• <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DeepLabv3+的高分辨率遙感影像建筑物自動提取

    2022-08-08 12:39:12于明洋張文焯陳肖嫻劉耀輝
    測繪工程 2022年4期
    關(guān)鍵詞:語義建筑物卷積

    于明洋,張文焯,陳肖嫻,劉耀輝,2

    (1.山東建筑大學 測繪地理信息學院,濟南 250101; 2.河北省地震動力學重點實驗室, 河北 三河 065201)

    基于高分辨率遙感影像的建筑物自動提取對災(zāi)害預(yù)警與處理、城市發(fā)展與規(guī)劃、智慧城市建設(shè)等意義重大[1]。近年來,隨著遙感影像分辨率的提高,使得建筑物的光譜特征更加明顯,為提取的信息建筑物提供更加豐富的語義、紋理特征,同時也會導(dǎo)致干擾和冗余信息的增加,建筑物高精度自動提取是一項具有挑戰(zhàn)性的研究。早期的建筑物提取方法大多利用手工提取的特征作為判斷依據(jù),包括基于邊緣檢測的方法[2]和基于影像特征的方法[3]。李巍岳等[4]利用數(shù)學形態(tài)學對Sobel算子檢測的輪廓進行修正,提高建筑物提取的準確率。王丹[5]將Canny算子與區(qū)域分割、區(qū)域生長相結(jié)合,有效提取建筑物的邊緣信息。林雨準等[6]基于影像的光譜、形狀等特征,引入多尺度分割、形態(tài)學建筑物指數(shù)的思想進行建筑物的分級提取。Huang等[7]通過構(gòu)建多尺度城市復(fù)雜指數(shù)整合不同窗口的多尺度信息,進行不同場景下的建筑物幾何特征的提取。此外,諸如支持向量機SVM[8]、boosting[9]、隨機森林[10]和條件隨機場(CRF)[11]等優(yōu)秀的機器學習分類器也被用于建筑物的提取。以上方法很大程度上依賴于特征選取和參數(shù)選擇,在實際應(yīng)用中有一定的局限性。

    隨著計算機算力的快速發(fā)展及可用數(shù)據(jù)源的增加,深度學習技術(shù),特別是卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Networks, CNN)已經(jīng)成為自然語言處理、語義分割等領(lǐng)域的強大工具。CNN可以從輸入的圖片信息中自動學習語義信息,并通過順序連接的卷積層得到輸出結(jié)果。相比于傳統(tǒng)的機器學習方法,深度學習這種自我特征學習能力可以解決更為復(fù)雜的問題。諸多學者利用VGGNet[12]、GoogleNet[13]、ResNet[14]等CNN模型進行相關(guān)研究,效果優(yōu)于傳統(tǒng)的機器學習方法。然而,CNN網(wǎng)絡(luò)的全連接層會將特征圖處理為固定長度的輸出向量,并以數(shù)值描述的形式進行結(jié)果輸出[15],所以適合于圖像級的分析和回歸任務(wù),但并不適合于建筑物提取的這類語義分割任務(wù)。

    2015年,Long提出全卷積網(wǎng)絡(luò)(Fully Convolutional Network, FCN)進行語義級別的分類。FCN在卷積層后連接上采樣層對特征圖進行處理,可以在最大程度上保留原始影像的空間信息[16],隨后涌現(xiàn)了一批以FCN為基礎(chǔ)架構(gòu)的語義分割網(wǎng)絡(luò)。Ronneberger等[17]提出具有對稱編碼結(jié)構(gòu)的UNet方法,UNet方法通過跳躍連接的方法來融合圖像的多尺度信息,提高圖像分割精度。Badrinarayanan等[18]提出的SegNet方法設(shè)計卷積配合池化的編碼器和反卷積加上采樣的解碼器,從而提升邊緣刻畫度并且減少訓(xùn)練的參數(shù)。DeconvNet[19]在每一個卷積和反卷積層后都連接批歸一化層(Batch Normalization, BN),同時在上采樣前采用全連接層(Fully Connected Layers,F(xiàn)C)作為中介,增強了對類別的區(qū)分。Chen等[20-22]提出的DeepLab模型用概率圖模型優(yōu)化分割結(jié)果,同時在卷積操作中設(shè)置擴張率擴大感受野[23-24]。DeepLabv3+作為該系列模型的最新改進,使用更深的網(wǎng)絡(luò)。DeepLabv3+設(shè)計融合層特征和高層特征的編碼-解碼結(jié)構(gòu)(Encoder-Decoder),獲取更加豐富的影像特征圖。同時,在空洞空間金字塔池化(Atrous Spatial Pyramid Pooling, ASPP)中加入了BN層,更高效從多個尺度聚合影像語義信息。此外,DeepLabv3+在ASPP和Decoder中都應(yīng)用深度可分離卷積簡化模型參數(shù)并提高計算效率[22]。作為Google公司標志性的分割模型之一,在Cityscapes等數(shù)據(jù)集上有著良好的分割效果和精度優(yōu)勢,但是較少在影像建筑物分割場景中使用。

