• <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 ?

    基于背景抑制與上下文感知的人群計(jì)數(shù)網(wǎng)絡(luò)

    2022-09-15 06:59:44黃奕秋楊佳信歐嘉敏
    計(jì)算機(jī)工程 2022年9期
    關(guān)鍵詞:計(jì)數(shù)注意力卷積

    黃奕秋,胡 曉,楊佳信,歐嘉敏

    (1.廣州大學(xué) 電子與通信工程學(xué)院,廣州 510006;2.廣州大學(xué) 機(jī)械與電氣工程學(xué)院,廣州 510006)

    0 概述

    近年來(lái),隨著城市居住人口的不斷增加,人口密集程度不斷上升,導(dǎo)致?lián)頂D踩踏風(fēng)險(xiǎn)也隨之增加。為實(shí)時(shí)檢測(cè)人群數(shù)量變化,避免擁擠踩踏對(duì)公共安全、交通控制、智能交通等造成破壞,精確地監(jiān)測(cè)人群的數(shù)量變化成為一個(gè)十分重要的課題。

    基于計(jì)數(shù)方式的不同,人群計(jì)數(shù)算法可以分為傳統(tǒng)的人群計(jì)數(shù)算法和基于深度學(xué)習(xí)的人群計(jì)數(shù)算法。傳統(tǒng)的人群計(jì)數(shù)算法首先提取圖像中行人特征,然后通過(guò)檢測(cè)或回歸的方法確定人群數(shù)量。其中,基于檢測(cè)的方法[1]是通過(guò)檢測(cè)圖像中人的頭部信息計(jì)算出人數(shù),這種方法隨著目標(biāo)分布密集程度的增加,檢測(cè)難度也隨之增加。而基于回歸的方法[2-3]則是利用圖像的紋理特征與人數(shù)的映射關(guān)系估計(jì)出人群數(shù)量,能夠減小人群擁擠情況下的估計(jì)誤差。然而由于回歸方法無(wú)法從圖像中提取有助于完成人群計(jì)數(shù)任務(wù)的語(yǔ)義信息,導(dǎo)致當(dāng)存在嚴(yán)重的遮擋問(wèn)題和背景干擾時(shí),算法性能難以提升。隨著深度學(xué)習(xí)的發(fā)展,卷積神經(jīng)網(wǎng)絡(luò)(Convolution Neural Network,CNN)在許多計(jì)算機(jī)視覺(jué)任務(wù)中都取得了良好的效果[4-5],在一定程度上突破了傳統(tǒng)網(wǎng)絡(luò)的限制,顯著提升了計(jì)數(shù)性能。但圖像存在的透視畸變問(wèn)題和背景噪聲不僅影響了網(wǎng)絡(luò)的計(jì)算精度,而且約束了網(wǎng)絡(luò)的泛化能力和魯棒性。

    為減少圖像中多尺度問(wèn)題對(duì)計(jì)數(shù)任務(wù)的影響,ZHANG 等[6]利用端到端的深度卷積神經(jīng)網(wǎng)絡(luò)實(shí)現(xiàn)不同場(chǎng)景的人群計(jì)數(shù),此網(wǎng)絡(luò)雖然提高了計(jì)數(shù)的精確性,但網(wǎng)絡(luò)的跨場(chǎng)景計(jì)數(shù)能力較差。文獻(xiàn)[7]提出多列卷積神經(jīng)網(wǎng)絡(luò)(Multi-Column CNN,MCNN),通過(guò)不同尺度的卷積核提取不同尺度大小的頭部特征,提高網(wǎng)絡(luò)跨場(chǎng)景計(jì)數(shù)的能力,但該網(wǎng)絡(luò)的結(jié)構(gòu)復(fù)雜,泛化能力有待提高。SAM 等[8]提出切換卷積神經(jīng)網(wǎng)絡(luò)(Switching CNN,SwitchCNN),該網(wǎng)絡(luò)雖然提高了泛化能力,但冗余結(jié)構(gòu)較多,計(jì)算量較大。為解決MCNN 這一類(lèi)多列結(jié)構(gòu)網(wǎng)絡(luò)存在的網(wǎng)絡(luò)冗余問(wèn)題,LI 等[9]提出基于擴(kuò)展卷積的密集場(chǎng)景識(shí)別網(wǎng)絡(luò)(Congested Scene Recognition Network,CSRNet),通過(guò)去除冗余的多列卷積層,采用7 層空洞卷積構(gòu)成一個(gè)單通道端到端的人群計(jì)數(shù)網(wǎng)絡(luò),在減少網(wǎng)絡(luò)冗余的情況下提高了模型對(duì)透視畸變的抗干擾能力。與CSRNet 類(lèi)似,LIU 等[10]設(shè)計(jì)了一個(gè)上下文感知網(wǎng)絡(luò)(Context-Aware Network,CAN)以自適應(yīng)預(yù)測(cè)人群密度所需的上下文信息,進(jìn)而減小圖像多尺度問(wèn)題造成的干擾。值得注意的是,雖然CSRNet 和CAN 均減少了此問(wèn)題造成的影響,但圖像本身存在的背景噪聲對(duì)人群計(jì)數(shù)的精度仍然造成影響,并未得到改善。

    為抑制圖像背景對(duì)人群計(jì)數(shù)網(wǎng)絡(luò)性能的干擾,文獻(xiàn)[11]提出注意力尺度網(wǎng)絡(luò)(Attention Scaling Network,ASNet),并利用二進(jìn)制掩碼對(duì)背景和人群進(jìn)行分割,但該網(wǎng)絡(luò)并不能實(shí)現(xiàn)端到端的計(jì)算,網(wǎng)絡(luò)計(jì)算量較大。ZHU 等[12]通過(guò)對(duì)稱(chēng)雙路徑多尺度融合網(wǎng)絡(luò)(Dual Path Multi-scale Fusion Network,SFANet),利用空間注意力圖過(guò)濾密度圖的噪聲以提高計(jì)數(shù)準(zhǔn)確度,但其生成的空間注意力圖精度有待提高,無(wú)法對(duì)噪聲進(jìn)行充分抑制,網(wǎng)絡(luò)的泛化能力和魯棒性有待增強(qiáng)。

    本文對(duì)SFANet 進(jìn)行改進(jìn),提出基于背景抑制與上下文感知的人群計(jì)數(shù)網(wǎng)絡(luò)。通過(guò)構(gòu)建背景噪聲抑制(Background Noise Suppression,BNS)模塊提高網(wǎng)絡(luò)對(duì)圖像背景噪聲的抑制能力,并設(shè)計(jì)上下文感知增強(qiáng)網(wǎng)絡(luò)結(jié)構(gòu),減少圖像透視畸變對(duì)計(jì)數(shù)任務(wù)的干擾。

    1 本文網(wǎng)絡(luò)

    1.1 網(wǎng)絡(luò)結(jié)構(gòu)

