• <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k密集近鄰算法的局部Fisher向量編碼方法

    2020-07-29 08:59:52航,鵬,博,云,凡*
    大連理工大學(xué)學(xué)報 2020年4期
    關(guān)鍵詞:編碼方法描述符高斯

    冀 治 航, 胡 小 鵬, 楊 博, 田 云 云, 王 凡*

    ( 1.大連理工大學(xué) 計算機科學(xué)與技術(shù)學(xué)院, 遼寧 大連 116024;2.河南科技大學(xué) 信息工程學(xué)院, 河南 洛陽 471023 )

    0 引 言

    圖像分類一直是計算機視覺研究領(lǐng)域的熱點問題.近年來,許多學(xué)者致力于圖像表達(dá)方法的設(shè)計和研究,它是圖像分類系統(tǒng)中的一個重要環(huán)節(jié).迄今為止,多種不同的圖像表達(dá)模型被相繼提出,而目前常用的則是視覺詞包模型[1-4]和卷積神經(jīng)網(wǎng)絡(luò)[5-7].近年來,卷積神經(jīng)網(wǎng)絡(luò)因其在視覺應(yīng)用方面的卓越表現(xiàn)而獲得了越來越多的關(guān)注.但是,該類方法性能的提升往往依賴大規(guī)模的數(shù)據(jù)和算力,且缺乏推理能力,在一定程度上限制了它的應(yīng)用和部署[8-10].

    此外,視覺詞包模型也一直是圖像分類任務(wù)中常用的圖像表達(dá)方法之一[1-4],該模型構(gòu)建圖像表達(dá)的過程主要包含以下幾個步驟:(1)在訓(xùn)練數(shù)據(jù)集上隨機提取一組圖像特征,并利用k-means或高斯混合模型(Gaussian mixture model,GMM)算法構(gòu)建視覺字典;(2)對圖像中的局部特征進(jìn)行編碼并匯集,從而形成圖像的表達(dá)向量.為了獲取具有區(qū)分能力的圖像表達(dá)向量,學(xué)者們相繼提出了稀疏編碼(sparse coding,SC)[11]、局部約束線性編碼(locality-constrained linear coding,LLC)[12]、局部聚合描述符向量(vector of locally aggregated descriptors,VLAD)[13]以及Fisher向量(Fisher vector,F(xiàn)V)編碼[14]等方法.其中,F(xiàn)isher向量編碼以其優(yōu)異的性能,得到了很多關(guān)注.

    然而,在構(gòu)建Fisher向量的過程中,F(xiàn)isher向量編碼方法要計算每一個局部特征描述符相對于所有高斯子模型似然函數(shù)的梯度信息,而忽視了編碼的局部性原則[12,15].該方法不僅削弱了圖像表達(dá)向量的辨別能力,也增加了計算量.此外,視覺字典中相似子模型的存在即近義詞現(xiàn)象,也會給編碼結(jié)果帶來影響[16].

    為了提高Fisher向量編碼結(jié)果的表達(dá)能力,Nakayama[15]提出了基于局部高斯度量(local Gaussian metrics,LGM)的Fisher向量編碼改進(jìn)方法.該方法首先利用k-means對特征空間進(jìn)行劃分,并利用單高斯對每一個聚類區(qū)域進(jìn)行建模,從而構(gòu)成視覺字典.在編碼過程中,LGM會將每一個特征投影到與它鄰接的k個高斯子模型上,并分別進(jìn)行Fisher向量編碼,從而形成具有局部特點的Fisher向量圖像表達(dá).此外,Garg等[17]將稀疏原則與Fisher向量編碼相結(jié)合,提出了稀疏判別Fisher向量(sparse discriminative Fisher vectors,SDFV)編碼.Lu等[18]同時引入稀疏以及局部性原則,并將它們與Fisher 向量編碼相結(jié)合,提出了稀疏Fisher向量(sparse Fisher vector,SFV)編碼.

    近年來,許多學(xué)者將卷積神經(jīng)網(wǎng)絡(luò)與Fisher向量編碼方法相結(jié)合,以此構(gòu)建圖像表達(dá).Cimpoi等[19]將CNN預(yù)訓(xùn)練模型的最后一個卷積層輸出作為圖像特征,并利用Fisher向量編碼的方式來構(gòu)建圖像表達(dá).Sydorov等[20]借鑒CNN多層構(gòu)架思想,將Fisher向量編碼與SVM分類器的訓(xùn)練過程結(jié)合在一起,優(yōu)化了GMM字典模型的生成過程,提升了分類效果.與原始Fisher向量編碼方法相比,上述兩個方法分別采用了不同的特征,優(yōu)化了字典生成過程,但其并未考慮Fisher 向量編碼方法中存在的問題.為了區(qū)分圖像中不同特征之間的重要性,Pan等[21]通過學(xué)習(xí)方式對不同GMM視覺單詞賦予了不同的權(quán)重,以此提高了Fisher表達(dá)向量的辨別能力.此外,為了使得Fisher向量編碼方法能夠適應(yīng)高維CNN特征,Liu等[22]將稀疏表達(dá)與Fisher向量編碼相結(jié)合,提出了稀疏Fisher向量編碼.文獻(xiàn)[21-22]所提方法是否對傳統(tǒng)手工特征也有效,作者并未探討.Tang等[23]將Fisher向量編碼過程進(jìn)行分解,并融合到卷積神經(jīng)網(wǎng)絡(luò)中的多個層中,從而將特征學(xué)習(xí)與Fisher向量編碼的相關(guān)參數(shù)統(tǒng)一在一起進(jìn)行端到端的學(xué)習(xí),以此獲取圖像表達(dá).然而該方法需要依賴大規(guī)模的數(shù)據(jù)和算力.

