 長(zhǎng)春130033;2.中國(guó)科學(xué)院大學(xué),北京100049)

    1 引 言

    車輛壓線檢測(cè)是指對(duì)車輛在行駛過程中軋?jiān)綄?shí)線(白色實(shí)線、單黃實(shí)線、雙黃實(shí)線、黃色虛實(shí)線)通行的違章行為進(jìn)行檢測(cè),因?yàn)檐囕v壓線會(huì)占用同向車道或?qū)ο蜍嚨溃斐蓳矶?、刮蹭甚至事故,危害公眾的?cái)產(chǎn)及生命安全[1],因此,基于車載圖像的車輛壓線檢測(cè)研究是輔助駕駛乃至自動(dòng)駕駛技術(shù)中環(huán)境感知不可或缺的一部分,對(duì)于提高自動(dòng)駕駛系統(tǒng)的可靠性和保障行車安全具有重要意義[2]。

    在車載圖像的車輛壓線檢測(cè)研究中,車道線的提取和車輛壓線判斷是關(guān)鍵。車道線檢測(cè)是車輛壓線判斷的重要前提環(huán)節(jié)。其算法大體上分為:基于特征的算法、基于模型的算法和基于深度學(xué)習(xí)的算法?;谔卣鞯能嚨谰€檢測(cè)方法主要根據(jù)車道與周圍環(huán)境的特征差異再結(jié)合其他方法提取車道線。常用的特征包括顏色[3]、灰度[4]、梯度[5]和邊緣寬度[6]等,在根據(jù)特征識(shí)別出車道線的前提下結(jié)合Hough變換[7]、粒子濾波[8]或Kalman濾波[9]等進(jìn)一步提取最終的車道線。這種傳統(tǒng)的車道檢測(cè)算法需要根據(jù)不同的街道場(chǎng)景人工手動(dòng)調(diào)節(jié)濾波算子和參數(shù),工作量大且魯棒性較差,當(dāng)行車環(huán)境出現(xiàn)明顯變化時(shí),易出現(xiàn)誤檢、漏檢的問題,效果不佳,且對(duì)于車道特征的完整性依賴較大,適用性較差。

    基于模型的車道線檢測(cè)方法通過利用道路車道線的先驗(yàn)知識(shí),建立合適的數(shù)學(xué)模型來描述真實(shí)的車道線。為提高對(duì)于彎曲車道線檢測(cè)的適應(yīng)性,文獻(xiàn)[10]提出一種基于Hough變換的分段直線模型,以此檢測(cè)擬合彎曲車道線,但此算法對(duì)于急彎道車道線的檢測(cè)容易失效。為解決傳統(tǒng)Hough變換方法在彎道工況下識(shí)別能力不足的問題,文獻(xiàn)[11]提出了一種動(dòng)態(tài)區(qū)域規(guī)劃的雙模型車道線檢測(cè)算法,根據(jù)“微元”理論進(jìn)行圖像動(dòng)態(tài)細(xì)化分區(qū)對(duì)各區(qū)域局部獨(dú)立識(shí)別,利用直線和B樣條曲線雙模型完成車道線擬合。為解決實(shí)際交通場(chǎng)景中光照條件惡劣引起的車道線檢測(cè)性能降低的問題,Yoo等[12]提出了一種基于梯度增強(qiáng)轉(zhuǎn)換的具有光照魯棒性的車道線檢測(cè)算法。然而,這種檢測(cè)方法在車道線間斷或存在遮擋的場(chǎng)景下不能很好地工作,針對(duì)具體場(chǎng)景需要建立對(duì)應(yīng)的成像模型,具有較大的局限性。總的來說,這類算法對(duì)于特定道路的車道線檢測(cè)準(zhǔn)確性較高,比基于特征的車道線檢測(cè)算法的魯棒性強(qiáng),但是有較強(qiáng)的局限性,計(jì)算成本過大,不適應(yīng)復(fù)雜的環(huán)境。

    與傳統(tǒng)算法相比,基于深度學(xué)習(xí)的車道線檢測(cè)算法表現(xiàn)出更準(zhǔn)確、魯棒性更強(qiáng)的特性。起初的深度學(xué)習(xí)算法大部分基于分類器進(jìn)行車道檢測(cè),文獻(xiàn)[13]從圖像感興趣區(qū)域提取車道線的Haar特征并引入級(jí)聯(lián)的車道線分類器,對(duì)車道線進(jìn)行粗檢測(cè),然后借助線段檢測(cè)器對(duì)粗檢測(cè)結(jié)果進(jìn)行車道線擬合?;诰矸e神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)的深度學(xué)習(xí)方法通過強(qiáng)大的表現(xiàn)學(xué)習(xí)能力將場(chǎng)景理解推向了一個(gè)新的水平,但對(duì)于具有長(zhǎng)結(jié)構(gòu)區(qū)域并且可以被遮擋的車道線,仍然表現(xiàn)不佳。針對(duì)這一問題,文獻(xiàn)[14]提出了空間CNN(Spatial CNN,SCNN),SCNN將feature map的行或列視為層,并順序地應(yīng)用卷積、非線性激活和求和操作,形成了一個(gè)空間上的深度神經(jīng)網(wǎng)絡(luò),因?yàn)榭臻g信息可以通過層間傳播來加強(qiáng),在CNN不連續(xù)或雜亂的情況下,SCNN可以很好地保持車道標(biāo)記的平滑性和連續(xù)性;但是其檢測(cè)速度較慢(7.5 frame/s),實(shí)際適用性較差。文獻(xiàn)[15]提出了一種自注意蒸餾模塊,基于信息蒸餾解決大主干網(wǎng)絡(luò)對(duì)速度的影響,可以聚合文本信息。該方法允許使用更輕量級(jí)的骨干,在保持實(shí)時(shí)效率的同時(shí)實(shí)現(xiàn)了高性能。類似YOLOv3或SSD的單階段模型,文獻(xiàn)[16]提出了基于錨點(diǎn)的車道檢測(cè)注意機(jī)制,該機(jī)制表現(xiàn)SOTA達(dá)到了250 frame/s,但以上兩種網(wǎng)絡(luò)難以保證存在遮擋及光線條件惡劣場(chǎng)景下車道線的檢測(cè)精度,應(yīng)用場(chǎng)景受限。