    本文網(wǎng)絡(luò)由VGG-16 網(wǎng)絡(luò)、密度圖生成(Density Map Generation,DMG)模塊、BNS 模塊以及上下文感知增強(qiáng)網(wǎng)絡(luò)(Weight Enhancement-Context Aware Network,WE-CAN)4 個(gè)部分組成,具體結(jié)構(gòu)如圖1所示。

    圖1 本文網(wǎng)絡(luò)結(jié)構(gòu)Fig.1 Structure of network in this paper

    由圖1 可知,該網(wǎng)絡(luò)首先利用特征提取網(wǎng)絡(luò)VGG-16 提取輸入圖像不同層次的特征并分別輸入DMG 模塊和BNS 模塊中進(jìn)行處理,生成密度特征圖和空間注意力圖。然后,將生成的密度特征圖和空間注意力圖相乘,得到能有效抑制噪聲的初級(jí)密度圖。最后,利用WE-CAN 模塊提取初級(jí)密度圖上下文信息并進(jìn)行優(yōu)化處理,減少透視畸變引起的問(wèn)題,進(jìn)而獲得高質(zhì)量的預(yù)測(cè)密度圖。

    1.2 密度圖生成模塊

    DMG 模塊的作用是生成高分辨率的初級(jí)密度圖,其結(jié)構(gòu)如圖1 中DMG 模塊所示。由于低層特征包含更多的紋理信息,高層特征包含頭部等位置信息[13],因此DMG 模塊采用特征金字塔的結(jié)構(gòu)[14]能使輸入的低層特征圖和高層特征圖的信息有效互補(bǔ),從而得到高分辨率的初級(jí)密度圖。

    在DMG 模塊中,首先提取VGG-16 網(wǎng)絡(luò)中4 個(gè)池化層的中間特征圖,分別記為F1、F2、F3、F4;然后依次對(duì)F1、F2、F3、F4進(jìn)行特征融合。DMG 模塊首先利用特征融合策略對(duì)F4進(jìn)行兩倍上采樣,并與F3級(jí)聯(lián),利用T 操作處理得到通道數(shù)為256 的中間特征圖FC1;然后,使用T 操作將FC1和F2進(jìn)行特征融合并進(jìn)行降維操作,生成通道數(shù)為128 的特征圖FC2;最后,利用H 操作對(duì)FC2與F1級(jí)聯(lián)后的特征進(jìn)行融合,在經(jīng)過(guò)特征通道降維后得到通道數(shù)為32 的高分辨率的密度特征圖Fden,其大小為原始輸入的1/2。

    生成高分辨率的密度特征圖Fden后,為了減少圖像背景對(duì)計(jì)數(shù)結(jié)果的干擾,將Fden與BNS 模塊生成的空間注意力圖Matt進(jìn)行相乘操作,實(shí)現(xiàn)對(duì)噪聲的抑制,最后生成初級(jí)密度圖Frefine。此過(guò)程的表達(dá)式如式(1)所示:

    其中:?表示逐點(diǎn)相乘操作。

    1.3 背景噪聲抑制模塊

    BNS 模塊旨在生成對(duì)圖像背景噪聲起抑制作用的空間注意力圖Matt,其結(jié)構(gòu)如圖1 中BNS 模塊所示。由式(1)可知,空間注意力圖Matt對(duì)噪聲的抑制能力越強(qiáng),其與Fden相乘后生成初級(jí)密度圖Frefine的精確度越高。因此,為增強(qiáng)空間注意力圖抑制噪聲的能力,本文設(shè)計(jì)了基于通道域注意力ECA 模塊[15]和多層次信息融合的BNS 模塊。由于低層特征包含細(xì)節(jié)邊緣的信息,且高層特征圖具有區(qū)分頭部區(qū)域與噪聲的有效語(yǔ)義信息,因此BNS 模塊使用ECA 模塊充分提取不同層次的有效信息,提高頭部特征信息表達(dá)能力,從而生成高質(zhì)量的空間注意力圖。通道域注意力模塊ECA 的結(jié)構(gòu)如圖2 所示,其中,K為卷積核,GAP 為全局平均池化。

    圖2 ECA 模塊結(jié)構(gòu)Fig.2 Structure of ECA module

    由圖2 可知,ECA 模塊的引入不僅能增強(qiáng)低層特征圖中細(xì)節(jié)邊緣信息的表達(dá),而且能提高高層特征圖中用于區(qū)分頭部和背景的語(yǔ)義信息權(quán)重。具體而言,ECA 模塊首先利用卷積核大小為K的一維卷積獲取特征圖中每個(gè)通道以及K個(gè)相鄰?fù)ǖ乐g的交互信息,從而計(jì)算出不同通道的權(quán)重,此過(guò)程用C1DK(·)表示。然后,將計(jì)算得到的權(quán)重與原始特征圖相乘,以增強(qiáng)不同特征中有效信息的表達(dá)[15],此過(guò)程如式(2)所示:

    其中:x表示輸入特征;y表示輸出結(jié)果;sigmoid 表示sigmoid 激活函數(shù);在網(wǎng)絡(luò)中K值設(shè)為3。

    為進(jìn)一步突出空間注意力圖中前景和后景差異[12],BNS 模塊在輸出空間注意力圖前使用1×1×1 卷積對(duì)特征圖進(jìn)行降維,并使用sigmoid 函數(shù)將空間注意力圖像素點(diǎn)的值映射為(0,1),從而區(qū)分圖像中頭部區(qū)域與背景區(qū)域,此過(guò)程的表達(dá)式如式(3)所示:

    其中:Matt表示最終生成的空間注意力圖;fatt表示經(jīng)過(guò)3 個(gè)通道域注意力模塊優(yōu)化后的中間特征圖;*表示卷積操作;W和b分別表示一維卷積的權(quán)重和偏置。

    1.4 上下文感知增強(qiáng)網(wǎng)絡(luò)

    為增強(qiáng)特征圖中上下文信息的表達(dá),減少圖像透視畸變?cè)斐傻挠绊?,本文在CAN[10]模塊的基礎(chǔ)上結(jié)合特征權(quán)重增強(qiáng)模塊(Feature Weight Enhance Module,WE)進(jìn)行改進(jìn),提出WE-CAN 模塊。其中WE 模塊用于增強(qiáng)特征圖中多尺度上下文信息的表達(dá),其結(jié)構(gòu)如圖3 所示。由圖3 可知,WE 模塊的功能是提取DMG 模塊所生成初級(jí)密度圖Frefine中的多尺度特征并增強(qiáng)其中有效信息的表達(dá)。WE 模塊首先對(duì)Frefine進(jìn)行平均池化[16-17],并使用一個(gè)1×1 卷積和2 個(gè)3×3 卷積以不同的感受野提取Frefine的多尺度信息。為有效提取不同尺度的頭部特征,本文首先根據(jù)文獻(xiàn)[16]中提出的空洞空間卷積池化金字塔中對(duì)卷積核的設(shè)置,將1×1 卷積的空洞率設(shè)為1,2 個(gè)3×3卷積的空洞率分別設(shè)為6 和12。然后,對(duì)提取到的頭部特征與池化后的Frefine進(jìn)行級(jí)聯(lián)后降維輸出,記為FA。其次,利用通道域注意力模塊(Squeeze and Excitation Module,SE)[18]強(qiáng)化Frefine中有效的多尺度信息表達(dá),生成具有顯著信息的特征,記為FS。最后,對(duì)FA和FS進(jìn)行相乘操作,生成多尺度特征密度圖Fm,該過(guò)程可以表述為:

