• <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
    99热只有精品国产| 午夜老司机福利片| 人妻丰满熟妇av一区二区三区| 欧美性长视频在线观看| 久久国产乱子伦精品免费另类| 国产精品九九99| 在线观看午夜福利视频| 色综合欧美亚洲国产小说| 夜夜躁狠狠躁天天躁| 白带黄色成豆腐渣| 国产一区二区在线观看日韩 | www.自偷自拍.com| 嫩草影院精品99| 1024手机看黄色片| 黄色a级毛片大全视频| 一边摸一边做爽爽视频免费| 国产一区二区在线观看日韩 | 99re在线观看精品视频| 国产精品自产拍在线观看55亚洲| e午夜精品久久久久久久| 国产1区2区3区精品| 三级国产精品欧美在线观看 | 麻豆av在线久日| 色av中文字幕| av福利片在线观看| 在线观看一区二区三区| 国产精品 国内视频| 欧美成人免费av一区二区三区| 一本综合久久免费| 18禁黄网站禁片免费观看直播| 欧美日韩亚洲综合一区二区三区_| 国产麻豆成人av免费视频| 免费观看精品视频网站| 国内少妇人妻偷人精品xxx网站 | 女警被强在线播放| 丰满人妻熟妇乱又伦精品不卡| 丰满人妻熟妇乱又伦精品不卡| 久久热在线av| 手机成人av网站| 97碰自拍视频| 亚洲成人中文字幕在线播放| 国产三级黄色录像| 人成视频在线观看免费观看| 国产成人aa在线观看| 久久伊人香网站| 日韩欧美国产在线观看| 精品高清国产在线一区| 黑人巨大精品欧美一区二区mp4| 欧美日本亚洲视频在线播放| 美女高潮喷水抽搐中文字幕| 亚洲aⅴ乱码一区二区在线播放 | 老熟妇仑乱视频hdxx| 色噜噜av男人的天堂激情| 淫秽高清视频在线观看| 欧美成人一区二区免费高清观看 | 别揉我奶头~嗯~啊~动态视频| 91麻豆av在线| 亚洲人成网站高清观看| 日日摸夜夜添夜夜添小说| 成人高潮视频无遮挡免费网站| 91九色精品人成在线观看| 757午夜福利合集在线观看| 妹子高潮喷水视频| 国产一区二区在线观看日韩 | 狂野欧美激情性xxxx| 一级毛片女人18水好多| 三级男女做爰猛烈吃奶摸视频| 国产精品久久久av美女十八| 午夜福利免费观看在线| 高清毛片免费观看视频网站| 欧美中文综合在线视频| 一级毛片精品| 欧美乱色亚洲激情| 成人国产综合亚洲| 在线观看舔阴道视频| 日韩精品中文字幕看吧| 国产精品1区2区在线观看.| 12—13女人毛片做爰片一| 久久国产乱子伦精品免费另类| 国产私拍福利视频在线观看| 国产精品日韩av在线免费观看| 亚洲一码二码三码区别大吗| 俺也久久电影网| 午夜精品在线福利| 特大巨黑吊av在线直播| www日本在线高清视频| 国产一区二区在线观看日韩 | 草草在线视频免费看| 亚洲国产欧美一区二区综合| 亚洲欧美日韩高清在线视频| 午夜福利在线在线| 欧美在线一区亚洲| 午夜精品一区二区三区免费看| 人妻夜夜爽99麻豆av| 亚洲熟妇熟女久久| 久久久久久亚洲精品国产蜜桃av| 国产精品1区2区在线观看.| 亚洲激情在线av| 给我免费播放毛片高清在线观看| 看黄色毛片网站| 女人高潮潮喷娇喘18禁视频| 色播亚洲综合网| 色尼玛亚洲综合影院| 女同久久另类99精品国产91| www.999成人在线观看| 国产亚洲av嫩草精品影院| 国产99久久九九免费精品| 日韩免费av在线播放| 欧美性猛交黑人性爽| xxxwww97欧美| 黄色成人免费大全| 国产黄a三级三级三级人| 国产精品美女特级片免费视频播放器 | 一级毛片高清免费大全| 亚洲乱码一区二区免费版| 大型av网站在线播放| 