• <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 ?

    基于深度學習的網(wǎng)頁違規(guī)圖片檢測

    2022-09-07 05:05:42李柏巖劉曉強
    現(xiàn)代計算機 2022年13期
    關(guān)鍵詞:檢測模型

    余 聰,李柏巖,劉曉強

    (東華大學計算機科學與技術(shù)學院,上海 201620)

    0 引言

    近年來,隨著信息技術(shù)的高速發(fā)展,網(wǎng)站已經(jīng)成為企業(yè)和機構(gòu)與用戶交互的重要平臺,許多線上業(yè)務都必須依托網(wǎng)站開展。然而,由于網(wǎng)絡(luò)世界的虛擬性、開放性,網(wǎng)絡(luò)監(jiān)管變得尤為困難,尤其是一些色情、暴力、垃圾廣告等不良圖片的傳播,使得網(wǎng)絡(luò)應用面臨著巨大的風險。

    針對網(wǎng)站中可能出現(xiàn)的大量不良圖片,使用人工監(jiān)管的方式,無疑需要耗費巨大的人力成本。隨著深度學習的快速發(fā)展以及深度卷積神經(jīng)網(wǎng)絡(luò)在抽象特征提取上的巨大優(yōu)勢,深度學習的方法明顯優(yōu)于傳統(tǒng)的圖像識別算法。通過設(shè)計一個基于深度學習的智能圖像審核系統(tǒng),實現(xiàn)違規(guī)圖像的自動識別,不僅可以大大節(jié)約審核人力,還可以快速、精準地對不良圖像進行過濾。

    網(wǎng)絡(luò)違規(guī)圖片檢測目前也受到了工業(yè)界的關(guān)注。近年來,針對互聯(lián)網(wǎng)上傳播的違規(guī)圖片,工業(yè)界通常提供單一接口檢測單類違規(guī)圖片的服務,這種檢測方式存在著一定的局限性,不適用于一些中小型企業(yè)的實時在線圖片監(jiān)測需求。首先,對于多類違規(guī)圖片檢測,用戶通常需要購買多個接口,檢測成本高,集成效率低;其次,工業(yè)界訓練的模型復雜,對硬件要求高。本文針對目前網(wǎng)絡(luò)違規(guī)圖片實時監(jiān)測的需求,提出了一種基于深度學習的網(wǎng)頁違規(guī)圖片檢測方案。主要貢獻如下:

    (1)構(gòu)建了多類別違規(guī)圖片數(shù)據(jù)集?;诰矸e神經(jīng)網(wǎng)絡(luò)的圖像識別技術(shù),需要通過大量的數(shù)據(jù)集來學習圖像中的抽象特征。本系統(tǒng)待檢測的圖片均為不良圖片,現(xiàn)有的公開數(shù)據(jù)集十分有限。本文主要通過抽取公開數(shù)據(jù)集、網(wǎng)絡(luò)爬蟲、提取視頻關(guān)鍵幀并對得到的數(shù)據(jù)進行清洗的方式構(gòu)建違規(guī)圖片數(shù)據(jù)集。

    (2)基于MobileNet 設(shè)計了一個輕量級模型對色情、暴力和廣告等三類不良圖片實現(xiàn)一次性檢測,在保證準確率的前提下,提高了模型檢測的效率。

    實驗和應用表明,該模型用于檢測網(wǎng)頁違規(guī)圖片時,準確率高、速度快,可以為中小型網(wǎng)站提供一種低成本的違規(guī)圖片檢測服務。

    1 網(wǎng)頁違規(guī)圖片檢測整體框架

    網(wǎng)頁違規(guī)圖片檢測主要分為樣本庫構(gòu)建、模型構(gòu)建、網(wǎng)頁圖片檢測三部分,如圖1 所示。為了構(gòu)建圖片檢測模型,首先通過網(wǎng)絡(luò)爬蟲、提取視頻關(guān)鍵幀、抽取公開數(shù)據(jù)集等方式構(gòu)建初始樣本庫,由于違規(guī)圖片樣本數(shù)量有限,使用數(shù)據(jù)增強的方式來擴大訓練樣本數(shù)量;然后以MobileNet 作為骨干網(wǎng)絡(luò),搭建違規(guī)圖片檢測模型(illegal picture detection model, IPDMnet),在保證模型準確率與檢測速度的前提下,對模型進行訓練并優(yōu)化;在網(wǎng)頁圖片監(jiān)測階段,以爬蟲方式爬取得到網(wǎng)頁圖片,并利用違規(guī)圖片檢測模型IPDMnet 對爬取的圖片進行檢測,最后輸出檢測結(jié)果。

    圖1 網(wǎng)頁違規(guī)圖片檢測整體框架圖

    2 基于多分類的網(wǎng)頁違規(guī)圖片檢測模型

    2.1 樣本庫構(gòu)建

    通過對實際業(yè)務需求的分析,將需要檢測的違規(guī)圖片分為正常、色情、暴恐、垃圾廣告這四類。數(shù)據(jù)集樣本庫的來源如下。

    2.1.1 正常圖片

    主要指不包含違規(guī)內(nèi)容的圖片。本文首先從公開數(shù)據(jù)集ImageNet 選取20 種最常見的類別,如人物圖、動物圖、風景圖等,再從每個類別隨機抽取一定數(shù)量的圖片構(gòu)建正常圖片樣本。

