• <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
    免费在线观看完整版高清| 激情在线观看视频在线高清 | 国产人伦9x9x在线观看| 亚洲第一av免费看| 99精品久久久久人妻精品| 老司机在亚洲福利影院| 亚洲精品中文字幕一二三四区 | av欧美777| 多毛熟女@视频| 国产一区有黄有色的免费视频| 视频区图区小说| 午夜视频精品福利| 69精品国产乱码久久久| 国产精品久久久久久精品古装| 亚洲精华国产精华精| 777久久人妻少妇嫩草av网站| 性色av乱码一区二区三区2| 中文字幕精品免费在线观看视频| 岛国毛片在线播放| 黄色毛片三级朝国网站| 国产免费现黄频在线看| 日韩欧美免费精品| 99国产精品免费福利视频| 手机成人av网站| 国产精品免费大片| 欧美在线一区亚洲| 老熟妇仑乱视频hdxx| 精品久久久久久电影网| 十八禁高潮呻吟视频| 精品欧美一区二区三区在线| 久久精品国产亚洲av香蕉五月 | 欧美乱妇无乱码| 男人舔女人的私密视频| 夜夜夜夜夜久久久久| 高清视频免费观看一区二区| 午夜福利视频在线观看免费| 激情在线观看视频在线高清 | 欧美一级毛片孕妇| 黄片大片在线免费观看| 日本五十路高清| 人妻久久中文字幕网| 午夜福利,免费看| 国产成人精品久久二区二区免费| 免费高清在线观看日韩| 在线 av 中文字幕| 一级,二级,三级黄色视频| 亚洲三区欧美一区| 99久久国产精品久久久| 亚洲国产毛片av蜜桃av| 精品午夜福利视频在线观看一区 | 亚洲男人天堂网一区| 在线观看免费高清a一片| 久久久国产精品麻豆| 又黄又粗又硬又大视频| 视频在线观看一区二区三区| 亚洲精品中文字幕在线视频| 国产麻豆69| 亚洲第一av免费看| 欧美日韩亚洲国产一区二区在线观看 | 精品乱码久久久久久99久播| 国产精品电影一区二区三区 | 新久久久久国产一级毛片| 丝袜喷水一区| 日韩欧美一区视频在线观看| 女人久久www免费人成看片| 男男h啪啪无遮挡| 人人妻人人澡人人爽人人夜夜| 一区二区三区乱码不卡18| 狠狠狠狠99中文字幕| 日韩中文字幕欧美一区二区| 99久久国产精品久久久| 成年动漫av网址| 一二三四社区在线视频社区8| 日日夜夜操网爽| 啪啪无遮挡十八禁网站| 999久久久精品免费观看国产| bbb黄色大片| 欧美黑人精品巨大| 亚洲精品久久午夜乱码| 国产男女超爽视频在线观看| 色婷婷久久久亚洲欧美| 69av精品久久久久久 | 欧美日韩中文字幕国产精品一区二区三区 | 在线观看免费视频日本深夜| 人人妻人人澡人人看| 人妻 亚洲 视频| 日本av手机在线免费观看| 国产伦人伦偷精品视频| 免费在线观看影片大全网站| av又黄又爽大尺度在线免费看| 蜜桃在线观看..| 精品国内亚洲2022精品成人 | 国产在视频线精品| 久久精品91无色码中文字幕| 日韩欧美国产一区二区入口| 久久久精品94久久精品| 天天添夜夜摸| 国产视频一区二区在线看| 老司机午夜十八禁免费视频| 国产一卡二卡三卡精品| 国产成+人综合+亚洲专区| 成年人黄色毛片网站| 日韩成人在线观看一区二区三区| 欧美成人免费av一区二区三区 | 美女福利国产在线| 亚洲精品自拍成人| 十八禁高潮呻吟视频| 天堂8中文在线网| 男女之事视频高清在线观看| 中文字幕制服av| av一本久久久久| 老司机影院毛片| 极品教师在线免费播放| 国产午夜精品久久久久久| 80岁老熟妇乱子伦牲交| 极品少妇高潮喷水抽搐| 婷婷成人精品国产| 欧美人与性动交α欧美软件| 久久这里只有精品19| 