    現(xiàn)有的壓線檢測(cè)算法大部分基于卡口監(jiān)控設(shè)備獲取的固定區(qū)域圖像進(jìn)行檢測(cè)判斷。文獻(xiàn)[17]根據(jù)壓線重疊區(qū)域特征進(jìn)行綜合判斷實(shí)現(xiàn)壓線檢測(cè)。文獻(xiàn)[18]利用幀數(shù)統(tǒng)計(jì)判斷當(dāng)前圖像的車道線邊界狀態(tài),然后根據(jù)車道線的不同狀態(tài)分別采用檢測(cè)車前部的均勻灰度區(qū)域和檢測(cè)車頭復(fù)雜邊界信息的方法,來實(shí)現(xiàn)車輛的越線檢測(cè)。文獻(xiàn)[19]針對(duì)道路中間的單雙實(shí)黃線區(qū)域,采用相鄰兩幅圖像逐行平均灰度值進(jìn)行比較的方法實(shí)現(xiàn)壓線判斷。不同于固定卡口圖像的壓線檢測(cè),基于車載圖像的車輛壓線檢測(cè)算法可以應(yīng)用于更加復(fù)雜多變的交通場(chǎng)景,但相關(guān)研究較少。文獻(xiàn)[20]綜合利用車道線的幾何特征與圖像特征,基于小波變換提取車道線區(qū)域,提出了一種基于圖像掩蔽局部匹配的越線行為判定方法,但該方法易受到非車輛遮擋車道線的干擾,從而造成誤判。文獻(xiàn)[21]在提取車道線的基礎(chǔ)上提出根據(jù)車載圖像中左右車道線夾角來判斷車輛壓線的方法,此方法簡(jiǎn)單易實(shí)現(xiàn),但只限于直線、無(wú)大面積遮擋的車道,測(cè)試得出的壓線車道線的夾角范圍對(duì)于多車道(三車道以上)路況并不適用。文獻(xiàn)[22]利用GoogleNet-FCN語(yǔ)義分割網(wǎng)絡(luò)來識(shí)別車道線和wheel-line線,根據(jù)車道線和wheel-line線的交點(diǎn)位置設(shè)置閾值判斷是否壓線,但此方法中最佳閾值的設(shè)定取決于不同的壓線數(shù)據(jù),需要根據(jù)不同場(chǎng)景對(duì)模型進(jìn)行針對(duì)性訓(xùn)練,泛化能力差。

    針對(duì)上述問題,本文提出基于改進(jìn)的Mask R-CNN+LaneNet的車載圖像車輛壓線檢測(cè)方法。采用雙立方插值取代Mask R-CNN網(wǎng)絡(luò)中感興趣區(qū)域(Region of Interest,RoI)Align層的雙線性插值算法,將特征候選框內(nèi)的圖像縮放為固定大小的RoI feature;改進(jìn)隨機(jī)擦除(Random Erasing,RE)算法進(jìn)行訓(xùn)練數(shù)據(jù)的增強(qiáng),強(qiáng)化網(wǎng)絡(luò)對(duì)車輛更多局部特征的認(rèn)知,提高M(jìn)ask RCNN對(duì)于環(huán)境的魯棒性和檢測(cè)準(zhǔn)確度;將VGG16全連接層卷積化取代LaneNet網(wǎng)絡(luò)的ENet解碼器,以減少參數(shù)計(jì)算量和內(nèi)存消耗,提升車道線的檢測(cè)速度;采用Gamma校正算法根據(jù)不同圖像的灰度分布自動(dòng)調(diào)節(jié)校正算子,以適當(dāng)擴(kuò)大圖像中高灰度區(qū)域的動(dòng)態(tài)范圍并提升圖像亮度,提高車載圖像中車輛車道線的辨識(shí)度從而降低漏檢率、誤檢率;最后,結(jié)合車輛分割與車道線擬合結(jié)果,提出基于簡(jiǎn)化的RoI圖像提取wheel_line和車道擬合直線的方法判斷車輛壓線。

    2 算法原理

    2.1 算法總體流程

    基于車載圖像的車輛壓線檢測(cè)算法分為兩個(gè)階段實(shí)現(xiàn),如圖1所示。在訓(xùn)練階段,分別改進(jìn)Mask R-CNN車輛檢測(cè)網(wǎng)絡(luò)和LaneNet車道線檢測(cè)網(wǎng)絡(luò);為了應(yīng)對(duì)實(shí)際交通場(chǎng)景下實(shí)體或陰影遮擋以及遠(yuǎn)景小目標(biāo)帶來的漏檢問題,通過改進(jìn)RE算法進(jìn)行數(shù)據(jù)增強(qiáng)提升網(wǎng)絡(luò)對(duì)于復(fù)雜環(huán)境的魯棒性。在檢測(cè)階段,為解決欠曝光或光線不足等對(duì)車道線、車輛檢測(cè)的干擾,改進(jìn)Gamma算法校正圖像,并基于改進(jìn)的Mask R-CNN,LaneNet網(wǎng)絡(luò)訓(xùn)練生成的權(quán)重模型進(jìn)行車道線、車輛的提取,最后完成車輛壓線的判斷。

    圖1 車輛壓線檢測(cè)算法流程Fig.1 Flow chart of vehicle pressing line detection algorithm

    2.2 Random Erasing數(shù)據(jù)增強(qiáng)

    在實(shí)際交通場(chǎng)景中,車輛會(huì)存在陰影或?qū)嶓w遮擋的情況,而Mask R-CNN模型的實(shí)例分割建立在其目標(biāo)檢測(cè)分支獲取預(yù)測(cè)框的基礎(chǔ)上,所以本文參考RE數(shù)據(jù)增強(qiáng)算法[23],在模型訓(xùn)練過程中,通過隨機(jī)擦除目標(biāo)車輛的局部特征模擬不同的遮擋效果,使模型在訓(xùn)練過程中僅通過局部特征識(shí)別車輛,強(qiáng)化模型對(duì)于車輛局部特征的辨識(shí)能力以提高車輛的查全率。

    改進(jìn)后的RE算法流程如圖2所示。首先對(duì)數(shù)據(jù)集中的車輛目標(biāo)進(jìn)行標(biāo)注得到標(biāo)簽文件,由標(biāo)簽內(nèi)容獲得車輛在圖像中的位置信息,遍歷圖片中的目標(biāo)車輛以概率P在其真實(shí)框內(nèi)創(chuàng)建矩形區(qū)域,并用圖像三通道的平均像素值擦除區(qū)域內(nèi)的像素,最終得到擦除后的圖像。其中,Sh,Sl分別是需要隨機(jī)擦除的矩形面積的上下閾值,r1是矩形長(zhǎng)寬比r的閾值上限(r1∈(0,1)),(xe,ye)是擦除區(qū)域左下角的坐標(biāo)。經(jīng)改進(jìn)的RE算法處理后的增強(qiáng)圖片如圖3所示。

    圖2 改進(jìn)的隨機(jī)擦除算法流程Fig.2 Flow chart of improved random erasing algorithm

    圖3 隨機(jī)擦除后的訓(xùn)練圖片F(xiàn)ig.3 Training images after random erasure

    2.3 基于改進(jìn)Gamma算法的圖像校正

    為了提高欠曝光或陰影場(chǎng)景下車道線和車輛檢測(cè)的查全率和準(zhǔn)確率,圖像預(yù)處理階段加入改進(jìn)的自適應(yīng)Gamma校正算法[24]進(jìn)行圖像正則化處理,步驟如下:

    (1)將輸入圖像從RGB色彩空間轉(zhuǎn)換到HSV空間記為圖像I,并提取I的亮度分量IV;

    (2)利用雙邊濾波處理從圖像亮度分量IV中提取出光照分量IS,得到(包含空域核和值域核):

    由于雙邊濾波算法處理圖像時(shí)考慮了空域信息和灰度相似性,可在盡可能保留車道線、車輛的邊緣信息的同時(shí)抑制圖像噪聲,濾波核ω包括空域核和值域核,其數(shù)學(xué)描述如下:

    式中:IS(i,j),IV(m,n)分別為坐標(biāo)(i,j)和(m,n)處的光照分量與亮度分量;σd,σr分別為空間鄰近高斯函數(shù)標(biāo)準(zhǔn)差和像素值相似度高斯函數(shù)標(biāo)準(zhǔn)差。

