• <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(xué)習(xí)的二維人體姿態(tài)估計(jì)算法綜述①

    2022-11-07 09:07:02馬雙雙曹少中楊樹林
    關(guān)鍵詞:關(guān)節(jié)點(diǎn)關(guān)鍵點(diǎn)姿態(tài)

    馬雙雙,王 佳,曹少中,楊樹林,趙 偉,張 寒

    (北京印刷學(xué)院 信息工程學(xué)院,北京 102600)

    人體姿態(tài)估計(jì)是計(jì)算機(jī)視覺領(lǐng)域一個(gè)基礎(chǔ)問題,解決這個(gè)問題是圖像和視頻中識(shí)別人類行為的重要步驟,主要內(nèi)容是從圖像中識(shí)別身體的各個(gè)部分,并計(jì)算其方向和位置信息.人體姿態(tài)估計(jì)作為解決圖像和視頻中人體關(guān)鍵點(diǎn)(如頭部、肩部、肘部等)坐標(biāo)的重要技術(shù),其流行與發(fā)展得到了眾多學(xué)者的廣泛關(guān)注.深度學(xué)習(xí)與卷積網(wǎng)絡(luò)的不斷發(fā)展,人體姿態(tài)估計(jì)在動(dòng)作識(shí)別[1]、動(dòng)作捕捉[2]、姿態(tài)追蹤[3]、手勢(shì)識(shí)別[4]、圖像生成[5]、人機(jī)交互[6]等方面得到了廣泛應(yīng)用.

    人體姿態(tài)估計(jì)算法發(fā)展至今可以分為傳統(tǒng)方法和深度學(xué)習(xí)的方法.傳統(tǒng)方法采用手工提取特征建立模型,一般是基于圖結(jié)構(gòu)(pictorial structures)模型[7]和基于形變部件模型[8],由于遮擋嚴(yán)重、光線條件差和拍攝角度不同,因此具有挑戰(zhàn)性.它們的準(zhǔn)確性受到限制,特別是在嚴(yán)重遮擋和復(fù)雜光照條件下.近幾年人工智能發(fā)展迅速,學(xué)者將目光專注于研究深度學(xué)習(xí)模型,比如深度卷積神經(jīng)網(wǎng)絡(luò)(convolutional neural networks,CNN)[9]、生成對(duì)抗網(wǎng)絡(luò)(generative adversarial nets,GANs)[10]、遞歸神經(jīng)網(wǎng)絡(luò)等.在圖像分割、圖像分類、圖像融合、圖像識(shí)別等領(lǐng)域獲得了顯著成果.人體姿態(tài)估計(jì)采用深度學(xué)習(xí)的方法可以利用CNN 提取到更加準(zhǔn)確的特征,有利于獲取人體關(guān)節(jié)點(diǎn)之間的聯(lián)系.

    二維人體姿態(tài)估計(jì)是在圖像中識(shí)別出人體關(guān)鍵點(diǎn),將關(guān)鍵點(diǎn)按順序連接形成人體骨骼圖.本文主要從單人目標(biāo)和多人目標(biāo)兩個(gè)方向?qū)ΧS姿態(tài)估計(jì)進(jìn)行梳理和分析,整理了相關(guān)數(shù)據(jù)集與評(píng)價(jià)指標(biāo),并對(duì)當(dāng)前所面臨的問題和未來發(fā)展趨勢(shì)進(jìn)行了闡述.

    1 傳統(tǒng)算法

    傳統(tǒng)方法主要用于解決姿態(tài)估計(jì)問題,大部分采用模板匹配的方法.基于Fischler 等人[7]提出的圖結(jié)構(gòu)模型,首先人體部件檢測(cè)器將人或物體表示為多個(gè)部件,并使用圖形模型確定部件之間的連通性.2005年Felzenszwalb 等人[11]提出了一個(gè)統(tǒng)計(jì)框架,用于表示可變形結(jié)構(gòu)中對(duì)象的視覺外觀,它允許對(duì)外觀進(jìn)行定性描述,并假設(shè)組件與樹形結(jié)構(gòu)一致.

