• <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 ?

    基于像素投票的人手全局姿態(tài)估計

    2022-10-28 05:51:28林晉鋼李東年陳成軍趙正旭
    光學(xué)精密工程 2022年19期
    關(guān)鍵詞:人手手部全局

    林晉鋼,李東年,陳成軍,趙正旭

    (青島理工大學(xué) 機(jī)械與汽車工程學(xué)院,山東 青島 266520)

    1 引 言

    人手姿態(tài)估計是計算機(jī)視覺領(lǐng)域的重要研究課題之一,廣泛應(yīng)用于人機(jī)交互、機(jī)器人示教學(xué)習(xí)和手勢識別等領(lǐng)域。由于人手結(jié)構(gòu)復(fù)雜、姿態(tài)多變、觀察視角多樣性等特點,基于計算機(jī)視覺的人手姿態(tài)估計是一項具有挑戰(zhàn)性的任務(wù)。目前,基于視覺的人手姿態(tài)估計方法通常分為3類:生成式方法、判別式方法和混合式方法。

    生成式方法[1-2]通過設(shè)計目標(biāo)函數(shù)評價預(yù)先建立的人手模型與給定的人手圖像的相似程度,利用某種優(yōu)化算法調(diào)整人手模型姿態(tài),實現(xiàn)它與人手圖像的擬合,并通過縮小目標(biāo)函數(shù)值,實現(xiàn)給定圖像與人手模型的匹配。但該方法需要初始化,且存在高維狀態(tài)空間搜索的難題。判別式方法[3-4]利用大量訓(xùn)練數(shù)據(jù)學(xué)習(xí)一個從圖像特征空間到人手姿態(tài)空間的映射,無需初始化,姿態(tài)估計速度快,但其性能受到訓(xùn)練數(shù)據(jù)的影響?;旌鲜椒椒ǎ?-6]對生成式與判別式方法進(jìn)行了融合,利用判別式方法產(chǎn)生初始結(jié)果,然后使用生成式方法優(yōu)化初始結(jié)果。該方法利用判別式方法解決初始化的問題,基于生成式方法使用時序信息與空間信息約束來平滑預(yù)測結(jié)果。

    近年來,卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)已經(jīng)廣泛應(yīng)用于三維人手姿態(tài)估計領(lǐng)域?;贑NN 的人手姿態(tài)估計方法通常分為兩類:全局回歸法[7-10]和局部檢測法[11-15]。全局回歸法通常利用深度CNN 提取圖像特征,再利用全連接層回歸人手姿態(tài)參數(shù),但是全連接層全局特征聚合的操作,不能很好地利用局部空間上下文信息。局部檢測法精度較高,通常利用編碼器-解碼器的結(jié)構(gòu)為每個關(guān)節(jié)生成位置熱圖,但解碼器通常使用計算速度緩慢的反卷積操作,而且編碼器-解碼器結(jié)構(gòu)通常利用不可學(xué)習(xí)的后處理方法實現(xiàn)從位置熱圖到關(guān)節(jié)坐標(biāo)的推斷。

    Sharp 等[16]通過建立決策叢林來構(gòu)造一個兩層人手姿態(tài)初始估計模塊。兩層姿態(tài)初始估計模塊通過兩階段來對人手姿態(tài)進(jìn)行初始估計。第一階段將人手全局姿態(tài)表示為128 個離散姿態(tài)區(qū)間,通過第一層的預(yù)測器估計人手所屬的姿態(tài)區(qū)間。第二層為每個姿態(tài)區(qū)間獨立訓(xùn)練預(yù)測器,該預(yù)測器在第一層預(yù)測結(jié)果的基礎(chǔ)上細(xì)化回歸人手的全局姿態(tài)。但該方法僅為混合式方法提供粗糙的初始結(jié)果,所預(yù)測的人手全局姿態(tài)精度較差。Liang 等[17]提出具有優(yōu)化葉子節(jié)點的霍夫森林進(jìn)行人手全局姿態(tài)估計,通過學(xué)習(xí)葉子節(jié)點中的投票權(quán)重以抑制錯誤投票對預(yù)測結(jié)果的影響,但該方法依賴于人工制作的復(fù)雜學(xué)習(xí)特征。基于CNN 的人手姿態(tài)估計方法,大多數(shù)側(cè)重于全自由度手部姿態(tài)估計任務(wù)。因此,這些方法在變化的手勢下對人手進(jìn)行全局姿態(tài)估計的準(zhǔn)確性,不能滿足需要精確旋轉(zhuǎn)控制的人機(jī)交互應(yīng)用[17]。在人手直接參與的人機(jī)交互場景中,手部旋轉(zhuǎn)是常見的交互動作,例如在抓取虛擬物體的應(yīng)用場景中,操作者利用抓握動作完成對虛擬物體的抓取,抓取完成后旋轉(zhuǎn)手部用以調(diào)整對虛擬物體的觀察視角。在實際應(yīng)用場景中,可以通過組合使用手勢識別與手部全局姿態(tài)變化識別來實現(xiàn)復(fù)雜的人機(jī)交互動作。一些研究者采用CNN 來進(jìn)行人體頭部全局姿態(tài)估計。Ruiz 等[18]提出一種基于多損失深度CNN 的人體頭部全局姿態(tài)估計方法,通過結(jié)合分類方法和回歸方法優(yōu)勢來提升全局姿態(tài)估計的準(zhǔn)確率。Yang 等[19]提出一種基于回歸與特征聚合的人體頭部全局姿態(tài)估計方法,采用分段軟回歸的方法解決了直接回歸全局姿態(tài)誤差較大的問題。這些全局姿態(tài)估計方法針對近似剛體的人體頭部,并不能為手勢多變的人手提供準(zhǔn)確的全局姿態(tài)預(yù)測。因此,手部全局姿態(tài)的估計是十分有意義的。

    深度相機(jī)成像包含距離信息,具有不受光照條件、背景色彩限制等優(yōu)勢,因此被廣泛應(yīng)用于人手姿態(tài)估計領(lǐng)域。根據(jù)相機(jī)成像方式,深度相機(jī)可分為結(jié)構(gòu)光與飛行時間(Time of Flight,TOF)兩類[20]。其中,以Kinect V2 為代表的基于TOF 的消費級深度相機(jī),能夠以低成本獲取準(zhǔn)確的深度圖像?;赥OF 的深度相機(jī)原理是首先通過相機(jī)發(fā)射光脈沖至觀測物體,然后相機(jī)接收從觀測物體反射的光脈沖,最后通過光脈沖飛行往返時間計算二者之間的距離。利用深度圖像求解人手姿態(tài)能夠有效避免二維圖像的歧義性問題。同時,可通過深度圖像獲取手部到相機(jī)的物理距離。利用距離信息可將人手與復(fù)雜背景分離,避免雜亂背景信息的干擾。