    (3)改進(jìn)后的Gamma校正算法根據(jù)每一像素的光照分量IS(i,j)自適應(yīng)調(diào)整校正參數(shù)γ,如下:

    校正后的像素光照分量為:

    圖4為車載圖片校正前后的效果、灰度分布直方圖和累積曲線。顯然通過改進(jìn)Gamma算法可以增加中高灰度區(qū)域的動(dòng)態(tài)范圍,改善像素低灰度區(qū)域集中的現(xiàn)象,增強(qiáng)車輛、車道線與周圍環(huán)境的對(duì)比,提升了圖像的質(zhì)量。

    圖4 改進(jìn)Gamma校正算法效果Fig.4 Effect of improved Gamma correction algorithm

    2.4 基于改進(jìn)Mask R-CNN的車輛檢測(cè)

    Mask R-CNN[25]的整體框架如圖5所示。主干特征提取網(wǎng)絡(luò)Resnet101(結(jié)構(gòu)見圖6)提取輸入圖片不同階段輸出的有效特征圖;由于有效特征層的高層特征語(yǔ)義較強(qiáng),但位置和分辨率較低,不利于小物體的檢測(cè),底層特征反之,特征金字塔網(wǎng)絡(luò)(Feature Pyramid Network,F(xiàn)PN)[26]可以實(shí)現(xiàn)底層到高層有效特征的多尺度融合;融合后的多尺度特征經(jīng)區(qū)域建議網(wǎng)絡(luò)(RPN)[27]得到候選框(RoI);RoIAlign層通過雙線性插值將生成的不同尺寸RoI進(jìn)行區(qū)域匹配,即特征圖和固定的RoI特征圖的像素對(duì)應(yīng),原圖和特征圖的像素對(duì)應(yīng),從而將RoI映射為兩種固定尺寸(7×7×256,14×14×256)的RoI特征。

    圖5 Mask R-CNN整體框架Fig.5 Overall framework of Mask R-CNN

    圖6 Mask R-CNN主干特征提取網(wǎng)絡(luò)結(jié)構(gòu)Fig.6 Mask R-CNN backbone networks

    如圖7所示,目標(biāo)檢測(cè)分支利用一次通道數(shù)為1 024,大小為7×7的卷積和一次通道數(shù)為1 024,大小為1×1的卷積模擬兩次1 024的全連接,對(duì)RoIAlign獲得的7×7×256的RoI特征進(jìn)行卷積,然后再分別全連接到類別總數(shù)(num_classes)和4倍的類別總數(shù)(num_classes×4)上(分別代表建議框內(nèi)的物體、預(yù)測(cè)框的4個(gè)調(diào)整參數(shù)),實(shí)現(xiàn)目標(biāo)的分類預(yù)測(cè)和回歸預(yù)測(cè);實(shí)例分割分支首先對(duì)7×7×256的RoI特征進(jìn)行4次3×3的256通道的卷積,再進(jìn)行一次反卷積提升分辨率、一次通道數(shù)為類別總數(shù)(num_classes)的卷積,最終輸出28×28×num_classes的掩膜板,實(shí)現(xiàn)像素級(jí)實(shí)例分割。

    圖7 目標(biāo)檢測(cè)分支和實(shí)例分割分支Fig.7 Classifier branch and mask branch

    2.4.1 RoI Align層算法改進(jìn)

    為了從RPN網(wǎng)絡(luò)確定的不同尺寸的候選框中導(dǎo)出固定大小的RoI特征圖,Mask R-CNN模型在RoI Align層采用雙線性插值來解決Faster R-CNN模型采用的RoI Pooling操作中兩次量化(特征圖與原圖對(duì)應(yīng)像素的坐標(biāo)取整,RoI特征圖與特征圖對(duì)應(yīng)像素的坐標(biāo)取整)造成的原圖與RoI特征圖中的像素區(qū)域不匹配問題。但雙線性插值算法未考慮各相鄰像素點(diǎn)點(diǎn)間灰度值變化率的影響,而各鄰點(diǎn)間灰度值的斜率不連續(xù)會(huì)造成縮放后圖像的高頻分量受到損失,細(xì)節(jié)信息退化,RoI Align層輸出的RoI特征圖中的邊緣信息較為模糊,進(jìn)一步影響車輛分割精度和后續(xù)的車輛壓線判斷。

    雙立方(三次卷積)插值(Bicubic Interpolation,BI)[28]不僅考慮到待插值點(diǎn)周圍4個(gè)直接相鄰像素點(diǎn)灰度值的影響,還兼顧了各相鄰點(diǎn)間灰度值變化率的影響,所以利用插值點(diǎn)周圍4×4鄰域像素的灰度值進(jìn)行插值,縮放后的圖像邊緣更為平滑,像質(zhì)損失更少。故本文采用BI替代雙線性插值,提高RoI Align層輸出的RoI特征圖的邊緣質(zhì)量,以提高車輛檢測(cè)的精度和車輛的實(shí)例分割效果。

    根據(jù)連續(xù)信號(hào)采樣定理可知,對(duì)采樣值用理論上最佳插值函數(shù)sinπx/πx進(jìn)行插值,當(dāng)采樣頻率不低于信號(hào)頻譜最高頻率的兩倍時(shí)可以準(zhǔn)確恢復(fù)原信號(hào)。BI核函數(shù)sinπx/πx采用的三次近似多項(xiàng)式如下:

    參數(shù)α的取值為-1,-0.5,0.25,0.75等。卷積過程的矩陣乘積表示如下:

    其中:

    其中:(i,j)表示待求的插值像素鄰域中某個(gè)像素位置,f(i,j)為對(duì)應(yīng)的灰度值,(u,v)表示待插值點(diǎn)相對(duì)(i,j)的位移,即待插值點(diǎn)位置表示為(i+u,j+v),f(i+u,j+v)為待插點(diǎn)的灰度值,h(x)為插值核函數(shù):

    以上插值過程可以用圖8表示,實(shí)心圓點(diǎn)表示已知原圖像像素,虛線圓點(diǎn)是求出的中間插值點(diǎn),網(wǎng)格圓點(diǎn)為待求的插值像素。

    圖8 雙立方卷積插值過程Fig.8 Bicube convolution interpolation process

    2.5 基于改進(jìn)LaneNet的車道線檢測(cè)

    本文通過改進(jìn)LaneNet[29]網(wǎng)絡(luò)的編碼器解碼器結(jié)構(gòu)實(shí)現(xiàn)車道線檢測(cè),網(wǎng)絡(luò)架構(gòu)如圖9所示。圖像經(jīng)過編碼器提取到的共享特征分別流入到兩個(gè)解碼器來恢復(fù)細(xì)節(jié)和空間尺度,其中二值分割分支根據(jù)交叉熵?fù)p失函數(shù)生成車道線與背景的二值圖像,像素嵌入分支基于聚類的判別損失函數(shù)得到區(qū)分不同車道線的特征圖,對(duì)特征圖做聚類得到車道線的數(shù)量和像素所屬的車道線id,結(jié)合兩分支結(jié)果實(shí)現(xiàn)車道線的實(shí)例分割。神經(jīng)網(wǎng)絡(luò)H-Net根據(jù)原圖片訓(xùn)練出預(yù)測(cè)變換矩陣H,并利用轉(zhuǎn)換矩陣對(duì)同屬一條車道線的所有像素點(diǎn)進(jìn)行重新建模,完成車道線的擬合。