    文獻(xiàn)[12]提出圖結(jié)構(gòu)主要由表述人體部件的局部模型(part model)和表述空間關(guān)系的空間模型(spatial model)構(gòu)成.為改善局部模型表現(xiàn)能力差的缺點(diǎn),使用了表現(xiàn)力更強(qiáng)的圖像特征,例如HOG 特征[13]和SIFT特征[14].韓貴金等人[15]提出一種基于HOG 和顏色特征融合的外觀模型,用于圖像中人體上半身的姿態(tài)估計(jì).前景技術(shù)可以應(yīng)用到姿態(tài)估計(jì)中[16],也可以將判別能力更強(qiáng)的檢測(cè)器來提高姿態(tài)估計(jì)準(zhǔn)確性[17].人體姿態(tài)估計(jì)會(huì)存在肢體遮擋的問題,為解決此類問題非樹形結(jié)構(gòu)的空間模型被提出[18].傳統(tǒng)方法已擁有較高的效率,但無法提取圖像中的充分信息并加以利用,使得適用方法范圍受到限制,并且由于傳統(tǒng)方法依賴于專業(yè)的攝影設(shè)備,成本較高,無法使用所有的應(yīng)用場(chǎng)景.

    2 基于深度學(xué)習(xí)的方法

    在近幾年,受到以端到端為特征的圖像識(shí)別的影響,越來越多的研究人員引入深度學(xué)習(xí)的人體姿態(tài)估計(jì)模型,并不斷提高模型的性能.深度學(xué)習(xí)通過訓(xùn)練大量的樣本數(shù)據(jù),獲取更加高效準(zhǔn)確的特征.相較于傳統(tǒng)方法,深度學(xué)習(xí)的方法魯棒性更強(qiáng)、泛化能力更好.自2014年首次引入深度學(xué)習(xí)以來,基于深度學(xué)習(xí)的人體姿態(tài)估計(jì)已成為一個(gè)研究學(xué)者的主流研究領(lǐng)域.根據(jù)應(yīng)用場(chǎng)景可將二維人體姿態(tài)估計(jì)分為單人姿態(tài)估計(jì)和多人姿態(tài)估計(jì),二維人體姿態(tài)估計(jì)分類如圖1 所示.

    圖1 二維人體姿態(tài)估計(jì)分類

    2.1 單人姿態(tài)估計(jì)

    單人姿態(tài)估計(jì)作為人體姿態(tài)估計(jì)的基礎(chǔ)尤為重要,圖像里只有單個(gè)待檢測(cè)目標(biāo),首先檢測(cè)出目標(biāo)的邊界框圖像,在檢測(cè)出目標(biāo)人體的所有關(guān)節(jié)點(diǎn).大多數(shù)單人姿態(tài)估計(jì)都使用有監(jiān)督的方法,可按照真值(ground truth)分為基于坐標(biāo)回歸與基于熱圖檢測(cè).

    2.1.1 基于坐標(biāo)回歸

    2014年Toshev 等人提出的DeepPose[19]首先將深度學(xué)習(xí)應(yīng)用在人體姿態(tài)估計(jì)領(lǐng)域,它將2D 人體姿態(tài)估計(jì)問題由原本的圖像處理和模板匹配問題轉(zhuǎn)化為卷積神經(jīng)網(wǎng)絡(luò)圖像特征提取和關(guān)鍵點(diǎn)坐標(biāo)回歸問題,它將2D 人體姿態(tài)估計(jì)問題由圖像處理和模板匹配問題轉(zhuǎn)化為CNN 圖像特征提取和關(guān)鍵點(diǎn)坐標(biāo)回歸問題,使用回歸準(zhǔn)則來估計(jì)被遮擋的人體關(guān)節(jié)點(diǎn).其思路是針對(duì)CNN 學(xué)習(xí)到的特征尺度固定、回歸性能差的問題,在網(wǎng)絡(luò)得到粗分回歸的基礎(chǔ)上增加一個(gè)階段,將特征圖像傳入CNN 網(wǎng)絡(luò)學(xué)習(xí)高分辨率的特征,進(jìn)行較高精度的坐標(biāo)值回歸.具體DeepPose 流程圖如圖2 所示.