    圖3 WE-CAN 模塊結(jié)構(gòu)Fig.3 Structure of WE-CAN module

    其中:Fm表示W(wǎng)E 模塊生成的多尺度特征密度圖。

    結(jié)合WE 模塊對(duì)CAN[10]模塊進(jìn)行改進(jìn),本文提出的WE-CAN 模塊能提取特征中更詳細(xì)的空間信息和全局信息,增強(qiáng)網(wǎng)絡(luò)自適應(yīng)優(yōu)化多級(jí)上下文信息的能力,其結(jié)構(gòu)如圖3(a)所示。由圖3(a)可知,WE-CAN 模塊分為4 個(gè)步驟:首先使用4 個(gè)不同核大小的平均池化層對(duì)初級(jí)密度圖Frefine進(jìn)行多尺度特征提取,生成4 個(gè)不同尺寸的感受野,以感知上下文特征Sj,比例分別為1、2、3、6[10];其次,將Sj與WE 模塊生成的Fm相減,從而提取出目標(biāo)特征與相鄰特征的特征差異Cj,實(shí)現(xiàn)WE-CAN 模塊中的特征差異提取,其定量表述為式(5);然后,WE-CAN 模塊將計(jì)算出的Cj輸入到權(quán)重計(jì)算網(wǎng)絡(luò)中,利用一維卷積計(jì)算不同尺度在輸入特征圖中的尺度權(quán)重ωj,此過(guò)程可表述為式(6);最后,利用尺度權(quán)重ωj對(duì)初級(jí)密度圖Frefine進(jìn)行透視矯正并降維輸出,使網(wǎng)絡(luò)生成高質(zhì)量的預(yù)測(cè)密度圖Dpre,該過(guò)程可表述為式(7):

    其中:[·|·]表示級(jí)聯(lián)操作。

    2 實(shí)驗(yàn)與結(jié)果分析

    2.1 數(shù)據(jù)集

    ShanghaiTech、UCF-CC-50 以 及UCF-QNRF 數(shù)據(jù)集是目前人群計(jì)數(shù)研究中的主流數(shù)據(jù)集詳情如下:

    1)ShanghaiTech 數(shù)據(jù)集是由ZHANG[8]等提出的大型開(kāi)源數(shù)據(jù)集,該數(shù)據(jù)集由Part A 和Part B 2 個(gè)部分組成。Part A 包含從互聯(lián)網(wǎng)中隨機(jī)收集的482 張圖片,其中300 張用于訓(xùn)練,182 張用于測(cè)試。Part B則包含716 張拍攝于上海繁華街道的圖片,其中400 張用于訓(xùn)練,316 張用于測(cè)試。

    2)UCF-CC-50 數(shù)據(jù)集[19]是一個(gè)包含擁擠人群圖片的開(kāi)源數(shù)據(jù)集,一共包括50 張不同分辨率的人群圖片。該數(shù)據(jù)集圖片人數(shù)變化大,人群范圍跨度大,從94 人到4 543 人,平均每張圖片1 280 人。為更好地驗(yàn)證模型的準(zhǔn)確性,在實(shí)驗(yàn)過(guò)程中使用與文獻(xiàn)[20]相同的5 折交叉驗(yàn)證法:首先在不重復(fù)的前提下將數(shù)據(jù)集平均劃分為5 份,每份10 張圖像。然后每次選擇不同的一份作為測(cè)試集,將余下的4 份作為訓(xùn)練集進(jìn)行訓(xùn)練,分別獲得5 組測(cè)試結(jié)果,最后取5 組測(cè)試結(jié)果的平均值作為模型的性能指標(biāo),并與其他網(wǎng)絡(luò)進(jìn)行比較。

    3)UCF-QNRF 數(shù)據(jù)集[20]是一個(gè)復(fù)雜且擁擠的人群數(shù)據(jù)集,共包含1 251 642 處人體標(biāo)注。該數(shù)據(jù)集共有1 535 張圖像,訓(xùn)練集由1 201 張圖像組成,其余334 張作為測(cè)試集。UCF-QNRF 數(shù)據(jù)集不僅包含多種多樣的環(huán)境背景,而且數(shù)據(jù)集中圖像的分辨率差異較大,具有一定的挑戰(zhàn)性。

    本文采用的3 個(gè)數(shù)據(jù)集對(duì)比結(jié)果如表1 所示。

    表1 本文數(shù)據(jù)集信息Table 1 Information of datasets in this paper

    2.2 數(shù)據(jù)處理

    2.2.1 真實(shí)人群密度圖生成

    由于現(xiàn)有的人群計(jì)數(shù)數(shù)據(jù)集只標(biāo)注了圖像中人頭的位置,因此需要將人頭位置轉(zhuǎn)化為真實(shí)人群密度圖以提供更多的監(jiān)督信息。本文按照文獻(xiàn)[8]中生成密度圖的方法,對(duì)所有的目標(biāo)均采用內(nèi)核大小相同的高斯濾波器進(jìn)行處理。首先使用δ(x-xi)表示圖像在像素點(diǎn)xi上的頭部標(biāo)注,然后利用標(biāo)準(zhǔn)差為σi的高斯核濾波器Gσi對(duì)每個(gè)頭部標(biāo)注進(jìn)行高斯模糊處理,進(jìn)而得到相應(yīng)的真實(shí)人群密度圖DGT,該過(guò)程可定量描述為:

    其中:標(biāo)準(zhǔn)差σi由K最近鄰算法計(jì)算得出;表示xi和k個(gè)相鄰點(diǎn)之間的距離,k設(shè)為3;β為超參數(shù),根據(jù)文獻(xiàn)[7]將其設(shè)為0.3。

    2.2.2 真實(shí)空間注意力圖生成

    為使網(wǎng)絡(luò)生成預(yù)測(cè)空間注意力圖,實(shí)現(xiàn)對(duì)預(yù)測(cè)密度圖的權(quán)重分配,本文根據(jù)文獻(xiàn)[12]設(shè)定閾值的方式對(duì)真實(shí)人群密度圖DGT進(jìn)行二值化處理,將人群區(qū)域和背景區(qū)域進(jìn)行分割,從而獲得真實(shí)空間注意力圖ΑGT,該過(guò)程可定量描述為:

    其中:x表示DGT中不同位置像素點(diǎn)的值;t表示閾值,在本文實(shí)驗(yàn)中將其設(shè)為0.001。

    2.3 訓(xùn)練方法

    本文基于Pytorch框架,在Ubuntu18.04系統(tǒng)和RTX 2080Ti GPU 條件下進(jìn)行實(shí)驗(yàn)。為提高訓(xùn)練速度和計(jì)數(shù)精度,本文導(dǎo)入VGG-16 預(yù)訓(xùn)練模型并將其作為前端特征提取器,其余網(wǎng)絡(luò)參數(shù)初始值由均值為0、標(biāo)準(zhǔn)差為0.01 的高斯分布隨機(jī)生成。同時(shí),采用Adam 優(yōu)化器訓(xùn)練,學(xué)習(xí)率設(shè)為1×10-4,權(quán)重衰減設(shè)為5×10-3,迭代次數(shù)設(shè)為800 次,批量化大小設(shè)為8。

    2.4 多任務(wù)聯(lián)合損失函數(shù)

    為獲得精確的人群估計(jì)結(jié)果,本文根據(jù)文獻(xiàn)[12]的方法,將多任務(wù)聯(lián)合損失函數(shù)分別用于訓(xùn)練網(wǎng)絡(luò)生成有效的預(yù)測(cè)空間注意力圖和精準(zhǔn)的預(yù)測(cè)密度圖。此外,基于現(xiàn)有的研究,本文利用歐氏幾何距離測(cè)量預(yù)測(cè)人群密度圖和真實(shí)人群密度圖之間的差值并將其作為損失函數(shù),以用于訓(xùn)練網(wǎng)絡(luò)模型生成預(yù)測(cè)密度圖。損失函數(shù)的表達(dá)式如式(11)所示:

    其中:F(Xi;Θ)表示預(yù)測(cè)的人群密度圖;Θ表示網(wǎng)絡(luò)學(xué)習(xí)參量;xi和DGT分別表示輸入圖像和真實(shí)人群密度圖。

    為得到有效的空間注意力圖,本文在訓(xùn)練過(guò)程中采用二進(jìn)制交叉熵?fù)p失(Binary Cross Entropy Loss,BCELoss)作為損失函數(shù),計(jì)算人群空間注意力圖與真實(shí)人群空間注意力圖之間的差值。損失函數(shù)的表達(dá)式如式(12)所示:

    其中:表示真實(shí)人群空間注意力圖;Pi是經(jīng)過(guò)sigmoid 函數(shù)處理后預(yù)測(cè)空間注意力圖中每個(gè)像素的概率值。

    在訓(xùn)練過(guò)程中使用多任務(wù)結(jié)合損失函數(shù)實(shí)現(xiàn)端到端的訓(xùn)練,多任務(wù)聯(lián)合損失函數(shù)表達(dá)式如式(13)所示:

    其中:α為超參數(shù),設(shè)其為0.1。

    2.5 評(píng)價(jià)指標(biāo)

    現(xiàn)有的研究主要使用平均絕對(duì)誤差(Mean Absolute Error,MAE)和均方誤差(Mean Square Error,MSE)對(duì)模型進(jìn)行評(píng)估,MAE 反映了網(wǎng)絡(luò)的準(zhǔn)確性,而MSE 體現(xiàn)了網(wǎng)絡(luò)的泛化能力。其計(jì)算過(guò)程分別如式(14)和式(15)所示:

    其中:N表示測(cè)試集中測(cè)試圖像的數(shù)量;分別表示網(wǎng)絡(luò)預(yù)測(cè)的人群總數(shù)和真實(shí)人群密度圖中的人群總數(shù)。

    2.6 結(jié)果分析

    為驗(yàn)證本文網(wǎng)絡(luò)的有效性,在人群計(jì)數(shù)任務(wù)數(shù)據(jù) 集ShanghaiTech、UCF-CC-50 以 及UCF-QNRF 數(shù)據(jù)集上分別進(jìn)行實(shí)驗(yàn),并與現(xiàn)有的其他網(wǎng)絡(luò)包括MCNN[7],SwitchCNN[8],CSRNet[9],多尺度聚合網(wǎng)絡(luò)(Multi-Scale Aggregation Network,SANet)[21],CAN[10],關(guān)系注意力神經(jīng)網(wǎng)絡(luò)(Relational Attention Network,RANet)[22],SFANet[12],泛密度神經(jīng)網(wǎng)絡(luò)(Pan-Density Neural Network,PaDNet)[23],密度感知卷積神經(jīng)網(wǎng)絡(luò)(Density-Aware CNN,DensityCNN)[24]以及多尺度感知人群計(jì)數(shù)神經(jīng)網(wǎng)絡(luò)(Scale-Aware Crowd Counting Network,SACCN)[25]進(jìn)行對(duì)比分析,實(shí)驗(yàn)結(jié)果如表2 所示。

    表2 不同網(wǎng)絡(luò)在公開(kāi)數(shù)據(jù)集上的MAE 與MSE 結(jié)果比較Table 2 Comparison on MAE and MSE of different networks on public datasets

    由表2 可知,對(duì)于ShanghaiTech 數(shù)據(jù)集,本文網(wǎng)絡(luò)模型在密集程度較高的Part A 子集上的MAE 和MSE 分別為56.6 和97.6,均達(dá)到了先進(jìn)水平。同時(shí)在人群密度較低的Part B 子集中,本文網(wǎng)絡(luò)也取得了所有對(duì)比網(wǎng)絡(luò)中最佳的MAE 和MSE,分別為6.3和10.2,相比SFANet 分別下降了8.7%和6.4%。在樣本量較少,但視角豐富的UCF-CC-50 數(shù)據(jù)集中,本文網(wǎng)絡(luò)取得了對(duì)比網(wǎng)絡(luò)中最低的MAE 和MSE,分別為160.6 和224.7,與SFANet 相比分別下降了26.9%和28.9%。在場(chǎng)景豐富、圖像視角多樣的UCF-QNRF 數(shù)據(jù)集中,本文網(wǎng)絡(luò)的MAE 和MSE 分別為85.8 和146.0,取得了對(duì)比網(wǎng)絡(luò)中的最佳結(jié)果,與SFANet 相比MAE 下降了14.9%,MSE 下降了16.3%。

    表2 的實(shí)驗(yàn)數(shù)據(jù)說(shuō)明本文網(wǎng)絡(luò)在擁擠人群和稀疏人群場(chǎng)景中均具有較高的準(zhǔn)確性,而且在圖像畸變較為嚴(yán)重、背景環(huán)境復(fù)雜多樣的擁擠人群場(chǎng)景中具有良好性能,體現(xiàn)了該網(wǎng)絡(luò)良好的泛化能力和較強(qiáng)的魯棒性。

    2.7 消融性實(shí)驗(yàn)