    圖9 LaneNet車道檢測(cè)網(wǎng)絡(luò)架構(gòu)Fig.9 Framework of improved LaneNet for lane detection

    為進(jìn)一步提升車道檢測(cè)速度,本文采用改進(jìn)的VGG16代替原網(wǎng)絡(luò)中的共享解碼器E-Net。VGG16的網(wǎng)絡(luò)復(fù)雜度遠(yuǎn)少于E-Net,廣泛應(yīng)用于圖像分割的特征提取上,將VGG16網(wǎng)絡(luò)的最后3個(gè)全連接層改為卷積層,最后一卷積層中卷積核數(shù)量由4 096減少到1 024,以降低參數(shù)的計(jì)算量和內(nèi)存消耗;同時(shí)編碼網(wǎng)絡(luò)全部采用3×3小卷積核和2×2的最大池化層,相比于大卷積核(5×5或7×7),不僅獲得相同的感受野且進(jìn)一步減少了參數(shù)量,達(dá)到了更好的特征提取能力,改進(jìn)的VGG16編碼器結(jié)構(gòu)如表1所示。

    因?yàn)闄n案的類型具有多樣性,不同結(jié)構(gòu)的檔案具有不同類型的特征信息,同時(shí)信息特征提取方式也有較大差異。筆者認(rèn)為按照檔案特征提取方式對(duì)檔案進(jìn)行分類則可以將檔案劃分為文本類檔案和圖片類檔案兩大類,其中音頻類檔案通過語(yǔ)音識(shí)別技術(shù)預(yù)處理之后特征提取方式同文本類檔案,視頻類檔案通過拆幀處理之后特征提取方式同圖片類檔案。

    表1 VGG16共享編碼器的結(jié)構(gòu)參數(shù)Tab.1 Architecture parameters of VGG16 shared encoder

    2.6 車輛壓線判斷

    如何利用二維空間的車載圖像對(duì)壓線車輛進(jìn)行檢測(cè)是本文的關(guān)鍵。本文在改進(jìn)的Mask RCNN和LaneNet提取出車載圖像中車輛和車道線的基礎(chǔ)上完成車輛壓線的判斷,具體步驟如下:

    (1)考慮到車載攝像頭與目標(biāo)車輛距離較近,并且車道線的擬合準(zhǔn)確度在遠(yuǎn)景處較差,存在相交現(xiàn)象會(huì)干擾壓線的判斷,故對(duì)檢測(cè)完的圖像(10(a))截取RoI區(qū)域(圖10(b)),其寬度保持不變,高度取為圖像底部與擬合的車道線交匯點(diǎn)的距離;

    圖10 壓線判斷過程Fig.10 Line pressing judgement process

    (2)采用零值像素遮濾掉所有未檢測(cè)到的圖像信息,只保留檢測(cè)到的與車道線和車輛輪廓相關(guān)的特征,得到簡(jiǎn)化后的RoI圖,如圖10(c)所示;

    (3)根據(jù)實(shí)例分割結(jié)果提取車輛輪廓的點(diǎn)集合,篩選出高度方向上坐標(biāo)數(shù)值最小的兩點(diǎn)即為車輛后車輪與地面相切線段wheel_line的兩端點(diǎn),并采用改進(jìn)的概率Hough[30]變換對(duì)RoI內(nèi)每條車道線上的點(diǎn)進(jìn)行直線擬合,如圖10(d)所示;

    (4)分析簡(jiǎn)化后RoI圖中車輛的wheel_line與所有車道擬合線的位置關(guān)系,若相交則判斷為壓線違規(guī)。

    3 實(shí) 驗(yàn)

    3.1 數(shù)據(jù)集及實(shí)驗(yàn)環(huán)境配置

    表2 實(shí)驗(yàn)的軟件及硬件配置Tab.2 Experimental software and hardware configuration

    3.2 實(shí)驗(yàn)結(jié)果

    實(shí)驗(yàn)首先基于數(shù)據(jù)集MS COCO[32]對(duì)改進(jìn)后的Mask R-CNN網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練,預(yù)訓(xùn)練最大迭代次數(shù)設(shè)置為3 000,初始學(xué)習(xí)率設(shè)置為0.001。為了防止訓(xùn)練陷入局部最優(yōu),在迭代2 000次后將學(xué)習(xí)率調(diào)整為0.000 1完成預(yù)訓(xùn)練,并選取損失最小的最優(yōu)權(quán)重對(duì)網(wǎng)絡(luò)參數(shù)進(jìn)行初始化;然后在Tusimple訓(xùn)練集上采用批處理的隨機(jī)梯度下降法重新訓(xùn)練網(wǎng)絡(luò),學(xué)習(xí)率調(diào)整為0.000 01,訓(xùn)練輪數(shù)設(shè)為50,批處理數(shù)據(jù)量(batch size)設(shè)置為4,最終損失函數(shù)值在4.6附近小幅波動(dòng)不再下降,說明模型收斂,完成Mask RCNN網(wǎng)絡(luò)的訓(xùn)練。同時(shí),利用Tusimple訓(xùn)練集對(duì)改進(jìn)后的LaneNet網(wǎng)絡(luò)進(jìn)行訓(xùn)練,訓(xùn)練輪數(shù)設(shè)置為12 000,batch size為4,訓(xùn)練權(quán)值衰減采用L 2歸一化,并采用Adam優(yōu)化器優(yōu)化訓(xùn)練效率,訓(xùn)練完成后保存損失最小的權(quán)重文件用于測(cè)試。

    然后,分別利用原始網(wǎng)絡(luò)和改進(jìn)后的網(wǎng)絡(luò)在相同的Tusimple測(cè)試集中進(jìn)行檢測(cè),采用目標(biāo)檢測(cè)中常用的誤檢率(FP)、漏檢率(FN)和每秒傳輸幀數(shù)(FPS)作為Mask R-CNN網(wǎng)絡(luò)車輛檢測(cè)以及LaneNet網(wǎng)絡(luò)車道線檢測(cè)的性能評(píng)價(jià)指標(biāo)。計(jì)算公式如下:

    式中:Fpred為誤判為車道線或車輛的數(shù)目,Npred為檢測(cè)到的車道線或車輛總數(shù),Mpred為未檢測(cè)到的車道線或車輛數(shù)目,Ngt為值標(biāo)簽中的車道線或車輛數(shù)量。改進(jìn)前后兩種網(wǎng)絡(luò)的檢測(cè)性能比較如表3所示,可見改進(jìn)后的網(wǎng)絡(luò)在誤檢率和漏檢率上均大幅下降,車輛漏檢率、誤檢率分別降低了38.93%,89.04%,車道線漏檢率、誤檢率分別降低了67.21%,87.05%,車輛檢測(cè)速度保持不變,車道線檢測(cè)速度提升了28%。相比于現(xiàn)有的實(shí) 例 分 割 主 流 算 法(BlendMask[33]和YOLACT[34]),本文提出的算法在檢測(cè)精度上性能更優(yōu);相比于現(xiàn)有的車道線檢測(cè)算法(PINet[35]和Line CNN[36]),本文算法在檢測(cè)精度和速度上均具有優(yōu)勢(shì)。

