• <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Cycle-GAN的光流無監(jiān)督估計方法

    2022-08-05 02:27:28劉曉晨
    導航定位與授時 2022年4期
    關鍵詞:光流真值損失

    劉曉晨,張 濤

    (1. 東南大學儀器科學與工程學院,南京 210096;2.東南大學微慣性儀表與先進導航技術教育部重點實驗室,南京 210096)

    0 引言

    光流作為一種描述物體運動的方法,受啟發(fā)于自然界。蜜蜂等昆蟲的導航與著陸等行為均依賴于其復眼中的光流。光流估計是計算機視覺研究中一項基礎且重要的任務,用于獲得連續(xù)兩幀圖像中對應物體的像素級別的移動。光流分為稠密光流和稀疏光流。稀疏光流只對每個感興趣點周圍小窗口內的局部信息進行光流求解,得到的光流數量遠小于圖像尺寸。而稠密光流則對圖像上每一個像素點進行一次光流解算,得到的光流數量等于圖像尺寸。因此,稠密光流包含了更多的信息,相較于稀疏光流有更好的適用性。目前,光流在導航、運動檢測和目標跟蹤等任務中擁有廣泛的應用場景。經典的光流估計方法大多通過最小化以亮度恒定和空間平滑假設為代表的能量函數來求解目標光流,如1981年B.Horn和B.G.Schunck提出的HS光流算法和B.D.Lucas和T.Kanade提出的LK光流算法。隨著這兩種光流算法的出現,同時面向無人機和無人車等設備的自主導航需求,越來越多的學者開始利用光流求解導航參數。唐大全等利用ORB(Oriented FAST and Rotated BRIEF)優(yōu)化LK光流算法,提升了無人機速度估計的精度。Yang J.等通過最小化一個包含分段常數模型假設和光流場連續(xù)性約束假設的全新能量函數,獲得了在復雜運動背景下的物體光流信息。閆寶龍等利用模糊核均值算法對金字塔LK算法得到的稀疏光流進行聚類,減少由于光照變化等不利條件對光流野值造成的影響,提升了載體速度的估計精度。雖然在很長的一段時間內,以HS和LK光流算法為代表的經典變分方法成為求解光流的主流方法,但其針對大位移、運動遮擋與光照變化等條件下的光流解算精度還需進一步提高;同時,由于存在大量的迭代計算,導致變分模型法實時性較差,進而限制了該方法的應用。

    隨著高性能圖像處理單元(Graphics Proces-sing Unit,GPU)的快速發(fā)展,為基于深度學習的光流估計方法提供了硬件基礎。Flownet開創(chuàng)了利用有監(jiān)督卷積神經網絡(Convolutional Neural Networks,CNN)估計光流的先河,啟發(fā)了越來越多的研究者開展基于深度學習光流估計方法的研究。作為里程碑式的工作,Flownet2.0針對Flownet光流估計精度不高等問題,利用網絡堆疊實現了更加復雜的結構,將基于深度學習法的光流估計精度提升到了和經典變分法一致的水準,但也導致網絡的實時性較差。A.Ranjan等將空間金字塔模型和深度學習模型相結合,提出了一個名為Spynet的精簡化網絡,實現了光流由粗到精的估計。Zhai M.等利用空間金字塔中的兩種注意力模塊,自適應地對網絡中的通道和空間特征進行加權,提高了光流的估計精度。雖然目前利用有監(jiān)督學習估計的光流精度已超過變分方法,實時性也較變分方法有所提高,但大多數基于深度學習的光流估計方法都需要對應的逐像素的光流真值參與模型的訓練,而光流真值的獲取工作異常繁瑣,因此合成數據集成為訓練網絡所需樣本的主要來源。由于合成數據集與真實應用環(huán)境存在差異,利用合成數據集訓練出來的網絡在真實環(huán)境中的表現并不太理想。因此,無監(jiān)督學習的方法成為了光流估計領域的熱點。

    基于無監(jiān)督學習的光流估計方法大多采用新的損失函數來指導網絡實現無監(jiān)督訓練。J.J.Yu等受經典變分理論的啟發(fā),在損失函數中引入亮度恒定和運動平滑項,使光流估計網絡實現了無監(jiān)督的訓練。Yang B.等基于前后向一致性檢驗和魯棒Census變換,設計了一個全新的損失函數,實現了光流的無監(jiān)督估計。Liu P.等基于知識蒸餾技術,提出了一種無監(jiān)督方案,利用教師網絡指導學生網絡學習光流估計。雖然無監(jiān)督學習方案無需光流真值參加網絡的訓練,且在某些特定場景中的性能可以超過有監(jiān)督學習(如簡單運動場景),但在稍微復雜環(huán)境或運動中無監(jiān)督方法的精度仍然不足。同時,僅僅利用改進的損失函數對網絡進行指導,對光流估計精度的提升是有限的,因此,一些研究人員將重點放在了生成對抗網絡(Ge-nerative Adversarial Networks,GAN)上。

    在零和博弈思想的啟發(fā)下,GAN最初由I.Good-fellow于2014年提出,由生成器和判別器之間的對抗性訓練來實現。GAN在圖像生成、風格轉化和超分辨率生成等計算機視覺領域有著巨大的潛力。為了進一步提高光流估計的精度,一些工作從GAN中借鑒對抗機制以取代無監(jiān)督方法中的損失函數,取得了具有競爭意義的成果。R.K.Thakur等提出了一種基于條件生成對抗網絡的場景光流估計方案,該方案可以從立體圖像中獲取場景光流。為了降低無監(jiān)督方法中亮度恒定和空間平滑性先驗的局限性,文獻[18]采用對抗損失和GAN結構代替先驗假設估計光流。在此基礎上,Che T.等在GAN中嵌入一個倒置網絡,用于獲得對稱光流,進而提升光流估計的準確性。盡管其中一些方法是半監(jiān)督方法,但這些方法同樣需要光流真值來更新判別器,這依舊依賴于帶有真值的光流數據集。同時GAN的訓練不穩(wěn)定,容易陷入模式崩塌(Mode Collapse),導致訓練失敗。