    人手全局姿態(tài)估計旨在通過輸入圖像估計3D 手部的旋轉(zhuǎn)角度,與之相似的問題還有3D 頭部姿態(tài)估計。值得注意的是,頭部可以近似為剛體,且因為人體生理約束限制,頭部旋轉(zhuǎn)范圍較小;但手部運動范圍大,且手勢多變,相比之下手部全局姿態(tài)估計任務(wù)更具有挑戰(zhàn)性。在數(shù)據(jù)集方面,規(guī)模大、標(biāo)記精度高的數(shù)據(jù)集是保證CNN能夠進(jìn)行有效訓(xùn)練的基礎(chǔ),但現(xiàn)有人手姿態(tài)數(shù)據(jù)集大多采用人手關(guān)節(jié)3D 位置標(biāo)簽,缺少人手全局姿態(tài)標(biāo)簽,且數(shù)據(jù)集中的人手動作存在著無法完整覆蓋手部動作空間的問題。

    本文提出一種基于像素投票的人手全局姿態(tài)估計網(wǎng)絡(luò),以深度圖像作為輸入在變化的手勢下估計手部3D 旋轉(zhuǎn)角度。該方法旨在提供更高精度的旋轉(zhuǎn)角度估計以滿足人機(jī)交互中精確旋轉(zhuǎn)控制的需求。同時,針對數(shù)據(jù)集少、動作樣本難以覆蓋整個手部運動空間的問題,本文通過三維渲染引擎OSG 建立人手?jǐn)?shù)據(jù)集合成程序。該程序可實現(xiàn)不同手勢下的人手深度圖像渲染、全局姿態(tài)標(biāo)注工作,為人手全局姿態(tài)估計提供大量高質(zhì)量的訓(xùn)練數(shù)據(jù)。

    2 模型構(gòu)建

    基于像素投票的手部全局姿態(tài)估計網(wǎng)絡(luò)結(jié)構(gòu)如圖1 所示。給定一張深度圖像,從圖像中估計手部的全局旋轉(zhuǎn)姿態(tài)θ=(θp,θr,θy),其中,θp,θr,θy分別表示手部全局旋轉(zhuǎn)的俯仰、翻滾和偏航3 個歐拉角。該網(wǎng)絡(luò)基于編碼器-解碼器架構(gòu),包括兩個功能分支:語義分割分支和姿態(tài)估計分支。這兩個分支分別預(yù)測每個像素的語義信息和姿態(tài)投票信息。本文利用語義分割分支分割出手部像素區(qū)域,再利用手部像素姿態(tài)投票信息獲得全局姿態(tài)估計。

    圖1 基于像素投票的人手全局姿態(tài)估計網(wǎng)絡(luò)整體結(jié)構(gòu)Fig.1 Overall structure of global hand pose estimation network based on pixel voting

    2.1 編碼器-解碼器架構(gòu)

    受到DeeplabV3+[21]語義分割網(wǎng)絡(luò)的啟發(fā),這里采用了編碼器-解碼器結(jié)構(gòu)來獲得像素級的語義分割與姿態(tài)預(yù)測。該結(jié)構(gòu)包括用以提取特征信息的編碼器和預(yù)測語義信息與姿態(tài)信息的解碼器。

    編碼器由主干網(wǎng)絡(luò)和空洞空間金字塔池化(Atrous Spacial Pyramid Pooling,ASPP)模塊組成。本文采用深度殘差網(wǎng)絡(luò)ResNet101[22]作為主干網(wǎng)絡(luò),用于圖像特征提取。ResNet101 利用躍層連接的方式有效解決了CNN 深度增加所造成的梯度消失、梯度爆炸等問題[23],因此具有更好的學(xué)習(xí)與表達(dá)能力。ResNet101 可以利用公開數(shù)據(jù)集進(jìn)行預(yù)訓(xùn)練,本文采用ImageNet 數(shù)據(jù)集[24]對ResNet101 進(jìn)行預(yù)訓(xùn)練。實驗證明,采用預(yù)訓(xùn)練主干網(wǎng)絡(luò)的模型具有更好的圖像特征提取能力,且后續(xù)訓(xùn)練收斂更快[25]。為使ResNet101 更適合基于像素投票的姿態(tài)估計方法,這里去除了該網(wǎng)絡(luò)的全連接層,并將Conv_x4 輸出的特征圖分辨率從原有輸入圖像1/32 倍調(diào)整為1/16 倍,從而更好地保留空間關(guān)系;并將卷積層Conv_x4的卷積調(diào)整成擴(kuò)張率為2 的擴(kuò)張卷積,從而擴(kuò)大CNN 的感受野。

    針對手勢多樣性與姿態(tài)復(fù)雜性的特點,利用ASPP 模塊在多個尺度上捕獲上下文信息,進(jìn)而增加網(wǎng)絡(luò)提取不同手部姿態(tài)特征的能力。ASPP模塊結(jié)構(gòu)如圖2 所示,該模塊由4 個分別為1×1卷積和擴(kuò)張率分別為3,6,9 的3×3 卷積組成。首先,將主干網(wǎng)絡(luò)輸出的特征圖分別輸入ASPP模塊與全局平均池化層獲得5 個通道數(shù)為256,尺度不同的特征圖。然后,將獲得的5 個特征圖在通道維度上進(jìn)行連接,生成1 個通道數(shù)為1 280的融合特征圖。最后,利用1×1 卷積將融合特征圖通道數(shù)從1 280 調(diào)整至256 完成編碼工作。

    圖2 ASPP 模塊結(jié)構(gòu)Fig.2 ASPP module structure

    解碼器需要將編碼器得到的特征圖上采樣至輸入圖像分辨率。DeeplabV3+的解碼器將得到的特征圖進(jìn)行4 倍雙線性上采樣操作,然后與主干網(wǎng)絡(luò)中具有相同分辨率的低階特征在通道維度上連接。連接前利用1×1 卷積調(diào)整低階特征通道數(shù)量,避免低階特征的大數(shù)目通道(例如256 或512)所導(dǎo)致的訓(xùn)練困難。連接后利用3×3 卷積操作進(jìn)行特征提取。解碼器將編碼器輸出的特征圖進(jìn)行4 倍雙線性上采樣操作,與特征提取主干網(wǎng)絡(luò)中Conv_x2 層所提取的低階特征圖相連接。該低階特征圖有256 個通道,在與編碼器特征圖連接之前利用1×1 卷積調(diào)整至48 個通道。連接后獲得304 個通道的融合特征圖,利用3×3 卷積操作進(jìn)行最后的特征提取。再次利用4倍雙線性上采樣操作得到與輸入圖分辨率相同的特征圖。最后完成解碼工作,輸出包含語義信息與姿態(tài)信息的8 通道特征圖。