    表3 基于TuSimple測(cè)試集的算法性能對(duì)比Tab.3 Comparisions of algorithm performance on T uSimple testing set

    類激活圖(Class Activation Map,CAM)是指網(wǎng)絡(luò)對(duì)輸入圖像生成的類激活的熱力圖,是與特定輸出類別相關(guān)的二維特征分?jǐn)?shù)網(wǎng)絡(luò)。網(wǎng)格每個(gè)位置的顏色信息表示對(duì)該類別判斷依據(jù)的重要程度[37](由藍(lán)到紅重要程度遞減),可以顯示模型更側(cè)重于根據(jù)哪一部分特征進(jìn)行類別和目標(biāo)判別。為驗(yàn)證改進(jìn)后的RE算法對(duì)于Mask RCNN網(wǎng)絡(luò)識(shí)別車輛特征能力的提升,如圖11所示,獲取有無(wú)增強(qiáng)數(shù)據(jù)訓(xùn)練的網(wǎng)絡(luò)在不同場(chǎng)景下車輛檢測(cè)輸出的3種網(wǎng)格尺度(13×13,26×26,52×52)的類激活圖,為避免干擾,不對(duì)輸入圖片進(jìn)行Gamma校正預(yù)處理。網(wǎng)格尺度小的類激活圖反映了網(wǎng)絡(luò)對(duì)于遠(yuǎn)處目標(biāo)車輛特征的識(shí)別情況,通過對(duì)比圖11(a2)與圖11(a5)及圖11(a3)與圖11(a6),可以看出圖11(a5)、圖11(a6)中遠(yuǎn)處更多的車輛特征被捕捉到,說明采用增強(qiáng)數(shù)據(jù)訓(xùn)練后的模型對(duì)于小目標(biāo)車輛的檢測(cè)準(zhǔn)確度有所提升。原始網(wǎng)絡(luò)對(duì)于車體存在大面積遮擋的車輛存在無(wú)法識(shí)別的問題(如圖11(b2)與圖11(b3)左車道存在的兩處被遮擋車輛),改進(jìn)后的網(wǎng)絡(luò)增強(qiáng)了車輛局部特征的識(shí)別能力,體現(xiàn)在圖11(b5)、圖11(b6)中,被遮擋車輛的局部特征被激活為其他顏色。陰影遮擋限制了網(wǎng)絡(luò)對(duì)車輛特征的識(shí)別(圖11(c1)~11(c3)陰影下的車輛特征未被激活),通過數(shù)據(jù)增強(qiáng)網(wǎng)絡(luò),陰影環(huán)境的魯棒性明顯提升,如圖11(c4)~11(c6)陰影下的車輛特征均被捕捉到。

    圖11 不同場(chǎng)景下的類激活圖Fig.11 Class activation maps in different scenarios

    如圖12所示,在道路場(chǎng)景1,2中原始網(wǎng)絡(luò)(Baseline)均存在車輛誤檢的問題,場(chǎng)景2,3,4中均存在車輛漏檢的現(xiàn)象。改進(jìn)后的網(wǎng)絡(luò)不僅改善了車輛的誤檢問題,而且對(duì)于欠曝圖片中辨識(shí)度不高或遠(yuǎn)景的車輛的檢測(cè)精度有所提升,場(chǎng)景2,3,4中原始網(wǎng)絡(luò)漏檢的車輛均被改進(jìn)后的網(wǎng)絡(luò)召回并檢測(cè)到。在對(duì)4個(gè)場(chǎng)景中遠(yuǎn)景小車輛目標(biāo)和處于陰影中車輛的檢測(cè)上,Blend Mask與YOLACT算法都存在不同程度的漏檢,本文算法表現(xiàn)出更高的檢測(cè)精度,而且在場(chǎng)景2,3中,改進(jìn)后的網(wǎng)絡(luò)對(duì)于車輛邊緣的分割效果要優(yōu)于前兩種網(wǎng)絡(luò)。此外,通過在場(chǎng)景2,4中對(duì)比網(wǎng)絡(luò)改進(jìn)前后車道線的檢測(cè)效果,改進(jìn)后的網(wǎng)絡(luò)對(duì)于車體或陰影遮擋、欠曝、彎曲的車道檢測(cè)方面魯棒性有所提升。圖13進(jìn)一步對(duì)比了本算法與其他主流算法的車道線檢測(cè)效果。

    圖12 車輛檢測(cè)效果對(duì)比Fig.12 Comparison of vehicle detection results

    如圖13所示,5個(gè)場(chǎng)景中的車道線存在欠曝、陰影遮擋和不同程度的缺損,導(dǎo)致原網(wǎng)絡(luò)存在不同程度的漏檢甚至完全檢測(cè)不到(如場(chǎng)景3),Line CNN存在漏檢(如場(chǎng)景1,2,3)和單車道不完全擬合(如場(chǎng)景4,5),PINet存在漏檢(如場(chǎng)景1,2,3)、單車道擬合不完全(如場(chǎng)景2,3,5)和誤檢(如場(chǎng)景4)。本文基于LaneNet改進(jìn)后的車道線檢測(cè)算法一方面降低了漏檢率和誤檢率,另一方面,完整的擬合效果為車輛壓線判斷提供了更加準(zhǔn)確可行的前提條件。

    圖13 車道線檢測(cè)效果對(duì)比Fig.13 Comparison of lane line detection results

    4 結(jié) 論

    本文以Mask R-CNN實(shí)例分割算法和LaneNet車道線檢測(cè)算法為基礎(chǔ),實(shí)現(xiàn)了車載圖像的車壓線檢測(cè)。通過改進(jìn)RE算法擴(kuò)展增強(qiáng)Tusimple數(shù)據(jù)集并訓(xùn)練Mask R-CNN網(wǎng)絡(luò),提升了網(wǎng)絡(luò)對(duì)于陰影或?qū)嶓w遮擋的魯棒性,改善了原模型在小目標(biāo)車輛檢測(cè)上存在的漏檢問題;Gamma校正算法根據(jù)車載圖像的灰度分布自動(dòng)調(diào)整算子,從而擴(kuò)大中高灰度區(qū)域的動(dòng)態(tài)范圍、提升欠曝區(qū)域的亮度,改善了欠曝圖像中車輛及車道線的辨識(shí)度,進(jìn)一步解決了車道線與車輛的漏檢誤檢問題,使得最終車輛的漏檢率、誤檢率分別下降了38.93%,89.04%,車道線的漏檢率和誤檢率分別下降了67.21%,87.05%;采用雙立方插值算法改進(jìn)Mask R-CNN網(wǎng)絡(luò)中RoIAlign層的雙線性插值算法對(duì)候選框內(nèi)的圖像信息進(jìn)行縮放,提高了RoI Align層輸出的RoI特征圖的邊緣質(zhì)量;將LaneNet的解碼器E-Net替換為全連接層卷積化的VGG16,減少了參數(shù)計(jì)算量和內(nèi)存消耗的同時(shí)車道線檢測(cè)速度提升了28%,可以滿足實(shí)時(shí)檢測(cè)的需求;在保證車輛與車道線的檢測(cè)效率的同時(shí),對(duì)車載圖像RoI區(qū)域進(jìn)行簡(jiǎn)化處理,在此基礎(chǔ)上提取車輛后輪的wheel_line線段,通過其與車道擬合直線相交點(diǎn)的個(gè)數(shù)判斷有無(wú)車輛壓線違規(guī),該方法具有一定的可行性。