    為充分發(fā)揮GAN在光流估計中的優(yōu)點,并克服上述不足,本文提出了一種基于循環(huán)生成對抗網絡(Cycle-GAN)的無監(jiān)督光流估計方法。首先,利用循環(huán)對抗機制,在網絡訓練階段擺脫對光流真值的依賴,實現無監(jiān)督訓練。其次,為提升光流估計精度,提出了一種雙判別器機制(Dual Discrimina-tor Mechanism,DDM),對生成器生成的光流在底層和高層特征中分別進行鑒別,迫使生成器生成更加符合光流原始分布的數據。然后,為降低Cycle-GAN陷入模式崩塌的風險,本文將Spynet作為教師網絡,在Cycle-GAN訓練的前期,指引其訓練方向,提升訓練效率。最后,改進Cycle-GAN損失函數,利用光流一致性損失來進一步提高光流估計的精度,通過輪廓一致性損失來細化前景物體輪廓的光流信息。

    1 用于光流估計的改進循環(huán)生成對抗網絡

    1.1 改進循環(huán)生成對抗網絡結構設計

    GAN是一種借鑒零和博弈思想而產生的深度學習網絡。GAN中最核心的兩部分是生成器和判別器。生成器負責按照要求生成數據樣本,以期利用生成的樣本欺騙判別器。判別器則竭盡所能將生成器生成的樣本和真實樣本區(qū)分開。生成器和判別器以此種方式進行對抗訓練,當判別器無法準確區(qū)分數據來源時,即達到納什平衡,完成訓練。

    為降低網絡在訓練階段對光流真值的依賴,本文利用改進Cycle-GAN進行運動物體的光流場的無監(jiān)督獲取。經典的Cycle-GAN在GAN的基礎上,引入了額外一條對稱的鏡像分支,兩條分支對同一任務進行循環(huán)求解,進而實現對網絡的無監(jiān)督訓練。本文提出的改進Cycle-GAN的整體框架如圖1所示。為方便網絡訓練,本文將兩張待求解光流的RGB圖片和在通道維度拼接后生成的6維張量直接作為生成器的輸入。如圖1所示,在Cycle-GAN中,Real_A與Real_B是無對應關系的兩類圖片,在本文中,Real_A為兩幀共6維待求解光流圖片,其包含了光流信息;Real_B為任意真實光流可視化圖,主要負責為網絡指明訓練的方向。循環(huán)生成對抗網絡由兩條完全對稱的分支組成,為簡化說明,只對Real_A到Rec_A進行解釋。首先,Real_A經過生成器生成一個二維的光流矩陣,而后經過光流可視化操作,將二維光流矩陣轉化為三維圖像,即Fake_B,也就是說,生成器負責由原始圖向光流矩陣進行轉換。而后將得到的Fake_B與Real_B同時輸入到雙判別器中,雙判別器同時對圖像來源進行判斷。若來自生成器,則盡可能將其標記為0,若來自Real_B,則盡可能將其標記為1。此后,將Fake_B接著輸入到生成器中,反向生成類似于Real_A的圖片Rec_A,即生成器負責將圖片由光流圖向原始圖轉換。同理,在另一條支路中,Real_B也經歷了兩個生成器的循環(huán)轉換,在此不再贅述。循環(huán)生成對抗網絡的這種循環(huán)生成機制,使其具有了無監(jiān)督學習的能力,不需要一一對應的樣本真值,大大降低了訓練樣本的獲取難度。

    圖1 本文提出的用于光流估計的改進Cycle-GANFig.1 The improved Cycle-GAN for optical flow estimation

    在GAN的訓練過程中,生成器極易產生單個或者有限個模式的圖片,使得不同的樣本輸入生成器得到的輸出是大致相同的,即產生了模式崩塌。為降低模式崩塌的風險,本文在Cycle-GAN的訓練過程中,引入事先訓練好的Spynet光流網絡作為教師網絡,在訓練初期指引生成器快速、高效地逼近目標域,在節(jié)省訓練時間的基礎上,增加模型的魯棒性,降低陷入模式崩塌的風險。具體細節(jié)將在后續(xù)介紹。

    1.2 雙判別器結構設計

    為提升生成器生成的光流精度,本文提出了雙判別器機制來迫使生成器生成更高質量的光流信息。雙判別器結構如圖2所示。判別器與判別器網絡結構大不相同,經過3層3×3卷積后,特征被提取到256維,而后利用1層3×3卷積對圖片的來源進行判斷,True代表圖像來源于Real_B,False則代表圖像來源于生成器生成的樣本Fake_B。判別器結構較為簡單,所提取的特征維度較低,只能感受到底層特征,因此被用來針對圖片的輪廓、線條以及顏色等底層特征進行圖像判別。相反,在判別器中,經過4層卷積后,特征被提取到了512維,而后經過6層殘差連接模塊進行特征的進一步提取與抽象,最后經過1層3×3卷積輸出一個判別結果。判別器結構較為復雜,能提取圖像中的高層特征,因此被用來針對圖像的語義特征進行鑒別。綜上,在網絡的訓練過程中,將生成器經圖像可視化得到的Fake_B和Real_B輸入給雙判別器,雙判別器中的和分別從底層特征和高層特征對圖像來源進行鑒別,如圖像來源于Real_B,則需要和同時輸出為True,否則為False。