    上述這些方法從不同角度對Fisher向量編碼方法進(jìn)行了改進(jìn),在一定程度上提升了Fisher 向量的表達(dá)能力,但并未考慮高斯子模型間拓?fù)浣Y(jié)構(gòu)的差異,近義詞現(xiàn)象并沒有得到解決.為此,本文提出一種改進(jìn)的Fisher向量編碼方法,即基于k密集近鄰算法的局部Fisher向量(Fisher vector based onk-dense neighborhood algorithm,KDN-FV)編碼.在編碼階段,KDN-FV編碼方法會依據(jù)高斯子模型間拓?fù)浣Y(jié)構(gòu)的差異以及編碼局部性原則,利用k密集近鄰算法[24]為每一個特征描述符篩選編碼時所需的高斯子空間.KDN-FV編碼方法引入了局部性約束,并且考慮了子空間之間的拓?fù)浣Y(jié)構(gòu)差異.

    1 Fisher向量編碼方法

    Fisher向量編碼方法的設(shè)計原理源自Fisher核理論,該理論能夠?qū)⑸墒侥P团c判別式模型緊密地結(jié)合起來.簡單地說,F(xiàn)isher核能夠利用一個生成模型的參數(shù)信息來定義一個核函數(shù),進(jìn)而可以構(gòu)造一個分類器[25].

    假設(shè)x={xi;i=1,…,t}是一組觀測樣本,pλ是由x中樣本所構(gòu)造的生成模型對應(yīng)的概率密度函數(shù),λ=(λ1λ2…λn)∈Rn,是函數(shù)pλ的n維參數(shù)向量,則樣本x關(guān)于pλ似然函數(shù)的梯度可定義為

    (1)

    根據(jù)信息幾何理論,概率分布空間H={pλ}可以形成一個黎曼流形,它在參數(shù)λ處的局部度量函數(shù)可由Fisher信息矩陣Fλ∈Rn×n給出:

    (2)

    在Fisher信息矩陣給定的情況下,由樣本x和y之間的相似性可以導(dǎo)出Fisher核的定義:

    (3)

    (4)

    其中

    (5)

    式(5)定義的梯度向量為樣本x的Fisher向量.

    在文獻(xiàn)[14]中,Sánchez等將Fisher向量的思想引入到圖像編碼中.此時樣本集x={xi;i=1,…,t}將具體地表示從一幅圖像中提取到的局部描述符,例如SIFT、SURF等;而pλ表示含有k個子模型的混合高斯模型,其參數(shù)向量λ={wj,μj,Σj;j=1,…,k},其中wj、μj和Σj分別表示第j個高斯子模型對應(yīng)的混合權(quán)重、均值向量以及協(xié)方差矩陣.根據(jù)式(5)分別計算出對每一個參數(shù)wj、μj以及Σj的梯度,并將其串聯(lián)起來構(gòu)成圖像的Fisher表達(dá)向量.

    2 基于k密集近鄰算法的局部Fisher向量編碼方法

    從上述Fisher向量編碼方法的介紹中可以看出,該方法在對局部特征描述符進(jìn)行編碼時,會估計每一個局部特征相對于所有高斯子模型的似然函數(shù),并計算相應(yīng)梯度信息.該方法忽略了編碼的局部性原則,削弱了表達(dá)向量的區(qū)分能力[12,15].為此,本文提出一種基于k密集近鄰算法的局部Fisher向量(KDN-FV)編碼方法.該方法能夠依據(jù)特征空間的分布,以及各個子模型間拓?fù)浣Y(jié)構(gòu)的異同性,僅選擇每一個局部特征的鄰近且拓?fù)浣Y(jié)構(gòu)差異較大的子模型進(jìn)行編碼.

    2.1 KDN-FV編碼方法的視覺字典構(gòu)造

    與原始Fisher向量編碼方法相同,KDN-FV編碼方法也采用高斯混合模型方法構(gòu)建視覺字典.不同的是,改進(jìn)方法會利用主成分分析法計算每一個高斯子模型中局部特征描述符的主方向向量,并以該向量衡量各個子模型間拓?fù)浣Y(jié)構(gòu)的差異.具體如圖1所示.

    2.2 KDN-FV編碼方法的理論基礎(chǔ)和方法介紹

    假設(shè)d=(d1d2…dn)是由高斯混合模型方法構(gòu)成的含有n個單詞的視覺字典,集合p={p1,p2,…,pn}中包含了每一個單詞對應(yīng)的最大主成分向量.在KDN-FV編碼方法中,將局部描述符到高斯子模型均值向量之間的歐氏距離稱為描述符到子模型的距離.同時,任意兩個子模型di與dj的主方向向量夾角∠pipj被用來度量兩個子模型的拓?fù)浣Y(jié)構(gòu)差異性,∠pipj越大,差異越大.

    定義1對于每一個局部特征描述符,將與其最近鄰的m個高斯子模型稱為該描述符的候選子模型(candidate sub-model,CM)組.

    定義2已知特征描述符f及其候選子模型組c=(df1df2…dfm),若從中選取的一個含有k(k≤m)個子模型的子集(k-candidate sub-model,KCM)ck能夠使得

    |ck|=k,ck?c

    (6)

    取得最大值,那么該子集ck被稱為有效子模型(valid sub-model,VM)組,記為vm.

    這里diff(·)表示ck中兩兩子模型之間主方向夾角累加和,F(xiàn)(·)表示任意兩個高斯子模型間主方向向量夾角的度量函數(shù),定義為

    (7)

    其中pi為di的主方向向量.

    為了克服原始Fisher向量編碼方法的不足,在編碼階段,KDN-FV編碼方法僅利用每一個描述符鄰接的高斯子模型來進(jìn)行編碼,同時需要這些子模型的拓?fù)浣Y(jié)構(gòu)存在著較大差異.也就是說,KDN-FV編碼方法在進(jìn)行編碼時,首先要確定每一個局部描述符的有效子模型組.為此,本文提出了一種構(gòu)建有效子模型組的方法.