久久久久精品国产欧美久久久| 精品国产超薄肉色丝袜足j| 九色成人免费人妻av| 国产成人av教育| 国产亚洲精品综合一区在线观看 | 国产又黄又爽又无遮挡在线| 日本黄大片高清| 欧美性猛交黑人性爽| 欧美中文日本在线观看视频| 变态另类成人亚洲欧美熟女| 亚洲av日韩精品久久久久久密| 夜夜夜夜夜久久久久| 在线十欧美十亚洲十日本专区| 久久精品夜夜夜夜夜久久蜜豆 | 手机成人av网站| 他把我摸到了高潮在线观看| 毛片女人毛片| 国产伦一二天堂av在线观看| 午夜a级毛片| 这个男人来自地球电影免费观看| 看免费av毛片| 国产精品影院久久| 久久天躁狠狠躁夜夜2o2o| 亚洲欧美日韩高清在线视频| 亚洲成人中文字幕在线播放| 国产熟女午夜一区二区三区| 亚洲午夜理论影院| 91麻豆精品激情在线观看国产| 麻豆成人午夜福利视频| 成人国产综合亚洲| 视频区欧美日本亚洲| 欧美一级毛片孕妇| 久久久久久免费高清国产稀缺| av有码第一页| 亚洲精品国产一区二区精华液| 动漫黄色视频在线观看| 一夜夜www| 三级毛片av免费| 熟妇人妻久久中文字幕3abv| 免费电影在线观看免费观看| 在线观看免费午夜福利视频| av福利片在线观看| 99国产综合亚洲精品| 日韩欧美在线二视频| 三级国产精品欧美在线观看 | www国产在线视频色| 国产乱人伦免费视频| 深夜精品福利| 国产69精品久久久久777片 | 亚洲国产欧美人成| 欧美国产日韩亚洲一区| 老汉色∧v一级毛片| 国产精品日韩av在线免费观看| 久久久国产成人精品二区| 国产精品98久久久久久宅男小说| 琪琪午夜伦伦电影理论片6080| 国产成人欧美在线观看| 国产视频一区二区在线看| 久久久久久久午夜电影| 一本精品99久久精品77| 午夜福利18| 国产成人精品久久二区二区91| 亚洲天堂国产精品一区在线| 亚洲美女黄片视频| 一本一本综合久久| 亚洲一区中文字幕在线| a级毛片a级免费在线| 中出人妻视频一区二区| 悠悠久久av| 日韩欧美免费精品| 久久国产精品人妻蜜桃| 男人舔奶头视频| 欧美在线一区亚洲| 国产激情欧美一区二区| 男人舔女人的私密视频| 九色成人免费人妻av| 一夜夜www| 国产麻豆成人av免费视频| 国内精品久久久久精免费| 国产亚洲精品久久久久久毛片| 少妇人妻一区二区三区视频| 国产亚洲欧美在线一区二区| 男人的好看免费观看在线视频 | 欧美日韩黄片免| 亚洲美女视频黄频| 国产伦人伦偷精品视频| 国产麻豆成人av免费视频| 免费观看精品视频网站| 精品不卡国产一区二区三区| 99re在线观看精品视频| 免费看美女性在线毛片视频| 91字幕亚洲| 国产伦在线观看视频一区| 啦啦啦观看免费观看视频高清| 成人亚洲精品av一区二区| 日韩欧美在线二视频| 亚洲在线自拍视频| 韩国av一区二区三区四区| 亚洲成人久久性| 在线永久观看黄色视频| 在线观看免费日韩欧美大片| 真人做人爱边吃奶动态| 国产黄片美女视频| 亚洲精品一区av在线观看| 国产三级黄色录像| 正在播放国产对白刺激| 人人妻人人澡欧美一区二区| 亚洲色图 男人天堂 中文字幕| 亚洲一区二区三区不卡视频| 国产精品,欧美在线| 免费在线观看亚洲国产| 国产精品免费视频内射| 亚洲九九香蕉| 欧美最黄视频在线播放免费| 久久99热这里只有精品18| 亚洲欧美日韩高清专用| av免费在线观看网站| 久久久久久国产a免费观看| 美女扒开内裤让男人捅视频| 99国产极品粉嫩在线观看| 男女视频在线观看网站免费 | 老鸭窝网址在线观看| 看免费av毛片| 久久天堂一区二区三区四区| 老司机午夜福利在线观看视频| 