    圖2 本文提出的雙判別器機制Fig.2 The proposed dual discriminator mechanism

    為提升雙判別器中對高層語義特征的判別能力,本文設計了一個殘差連接模塊,如圖3所示。輸入-1被分為2路,分支1為跳躍連接;分支2經過3×3卷積、歸一化和ReLU激活函數激活后,輸入到1個3×3卷積與歸一化層組成的模塊中,而后與分支1中的原始輸入-1相加,作為最終的輸出。采用殘差模塊的作用在于可以增加網絡深度的同時,使得網絡參數可以有效地進行傳播,進而減少梯度消失的風險。

    圖3 殘差連接模塊Fig.3 The structure of Resnet-Block

    2 損失函數

    如前所述,Rec_A是由Real_A經生成器和生成的,而Fake_B為所需光流圖,為保證Fake_B在語義上的正確性,需保證Rec_A與Real_A盡可能地相似,以和表示Real_A和Real_B,則有循環(huán)一致性損失如下

    (1)

    其中,代表數據的期望值,本文提出的雙判別器機制中,包含兩組4個判別器(,和,),以,為例,循環(huán)生成對抗網絡對抗損失函數如下

    (,,,,)=~()[log()+

    log()]+~()[log(1-(()))+

    log(1-(()))]

    (2)

    從對抗損失中可以看出,雙判別器致力于最大化該損失,即將生成器生成的虛假圖像與真實圖像盡可能地分辨出來。而生成器則通過最小化對抗損失函數,以達到蒙騙判別器的目的。

    圖4所示為用于表示光流大小與方向的色輪圖。該色輪基于HIS(Hue-Intensity-Saturation)顏色空間,沿切向旋轉時,代表了光流不同的方向;從色輪圓心沿徑向向外飽和度增加,則代表了光流的大小逐漸增加。因此,可以根據色輪一一確定光流圖中的運動方向與大小。光流的可視化轉換是以為基礎,將中物體的運動利用HIS顏色空間展現出來?;诖耍疚慕Y合光流的定義,引入光流一致性損失,具體定義如下

    =((+,+)-(,))

    (3)

    其中,和代表網絡計算出的水平和垂直方向光流;和代表待求解光流的兩幅原始圖像;和分別為對應圖片中的坐標;()=(+0001)為Charbonnier懲罰函數,本文取05。光流的定義即為到中對應像素的移動,因此,可通過光流一致性損失來優(yōu)化光流的求取精度。

    圖4 光流色輪圖Fig.4 The color wheel for optical flow estimation

    其次,光流圖中的物體輪廓信息是基于中運動物體的位置生成的,因此,引入輪廓一致性損失函數來優(yōu)化生成的光流圖中的物體相較于中對應物體的輪廓細節(jié)。具體如下

    =((()))-()

    (4)

    其中,代表對整幅圖進行二值輪廓提取操作;代表對光流進行可視化操作。

    然后,本文引入Spynet作為教師網絡,對生成器生成的光流進行指導。由于本文中的教師網絡只負責對Cycle-GAN前期的訓練指明方向,后續(xù)通過對抗機制不斷優(yōu)化自身精度,因此無需追求高精度網絡作為教師網絡。Spynet作為一種簡單的光流估計網絡,參數量少,可以降低對設備的計算需求,比較適合作為本文提出的網絡的教師網絡。深度學習的訓練需要大量樣本數據,大量訓練數據的引入也導致了網絡訓練的速度變慢,教師網絡的引入可以降低循環(huán)生成對抗網絡對訓練樣本的依賴,提升訓練速度,同時也可減少網絡陷入模式崩塌的風險。本文采用端點誤差(Endpoint Error,EPE)損失作為教師網絡的損失。

    (5)

    最終,本文提出的優(yōu)化之后的Cycle-GAN損失函數如下。

    =

    ++++

    (6)

    其中,~表示權重系數。

    3 實驗驗證

    Flyingchairs作為一款合成數據集,擁有22872組光流原始圖片和其對應的真值數據,是基于深度學習估計光流的重要數據集。為減輕新樣本采集壓力,本文采用該數據集對提出的改進Cycle-GAN進行訓練。同時,本文選取隨機的22000組光流原始圖像和隨機的10000組光流真值作為訓練樣本,以此種方式打亂光流原始圖像和真值的對應關系,從而驗證網絡的無監(jiān)督訓練方式。特別地,詳細的訓練設備及參數信息如下:在訓練設備方面,本文采用的服務器CPU為2塊英特爾至強E5-2698 V4,GPU為2塊Nvidia RTX3090,顯存為24GB*2,整機內存為128GB,存儲為1TB SSD+4TB HDD;在訓練參數方面,共訓練1000個epoch,其中,前500個epoch為學習率固定,且大小為0.0002,后500個epoch學習率從0.0002不斷衰減,直到第1000個epoch時學習率衰減為0。損失函數中的權重為=4。同時,教師網絡Spynet在前200個epoch起作用,且=2,在后800個epoch中=0,在上述配置中訓練1個epoch時間大約為610s,batch size設為4,采用的深度學習框架為Pytorch。