    已知一個特征描述符fi及其所對應(yīng)的候選子模型組ci=(di1di2…dim),進(jìn)而可以得到一個m×m的矩陣a,其中aij=F(di,dj),1≤i,j≤m.假設(shè)y是一個m維指示向量,可用來指出ci中的子模型是否屬于vmi,即:

    (8)

    (9)

    式(9)是一個k密集近鄰求解問題,可由文獻(xiàn)[17]中給出的方法求得.

    通過求解式(9),可以獲得描述符fi的有效子模型組vmi.此后,對于圖像中的每一個描述符fi,KDN-FV編碼方法僅用其對應(yīng)vmi中的高斯子模型進(jìn)行Fisher向量編碼,并將所有描述符的編碼結(jié)果按照原始Fisher向量編碼的方式匯集在一起,由此構(gòu)成圖像的KDN-FV表示向量.

    2.3 KDN-FV編碼方法的主要步驟

    輸入:圖像I的局部特征描述符集合f=(f1

    f2…fl)

    視覺字典d=(d1d2…dn)

    候選子模型組參數(shù)m,有效子模型組參數(shù)k

    輸出:圖像I的KDN-FV編碼向量kfv

    子模塊1:計算集合D中每一個描述符的KDN-FV編碼

    fori=1,2,…,l

    步驟1.1利用KNN算法計算描述符fi的候選子模型組ci

    indexi←KNN(fi,d,m)

    ci←d[indexi]

    步驟1.2依據(jù)式(7)計算描述符fi所對應(yīng)的矩陣ai,

    foro=1,2,…,m

    forq=1,2,…,m

    go,gq←ci(o),ci(q)

    %分別提取ci中的第o和第q個元素

    aioq←F(di,dj)

    %依據(jù)式(7)進(jìn)行計算

    end

    end

    步驟1.3通過求解式(9),計算描述符fi的指示向量yi

    yi←KDN(ai,m,k)

    步驟1.4依據(jù)向量yi確定fi的有效子模型組vmi

    indexi←find(yi) %查找yi中非零元素對應(yīng)的下標(biāo)

    vmi←ci[indexi]

    步驟1.5根據(jù)vmi中的每一個子模型,利用式(5)對描述符fi進(jìn)行Fisher向量編碼,從而得到fi的KDN-FV編碼kfvi

    αi←fit(fi,vmi) %計算描述符fi在有效子模型中各個子空間上分配的權(quán)重

    kfvi←FV(fi,vmi,αi) %對描述符di進(jìn)行Fisher向量編碼

    end

    子模塊2:將向量kfvi(i=1,2,…,l)進(jìn)行累加并求平均,得到圖像I的KDN-FV編碼向量kfv

    kfv←sum(kfv1,kfv2,…,kfvl)/l

    2.4 基于KDN-FV編碼方法的圖像分類過程

    基于KDN-FV編碼方法的圖像分類過程的關(guān)鍵步驟如下:

    (1)在訓(xùn)練數(shù)據(jù)集中隨機選取一組圖像,并從每一幅圖像中提取局部特征.

    (2)使用GMM方法將所收集的局部特征進(jìn)行聚類,構(gòu)建GMM字典.

    (3)依次提取數(shù)據(jù)集中每一幅圖像的局部特征,依據(jù)已得到的GMM字典,采用2.3節(jié)的KDN-FV編碼方法對每一幅圖像進(jìn)行編碼,從而構(gòu)建圖像表達(dá).

    (4)利用訓(xùn)練數(shù)據(jù)集中圖像的表達(dá)向量訓(xùn)練SVM分類器.

    (5)對新輸入的圖像進(jìn)行局部特征提取,然后利用KDN-FV編碼方法進(jìn)行編碼并構(gòu)建圖像的表達(dá)向量,最后將圖像的表達(dá)向量輸入到分類器中進(jìn)行判別,從而完成圖像分類.

    3 實驗結(jié)果及分析

    為了展示KDN-FV編碼方法的有效性,分別在15-Scene[26]、Pascal VOC 2007[27]、Caltech 101[28]、Caltech 256[29]以及MIT Indoor 67[30]5個數(shù)據(jù)集上對其進(jìn)行驗證.圖2展示了相關(guān)數(shù)據(jù)集的圖像示例.

    3.1 實驗參數(shù)設(shè)置

    在實驗過程中,DenseSIFT描述符以及CNN局部特征被分別用來構(gòu)建圖像表達(dá).所有方法和實驗都利用VLFeat[31]、MatConvNet[32]工具包來完成.在DenseSIFT特征提取過程中,每隔4個像素進(jìn)行一次采樣.同時,采用空間金字塔匹配(spatial pyramid matching,SPM)[33]方法,將圖像劃分為多個規(guī)則的矩形區(qū)域,這里選擇1×1、2×2以及3×1的3層模式.在識別階段,所有實驗都采用SVM線性分類器進(jìn)行分類識別.

    3.2 KDN-FV編碼方法關(guān)鍵參數(shù)的設(shè)置

    采用與文獻(xiàn)[12,21-22]相同的策略,即采用交叉驗證的方式來確定KDN-FV編碼方法中參數(shù)n、m、k的取值.圖3所示為在采用DenseSIFT局部特征的情況下,n、m、k采用不同組合時,KDN-FV編碼方法在Pascal VOC 2007數(shù)據(jù)集上的分類精度.由圖所示,當(dāng)n=256,m=20,k=15時,改進(jìn)方法能夠取得較好的結(jié)果.