    2.1.2 色情圖片

    主要指包含淫穢信息的圖片。本文構(gòu)建的色情圖片分為真人和動漫兩大類。由于公開的色情數(shù)據(jù)集十分有限且分辨率低,真人類色情圖片主要通過抽取NSFW 圖像數(shù)據(jù)集的方式構(gòu)建,動漫類色情圖片主要通過網(wǎng)絡(luò)爬蟲的方式從國外不良網(wǎng)站爬取。

    2.1.3 廣告圖片

    主要指包含二維碼、手機號、推銷標語等具有明顯推銷意圖的圖片。本文主要通過網(wǎng)絡(luò)下載的方式構(gòu)建。

    2.1.4 暴恐圖片

    主要指包含明顯打斗、血腥場景的圖片。目前沒有公開的暴恐圖片數(shù)據(jù)集,本文主要從影視視頻和暴恐視頻數(shù)據(jù)集提取視頻關(guān)鍵幀進行數(shù)據(jù)集構(gòu)建。

    2.2 數(shù)據(jù)預處理

    為了提高模型的訓練速度以及模型的準確率,需要對訓練的圖像數(shù)據(jù)進行預處理。本文主要從數(shù)據(jù)清洗和數(shù)據(jù)增強方面提高圖像數(shù)據(jù)的質(zhì)量。

    2.2.1 數(shù)據(jù)清洗

    由于采集的圖片大多來自于網(wǎng)絡(luò),圖片的形狀、大小不一,將對模型訓練產(chǎn)生一定的影響。比如圖片的高寬比過大或者過小時,圖片會嚴重變形、失真,故本文將采集到的圖片數(shù)據(jù)進行過濾,去除高寬比大于5或者小于0.2的圖片;而當圖片的尺寸過小時,圖片識別度大大降低,尺寸過大時,影響模型訓練速度與成本,故本文將可用的圖片數(shù)據(jù)限制在10 K~10 M之間。

    實驗表明,圖片的格式類型同樣會影響模型的訓練,比如單通道灰度圖像、多通道的RGB 圖像和BGR 圖像等。為了提高訓練集數(shù)據(jù)質(zhì)量與規(guī)范,本文將訓練集數(shù)據(jù)規(guī)范為RGB 類型。對單通道的灰度圖像,先進行通道擴充;對于BGR圖像,先將其轉(zhuǎn)化為RGB圖像。

    2.2.2 數(shù)據(jù)增強

    為了進一步擴大訓練數(shù)據(jù)量,從而提升模型性能,采用多種數(shù)據(jù)增量技術(shù)。傳統(tǒng)的隨機縮放裁剪方法,可以產(chǎn)生大量圖片碎片,成倍擴充數(shù)據(jù)量。但針對本文處理的違規(guī)圖片,特別是色情、暴恐類圖片,當它們被裁切之后,往往會失去原有的屬性,造成對應的標簽錯誤。因此,本文在輕量級數(shù)據(jù)增強技術(shù)的基礎(chǔ)上,引入一種免搜索的自動數(shù)據(jù)增強策略TrivialAugment。傳統(tǒng)的自動數(shù)據(jù)增強方法如AutoAugment往往是以數(shù)據(jù)增強策略作為搜索空間,并結(jié)合強化學習得到搜索方法,但這類自動數(shù)據(jù)增強的方式往往搜索空間巨大,實驗代價高。TrivialAugment 不需要任何搜索,方法十分簡單:先定義一個圖像增強策略集合,每次隨機選擇一個圖像增強策略,并隨機確定它的增強幅度,最后對圖像進行增強。整個過程不需要任何超參數(shù),所以不需要任何搜索。

    本文首先對已有數(shù)據(jù)集圖像分別水平翻轉(zhuǎn)90°、180°、270°,將數(shù)據(jù)擴大為原來的4 倍,再引入TrivialAugment 進行自動數(shù)據(jù)增強。實驗表明,TrivialAugment 在本文的違規(guī)圖片數(shù)據(jù)集上具有良好的應用效果。

    2.3 基于MobileNet的違規(guī)圖片檢測模型

    2.3.1 IPDMnet核心結(jié)構(gòu)

    傳統(tǒng)的深度卷積神經(jīng)網(wǎng)絡(luò),如AlexNet、VGG、GoogLeNet、ResNet 在圖像分類領(lǐng)域都取得了良好的效果。但是,這些傳統(tǒng)的深度卷積神經(jīng)網(wǎng)絡(luò)往往模型復雜、計算量大,對硬件資源有限、模型速度要求快的場景并不適用。本文采用輕量級網(wǎng)絡(luò)MobileNetV2 作為骨干網(wǎng)絡(luò)。MobileNetV2網(wǎng)絡(luò)是google 團隊在2018 年提出來的,該模型準確率高、參數(shù)小、運算量低。此外,最近研究表明,通道注意力機制如SE-NET 在提升深度卷積神經(jīng)網(wǎng)絡(luò)性能方面有巨大的優(yōu)勢。但是,傳統(tǒng)的注意力模塊往往需要增加大量參數(shù),提高了模型的復雜度。因此,本文在模型中引入一種輕量級注意力模塊ECANET來提升模型性能。