    2.2 語義分割分支

    雖然利用姿態(tài)估計分支可以預(yù)測每個像素的姿態(tài)投票,并通過匯集所有像素投票的方式得到最終的姿態(tài)預(yù)測結(jié)果。但本文認(rèn)為模型在進(jìn)行人手全局姿態(tài)估計時需更加關(guān)注手部區(qū)域像素,因此應(yīng)區(qū)分深度圖像中像素的類別。為了有效匯總像素姿態(tài)投票,本文通過語義標(biāo)記將圖像中所有像素標(biāo)注為手類或背景,在預(yù)測時通過語義分割分支獲得每個像素的準(zhǔn)確類別。

    編碼器-解碼器模塊生成的8 通道特征圖同時包含語義信息與手部全局姿態(tài)信息。本文將特征圖的前兩個通道作為語義分割分支的輸入。輸入語義分割分支的特征圖與原始圖像的分辨率一致,特征圖通道記錄每個像素的語義標(biāo)記分?jǐn)?shù)。利用Softmax 函數(shù)計算每個像素對應(yīng)各個類別的概率,即:

    其中:Ki表示每個類別的語義標(biāo)記分?jǐn)?shù),C為所有類別的個數(shù)。

    2.3 姿態(tài)估計分支

    本文目標(biāo)是求解手部全局姿態(tài)θ。因為θ在3D 空間不受約束,其不同維度是不相關(guān)的,因此可以獨立求解每個維度的參數(shù)。每個維度的參數(shù)由歐拉角表示,但歐拉角表示法存在不連續(xù)性,不適用于微分和積分的運算,不利于CNN 的學(xué)習(xí)[26]。為了解決上述問題,本文并不直接預(yù)測每個維度的歐拉角,而是預(yù)測其正弦值與余弦值。那么任意手部全局姿態(tài)θ可用姿態(tài)向量表示,即M=[sinθp,cosθp,sinθr,cosθr,sinθy,cosθy]。這種表示方法具有連續(xù)性,有利于CNN 學(xué)習(xí)圖像特征到旋轉(zhuǎn)姿態(tài)空間的特征映射。

    在進(jìn)行全局姿態(tài)估計時,PoseCNN[27]利用三層全連接層完成高階特征信息到全局旋轉(zhuǎn)姿態(tài)的映射。最后一層全連接層直接輸出剛性物體的全局旋轉(zhuǎn)姿態(tài)估計。但本文認(rèn)為利用全連接層完成特征映射會破壞空間信息,不利于解決手勢變化多樣的手部全局姿態(tài)估計問題。所示本方法保留二維特征形式,為每個像素分配姿態(tài)標(biāo)簽,通過像素投票獲得預(yù)測姿態(tài)。

    姿態(tài)估計分支將編碼器-解碼器模塊生成特征圖的后6 個通道作為輸入,每個通道對應(yīng)單一維度歐拉角的正弦或余弦姿態(tài)信息?;谇拔乃觯谶M(jìn)行姿態(tài)估計時僅關(guān)注手部位置像素,所以需獲得僅在手部像素保留信息的姿態(tài)標(biāo)簽圖與特征圖。姿態(tài)標(biāo)簽圖的獲取過程如圖3 所示。首先,利用語義標(biāo)簽生成手部掩碼圖。然后,根據(jù)手部全局姿態(tài)生成姿態(tài)標(biāo)簽圖。生成的姿態(tài)標(biāo)簽圖共有6 個通道,尺寸同手部掩碼圖一致,每個通道記錄手部全局姿態(tài)不同維度歐拉角的正弦值或余弦值。最后,利用手部掩碼圖屏蔽姿態(tài)標(biāo)簽圖的背景像素,獲得僅在手部區(qū)域記錄姿態(tài)信息的姿態(tài)標(biāo)簽圖。在訓(xùn)練時,利用手部掩碼圖屏蔽輸入特征圖的背景像素,再利用輸入特征圖與姿態(tài)標(biāo)簽圖進(jìn)行人手全局姿態(tài)估計損失的計算。

    圖3 生成姿態(tài)標(biāo)簽圖Fig.3 Generate pose label map

    本分支預(yù)測時,手部全局姿態(tài)的獲取過程如圖4 所示。首先,利用語義分割分支生成手部掩碼圖。

    圖4 獲取手部全局姿態(tài)Fig.4 Aquisition of global hand pose

    該圖用以保留輸入特征圖的手部區(qū)域像素,以保留的手部像素作為投票像素。然后,由式(2)將所有投票像素同一通道的預(yù)測值均值作為對應(yīng)通道的姿態(tài)投票結(jié)果。通過6 個通道對應(yīng)的投票結(jié)果可獲得預(yù)測姿態(tài)向量Mp。最后,預(yù)測姿態(tài)向量Mp通過反正切函數(shù)求解得到預(yù)測的手部全局姿態(tài)θp。本文將像素投票函數(shù)定義為:

    其中:N表示手部像素的個數(shù),pn表示每個手部像素,vi表示手部像素每個通道的姿態(tài)投票,Vi表示每個通道的姿態(tài)投票結(jié)果。

    3 損失函數(shù)

    本文提出的方法需執(zhí)行兩個任務(wù):語義分割和姿態(tài)估計。這里使用交叉熵(Cross-Entropy)作為損失函數(shù)來訓(xùn)練語義分割分支。對于姿態(tài)估計分支,利用Smooth L1 損失函數(shù)(如式(3))構(gòu)建像素姿態(tài)損失函數(shù)Lpp,該損失定義如式(4)所示。

    其中:I表示輸入姿態(tài)特征圖的通道數(shù),li表示每個通道的真實姿態(tài)值,Vi表示手部像素每個通道的姿態(tài)投票值。

    本文利用交叉熵?fù)p失函數(shù)與像素姿態(tài)損失函數(shù)共同監(jiān)督基于像素投票的人手全局姿態(tài)估計網(wǎng)絡(luò)的學(xué)習(xí)。網(wǎng)絡(luò)損失函數(shù)為:

    其中:Ls表示語義分割分支給出像素類別預(yù)測概率分布與真實像素類別概率分布之間的交叉熵;α表示平衡系數(shù),用于平衡語義分割任務(wù)與姿態(tài)估計任務(wù)之間的關(guān)系。

    4 實 驗

    本文方法在合成數(shù)據(jù)集上進(jìn)行訓(xùn)練和量化評價。此外,利用Kinect V2 深度相機(jī)拍攝真實手部深度圖像進(jìn)行定性測試,以驗證該方法在真實場景下的使用效果。實驗是在擁有4 塊NVIDIA TITANXP GPU,2 個型號為Intel Xeon E5-2650V4@2.2GHz CPU,128 G 內(nèi) 存 的 高性能服務(wù)器上完成的。

    4.1 合成數(shù)據(jù)集的制備

    本文在Visual Studio 2013 編譯器上,基于開源跨平臺三維渲染引擎OpenSceneGraph(OSG)開發(fā)人手?jǐn)?shù)據(jù)集合成程序。該程序用以生成大量手部深度圖像與對應(yīng)的全局姿態(tài)標(biāo)簽。