    3.3 基于DenseSIFT特征的KDN-FV圖像表達(dá)

    本節(jié)構(gòu)建基于DenseSIFT特征的KDN-FV圖像表達(dá),與經(jīng)典ScSPM[11]、LLC[13]和FV[14]方法進(jìn)行比較.此外,為了進(jìn)一步驗證所提方法的有效性,與其他學(xué)者提出的局部Fisher向量編碼方法進(jìn)行對比,如LGM[15]、SDFV[17]和SFV[18].表1列出了相應(yīng)的比較結(jié)果.

    表1 基于DenseSIFT特征的KDN-FV圖像表達(dá)分類性能

    在Pascal VOC 2007數(shù)據(jù)集上,從每類圖像中隨機抽取200幅進(jìn)行訓(xùn)練,然后在測試集上進(jìn)行測試.由表1可以看出,KDN-FV編碼方法取得了64.6%的分類精度(n=256,m=20,k=15),比ScSPM和LLC分別高出12.7%、7.0%;比原始Fisher向量編碼方法(FV)高出2.8%.與具有相似思路的改進(jìn)方法相比,如SDFV、SFV,KDN-FV編碼方法依然有明顯優(yōu)勢.

    在Caltech 101數(shù)據(jù)集上,從每種類別中隨機選取30幅圖像進(jìn)行訓(xùn)練,剩余圖像用于測試.同時,相關(guān)參數(shù)依次設(shè)置為n=256,m=20,k=15.與其他編碼方法相比,KDN-FV編碼方法取得了更高的分類結(jié)果,比原始Fisher向量編碼方法高出1.9%.

    此外,KDN-FV編碼方法在Caltech 256和15-Scene數(shù)據(jù)集上也取得了較好的分類結(jié)果.它優(yōu)于原始Fisher向量編碼方法,并在兩個數(shù)據(jù)集上分別高出3.1%和1.6%.同時,與SDFV和LGM方法相比,KDN-FV在15-Scene數(shù)據(jù)集上的分類結(jié)果也有一定的提升.

    3.4 基于CNN局部特征的KDN-FV圖像表達(dá)

    將AlexNet[5]預(yù)訓(xùn)練模型最后一個全連接層的輸出作為特征,并與3種不同的表達(dá)策略進(jìn)行比較:(1)全局CNN特征,即直接使用全連接層的輸出作為圖像表達(dá).(2)CNN多尺度無序匯集[34],即multi-scale orderless pooling CNN(MOP-CNN).這種方法以多尺度采樣的方式在圖像中提取CNN局部特征,并將這些特征進(jìn)行VLAD或Fisher向量編碼,形成圖像表達(dá).(3)CNN 多尺度金字塔匯集[35],即multi-scale pyramid pooling CNN(MPP-CNN).該方法以多尺度采樣的方式在圖像中提取CNN局部特征,并引入金字塔策略,最終將這些特征進(jìn)行Fisher向量編碼,形成圖像表達(dá).在實驗過程中,使用與待比較方法相同的采樣策略和設(shè)置進(jìn)行CNN局部特征采樣,并用KDN-FV編碼代替對應(yīng)的編碼方法來構(gòu)建圖像表達(dá).其中對于MOP-CNN(KDN-FV)以及MPP-CNN(KDN-FV)方法,所采用的參數(shù)設(shè)置為n=512,m=40,k=25.表2列出了相應(yīng)的比較結(jié)果.

    表2 基于CNN特征的KDN-FV圖像表達(dá)分類性能

    從表2可以看出,當(dāng)用KDN-FV編碼方法替代被比較方法中的編碼方法后,新構(gòu)建的圖像表達(dá)具有更強的區(qū)分能力,這也說明了KDN-FV編碼方法同樣適用于CNN局部特征.

    3.5 結(jié)果分析

    從上述實驗結(jié)果可以看出,KDN-FV編碼方法既適用于DenseSIFT手工特征,也適用于由CNN網(wǎng)絡(luò)提取出來的深度特征.文獻(xiàn)[15,17-18]指出局部性約束的引入可以提升Fisher向量的區(qū)分能力.而KDN-FV在引入局部性約束的同時,又利用子模型拓?fù)浣Y(jié)構(gòu)的差異對視覺單詞進(jìn)行了篩選.它在Pascal VOC 2007和Caltech 256數(shù)據(jù)集上分別取得了64.6%和55.2%的分類精度,進(jìn)一步提升了Fisher向量的表達(dá)能力.由此可以看出所提方案的有效性.

    3.6 時耗性能分析

    與原始Fisher向量編碼方法相比,改進(jìn)的KDN-FV編碼方法增加了單詞篩選步驟.為了分析KDN-FV編碼方法的時間復(fù)雜性,采用與文獻(xiàn)[14,21]相同的策略,比較了KDN-FV編碼方法與原始Fisher向量編碼方法的單幅圖像平均編碼時耗.在實驗過程中,從Pascal VOC 2007數(shù)據(jù)集中選取了1 000幅圖像,并將所有圖像縮放為200×200,字典中單詞個數(shù)為128.硬件配置為Intel i5 6 600 KB 3.5 GHz CPU,16 GB內(nèi)存.經(jīng)測試,F(xiàn)isher向量編碼方法單幅圖像編碼時間約為1 530 ms,而KDN-FV則為1 317 ms.實驗表明,KDN-FV編碼方法的時耗較少,這是因為即使KDN-FV中增加了單詞篩選環(huán)節(jié),但在編碼階段,KDN-FV將每一個局部特征僅僅投影到所篩選出的視覺單詞即可,而原始Fisher向量編碼方法需要計算所有視覺單詞上的投影.由于單個單詞的投影過程計算量較大,而KDN-FV編碼方法僅需計算部分投影,這就減少了該方法的編碼時間.

