• <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
    国产精品亚洲一级av第二区| videosex国产| 亚洲国产精品成人综合色| 给我免费播放毛片高清在线观看| 亚洲欧洲精品一区二区精品久久久| 看黄色毛片网站| 国产精品亚洲一级av第二区| 精品国产美女av久久久久小说| 亚洲男人天堂网一区| 午夜福利欧美成人| 可以免费在线观看a视频的电影网站| 嫁个100分男人电影在线观看| 黄色视频不卡| 99久久精品热视频| www日本黄色视频网| 又紧又爽又黄一区二区| 一区二区三区激情视频| 国产免费男女视频| 人妻丰满熟妇av一区二区三区| 亚洲精品av麻豆狂野| 国产在线精品亚洲第一网站| 最近在线观看免费完整版| 一个人观看的视频www高清免费观看 | 色老头精品视频在线观看| 亚洲欧美精品综合一区二区三区| 成人特级黄色片久久久久久久| 我的老师免费观看完整版| 一进一出抽搐gif免费好疼| 欧美日韩黄片免| 两个人的视频大全免费| 国产99白浆流出| 国产免费男女视频| 超碰成人久久| 亚洲中文日韩欧美视频| 脱女人内裤的视频| 免费在线观看日本一区| 国产精品永久免费网站| 蜜桃久久精品国产亚洲av| 日韩 欧美 亚洲 中文字幕| 国产av在哪里看| 国产亚洲精品第一综合不卡| 国产精品,欧美在线| 亚洲国产精品成人综合色| 女人被狂操c到高潮| 欧美最黄视频在线播放免费| 人妻夜夜爽99麻豆av| 亚洲成人国产一区在线观看| 中亚洲国语对白在线视频| 欧美丝袜亚洲另类 | 好看av亚洲va欧美ⅴa在| 精品不卡国产一区二区三区| 婷婷精品国产亚洲av在线| 欧美又色又爽又黄视频| 精品不卡国产一区二区三区| 人妻夜夜爽99麻豆av| 日韩成人在线观看一区二区三区| 亚洲人成网站高清观看| 中文字幕久久专区| 无限看片的www在线观看| 在线国产一区二区在线| 欧美日韩国产亚洲二区| 成人高潮视频无遮挡免费网站| 国产精品亚洲一级av第二区| 精品久久久久久,| 黄片小视频在线播放| 俄罗斯特黄特色一大片| 亚洲五月婷婷丁香| 免费在线观看亚洲国产| 亚洲av电影不卡..在线观看| 亚洲 欧美一区二区三区| 日日爽夜夜爽网站| 色综合婷婷激情| 国产熟女xx| 又黄又爽又免费观看的视频| 婷婷精品国产亚洲av| 国产精品99久久99久久久不卡| 国产亚洲精品久久久久久毛片| 亚洲 国产 在线| 99re在线观看精品视频| 日本 av在线| 宅男免费午夜| 精品乱码久久久久久99久播| 久久久久久大精品| 看黄色毛片网站| 在线国产一区二区在线| 亚洲国产日韩欧美精品在线观看 | 午夜福利免费观看在线| 国产精品一及| 国产一区二区在线av高清观看| 亚洲国产欧美人成| 嫩草影院精品99| 一个人观看的视频www高清免费观看 | 韩国av一区二区三区四区| 国产亚洲av高清不卡| 人人妻人人澡欧美一区二区| 美女免费视频网站| 亚洲美女视频黄频| 亚洲男人天堂网一区| 国产伦人伦偷精品视频| 99riav亚洲国产免费| 一本久久中文字幕| 亚洲欧美日韩高清专用| 免费看日本二区| 欧美最黄视频在线播放免费| 亚洲自偷自拍图片 自拍| 婷婷亚洲欧美| 国产精品综合久久久久久久免费| 一区福利在线观看| 日韩三级视频一区二区三区| 日本a在线网址| 好男人在线观看高清免费视频| 国产69精品久久久久777片 | 久久久精品国产亚洲av高清涩受| 久久久国产成人精品二区| 亚洲欧美日韩高清在线视频| 国产亚洲精品一区二区www| 国产免费男女视频| 亚洲真实伦在线观看| 