    3.1 光流算法比較實驗

    在上述參數下完成訓練后,為驗證所提光流網絡的精度,本節(jié)引入額外五種SOTA(state-of-the-art)光流算法作為對比,其詳細信息如表1所示。利用Flyingchairs數據集、Sintel數據集以及KITTI-2012數據集進行測試。其中,Flyingch-airs數據集將椅子模型和真實場景進行結合,利用仿射變換得到椅子之間的光流真值,該數據集包含22232個用于訓練的圖片對和640個用于測試的圖片對。MPI Sintel數據集分為Clean和Final兩個版本,來源于一個全部開源的3D動畫電影,分別提供1041對訓練圖像和552對測試圖像。Clean版本包含的是只有光照變換的圖像,而Final版本則在Clean的基礎上添加了運動模糊和噪聲,因此,相對于Clean版本,Final版本更能驗證模型的魯棒性,這也是本文選擇Final版本作為測試集的主要原因。不同于前面2個合成數據集,KITTI-2012來源于真實世界,通過車載激光雷達獲取真實環(huán)境下的光流真值。該數據集的光流真值并不是逐像素的,而是通過采樣得到的半稠密光流。同時,該數據集體量也較小,只包含194對光流幀。在不同數據集下得到的光流可視化結果如圖5~圖7所示。

    表1 用于對比的光流算法

    圖5 Flyingchairs數據集下的光流可視化對比圖Fig.5 Comparison of optical flow visualization on Flyingchairs dataset

    圖6 Sintel-Final數據集下的光流可視化對比圖Fig.6 Comparison of optical flow visualization on Sintel-Final dataset

    圖7 KITTI-2012數據集下的光流可視化對比圖Fig.7 Comparison of optical flow visualization on KITTI-2012 dataset

    從圖5可以看出,DDFlow作為一種無監(jiān)督光流估計方法,其精度是弱于有監(jiān)督方法的,具體表現在椅子靠背處的光流細節(jié)信息明顯產生了丟失現象。Spynet雖然在椅子靠背處細節(jié)信息有所保留,但圖片中間有一部分光流估計錯誤,導致可視化圖中的顏色與真值中相差較大。PWCnet和LiteFlownet3雖然精度弱于Flownet2.0,但其網絡參數明顯少于Flownet2.0,因此其精度也具有一定的競爭性。本文提出的方法由于引入了對抗機制和雙判別器機制,使得光流估計較為準確,同時由于損失函數的改進,使得細節(jié)信息保留得較為完好,與GT真值的差異最小。

    從圖6所示的Sintel-Final數據集上的光流可視化對比結果中可以看到,相較于其他方法,本文的網絡有著更好的細節(jié)表現,具體可從人物的頭發(fā)紋理和左上角的木板細節(jié)中體現,這要歸功于雙判別器機制與改進的損失函數帶來的增益。在與教師網絡Spynet的對比中可以看出,所提出的網絡的結果已大幅優(yōu)于教師網絡,這說明生成器與判別器的對抗機制為光流估計精度的提升提供了前提。同樣的結論也可從KITTI-2012數據集中得出,如圖7所示,本文方法得到的前景光流更為突出,細節(jié)較為平滑,且光流方向與大小的精度也較高。為量化對比結果,本文利用EPE作為量化指標(EPE數值越小,算法精度越高),對以上幾種算法進行量化對比。與式(5)類似,EPE計算方法如下。

    (7)

    其中,和分別代表圖像的長和高;和分別代表求解出的水平和垂直方向上的光流;和則分別代表水平和垂直方向上的光流真值。所得幾種對比算法的EPE如表2所示。

    表2 幾種算法在不同數據集上的EPE

    3.2 消融實驗

    為驗證本文提出的光流估計方法改進之處的有效性,本節(jié)開展了消融實驗。實驗內容分為以下四部分,原始Cycle-GAN(Original Cycle-GAN,OCG)、添加教師網絡的Cycle-GAN(Cycle-GAN with Teacher network,CG-T)、添加教師網絡和改進損失函數的Cycle-GAN(Cycle-GAN with Teacher network and improved Loss function,CG-T-L),以及在CG-T-L基礎上添加雙判別器機制的本文算法(Ours)。需要特別說明的是,由于教師網絡僅用于在初期為本文的Cycle-GAN光流估計網絡提供大致的訓練方向,因此對其精度要求不高,本文使用的Spynet未針對任何特定數據集進行微調與優(yōu)化,使用權重為在通用數據集上訓練完成的原始權重。消融實驗結果如圖8所示。

    圖8 消融對比實驗結果Fig.8 Ablation comparison experiment results

    從圖8可以看出,由于光流估計的復雜性,原始Cycle-GAN沒有很好地找到合適的映射關系,產生了模式崩塌現象,即無論每次輸入的圖片是否一樣,均產生圖6中類似馬賽克一樣的結果,無法分辨前景和背景光流信息,導致光流解算失敗。當引入教師網絡Spynet之后,在訓練初期對原始Cycle-GAN進行引導,此時雖然光流解算誤差較大,但已能大致區(qū)分前景和背景信息,說明教師網絡的引入有利于降低原始Cycle-GAN陷入模式崩塌的風險。然而,由于原始Cycle-GAN未對光流估計任務進行任何優(yōu)化與改進,使得光流求解精度較低,誤差較大。當在CG-T的基礎上引入本文所提的改進損失函數之后,光流估計精度進一步提升,在圖8中具體表現為,前景物體光流估計輪廓較為清晰,方向和大小較為準確,背景光流估計精度與CG-T相比也有一定的提升,說明損失函數的介入使得網絡更好地擬合了輸入圖片與輸出光流之間的映射關系。但由于沒有對網絡結構進行優(yōu)化,光流估計精度的提升有限,因此,CG-T-L的精度最終低于教師網絡Spynet的精度。當在CG-T-L的基礎上引入雙判別器機制后,光流估計精度進一步提升。在可視化圖中可以清晰地看出,所提出的方法精度已超過教師網絡,這是由于雙判別器機制在底層和高層水平特征上對生成器生成的數據進行鑒別,并迫使生成器提升自身的擬合精度。同時,由于對抗機制的引入,也使得生成器與雙判別器在不斷迭代更新中逐漸變強,最終實現優(yōu)于教師網絡的光流估計精度。同樣地,為量化消融實驗對比結果,表3給出了幾種對比算法的EPE。