    文中提出一種遙感圖像建筑物自動提取架構(gòu),以DeepLabv3+為網(wǎng)絡(luò),利用公開建筑物數(shù)據(jù)集(WHU Building Dataset)[25]進行建筑物提取研究,并與其他算法包括機器學習方法(SVM、K-Means、KNN、CART)和深度學習模型(U-Net、SegNet、PSPNet)進行精度對比,為高分辨率遙感影像建筑物高精度的自動提取提供借鑒。

    1 研究方法

    1.1 建筑物自動提取架構(gòu)設(shè)計

    文中研究的建筑物自動提取架構(gòu),主要包括數(shù)據(jù)處理、模型訓(xùn)練和建筑物自動提取3部分,流程圖如圖1所示。

    圖1 建筑物自動提取架構(gòu)流程

    1.2 DeepLabv3+網(wǎng)絡(luò)架構(gòu)

    DeepLabv3+利用DCNN+ASPP進行影像特征提取,得到經(jīng)過DCNN的低層特征圖和經(jīng)過ASPP的高層特征圖,搭配連接高-低特征圖的Decoder部分通過concat函數(shù)融合高、低層特征信息,得到特征高級且語義豐富的特征圖,經(jīng)過上采樣恢復(fù)特征圖大小得到建筑物分類結(jié)果。ASPP與Decoder的結(jié)合可以在捕獲多尺度信息的基礎(chǔ)上有效融合低層與高層信息,提高圖像分割精度[26]。其網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

    圖2 DeepLabv3+模型結(jié)構(gòu)

    Encoder中為了獲得空間分辨率更高的特征圖,選用帶空洞卷積(Atrous Convolution)的DCNN作為特征提取網(wǎng)絡(luò),空洞卷積原理如圖3所示。通過設(shè)置空洞卷積中不同的比率(rate)得到低層特征圖和高層特征圖。其中空洞卷積是在原始卷積模塊基礎(chǔ)上進行一定的擴展,可以在相同的計算成本和參數(shù)量的前提下獲得更大的視覺感受野。經(jīng)DCNN得到的低層特征圖直接進入Decoder,而高層特征圖通過ASPP進行處理。ASPP由4個具有不同比率的空洞卷積以及一個全局池化(Image Pooling)組成,通過融合多尺度信息提高分割精度。

    圖3 空洞卷積原理

    在Decoder中,高層特征首先經(jīng)過4倍雙線性內(nèi)插上采樣(Upsample by 4)并與經(jīng)過1×1卷積運算后的低層特征進行融合,然后經(jīng)過一個3×3的卷積和雙線性插值得到預(yù)測結(jié)果。DeepLabv3+中的編碼-解碼結(jié)構(gòu)示意圖如圖4所示。

    圖4 編碼-解碼結(jié)構(gòu)示意圖

    2 實驗數(shù)據(jù)集及評價指標

    2.1 數(shù)據(jù)集

    本研究采用的數(shù)據(jù)集是WHU Building Dataset[25],數(shù)據(jù)采集于新西蘭克賴斯特徹奇。WHU數(shù)據(jù)集空間分辨率為0.3 m,包括8 189幅512像素×512像素的遙感影像,分為訓(xùn)練集、驗證集和測試集。WHU數(shù)據(jù)集的原始影像及其對應(yīng)標簽如圖5所示。

    圖5 原始影像及其對應(yīng)標簽

    2.2 數(shù)據(jù)處理

    數(shù)據(jù)增強方法通過樣本擴充增加訓(xùn)練樣本避免模型出現(xiàn)過擬合現(xiàn)象。本研究對樣本進行垂直、水平鏡像翻轉(zhuǎn)以及不同角度的旋轉(zhuǎn),如圖6所示。

    圖6 旋轉(zhuǎn)及翻轉(zhuǎn)后圖像

    2.3 硬件配置及參數(shù)設(shè)置

    本實驗基于PyTorch開發(fā)框架進行,硬件配置為NVIDIA GeForce RTX 3070。為了更好地利用圖形處理器(GPU)的能力,提高計算效率,將數(shù)據(jù)集中的圖像隨機裁剪為256像素×256像素。在實驗過程中,通過多次對比試驗,確定最優(yōu)模型參數(shù):采用Adam優(yōu)化器;基礎(chǔ)學習率設(shè)為1E-4;設(shè)置150個epoch;為了克服GPU內(nèi)存的限制,mini-batch size設(shè)為8。DeepLabv3+模型的精度和損失值隨訓(xùn)練次數(shù)的變化如圖7所示。