    圖2 DeepPose 網(wǎng)絡(luò)結(jié)構(gòu)

    Geng 等人[20]認(rèn)為回歸關(guān)鍵點(diǎn)坐標(biāo)的特征必須集中注意關(guān)鍵點(diǎn)周圍的區(qū)域才能精確回歸出關(guān)鍵點(diǎn)坐標(biāo),提出了直接坐標(biāo)回歸方法解構(gòu)式關(guān)鍵點(diǎn)回歸(DEKR).使用自適應(yīng)的卷積激活關(guān)鍵點(diǎn)區(qū)域周圍的像素,利用這些激活的像素去學(xué)習(xí)新的特征,并利用多分支結(jié)構(gòu),每個(gè)分支都會(huì)針對(duì)某種關(guān)鍵點(diǎn)利用自適應(yīng)卷積學(xué)習(xí)關(guān)鍵點(diǎn)周圍的像素特征,回歸關(guān)鍵點(diǎn)的位置.

    多階段回歸可更加精確地反映關(guān)鍵點(diǎn)坐標(biāo),改善多階段直接回歸方法.Carrira 等人[21]提出了自我修正模型,通過從輸入到輸出的聯(lián)合空間學(xué)習(xí)特征提取器,對(duì)聯(lián)合空間中豐富的結(jié)構(gòu)化信息進(jìn)行建模.文章引入了自頂向下的反饋機(jī)制,通過反饋錯(cuò)誤預(yù)測(cè)逐步改變初始解的自校正模型,此過程稱為迭代錯(cuò)誤反饋(IEF).基于坐標(biāo)回歸的方法,只減少了每個(gè)關(guān)節(jié)點(diǎn)位置的誤差,忽略了關(guān)節(jié)點(diǎn)之間的相關(guān)信息,相比于關(guān)節(jié)點(diǎn)骨骼信息更準(zhǔn)確.Sun 等人[22]提出了一種基于ResNet-50[23]的結(jié)構(gòu)感知回歸方法,它采用重新參數(shù)化的姿勢(shì)表示,使用骨骼進(jìn)行姿態(tài)表示,對(duì)姿勢(shì)進(jìn)行編碼.

    總體而言,關(guān)節(jié)點(diǎn)坐標(biāo)的直接回歸是非線性的,在映射學(xué)習(xí)中存在困難,而且不能應(yīng)用于多人情況,缺乏魯棒性.相較于坐標(biāo)回歸,更多使用基于熱圖檢測(cè)的方法.

    2.1.2 基于熱圖檢測(cè)

    熱圖檢測(cè)的方法將人體各部位作為檢測(cè)目標(biāo),通過檢測(cè)關(guān)鍵點(diǎn)熱力圖(heatmap),獲得關(guān)鍵點(diǎn)的概率分布以及關(guān)鍵點(diǎn)的位置信息.

    Tompson 等人[24]采用深度卷積網(wǎng)絡(luò)進(jìn)行姿態(tài)估計(jì),采用heatmap 的方式回歸關(guān)鍵點(diǎn),將重疊感受野和多分辨率輸入,利用人體關(guān)鍵點(diǎn)之間的空間信息,結(jié)合馬爾科夫隨機(jī)場(chǎng)的思想來優(yōu)化預(yù)測(cè)結(jié)果.該方法也為多人場(chǎng)景下的姿態(tài)估計(jì)中關(guān)鍵點(diǎn)聚類問題提供思路.針對(duì)于定位的精度較低的問題,Tompson 等人[25]在此基礎(chǔ)上做了相應(yīng)改進(jìn),使用兩個(gè)級(jí)聯(lián)網(wǎng)絡(luò)來回歸人體關(guān)鍵點(diǎn)的熱圖,并聯(lián)合訓(xùn)練這兩個(gè)網(wǎng)絡(luò),提升模型的泛化能力.

    Isack 等人[26]提出高效輕量級(jí)模型RePose,將基于部件的結(jié)構(gòu)和幾何先驗(yàn)合并到分層預(yù)測(cè)框架,利用人體運(yùn)動(dòng)學(xué)約束,采用端到端的訓(xùn)練,根據(jù)先驗(yàn)知識(shí)進(jìn)行建模,傳播低分辨率特征以達(dá)到細(xì)化預(yù)測(cè)的姿勢(shì)信息的目的.

    Artacho 等人[27]基于“瀑布式”的空間池架構(gòu),提出了統(tǒng)一的人體姿態(tài)估計(jì)框架UniPose,將空洞卷積的級(jí)聯(lián)方法和空洞空間金字塔模塊并行.該方法結(jié)合上下文分割和聯(lián)合定位來確定關(guān)鍵點(diǎn)位置和人體邊界框,以實(shí)現(xiàn)人體姿勢(shì)的高精度估計(jì).