捣出白浆h1v1| 久久久精品区二区三区| 国产片内射在线| av网站免费在线观看视频| 成人国产一区最新在线观看| 精品一区二区三区av网在线观看 | 亚洲av国产av综合av卡| 国产精品影院久久| 深夜精品福利| 男女边摸边吃奶| 在线av久久热| 中文字幕av电影在线播放| 一区二区三区激情视频| 一个人免费看片子| 国产伦理片在线播放av一区| 国产亚洲精品久久久久5区| 一区二区三区精品91| 国产麻豆69| 脱女人内裤的视频| 精品国产亚洲在线| 少妇被粗大的猛进出69影院| 国产欧美日韩精品亚洲av| 男女下面插进去视频免费观看| 青草久久国产| 老司机福利观看| 亚洲av成人一区二区三| 亚洲色图av天堂| 女人高潮潮喷娇喘18禁视频| 亚洲精品粉嫩美女一区| 国产福利在线免费观看视频| 香蕉国产在线看| 国产精品熟女久久久久浪| 国产1区2区3区精品| 777久久人妻少妇嫩草av网站| 建设人人有责人人尽责人人享有的| 精品人妻1区二区| 一区福利在线观看| 亚洲黑人精品在线| 精品久久蜜臀av无| 美女福利国产在线| 亚洲国产欧美日韩在线播放| 在线观看免费视频网站a站| 亚洲精品一二三| 免费在线观看完整版高清| 国产亚洲精品久久久久5区| 亚洲精品自拍成人| 一本—道久久a久久精品蜜桃钙片| 欧美大码av| 不卡av一区二区三区| 国产高清视频在线播放一区| 一区福利在线观看| 中文字幕人妻丝袜制服| 久9热在线精品视频| 高清av免费在线| 亚洲精品久久午夜乱码| 热99国产精品久久久久久7| 国产在视频线精品| av免费在线观看网站| 日韩免费av在线播放| 日韩视频在线欧美| 国产精品一区二区在线观看99| 69av精品久久久久久 | 日日夜夜操网爽| 超碰成人久久| 国产精品久久久久久精品古装| 日韩欧美国产一区二区入口| 日韩 欧美 亚洲 中文字幕| 美女高潮到喷水免费观看| 国产精品 国内视频| 搡老乐熟女国产| 免费在线观看影片大全网站| 18禁美女被吸乳视频| 成人18禁在线播放| 好男人电影高清在线观看| 亚洲黑人精品在线| 国产免费视频播放在线视频| 久久精品国产a三级三级三级| 天堂中文最新版在线下载| 免费久久久久久久精品成人欧美视频| 亚洲三区欧美一区| 少妇裸体淫交视频免费看高清 | 老鸭窝网址在线观看| 亚洲 欧美一区二区三区| 巨乳人妻的诱惑在线观看| 久久午夜亚洲精品久久| 女性被躁到高潮视频| 午夜福利,免费看| 在线av久久热| 久久婷婷成人综合色麻豆| 免费观看人在逋| 91大片在线观看| 精品亚洲成a人片在线观看| 汤姆久久久久久久影院中文字幕| 精品少妇内射三级| 欧美午夜高清在线| av片东京热男人的天堂| 天堂俺去俺来也www色官网| av有码第一页| 正在播放国产对白刺激| 无遮挡黄片免费观看| 欧美亚洲 丝袜 人妻 在线| 中文字幕高清在线视频| 亚洲视频免费观看视频| 国产精品亚洲av一区麻豆| 超碰97精品在线观看| 日韩视频一区二区在线观看| 丰满迷人的少妇在线观看| 999久久久国产精品视频| 亚洲国产欧美一区二区综合| 91精品国产国语对白视频| 亚洲成人免费电影在线观看| 国产精品av久久久久免费| 首页视频小说图片口味搜索| 我要看黄色一级片免费的| 宅男免费午夜| 国产成人欧美在线观看 | 欧美精品高潮呻吟av久久| 欧美精品一区二区免费开放| 超碰成人久久| 性高湖久久久久久久久免费观看| 法律面前人人平等表现在哪些方面| 999久久久精品免费观看国产| 黄色视频,在线免费观看| 欧美大码av| 免费少妇av软件| 久久性视频一级片| 五月开心婷婷网| 