    圖7 精度和損失值隨訓(xùn)練次數(shù)的變化

    為了探究文中提出的架構(gòu)在建筑物自動提取方面的精度優(yōu)勢,選用SVM、K-Means、KNN、CART 4種傳統(tǒng)的機器學習方法以及U-Net、SegNet、PSPNet 3種典型的語義分割網(wǎng)絡(luò)與DeepLabv3+網(wǎng)絡(luò)進行對比試驗。在實驗過程中,通過對比分類結(jié)果,確定了最佳的模型參數(shù)。SVM方法、K-Means方法使用ENVI完成,SVM參數(shù)設(shè)置如下:Gamma值為0.333,懲罰系數(shù)為100,內(nèi)核類型為Radial Basis Function;K-Means參數(shù)設(shè)置包括:分類類別為10,改變閾值為5%,最大迭代為1。KNN方法、CART方法使用eCognition完成,KNN參數(shù)設(shè)置包括:圖像分割方法為Multiresolution Segmentation,分割閾值為20,深度為0,最小樣本數(shù)為0,交叉驗證層數(shù)為3;CART參數(shù)設(shè)置與KNN方法保持一致。U-Net、SegNet、PSPNet的訓(xùn)練參數(shù)設(shè)置與DeepLabv3+參數(shù)保持一致。

    2.4 評價指標

    1)總體精度(Overall Accuracy, OA),影像中預(yù)測正確的建筑物和背景像元占所有像元的比例:

    (1)

    式中:TP代表提取為建筑物,實際為建筑物的個數(shù);FP代表提取為建筑物,實際為背景的個數(shù);TN代表提取為背景,實際為背景的個數(shù);FN代表提取為背景,實際為建筑物的個數(shù)。

    2)召回率(Recall),影像中預(yù)測正確的建筑物像元占建筑物區(qū)域真值像元的比例:

    (2)

    3)精確度(Precision),影像中預(yù)測正確的建筑物像元占所有預(yù)測為建筑物像元的比例:

    (3)

    4)F1得分(F1-score),代表OA和Precision的加權(quán)平均值:

    (4)

    5)交并比(IoU),代表真實值和預(yù)測值兩個集合的交集與并集的比值:

    (5)

    3 結(jié)果與討論

    3.1 基于像素分類方法結(jié)果對比

    SVM,K-Means和DeepLabv3+各分類方法的結(jié)果如圖8所示。圖8中的白色、黑色分別為建筑物、背景的預(yù)測。基于像素的分類方法(SVM、K-Means)提取結(jié)果中有明顯的椒鹽現(xiàn)象,也有許多其他要素被誤分為建筑物。語義分割網(wǎng)絡(luò)DeepLabv3+建筑物提取效果較好,大部分建筑物的邊緣部分相對清晰,只是在細節(jié)上有著零星斑點。

    圖8 基于像素分類方法結(jié)果對比

    SVM,K-Means和DeepLabv3+的精度指標如表1所示。SVM方法的各項平均精度指標(OA=69.6%;Precision=62.1%;Recall=66.4%;F1 score=63.7%;IoU=45.3%)均高于K-Means方法(OA=57.3%;Precision=34.7%;Recall=48.2%;F1 score=40.2%;IoU=21.6%)。DeepLabv3+精度評價的各項指標遠超于基于像素分類方法的指標,各評價指標均超過89.1%。

    表1 基于像素分類方法精度對比

    3.2 面向?qū)ο蠓诸惙椒ńY(jié)果對比

    KNN,CART和DeepLabv3+各方法的分類結(jié)果如圖9所示。圖9中的白色、黑色分別為建筑物、背景的預(yù)測。面向?qū)ο蟮姆诸惙椒?KNN、CART)提取建筑物椒鹽問題有所改善,但是建筑物輪廓仍不夠清晰,出現(xiàn)了分類結(jié)果連片的情況,同時有大量的誤分、漏分情況。

    圖9 面向?qū)ο蠓诸惙椒ńY(jié)果對比

    KNN,CART和DeepLabv3+的精度指標如表2所示。KNN方法的各項平均精度指標均高于K-Means方法,KNN方法的OA、Precision、Recall、F1 score、IoU分別比K-Means方法提高6.0%,10.2%,22.4%,10.1%,19.0%。DeepLabv3+相對于KNN和CART方法,各評價指標平均提高25.1%,表明該方法比面向?qū)ο蠓椒ǜm合于建筑物提取任務(wù)。

    表2 面向?qū)ο蠓诸惙椒ň葘Ρ?/p>

    續(xù)表2

    3.3 語義分割網(wǎng)絡(luò)結(jié)果對比

    為了更好地比較UNet、SegNet、PSPNet和DeepLabv3+這4種網(wǎng)絡(luò)模型提取建筑物的效果,將提取的建筑物結(jié)果進行更加詳細的展示,4種網(wǎng)絡(luò)的建筑物提取結(jié)果如圖10所示。圖中綠色代表正確提取的建筑物,藍色代表漏檢的建筑物,紅色代表誤檢的建筑物,黑色代表背景。

    圖10 語義分割網(wǎng)絡(luò)結(jié)果對比

    從整體而言,PSPNet的提取結(jié)果中正確提取(綠色)的建筑物最少,漏檢(藍色)的建筑物最多。UNet和SegNet的提取結(jié)果中,正確提取(綠色)的建筑物和漏檢(藍色)的建筑物大致相同,但是UNet有更多誤檢(紅色)的建筑物。相比之下,DeepLabv3+的分割結(jié)果中漏檢(藍色)和誤檢(紅色)的建筑物明顯少于其他網(wǎng)絡(luò)模型,但是由于DeepLabv3+仍選用兩次雙線性插值上采樣來增加特征分辨率以及數(shù)據(jù)集本身的限制,DeepLabv3+對于少部分建筑物的邊緣易誤分。