    4 結(jié) 語

    針對原始Fisher向量編碼方法在編碼過程中存在的全局編碼以及未考慮視覺單詞之間拓?fù)浣Y(jié)構(gòu)差異的問題,本文提出了一種基于k密集近鄰算法的局部Fisher向量編碼方法.該方法依據(jù)圖像特征空間的流形結(jié)構(gòu),利用k密集近鄰算法為每一個特征描述符篩選編碼時所需的高斯子空間.KDN-FV編碼方法在編碼過程中引入了局部性約束,并且考慮了子空間之間的異同性,克服了原始Fisher向量編碼方法存在的問題.通過在多個數(shù)據(jù)集上進(jìn)行測試,結(jié)果顯示改進(jìn)后的方法增強了圖像表達(dá)向量的區(qū)分能力,提升了分類精度,提高了編碼效率.

    猜你喜歡
    編碼方法描述符高斯
    小高斯的大發(fā)現(xiàn)
    基于結(jié)構(gòu)信息的異源遙感圖像局部特征描述符研究
    可變摩擦力觸感移動終端的漢語盲文編碼設(shè)計
    天才數(shù)學(xué)家——高斯
    Linux單線程并發(fā)服務(wù)器探索
    利用CNN的無人機遙感影像特征描述符學(xué)習(xí)
    毫米波大規(guī)模MIMO系統(tǒng)中低復(fù)雜度混合預(yù)編碼方法
    有限域上高斯正規(guī)基的一個注記
    一種新的星載InSAR直接地理編碼方法
    淺析公路工程物資的分類及編碼方法
    九九在线视频观看精品| 麻豆国产av国片精品| 高清午夜精品一区二区三区 | 国语自产精品视频在线第100页| 啦啦啦韩国在线观看视频| 日韩大尺度精品在线看网址| 一卡2卡三卡四卡精品乱码亚洲| 99热这里只有是精品在线观看| 精品久久久久久久末码| 欧美性感艳星| 午夜a级毛片| 五月伊人婷婷丁香| 国产极品天堂在线| 久久精品人妻少妇| 日韩精品青青久久久久久| 精品一区二区三区人妻视频| 欧美日韩一区二区视频在线观看视频在线 | 国产精品.久久久| 国产毛片a区久久久久| 欧美日韩一区二区视频在线观看视频在线 | 美女国产视频在线观看| 此物有八面人人有两片| 欧美又色又爽又黄视频| 亚洲精品久久久久久婷婷小说 | 成人午夜精彩视频在线观看| 日韩视频在线欧美| 啦啦啦观看免费观看视频高清| 美女被艹到高潮喷水动态| 中文字幕制服av| 又爽又黄无遮挡网站| 99久国产av精品| 欧美丝袜亚洲另类| 一本久久中文字幕| 欧美xxxx黑人xx丫x性爽| 99久久无色码亚洲精品果冻| 我要搜黄色片| 在线观看美女被高潮喷水网站| 丝袜美腿在线中文| 亚洲av熟女| 欧美在线一区亚洲| 亚洲精品影视一区二区三区av| 亚洲精品久久国产高清桃花| 国模一区二区三区四区视频| 一本久久精品| 欧美性猛交╳xxx乱大交人| 此物有八面人人有两片| 亚洲,欧美,日韩| 欧美成人免费av一区二区三区| 亚洲精品影视一区二区三区av| 日韩精品有码人妻一区| 国产亚洲精品久久久久久毛片| 中文字幕久久专区| 国产精品美女特级片免费视频播放器| 听说在线观看完整版免费高清| 精品久久久久久久久亚洲| 夫妻性生交免费视频一级片| 亚洲av中文字字幕乱码综合| 又黄又爽又刺激的免费视频.| 丝袜喷水一区| 99热这里只有是精品50| 别揉我奶头 嗯啊视频| 亚洲欧美日韩高清在线视频| 国产真实伦视频高清在线观看| 久久99蜜桃精品久久| av国产免费在线观看| 91av网一区二区| 国产一区二区在线观看日韩| 国产精品人妻久久久影院| 亚洲精品国产成人久久av| 综合色av麻豆| 久久6这里有精品| 免费观看的影片在线观看| 插阴视频在线观看视频| 亚洲aⅴ乱码一区二区在线播放| 久久综合国产亚洲精品| 夜夜爽天天搞| 欧美在线一区亚洲| 国产亚洲精品久久久com| 毛片女人毛片| 可以在线观看的亚洲视频| 色视频www国产| 欧美极品一区二区三区四区| 中出人妻视频一区二区| 亚洲国产精品国产精品| 国产成人a区在线观看| 欧美高清成人免费视频www| 三级男女做爰猛烈吃奶摸视频| 亚洲精品亚洲一区二区| 村上凉子中文字幕在线| 久久久久久伊人网av| 99热网站在线观看| 精品久久国产蜜桃| 久久6这里有精品| 国产精品嫩草影院av在线观看| 99热全是精品| 国产精品伦人一区二区| 国产探花在线观看一区二区| 久久久久免费精品人妻一区二区| 国产黄片美女视频| 亚洲中文字幕一区二区三区有码在线看| 中文字幕av成人在线电影| 久久国产乱子免费精品| 久久精品国产清高在天天线| 亚洲精品国产成人久久av| 69人妻影院| 午夜福利视频1000在线观看| 日本欧美国产在线视频| 在线免费观看不下载黄p国产| 一卡2卡三卡四卡精品乱码亚洲| 欧美最黄视频在线播放免费| 黄色一级大片看看| 麻豆久久精品国产亚洲av| 美女大奶头视频| 少妇人妻一区二区三区视频| 