    基于坐標(biāo)回歸的方法獲取關(guān)鍵點(diǎn)信息更加直接,能夠獲取豐富的特征,但增加了復(fù)雜度,通用性低,精度低.基于熱圖檢測(cè)的方法相較于坐標(biāo)回歸的方法魯棒性更好,關(guān)節(jié)點(diǎn)之間的關(guān)聯(lián)更加清晰,但計(jì)算量較大,效率低,基于坐標(biāo)回歸與熱圖檢測(cè)的方法對(duì)比如表1 所示.

    表1 單人姿態(tài)估計(jì)方法對(duì)比

    2.2 多人姿態(tài)估計(jì)

    與單人姿態(tài)估計(jì)不同,多人姿態(tài)估計(jì)需要檢測(cè)出圖像中的所有目標(biāo)人體,包含檢測(cè)和定位步驟.多人姿態(tài)估計(jì)根據(jù)檢測(cè)步驟分為自頂向下(top-down)和自底向上(bottom-up),top-down 的方法先檢測(cè)人體目標(biāo),在對(duì)人體進(jìn)行姿態(tài)估計(jì); bottom-up 的方法先檢測(cè)圖像中的所有關(guān)節(jié)點(diǎn),再將關(guān)節(jié)點(diǎn)進(jìn)行聚類組合成人體.同時(shí),多人圖像場(chǎng)景可能會(huì)存在遮擋問題,如何精確預(yù)測(cè)出遮擋情況下的關(guān)節(jié)點(diǎn),補(bǔ)齊缺失關(guān)鍵點(diǎn)是多人姿態(tài)估計(jì)中的一個(gè)重要研究方向.

    2.2.1 Top-down

    基于自頂向下的方法首先采用目標(biāo)檢測(cè)算法獲取圖像中的多個(gè)人體,再對(duì)單個(gè)人體目標(biāo)進(jìn)行姿態(tài)估計(jì).Iqbal 等人[28]提出了一種多人姿態(tài)估計(jì)的方法,利用Faster R-CNN 進(jìn)行人體目標(biāo)檢測(cè),對(duì)檢測(cè)出的人體使用convolutional pose machines (CPM)網(wǎng)絡(luò)進(jìn)行姿態(tài)估計(jì).但是在對(duì)人體邊界框進(jìn)行姿態(tài)估計(jì)時(shí),并未考慮多人圖像中人體之間可能存在的遮擋情況,有可能會(huì)使得關(guān)鍵點(diǎn)信息缺失無法與人體相關(guān)聯(lián),從而導(dǎo)致姿態(tài)估計(jì)的誤差降低準(zhǔn)確度.Papandreou 等人[29]基于復(fù)雜場(chǎng)景下,沒有提供人體的真實(shí)位置或比例的情況下,提出了基于自頂向下簡(jiǎn)單有效的G-RMI 多人姿態(tài)估計(jì)方法.使用Faster R-CNN 進(jìn)行目標(biāo)檢測(cè),并估計(jì)目標(biāo)框中包含的關(guān)節(jié)點(diǎn).對(duì)于關(guān)節(jié)點(diǎn)的類型,使用全卷積ResNet 預(yù)測(cè)關(guān)節(jié)點(diǎn)的熱度圖和偏移量.引入熱圖-偏移的聚合方法來獲得準(zhǔn)確的關(guān)節(jié)點(diǎn).Mask R-CNN[30]首先檢測(cè)出目標(biāo)邊界框,通過特征圖進(jìn)行關(guān)節(jié)點(diǎn)檢測(cè).Mask R-CNN 的網(wǎng)絡(luò)結(jié)構(gòu)在Faster R-CNN 分類和回歸的基礎(chǔ)上增加了一個(gè)分支進(jìn)行圖像的語義分割,Dense-Pose 借用了Mask R-CNN 的架構(gòu).