    從單個建筑物來看,如切片1中的紅框內(nèi)提取結(jié)果所示,UNet、SegNet和PSPNet只提取了小部分,有比較明顯的漏檢情況,而DeepLabv3+提取的相對完整,有清晰的建筑物邊界,基本不存在漏檢的建筑物;如切片2中的紅框內(nèi)提取結(jié)果所示,SegNet完全沒有提取到該建筑物,而PSPNet比UNet提取效果好,但只提取了部分輪廓,DeepLabv3+提取效果最好,提取了完整的建筑物輪廓;如切片3中的紅框內(nèi)提取結(jié)果所示,UNet只提取到了該建筑物的很小一部分輪廓,SegNet提取到了該建筑物的上半部分輪廓,PSPNet提取到了建筑物的中部輪廓,而DeepLabv3+提取比較完整,提取到了完整的建筑物輪廓信息;如切片4中的紅框內(nèi)提取結(jié)果所示,UNet、SegNet和PSPNet提取效果相當,能夠提取大部分建筑物輪廓,而DeepLabv3+效果更好,沒有漏檢和誤檢的情況。

    研究不同模型建筑物提取精度定量評定結(jié)果如表3所示。DeepLabv3+的總體精度、召回率、F1得分、交并比值均最高,UNet的準確度值最高。其中DeepLabv3+的F1得分達到了93.3%,相對UNet提高3.4%,相對SegNet提高6.9%,相對PSPNet提高11.2%;且交并比相對UNet提高5.7%,相對SegNet提高11.3%,相對PSPNet提高17.8%。

    表3 語義分割網(wǎng)絡(luò)精度對比

    定性分析和定量評價結(jié)果表明,文中選用的DeepLabv3+模型采用空洞卷積和空間金字塔池化的Encoder-Decoder結(jié)構(gòu),建筑物分割效果較好,提取精度有所提升,具備區(qū)分建筑物和其它地物的能力。

    4 結(jié) 論

    文中提出一種高分辨率遙感影像建筑物自動提取架構(gòu),基于DeepLabv3+網(wǎng)絡(luò),利用WHU數(shù)據(jù)集進行提取實驗,并與基于像素的分類方法、面向?qū)ο蟮姆诸惙椒ㄒ约捌渌Z義分割模型進行結(jié)果與精度的對比分析,結(jié)論如下:

    1)基于像素的分類方法(SVM、K-Means)和面向?qū)ο蟮姆诸惙椒?KNN、CART)可以實現(xiàn)建筑物的提取,但與本架構(gòu)的提取效果相比,建筑物提取結(jié)果中椒鹽效應(yīng)明顯,難以得到清晰的建筑物輪廓。與深度學習方法相比,需要大量參數(shù)設(shè)置,效率較低。

    2)利用DeepLabv3+進行高分辨率遙感影像建筑物提取,總體精度為96.3%、召回率為92.5%、F1得分為93.3%、交并比為87.5%,在幾種網(wǎng)絡(luò)中表現(xiàn)最優(yōu),表明DeepLabv3+在高分辨率遙感影像中的建筑物提取中效果較好,具有較高精度。

    今后研究將考慮在模型的解碼器部分增加更多的低層特征來源,并進一步與其他算法相結(jié)合,提高建筑物的提取精度,同時選用更多的數(shù)據(jù)集進行實驗分析。