    合成數(shù)據(jù)集的制備過程如下:首先建立場景,并在場景中加載三維人手模型,然后通過虛擬相機(jī)觀測場景中不同手勢不同姿態(tài)下的三維人手模型。三維人手模型的建模精度越高,越有利于獲得更近似真實人手的圖像數(shù)據(jù),但是使用更高建模精度的三維人手模型進(jìn)行姿態(tài)變換也意味著更高的計算復(fù)雜度。因此,需要平衡模型精度與計算復(fù)雜度之間的需求關(guān)系。人手是由多個指節(jié)與手掌鉸接而成的關(guān)節(jié)式物體。根據(jù)這個特點,本文利用圓臺、球體等幾何基元建立三維人手模型的各個部件,控制模型中的各部件旋轉(zhuǎn)運動,實現(xiàn)人手模型的姿態(tài)變換。根據(jù)Kinect V2 相機(jī)內(nèi)參數(shù)建立虛擬深度相機(jī),通過投影過程將三維人手模型渲染成深度圖像。

    根據(jù)人手生理結(jié)構(gòu)對各個關(guān)節(jié)運動的限制生成包含各個關(guān)節(jié)旋轉(zhuǎn)角度的姿態(tài)信息文本。OSG 通過讀取不同手勢下的姿態(tài)信息文本控制人手三維模型各個自由度節(jié)點運動,實現(xiàn)人手三維模型的動作變化。將虛擬深度相機(jī)放置在人手模型正上方1 m 處,拍攝不同姿態(tài)下人手模型對應(yīng)的深度圖像。

    人手模型的姿態(tài)變化包括三維人手全局姿態(tài)變化與局部手指關(guān)節(jié)姿態(tài)變化。為了獲取合理的全局姿態(tài),本文根據(jù)真實人手自然運動對人手模型的全局姿態(tài)變換范圍進(jìn)行約束。圖5 為定義的三維人手模型旋轉(zhuǎn)軸,其旋轉(zhuǎn)范圍約束如下:

    圖5 人手三維旋轉(zhuǎn)軸示意圖Fig.5 Schematic diagram of hand 3D rotation axis

    局部手指關(guān)節(jié)變化通過5 個人手基本動作模板生成,動作模板T1,T2,T3,T4,T5 如圖6 所示。動作模板中每一個手指關(guān)節(jié)可以在小范圍內(nèi)隨機(jī)轉(zhuǎn)動,以此生成基于模板的局部手指關(guān)節(jié)姿態(tài)。在生成姿態(tài)信息文本時,首先根據(jù)隨機(jī)生成的局部手指關(guān)節(jié)姿態(tài)調(diào)整三維人手模型的手指變化,然后在限制范圍內(nèi)隨機(jī)改變?nèi)耸帜P偷娜肿藨B(tài),最后記錄變化后的姿態(tài),輸出信息文本。

    圖6 人手基本動作模板Fig.6 Basic hand motion template

    本文采用上述方法生成共計2×104張分辨率175×175 的合成深度圖像與對應(yīng)的全局姿態(tài)標(biāo)簽。合成數(shù)據(jù)集部分實例如圖7 所示。

    圖7 合成數(shù)據(jù)集部分實例Fig.7 Some examples of synthetic datasets

    4.2 合成數(shù)據(jù)集實驗

    從真實深度相機(jī)直接獲取人手全局姿態(tài)的真實值是非常困難的,故采用合成圖像來對本文提出的方法進(jìn)行量化評價。用于量化評價的測試集包含5 種基本人手動作,每種動作包含400張深度圖像。網(wǎng)絡(luò)模型在合成數(shù)據(jù)集上進(jìn)行訓(xùn)練,使用隨機(jī)梯度下降(Stochastic Gradient Descent,SGD)算法作為優(yōu)化器,初始學(xué)習(xí)率設(shè)置為0.003 5,batch size 設(shè)置為96,epoch 設(shè)置為70。

    4.2.1 超參數(shù)的選擇

    本文利用平衡系數(shù)α調(diào)整CNN 的損失函數(shù)。取平衡系數(shù)分別為4,6,8,10,12,14 來訓(xùn)練網(wǎng)絡(luò),圖8 為本文采用不同平衡系數(shù)訓(xùn)練的模型在測試集上的預(yù)測結(jié)果。其中,包括人手全局姿態(tài)3 個歐拉角的絕對誤差以及絕對誤差均值。由此可以發(fā)現(xiàn),當(dāng)平衡系數(shù)α=10 時訓(xùn)練的模型在測試集上表現(xiàn)最好。在該參數(shù)下測量翻滾角、俯仰角、偏航角的絕對誤差均值分別為3.689°,6.201°,5.218°,絕對誤差平均值為5.036°。后續(xù)實驗均在此參數(shù)設(shè)置下進(jìn)行。

    圖8 不同平衡系數(shù)下人手全局姿態(tài)預(yù)測誤差Fig.8 Prediction error of global hand pose under different balance factors

    4.2.2 實驗結(jié)果及分析

    本文利用5 個基本動作模板生成5 個單一動作測試集。每個動作測試集中包含400 張同類動作不同姿態(tài)的人手深度圖像與對應(yīng)全局姿態(tài)標(biāo)簽。為每個動作測試集的400 次全局姿態(tài)預(yù)測結(jié)果計算絕對誤差均值。表1 為本文方法對測試集中各類基本動作的預(yù)測結(jié)果。由此可以發(fā)現(xiàn),本文方法測量動作T1,T2,T3,T4,T5 的人手全局姿態(tài)絕對誤差均值分別為5.835°,5.669°,4.866°,4.275°,4.527°。其中,基本動作T1 的預(yù)測誤差較大,其原因是該動作類似人手握拳動作,處于該動作的人手從不同的角度觀測相似度非常高,具有歧義的手部外觀會使模型預(yù)測結(jié)果產(chǎn)生較大的誤差。

    表1 各類基本動作的人手全局姿態(tài)預(yù)測誤差Tab.1 Global hand pose prediction error for various basic actions (°)