    表3 消融實驗EPE

    4 結論

    本文基于循環(huán)生成對抗網絡,提出了一種以無監(jiān)督方式訓練的光流估計網絡。該方法在充分利用Cycle-GAN對抗機制的同時,對判別器與損失函數進行改進,使得光流估計精度大幅提升。同時,通過引入Spynet作為教師網絡,降低了模型陷入模式崩塌的風險。但本文提出的方法還有繼續(xù)優(yōu)化的空間,例如,降低網絡參數以實現更高的實時性能,以及利用優(yōu)化之后的生成器以期實現更高的光流估計精度,都是未來工作面臨的技術挑戰(zhàn)與研究方向。

    猜你喜歡
    光流真值損失
    利用掩膜和單應矩陣提高LK光流追蹤效果
    少問一句,損失千金
    胖胖損失了多少元
    玉米抽穗前倒伏怎么辦?怎么減少損失?
    基于物理學的改善粒子圖像測速穩(wěn)健光流方法研究
    10kV組合互感器誤差偏真值原因分析
    電子制作(2017年1期)2017-05-17 03:54:35
    一般自由碰撞的最大動能損失
    真值限定的語言真值直覺模糊推理
    基于真值發(fā)現的沖突數據源質量評價算法
    融合光流速度場與背景差分的自適應背景更新方法
    亚洲欧美色中文字幕在线| 欧美日韩福利视频一区二区| 欧美国产精品一级二级三级| 免费一级毛片在线播放高清视频 | 久久精品亚洲av国产电影网| 两个人看的免费小视频| 一本久久精品| 亚洲av成人不卡在线观看播放网| 亚洲成人国产一区在线观看| 久久精品亚洲av国产电影网| 我的亚洲天堂| 欧美日韩精品网址| 亚洲视频免费观看视频| a在线观看视频网站| 亚洲avbb在线观看| 老司机在亚洲福利影院| 巨乳人妻的诱惑在线观看| 极品教师在线免费播放| 成人黄色视频免费在线看| 搡老乐熟女国产| 国产精品一区二区精品视频观看| 少妇被粗大的猛进出69影院| 汤姆久久久久久久影院中文字幕| 国产高清videossex| 高清欧美精品videossex| av天堂在线播放| 国产精品.久久久| 大香蕉久久成人网| 日日夜夜操网爽| 久久 成人 亚洲| 国精品久久久久久国模美| 看免费av毛片| 精品欧美一区二区三区在线| 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| 老熟妇乱子伦视频在线观看| 麻豆成人av在线观看| 成年人午夜在线观看视频| 变态另类成人亚洲欧美熟女 | 欧美老熟妇乱子伦牲交| 亚洲熟妇熟女久久| 久久午夜亚洲精品久久| 国产精品电影一区二区三区 | 成年人免费黄色播放视频| 国产av又大| 最近最新中文字幕大全电影3 | 99国产精品99久久久久| 丝袜美足系列| 久久精品亚洲精品国产色婷小说| 无限看片的www在线观看| 国产精品一区二区精品视频观看| 国产老妇伦熟女老妇高清| 在线十欧美十亚洲十日本专区| 水蜜桃什么品种好| 精品少妇一区二区三区视频日本电影| 日韩一区二区三区影片| 亚洲三区欧美一区| 婷婷成人精品国产| 大型黄色视频在线免费观看| 十八禁高潮呻吟视频| 极品少妇高潮喷水抽搐| 天天添夜夜摸| 十分钟在线观看高清视频www| 午夜福利影视在线免费观看| 欧美黑人精品巨大| 亚洲天堂av无毛| 免费在线观看日本一区| 欧美+亚洲+日韩+国产| 久久久国产精品麻豆| 国产国语露脸激情在线看| 啦啦啦视频在线资源免费观看| 亚洲国产成人一精品久久久| 俄罗斯特黄特色一大片| 美女扒开内裤让男人捅视频| 日韩中文字幕欧美一区二区| 成人免费观看视频高清| 亚洲国产欧美在线一区| 国产精品免费视频内射| 十八禁网站网址无遮挡| 老司机午夜十八禁免费视频| 免费日韩欧美在线观看| 一进一出好大好爽视频| 国产精品久久久久久人妻精品电影 | 免费日韩欧美在线观看| 亚洲成人国产一区在线观看| 18禁黄网站禁片午夜丰满| 国产成人精品久久二区二区免费| 免费少妇av软件| 久久精品国产亚洲av高清一级| 中文欧美无线码| 国产一区二区在线观看av| www.熟女人妻精品国产| 色视频在线一区二区三区| 国产成人精品久久二区二区免费| 一本综合久久免费| 女警被强在线播放| 亚洲五月婷婷丁香| 久久国产精品大桥未久av| 久久精品国产亚洲av香蕉五月 | 亚洲专区国产一区二区| 免费在线观看视频国产中文字幕亚洲| netflix在线观看网站| 美国免费a级毛片| 丰满少妇做爰视频| 不卡av一区二区三区| 久久国产精品影院| 水蜜桃什么品种好| 国产1区2区3区精品| 国精品久久久久久国模美| 丁香六月欧美| 淫妇啪啪啪对白视频| 久久国产精品人妻蜜桃| 亚洲欧洲日产国产| 法律面前人人平等表现在哪些方面| 黑人猛操日本美女一级片| 在线播放国产精品三级| 淫妇啪啪啪对白视频| 少妇的丰满在线观看| 桃花免费在线播放| 欧美日韩视频精品一区| 