国产午夜福利久久久久久| 国内毛片毛片毛片毛片毛片| 精品一区二区三区av网在线观看| 日韩成人在线观看一区二区三区| 可以在线观看的亚洲视频| 亚洲午夜精品一区,二区,三区| АⅤ资源中文在线天堂| 天堂影院成人在线观看| 精华霜和精华液先用哪个| 真人一进一出gif抽搐免费| 超碰成人久久| 淫秽高清视频在线观看| 高潮久久久久久久久久久不卡| 91字幕亚洲| 亚洲狠狠婷婷综合久久图片| 最近在线观看免费完整版| 男男h啪啪无遮挡| 亚洲成人国产一区在线观看| 免费看日本二区| 我的老师免费观看完整版| 两个人视频免费观看高清| 中文字幕久久专区| 18禁国产床啪视频网站| 亚洲avbb在线观看| 女人高潮潮喷娇喘18禁视频| 国产成人av教育| 亚洲专区国产一区二区| 全区人妻精品视频| 在线永久观看黄色视频| 国产精品久久视频播放| 精品久久久久久成人av| 婷婷精品国产亚洲av在线| 99riav亚洲国产免费| 久久精品国产综合久久久| 免费在线观看完整版高清| 成年女人毛片免费观看观看9| 久久久久久九九精品二区国产 | 亚洲中文字幕日韩| 亚洲黑人精品在线| 超碰成人久久| 日本免费a在线| 99精品在免费线老司机午夜| 亚洲片人在线观看| 狂野欧美激情性xxxx| 夜夜看夜夜爽夜夜摸| 九色成人免费人妻av| 毛片女人毛片| 一本综合久久免费| 亚洲性夜色夜夜综合| 精品一区二区三区av网在线观看| 18禁国产床啪视频网站| 亚洲欧洲精品一区二区精品久久久| 国产精品影院久久| 最近最新中文字幕大全免费视频| 成熟少妇高潮喷水视频| 变态另类成人亚洲欧美熟女| 最近最新中文字幕大全免费视频| 超碰成人久久| 一夜夜www| 波多野结衣巨乳人妻| 丰满的人妻完整版| 毛片女人毛片| 特大巨黑吊av在线直播| 亚洲国产中文字幕在线视频| 欧美绝顶高潮抽搐喷水| 国产不卡一卡二| 久久亚洲真实| 精品一区二区三区av网在线观看| 国产成人精品久久二区二区免费| 神马国产精品三级电影在线观看 | 看片在线看免费视频| 欧美+亚洲+日韩+国产| 国产精品日韩av在线免费观看| 97超级碰碰碰精品色视频在线观看| 欧美乱色亚洲激情| 一区二区三区激情视频| 黄色女人牲交| 一级片免费观看大全| 亚洲天堂国产精品一区在线| 国产男靠女视频免费网站| 国产欧美日韩一区二区精品| 999久久久精品免费观看国产| 母亲3免费完整高清在线观看| 国产成+人综合+亚洲专区| 久久香蕉国产精品| 成人一区二区视频在线观看| 国产午夜精品久久久久久| 50天的宝宝边吃奶边哭怎么回事| 波多野结衣高清作品| 亚洲第一电影网av| 国产av一区二区精品久久| 精品久久蜜臀av无| 国产又色又爽无遮挡免费看| 中出人妻视频一区二区| 97人妻精品一区二区三区麻豆| av片东京热男人的天堂| 亚洲美女黄片视频| 国产97色在线日韩免费| 人人妻人人澡欧美一区二区| 欧美黄色淫秽网站| 久久国产乱子伦精品免费另类| 狂野欧美白嫩少妇大欣赏| 麻豆久久精品国产亚洲av| 日韩大码丰满熟妇| 久久香蕉精品热| 一边摸一边抽搐一进一小说| 在线观看66精品国产| 亚洲一码二码三码区别大吗| 精品福利观看| 中亚洲国语对白在线视频| 免费无遮挡裸体视频| 搡老妇女老女人老熟妇| 不卡av一区二区三区| 久久中文字幕人妻熟女| 久久久久免费精品人妻一区二区| 国产亚洲精品久久久久5区| 亚洲国产欧美网| 亚洲精品国产精品久久久不卡| 精品一区二区三区av网在线观看| 亚洲av成人av| 成人一区二区视频在线观看| 视频区欧美日本亚洲| 精品久久久久久久人妻蜜臀av| 