国产国语露脸激情在线看| 色播在线永久视频| 亚洲国产成人一精品久久久| 国产精品九九99| 香蕉国产在线看| 法律面前人人平等表现在哪些方面| 夜夜骑夜夜射夜夜干| 午夜精品国产一区二区电影| 久久人人97超碰香蕉20202| 色尼玛亚洲综合影院| 另类精品久久| 亚洲精品粉嫩美女一区| 欧美乱妇无乱码| 高潮久久久久久久久久久不卡| 黄色视频在线播放观看不卡| 色在线成人网| 狠狠狠狠99中文字幕| 久久久国产一区二区| 国产精品一区二区免费欧美| www日本在线高清视频| 国产无遮挡羞羞视频在线观看| 日韩欧美一区视频在线观看| 欧美激情高清一区二区三区| 成人国语在线视频| 精品卡一卡二卡四卡免费| 自线自在国产av| 露出奶头的视频| 在线av久久热| 黑人欧美特级aaaaaa片| 999久久久精品免费观看国产| 日韩欧美一区视频在线观看| 精品国产乱码久久久久久男人| 久久久国产欧美日韩av| 亚洲第一青青草原| 欧美亚洲 丝袜 人妻 在线| 午夜日韩欧美国产| 亚洲精品美女久久av网站| 一级毛片电影观看| 精品亚洲成a人片在线观看| 久久香蕉激情| 精品国产超薄肉色丝袜足j| 大型av网站在线播放| 久久青草综合色| 日本欧美视频一区| 在线观看免费午夜福利视频| 在线观看66精品国产| 亚洲欧美一区二区三区黑人| 欧美日韩国产mv在线观看视频| 久久中文看片网| 国产激情久久老熟女| 亚洲美女黄片视频| 国产国语露脸激情在线看| 久久久久久免费高清国产稀缺| 满18在线观看网站| 欧美 亚洲 国产 日韩一| 视频区欧美日本亚洲| 国产日韩一区二区三区精品不卡| 少妇精品久久久久久久| 69精品国产乱码久久久| 久久久精品区二区三区| 视频在线观看一区二区三区| 手机成人av网站| 久久人妻福利社区极品人妻图片| 精品少妇久久久久久888优播| 国产xxxxx性猛交| 国产成人一区二区三区免费视频网站| 久久久精品区二区三区| 国产黄色免费在线视频| 老司机深夜福利视频在线观看| 国产欧美日韩精品亚洲av| 正在播放国产对白刺激| 国产不卡一卡二| 日韩大片免费观看网站| 狠狠精品人妻久久久久久综合| 久久免费观看电影| 欧美国产精品va在线观看不卡| 亚洲精品粉嫩美女一区| 精品第一国产精品| 少妇被粗大的猛进出69影院| 国产激情久久老熟女| 丝袜喷水一区| 欧美黄色淫秽网站| 精品人妻1区二区| 一进一出抽搐动态| 久久久久久久国产电影| 亚洲五月婷婷丁香| 麻豆成人av在线观看| 在线看a的网站| 大片免费播放器 马上看| 人妻一区二区av| 国产精品久久电影中文字幕 | 亚洲精品中文字幕在线视频| 香蕉国产在线看| 亚洲三区欧美一区| 久久性视频一级片| 妹子高潮喷水视频| 桃红色精品国产亚洲av| 国产亚洲一区二区精品| 久久精品成人免费网站| 国产精品1区2区在线观看. | 免费人妻精品一区二区三区视频| 午夜激情av网站| 纵有疾风起免费观看全集完整版| 超碰成人久久| 国产福利在线免费观看视频| 老熟妇乱子伦视频在线观看| 纵有疾风起免费观看全集完整版| 欧美性长视频在线观看| 久久99一区二区三区| 我要看黄色一级片免费的| 人人妻人人澡人人爽人人夜夜| 久久99热这里只频精品6学生| 1024香蕉在线观看| 中文字幕最新亚洲高清| 一本一本久久a久久精品综合妖精| 夫妻午夜视频| 精品国产一区二区三区四区第35| 亚洲成国产人片在线观看| 在线观看人妻少妇| 国产麻豆69| 亚洲伊人色综图| 日韩一卡2卡3卡4卡2021年| www.