    為了證明本文所提出方法的有效性,與另外4 種方法進(jìn)行了對比,5 種方法在測試集上預(yù)測結(jié)果的絕對誤差均值如表2 所示。其中,Hopenet[18]是一種基于多損失深度CNN 的人體頭部全局姿態(tài)估計方法,該網(wǎng)絡(luò)使用ResNet50[22]作為主干特征提取網(wǎng)絡(luò),并使用平均絕對誤差(Mean Aver-age Error,MAE)和交叉熵作為損失函數(shù)對網(wǎng)絡(luò)進(jìn)行訓(xùn)練優(yōu)化。對比實驗中,Hopenet[18]的回歸系數(shù)設(shè)置為2。FSA-Net[19]是一種結(jié)合回歸與特征聚合的人體頭部全局姿態(tài)估計方法,該方法使用平均絕對誤差作為損失函數(shù)進(jìn)行訓(xùn)練優(yōu)化。FSA-Net 使用文獻(xiàn)[19]中方差評分函數(shù)進(jìn)行特征聚合。方法1:采用基于像素投票的手部全局姿態(tài)估計網(wǎng)絡(luò)結(jié)構(gòu),但手部全局姿態(tài)標(biāo)簽使用歐拉角表示。方法2:在方法1 的基礎(chǔ)上移除解碼器部分,不使用像素投票方法得出姿態(tài)結(jié)果,使用三層全連接層回歸手部全局姿態(tài)歐拉角。表2為本文方法與對比模型在測試集上的結(jié)果,由此可以發(fā)現(xiàn),本文方法的準(zhǔn)確性明顯優(yōu)于其他方法。由此說明,本文方法更適用于手勢多變的人手全局姿態(tài)估計任務(wù),相比于FSA-Net 與Hopenet,本文方法能夠為人手全局姿態(tài)的3 個參數(shù)提供更準(zhǔn)確的預(yù)測結(jié)果,并且在翻滾角的預(yù)測精度上具有明顯的優(yōu)勢。本文利用正弦值與余弦值表示手部全局姿態(tài)歐拉角的方法,相比于直接將歐拉角作為姿態(tài)標(biāo)簽的方法,精度更高。本文所使用的姿態(tài)表示方式更有利于神經(jīng)網(wǎng)絡(luò)對特征的學(xué)習(xí)。值得注意的是,方法2 相比于其他方法存在較大的誤差,驗證了基于像素投票的姿態(tài)估計方法的有效性。

    表2 不同方法在測試集上的人手全局姿態(tài)預(yù)測誤差Tab.2 Global hand pose prediction error of different methods on test dataset (°)

    參考其他全局姿態(tài)估計方法[17-18],本文同樣采用不同公差姿態(tài)預(yù)測精度來評估模型性能。不同公差姿態(tài)預(yù)測精度,即全局姿態(tài)預(yù)測絕對誤差小于某個公差的準(zhǔn)確率。圖9 為不同方法在不同公差下對全局姿態(tài)各個參數(shù)的預(yù)測精度??梢园l(fā)現(xiàn),方法1 在公差值為5°時預(yù)測俯仰角的準(zhǔn)確率最高,而在其他誤差公差下,本文方法則具有更高的預(yù)測準(zhǔn)確率。

    圖9 不同方法在測試集上的人手全局姿態(tài)預(yù)測精度Fig.9 Global hand pose prediction accuracy of different methods on test dataset

    本文方法在NVIDIA TITANXP GPU 上對人手深度圖像進(jìn)行全局姿態(tài)估計的平均速度為30.52 frame/s,可以滿足實時性要求。本文方法對每一張深度測試圖像進(jìn)行處理總耗時約為32.77 ms,其中圖像讀取與預(yù)處理用時約8.36 ms,模型前向傳播與像素投票用時約24.41 ms。

    4.3 真實深度圖像測試

    本文采用真實手部深度圖對方法進(jìn)行定性測試,使用Kinect V2 深度相機(jī)采集手部圖像作為輸入。利用深度閾值分割人手區(qū)域,再將人手區(qū)域圖像裁剪成分辨率為175×175 的輸入圖像。本文方法對真實人手深度圖像的全局姿態(tài)預(yù)測結(jié)果如圖10 所示。圖中,第一行為Kinect V2 深度相機(jī)采集的真實深度圖像,第二行為本文方法對真實深度圖像進(jìn)行預(yù)測獲得的人手全局姿態(tài)估計可視化圖。由圖10 可以看出,本文方法在Kinect V2 較為粗糙的深度數(shù)據(jù)下仍可穩(wěn)健地預(yù)測人手全局姿態(tài)。

    圖10 真實人手深度圖像全局姿態(tài)預(yù)測結(jié)果Fig.10 Global hand pose prediction results of depth image of real hand

    5 結(jié) 論

    本文提出了一種基于像素投票的方法,在變化的手勢下估計人手全局姿態(tài),采用語義分割的方法確定人手像素位置,通過手部區(qū)域的像素姿態(tài)投票信息來生成穩(wěn)健、準(zhǔn)確的估計結(jié)果。針對人手全局姿態(tài)數(shù)據(jù)集采集困難的問題,設(shè)計開發(fā)了人手?jǐn)?shù)據(jù)集合成程序,為深度神經(jīng)網(wǎng)絡(luò)提供高質(zhì)量的訓(xùn)練數(shù)據(jù)。實驗結(jié)果表明,本文方法的人手全局姿態(tài)預(yù)測誤差均值為5.036°,可以準(zhǔn)確地從深度圖像預(yù)測人手全局姿態(tài),在人機(jī)交互、機(jī)器人模仿學(xué)習(xí)等領(lǐng)域具有廣泛的應(yīng)用前景。但本方法對于俯仰角的預(yù)測誤差較大,在未來的工作中,將對模型像素投票處理方法進(jìn)行優(yōu)化,降低誤差較大的投票對最終結(jié)果的影響,進(jìn)一步提高預(yù)測精度。