黑人高潮一二区| 日本免费a在线| 国内精品宾馆在线| 可以在线观看的亚洲视频| 99久久人妻综合| 联通29元200g的流量卡| 免费看光身美女| 国语自产精品视频在线第100页| 成人毛片a级毛片在线播放| 久久99蜜桃精品久久| 九九久久精品国产亚洲av麻豆| 国产精品爽爽va在线观看网站| 女人十人毛片免费观看3o分钟| 久久久色成人| 麻豆精品久久久久久蜜桃| 级片在线观看| 日韩欧美在线乱码| 欧美激情国产日韩精品一区| 欧美最新免费一区二区三区| 国产精品一区二区性色av| 蜜臀久久99精品久久宅男| 18禁黄网站禁片免费观看直播| 亚洲国产欧洲综合997久久,| 一个人免费在线观看电影| 国产精品女同一区二区软件| 能在线免费看毛片的网站| 麻豆乱淫一区二区| 中文字幕人妻熟人妻熟丝袜美| 亚洲欧美成人精品一区二区| 国产精品一区二区三区四区免费观看| av在线蜜桃| 久久婷婷人人爽人人干人人爱| avwww免费| 黑人高潮一二区| 91在线精品国自产拍蜜月| 麻豆成人午夜福利视频| 精品久久久久久久久久久久久| 成人永久免费在线观看视频| 国产成人精品久久久久久| 26uuu在线亚洲综合色| 国产一区亚洲一区在线观看| 日日摸夜夜添夜夜爱| 狂野欧美白嫩少妇大欣赏| 亚洲第一电影网av| 91精品一卡2卡3卡4卡| 中文亚洲av片在线观看爽| 我的老师免费观看完整版| 高清日韩中文字幕在线| 舔av片在线| 一本一本综合久久| 内地一区二区视频在线| 不卡视频在线观看欧美| 人妻夜夜爽99麻豆av| 99久久精品热视频| 国产视频首页在线观看| 欧美色视频一区免费| 国产精品永久免费网站| 亚洲av成人精品一区久久| 亚洲,欧美,日韩| 欧美精品一区二区大全| 国产真实伦视频高清在线观看| 亚洲国产欧美人成| videossex国产| 亚洲不卡免费看| 亚洲精华国产精华液的使用体验 | 99九九线精品视频在线观看视频| 99久久无色码亚洲精品果冻| 亚洲成a人片在线一区二区| 亚洲av成人精品一区久久| av专区在线播放| 国产精品一区二区在线观看99 | 欧美一区二区亚洲| 精品人妻熟女av久视频| 久久精品国产鲁丝片午夜精品| 国产免费男女视频| 亚洲精品乱码久久久久久按摩| 亚洲综合色惰| 成人午夜高清在线视频| 精品欧美国产一区二区三| 亚洲久久久久久中文字幕| 在线播放无遮挡| av在线蜜桃| 91麻豆精品激情在线观看国产| av视频在线观看入口| 日本撒尿小便嘘嘘汇集6| 国产伦精品一区二区三区四那| 亚洲电影在线观看av| 国产伦精品一区二区三区视频9| 久久综合国产亚洲精品| 美女cb高潮喷水在线观看| 欧美另类亚洲清纯唯美| 亚洲性久久影院| 日韩一本色道免费dvd| 97超视频在线观看视频| 男女视频在线观看网站免费| 简卡轻食公司| 国产大屁股一区二区在线视频| 亚洲成av人片在线播放无| 久久鲁丝午夜福利片| 久久精品91蜜桃| 国产午夜精品久久久久久一区二区三区| 亚洲精品色激情综合| 日韩高清综合在线| 国内久久婷婷六月综合欲色啪| 欧美人与善性xxx| 22中文网久久字幕| 亚洲国产欧美在线一区| 亚洲精品国产av成人精品| 亚洲国产精品国产精品| 老熟妇乱子伦视频在线观看| 精品人妻视频免费看| 我要看日韩黄色一级片| 国产亚洲欧美98| 久久亚洲国产成人精品v| 又粗又爽又猛毛片免费看| 丰满的人妻完整版| 亚洲精品久久国产高清桃花| 亚洲久久久久久中文字幕| 成年版毛片免费区| 欧美日韩精品成人综合77777| 亚洲av第一区精品v没综合| 亚洲一区高清亚洲精品| 熟妇人妻久久中文字幕3abv| 国产精品久久久久久亚洲av鲁大| 国产一区亚洲一区在线观看| 亚洲精品久久国产高清桃花| 内地一区二区视频在线| 亚洲国产精品合色在线| 国产av在哪里看| 欧美一区二区国产精品久久精品| 麻豆成人午夜福利视频| 天堂影院成人在线观看| 女同久久另类99精品国产91| av天堂在线播放| 97在线视频观看| 亚洲人与动物交配视频| 欧美性猛交╳xxx乱大交人| 观看美女的网站| 午夜福利成人在线免费观看| 欧美不卡视频在线免费观看| 草草在线视频免费看| 一级毛片我不卡| 十八禁国产超污无遮挡网站| 寂寞人妻少妇视频99o| 免费av毛片视频| 男人和女人高潮做爰伦理| 久久久欧美国产精品| 成人三级黄色视频| 丝袜美腿在线中文| 午夜精品国产一区二区电影 | 91狼人影院| 三级国产精品欧美在线观看| 深夜精品福利| 日本一二三区视频观看| 色尼玛亚洲综合影院| 国产高清不卡午夜福利| 日韩欧美一区二区三区在线观看| 欧美成人a在线观看| 亚洲精品乱码久久久v下载方式| 国产成人午夜福利电影在线观看| 亚洲精品日韩在线中文字幕 | 免费黄网站久久成人精品| 真实男女啪啪啪动态图| 啦啦啦韩国在线观看视频| 国内精品美女久久久久久| 99在线人妻在线中文字幕| 一边摸一边抽搐一进一小说| 美女cb高潮喷水在线观看| 99热6这里只有精品| 久久精品国产亚洲av天美| 国产精品99久久久久久久久| 久久国产乱子免费精品| 性插视频无遮挡在线免费观看| 亚洲第一电影网av| 色5月婷婷丁香| eeuss影院久久| 午夜老司机福利剧场| 日本在线视频免费播放| 人妻夜夜爽99麻豆av| 国产精品日韩av在线免费观看| 日本黄色片子视频| 尾随美女入室| 久久99精品国语久久久| 日本爱情动作片www.