自偷自拍.com| 69精品国产乱码久久久| 伊人久久大香线蕉亚洲五| 视频区图区小说| 久久久精品区二区三区| 69精品国产乱码久久久| 丝瓜视频免费看黄片| 男人操女人黄网站| 中文字幕制服av| 99热国产这里只有精品6| 欧美亚洲日本最大视频资源| 欧美日韩福利视频一区二区| 国产深夜福利视频在线观看| 国产欧美日韩综合在线一区二区| 久久久久久久大尺度免费视频| 黄片大片在线免费观看| 老司机靠b影院| 亚洲人成电影免费在线| 精品人妻1区二区| 久久久久久亚洲精品国产蜜桃av| 精品亚洲乱码少妇综合久久| 极品人妻少妇av视频| av天堂在线播放| 欧美黄色淫秽网站| 99re在线观看精品视频| 久久久久精品国产欧美久久久| 欧美黑人精品巨大| 久久国产精品人妻蜜桃| 19禁男女啪啪无遮挡网站| 美女福利国产在线| 中文字幕另类日韩欧美亚洲嫩草| 免费在线观看视频国产中文字幕亚洲| 精品免费久久久久久久清纯 | tube8黄色片| 亚洲免费av在线视频| 97在线人人人人妻| 国产精品亚洲av一区麻豆| 国产又爽黄色视频| 亚洲精品国产色婷婷电影| 国产精品久久久人人做人人爽| 亚洲国产中文字幕在线视频| 国产精品免费一区二区三区在线 | 国产成人精品久久二区二区免费| 久久国产精品大桥未久av| 中文字幕精品免费在线观看视频| 狠狠狠狠99中文字幕| 岛国在线观看网站| 高清毛片免费观看视频网站 | 国产aⅴ精品一区二区三区波| 久久久欧美国产精品| 久久人人爽av亚洲精品天堂| 国产精品九九99| netflix在线观看网站| 免费女性裸体啪啪无遮挡网站| 天天躁日日躁夜夜躁夜夜| 免费观看av网站的网址| 一边摸一边抽搐一进一出视频| 久久99一区二区三区| 黄色成人免费大全| 国产熟女午夜一区二区三区| 亚洲av成人不卡在线观看播放网| 亚洲免费av在线视频| 日韩 欧美 亚洲 中文字幕| 男女高潮啪啪啪动态图| 精品少妇黑人巨大在线播放| 国产av国产精品国产| 国产亚洲欧美在线一区二区| 免费在线观看视频国产中文字幕亚洲| 69av精品久久久久久 | 91国产中文字幕| 久久久久久久大尺度免费视频| 国产精品美女特级片免费视频播放器 | 中文字幕人妻丝袜制服| 色老头精品视频在线观看| 久久精品成人免费网站| 国产精品亚洲一级av第二区| 国产欧美日韩一区二区精品| 国产亚洲精品第一综合不卡| 亚洲欧洲日产国产| 国产精品av久久久久免费| 五月天丁香电影| 久久人妻福利社区极品人妻图片| 成年人午夜在线观看视频| 久久久久久久精品吃奶| 激情视频va一区二区三区| 女警被强在线播放| 美女午夜性视频免费| 黄色丝袜av网址大全| 老汉色av国产亚洲站长工具| 一本综合久久免费| 中亚洲国语对白在线视频| 老汉色∧v一级毛片| aaaaa片日本免费| 啦啦啦免费观看视频1| 久久ye,这里只有精品| 一本一本久久a久久精品综合妖精| 亚洲欧美日韩高清在线视频 | 一边摸一边抽搐一进一出视频| 国产精品 国内视频| 999精品在线视频| 亚洲成a人片在线一区二区| 国产精品香港三级国产av潘金莲| 欧美大码av| 亚洲中文av在线| 啦啦啦视频在线资源免费观看| 国产一区二区三区在线臀色熟女 | 免费一级毛片在线播放高清视频 | 欧美精品亚洲一区二区| 青草久久国产| videos熟女内射| 高清av免费在线| kizo精华| 亚洲av成人一区二区三| 国产精品 国内视频| 亚洲国产欧美日韩在线播放| 亚洲精品乱久久久久久| 考比视频在线观看| 真人做人爱边吃奶动态| 99国产精品一区二区蜜桃av | 在线永久观看黄色视频| 丁香六月欧美| 叶爱在线成人免费视频播放| 一级黄色大片毛片| 午夜老司机福利片| 