亚洲精品美女久久av网站| 国产在线精品亚洲第一网站| 亚洲18禁久久av| 久久国产精品人妻蜜桃| 88av欧美| 一级毛片精品| 视频区欧美日本亚洲| 精品高清国产在线一区| 亚洲人成77777在线视频| 精品国内亚洲2022精品成人| 国产午夜精品久久久久久| 可以在线观看毛片的网站| 天堂√8在线中文| 久久午夜综合久久蜜桃| 免费在线观看完整版高清| xxx96com| 国产一区二区在线av高清观看| 怎么达到女性高潮| 亚洲av日韩精品久久久久久密| 丁香六月欧美| 淫秽高清视频在线观看| 无限看片的www在线观看| 国内毛片毛片毛片毛片毛片| 国内精品一区二区在线观看| 免费搜索国产男女视频| 久久香蕉精品热| 91国产中文字幕| 成人特级黄色片久久久久久久| a在线观看视频网站| 一边摸一边做爽爽视频免费| 亚洲成av人片免费观看| 99久久久亚洲精品蜜臀av| 成年人黄色毛片网站| 欧美三级亚洲精品| 99在线视频只有这里精品首页| 亚洲精品中文字幕在线视频| 欧美日韩福利视频一区二区| 国产男靠女视频免费网站| 欧美中文日本在线观看视频| 中文字幕人成人乱码亚洲影| 国产精品 欧美亚洲| 男女做爰动态图高潮gif福利片| 亚洲国产中文字幕在线视频| 美女黄网站色视频| 国产av麻豆久久久久久久| 国产午夜精品久久久久久| 99国产精品99久久久久| 俄罗斯特黄特色一大片| 婷婷亚洲欧美| 这个男人来自地球电影免费观看| 免费在线观看影片大全网站| 美女 人体艺术 gogo| 日韩欧美国产一区二区入口| 精品久久蜜臀av无| 他把我摸到了高潮在线观看| 日韩大尺度精品在线看网址| 国产一区二区三区在线臀色熟女| 亚洲最大成人中文| 一级片免费观看大全| 国产精品亚洲一级av第二区| av福利片在线| 女人高潮潮喷娇喘18禁视频| 熟女少妇亚洲综合色aaa.| 他把我摸到了高潮在线观看| 精品国内亚洲2022精品成人| 欧美性猛交╳xxx乱大交人| 久久精品亚洲精品国产色婷小说| 啦啦啦韩国在线观看视频| 亚洲av成人av| 欧美乱码精品一区二区三区| 国产伦人伦偷精品视频| 国产精品99久久99久久久不卡| 高清毛片免费观看视频网站| 18禁观看日本| 又爽又黄无遮挡网站| 久久亚洲精品不卡| 淫妇啪啪啪对白视频| videosex国产| 香蕉av资源在线| 免费在线观看日本一区| 国产精品av久久久久免费| 99国产精品一区二区三区| 精品久久久久久久末码| 亚洲一区二区三区色噜噜| 操出白浆在线播放| 丁香欧美五月| 国产精品 欧美亚洲| 欧美黑人欧美精品刺激| 黑人操中国人逼视频| 日本a在线网址| 在线a可以看的网站| 麻豆国产av国片精品| 嫩草影视91久久| 桃色一区二区三区在线观看| 久久精品夜夜夜夜夜久久蜜豆 | 在线视频色国产色| 国产精品永久免费网站| 他把我摸到了高潮在线观看| 丁香六月欧美| 日日干狠狠操夜夜爽| 国产亚洲精品久久久久久毛片| 精品熟女少妇八av免费久了| 搡老岳熟女国产| 精品久久久久久久久久久久久| 深夜精品福利| 好看av亚洲va欧美ⅴa在| 欧美黑人巨大hd| 久久婷婷成人综合色麻豆| 国产成人一区二区三区免费视频网站| 国产在线观看jvid| 午夜久久久久精精品| 国产av不卡久久| 欧美日本视频| 男女视频在线观看网站免费 | 国产精品亚洲av一区麻豆| 男女做爰动态图高潮gif福利片| 亚洲欧美日韩高清在线视频| 天天添夜夜摸| 国产黄片美女视频| 日韩有码中文字幕| 搡老岳熟女国产| 久久国产精品人妻蜜桃| 成在线人永久免费视频| 老司机在亚洲福利影院| 国产av又大| 