    MobileNetV2的優(yōu)勢主要源于倒殘差結(jié)構(gòu),而SE注意力模塊在殘差網(wǎng)絡(luò)結(jié)構(gòu)上有良好的表現(xiàn)。Hu 等通過消融實驗證明,將SE 模塊引入殘差結(jié)構(gòu)之后,能夠有效提高殘差模型的性能。由于倒殘差結(jié)構(gòu)與殘差結(jié)構(gòu)提取特征的方式十分類似,ECA 模塊也相當于對SE 模塊的一個改進,本文受此啟發(fā),將ECA 模塊引入Mobile-NetV2中的倒殘差結(jié)構(gòu)之后,構(gòu)建基于倒殘差結(jié)構(gòu)和ECA 分支的block 塊。構(gòu)建的block 塊為IPDM模型的核心部分,如圖2所示。實驗表明,ECA 與倒殘差結(jié)構(gòu)的融合在本文的違規(guī)圖片數(shù)據(jù)集上能夠取得良好的效果。

    圖2 IPDMnet核心結(jié)構(gòu)示意圖

    2.3.2 倒殘差網(wǎng)絡(luò)

    倒殘差結(jié)構(gòu)主要分為三個部分:升維卷積PW1、特征提取卷積DW、降維卷積PW2,并借鑒ResNet 的殘差結(jié)構(gòu),使用shortcut 將輸入與輸出相加,如圖3所示,它主要是為了適配DW 卷積而設(shè)計的。由于DW 卷積自身的計算特性決定了它不能改變通道數(shù)量,所以如果上一層輸出的通道數(shù)較少,DW 卷積只能在低維空間提取特征,效果并不好。所以倒殘差結(jié)構(gòu)給每個DW卷積都配備了一個PW 卷積用于升維,通過升維系數(shù)設(shè)定。這樣即使輸入通道比較低,經(jīng)過一個PW 卷積升維后,DW 卷積都可以在一個相對更高維的空間提取特征。另一方面,相關(guān)實驗表明,激活函數(shù)在高維空間能增加非線性能力,在低維空間會破壞特征,因此,在經(jīng)過PW2 卷積的降維操作后,不再使用激活函數(shù),而是使用一個linear層線性輸出。

    圖3 倒殘差結(jié)構(gòu)示意圖

    2.3.3 ECA-NET分支

    ECA-NET 是一種極輕量級的注意力模塊,它以SE 模塊為基礎(chǔ),通過引入一維卷積,不僅避免了特征維度的縮減,并且保證了通道間的信息交互,在降低復雜度的同時,保持了模型性能。ECA 模塊主要包含三個部分:全局平均池化產(chǎn)生對應特征圖,計算得到自適應的kernel_size,應用kernel_size 到一維卷積產(chǎn)生對應通道權(quán)重,如圖4所示。通過自適應函數(shù)得到一維卷積的卷積核大小,可以使得通道數(shù)較大時進行更多的通道信息交互。自適應卷積核大小計算公式為:

    圖4 ECA網(wǎng)絡(luò)結(jié)構(gòu)示意圖

    公式(1)中表示輸入的通道數(shù),其中= 2,= 1,表示選擇最近的奇數(shù)。

    本文模型IPDMnet 的輸入為224 × 224 大小的圖片,特征提取部分包含1 個卷積層和7 個基于倒殘差結(jié)構(gòu)和ECA 的block 塊,其中構(gòu)建的block 塊為模型的核心部分。第一個卷積層采用32 個3 × 3 的卷積核,卷積核步長為2,卷積層后面設(shè)置一個BN 層,以加快模型的收斂,激活函數(shù)使用ReLU6;每個block 塊在倒殘差結(jié)構(gòu)之后構(gòu)建ECA 分支,并給對應的通道加權(quán);分類器部分采用一個平均池化下采樣層avgpool 和一個全連接層,為了防止模型過擬合,在全連接層中加入dropout 層并設(shè)置dropout 值為0.2。由于本文做的是4分類,最后全連接層的神經(jīng)元個數(shù)設(shè)為4。

    3 實驗結(jié)果分析

    3.1 數(shù)據(jù)集

    本文通過爬蟲爬取、提取視頻關(guān)鍵幀、抽取公開數(shù)據(jù)集的方式構(gòu)建初始樣本庫,并對得到的樣本進行清洗,構(gòu)建多類違規(guī)圖片數(shù)據(jù)集。由于在現(xiàn)實應用場景中,正常圖片出現(xiàn)的概率遠遠大于違規(guī)圖片,所以構(gòu)建數(shù)據(jù)集時,正常圖片數(shù)據(jù)集的比例也要大于違規(guī)圖片。本文構(gòu)建的數(shù)據(jù)集如表1所示。