高清毛片免费观看视频网站 | 久久天躁狠狠躁夜夜2o2o| 91av网站免费观看| 精品免费久久久久久久清纯 | 国产一区二区激情短视频| 亚洲av电影在线进入| 在线观看免费午夜福利视频| 免费久久久久久久精品成人欧美视频| 欧美精品亚洲一区二区| svipshipincom国产片| 欧美成人午夜精品| 深夜精品福利| 欧美精品一区二区大全| 精品久久久久久电影网| 又紧又爽又黄一区二区| 99re6热这里在线精品视频| 日韩人妻精品一区2区三区| 色综合欧美亚洲国产小说| 久久精品亚洲精品国产色婷小说| 亚洲伊人色综图| 在线天堂中文资源库| 高清毛片免费观看视频网站 | 日本撒尿小便嘘嘘汇集6| 国产高清videossex| 热re99久久精品国产66热6| 国产欧美日韩一区二区三| 久久久久久久精品吃奶| 午夜激情久久久久久久| 国产精品久久久久久精品电影小说| 国产日韩欧美在线精品| 纵有疾风起免费观看全集完整版| 久久热在线av| 午夜视频精品福利| 国产精品.久久久| 亚洲人成电影免费在线| 色综合婷婷激情| 嫩草影视91久久| a级片在线免费高清观看视频| 这个男人来自地球电影免费观看| 久久影院123| 国产精品亚洲一级av第二区| 欧美日韩中文字幕国产精品一区二区三区 | 99国产精品一区二区蜜桃av | 久久精品国产99精品国产亚洲性色 | 成人精品一区二区免费| 麻豆成人av在线观看| 老熟女久久久| 亚洲av日韩精品久久久久久密| 精品熟女少妇八av免费久了| 亚洲中文日韩欧美视频| videos熟女内射| 精品国产一区二区三区久久久樱花| av片东京热男人的天堂| 一边摸一边抽搐一进一出视频| 国产真人三级小视频在线观看| 叶爱在线成人免费视频播放| 国产亚洲欧美精品永久| 女性被躁到高潮视频| 欧美黑人欧美精品刺激| 久久久精品国产亚洲av高清涩受| 久久久久网色| 亚洲男人天堂网一区| 欧美乱妇无乱码| 亚洲av成人一区二区三| av天堂在线播放| 视频区欧美日本亚洲| 亚洲成a人片在线一区二区| 热99国产精品久久久久久7| 国产又色又爽无遮挡免费看| 国产精品自产拍在线观看55亚洲 | 国产日韩欧美在线精品| 欧美日本中文国产一区发布| 成年人免费黄色播放视频| 免费高清在线观看日韩| 人成视频在线观看免费观看| 男女之事视频高清在线观看| 成人免费观看视频高清| 精品人妻熟女毛片av久久网站| 国产一区二区三区综合在线观看| 成人免费观看视频高清| 99re6热这里在线精品视频| 亚洲午夜精品一区,二区,三区| 黄片播放在线免费| 两性夫妻黄色片| 一进一出抽搐动态| 人人妻人人澡人人看| 熟女少妇亚洲综合色aaa.| 久久久精品94久久精品| 天天躁日日躁夜夜躁夜夜| 变态另类成人亚洲欧美熟女 | 两个人看的免费小视频| 国产高清国产精品国产三级| 一区二区三区国产精品乱码| 欧美精品亚洲一区二区| 老司机靠b影院| 日韩 欧美 亚洲 中文字幕| 亚洲熟妇熟女久久| 国产有黄有色有爽视频| 国产黄色免费在线视频| e午夜精品久久久久久久| 又黄又粗又硬又大视频| 亚洲精品久久成人aⅴ小说| 这个男人来自地球电影免费观看| 亚洲情色 制服丝袜| 久久久久久免费高清国产稀缺| 国产精品九九99| av福利片在线| 欧美激情久久久久久爽电影 | 午夜激情久久久久久久| 欧美日韩av久久| 日韩欧美一区二区三区在线观看 | 丁香欧美五月| 国产伦人伦偷精品视频| 成人三级做爰电影| 天堂俺去俺来也www色官网| 国产在线视频一区二区| 99久久精品国产亚洲精品| 国产精品久久久久成人av| 亚洲精品久久午夜乱码| 久久久国产欧美日韩av| 一级片免费观看大全| 久久热在线av| 99久久人妻综合| 高清黄色对白视频在线免费看| 2018国产大陆天天弄谢| 天天躁日日躁夜夜躁夜夜| 欧美黑人精品巨大| 69精品国产乱码久久久| 一边摸一边抽搐一进一出视频| 蜜桃在线观看..| 美女主播在线视频| 久久精品亚洲熟妇少妇任你| 91精品三级在线观看| 精品熟女少妇八av免费久了| www日本在线高清视频| 老熟女久久久| 欧美黑人欧美精品刺激| 午夜两性在线视频| 亚洲专区国产一区二区| 色在线成人网| 午夜福利在线免费观看网站| 99香蕉大伊视频| 日本av手机在线免费观看| 国产精品98久久久久久宅男小说| 两个人免费观看高清视频| 亚洲精品中文字幕一二三四区 | 夫妻午夜视频| 亚洲色图av天堂| 日韩精品免费视频一区二区三区| 国产精品av久久久久免费| 老司机午夜十八禁免费视频| 丰满迷人的少妇在线观看| 亚洲国产欧美日韩在线播放| 十八禁网站网址无遮挡| 久久九九热精品免费| 国产一区二区 视频在线| av电影中文网址| 午夜免费成人在线视频| 国产一区二区三区综合在线观看| 成年人黄色毛片网站| 黑人猛操日本美女一级片| 欧美日韩国产mv在线观看视频| 