色在线成人网| 制服人妻中文乱码| 欧美性猛交黑人性爽| 岛国在线观看网站| 久久九九热精品免费| 男人舔奶头视频| 人妻久久中文字幕网| 男女床上黄色一级片免费看| 中文资源天堂在线| 色精品久久人妻99蜜桃| 久久精品人妻少妇| 成人亚洲精品av一区二区| 中文字幕人妻丝袜一区二区| 搡老熟女国产l中国老女人| 久久亚洲真实| 男人舔女人的私密视频| 精品午夜福利视频在线观看一区| 日韩欧美三级三区| 欧美日韩国产亚洲二区| 免费看十八禁软件| 91字幕亚洲| 国产成人啪精品午夜网站| 九色成人免费人妻av| 亚洲欧美日韩东京热| 男插女下体视频免费在线播放| 精品人妻1区二区| 黄色丝袜av网址大全| 久久香蕉国产精品| 午夜激情av网站| 1024手机看黄色片| 日韩欧美精品v在线| xxx96com| 欧美日韩乱码在线| 亚洲国产高清在线一区二区三| av片东京热男人的天堂| 国产精品免费一区二区三区在线| 国产亚洲精品综合一区在线观看 | 国产精品综合久久久久久久免费| 成熟少妇高潮喷水视频| 黄色视频不卡| 99国产精品一区二区三区| 国产av又大| 18禁黄网站禁片免费观看直播| 天堂影院成人在线观看| 叶爱在线成人免费视频播放| 国产精品一区二区精品视频观看| 在线观看免费午夜福利视频| 神马国产精品三级电影在线观看 | 国产精品影院久久| 国产单亲对白刺激| 免费av毛片视频| 久久久久久大精品| 欧美国产日韩亚洲一区| 午夜久久久久精精品| 女生性感内裤真人,穿戴方法视频| 在线国产一区二区在线| 欧美zozozo另类| 欧美三级亚洲精品| 黄色片一级片一级黄色片| 国产成人系列免费观看| 午夜成年电影在线免费观看| 免费电影在线观看免费观看| 啦啦啦韩国在线观看视频| 国内毛片毛片毛片毛片毛片| 欧美精品亚洲一区二区| 久久精品成人免费网站| 欧美三级亚洲精品| 亚洲人与动物交配视频| 久久欧美精品欧美久久欧美| 两人在一起打扑克的视频| 少妇人妻一区二区三区视频| 国产av一区在线观看免费| 中文字幕人妻丝袜一区二区| 欧美乱码精品一区二区三区| 亚洲国产精品成人综合色| 麻豆成人av在线观看| 国产真实乱freesex| 亚洲精品一区av在线观看| 成人18禁在线播放| 亚洲中文av在线| 不卡av一区二区三区| 俺也久久电影网| 久久欧美精品欧美久久欧美| 国产成人啪精品午夜网站| 岛国视频午夜一区免费看| 国产亚洲精品av在线| 免费搜索国产男女视频| 我的老师免费观看完整版| 桃色一区二区三区在线观看| 草草在线视频免费看| 国内精品久久久久精免费| 中文字幕熟女人妻在线| 亚洲色图av天堂| 麻豆国产av国片精品| 亚洲国产精品999在线| 国产aⅴ精品一区二区三区波| 麻豆国产97在线/欧美 | 欧美日韩黄片免| 久久久精品国产亚洲av高清涩受| 色在线成人网| 久久午夜综合久久蜜桃| 精品久久久久久久毛片微露脸| 欧美精品啪啪一区二区三区| 久久久久九九精品影院| 国产精品一区二区三区四区免费观看 | 51午夜福利影视在线观看| 国产精品免费视频内射| 国产成人aa在线观看| 亚洲国产看品久久| xxx96com| 国产精品自产拍在线观看55亚洲| 国产黄片美女视频| 国产真实乱freesex| 色在线成人网| 亚洲欧洲精品一区二区精品久久久| 麻豆国产97在线/欧美 | 国产精品免费一区二区三区在线| 一级毛片精品| а√天堂www在线а√下载| 亚洲欧美精品综合一区二区三区| 国产成人影院久久av| 91字幕亚洲| 性欧美人与动物交配| 久久精品夜夜夜夜夜久久蜜豆 | 亚洲全国av大片| 首页视频小说图片口味搜索|