    猜你喜歡
    語義建筑物卷積
    基于3D-Winograd的快速卷積算法設(shè)計及FPGA實現(xiàn)
    鄰近既有建筑物全套管回轉(zhuǎn)鉆機拔樁技術(shù)
    語言與語義
    描寫建筑物的詞語
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    基于傅里葉域卷積表示的目標跟蹤算法
    “上”與“下”語義的不對稱性及其認知闡釋
    火柴游戲
    認知范疇模糊與語義模糊
    一種基于卷積神經(jīng)網(wǎng)絡(luò)的性別識別方法
    国产毛片a区久久久久| 看黄色毛片网站| 欧美成人一区二区免费高清观看| 久久精品综合一区二区三区| 97人妻精品一区二区三区麻豆| av在线蜜桃| 一个人看视频在线观看www免费| 十八禁国产超污无遮挡网站| 搡老妇女老女人老熟妇| 久久久久久国产a免费观看| 欧美bdsm另类| 国产高清不卡午夜福利| 精品国内亚洲2022精品成人| 欧美成人免费av一区二区三区| 国产真实乱freesex| 性色avwww在线观看| 搡老妇女老女人老熟妇| 亚洲国产欧洲综合997久久,| 亚洲精品日韩av片在线观看| 国产午夜福利久久久久久| 丝袜喷水一区| 最近2019中文字幕mv第一页| 亚洲va在线va天堂va国产| 亚洲内射少妇av| 有码 亚洲区| 97在线视频观看| 国产精品精品国产色婷婷| 国国产精品蜜臀av免费| 嫩草影院精品99| 超碰av人人做人人爽久久| 日韩强制内射视频| 国产av不卡久久| 国产成人精品婷婷| 最近视频中文字幕2019在线8| 99久久中文字幕三级久久日本| 久久久午夜欧美精品| 伦精品一区二区三区| 久久久久国产网址| 久久精品国产亚洲av涩爱| 成人高潮视频无遮挡免费网站| .国产精品久久| 精品一区二区三区人妻视频| 婷婷色麻豆天堂久久 | 成人漫画全彩无遮挡| 一区二区三区四区激情视频| 亚洲va在线va天堂va国产| 少妇人妻精品综合一区二区| 亚洲av电影不卡..在线观看| av在线老鸭窝| 欧美人与善性xxx| av女优亚洲男人天堂| 超碰97精品在线观看| 亚洲av中文字字幕乱码综合| 亚洲成人精品中文字幕电影| 女人十人毛片免费观看3o分钟| 成年免费大片在线观看| 日日摸夜夜添夜夜添av毛片| 3wmmmm亚洲av在线观看| 欧美zozozo另类| 国产v大片淫在线免费观看| 国产精品99久久久久久久久| 免费播放大片免费观看视频在线观看 | 九九久久精品国产亚洲av麻豆| 两个人视频免费观看高清| 亚洲av不卡在线观看| 黄色一级大片看看| 亚洲欧美成人综合另类久久久 | 精品国产露脸久久av麻豆 | 九色成人免费人妻av| 国产淫片久久久久久久久| 啦啦啦韩国在线观看视频| 成人毛片a级毛片在线播放| АⅤ资源中文在线天堂| 亚洲国产色片| 亚洲无线观看免费| 欧美日本亚洲视频在线播放| 欧美激情在线99| 老司机福利观看| 欧美激情久久久久久爽电影| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 我的女老师完整版在线观看| 国内精品宾馆在线| 成人欧美大片| 久久99蜜桃精品久久| 中文字幕熟女人妻在线| 精品久久久久久久末码| 乱系列少妇在线播放| 99久国产av精品国产电影| 亚洲国产色片| 高清毛片免费看| 日韩欧美在线乱码| 欧美日韩综合久久久久久| 久久99精品国语久久久| 高清日韩中文字幕在线| 一级毛片久久久久久久久女| 一本一本综合久久| 晚上一个人看的免费电影| 欧美一级a爱片免费观看看| 天天一区二区日本电影三级| 身体一侧抽搐| 免费av毛片视频| 69人妻影院| 国产片特级美女逼逼视频| 老女人水多毛片| 国产免费福利视频在线观看| 亚洲美女视频黄频| 91av网一区二区| 老女人水多毛片| 99久久人妻综合| 亚洲av成人精品一区久久| www.av在线官网国产| 中文字幕av成人在线电影| 久久99热这里只有精品18| 成人漫画全彩无遮挡| 亚洲国产色片| av黄色大香蕉| 久久精品国产亚洲av涩爱| 日韩一本色道免费dvd| 日日撸夜夜添| 69人妻影院| 少妇熟女欧美另类| 精品人妻一区二区三区麻豆| 国产精品一区二区三区四区免费观看| 村上凉子中文字幕在线| 亚洲精品色激情综合| 日本欧美国产在线视频| 日韩欧美在线乱码| 看非洲黑人一级黄片| 一区二区三区乱码不卡18| 99热这里只有是精品50| 久久久久久九九精品二区国产| a级毛片免费高清观看在线播放| 