亚洲精品粉嫩美女一区| 香蕉丝袜av| 亚洲国产精品成人综合色| 女警被强在线播放| 午夜福利成人在线免费观看| 成人一区二区视频在线观看| 亚洲欧美日韩东京热| 妹子高潮喷水视频| 国产av在哪里看| 一进一出好大好爽视频| 国产一区二区激情短视频| 岛国在线免费视频观看| 午夜精品久久久久久毛片777| 成人亚洲精品av一区二区| 亚洲精品av麻豆狂野| 久久香蕉精品热| 国产精品久久久久久亚洲av鲁大| 婷婷精品国产亚洲av在线| 午夜免费观看网址| 国产精品日韩av在线免费观看| 亚洲欧美一区二区三区黑人| 中文在线观看免费www的网站 | 日韩精品免费视频一区二区三区| 久久久久久大精品| 在线观看午夜福利视频| 国内精品久久久久久久电影| svipshipincom国产片| 国产激情欧美一区二区| 搞女人的毛片| 999久久久精品免费观看国产| 99国产极品粉嫩在线观看| 国产精品av视频在线免费观看| 变态另类丝袜制服| 亚洲一码二码三码区别大吗| 女警被强在线播放| 国产激情久久老熟女| 日日摸夜夜添夜夜添小说| 黑人操中国人逼视频| 国产精品亚洲美女久久久| 久久久久久免费高清国产稀缺| www.自偷自拍.com| 91麻豆精品激情在线观看国产| 色综合站精品国产| 亚洲五月天丁香| 美女 人体艺术 gogo| 性欧美人与动物交配| 两人在一起打扑克的视频| 久久人妻福利社区极品人妻图片| 88av欧美| 欧美性猛交╳xxx乱大交人| 最近最新免费中文字幕在线| 黄色视频,在线免费观看| 黄频高清免费视频| 国产精品亚洲av一区麻豆| 亚洲午夜理论影院| 老汉色∧v一级毛片| 99久久久亚洲精品蜜臀av| 午夜激情av网站| 国产激情偷乱视频一区二区| 午夜福利视频1000在线观看| 久久精品成人免费网站| 亚洲九九香蕉| 国产精品av久久久久免费| 中文字幕熟女人妻在线| 国产一区二区在线av高清观看| 免费在线观看完整版高清| 日韩欧美三级三区| 国产一区二区三区在线臀色熟女| 51午夜福利影视在线观看| 狠狠狠狠99中文字幕| 母亲3免费完整高清在线观看| 国产精品免费视频内射| 亚洲精品av麻豆狂野| 久久久精品大字幕| 国产aⅴ精品一区二区三区波| 精品第一国产精品| 亚洲精品av麻豆狂野| 搞女人的毛片| 小说图片视频综合网站| 国产三级中文精品| 午夜福利18| 1024香蕉在线观看| 欧美性猛交黑人性爽| 久久久精品欧美日韩精品| 99久久无色码亚洲精品果冻| 18禁黄网站禁片午夜丰满| 看片在线看免费视频| 每晚都被弄得嗷嗷叫到高潮| 久久久久久大精品| 国产精品永久免费网站| 18禁观看日本| 国产精品一区二区三区四区久久| 免费看日本二区| 手机成人av网站| av有码第一页| 精品久久蜜臀av无| 亚洲一区中文字幕在线| 国产一区二区三区在线臀色熟女| 夜夜夜夜夜久久久久| 亚洲欧美日韩东京热| 色在线成人网| а√天堂www在线а√下载| 热99re8久久精品国产| 在线a可以看的网站| 色综合亚洲欧美另类图片| 母亲3免费完整高清在线观看| 亚洲第一电影网av| 妹子高潮喷水视频| 床上黄色一级片| 国产v大片淫在线免费观看| 国产精品免费视频内射| 国产午夜精品久久久久久| 久99久视频精品免费| 在线国产一区二区在线| 88av欧美| 国产视频内射| 两性午夜刺激爽爽歪歪视频在线观看 | 国产亚洲精品第一综合不卡| 精品久久久久久久末码| 精品久久久久久久人妻蜜臀av| 久久这里只有精品中国| 午夜福利视频1000在线观看| 国产1区2区3区精品| 嫩草影视91久久| 一个人免费在线观看的高清视频| 