    表1 數(shù)據(jù)集描述

    3.2 實驗環(huán)境與評價指標

    實驗平臺操作系統(tǒng)為CentOS 7.7.1908,支持軟件版本為Python 3.6、PyTorch 1.10.0。執(zhí)行訓練的服務器CPU 為Intel(R)Xeon(R)Silver 4208,64 G內(nèi)存,GPU為4核GTX2080Ti。

    為驗證違規(guī)圖片檢測模型IPDMnet 的可行性,本文采用準確率、每張圖片平均檢測速度,模型參數(shù)大小評判模型的性能。各項評價指標的計算方法如下:

    公式(2)中,表示分類正確的樣本數(shù),表示樣本總數(shù)。

    公式(3)中,表示檢測100 張圖片所消耗的時間,單位為毫秒(ms)。

    3.3 模型性能分析

    實驗將數(shù)據(jù)集劃分為訓練集和測試集的比例為8∶2。通過反復的訓練實驗,最后將模型主要訓練參數(shù)設(shè)置如下:learning_rate:0.0001,batch_size:16,num_workers:8,模型采用Adam優(yōu)化器,交叉熵損失函數(shù)。由于本文違規(guī)圖片數(shù)據(jù)集樣本有限,為了得到更好的訓練效果,首先,將模型在Caltech 256 數(shù)據(jù)集上進行遷移學習,得到預訓練模型,最后再在訓練集上迭代訓練100輪。

    根據(jù)上述實驗設(shè)置以及模型評價指標,本文主要從經(jīng)典深度卷積神經(jīng)網(wǎng)絡(luò)、基于注意力機制的Transformer、輕量級網(wǎng)絡(luò)三個方面進行實驗對比。以傳統(tǒng)的深度卷積神經(jīng)網(wǎng)絡(luò)ResNet34 作為骨干網(wǎng)絡(luò),再融合ECA 注意力機制,模型準確率能夠達到97.07%,預測單張圖片需要6.08 ms;使用Swin_Transformer_Tiny 模型進行實驗,模型準確率雖然也能夠達到96.98%,但是預測單張圖片需要12.67 ms,模型復雜度較高;最后,使用IPDMnet 進行實驗,模型準確率與表現(xiàn)較優(yōu)的ECA-ResNet34 準確率十分接近,但檢測速度明顯優(yōu)于它和其他模型,并且模型復雜度大大降低。由于本文的違規(guī)圖片檢測模型主要為中小型企業(yè)提供服務,綜合考慮準確率與檢測成本,IPDMnet相比于其它模型將會有較大優(yōu)勢。

    表2 不同模型的檢測效果比較

    4 結(jié)論與展望

    網(wǎng)頁違規(guī)圖片監(jiān)測是維護網(wǎng)絡(luò)安全的重要環(huán)節(jié),而不良圖片種類繁多、形式多樣,對圖片實時監(jiān)測提出了挑戰(zhàn)。本文針對色情、暴恐和廣告違規(guī)圖片類別,構(gòu)建相應的數(shù)據(jù)集,構(gòu)建了一個基于深度學習算法的網(wǎng)絡(luò)結(jié)構(gòu)模型,同時實現(xiàn)多類違規(guī)圖片的檢測。實驗表明,該模型準確率高、檢測速度快、模型輕量,可為中小型企業(yè)提供網(wǎng)頁違規(guī)圖片實時監(jiān)測服務。但由于違規(guī)圖片內(nèi)容復雜,具有一定的混淆性,加上違規(guī)圖片數(shù)據(jù)集有限,對于一些特征比較模糊的圖片,容易出現(xiàn)誤判。接下來的工作將進一步擴充數(shù)據(jù)集,并對模型進行優(yōu)化,提高