在线观看| 国产v大片淫在线免费观看| 婷婷精品国产亚洲av| 国产成人91sexporn| 精品一区二区三区视频在线| 小蜜桃在线观看免费完整版高清| 成年女人看的毛片在线观看| 免费电影在线观看免费观看| 能在线免费看毛片的网站| 色尼玛亚洲综合影院| 国产成人精品久久久久久| 国产一区二区激情短视频| 中文字幕精品亚洲无线码一区| 国产伦理片在线播放av一区 | 激情 狠狠 欧美| 免费看日本二区| av天堂中文字幕网| 国产精品国产三级国产av玫瑰| 亚洲五月天丁香| 真实男女啪啪啪动态图| 成人毛片60女人毛片免费| 精品久久国产蜜桃| 国产麻豆成人av免费视频| 欧美激情国产日韩精品一区| 3wmmmm亚洲av在线观看| 日韩成人av中文字幕在线观看| 日本三级黄在线观看| 日本-黄色视频高清免费观看| 一级毛片电影观看 | 日本爱情动作片www.在线观看| 99久国产av精品| 免费av不卡在线播放| 亚洲av成人av| 麻豆精品久久久久久蜜桃| 伦理电影大哥的女人| 亚洲美女视频黄频| 亚洲国产精品成人久久小说 | 国产一区二区在线av高清观看| 久久精品国产亚洲网站| 亚洲欧美成人精品一区二区| 久久国产乱子免费精品| 成人无遮挡网站| 中文字幕久久专区| 只有这里有精品99| 久久6这里有精品| 天堂网av新在线| 亚洲精品亚洲一区二区| 两个人视频免费观看高清| 最近最新中文字幕大全电影3| 日产精品乱码卡一卡2卡三| 免费搜索国产男女视频| 国内精品久久久久精免费| 国产精品福利在线免费观看| 性插视频无遮挡在线免费观看| 欧美一级a爱片免费观看看| 蜜臀久久99精品久久宅男| 欧美zozozo另类| 成人综合一区亚洲| 久久99蜜桃精品久久| 欧美成人一区二区免费高清观看| 亚洲av成人精品一区久久| 最好的美女福利视频网| 亚洲va在线va天堂va国产| 美女被艹到高潮喷水动态| 男女下面进入的视频免费午夜| 亚洲国产色片| 成人欧美大片| 五月伊人婷婷丁香| 精品欧美国产一区二区三| 国产成人一区二区在线| 免费电影在线观看免费观看| 国产人妻一区二区三区在| 不卡视频在线观看欧美| 99在线人妻在线中文字幕| 99热这里只有精品一区| ponron亚洲| 亚洲精品影视一区二区三区av| av专区在线播放| 热99在线观看视频| 日本撒尿小便嘘嘘汇集6| 成人亚洲欧美一区二区av| 国产一区二区三区在线臀色熟女| 高清毛片免费看| 日韩欧美 国产精品| 91久久精品国产一区二区成人| 看片在线看免费视频| eeuss影院久久| 熟女人妻精品中文字幕| 婷婷亚洲欧美| 欧美精品国产亚洲| 女的被弄到高潮叫床怎么办| 欧美精品一区二区大全| 欧美在线一区亚洲| 日韩av在线大香蕉| 国产大屁股一区二区在线视频| 人人妻人人澡欧美一区二区| 欧美成人一区二区免费高清观看| 免费一级毛片在线播放高清视频| 少妇被粗大猛烈的视频| 给我免费播放毛片高清在线观看| 久久精品国产亚洲av涩爱 | 日韩欧美国产在线观看| 国产爱豆传媒在线观看| av视频在线观看入口| 国产成人a区在线观看| 蜜臀久久99精品久久宅男| 欧美成人一区二区免费高清观看| 在线播放无遮挡| 深夜精品福利| 国产v大片淫在线免费观看| 久久久成人免费电影| 51国产日韩欧美| 人体艺术视频欧美日本| 免费大片18禁| 午夜精品一区二区三区免费看| 久久国产乱子免费精品| 成人性生交大片免费视频hd| 国内精品一区二区在线观看| 一级毛片电影观看 | 26uuu在线亚洲综合色| 亚洲av免费高清在线观看| 亚洲最大成人中文| 一级毛片电影观看 | 亚洲欧美中文字幕日韩二区| 国产伦一二天堂av在线观看| 长腿黑丝高跟| 国产精品永久免费网站| 男的添女的下面高潮视频| 欧美在线一区亚洲| 小蜜桃在线观看免费完整版高清| 国产在视频线在精品| 在线国产一区二区在线| 亚洲综合色惰| 色视频www国产| av.