桃色一区二区三区在线观看| 夜夜看夜夜爽夜夜摸| 少妇的逼好多水| 韩国av在线不卡| 免费看光身美女| 免费av毛片视频| 麻豆成人午夜福利视频| 麻豆成人av视频| 午夜a级毛片| 国语对白做爰xxxⅹ性视频网站| 天堂网av新在线| 久久久午夜欧美精品| 日日干狠狠操夜夜爽| 精品人妻一区二区三区麻豆| 国产av在哪里看| 日韩av在线大香蕉| 国产亚洲av片在线观看秒播厂 | 欧美区成人在线视频| 亚洲国产欧美在线一区| 中文字幕精品亚洲无线码一区| 欧美人与善性xxx| 国产精品av视频在线免费观看| 亚洲最大成人手机在线| 中文资源天堂在线| 亚洲怡红院男人天堂| 中文乱码字字幕精品一区二区三区 | 亚洲成av人片在线播放无| 日韩中字成人| 国内精品宾馆在线| 麻豆成人av视频| 日日撸夜夜添| 国产亚洲一区二区精品| 欧美不卡视频在线免费观看| 男女边吃奶边做爰视频| 如何舔出高潮| 国产乱人视频| 日日干狠狠操夜夜爽| 国产色爽女视频免费观看| 国产乱人视频| 性色avwww在线观看| 波多野结衣巨乳人妻| 国产不卡一卡二| 高清视频免费观看一区二区 | 国国产精品蜜臀av免费| 如何舔出高潮| 亚洲第一区二区三区不卡| 亚洲精品国产成人久久av| 特大巨黑吊av在线直播| av在线蜜桃| 日韩成人av中文字幕在线观看| 国产av一区在线观看免费| 日韩欧美 国产精品| 久久99热这里只频精品6学生 | av免费观看日本| 免费观看的影片在线观看| 国产成人午夜福利电影在线观看| 日韩大片免费观看网站 | 亚洲av日韩在线播放| 中国国产av一级| 尤物成人国产欧美一区二区三区| 少妇人妻一区二区三区视频| 午夜爱爱视频在线播放| 黄色一级大片看看| 精品久久国产蜜桃| 欧美高清性xxxxhd video| 亚洲精品aⅴ在线观看| 免费观看人在逋| 国产 一区 欧美 日韩| 国产精品国产三级专区第一集| 91精品伊人久久大香线蕉| 黄色欧美视频在线观看| 国产真实伦视频高清在线观看| 亚洲综合精品二区| 尾随美女入室| 有码 亚洲区| 中文字幕制服av| 国内精品美女久久久久久| 一夜夜www| 夜夜爽夜夜爽视频| 五月伊人婷婷丁香| 亚洲成人久久爱视频| 99久久九九国产精品国产免费| 亚洲国产欧美在线一区| 中文字幕亚洲精品专区| 中文天堂在线官网| 久久午夜福利片| 中文字幕av在线有码专区| 热99在线观看视频| 少妇人妻精品综合一区二区| 日本黄大片高清| 免费观看人在逋| 国产色婷婷99| 亚洲伊人久久精品综合 | 大话2 男鬼变身卡| 狠狠狠狠99中文字幕| 午夜精品一区二区三区免费看| 国产精品无大码| 99在线视频只有这里精品首页| 国内精品一区二区在线观看| 变态另类丝袜制服| 亚洲美女搞黄在线观看| 亚洲真实伦在线观看| 亚洲va在线va天堂va国产| 国产伦在线观看视频一区| 精品午夜福利在线看| 如何舔出高潮| 久久99蜜桃精品久久| 国内精品宾馆在线| 看十八女毛片水多多多| 听说在线观看完整版免费高清| 国产亚洲av片在线观看秒播厂 | 亚洲av.av天堂| 桃色一区二区三区在线观看| 亚洲激情五月婷婷啪啪| 国语对白做爰xxxⅹ性视频网站| 麻豆成人av视频| 国产国拍精品亚洲av在线观看| 精品99又大又爽又粗少妇毛片| 在线观看av片永久免费下载| 午夜精品在线福利| 精品酒店卫生间| 国产亚洲最大av| 精品人妻一区二区三区麻豆| 男人舔女人下体高潮全视频| 色视频www国产| av在线蜜桃| av卡一久久| 欧美日本视频| 亚洲精品色激情综合| 亚洲av不卡在线观看| 日韩av不卡免费在线播放| 午夜老司机福利剧场| 亚洲在久久综合| 日本猛色少妇xxxxx猛交久久| 亚洲精品乱码久久久v下载方式| 亚洲激情五月婷婷啪啪| 一本一本综合久久| 成人亚洲欧美一区二区av| 综合色丁香网| 色5月婷婷丁香| 亚洲国产欧洲综合997久久,| 精品人妻一区二区三区麻豆| 婷婷色综合大香蕉| 国产视频内射| 婷婷色麻豆天堂久久 | 村上凉子中文字幕在线| 日韩 亚洲 欧美在线| 亚洲成人av在线免费| 少妇裸体淫交视频免费看高清| av专区在线播放| 美女黄网站色视频| 欧美成人午夜免费资源| 国产 一区精品| 国产美女午夜福利| 国产免费一级a男人的天堂| 国产精品久久久久久av不卡| 九草在线视频观看| 少妇裸体淫交视频免费看高清| a级一级毛片免费在线观看| 国产精品,欧美在线| 成年av动漫网址| 久久99蜜桃精品久久| 国产成人aa在线观看| 九九在线视频观看精品| 六月丁香七月| 