    猜你喜歡
    壓線車道像素
    趙運(yùn)哲作品
    藝術(shù)家(2023年8期)2023-11-02 02:05:28
    像素前線之“幻影”2000
    北斗+手機(jī)實(shí)現(xiàn)車道級(jí)導(dǎo)航應(yīng)用
    鋁合金窗壓線受力分析
    避免跟車闖紅燈的地面車道線
    淺談MTC車道改造
    啞口無(wú)言
    意林(2019年17期)2019-10-07 12:28:52
    “像素”仙人掌
    包裝紙箱模切壓線的處理方法
    上海包裝(2018年8期)2018-09-05 08:47:48
    易撕膠帶
    色综合欧美亚洲国产小说| 国产高潮美女av| 精品国产三级普通话版| 狠狠狠狠99中文字幕| 亚洲人与动物交配视频| 少妇的逼水好多| 小说图片视频综合网站| 宅男免费午夜| a在线观看视频网站| 内地一区二区视频在线| 亚洲最大成人中文| 日韩欧美精品v在线| 国产精品日韩av在线免费观看| 18美女黄网站色大片免费观看| 特大巨黑吊av在线直播| 看十八女毛片水多多多| 热99在线观看视频| 性插视频无遮挡在线免费观看| 久久久国产成人精品二区| 日韩欧美在线乱码| 国产精品影院久久| 亚洲av日韩精品久久久久久密| 欧美色视频一区免费| 中文在线观看免费www的网站| 人妻制服诱惑在线中文字幕| 午夜影院日韩av| 色综合站精品国产| 老司机午夜十八禁免费视频| 国产精品亚洲美女久久久| 嫩草影视91久久| 久久精品综合一区二区三区| 亚洲人成电影免费在线| 亚洲成av人片在线播放无| ponron亚洲| 波多野结衣高清作品| 俺也久久电影网| 国产在视频线在精品| 亚洲色图av天堂| 午夜a级毛片| 亚洲欧美日韩卡通动漫| 人妻久久中文字幕网| 欧美+日韩+精品| av中文乱码字幕在线| 亚洲av日韩精品久久久久久密| 久99久视频精品免费| 欧美最黄视频在线播放免费| 久久久久亚洲av毛片大全| 国产亚洲欧美在线一区二区| 国产欧美日韩一区二区精品| 赤兔流量卡办理| 午夜福利高清视频| 黄色视频,在线免费观看| 一级黄片播放器| 成人精品一区二区免费| 神马国产精品三级电影在线观看| 性色av乱码一区二区三区2| 99热这里只有是精品在线观看 | 日本免费a在线| 麻豆av噜噜一区二区三区| 搡老熟女国产l中国老女人| 婷婷精品国产亚洲av在线| 亚洲av电影在线进入| 亚洲人成伊人成综合网2020| 国产探花极品一区二区| 国产三级在线视频| 长腿黑丝高跟| 给我免费播放毛片高清在线观看| 在线国产一区二区在线| 婷婷精品国产亚洲av在线| 深爱激情五月婷婷| 欧美日韩亚洲国产一区二区在线观看| 女同久久另类99精品国产91| 免费高清视频大片| xxxwww97欧美| 黄色配什么色好看| 国产精品,欧美在线| 高清毛片免费观看视频网站| 99久久精品一区二区三区| ponron亚洲| 淫秽高清视频在线观看| 午夜福利成人在线免费观看| 亚洲人成网站在线播放欧美日韩| 99在线人妻在线中文字幕| 最近在线观看免费完整版| 成人一区二区视频在线观看| 久久国产乱子伦精品免费另类| 制服丝袜大香蕉在线| 国产精品久久久久久久久免 | 久久久久久国产a免费观看| 国产美女午夜福利| 欧美精品啪啪一区二区三区| 3wmmmm亚洲av在线观看| 国产亚洲精品久久久com| 高潮久久久久久久久久久不卡| 99久久久亚洲精品蜜臀av| 精品久久国产蜜桃| 亚洲第一欧美日韩一区二区三区| 欧美区成人在线视频| 99热只有精品国产| 国产真实乱freesex| 啦啦啦韩国在线观看视频| 午夜福利高清视频| 18禁在线播放成人免费| 国产精品永久免费网站| 欧美一区二区精品小视频在线| 亚洲国产欧美人成| 欧美中文日本在线观看视频| 亚洲中文字幕日韩| 露出奶头的视频| 成年免费大片在线观看| 中文亚洲av片在线观看爽| 日韩欧美三级三区| 99热精品在线国产| 色在线成人网| 久久亚洲真实| 精品久久久久久久人妻蜜臀av| 欧美又色又爽又黄视频| 国产精品久久久久久人妻精品电影| 久久精品国产亚洲av天美| 亚洲 欧美 日韩 在线 免费| 亚洲av电影在线进入| 国产精品久久久久久久久免 | 欧美日韩乱码在线| 国产在视频线在精品| 我的老师免费观看完整版| 久久久久久国产a免费观看| 美女高潮的动态| 久久久久国产精品人妻aⅴ院| 亚洲美女视频黄频| 禁无遮挡网站| 91九色精品人成在线观看| 亚洲成人中文字幕在线播放| 午夜免费激情av| av专区在线播放| 精品人妻1区二区| 欧美激情在线99| 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 | 嫩草影院入口| 又黄又爽又刺激的免费视频.| 12—13女人毛片做爰片一| 黄色视频,在线免费观看| 欧美黄色淫秽网站| 不卡一级毛片| 日日干狠狠操夜夜爽| 一本精品99久久精品77| av在线观看视频网站免费| 岛国在线免费视频观看| 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 | 久久久久九九精品影院| 国产精品亚洲美女久久久| 久久婷婷人人爽人人干人人爱| 久久久色成人| 国产精品人妻久久久久久| 日韩成人在线观看一区二区三区| 禁无遮挡网站| 757午夜福利合集在线观看| 亚洲av.av天堂| 国产人妻一区二区三区在| 一本综合久久免费| 色综合亚洲欧美另类图片| 久久久色成人| 国产精品亚洲美女久久久| 精品一区二区免费观看| 两人在一起打扑克的视频| 老熟妇乱子伦视频在线观看| 国产精品爽爽va在线观看网站| 如何舔出高潮| 国内少妇人妻偷人精品xxx网站| 搡老妇女老女人老熟妇| 日日夜夜操网爽| 深夜a级毛片| 欧美xxxx黑人xx丫x性爽| 中文字幕久久专区| 久久婷婷人人爽人人干人人爱| 久久久国产成人免费| 一本综合久久免费| 久久精品影院6| 久久久国产成人精品二区| 女同久久另类99精品国产91| or卡值多少钱| 午夜久久久久精精品| 国产爱豆传媒在线观看| 免费人成视频x8x8入口观看| 国产精品人妻久久久久久| 国产精品av视频在线免费观看| 99在线视频只有这里精品首页| 一本综合久久免费| 国产精品一区二区三区四区久久| 免费黄网站久久成人精品 | 成年女人毛片免费观看观看9| 一级黄色大片毛片| 国产伦人伦偷精品视频| 啦啦啦韩国在线观看视频| 搡老岳熟女国产| 久久九九热精品免费| 成人永久免费在线观看视频| АⅤ资源中文在线天堂| 国产一区二区在线观看日韩| 国产精品美女特级片免费视频播放器| 伦理电影大哥的女人| 床上黄色一级片| 国产精品久久久久久久久免 | 老鸭窝网址在线观看| 精品国内亚洲2022精品成人| 99久久精品热视频| 欧美色欧美亚洲另类二区| 国产精品1区2区在线观看.