    模型的識別范圍以及模型準確率。

    猜你喜歡
    檢測模型
    一半模型
    “不等式”檢測題
    “一元一次不等式”檢測題
    “一元一次不等式組”檢測題
    “幾何圖形”檢測題
    “角”檢測題
    重要模型『一線三等角』
    重尾非線性自回歸模型自加權(quán)M-估計的漸近分布
    3D打印中的模型分割與打包
    小波變換在PCB缺陷檢測中的應用
    黄片小视频在线播放| 最好的美女福利视频网| 亚洲av一区综合| 国产91精品成人一区二区三区| 悠悠久久av| 久久久精品大字幕| 亚洲五月婷婷丁香| 嫩草影院入口| 免费在线观看成人毛片| 久久久国产成人精品二区| 国内精品久久久久久久电影| 亚洲av不卡在线观看| 一本久久中文字幕| 久久天躁狠狠躁夜夜2o2o| 俺也久久电影网| 国内精品久久久久久久电影| 精品久久久久久久久久免费视频| 两性午夜刺激爽爽歪歪视频在线观看| 午夜两性在线视频| 色在线成人网| 亚洲国产欧洲综合997久久,| 99久久无色码亚洲精品果冻| 免费在线观看亚洲国产| 国内精品久久久久精免费| 特级一级黄色大片| 又黄又爽又免费观看的视频| 精品电影一区二区在线| 久久久成人免费电影| 麻豆国产97在线/欧美| 亚洲欧美日韩卡通动漫| 日本黄色片子视频| 色综合婷婷激情| 一级黄色大片毛片| 久久久久亚洲av毛片大全| avwww免费| 亚洲av美国av| 制服丝袜大香蕉在线| 日本 欧美在线| 美女 人体艺术 gogo| 99久久成人亚洲精品观看| 国产精品野战在线观看| 动漫黄色视频在线观看| 久久精品国产自在天天线| 亚洲18禁久久av| 国产伦人伦偷精品视频| 亚洲人成伊人成综合网2020| av专区在线播放| 网址你懂的国产日韩在线| 91字幕亚洲| 18禁黄网站禁片免费观看直播| 99精品欧美一区二区三区四区| 国产精品爽爽va在线观看网站| 久久精品综合一区二区三区| 五月玫瑰六月丁香| 欧美成人性av电影在线观看| 成人无遮挡网站| 一进一出抽搐动态| 午夜福利在线观看吧| 欧美在线一区亚洲| 免费看十八禁软件| 国产日本99.免费观看| 天堂影院成人在线观看| 国产亚洲精品综合一区在线观看| 国产毛片a区久久久久| 欧美日韩黄片免| 男女下面进入的视频免费午夜| 3wmmmm亚洲av在线观看| 亚洲内射少妇av| 精品久久久久久久毛片微露脸| 久久精品91无色码中文字幕| 精品99又大又爽又粗少妇毛片 | 亚洲人成网站高清观看| 国产精品亚洲一级av第二区| 国产高潮美女av| 午夜影院日韩av| 精品国产美女av久久久久小说| 欧美3d第一页| 欧美日韩国产亚洲二区| 国产极品精品免费视频能看的| 亚洲av成人不卡在线观看播放网| 九色成人免费人妻av| 亚洲无线在线观看| 国产精品久久视频播放| 99热这里只有精品一区| 免费av观看视频| 午夜福利在线观看免费完整高清在 | 久久精品国产99精品国产亚洲性色| 天堂网av新在线| 校园春色视频在线观看| 国产欧美日韩精品一区二区| 久久精品亚洲精品国产色婷小说| 免费看a级黄色片| 亚洲av美国av| 久久九九热精品免费| 精品日产1卡2卡| 一级毛片高清免费大全| av福利片在线观看| 又紧又爽又黄一区二区| 中国美女看黄片| 特级一级黄色大片| 级片在线观看| 国产欧美日韩一区二区精品| 制服丝袜大香蕉在线| 母亲3免费完整高清在线观看| 俄罗斯特黄特色一大片| 丰满乱子伦码专区| 国产欧美日韩精品亚洲av| 岛国视频午夜一区免费看| 精华霜和精华液先用哪个| 国产av在哪里看| 成人永久免费在线观看视频| 亚洲国产高清在线一区二区三| av在线蜜桃| 国产高清激情床上av| 少妇丰满av| 亚洲片人在线观看| 亚洲av一区综合| 国产中年淑女户外野战色| 亚洲在线自拍视频| 亚洲成人免费电影在线观看| 搡女人真爽免费视频火全软件 | 听说在线观看完整版免费高清| 性色avwww在线观看| 精品日产1卡2卡| www国产在线视频色| 国产色婷婷99| 久久久久久九九精品二区国产| 成人特级黄色片久久久久久久| 国产不卡一卡二| 男女下面进入的视频免费午夜| 久久久久久国产a免费观看| 成年人黄色毛片网站| 欧美极品一区二区三区四区| 久久精品国产亚洲av涩爱 | 又粗又爽又猛毛片免费看| 黄色女人牲交| 最近视频中文字幕2019在线8| 欧美成狂野欧美在线观看| 日本黄色片子视频| 啦啦啦观看免费观看视频高清| 国产伦在线观看视频一区| 国内少妇人妻偷人精品xxx网站| 男人舔女人下体高潮全视频| 国产伦人伦偷精品视频| 亚洲欧美日韩高清专用| 中文字幕人妻熟人妻熟丝袜美 | 在线观看av片永久免费下载| 亚洲av免费在线观看| 亚洲五月天丁香| 亚洲av电影不卡..