久久久久国产一级毛片高清牌| 久久婷婷成人综合色麻豆| 女生性感内裤真人,穿戴方法视频| 18禁黄网站禁片午夜丰满| 国产亚洲精品av在线| av国产免费在线观看| 听说在线观看完整版免费高清| xxx96com| 此物有八面人人有两片| 在线观看午夜福利视频| 精品久久久久久久久久免费视频| 男人舔女人下体高潮全视频| 老司机午夜福利在线观看视频| 岛国在线观看网站| 丝袜美腿诱惑在线| 亚洲avbb在线观看| 亚洲熟女毛片儿| 男女床上黄色一级片免费看| 亚洲欧美激情综合另类| 亚洲午夜精品一区,二区,三区| 中文字幕熟女人妻在线| 欧美另类亚洲清纯唯美| 久久精品91蜜桃| 九色成人免费人妻av| 美女 人体艺术 gogo| 国产av麻豆久久久久久久| 欧美午夜高清在线| 久久久久性生活片| 精品少妇一区二区三区视频日本电影| 国产精品自产拍在线观看55亚洲| 国产日本99.免费观看| 国产亚洲精品久久久久久毛片| 天堂√8在线中文| 老司机午夜十八禁免费视频| 特级一级黄色大片| АⅤ资源中文在线天堂| 无人区码免费观看不卡| 白带黄色成豆腐渣| 老汉色av国产亚洲站长工具| 欧美中文日本在线观看视频| 国产精品久久久久久久电影 | 成年版毛片免费区| 美女高潮喷水抽搐中文字幕| 成年免费大片在线观看| 成人特级黄色片久久久久久久| 人成视频在线观看免费观看| 看免费av毛片| 久久精品夜夜夜夜夜久久蜜豆 | 国产探花在线观看一区二区| av中文乱码字幕在线| 欧美性猛交黑人性爽| 91老司机精品| 国产三级在线视频| 欧美成狂野欧美在线观看| 丁香六月欧美| 婷婷六月久久综合丁香| 成人亚洲精品av一区二区| 麻豆久久精品国产亚洲av| 精品久久久久久久毛片微露脸| 日本三级黄在线观看| 亚洲电影在线观看av| 精品久久久久久久末码| 精品高清国产在线一区| 亚洲,欧美精品.| 午夜精品久久久久久毛片777| 亚洲熟女毛片儿| 国产一区二区三区在线臀色熟女| 一本精品99久久精品77| 色在线成人网| 日本 欧美在线| 又黄又粗又硬又大视频| 美女高潮喷水抽搐中文字幕| 欧美一级毛片孕妇| 在线观看66精品国产| 欧美在线一区亚洲| 久久久久久久久中文| 久久亚洲精品不卡| 麻豆国产av国片精品| 女同久久另类99精品国产91| 国产黄a三级三级三级人| 欧美丝袜亚洲另类 | 少妇人妻一区二区三区视频| 三级毛片av免费| 12—13女人毛片做爰片一| www.www免费av| netflix在线观看网站| 九色成人免费人妻av| 黑人欧美特级aaaaaa片| av国产免费在线观看| 一边摸一边抽搐一进一小说| 欧美乱色亚洲激情| 日韩欧美免费精品| 观看免费一级毛片| 中文字幕人成人乱码亚洲影| 久9热在线精品视频| 亚洲成人免费电影在线观看| 制服丝袜大香蕉在线| 日韩欧美国产在线观看| 欧美在线黄色| 色av中文字幕| 国产精品久久久久久亚洲av鲁大| 久久久久九九精品影院| 韩国av一区二区三区四区| 草草在线视频免费看| 亚洲欧美激情综合另类| 久久久久亚洲av毛片大全| 欧美成人一区二区免费高清观看 | 夜夜看夜夜爽夜夜摸| 国产主播在线观看一区二区| 狂野欧美激情性xxxx| 无遮挡黄片免费观看| 久久九九热精品免费| 动漫黄色视频在线观看| 日本 欧美在线| 激情在线观看视频在线高清| 国产黄色小视频在线观看| 国产精品一区二区免费欧美| 亚洲精品色激情综合| 欧美日韩亚洲国产一区二区在线观看| 亚洲国产精品sss在线观看| 亚洲一卡2卡3卡4卡5卡精品中文| 老司机深夜福利视频在线观看| 亚洲精品美女久久av网站| 