乱人伦中国视频| 日韩熟女老妇一区二区性免费视频| 18禁黄网站禁片午夜丰满| 亚洲色图综合在线观看| 亚洲三区欧美一区| 大型黄色视频在线免费观看| 午夜福利欧美成人| 精品国产一区二区三区久久久樱花| 精品欧美一区二区三区在线| 久久精品国产综合久久久| 国产成人欧美| 欧美黄色片欧美黄色片| 又大又爽又粗| 我的亚洲天堂| 亚洲精品国产区一区二| 亚洲男人天堂网一区| 汤姆久久久久久久影院中文字幕| 大片电影免费在线观看免费| 五月天丁香电影| 亚洲少妇的诱惑av| 免费女性裸体啪啪无遮挡网站| e午夜精品久久久久久久| 麻豆成人av在线观看| 老司机影院毛片| 中文字幕av电影在线播放| 男女无遮挡免费网站观看| 别揉我奶头~嗯~啊~动态视频| 香蕉久久夜色| 80岁老熟妇乱子伦牲交| av片东京热男人的天堂| 亚洲精品中文字幕在线视频| av网站免费在线观看视频| 国产精品电影一区二区三区 | 久久久久精品人妻al黑| 老司机午夜福利在线观看视频 | 99精品欧美一区二区三区四区| 国产国语露脸激情在线看| 999久久久精品免费观看国产| 久久人妻熟女aⅴ| 淫妇啪啪啪对白视频| 免费少妇av软件| 中文字幕人妻熟女乱码| 成人特级黄色片久久久久久久 | 看免费av毛片| 在线观看一区二区三区激情| 成人黄色视频免费在线看| 99国产精品一区二区三区| 美女高潮喷水抽搐中文字幕| 久久久国产一区二区| 不卡一级毛片| 亚洲国产欧美一区二区综合| 成人精品一区二区免费| 日本精品一区二区三区蜜桃| 国产精品免费大片| 蜜桃国产av成人99| 国产欧美日韩一区二区精品| 国产精品一区二区精品视频观看| 国产成人精品在线电影| 久久午夜综合久久蜜桃| 久久精品熟女亚洲av麻豆精品| 人人妻人人澡人人看| 亚洲专区国产一区二区| 天堂中文最新版在线下载| 精品国产国语对白av| 考比视频在线观看| 大香蕉久久成人网| 国产高清videossex| 飞空精品影院首页| 亚洲av日韩精品久久久久久密| 午夜老司机福利片| 亚洲成人手机| 日韩制服丝袜自拍偷拍| 色94色欧美一区二区| 亚洲人成伊人成综合网2020| 亚洲专区字幕在线| 国产精品国产av在线观看| 十八禁人妻一区二区| 成人影院久久| 久久久久久免费高清国产稀缺| 亚洲九九香蕉| 高清在线国产一区| 一级a爱视频在线免费观看| 成年人免费黄色播放视频| 日韩一卡2卡3卡4卡2021年| 人人澡人人妻人| 亚洲精品在线美女| 欧美日韩福利视频一区二区| 两性夫妻黄色片| 啦啦啦在线免费观看视频4| 纯流量卡能插随身wifi吗| 成年人免费黄色播放视频| 最新在线观看一区二区三区| 午夜日韩欧美国产| 999久久久国产精品视频| 男女之事视频高清在线观看| 国产色视频综合| 成人国语在线视频| 咕卡用的链子| 欧美日韩视频精品一区| 一级片'在线观看视频| 好男人电影高清在线观看| 这个男人来自地球电影免费观看| 日日夜夜操网爽| 久久久久久人人人人人| 免费看a级黄色片| 国产午夜精品久久久久久| 精品国产一区二区三区久久久樱花| 最黄视频免费看| 黑人操中国人逼视频| 国产亚洲精品第一综合不卡| 亚洲七黄色美女视频| 黄色丝袜av网址大全| 亚洲国产欧美日韩在线播放| 国产精品.久久久| 多毛熟女@视频| 亚洲一区中文字幕在线| 日韩欧美国产一区二区入口| 99精国产麻豆久久婷婷| 国产97色在线日韩免费| 超碰成人久久| 国产xxxxx性猛交| 一区二区三区精品91| 我的亚洲天堂| 欧美+亚洲+日韩+国产| 狠狠狠狠99中文字幕| 成人影院久久| 亚洲全国av大片| 男女免费视频国产| 精品卡一卡二卡四卡免费| 99国产综合亚洲精品| 国产1区2区3区精品| 91精品三级在线观看| 丁香六月欧美| 99在线人妻在线中文字幕 | 国产一区二区 视频在线| 99re在线观看精品视频| 久久久久国产一级毛片高清牌| 日韩精品免费视频一区二区三区| 91麻豆av在线| 亚洲第一av免费看| 多毛熟女@视频| 日韩精品免费视频一区二区三区| 中文字幕色久视频| 久久精品国产亚洲av香蕉五月 | 伦理电影免费视频| 国产精品二区激情视频| 黄片播放在线免费| 五月开心婷婷网| av国产精品久久久久影院| 国产av一区二区精品久久| 久久人妻av系列| 欧美黑人精品巨大| 久久久国产一区二区| 免费黄频网站在线观看国产| 亚洲av国产av综合av卡| 午夜福利影视在线免费观看| 大陆偷拍与自拍| 少妇的丰满在线观看| 亚洲成人免费av在线播放| 十分钟在线观看高清视频www| 国产深夜福利视频在线观看| 久久香蕉激情| 丝袜喷水一区| 老司机午夜十八禁免费视频| 99久久人妻综合| 三级毛片av免费| 变态另类成人亚洲欧美熟女 | 午夜久久久久精精品| 少妇丰满av| 人妻久久中文字幕网| 亚洲精品在线观看二区| 国产亚洲欧美98| 