在线观看| 在线十欧美十亚洲十日本专区| 亚洲成av人片在线播放无| 欧美日韩黄片免| 男女做爰动态图高潮gif福利片| www.www免费av| 法律面前人人平等表现在哪些方面| 欧美精品啪啪一区二区三区| 国产亚洲精品综合一区在线观看| 校园春色视频在线观看| 一级黄色大片毛片| 国产真实伦视频高清在线观看 | 高清日韩中文字幕在线| 悠悠久久av| 国产黄a三级三级三级人| 中亚洲国语对白在线视频| 亚洲人成伊人成综合网2020| 夜夜躁狠狠躁天天躁| 国内精品一区二区在线观看| 亚洲乱码一区二区免费版| 九九久久精品国产亚洲av麻豆| 国产一区二区三区在线臀色熟女| 日日干狠狠操夜夜爽| 亚洲成人久久爱视频| 亚洲欧美精品综合久久99| 国产精品亚洲美女久久久| 成人国产综合亚洲| 天堂网av新在线| 搡老妇女老女人老熟妇| 亚洲七黄色美女视频| 岛国在线免费视频观看| 麻豆国产av国片精品| 少妇的丰满在线观看| 国产单亲对白刺激| 欧美色视频一区免费| 国产真实乱freesex| 熟女人妻精品中文字幕| 国产单亲对白刺激| 精品久久久久久成人av| 99热这里只有是精品50| 免费观看精品视频网站| av专区在线播放| 久久久久精品国产欧美久久久| 国产成人a区在线观看| 免费观看精品视频网站| 精品福利观看| 99热只有精品国产| 老司机午夜十八禁免费视频| 成人永久免费在线观看视频| 欧美bdsm另类| 午夜老司机福利剧场| 日本黄色片子视频| 岛国在线观看网站| 88av欧美| 亚洲人与动物交配视频| 两性午夜刺激爽爽歪歪视频在线观看| 欧美在线黄色| 久久久久国内视频| 成人欧美大片| 伊人久久大香线蕉亚洲五| 亚洲av免费在线观看| 在线观看美女被高潮喷水网站 | 在线观看免费午夜福利视频| 操出白浆在线播放| 日本一二三区视频观看| 午夜福利视频1000在线观看| 一级黄片播放器| 成熟少妇高潮喷水视频| 日本一本二区三区精品| 国产精品 欧美亚洲| 国产激情偷乱视频一区二区| 国产伦在线观看视频一区| 婷婷亚洲欧美| 两性午夜刺激爽爽歪歪视频在线观看| 欧美不卡视频在线免费观看| 夜夜看夜夜爽夜夜摸| 久久欧美精品欧美久久欧美| 女人高潮潮喷娇喘18禁视频| 少妇丰满av| 久久久久久国产a免费观看| 日韩高清综合在线| 国产精品野战在线观看| 亚洲国产精品sss在线观看| 国产精品精品国产色婷婷| 精品无人区乱码1区二区| 在线播放无遮挡| 免费看a级黄色片| 国产精品久久久久久人妻精品电影| 少妇的丰满在线观看| 免费av不卡在线播放| 国产精品香港三级国产av潘金莲| 亚洲黑人精品在线| 中文字幕精品亚洲无线码一区| 啦啦啦观看免费观看视频高清| 人人妻人人澡欧美一区二区| 久久6这里有精品| 久久久久精品国产欧美久久久| 国内精品美女久久久久久| 国产精品av视频在线免费观看| 成人无遮挡网站| 国产探花在线观看一区二区| 亚洲精品在线观看二区| 丝袜美腿在线中文| 亚洲欧美日韩高清在线视频| 99国产极品粉嫩在线观看| 搡老妇女老女人老熟妇| 亚洲天堂国产精品一区在线| 好男人电影高清在线观看| 黄色视频,在线免费观看| 亚洲男人的天堂狠狠| 一级黄色大片毛片| 精品久久久久久久毛片微露脸| 又爽又黄无遮挡网站| 国产精品98久久久久久宅男小说| 有码 亚洲区| 桃色一区二区三区在线观看| 夜夜看夜夜爽夜夜摸| 成年女人永久免费观看视频| 成熟少妇高潮喷水视频| 99视频精品全部免费 在线| 五月玫瑰六月丁香| 精品午夜福利视频在线观看一区| 亚洲一区二区三区色噜噜| 国产一区二区亚洲精品在线观看| 欧美3d第一页| 一a级毛片在线观看| 亚洲成人久久爱视频| 欧美绝顶高潮抽搐喷水| 他把我摸到了高潮在线观看| 亚洲人成电影免费在线| 真人做人爱边吃奶动态| 男女午夜视频在线观看| 国产亚洲精品久久久com| 小蜜桃在线观看免费完整版高清| 午夜福利在线在线| 岛国在线免费视频观看| 久久人妻av系列| 久久精品人妻少妇| 国产精品久久久久久人妻精品电影| 久久人妻av系列| 99久久成人亚洲精品观看| 黄色日韩在线| 麻豆国产97在线/欧美| 亚洲欧美激情综合另类| 免费av不卡在线播放| 少妇的逼好多水| 国产中年淑女户外野战色| 国产色婷婷99| 一级黄片播放器| 欧美激情在线99| 一区二区三区免费毛片| 精品无人区乱码1区二区| 亚洲男人的天堂狠狠| 