可以免费在线观看a视频的电影网站| 亚洲乱码一区二区免费版| 禁无遮挡网站| 妹子高潮喷水视频| 母亲3免费完整高清在线观看| 亚洲色图av天堂| 黄色视频,在线免费观看| 国产精品久久电影中文字幕| 国产一区在线观看成人免费| 18禁美女被吸乳视频| 国产午夜精品论理片| 99热只有精品国产| 亚洲在线自拍视频| 午夜免费观看网址| 国产精品一区二区免费欧美| 亚洲激情在线av| 桃色一区二区三区在线观看| 91字幕亚洲| 青草久久国产| 三级国产精品欧美在线观看 | 首页视频小说图片口味搜索| 最好的美女福利视频网| 精品欧美一区二区三区在线| 巨乳人妻的诱惑在线观看| 在线观看免费午夜福利视频| 婷婷精品国产亚洲av在线| 国产视频内射| 18禁观看日本| aaaaa片日本免费| 夜夜看夜夜爽夜夜摸| 国产亚洲精品久久久久5区| 国产片内射在线| 久久国产乱子伦精品免费另类| 免费在线观看黄色视频的| 国产精品久久久久久久电影 | 欧美av亚洲av综合av国产av| 黄色片一级片一级黄色片| 999久久久精品免费观看国产| 久热爱精品视频在线9| 久久久精品欧美日韩精品| 久久久精品大字幕| avwww免费| 国产久久久一区二区三区| 国产精品久久久久久亚洲av鲁大| 麻豆国产av国片精品| 国产精品98久久久久久宅男小说| 十八禁人妻一区二区| 欧美绝顶高潮抽搐喷水| 色综合站精品国产| 免费看日本二区| 一区福利在线观看| 亚洲av电影不卡..在线观看| 最好的美女福利视频网| 色综合欧美亚洲国产小说| 999久久久国产精品视频| 久久久久国内视频| 欧美不卡视频在线免费观看 | 熟妇人妻久久中文字幕3abv| 欧美黄色片欧美黄色片| 伦理电影免费视频| 日韩三级视频一区二区三区| 日本一本二区三区精品| 国产精品久久久人人做人人爽| 最近最新中文字幕大全电影3| 亚洲成人精品中文字幕电影| 狂野欧美白嫩少妇大欣赏| 中文亚洲av片在线观看爽| 一本久久中文字幕| 欧美日韩瑟瑟在线播放| 91av网站免费观看| 亚洲一区二区三区不卡视频| 19禁男女啪啪无遮挡网站| av片东京热男人的天堂| 亚洲美女黄片视频| x7x7x7水蜜桃| 国产精品综合久久久久久久免费| 国产精品亚洲av一区麻豆| 日本五十路高清| 最近在线观看免费完整版| 在线观看免费视频日本深夜| 欧美成狂野欧美在线观看| 小说图片视频综合网站| 在线观看午夜福利视频| 国产欧美日韩一区二区三| 一级作爱视频免费观看| 日韩中文字幕欧美一区二区| 可以在线观看的亚洲视频| 一边摸一边做爽爽视频免费| 日韩大码丰满熟妇| 国产爱豆传媒在线观看 | 好看av亚洲va欧美ⅴa在| 日韩欧美免费精品| 韩国av一区二区三区四区| 亚洲av日韩精品久久久久久密| 欧美中文日本在线观看视频| 久久精品国产清高在天天线| 在线播放国产精品三级| 一进一出好大好爽视频| 波多野结衣巨乳人妻| 亚洲中文av在线| 亚洲精品av麻豆狂野| 岛国视频午夜一区免费看| 中文字幕av在线有码专区| 亚洲男人天堂网一区| 日韩欧美国产在线观看| 午夜福利18| 亚洲avbb在线观看| 一a级毛片在线观看| 欧美黄色淫秽网站| 午夜福利在线在线| 久久伊人香网站| 久久婷婷人人爽人人干人人爱| 法律面前人人平等表现在哪些方面| 我的老师免费观看完整版| 制服诱惑二区| 9191精品国产免费久久| 男女视频在线观看网站免费 | 最好的美女福利视频网| 一本久久中文字幕| 精品一区二区三区视频在线观看免费| 免费人成视频x8x8入口观看| 亚洲精品中文字幕在线视频| 青草久久国产| 99久久久亚洲精品蜜臀av| 性欧美人与动物交配| 2021天堂中文幕一二区在线观| 免费在线观看亚洲国产| 国产蜜桃级精品一区二区三区| www.