    猜你喜歡
    人手手部全局
    手部皮膚軟組織缺損修復(fù)的皮瓣選擇
    Cahn-Hilliard-Brinkman系統(tǒng)的全局吸引子
    量子Navier-Stokes方程弱解的全局存在性
    木蘭從軍
    落子山東,意在全局
    金橋(2018年4期)2018-09-26 02:24:54
    從六個方面人手進(jìn)行類比推理
    兩種皮瓣修復(fù)手部軟組織缺損的比較
    發(fā)生于手部的硬下疳一例
    新思路:牽一發(fā)動全局
    復(fù)明膠囊疑致手部腫痛1例
    亚洲情色 制服丝袜| 久久久久久久国产电影| 国产免费av片在线观看野外av| 俄罗斯特黄特色一大片| 首页视频小说图片口味搜索| 精品国产国语对白av| 午夜两性在线视频| 免费在线观看完整版高清| av网站免费在线观看视频| 少妇的丰满在线观看| 国精品久久久久久国模美| 国产精品熟女久久久久浪| 97精品久久久久久久久久精品| 亚洲欧美日韩另类电影网站| 可以免费在线观看a视频的电影网站| 欧美日韩福利视频一区二区| 老司机午夜十八禁免费视频| 成人三级做爰电影| 看免费av毛片| 咕卡用的链子| 午夜激情av网站| 成人av一区二区三区在线看 | 日韩人妻精品一区2区三区| 一区二区av电影网| 国产男人的电影天堂91| xxxhd国产人妻xxx| www日本在线高清视频| 国产老妇伦熟女老妇高清| 亚洲色图综合在线观看| 国精品久久久久久国模美| 伦理电影免费视频| 两个人看的免费小视频| 午夜久久久在线观看| 久久久久国产一级毛片高清牌| 国产1区2区3区精品| 丝袜在线中文字幕| 人人妻人人澡人人爽人人夜夜| 亚洲精品中文字幕一二三四区 | 中文字幕另类日韩欧美亚洲嫩草| 可以免费在线观看a视频的电影网站| 美国免费a级毛片| 日本五十路高清| 亚洲国产日韩一区二区| 久久人人97超碰香蕉20202| 国产一区二区在线观看av| 男女边摸边吃奶| 黄色视频,在线免费观看| 日韩熟女老妇一区二区性免费视频| 亚洲成人国产一区在线观看| 热99久久久久精品小说推荐| 少妇被粗大的猛进出69影院| 黄色视频,在线免费观看| 免费不卡黄色视频| 国产精品熟女久久久久浪| 两性夫妻黄色片| 亚洲av日韩在线播放| 欧美日韩福利视频一区二区| 国产1区2区3区精品| 老熟妇仑乱视频hdxx| 欧美日本中文国产一区发布| 日韩制服骚丝袜av| 色视频在线一区二区三区| 国产亚洲av高清不卡| 1024香蕉在线观看| 操出白浆在线播放| 国产在视频线精品| 国产在线一区二区三区精| 人人妻人人澡人人爽人人夜夜| 国产一区二区在线观看av| 国产精品一区二区在线不卡| 亚洲专区字幕在线| 国产日韩欧美视频二区| 国产深夜福利视频在线观看| 国产精品久久久人人做人人爽| 91精品三级在线观看| 俄罗斯特黄特色一大片| 免费观看a级毛片全部| 少妇人妻久久综合中文| 欧美日韩亚洲国产一区二区在线观看 | 国产福利在线免费观看视频| 久久性视频一级片| 日韩欧美免费精品| 国产伦人伦偷精品视频| 美女国产高潮福利片在线看| 伊人亚洲综合成人网| 999久久久国产精品视频| 91麻豆av在线| 亚洲国产精品一区二区三区在线| 一个人免费在线观看的高清视频 | 亚洲精品久久久久久婷婷小说| 午夜成年电影在线免费观看| 老司机在亚洲福利影院| 美女高潮喷水抽搐中文字幕| 黄色片一级片一级黄色片| 国产成人a∨麻豆精品| 99国产极品粉嫩在线观看| 大陆偷拍与自拍| 最新在线观看一区二区三区| 我要看黄色一级片免费的| 久久国产精品男人的天堂亚洲| 叶爱在线成人免费视频播放| 国产成人欧美在线观看 | 国产免费视频播放在线视频| 丝袜喷水一区| 欧美在线一区亚洲| 色视频在线一区二区三区| 久久久久久久大尺度免费视频| 欧美激情极品国产一区二区三区| 亚洲成国产人片在线观看| 超碰成人久久| 80岁老熟妇乱子伦牲交| 99精品久久久久人妻精品| 精品高清国产在线一区| av欧美777| 视频在线观看一区二区三区| 色视频在线一区二区三区| 国产高清videossex| 美国免费a级毛片| 日韩制服丝袜自拍偷拍| 久久人妻福利社区极品人妻图片| 黑人猛操日本美女一级片| 欧美成人午夜精品| 亚洲人成77777在线视频| 18禁裸乳无遮挡动漫免费视频| 欧美国产精品va在线观看不卡| 日韩欧美一区视频在线观看| 精品国产乱码久久久久久小说| 精品国产国语对白av| 国产日韩欧美在线精品| 香蕉国产在线看| 免费一级毛片在线播放高清视频 | 久久女婷五月综合色啪小说| 国产男女内射视频| 少妇粗大呻吟视频| 亚洲欧美一区二区三区黑人| 各种免费的搞黄视频| 日本撒尿小便嘘嘘汇集6| 亚洲熟女毛片儿| 亚洲中文日韩欧美视频| 中文字幕最新亚洲高清| 欧美日韩成人在线一区二区| 久久中文字幕一级| 亚洲精品久久成人aⅴ小说| 免费在线观看视频国产中文字幕亚洲 | 国产主播在线观看一区二区| 免费观看人在逋| 波多野结衣一区麻豆| 午夜久久久在线观看| 欧美乱码精品一区二区三区| 国产深夜福利视频在线观看| 成年美女黄网站色视频大全免费| 久久久久久久精品精品| 一区二区三区激情视频| 热99国产精品久久久久久7| 亚洲性夜色夜夜综合| 人妻一区二区av| 国产精品久久久av美女十八| 国产精品影院久久| 一区福利在线观看| 国产在线视频一区二区| 最近最新中文字幕大全免费视频| 男人操女人黄网站| av天堂久久9| 精品国产乱子伦一区二区三区 | 欧美黄色淫秽网站| 高潮久久久久久久久久久不卡| 欧美日韩av久久| 美女视频免费永久观看网站| 国产一卡二卡三卡精品| av超薄肉色丝袜交足视频| 自拍欧美九色日韩亚洲蝌蚪91| 少妇猛男粗大的猛烈进出视频| 国产一级毛片在线| kizo精华| 亚洲精华国产精华精| 老司机午夜福利在线观看视频 | 黑人猛操日本美女一级片| 国产老妇伦熟女老妇高清| 少妇精品久久久久久久| 日韩欧美国产一区二区入口| av视频免费观看在线观看| 高清黄色对白视频在线免费看| 成人国产av品久久久| 王馨瑶露胸无遮挡在线观看| 国产亚洲精品一区二区www | 婷婷丁香在线五月| 欧美性长视频在线观看| 精品亚洲成a人片在线观看| 