    為驗(yàn)證BNS 模塊和WE-CAN 模塊的有效性,在ShanghaiTech 數(shù)據(jù)集上進(jìn)行實(shí)驗(yàn),分析不同模塊對(duì)網(wǎng)絡(luò)性能的影響。

    消融實(shí)驗(yàn)結(jié)果如表3 所示。首先以SFANet 作為基線(xiàn)網(wǎng)絡(luò),并在其基礎(chǔ)上增加BNS 模塊進(jìn)行實(shí)驗(yàn),從而驗(yàn)證BNS 模塊的有效性。此外,為驗(yàn)證WE-CAN模塊的有效性,在基線(xiàn)網(wǎng)絡(luò)添加了BNS 模塊的基礎(chǔ)上分別添加CAN 模塊和WE-CAN 模塊進(jìn)行對(duì)比實(shí)驗(yàn)。由表3 可知,SFANet 增加BNS 模塊后在Part A數(shù)據(jù)集上的MAE 下降1.5%,在Part B 數(shù)據(jù)集的MAE下 降2.9%,MSE 下 降4.6%。當(dāng)SFANet 依次增加BNS 模塊和CAN 模塊后,Part A 數(shù)據(jù)集的MAE 相比SFANet 下降3.5%,Part B 數(shù)據(jù)集的MAE 下降4.3%,MSE 下降4.6%。當(dāng)網(wǎng)絡(luò)增加了WE-CAN 模塊后,在Part A 數(shù)據(jù)集的MAE 下 降5.3%,Part B 數(shù)據(jù)集的MAE 和MSE 分別下降了8.7%和6.4%。上述消融性實(shí)驗(yàn)驗(yàn)證了本文設(shè)計(jì)的BNS 模塊和WE-CAN 模塊在人群計(jì)數(shù)任務(wù)中的有效性和合理性。

    表3 消融實(shí)驗(yàn)結(jié)果Table 3 Results of ablation experiment

    2.8 結(jié)果可視化

    將本文網(wǎng)絡(luò)和SFANet 生成的密度圖進(jìn)行對(duì)比,結(jié)果如圖4 所示(彩色效果見(jiàn)《計(jì)算機(jī)工程》官網(wǎng)HTML 版)。

    圖4 本文網(wǎng)絡(luò)與SFANet 的預(yù)測(cè)密度圖比較Fig.4 Comparison of predict density map between SFANet and network in this paper

    由圖4 可知,當(dāng)擁擠人群存在旗幟等遮擋物的時(shí)候,SFANet 無(wú)法很好區(qū)分人群和背景區(qū)域,容易將旗幟上的圖案判定為人體特征,導(dǎo)致最終預(yù)測(cè)結(jié)果誤差較大。而本文網(wǎng)絡(luò)能有效抑制噪聲,使生成的預(yù)測(cè)密度圖能準(zhǔn)確突出人群區(qū)域,提高人群計(jì)數(shù)任務(wù)的計(jì)算精度。

    此外,本文網(wǎng)絡(luò)能生成較精確的預(yù)測(cè)空間注意力圖和預(yù)測(cè)密度圖,且能進(jìn)行可視化,可視化結(jié)果如圖5所示(彩色效果見(jiàn)《計(jì)算機(jī)工程》官網(wǎng)HTML 版)。

    圖5 本文網(wǎng)絡(luò)的實(shí)驗(yàn)效果展示Fig.5 Experimental effect display of network in this paper

    由圖5 左數(shù)第1 列、第2 列圖可知,針對(duì)存在背景干擾較嚴(yán)重的擁擠人群場(chǎng)景的圖像,本文網(wǎng)絡(luò)能將圖像中存在的汽車(chē)、樹(shù)木等遮擋物識(shí)別為背景元素,減少遮擋物對(duì)預(yù)測(cè)結(jié)果的干擾。由圖5 左數(shù)第3 列圖可知,針對(duì)目標(biāo)尺度變化較大的圖像,本文網(wǎng)絡(luò)生成的預(yù)測(cè)空間注意力圖和預(yù)測(cè)密度圖均能較好地對(duì)圖像中的多尺度目標(biāo)進(jìn)行檢測(cè)。由圖5 左數(shù)第4 列圖可知,針對(duì)稀疏人群場(chǎng)景的圖像,本文網(wǎng)絡(luò)也能生成精確的預(yù)測(cè)空間注意力圖和預(yù)測(cè)密度圖,體現(xiàn)了該網(wǎng)絡(luò)良好的跨場(chǎng)景計(jì)數(shù)能力。

    綜上所述,本文網(wǎng)絡(luò)能生成高質(zhì)量的預(yù)測(cè)密度圖,在有效抑制圖像噪聲干擾的同時(shí),也能有效減少透視畸變引起的估計(jì)誤差,展示了該網(wǎng)絡(luò)在人群計(jì)數(shù)領(lǐng)域中優(yōu)越的性能。

    3 結(jié)束語(yǔ)

    本文提出基于背景抑制與上下文感知的人群計(jì)數(shù)網(wǎng)絡(luò),通過(guò)引入DMG 模塊有效提取不同層次特征的有效信息,生成高分辨率的特征圖,并利用BNS 模塊充分抑制圖像噪聲干擾,提高模型的人群計(jì)數(shù)精度。此外,采用WE-CAN 模塊解決圖像存在的透視畸變問(wèn)題,在對(duì)網(wǎng)絡(luò)模型進(jìn)行訓(xùn)練時(shí)采用多任務(wù)的聯(lián)合損失函數(shù),以提高模型的計(jì)數(shù)精度。實(shí)驗(yàn)結(jié)果表明,本文網(wǎng)絡(luò)在UCF-QNRF 數(shù)據(jù)集上的平均絕對(duì)誤差和均方誤差分別為85.8、146.0,相較于MCNN、SwitchCNN、CSRNet 等網(wǎng)絡(luò)最高分別下降69.0%和67.2%,具有良好的泛化能力和較強(qiáng)的魯棒性。下一步將引入霧霾、暴雨等復(fù)雜天氣變化的數(shù)據(jù)樣本和存在低光照、過(guò)曝等光照變化的數(shù)據(jù)樣本對(duì)模型進(jìn)行訓(xùn)練,提高網(wǎng)絡(luò)在復(fù)雜環(huán)境下的計(jì)算精度。