| 国产三级黄色录像| 在线播放国产精品三级| 成人三级黄色视频| 无人区码免费观看不卡| 日本黄色视频三级网站网址| 51午夜福利影视在线观看| 亚洲在线自拍视频| 婷婷六月久久综合丁香| 免费在线观看成人毛片| 亚洲 欧美 日韩 在线 免费| 男女之事视频高清在线观看| 小蜜桃在线观看免费完整版高清| 99热只有精品国产| 99久国产av精品| 身体一侧抽搐| 亚洲精品久久国产高清桃花| 757午夜福利合集在线观看| 九色成人免费人妻av| 欧美成人免费av一区二区三区| 色哟哟哟哟哟哟| 日本免费a在线| 久久久精品大字幕| 丰满的人妻完整版| 如何舔出高潮| 日本与韩国留学比较| 欧美乱妇无乱码| 日日摸夜夜添夜夜添av毛片 | 午夜精品在线福利| 在线观看66精品国产| 综合色av麻豆| 欧美最黄视频在线播放免费| 男女做爰动态图高潮gif福利片| 很黄的视频免费| 国产老妇女一区| 一级毛片久久久久久久久女| 看片在线看免费视频| 久久久久久久久大av| 性欧美人与动物交配| av天堂中文字幕网| 欧美精品国产亚洲| 亚洲av电影不卡..在线观看| 神马国产精品三级电影在线观看| av视频在线观看入口| 乱码一卡2卡4卡精品| 亚洲成人精品中文字幕电影| 老司机午夜十八禁免费视频| 精品人妻偷拍中文字幕| 成人无遮挡网站| 色5月婷婷丁香| 国产高清视频在线观看网站| 在线播放国产精品三级| 亚洲国产精品sss在线观看| 亚洲欧美日韩高清专用| 一区二区三区激情视频| 最近最新免费中文字幕在线| 亚洲国产精品合色在线| 偷拍熟女少妇极品色| 欧美最黄视频在线播放免费| 宅男免费午夜| 亚洲精品乱码久久久v下载方式| 久久欧美精品欧美久久欧美| 国内久久婷婷六月综合欲色啪| 国产三级在线视频| x7x7x7水蜜桃| 成人国产一区最新在线观看| 成人av在线播放网站| 变态另类成人亚洲欧美熟女| 欧美zozozo另类| 午夜免费男女啪啪视频观看 | 亚洲美女视频黄频| 欧美日韩亚洲国产一区二区在线观看| 午夜福利18| 国产成人aa在线观看| 中文亚洲av片在线观看爽| 69av精品久久久久久| 色综合婷婷激情| 亚洲av美国av| 国产久久久一区二区三区| 欧美又色又爽又黄视频| 三级毛片av免费| 色哟哟哟哟哟哟| 午夜老司机福利剧场| 黄色配什么色好看| 国产高清有码在线观看视频| 内射极品少妇av片p| 成人特级av手机在线观看| 日本一本二区三区精品| 国产欧美日韩一区二区三| 一级av片app| 日韩欧美国产一区二区入口| bbb黄色大片| 亚洲第一区二区三区不卡| 最近最新免费中文字幕在线| h日本视频在线播放| 在线观看美女被高潮喷水网站 | 深夜精品福利| 国产精品一区二区免费欧美| 高清日韩中文字幕在线| 精品人妻一区二区三区麻豆 | 日韩精品中文字幕看吧| 两个人视频免费观看高清| 亚洲国产日韩欧美精品在线观看| 一个人免费在线观看的高清视频| 天堂av国产一区二区熟女人妻| 精品午夜福利在线看| 日韩欧美国产在线观看| 久久久成人免费电影| 午夜福利成人在线免费观看| 亚洲乱码一区二区免费版| 可以在线观看的亚洲视频| 不卡一级毛片| 麻豆国产av国片精品| 一区二区三区激情视频| 免费观看的影片在线观看| 国产精品98久久久久久宅男小说| 色精品久久人妻99蜜桃| 日本成人三级电影网站| 18禁裸乳无遮挡免费网站照片| 亚洲av五月六月丁香网| 69人妻影院| 色5月婷婷丁香| 露出奶头的视频| 国产精品野战在线观看| 欧美性猛交黑人性爽| 精品国内亚洲2022精品成人| 精品久久国产蜜桃| 国产在线男女| 最近视频中文字幕2019在线8| 美女被艹到高潮喷水动态| 国产成年人精品一区二区| 亚洲第一电影网av| 宅男免费午夜| 亚洲在线自拍视频| 长腿黑丝高跟| 成人欧美大片| 久久久久久国产a免费观看| 欧美最黄视频在线播放免费| 亚洲熟妇中文字幕五十中出| 国产精品电影一区二区三区| 国产三级黄色录像| 午夜日韩欧美国产| 色哟哟·www| 亚洲三级黄色毛片| 国产一区二区在线av高清观看| 看免费av毛片| 国产三级黄色录像| 免费av观看视频| 色综合站精品国产| av专区在线播放| 亚洲精品粉嫩美女一区| 成人欧美大片| 一个人免费在线观看的高清视频| 色5月婷婷丁香| 美女xxoo啪啪120秒动态图 | a在线观看视频网站| 在线观看免费视频日本深夜| 一本久久中文字幕| 色哟哟哟哟哟哟| 1024手机看黄色片| 一区二区三区高清视频在线| bbb黄色大片| 久久精品人妻少妇| 欧美色欧美亚洲另类二区| 午夜免费成人在线视频| 日本撒尿小便嘘嘘汇集6| 久久久久亚洲av毛片大全| 很黄的视频免费| 亚洲真实伦在线观看| 夜夜夜夜夜久久久久| 亚洲乱码一区二区免费版| 国产69精品久久久久777片| 精品人妻1区二区| 97超级碰碰碰精品色视频在线观看| 亚洲真实伦在线观看| 成年免费大片在线观看| 中文字幕人成人乱码亚洲影| 久久伊人香网站| 免费av毛片视频| 一卡2卡三卡四卡精品乱码亚洲| www日本黄色视频网| 99久国产av精品| 色噜噜av男人的天堂激情| 欧美另类亚洲清纯唯美| 久久99热这里只有精品18| 直男gayav资源| 高清日韩中文字幕在线| 中文字幕久久专区| 淫秽高清视频在线观看| 欧美绝顶高潮抽搐喷水| 国产精品久久久久久人妻精品电影| h日本视频在线播放| 久久午夜福利片| 午夜两性在线视频| 一本一本综合久久| 