在线天堂| 最近中文字幕高清免费大全6| 国产av麻豆久久久久久久| 丰满的人妻完整版| 成年免费大片在线观看| 国产精品一区二区性色av| 欧美在线一区亚洲| 国产午夜精品一二区理论片| 亚洲av男天堂| 成熟少妇高潮喷水视频| 亚洲精品乱码久久久久久按摩| 春色校园在线视频观看| 白带黄色成豆腐渣| 偷拍熟女少妇极品色| 国产探花在线观看一区二区| 搡女人真爽免费视频火全软件| 一级黄片播放器| 日本-黄色视频高清免费观看| 色播亚洲综合网| 麻豆成人av视频| 精品久久国产蜜桃| 99热这里只有是精品50| 最新中文字幕久久久久| 国产美女午夜福利| 亚洲电影在线观看av| 六月丁香七月| 不卡视频在线观看欧美| 久久久精品欧美日韩精品| 直男gayav资源| 免费无遮挡裸体视频| 欧美一区二区国产精品久久精品| 国产又黄又爽又无遮挡在线| 成人国产麻豆网| 久久久国产成人精品二区| 亚洲精品久久久久久婷婷小说 | 丰满人妻一区二区三区视频av| 亚洲久久久久久中文字幕| 人人妻人人澡欧美一区二区| 国产精品一区www在线观看| 亚洲中文字幕日韩| 91久久精品国产一区二区三区| 久久草成人影院| 自拍偷自拍亚洲精品老妇| 国产精品久久久久久精品电影小说 | 黄片wwwwww| 少妇人妻精品综合一区二区 | 久久久久久国产a免费观看| 午夜精品一区二区三区免费看| 我的女老师完整版在线观看| 中文字幕制服av| 美女大奶头视频| 性欧美人与动物交配| 亚洲乱码一区二区免费版| 中文字幕精品亚洲无线码一区| 日韩av不卡免费在线播放| 国产片特级美女逼逼视频| 久久精品91蜜桃| 美女内射精品一级片tv| 久久久久久久久久成人| 欧美一区二区亚洲| 麻豆一二三区av精品| 亚洲国产欧洲综合997久久,| 亚洲不卡免费看| av国产免费在线观看| 久久久国产成人精品二区| 亚洲精品乱码久久久久久按摩| 嫩草影院入口| 久久亚洲国产成人精品v| 丰满乱子伦码专区| 天堂av国产一区二区熟女人妻| 色哟哟·www| 联通29元200g的流量卡| 亚洲内射少妇av| 看片在线看免费视频| 变态另类丝袜制服| 午夜久久久久精精品| 丰满的人妻完整版| 国产乱人偷精品视频| 日韩精品有码人妻一区| 国产v大片淫在线免费观看| 国产午夜精品久久久久久一区二区三区| 99热全是精品| 三级国产精品欧美在线观看| 99久国产av精品国产电影| 波野结衣二区三区在线| 卡戴珊不雅视频在线播放| 国产精品.久久久| 欧美在线一区亚洲| 少妇熟女aⅴ在线视频| 最近视频中文字幕2019在线8| 国产av麻豆久久久久久久| 亚洲国产欧美人成| 美女被艹到高潮喷水动态| 国产私拍福利视频在线观看| 99久久成人亚洲精品观看| 丰满的人妻完整版| av黄色大香蕉| 国产伦精品一区二区三区视频9| 蜜桃亚洲精品一区二区三区| 国产精品无大码| 成人二区视频| 欧美日本亚洲视频在线播放| 99热这里只有是精品在线观看| 久久久久久九九精品二区国产| 久久久久九九精品影院| 夫妻性生交免费视频一级片| 性插视频无遮挡在线免费观看| 国产白丝娇喘喷水9色精品| 岛国在线免费视频观看| 一个人看视频在线观看www免费| 精品免费久久久久久久清纯| 久久久久久久久中文| 最近视频中文字幕2019在线8| 亚洲欧美成人精品一区二区| 日韩强制内射视频| 国产亚洲精品av在线| 国产精品精品国产色婷婷| 久久精品国产亚洲av涩爱 | 日韩成人伦理影院| 99九九线精品视频在线观看视频| 色5月婷婷丁香| 亚洲欧美日韩卡通动漫| 国产精品国产高清国产av| 99九九线精品视频在线观看视频| av在线亚洲专区| 观看美女的网站| 人妻制服诱惑在线中文字幕| 一级毛片电影观看 | 日本一本二区三区精品| 欧美日本亚洲视频在线播放| 日韩一区二区三区影片| 国产av在哪里看| 久久99热6这里只有精品| 国产极品天堂在线| 性欧美人与动物交配| 日本色播在线视频| 女人被狂操c到高潮| 国产午夜精品久久久久久一区二区三区| 色视频www国产| 午夜a级毛片| 亚洲国产精品国产精品| 丰满人妻一区二区三区视频av| 成人综合一区亚洲| 久久久久久久午夜电影| 伦精品一区二区三区| 99国产精品一区二区蜜桃av| 亚洲最大成人中文| 久久6这里有精品| 成年版毛片免费区| 亚洲精品久久国产高清桃花| 婷婷色综合大香蕉| 国产三级在线视频| 久久精品久久久久久久性| 精品不卡国产一区二区三区| 91在线精品国自产拍蜜月| 国产激情偷乱视频一区二区| 久久精品久久久久久噜噜老黄 | 深夜a级毛片| 日本av手机在线免费观看| 国产综合懂色| 日本免费一区二区三区高清不卡| 一夜夜www| 中文字幕人妻熟人妻熟丝袜美| 亚洲中文字幕一区二区三区有码在线看| 久久九九热精品免费| 亚洲欧美精品自产自拍| 亚洲av免费高清在线观看| 午夜福利高清视频| 色视频www国产| 亚洲欧美成人综合另类久久久 | 黄色欧美视频在线观看| a级毛片a级免费在线| 国产探花极品一区二区| 99久久无色码亚洲精品果冻| 亚洲电影在线观看av| 美女 人体艺术 gogo| 亚洲成人中文字幕在线播放| 乱码一卡2卡4卡精品| 亚洲欧洲日产国产| 熟妇人妻久久中文字幕3abv| 欧美成人a在线观看| 12—13女人毛片做爰片一| 麻豆av噜噜一区二区三区| 婷婷六月久久综合丁香|