    猜你喜歡
    計(jì)數(shù)注意力卷積
    讓注意力“飛”回來(lái)
    古人計(jì)數(shù)
    基于3D-Winograd的快速卷積算法設(shè)計(jì)及FPGA實(shí)現(xiàn)
    遞歸計(jì)數(shù)的六種方式
    古代的計(jì)數(shù)方法
    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(biāo)跟蹤算法
    這樣“計(jì)數(shù)”不惱人
    “揚(yáng)眼”APP:讓注意力“變現(xiàn)”
    A Beautiful Way Of Looking At Things
    大又大粗又爽又黄少妇毛片口| 久久99一区二区三区| 日产精品乱码卡一卡2卡三| 桃花免费在线播放| 六月丁香七月| 三上悠亚av全集在线观看 | 日本vs欧美在线观看视频 | 亚洲电影在线观看av| 精品久久久久久久久亚洲| 久久午夜综合久久蜜桃| 国产美女午夜福利| 精品视频人人做人人爽| 久久久久久久久久久久大奶| 男女边吃奶边做爰视频| 午夜激情福利司机影院| 一级毛片aaaaaa免费看小| 国产精品久久久久久久电影| 七月丁香在线播放| 亚洲欧美清纯卡通| 高清在线视频一区二区三区| av福利片在线观看| 桃花免费在线播放| 老司机亚洲免费影院| 精品亚洲成国产av| 国产熟女欧美一区二区| av又黄又爽大尺度在线免费看| 一区二区三区免费毛片| 日日啪夜夜爽| 美女脱内裤让男人舔精品视频| 如日韩欧美国产精品一区二区三区 | 国产精品一区二区性色av| 久久久久视频综合| 亚洲国产色片| 国产日韩欧美在线精品| 人妻夜夜爽99麻豆av| 女人精品久久久久毛片| 2021少妇久久久久久久久久久| 伊人久久国产一区二区| 国产熟女欧美一区二区| 精品久久久久久久久av| 免费黄色在线免费观看| 亚洲无线观看免费| 五月伊人婷婷丁香| 大片免费播放器 马上看| 久久久久久久国产电影| 欧美日韩综合久久久久久| 老司机亚洲免费影院| 久久精品国产鲁丝片午夜精品| 国产精品一区二区三区四区免费观看| 亚洲国产av新网站| 99九九在线精品视频 | 少妇的逼好多水| 热99国产精品久久久久久7| 日本91视频免费播放| 最近中文字幕2019免费版| 亚洲国产av新网站| 国产精品熟女久久久久浪| 免费黄频网站在线观看国产| 天天操日日干夜夜撸| 亚洲欧洲日产国产| 韩国av在线不卡| 久久久久久久久久久久大奶| av视频免费观看在线观看| 亚洲欧美精品自产自拍| 少妇的逼好多水| 熟女人妻精品中文字幕| 两个人免费观看高清视频 | 丝袜脚勾引网站| 极品少妇高潮喷水抽搐| 亚洲成人av在线免费| 菩萨蛮人人尽说江南好唐韦庄| 亚洲欧美日韩卡通动漫| 在现免费观看毛片| 欧美 亚洲 国产 日韩一| 老司机影院毛片| 国产精品不卡视频一区二区| 欧美+日韩+精品| 国产男女超爽视频在线观看| 午夜福利在线观看免费完整高清在| 久久久午夜欧美精品| 欧美亚洲 丝袜 人妻 在线| 成人黄色视频免费在线看| 3wmmmm亚洲av在线观看| 69精品国产乱码久久久| 99热网站在线观看| 免费av中文字幕在线| 久久ye,这里只有精品| 少妇猛男粗大的猛烈进出视频| 一级毛片我不卡| 简卡轻食公司| 成年av动漫网址| 国产黄片美女视频| 国产男人的电影天堂91| 欧美丝袜亚洲另类| 久久久久久久久久人人人人人人| 十分钟在线观看高清视频www | 国产亚洲av片在线观看秒播厂| 九九在线视频观看精品| 夫妻午夜视频| 欧美 日韩 精品 国产| 少妇高潮的动态图| 国产成人免费观看mmmm| 乱系列少妇在线播放| 亚洲人成网站在线观看播放| 观看av在线不卡| 嫩草影院入口| 中文字幕久久专区| 久久久亚洲精品成人影院| 亚洲精品国产成人久久av| 欧美丝袜亚洲另类| 全区人妻精品视频| 国产亚洲最大av| 麻豆精品久久久久久蜜桃| 人妻一区二区av| 日本色播在线视频| 我要看黄色一级片免费的| 黄色欧美视频在线观看| 国产精品偷伦视频观看了| 免费大片18禁| 高清毛片免费看| 国产熟女欧美一区二区| 青春草亚洲视频在线观看| 成人二区视频| 免费观看av网站的网址| 丰满迷人的少妇在线观看| 亚洲精品456在线播放app| .国产精品久久| 亚洲国产欧美在线一区| 久久精品久久久久久久性| 免费大片黄手机在线观看| 国产精品秋霞免费鲁丝片| 国内精品宾馆在线| 国产精品国产av在线观看| 少妇人妻一区二区三区视频| 我要看黄色一级片免费的| av视频免费观看在线观看| 欧美日韩视频精品一区| 2021少妇久久久久久久久久久| 国产午夜精品一二区理论片| 成人18禁高潮啪啪吃奶动态图 | 国产69精品久久久久777片| 内射极品少妇av片p| 成人黄色视频免费在线看| 少妇猛男粗大的猛烈进出视频| 国产色爽女视频免费观看| 国产成人精品福利久久| 久久精品久久久久久噜噜老黄| 日日爽夜夜爽网站| 91精品国产九色| www.av在线官网国产| 人人妻人人澡人人看| 一区二区三区免费毛片| 亚洲国产精品999| 26uuu在线亚洲综合色| 一本久久精品| 人妻一区二区av| 精品久久久久久电影网| 亚洲欧美日韩另类电影网站| 久久国产精品大桥未久av | 亚洲在久久综合| 久久久久久伊人网av| 国产片特级美女逼逼视频| 亚洲欧美成人精品一区二区| 一级毛片 在线播放| 欧美日韩av久久| 伦精品一区二区三区| 九九久久精品国产亚洲av麻豆| 一本一本综合久久| 女性生殖器流出的白浆| 欧美国产精品一级二级三级 | 一本—道久久a久久精品蜜桃钙片| 欧美日韩av久久| 伊人久久精品亚洲午夜| 国产精品欧美亚洲77777| 另类精品久久| 高清黄色对白视频在线免费看 | 大陆偷拍与自拍| 久久人人爽人人爽人人片va| videossex国产| 麻豆精品久久久久久蜜桃| 少妇的逼水好多| 在线天堂最新版资源| 亚洲欧洲精品一区二区精品久久久 | 精品国产国语对白av| 美女中出高潮动态图| 免费人妻精品一区二区三区视频| 