国产高清激情床上av| av国产精品久久久久影院| 国产精品自产拍在线观看55亚洲 | 午夜福利乱码中文字幕| 久久青草综合色| 亚洲性夜色夜夜综合| 欧美激情久久久久久爽电影 | 丝瓜视频免费看黄片| 18禁裸乳无遮挡动漫免费视频| h视频一区二区三区| 欧美久久黑人一区二区| 大陆偷拍与自拍| 亚洲va日本ⅴa欧美va伊人久久| 国产精品 国内视频| 午夜视频精品福利| 欧美另类亚洲清纯唯美| 国产午夜精品久久久久久| 免费日韩欧美在线观看| 亚洲五月婷婷丁香| 在线观看人妻少妇| 在线播放国产精品三级| 国产成人精品在线电影| 一级a爱视频在线免费观看| 国产极品粉嫩免费观看在线| 在线观看免费视频网站a站| 久久人人爽av亚洲精品天堂| 国产有黄有色有爽视频| 又紧又爽又黄一区二区| 99久久国产精品久久久| 午夜福利一区二区在线看| 99国产精品99久久久久| 一级,二级,三级黄色视频| 成人国产一区最新在线观看| 黑人猛操日本美女一级片| 十八禁网站免费在线| 国产精品熟女久久久久浪| 嫁个100分男人电影在线观看| 久久久久久久国产电影| 欧美成人免费av一区二区三区 | 亚洲性夜色夜夜综合| 麻豆成人av在线观看| 极品人妻少妇av视频| 久久天堂一区二区三区四区| 在线观看舔阴道视频| 超色免费av| 亚洲成人免费av在线播放| 黑人欧美特级aaaaaa片| 男女之事视频高清在线观看| 精品一区二区三区视频在线观看免费 | 国产精品麻豆人妻色哟哟久久| 黄色丝袜av网址大全| 久久国产精品大桥未久av| 国产视频一区二区在线看| 亚洲成a人片在线一区二区| a级片在线免费高清观看视频| 欧美国产精品一级二级三级| 国产一区二区三区在线臀色熟女 | 欧美乱码精品一区二区三区| 一区二区三区精品91| www.自偷自拍.com| 久久午夜综合久久蜜桃| 中文字幕另类日韩欧美亚洲嫩草| 久热爱精品视频在线9| aaaaa片日本免费| 欧美激情 高清一区二区三区| 王馨瑶露胸无遮挡在线观看| 亚洲精华国产精华精| 精品亚洲乱码少妇综合久久| 国产片内射在线| 99精国产麻豆久久婷婷| 国产亚洲av高清不卡| 成人国产av品久久久| 成人18禁在线播放| 亚洲性夜色夜夜综合| 黄网站色视频无遮挡免费观看| 亚洲国产av影院在线观看| 18禁国产床啪视频网站| 香蕉久久夜色| 成人黄色视频免费在线看| 搡老岳熟女国产| 啦啦啦在线免费观看视频4| a级毛片在线看网站| 成人国产一区最新在线观看| 国产精品一区二区在线不卡| 国产精品自产拍在线观看55亚洲 | 久久久久久免费高清国产稀缺| 亚洲人成伊人成综合网2020| 亚洲,欧美精品.| 色播在线永久视频| cao死你这个sao货| 亚洲成人免费电影在线观看| 久久久久视频综合| 精品人妻熟女毛片av久久网站| 国产成+人综合+亚洲专区| 免费观看a级毛片全部| 久热这里只有精品99| 精品少妇内射三级| 91国产中文字幕| av在线播放免费不卡| 99久久99久久久精品蜜桃| 成人手机av| 在线观看免费视频网站a站| 日日摸夜夜添夜夜添小说| 亚洲一区二区三区欧美精品| 97在线人人人人妻| 精品第一国产精品| 久久久久久久精品吃奶| av天堂在线播放| 一级毛片女人18水好多| 国产精品 国内视频| 亚洲成人免费av在线播放| 窝窝影院91人妻| 99riav亚洲国产免费| 国产真人三级小视频在线观看| 亚洲色图综合在线观看| 亚洲黑人精品在线| 精品亚洲成a人片在线观看| av国产精品久久久久影院| 久久亚洲真实| 精品人妻1区二区| 国产99久久九九免费精品| 18在线观看网站| 精品国产一区二区三区四区第35|