两个人看的免费小视频| 国产综合懂色| 久久久国产精品麻豆| 久久婷婷人人爽人人干人人爱| 亚洲av熟女| 国产又黄又爽又无遮挡在线| avwww免费| 操出白浆在线播放| 1000部很黄的大片| 男人和女人高潮做爰伦理| www日本在线高清视频| 国产一区二区亚洲精品在线观看| 天堂影院成人在线观看| 色噜噜av男人的天堂激情| aaaaa片日本免费| 久久6这里有精品| 欧美黄色淫秽网站| 国产精品乱码一区二三区的特点| 黄色女人牲交| 欧美xxxx黑人xx丫x性爽| 久久伊人香网站| 成人永久免费在线观看视频| 亚洲美女视频黄频| 国产欧美日韩一区二区精品| 成人一区二区视频在线观看| 波多野结衣高清无吗| 欧美一区二区亚洲| 成年女人毛片免费观看观看9| 一级毛片高清免费大全| 免费av毛片视频| 一进一出抽搐动态| 国产精品乱码一区二三区的特点| 亚洲国产欧洲综合997久久,| 特大巨黑吊av在线直播| 欧美不卡视频在线免费观看| 99精品欧美一区二区三区四区| 久久午夜亚洲精品久久| 久久久久免费精品人妻一区二区| 神马国产精品三级电影在线观看| 久久久久久久精品吃奶| 国产 一区 欧美 日韩| 国产一区二区三区视频了| 88av欧美| 女人被狂操c到高潮| 亚洲 欧美 日韩 在线 免费| 国产精品三级大全| 18禁黄网站禁片午夜丰满| 天堂网av新在线| 91av网一区二区| 女人十人毛片免费观看3o分钟| 啦啦啦观看免费观看视频高清| 人人妻,人人澡人人爽秒播| 精品久久久久久久末码| 法律面前人人平等表现在哪些方面| 天天一区二区日本电影三级| 欧美黑人欧美精品刺激| 中文字幕精品亚洲无线码一区| 亚洲一区二区三区不卡视频| 男女做爰动态图高潮gif福利片| 欧美xxxx黑人xx丫x性爽| 两个人看的免费小视频| 国产av在哪里看| 18禁美女被吸乳视频| 亚洲在线自拍视频| 亚洲自拍偷在线| av在线天堂中文字幕| 久久精品国产99精品国产亚洲性色| 日韩中文字幕欧美一区二区| 18禁国产床啪视频网站| 青草久久国产| 中文资源天堂在线| 草草在线视频免费看| 久久亚洲真实| 看片在线看免费视频| 欧美av亚洲av综合av国产av| 欧美日韩乱码在线| 国产色爽女视频免费观看| 午夜影院日韩av| 一边摸一边抽搐一进一小说| 国产av麻豆久久久久久久| 成人三级黄色视频| 国产欧美日韩一区二区精品| 波野结衣二区三区在线 | 性色avwww在线观看| 首页视频小说图片口味搜索| 国语自产精品视频在线第100页| 国产一区二区亚洲精品在线观看| 在线看三级毛片| 久久国产精品影院| 亚洲av成人av| 免费看日本二区| 又黄又爽又免费观看的视频| a级毛片a级免费在线| 黄色丝袜av网址大全| 久久国产乱子伦精品免费另类| 精品久久久久久久末码| 精品久久久久久久久久久久久| 欧美日本亚洲视频在线播放| a在线观看视频网站| 日韩大尺度精品在线看网址| 97碰自拍视频| 在线观看午夜福利视频| 在线播放无遮挡| 国产成年人精品一区二区| 99在线视频只有这里精品首页| 91九色精品人成在线观看| 欧美午夜高清在线| 欧美日本亚洲视频在线播放| 18禁美女被吸乳视频| 精品国内亚洲2022精品成人| 麻豆久久精品国产亚洲av| 亚洲av熟女| 免费人成在线观看视频色| 日本与韩国留学比较| 日本一二三区视频观看| 啦啦啦韩国在线观看视频| 国产精品久久久人人做人人爽| 国产美女午夜福利| 亚洲午夜理论影院| 三级国产精品欧美在线观看| 一进一出好大好爽视频| 亚洲欧美激情综合另类| av天堂中文字幕网| 国产精品女同一区二区软件 | 五月伊人婷婷丁香| 成人av在线播放网站| 国产精品乱码一区二三区的特点| 亚洲av美国av| 欧美另类亚洲清纯唯美| 日本黄大片高清| 亚洲精品色激情综合| 婷婷丁香在线五月| 国产精品亚洲一级av第二区| 日日干狠狠操夜夜爽| 国产精品98久久久久久宅男小说| 久久九九热精品免费| 日韩欧美 国产精品| aaaaa片日本免费| 亚洲精品成人久久久久久| 成熟少妇高潮喷水视频| 精品乱码久久久久久99久播| 日日夜夜操网爽| 俄罗斯特黄特色一大片| 波野结衣二区三区在线 | 亚洲色图av天堂| 一夜夜www| 亚洲午夜理论影院| 床上黄色一级片| 国产精品 欧美亚洲| 午夜福利在线观看免费完整高清在 | 无限看片的www在线观看| 国内揄拍国产精品人妻在线| 日韩欧美免费精品| 国产激情欧美一区二区| 在线视频色国产色| 高清毛片免费观看视频网站| 一个人看视频在线观看www免费 | 国产aⅴ精品一区二区三区波| 国产三级中文精品| 