成人免费观看视频高清| 午夜精品久久久久久毛片777| 成人18禁高潮啪啪吃奶动态图| 97人妻天天添夜夜摸| 日韩 欧美 亚洲 中文字幕| 久久人妻福利社区极品人妻图片| 精品久久久久久电影网| 91精品伊人久久大香线蕉| 国产高清视频在线播放一区 | 黄片播放在线免费| 久久人人爽人人片av| 国产免费av片在线观看野外av| 久久久久久久久久久久大奶| 免费久久久久久久精品成人欧美视频| 欧美日韩国产mv在线观看视频| 亚洲av成人不卡在线观看播放网 | 窝窝影院91人妻| 动漫黄色视频在线观看| 99精品欧美一区二区三区四区| 伊人亚洲综合成人网| av网站在线播放免费| 老司机亚洲免费影院| 国产成人系列免费观看| 亚洲欧美一区二区三区黑人| 亚洲国产欧美在线一区| 一本久久精品| 丝袜喷水一区| 亚洲欧美一区二区三区黑人| 成人三级做爰电影| 97人妻天天添夜夜摸| 久久毛片免费看一区二区三区| 啪啪无遮挡十八禁网站| 免费久久久久久久精品成人欧美视频| 男人爽女人下面视频在线观看| 久久狼人影院| 天堂中文最新版在线下载| 可以免费在线观看a视频的电影网站| 两性午夜刺激爽爽歪歪视频在线观看 | 欧美国产精品va在线观看不卡| 啦啦啦免费观看视频1| 纵有疾风起免费观看全集完整版| 91麻豆av在线| 欧美日韩av久久| 久久毛片免费看一区二区三区| 丝袜人妻中文字幕| 国产一区二区 视频在线| 在线观看www视频免费| 人人妻人人爽人人添夜夜欢视频| 亚洲天堂av无毛| 啦啦啦在线免费观看视频4| 婷婷成人精品国产| 美女高潮到喷水免费观看| 在线观看免费午夜福利视频| 脱女人内裤的视频| 999久久久国产精品视频| 成年动漫av网址| 午夜福利在线免费观看网站| 国产精品秋霞免费鲁丝片| xxxhd国产人妻xxx| 成年人午夜在线观看视频| 乱人伦中国视频| 两个人免费观看高清视频| 大型av网站在线播放| 极品人妻少妇av视频| 精品卡一卡二卡四卡免费| 欧美人与性动交α欧美精品济南到| 女人久久www免费人成看片| 亚洲成人免费av在线播放| 国产av一区二区精品久久| 欧美老熟妇乱子伦牲交| 99国产综合亚洲精品| 精品一区在线观看国产| www.自偷自拍.com| 国产成人精品在线电影| 午夜老司机福利片| 欧美性长视频在线观看| av视频免费观看在线观看| 中国美女看黄片| 看免费av毛片| 欧美亚洲日本最大视频资源| 免费高清在线观看日韩| 亚洲综合色网址| 不卡av一区二区三区| 国产主播在线观看一区二区| 久久天堂一区二区三区四区| 日本欧美视频一区| 国产成人精品久久二区二区91| 性少妇av在线| 久久精品国产综合久久久| 国产在线观看jvid| 久久99一区二区三区| 欧美另类一区| 久久国产精品影院| 亚洲国产精品999| 亚洲一卡2卡3卡4卡5卡精品中文| 亚洲精品国产一区二区精华液| 免费不卡黄色视频| 不卡av一区二区三区| 纯流量卡能插随身wifi吗| 丝袜美腿诱惑在线| 成人黄色视频免费在线看| 国产成人av激情在线播放| 午夜两性在线视频| 国产伦理片在线播放av一区| 亚洲一区二区三区欧美精品| 久久久精品94久久精品| 黄色视频在线播放观看不卡| 欧美午夜高清在线| 亚洲精华国产精华精| 国产一区二区 视频在线| 欧美日韩黄片免| 亚洲国产欧美一区二区综合| 欧美日韩av久久| 免费观看av网站的网址| 天天躁日日躁夜夜躁夜夜| 久久久水蜜桃国产精品网| 欧美精品av麻豆av| 91麻豆精品激情在线观看国产 | 免费黄频网站在线观看国产| 夜夜夜夜夜久久久久| 狠狠精品人妻久久久久久综合| 免费高清在线观看视频在线观看| 一级黄色大片毛片| 丝袜人妻中文字幕| 建设人人有责人人尽责人人享有的| 久久女婷五月综合色啪小说| 18禁裸乳无遮挡动漫免费视频| 下体分泌物呈黄色| av天堂在线播放| cao死你这个sao货| 高清av免费在线| www.自偷自拍.com| 一区二区三区精品91| 在线观看免费高清a一片| 亚洲熟女毛片儿| 91精品三级在线观看| 午夜精品久久久久久毛片777| av在线播放精品| 999久久久国产精品视频| 午夜福利免费观看在线| 成人三级做爰电影| 国产精品久久久久成人av| 久久精品aⅴ一区二区三区四区| 亚洲激情五月婷婷啪啪| 精品国产国语对白av| 人妻一区二区av| 欧美一级毛片孕妇| 老司机影院成人| 亚洲精品久久午夜乱码| 999久久久国产精品视频| 满18在线观看网站| 国产99久久九九免费精品| 精品人妻一区二区三区麻豆| 日本av免费视频播放| 亚洲午夜精品一区,二区,三区| 精品少妇黑人巨大在线播放| 一区二区av电影网| 侵犯人妻中文字幕一二三四区| 精品国产国语对白av| 国产淫语在线视频| 久9热在线精品视频| 亚洲va日本ⅴa欧美va伊人久久 | 欧美激情极品国产一区二区三区| 一个人免费在线观看的高清视频 | 亚洲国产精品999| 欧美午夜高清在线| 亚洲一卡2卡3卡4卡5卡精品中文| 精品卡一卡二卡四卡免费| 美女中出高潮动态图| 日韩有码中文字幕| 国产精品1区2区在线观看. | 亚洲国产欧美在线一区| 999久久久精品免费观看国产| 美女脱内裤让男人舔精品视频| 久久午夜综合久久蜜桃| 男女午夜视频在线观看| 国产黄频视频在线观看| 亚洲va日本ⅴa欧美va伊人久久 | 国产成人免费观看mmmm| 999久久久精品免费观看国产| 国产成人精品无人区| 精品少妇内射三级| 久久av网站| 777米奇影视久久| 天天躁夜夜躁狠狠躁躁| 免费高清在线观看视频在线观看| 欧美 亚洲 国产 日韩一| 亚洲中文av在线| 欧美大码av| 国产又爽黄色视频| 日本wwww免费看| 欧美日韩黄片免| 老鸭窝网址在线观看| 亚洲av成人一区二区三| 一本一本久久a久久精品综合妖精| 成人三级做爰电影| 亚洲精品一区蜜桃| 日本av免费视频播放| 黄色视频在线播放观看不卡| 丝袜美腿诱惑在线| 亚洲精品一区蜜桃| 女人久久www免费人成看片| 日本猛色少妇xxxxx猛交久久| 成人国产一区最新在线观看| 久久精品成人免费网站| 国产成+人综合+亚洲专区| 国产一区二区三区综合在线观看| 午夜久久久在线观看| 极品少妇高潮喷水抽搐| 免费观看a级毛片全部| 亚洲精品第二区| 亚洲av日韩在线播放| 9191精品国产免费久久| 99国产精品免费福利视频| 国产精品欧美亚洲77777| 丝袜喷水一区| 三级毛片av免费| 另类精品久久| 中亚洲国语对白在线视频| 夜夜骑夜夜射夜夜干| 久久精品人人爽人人爽视色| 亚洲欧美日韩高清在线视频 | 欧美日韩中文字幕国产精品一区二区三区 | 99国产极品粉嫩在线观看| 久9热在线精品视频| 秋霞在线观看毛片| 人成视频在线观看免费观看| 亚洲精品国产av成人精品| 女性生殖器流出的白浆| 久久人人爽av亚洲精品天堂| tube8黄色片| 女警被强在线播放| 亚洲精品一卡2卡三卡4卡5卡 | 国产欧美日韩一区二区精品| 精品国内亚洲2022精品成人 | 熟女少妇亚洲综合色aaa.