国产av在哪里看| 在线免费观看不下载黄p国产 | 床上黄色一级片| 国产成人av激情在线播放| 九九久久精品国产亚洲av麻豆 | 色老头精品视频在线观看| 国产精品av久久久久免费| 男女那种视频在线观看| 欧美一区二区国产精品久久精品| 国产探花在线观看一区二区| 国产私拍福利视频在线观看| 法律面前人人平等表现在哪些方面| 亚洲成人中文字幕在线播放| 午夜激情福利司机影院| 国产黄片美女视频| 天天躁狠狠躁夜夜躁狠狠躁| 午夜福利欧美成人| 亚洲欧美一区二区三区黑人| 午夜久久久久精精品| 嫩草影视91久久| 亚洲激情在线av| 午夜福利在线观看吧| 欧美日韩瑟瑟在线播放| 老汉色av国产亚洲站长工具| 别揉我奶头~嗯~啊~动态视频| www日本在线高清视频| 国产精品久久久人人做人人爽| 欧美日韩一级在线毛片| 免费在线观看视频国产中文字幕亚洲| 国产91精品成人一区二区三区| 精品欧美国产一区二区三| 午夜日韩欧美国产| 免费av毛片视频| 久99久视频精品免费| 特级一级黄色大片| 岛国视频午夜一区免费看| 国内精品久久久久久久电影| 精品不卡国产一区二区三区| 国产三级黄色录像| 国产69精品久久久久777片 | 日本免费一区二区三区高清不卡| 久久亚洲真实| 999久久久精品免费观看国产| 最近最新免费中文字幕在线| 一区二区三区国产精品乱码| 国产又色又爽无遮挡免费看| 99精品久久久久人妻精品| 久久久久国产精品人妻aⅴ院| 老汉色av国产亚洲站长工具| e午夜精品久久久久久久| 在线观看66精品国产| 亚洲精品粉嫩美女一区| 久99久视频精品免费| 亚洲精品一卡2卡三卡4卡5卡| www.999成人在线观看| 狂野欧美激情性xxxx| 亚洲成人久久性| 色播亚洲综合网| 级片在线观看| 国产男靠女视频免费网站| 欧美xxxx黑人xx丫x性爽| 免费看光身美女| 床上黄色一级片| 国产精品久久电影中文字幕| 精品电影一区二区在线| 最近最新免费中文字幕在线| 亚洲午夜理论影院| 一个人免费在线观看电影 | 免费高清视频大片| 可以在线观看毛片的网站| 国产一区二区激情短视频| 天堂av国产一区二区熟女人妻| 亚洲精品国产精品久久久不卡| 亚洲av中文字字幕乱码综合| 嫩草影院精品99| 亚洲专区字幕在线| 一个人免费在线观看电影 | 高清毛片免费观看视频网站| 亚洲成人免费电影在线观看| 国产淫片久久久久久久久 | 亚洲精品美女久久久久99蜜臀| 亚洲国产日韩欧美精品在线观看 | 岛国在线免费视频观看| 国产精品一区二区三区四区免费观看 | 变态另类成人亚洲欧美熟女| 午夜免费激情av| 国产一区二区三区视频了| 一进一出抽搐动态| 国产精品亚洲一级av第二区| 久久久久九九精品影院| 亚洲成人免费电影在线观看| 国产真实乱freesex| 男人舔女人的私密视频| bbb黄色大片| 国产精品影院久久| 国产单亲对白刺激| 在线观看一区二区三区| 麻豆一二三区av精品| av在线天堂中文字幕| 国产精品国产高清国产av| 中亚洲国语对白在线视频| 在线观看免费视频日本深夜| 日韩有码中文字幕| 大型黄色视频在线免费观看| 欧美色欧美亚洲另类二区| 欧美av亚洲av综合av国产av| 老司机午夜十八禁免费视频| 黄片小视频在线播放| 丁香六月欧美| 最近视频中文字幕2019在线8| 成人永久免费在线观看视频| 最近最新中文字幕大全免费视频| 变态另类成人亚洲欧美熟女| 午夜精品在线福利| 波多野结衣高清无吗| 久久久国产成人精品二区| 一a级毛片在线观看| 国产 一区 欧美 日韩| 国产一区二区在线av高清观看| 亚洲av成人一区二区三| 18禁美女被吸乳视频| 亚洲精品一卡2卡三卡4卡5卡| 桃红色精品国产亚洲av| 亚洲一区二区三区色噜噜| 亚洲人与动物交配视频| 成人特级黄色片久久久久久久| 51午夜福利影视在线观看| 亚洲中文日韩欧美视频| 亚洲熟妇中文字幕五十中出| 国产久久久一区二区三区| 成人三级黄色视频| 国产淫片久久久久久久久 | 国产亚洲av嫩草精品影院| 久久久久免费精品人妻一区二区| 岛国视频午夜一区免费看| 国产激情久久老熟女| 亚洲乱码一区二区免费版| 麻豆国产av国片精品| 国产亚洲精品一区二区www| 亚洲中文av在线| 人妻丰满熟妇av一区二区三区| 免费电影在线观看免费观看| 一卡2卡三卡四卡精品乱码亚洲| 午夜视频精品福利| 久久精品国产亚洲av香蕉五月| 首页视频小说图片口味搜索| 男女午夜视频在线观看| 后天国语完整版免费观看| 国产午夜福利久久久久久| 国产精华一区二区三区| 欧美日韩黄片免| 一本一本综合久久| 99视频精品全部免费 在线 | 日本黄色片子视频| 亚洲成人中文字幕在线播放| 久久久久久久久免费视频了| 久久精品夜夜夜夜夜久久蜜豆| 91在线观看av| a级毛片在线看网站| 日韩免费av在线播放| 久久精品国产99精品国产亚洲性色|