国内少妇人妻偷人精品xxx网站| 亚洲人与动物交配视频| 日本五十路高清| 国产精品亚洲av一区麻豆| 搡老岳熟女国产| 精品99又大又爽又粗少妇毛片 | 性色avwww在线观看| 精品一区二区三区视频在线观看免费| 久99久视频精品免费| 神马国产精品三级电影在线观看| 老司机午夜福利在线观看视频| 丁香欧美五月| 又爽又黄a免费视频| 欧美黑人欧美精品刺激| 日日摸夜夜添夜夜添小说| 久久久久久久午夜电影| 欧美乱色亚洲激情| 国产精品久久久久久人妻精品电影| 一级黄色大片毛片| 麻豆成人午夜福利视频| 午夜福利在线在线| 精品日产1卡2卡| 婷婷六月久久综合丁香| 高潮久久久久久久久久久不卡| 国产一区二区激情短视频| 亚洲国产日韩欧美精品在线观看| 99国产精品一区二区蜜桃av| 在线观看免费视频日本深夜| 国产人妻一区二区三区在| 99国产极品粉嫩在线观看| 成年女人毛片免费观看观看9| 精品国产三级普通话版| 亚洲在线观看片| 亚洲av日韩精品久久久久久密| 国产熟女xx| 51午夜福利影视在线观看| h日本视频在线播放| 国产亚洲av嫩草精品影院| 日韩免费av在线播放| 国产视频内射| 男女下面进入的视频免费午夜| 日韩欧美国产在线观看| 亚洲国产欧美人成| 免费看光身美女| 欧美xxxx黑人xx丫x性爽| 亚洲一区二区三区色噜噜| 国产成人av教育| 久久人人精品亚洲av| 亚洲av不卡在线观看| 高清日韩中文字幕在线| 麻豆一二三区av精品| 免费观看人在逋| 精品福利观看| 1024手机看黄色片| 久久国产乱子伦精品免费另类| 国产成人啪精品午夜网站| 变态另类成人亚洲欧美熟女| 国产伦人伦偷精品视频| 久久国产精品影院| 精品人妻熟女av久视频| 91av网一区二区| 级片在线观看| 成人特级av手机在线观看| 亚洲va日本ⅴa欧美va伊人久久| 欧美成人一区二区免费高清观看| 亚洲成人久久性| 桃色一区二区三区在线观看| 久久精品国产亚洲av香蕉五月| 国产成人a区在线观看| 久久精品综合一区二区三区| 国内精品一区二区在线观看| 桃红色精品国产亚洲av| 又粗又爽又猛毛片免费看| 久久草成人影院| 香蕉av资源在线| 免费一级毛片在线播放高清视频| 日本免费a在线| 欧美区成人在线视频| 国产精品美女特级片免费视频播放器| 精华霜和精华液先用哪个| 级片在线观看| 淫秽高清视频在线观看| 国语自产精品视频在线第100页| 亚洲欧美日韩高清专用| 深夜a级毛片| 一本精品99久久精品77| 亚洲最大成人av| 网址你懂的国产日韩在线| 亚洲欧美日韩高清专用| 成人三级黄色视频| 99热这里只有是精品50| 听说在线观看完整版免费高清| 成年版毛片免费区| 精品熟女少妇八av免费久了| 中文字幕人成人乱码亚洲影| 啦啦啦观看免费观看视频高清| 18禁在线播放成人免费| 九九在线视频观看精品| 国产日本99.免费观看| 国产伦精品一区二区三区视频9| 精品国内亚洲2022精品成人| 亚洲七黄色美女视频| 国产极品精品免费视频能看的| 亚洲成a人片在线一区二区| 国产伦精品一区二区三区视频9| 欧美潮喷喷水| av视频在线观看入口| 三级国产精品欧美在线观看| 久久精品国产99精品国产亚洲性色| 我的女老师完整版在线观看| 国产熟女xx| 97热精品久久久久久| 此物有八面人人有两片| 日韩欧美在线二视频| 国产三级黄色录像| 国产乱人伦免费视频| 欧美日韩福利视频一区二区| 男女下面进入的视频免费午夜| 欧美最黄视频在线播放免费| 欧美zozozo另类| 日韩欧美 国产精品| 国产v大片淫在线免费观看| 欧美黑人欧美精品刺激| 两性午夜刺激爽爽歪歪视频在线观看| 青草久久国产| 日韩欧美精品v在线| 十八禁国产超污无遮挡网站| 欧美性猛交╳xxx乱大交人| 免费av不卡在线播放| 午夜激情欧美在线| 国产伦精品一区二区三区视频9| a级一级毛片免费在线观看| 69av精品久久久久久| ponron亚洲| 国产精品久久电影中文字幕| 精品久久久久久久久av| 黄色一级大片看看| 能在线免费观看的黄片| 久久这里只有精品中国| 18+在线观看网站| 最近最新免费中文字幕在线| 国产精品影院久久| 国产大屁股一区二区在线视频| 99国产综合亚洲精品| 精品不卡国产一区二区三区| 国产亚洲欧美98| 亚州av有码| 免费看光身美女| 国产淫片久久久久久久久 | 国产亚洲欧美98| 97超视频在线观看视频| 伊人久久精品亚洲午夜| 别揉我奶头~嗯~啊~动态视频| 精品久久久久久久久亚洲 | 91午夜精品亚洲一区二区三区 | 亚洲 欧美 日韩 在线 免费| 免费看日本二区| 久久精品影院6| 激情在线观看视频在线高清| 能在线免费观看的黄片| 久久久成人免费电影| 国产熟女xx| 久久午夜亚洲精品久久| 亚洲精品成人久久久久久| 高潮久久久久久久久久久不卡| 亚洲欧美日韩卡通动漫| 嫩草影视91久久| 国产综合懂色| 亚洲av第一区精品v没综合| 国产免费一级a男人的天堂| 特大巨黑吊av在线直播| 色综合站精品国产| 国产视频一区二区在线看| 99热这里只有是精品在线观看 | 亚洲一区二区三区不卡视频| 成年人黄色毛片网站| 国产不卡一卡二| 色综合婷婷激情| 男插女下体视频免费在线播放| 亚洲成人中文字幕在线播放| 看片在线看免费视频| 最后的刺客免费高清国语| 日韩欧美精品v在线| 99热精品在线国产| 欧美xxxx黑人xx丫x性爽| 色在线成人网| 国产精品电影一区二区三区| 一区二区三区免费毛片| 久久国产乱子伦精品免费另类| 啦啦啦韩国在线观看视频| 精品久久久久久久末码| 国产野战对白在线观看| 亚洲三级黄色毛片| 久久午夜福利片| 深夜a级毛片| 天堂av国产一区二区熟女人妻| 国产成人影院久久av| 亚洲成人中文字幕在线播放| 午夜视频国产福利| 美女cb高潮喷水在线观看| 一a级毛片在线观看| 国产精品不卡视频一区二区 | 午夜福利18| 美女被艹到高潮喷水动态| 最后的刺客免费高清国语| 亚洲成人中文字幕在线播放| 亚洲中文日韩欧美视频| a在线观看视频网站| 欧美bdsm另类| 在线播放无遮挡| 国产淫片久久久久久久久 | 亚洲av不卡在线观看| 亚洲最大成人av| 精品一区二区三区人妻视频|