成人无遮挡网站| 秋霞伦理黄片| 九九久久精品国产亚洲av麻豆| 99九九在线精品视频 | 久久 成人 亚洲| 亚洲,一卡二卡三卡| 日韩 亚洲 欧美在线| 国产成人freesex在线| 99久久中文字幕三级久久日本| 99热6这里只有精品| 免费av不卡在线播放| 亚洲精品国产成人久久av| 亚洲不卡免费看| 中文天堂在线官网| 一区二区三区免费毛片| 另类亚洲欧美激情| 亚洲精品乱久久久久久| 欧美 日韩 精品 国产| 成人毛片60女人毛片免费| 人人澡人人妻人| 99久久人妻综合| 男女边摸边吃奶| 啦啦啦视频在线资源免费观看| 亚洲不卡免费看| 国产在线视频一区二区| 男女边吃奶边做爰视频| videos熟女内射| 男的添女的下面高潮视频| 国产男女内射视频| 国产黄色视频一区二区在线观看| 最近中文字幕2019免费版| 七月丁香在线播放| 麻豆成人午夜福利视频| 99视频精品全部免费 在线| 日韩强制内射视频| 一级爰片在线观看| 久久久久精品久久久久真实原创| 日韩一区二区三区影片| 在线看a的网站| 色视频在线一区二区三区| 日本欧美视频一区| 少妇人妻 视频| 国产精品一区www在线观看| av有码第一页| 天堂8中文在线网| 丝袜喷水一区| 少妇被粗大猛烈的视频| 韩国av在线不卡| 人体艺术视频欧美日本| 一二三四中文在线观看免费高清| 亚洲欧美成人精品一区二区| 国产男女内射视频| 亚洲国产毛片av蜜桃av| 成人国产麻豆网| 乱系列少妇在线播放| 波野结衣二区三区在线| 天堂8中文在线网| 中文字幕久久专区| 亚洲怡红院男人天堂| 国产日韩欧美视频二区| 成人毛片a级毛片在线播放| 中文字幕av电影在线播放| 国产淫语在线视频| 我的女老师完整版在线观看| 高清毛片免费看| 2022亚洲国产成人精品| 成年人午夜在线观看视频| 国产一区二区三区综合在线观看 | 亚洲av成人精品一二三区| 亚洲欧美日韩另类电影网站| 纵有疾风起免费观看全集完整版| 精品国产国语对白av| 人妻一区二区av| 在线观看三级黄色| 亚洲精品一区蜜桃| 哪个播放器可以免费观看大片| 国产精品嫩草影院av在线观看| 精品酒店卫生间| 欧美国产精品一级二级三级 | 男女边吃奶边做爰视频| 亚洲第一av免费看| 亚洲欧洲国产日韩| 婷婷色av中文字幕| 亚洲精品乱码久久久久久按摩| 性色avwww在线观看| 在线精品无人区一区二区三| 国产精品一区二区在线不卡| 日韩欧美一区视频在线观看 | kizo精华| 成人特级av手机在线观看| 老女人水多毛片| 久久国产乱子免费精品| 韩国av在线不卡| 国产免费福利视频在线观看| 午夜老司机福利剧场| 欧美人与善性xxx| 国国产精品蜜臀av免费| 欧美一级a爱片免费观看看| 草草在线视频免费看| a级毛色黄片| 欧美精品一区二区大全| 伦理电影免费视频| 国产av一区二区精品久久| 国产精品秋霞免费鲁丝片| 另类精品久久| 国产精品偷伦视频观看了| 大片免费播放器 马上看| 自线自在国产av| av国产久精品久网站免费入址| 乱人伦中国视频| 亚洲精品aⅴ在线观看| 人人妻人人添人人爽欧美一区卜| 亚洲精品乱码久久久v下载方式| 边亲边吃奶的免费视频| 嫩草影院新地址| 熟妇人妻不卡中文字幕| 欧美区成人在线视频| 亚洲精品色激情综合| 狂野欧美白嫩少妇大欣赏| 黄色一级大片看看| 99久久中文字幕三级久久日本| 日韩 亚洲 欧美在线| 久久鲁丝午夜福利片| 五月玫瑰六月丁香| 免费黄色在线免费观看| 人妻一区二区av| 国产成人免费观看mmmm| 一本一本综合久久| 男女无遮挡免费网站观看| 男的添女的下面高潮视频| 亚洲va在线va天堂va国产| 三级经典国产精品| 日日摸夜夜添夜夜爱| 日日摸夜夜添夜夜添av毛片| 欧美国产精品一级二级三级 | 99热网站在线观看| 高清在线视频一区二区三区| 亚洲国产精品专区欧美| 久久精品国产a三级三级三级| 国产真实伦视频高清在线观看| 亚洲欧美一区二区三区国产| 边亲边吃奶的免费视频| 丝袜脚勾引网站| 亚洲欧美一区二区三区黑人 | 国产永久视频网站| 久久久久精品性色| a级毛片在线看网站| 在线 av 中文字幕| 久久99一区二区三区| 一本大道久久a久久精品| h日本视频在线播放| 嫩草影院新地址| 午夜福利,免费看| 欧美少妇被猛烈插入视频| 男人添女人高潮全过程视频| 国产男女内射视频| 80岁老熟妇乱子伦牲交| 成人影院久久| 91精品一卡2卡3卡4卡| a级毛片免费高清观看在线播放| 午夜精品国产一区二区电影| 伦精品一区二区三区| 麻豆精品久久久久久蜜桃| 成人美女网站在线观看视频| 免费黄网站久久成人精品| 亚洲美女搞黄在线观看| 九草在线视频观看| 国产一区二区在线观看日韩| 一二三四中文在线观看免费高清| 性色av一级| 精品国产露脸久久av麻豆| 色哟哟·www| 国产一级毛片在线| 成年人免费黄色播放视频 | 狂野欧美激情性xxxx在线观看| 在线亚洲精品国产二区图片欧美 | 午夜av观看不卡| 性色av一级| 亚洲欧美精品专区久久| 另类精品久久| 精品国产乱码久久久久久小说| 欧美成人精品欧美一级黄| 一级,二级,三级黄色视频| 国产精品熟女久久久久浪| 你懂的网址亚洲精品在线观看| 国产精品久久久久久av不卡| 久久久国产精品麻豆| 国产av国产精品国产| 亚洲在久久综合| 久久人人爽av亚洲精品天堂| 久久久欧美国产精品| 欧美国产精品一级二级三级 | a级毛片免费高清观看在线播放| 99久久精品一区二区三区| 日韩av免费高清视频| 久久久久久久亚洲中文字幕| 一级片'在线观看视频| 日韩视频在线欧美| 午夜激情久久久久久久| a级一级毛片免费在线观看| 欧美国产精品一级二级三级 | 欧美性感艳星| 亚洲久久久国产精品| 9色porny在线观看| 欧美+日韩+精品| 久久人人爽av亚洲精品天堂| 免费大片黄手机在线观看| 国产高清有码在线观看视频| 国产在线视频一区二区| 久久 成人 亚洲| 久久久国产精品麻豆| 嫩草影院入口| 人体艺术视频欧美日本| 男人和女人高潮做爰伦理| 国产免费福利视频在线观看| 欧美精品亚洲一区二区| 亚洲精品乱码久久久久久按摩| 欧美xxxx性猛交bbbb| freevideosex欧美| 国产精品伦人一区二区| 街头女战士在线观看网站| 欧美3d第一页| 26uuu在线亚洲综合色| 蜜桃久久精品国产亚洲av| 亚洲av成人精品一二三区| 久久精品国产a三级三级三级| www.