熟女人妻精品国产| 美女黄网站色视频| 国产97色在线日韩免费| 国产不卡一卡二| 色av中文字幕| 国产成人系列免费观看| 九色国产91popny在线| 亚洲,欧美精品.| 国产aⅴ精品一区二区三区波| 淫秽高清视频在线观看| netflix在线观看网站| 久久精品综合一区二区三区| 在线观看舔阴道视频| 最近视频中文字幕2019在线8| 亚洲av片天天在线观看| 欧美成人一区二区免费高清观看 | 好男人电影高清在线观看| 午夜激情福利司机影院| 国产av在哪里看| 国产人伦9x9x在线观看| av有码第一页| 欧美日韩精品网址| 狂野欧美白嫩少妇大欣赏| av欧美777| 久久久国产成人精品二区| 国产精品av视频在线免费观看| 久久久国产成人精品二区| 国产一区在线观看成人免费| 夜夜躁狠狠躁天天躁| 国产一区二区在线av高清观看| 国产探花在线观看一区二区| 国产成人精品久久二区二区91| 国产精品99久久99久久久不卡| 精品久久久久久久末码| 日本成人三级电影网站| 岛国视频午夜一区免费看| 男女视频在线观看网站免费 | 国产真人三级小视频在线观看| 可以在线观看的亚洲视频| 日韩欧美 国产精品| av视频在线观看入口| 99久久久亚洲精品蜜臀av| 国产精品美女特级片免费视频播放器 | 久久久久久久久免费视频了| 一二三四社区在线视频社区8| 级片在线观看| 欧美黄色片欧美黄色片| 两性午夜刺激爽爽歪歪视频在线观看 | tocl精华| 老汉色∧v一级毛片| xxxwww97欧美| 中文字幕人成人乱码亚洲影| 级片在线观看| 香蕉丝袜av| 亚洲av五月六月丁香网| 一夜夜www| 久久久久久久久中文| av超薄肉色丝袜交足视频| 黄色成人免费大全| 嫁个100分男人电影在线观看| 村上凉子中文字幕在线| 成年免费大片在线观看| www日本黄色视频网| 97超级碰碰碰精品色视频在线观看| 国产精品久久久人人做人人爽| 久久人妻av系列| 长腿黑丝高跟| 欧美性长视频在线观看| 老鸭窝网址在线观看| 亚洲专区国产一区二区| 国产区一区二久久| 午夜福利欧美成人| 国产激情久久老熟女| 亚洲国产看品久久| 久久午夜综合久久蜜桃| 国产精品九九99| 在线观看66精品国产| 麻豆国产av国片精品| 国产精品一区二区三区四区免费观看 | 天天添夜夜摸| 精品高清国产在线一区| 一夜夜www| 精品电影一区二区在线| 久久这里只有精品19| 人人妻人人澡欧美一区二区| 夜夜躁狠狠躁天天躁| www.999成人在线观看| 啦啦啦韩国在线观看视频| 日本精品一区二区三区蜜桃| 日日摸夜夜添夜夜添小说| av在线天堂中文字幕| 超碰成人久久| 可以在线观看的亚洲视频| 男女午夜视频在线观看| 久久伊人香网站| 天堂√8在线中文| 国产熟女xx| 一本一本综合久久| 97碰自拍视频| 欧美3d第一页| 五月玫瑰六月丁香| 丁香六月欧美| 亚洲精品国产精品久久久不卡| 无限看片的www在线观看| 视频区欧美日本亚洲| 全区人妻精品视频| 久99久视频精品免费| 久久久久亚洲av毛片大全| 91老司机精品| 欧美性猛交╳xxx乱大交人| 三级国产精品欧美在线观看 | 午夜老司机福利片| 久久亚洲精品不卡| 99热这里只有精品一区 | 欧美日韩黄片免| 亚洲精品国产一区二区精华液| 日本精品一区二区三区蜜桃| 国语自产精品视频在线第100页| 青草久久国产| 男女做爰动态图高潮gif福利片| 韩国av一区二区三区四区|