久久久久久久久久久免费av| 搡老妇女老女人老熟妇| 91狼人影院| 精品久久国产蜜桃| 中文字幕久久专区| 色吧在线观看| 日韩欧美国产在线观看| 男女下面进入的视频免费午夜| 久久精品久久久久久久性| 中文天堂在线官网| 久久久久网色| 国产高潮美女av| 日本一二三区视频观看| 欧美区成人在线视频| 亚洲国产精品成人综合色| 麻豆成人av视频| 高清av免费在线| 久热久热在线精品观看| www.av在线官网国产| www日本黄色视频网| 一个人免费在线观看电影| 中文字幕免费在线视频6| 在线天堂最新版资源| 精品久久国产蜜桃| 免费看日本二区| 日本免费在线观看一区| 狂野欧美激情性xxxx在线观看| 久热久热在线精品观看| 中文亚洲av片在线观看爽| 狂野欧美激情性xxxx在线观看| 国产91av在线免费观看| 三级国产精品欧美在线观看| 欧美一区二区亚洲| videos熟女内射| 男女啪啪激烈高潮av片| 一级毛片久久久久久久久女| 欧美极品一区二区三区四区| 亚洲第一区二区三区不卡| 99久久成人亚洲精品观看| 欧美区成人在线视频| 久久久久久大精品| 联通29元200g的流量卡| 久久久久久久久大av| 美女高潮的动态| 纵有疾风起免费观看全集完整版 | 国产av不卡久久| 亚洲国产精品国产精品| 91av网一区二区| 国产中年淑女户外野战色| 国产午夜福利久久久久久| 亚洲高清免费不卡视频| 国产毛片a区久久久久| 青春草亚洲视频在线观看| 久久久精品大字幕| 亚洲综合色惰| 国产精品一区www在线观看| 日韩欧美国产在线观看| 亚洲一区高清亚洲精品| 精品少妇黑人巨大在线播放 | 最近最新中文字幕免费大全7| 99久久九九国产精品国产免费| 黄片wwwwww| 欧美xxxx黑人xx丫x性爽| 亚洲不卡免费看| 白带黄色成豆腐渣| 有码 亚洲区| 国产精品伦人一区二区| 日本熟妇午夜| 精华霜和精华液先用哪个| 亚洲婷婷狠狠爱综合网| 天堂影院成人在线观看| 99视频精品全部免费 在线| 变态另类丝袜制服| 国产精品久久久久久久久免| 天天一区二区日本电影三级| 国产精品日韩av在线免费观看| 国产v大片淫在线免费观看| 夫妻性生交免费视频一级片| 欧美日韩精品成人综合77777| 99久国产av精品国产电影| 伊人久久精品亚洲午夜| 有码 亚洲区| 精品久久久久久成人av| 久久精品人妻少妇| av国产久精品久网站免费入址| 亚洲性久久影院| 亚洲自偷自拍三级| 国产v大片淫在线免费观看| 夜夜看夜夜爽夜夜摸| 欧美性猛交黑人性爽| 级片在线观看| 自拍偷自拍亚洲精品老妇| 91精品伊人久久大香线蕉| 啦啦啦观看免费观看视频高清| 美女大奶头视频| 18禁裸乳无遮挡免费网站照片| 欧美高清成人免费视频www| av又黄又爽大尺度在线免费看 | 国产淫语在线视频| 免费电影在线观看免费观看| 女的被弄到高潮叫床怎么办| 只有这里有精品99| 亚洲欧美日韩高清专用| 国产精品一区二区三区四区免费观看| 乱人视频在线观看| 天堂av国产一区二区熟女人妻| 亚洲av男天堂| 女人被狂操c到高潮| 在线观看av片永久免费下载| 国内精品宾馆在线| 熟女电影av网| 久久韩国三级中文字幕| 亚洲成av人片在线播放无| 国产成人精品婷婷| 国产探花极品一区二区| 国产午夜精品久久久久久一区二区三区| 国产精品嫩草影院av在线观看| 成人亚洲欧美一区二区av| 日本免费a在线| 大又大粗又爽又黄少妇毛片口| 久久亚洲精品不卡| 成人av在线播放网站| 看免费成人av毛片| or卡值多少钱| 观看免费一级毛片| 人人妻人人澡欧美一区二区| 一区二区三区乱码不卡18| 亚洲性久久影院| 亚洲熟妇中文字幕五十中出| 国产乱人偷精品视频| 深夜a级毛片| 水蜜桃什么品种好| 欧美区成人在线视频| 69人妻影院| 亚洲无线观看免费| 有码 亚洲区| 久久人妻av系列| 亚洲欧洲国产日韩| 久久99热6这里只有精品| 中文天堂在线官网| 亚洲综合精品二区| 99久久九九国产精品国产免费| 深爱激情五月婷婷| 秋霞伦理黄片| 欧美精品国产亚洲| 午夜久久久久精精品| 国内揄拍国产精品人妻在线| 国产在视频线在精品| 国产欧美另类精品又又久久亚洲欧美| 亚洲人成网站在线观看播放| 亚洲av熟女| 欧美最新免费一区二区三区| 麻豆成人午夜福利视频| 国产午夜精品久久久久久一区二区三区| 欧美极品一区二区三区四区| 日韩三级伦理在线观看| 免费av观看视频| 两个人视频免费观看高清| 欧美日韩综合久久久久久| 国产片特级美女逼逼视频| 亚洲真实伦在线观看| 