| 精品人妻一区二区三区麻豆| 飞空精品影院首页| 久久免费观看电影| 王馨瑶露胸无遮挡在线观看| 午夜免费鲁丝| 下体分泌物呈黄色| 丝袜美腿诱惑在线| 欧美久久黑人一区二区| 岛国毛片在线播放| 无限看片的www在线观看| 国产成人精品久久二区二区91| 久热爱精品视频在线9| 欧美成狂野欧美在线观看| 在线亚洲精品国产二区图片欧美| 国产成人免费观看mmmm| 国产主播在线观看一区二区| 人人妻人人添人人爽欧美一区卜| 午夜福利免费观看在线| 成年人午夜在线观看视频| 丝袜人妻中文字幕| 亚洲专区中文字幕在线| 大码成人一级视频| 亚洲精品一二三| 一级毛片女人18水好多| 99国产综合亚洲精品| 手机成人av网站| 最新的欧美精品一区二区| 成人av一区二区三区在线看 | 亚洲 国产 在线| 老司机午夜十八禁免费视频| 亚洲专区中文字幕在线| 亚洲性夜色夜夜综合| 中文欧美无线码| 成年人午夜在线观看视频| 日韩熟女老妇一区二区性免费视频| 两个人看的免费小视频| 国产精品久久久人人做人人爽| 婷婷丁香在线五月| 国产精品麻豆人妻色哟哟久久| 亚洲免费av在线视频| 国产精品久久久av美女十八| 自拍欧美九色日韩亚洲蝌蚪91| 欧美97在线视频| 高清av免费在线| 精品一区二区三卡| 91麻豆av在线| 亚洲少妇的诱惑av| 一区二区av电影网| 成年av动漫网址| 精品熟女少妇八av免费久了| 老汉色∧v一级毛片| 日本av免费视频播放| 亚洲熟女毛片儿| 中亚洲国语对白在线视频| 亚洲精品成人av观看孕妇| 亚洲一卡2卡3卡4卡5卡精品中文| 欧美av亚洲av综合av国产av| 欧美精品av麻豆av| 91成年电影在线观看| 五月天丁香电影| 成人手机av| 极品少妇高潮喷水抽搐| 伦理电影免费视频| 久久女婷五月综合色啪小说| 水蜜桃什么品种好| 欧美日韩一级在线毛片| 美女午夜性视频免费| 久久综合国产亚洲精品| 国内毛片毛片毛片毛片毛片| 麻豆乱淫一区二区| 日本wwww免费看| 一区福利在线观看| 啦啦啦视频在线资源免费观看| 男女之事视频高清在线观看| 国产精品一二三区在线看| 久久久精品国产亚洲av高清涩受| 久久精品aⅴ一区二区三区四区| 久久99热这里只频精品6学生| 香蕉丝袜av| 亚洲欧美激情在线| 精品久久久久久电影网| 国产精品国产av在线观看| 国产精品 欧美亚洲| 91麻豆精品激情在线观看国产 | 精品少妇内射三级| a级毛片在线看网站| 国产欧美日韩一区二区三区在线| 婷婷丁香在线五月| 日韩,欧美,国产一区二区三区| 欧美 亚洲 国产 日韩一| 久久精品亚洲av国产电影网| 国产亚洲精品第一综合不卡| 亚洲av电影在线观看一区二区三区| 国产免费现黄频在线看| 老司机在亚洲福利影院| 一进一出抽搐动态| 久热这里只有精品99| 一区二区三区四区激情视频| 交换朋友夫妻互换小说| 天天躁夜夜躁狠狠躁躁| 人妻久久中文字幕网| 99re6热这里在线精品视频| 国产成+人综合+亚洲专区| 精品免费久久久久久久清纯 | 亚洲激情五月婷婷啪啪| 国产精品一区二区免费欧美 | 久久精品国产亚洲av香蕉五月 | 视频区欧美日本亚洲| 久久 成人 亚洲| 久久久国产精品麻豆| 男男h啪啪无遮挡| 久久精品人人爽人人爽视色| 精品一区在线观看国产| 亚洲国产看品久久| 亚洲欧洲日产国产| 另类亚洲欧美激情| 91大片在线观看| 人人妻人人爽人人添夜夜欢视频| 精品国产乱子伦一区二区三区 | 看免费av毛片| 一二三四社区在线视频社区8| 色视频在线一区二区三区| 国产在线视频一区二区| 久久国产精品人妻蜜桃| 国产精品国产av在线观看| 欧美另类一区| 亚洲精品久久成人aⅴ小说| av又黄又爽大尺度在线免费看| 男人添女人高潮全过程视频| 2018国产大陆天天弄谢| 午夜福利乱码中文字幕| 黑人猛操日本美女一级片| 91麻豆精品激情在线观看国产 | 国产成人a∨麻豆精品| 国产在线免费精品| 亚洲av片天天在线观看| 国产成人精品在线电影| 在线观看舔阴道视频| 免费观看av网站的网址| 老熟妇乱子伦视频在线观看 | 久久午夜综合久久蜜桃| 午夜福利,免费看| 黄色怎么调成土黄色| 十八禁网站网址无遮挡| 中文字幕av电影在线播放| 亚洲av日韩精品久久久久久密| 99九九在线精品视频| 国产av精品麻豆| 高清欧美精品videossex| 在线看a的网站| a 毛片基地| 国产成人影院久久av| 韩国高清视频一区二区三区| 亚洲色图 男人天堂 中文字幕| 国产成人欧美| 国产麻豆69| 91成人精品电影| 大片电影免费在线观看免费| 欧美在线黄色| 日韩中文字幕视频在线看片| av欧美777| av天堂久久9| 精品少妇黑人巨大在线播放| 脱女人内裤的视频| 90打野战视频偷拍视频| 精品久久久精品久久久| 在线看a的网站| 国产精品免费视频内射| 久久九九热精品免费| 好男人电影高清在线观看| 夜夜夜夜夜久久久久| 欧美97在线视频| 国产高清国产精品国产三级| 人人妻人人爽人人添夜夜欢视频| 真人做人爱边吃奶动态| 免费女性裸体啪啪无遮挡网站| www日本在线高清视频| 久久精品成人免费网站| 999精品在线视频| 日本撒尿小便嘘嘘汇集6| 国产精品久久久av美女十八| 久久ye,这里只有精品| 大香蕉久久网| 欧美国产精品va在线观看不卡| 又大又爽又粗| 亚洲专区中文字幕在线| 精品欧美一区二区三区在线| 亚洲成人国产一区在线观看| 国产精品久久久久成人av| 视频区图区小说| 午夜福利,免费看|