久久久久九九精品影院| 亚洲欧美日韩东京热| 午夜a级毛片| 人妻久久中文字幕网| 他把我摸到了高潮在线观看| 亚洲在线观看片| 色综合站精品国产| 免费看光身美女| 性色avwww在线观看| 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| 色噜噜av男人的天堂激情| 一本精品99久久精品77| 成人特级av手机在线观看| 熟妇人妻久久中文字幕3abv| 久久久久国内视频| 91字幕亚洲| 蜜桃亚洲精品一区二区三区| 高清日韩中文字幕在线| 18+在线观看网站| 91在线精品国自产拍蜜月 | 欧美日韩一级在线毛片| 无遮挡黄片免费观看| 亚洲av电影不卡..在线观看| 88av欧美| 国产伦在线观看视频一区| 男女视频在线观看网站免费| 麻豆久久精品国产亚洲av| 色视频www国产| 国产高清激情床上av| 真实男女啪啪啪动态图| 露出奶头的视频| 婷婷亚洲欧美| 久久久久九九精品影院| 成人国产一区最新在线观看| 精品日产1卡2卡| 免费电影在线观看免费观看| 一区二区三区国产精品乱码| 亚洲国产精品成人综合色| 欧美三级亚洲精品| 欧美丝袜亚洲另类 | 欧美一区二区精品小视频在线| 欧美中文日本在线观看视频| 午夜免费观看网址| 亚洲国产欧美网| 99久久无色码亚洲精品果冻| ponron亚洲| 欧美黄色淫秽网站| 久久久久久久久久黄片| 在线播放无遮挡| 欧美成人一区二区免费高清观看| 亚洲专区中文字幕在线| 亚洲av电影不卡..在线观看| 国产黄a三级三级三级人| 又黄又粗又硬又大视频| 久久九九热精品免费| 色在线成人网| 国产成人a区在线观看| 叶爱在线成人免费视频播放| 麻豆成人av在线观看| 国产中年淑女户外野战色| 男女下面进入的视频免费午夜| 免费人成在线观看视频色| 91在线精品国自产拍蜜月 | 久久精品国产99精品国产亚洲性色| 国产精品一及| 亚洲午夜理论影院| 十八禁人妻一区二区| 国产精品久久久久久亚洲av鲁大| www.熟女人妻精品国产| 亚洲狠狠婷婷综合久久图片| 女同久久另类99精品国产91| 99热6这里只有精品| 国内揄拍国产精品人妻在线| 午夜视频国产福利| 国产精品 国内视频| 久久久久久九九精品二区国产| 特大巨黑吊av在线直播| 国产成人福利小说| 老熟妇乱子伦视频在线观看| 狂野欧美白嫩少妇大欣赏| 最新中文字幕久久久久| 午夜精品在线福利| 欧美av亚洲av综合av国产av| 人妻丰满熟妇av一区二区三区| 国产伦人伦偷精品视频| 成年女人看的毛片在线观看| 最新在线观看一区二区三区| 日韩欧美三级三区| 一个人看视频在线观看www免费 | 成人三级黄色视频| 免费在线观看日本一区| 日日干狠狠操夜夜爽| 国产精品综合久久久久久久免费| 亚洲国产中文字幕在线视频| 丰满乱子伦码专区| 亚洲人成网站在线播放欧美日韩| 国产视频内射| 国产成年人精品一区二区| 亚洲欧美日韩东京热| 在线观看日韩欧美| 亚洲美女视频黄频| 亚洲午夜理论影院| 午夜福利视频1000在线观看| 亚洲国产精品999在线| 精品久久久久久久久久免费视频| 狠狠狠狠99中文字幕| 国产爱豆传媒在线观看| www.熟女人妻精品国产| 国产精品女同一区二区软件 | 一级黄色大片毛片| 最新在线观看一区二区三区| 免费高清视频大片| 色老头精品视频在线观看| 99精品久久久久人妻精品| 婷婷六月久久综合丁香| 国产熟女xx| 欧美成狂野欧美在线观看| 3wmmmm亚洲av在线观看| 亚洲av中文字字幕乱码综合| 亚洲精华国产精华精| 国产精品久久久久久亚洲av鲁大| 丰满人妻熟妇乱又伦精品不卡| 亚洲狠狠婷婷综合久久图片| 国产极品精品免费视频能看的| 精品午夜福利视频在线观看一区| 欧美一区二区国产精品久久精品| 欧美日韩综合久久久久久 | а√天堂www在线а√下载| 成人av一区二区三区在线看| 熟女少妇亚洲综合色aaa.| 久久精品综合一区二区三区| 三级男女做爰猛烈吃奶摸视频| 老司机午夜十八禁免费视频| 不卡一级毛片| 免费看十八禁软件| 12—13女人毛片做爰片一| 亚洲一区高清亚洲精品| 国产主播在线观看一区二区| 免费在线观看日本一区| 天美传媒精品一区二区| h日本视频在线播放| 男人的好看免费观看在线视频| 99久久久亚洲精品蜜臀av| 欧洲精品卡2卡3卡4卡5卡区| 欧美性猛交黑人性爽| 动漫黄色视频在线观看| 精品久久久久久成人av| 俄罗斯特黄特色一大片| 12—13女人毛片做爰片一| av黄色大香蕉| 岛国在线免费视频观看| av天堂在线播放| 免费观看精品视频网站|