欧美极品一区二区三区四区| 国产精品人妻久久久影院| 亚洲人成网站在线观看播放| 亚洲欧美日韩卡通动漫| 天堂中文最新版在线下载 | 国产极品天堂在线| 国产精品蜜桃在线观看| 丰满人妻一区二区三区视频av| 成人一区二区视频在线观看| 美女xxoo啪啪120秒动态图| 看十八女毛片水多多多| 国产老妇伦熟女老妇高清| 久久国产乱子免费精品| 99久久人妻综合| 亚洲中文字幕一区二区三区有码在线看| 一本一本综合久久| 亚洲精品,欧美精品| 99热这里只有精品一区| 亚洲国产欧美在线一区| 国产精品不卡视频一区二区| 久久韩国三级中文字幕| 边亲边吃奶的免费视频| 免费av毛片视频| 久久精品熟女亚洲av麻豆精品 | 午夜福利在线观看吧| 麻豆久久精品国产亚洲av| 建设人人有责人人尽责人人享有的 | 久久亚洲精品不卡| 青春草视频在线免费观看| 欧美一区二区亚洲| 美女脱内裤让男人舔精品视频| 水蜜桃什么品种好| 少妇丰满av| 欧美成人午夜免费资源| av免费观看日本| 久久国内精品自在自线图片| 建设人人有责人人尽责人人享有的 | 能在线免费看毛片的网站| 看免费成人av毛片| 国产黄色小视频在线观看| 国产精品不卡视频一区二区| 有码 亚洲区| 联通29元200g的流量卡| 国产成人精品婷婷| 天堂网av新在线| 国产精品人妻久久久影院| 久久人妻av系列| 美女黄网站色视频| 中文在线观看免费www的网站| 日韩制服骚丝袜av| 成人亚洲精品av一区二区| 国产一区二区三区av在线| 桃色一区二区三区在线观看| 免费看a级黄色片| 成年免费大片在线观看| av在线观看视频网站免费| 国产精品国产三级国产专区5o | 蜜桃亚洲精品一区二区三区| 国产精品一及| 中文资源天堂在线| 久久久久九九精品影院| 久久99蜜桃精品久久| 老师上课跳d突然被开到最大视频| 国产亚洲最大av| 波野结衣二区三区在线| 国产中年淑女户外野战色| 日本wwww免费看| 成人午夜精彩视频在线观看| 嫩草影院入口| 亚洲av中文av极速乱| 亚洲久久久久久中文字幕| 有码 亚洲区| 99久久九九国产精品国产免费| av女优亚洲男人天堂| 3wmmmm亚洲av在线观看| av专区在线播放| 欧美激情在线99| 中文天堂在线官网| 亚洲一区高清亚洲精品| 3wmmmm亚洲av在线观看| 亚洲不卡免费看| 两个人的视频大全免费| 变态另类丝袜制服| 成人一区二区视频在线观看| 91久久精品国产一区二区三区| 久久久久免费精品人妻一区二区| 91久久精品国产一区二区三区| 亚洲av中文字字幕乱码综合| 色哟哟·www| 亚洲精华国产精华液的使用体验| 中国国产av一级| 久久鲁丝午夜福利片| 丝袜美腿在线中文| 中文亚洲av片在线观看爽| 亚洲最大成人手机在线| 22中文网久久字幕| 一级黄片播放器| 日产精品乱码卡一卡2卡三| 久久久久性生活片| 少妇丰满av| av在线老鸭窝| 成人特级av手机在线观看| 亚洲欧美日韩东京热| 日韩高清综合在线| 我的老师免费观看完整版| 人妻系列 视频| 免费观看a级毛片全部| 亚洲不卡免费看| 日韩大片免费观看网站 | 欧美变态另类bdsm刘玥| av在线天堂中文字幕| 熟妇人妻久久中文字幕3abv| 嫩草影院新地址| 白带黄色成豆腐渣| 97热精品久久久久久| 精品国产露脸久久av麻豆 | av卡一久久| 亚洲中文字幕一区二区三区有码在线看| 韩国av在线不卡| 久久这里只有精品中国| 最近最新中文字幕大全电影3| 国产国拍精品亚洲av在线观看| 欧美日韩国产亚洲二区| 18禁在线无遮挡免费观看视频| 国内精品美女久久久久久| 色视频www国产| 亚洲欧美成人综合另类久久久 | 99久久中文字幕三级久久日本| 欧美97在线视频| 国产精品精品国产色婷婷| 看免费成人av毛片| 精品久久久久久久末码| 我的老师免费观看完整版| 久久人人爽人人片av| 亚洲精品成人久久久久久| 亚洲精品一区蜜桃| 色哟哟·www| 国产精品99久久久久久久久| 丝袜美腿在线中文| 夫妻性生交免费视频一级片| 国产精品嫩草影院av在线观看| 欧美又色又爽又黄视频| 欧美另类亚洲清纯唯美| 国产精品一及| 可以在线观看毛片的网站| 欧美性猛交╳xxx乱大交人| 人妻制服诱惑在线中文字幕| 亚洲高清免费不卡视频| 在线观看av片永久免费下载| 老师上课跳d突然被开到最大视频| 日本av手机在线免费观看| 国内少妇人妻偷人精品xxx网站| 高清在线视频一区二区三区 | 免费观看精品视频网站| 亚洲婷婷狠狠爱综合网| 国产真实伦视频高清在线观看| a级一级毛片免费在线观看|