色视频.com| 久久久国产欧美日韩av| 黑人高潮一二区| 日本91视频免费播放| 日韩三级伦理在线观看| 日韩一区二区视频免费看| 多毛熟女@视频| 99久久精品一区二区三区| 欧美另类一区| 尾随美女入室| 一区二区三区四区激情视频| 看十八女毛片水多多多| 国语对白做爰xxxⅹ性视频网站| 中文字幕人妻丝袜制服| 丝袜脚勾引网站| 久久免费观看电影| 青春草国产在线视频| 如日韩欧美国产精品一区二区三区 | 男女国产视频网站| 国产毛片在线视频| av在线播放精品| 伊人久久精品亚洲午夜| 热re99久久国产66热| 欧美日韩综合久久久久久| 国产精品久久久久成人av| 日本-黄色视频高清免费观看| videossex国产| 全区人妻精品视频| 亚洲国产色片| 欧美亚洲 丝袜 人妻 在线| 男人狂女人下面高潮的视频| 亚洲美女视频黄频| 99热这里只有是精品50| √禁漫天堂资源中文www| 久久毛片免费看一区二区三区| 99九九线精品视频在线观看视频| 国产成人精品福利久久| 性色avwww在线观看| 日本黄大片高清| 乱系列少妇在线播放| 这个男人来自地球电影免费观看 | 免费观看无遮挡的男女| 在线天堂最新版资源| 色婷婷久久久亚洲欧美| 亚洲av国产av综合av卡| 在线观看www视频免费| 一区在线观看完整版| 欧美成人午夜免费资源| 五月玫瑰六月丁香| a级片在线免费高清观看视频| 国产精品女同一区二区软件| 欧美日本中文国产一区发布| 美女内射精品一级片tv| 寂寞人妻少妇视频99o| 99热全是精品| 日本wwww免费看| 精品一区二区三卡| 人人澡人人妻人| 岛国毛片在线播放| 男人和女人高潮做爰伦理| 男女啪啪激烈高潮av片| 国产精品久久久久久精品电影小说| 插逼视频在线观看| 97精品久久久久久久久久精品| 国产亚洲5aaaaa淫片| 婷婷色av中文字幕| 丰满人妻一区二区三区视频av| 成人午夜精彩视频在线观看| 久久人人爽av亚洲精品天堂| 国产av码专区亚洲av| 欧美xxxx性猛交bbbb| 美女主播在线视频| tube8黄色片| 国产高清国产精品国产三级| 亚洲中文av在线| 男人和女人高潮做爰伦理| 蜜臀久久99精品久久宅男| 自线自在国产av| 高清av免费在线| 久久精品国产亚洲av涩爱| 好男人视频免费观看在线| 免费观看在线日韩| 欧美丝袜亚洲另类| 日韩大片免费观看网站| 中文资源天堂在线| 人妻人人澡人人爽人人| a级毛片在线看网站| 中文字幕亚洲精品专区| 久久人人爽人人爽人人片va| 国产成人freesex在线| 美女cb高潮喷水在线观看| 在线观看av片永久免费下载| 特大巨黑吊av在线直播| 久久久国产一区二区| 人妻一区二区av| 一级毛片我不卡| freevideosex欧美| 十八禁高潮呻吟视频 | 久久精品国产亚洲av涩爱| 春色校园在线视频观看| 久久99蜜桃精品久久| 乱码一卡2卡4卡精品| av天堂久久9| 夫妻性生交免费视频一级片| 黄色视频在线播放观看不卡| 少妇丰满av| 免费人成在线观看视频色| 国产高清有码在线观看视频| 纵有疾风起免费观看全集完整版| 18禁动态无遮挡网站| 日韩中文字幕视频在线看片| 一个人看视频在线观看www免费| 最后的刺客免费高清国语| 男的添女的下面高潮视频| av福利片在线| 妹子高潮喷水视频| 欧美精品一区二区免费开放| 国产精品一二三区在线看| 男人舔奶头视频| 国产成人aa在线观看| 精品人妻偷拍中文字幕| 人妻少妇偷人精品九色| 亚洲精品视频女| 99热这里只有是精品在线观看| 亚洲欧美精品专区久久| 国产精品久久久久久久久免| 69精品国产乱码久久久| 欧美日韩亚洲高清精品| 国产精品成人在线| 久热久热在线精品观看| 一区在线观看完整版| 亚洲人成网站在线播| 国产精品秋霞免费鲁丝片| av线在线观看网站| 精品久久久久久电影网| 极品少妇高潮喷水抽搐| 爱豆传媒免费全集在线观看| 国产高清三级在线| 日韩av免费高清视频| 亚洲精华国产精华液的使用体验| a级毛片免费高清观看在线播放| 久久久欧美国产精品| 中国国产av一级| 成年人免费黄色播放视频 | 新久久久久国产一级毛片| av又黄又爽大尺度在线免费看| 午夜免费观看性视频| 我要看日韩黄色一级片| 国产探花极品一区二区| 有码 亚洲区| 精品卡一卡二卡四卡免费| .国产精品久久| 亚洲欧美清纯卡通| 夫妻性生交免费视频一级片| 青青草视频在线视频观看| 国产在线男女| 99久久中文字幕三级久久日本| 亚洲国产精品国产精品| 日本wwww免费看| 国产爽快片一区二区三区| 最新的欧美精品一区二区| 日韩亚洲欧美综合| 人妻夜夜爽99麻豆av| 精品久久久精品久久久| 伦理电影大哥的女人| 美女福利国产在线| 欧美日韩综合久久久久久| 女性被躁到高潮视频| 日韩一本色道免费dvd| 亚洲av综合色区一区| 亚洲欧洲国产日韩| 亚洲国产毛片av蜜桃av| 欧美国产精品一级二级三级 | 日韩制服骚丝袜av| 国产日韩欧美在线精品| a级毛片免费高清观看在线播放| 国产精品99久久久久久久久| 国产免费视频播放在线视频| 中文字幕人妻丝袜制服| 欧美xxxx性猛交bbbb| 哪个播放器可以免费观看大片| 亚洲av在线观看美女高潮| 国产精品人妻久久久影院| www.av在线官网国产| 少妇熟女欧美另类| 在线观看三级黄色| 亚洲av二区三区四区| 在线观看www视频免费| 少妇的逼好多水| 色网站视频免费| 国产精品伦人一区二区| 国国产精品蜜臀av免费| 国产熟女欧美一区二区| 亚洲国产成人一精品久久久| 噜噜噜噜噜久久久久久91| 国产成人精品久久久久久| 久久久久久久大尺度免费视频| 国产男人的电影天堂91| 波野结衣二区三区在线| 亚洲精品中文字幕在线视频 | videos熟女内射| av在线播放精品| 国产精品国产三级专区第一集|