    AlphaPose 由Fang 等人[31]提出,此研究認(rèn)為雖然當(dāng)前最先進(jìn)的人體檢測(cè)已經(jīng)達(dá)到較好的效果,但人體目標(biāo)的定位和識(shí)別仍會(huì)產(chǎn)生誤差,提出了區(qū)域多人姿態(tài)估計(jì)(RMPE)框架,由空間變換網(wǎng)絡(luò)(SSTN)、參數(shù)姿態(tài)非最大抑制(NMS)和姿勢(shì)引導(dǎo)區(qū)域生成器(PGPG)組成.SSTN 主要作用是在不精準(zhǔn)的邊界框中提取出高質(zhì)量的人體區(qū)域,NMS 用來解決人體目標(biāo)被重復(fù)檢測(cè)的問題,使用PGPG 來進(jìn)行數(shù)據(jù)增強(qiáng),根據(jù)檢測(cè)結(jié)果生成的訓(xùn)練樣本.AlphaPose 利用RMPE 框架對(duì)不準(zhǔn)確的人體目標(biāo)邊界框進(jìn)行準(zhǔn)確的姿態(tài)估計(jì),減少了因?yàn)槿梭w目標(biāo)檢測(cè)不準(zhǔn)確而導(dǎo)致的誤檢.文獻(xiàn)[32]提出一種用于人體姿態(tài)估計(jì)的無偏的數(shù)據(jù)處理方法(UDP),以減少訓(xùn)練和推理過程中的計(jì)算增量.

    HRNet[33]在2019年被提出,主要是為保持高分辨率的特征圖信息,現(xiàn)有方法大多是從低分辨率特征中恢復(fù)高分辨率特征,HRNet 通過并行化多分辨率子網(wǎng)絡(luò)保持高分辨率特征,并通過多尺度融合來增強(qiáng)高分辨率特征.Zhang 等人[34]在HRNet 的基礎(chǔ)上提出了一種新型的注意力模塊,去規(guī)范化注意力(DNA)來解決傳統(tǒng)注意力模塊的特征衰減問題.

    總體而言,自頂向下的方法思路清晰,精度較高,在檢測(cè)人體邊界框時(shí)不會(huì)出現(xiàn)漏檢、誤檢; 但實(shí)時(shí)性較差,對(duì)于每次檢測(cè),都要運(yùn)行單人姿態(tài)估計(jì),檢測(cè)的人數(shù)越多,計(jì)算成本越高.雖然相較于先前的方法檢測(cè)精度得到了很大提升,但發(fā)生檢測(cè)錯(cuò)誤還是不可避免的,比如邊界框定位錯(cuò)誤,會(huì)阻礙自頂向下方法精度的提高.

    2.2.2 Bottom-up

    基于自底向上的方法步驟包含關(guān)節(jié)點(diǎn)檢測(cè)和聚類,首先檢測(cè)出圖像中的所有關(guān)節(jié)點(diǎn),通過相應(yīng)策略將關(guān)節(jié)點(diǎn)聚類成人體,實(shí)現(xiàn)姿態(tài)估計(jì).自底向上的方法擺脫了首先對(duì)個(gè)體進(jìn)行進(jìn)行檢測(cè)的前提.

    Pishchulin 等人[35]提出了基于Fast R-CNN 檢測(cè)器的DeepCut,首先提取圖像中的所有關(guān)鍵點(diǎn),將關(guān)鍵點(diǎn)作為節(jié)點(diǎn)組成密集連接圖,將同一個(gè)體的關(guān)鍵點(diǎn)采用非極大值抑制聚類為完整個(gè)體.Insafutdinov 等人[36]改進(jìn)DeepCut 提出了基于ResNet 的DeeperCut.該算法采用ResNet 來獲取人體關(guān)節(jié)點(diǎn),提升檢測(cè)精度; 提出圖像條件成對(duì)項(xiàng)(ICPT)減少候選區(qū)域的關(guān)節(jié)點(diǎn),減少網(wǎng)絡(luò)的計(jì)算量.

    DeeperCut 相比于DeepCut,精確度提升了,并且減少了運(yùn)行時(shí)間,從時(shí)間效率依舊無法達(dá)到實(shí)時(shí)檢測(cè).為了提高實(shí)時(shí)檢測(cè)效率,Cao 等人[37]提出了基于CPM的OpenPose 方法,OpenPose 的網(wǎng)絡(luò)模型如圖3 所示.

    圖3 OpenPose 網(wǎng)絡(luò)架構(gòu)圖

    該方法利用VGG-19[38]的前10 層為輸入圖像創(chuàng)建特征映射,網(wǎng)絡(luò)框架分為兩個(gè)并行分支,一個(gè)分支預(yù)測(cè)關(guān)節(jié)點(diǎn)的置信度; 另一分支預(yù)測(cè)部分親和域場(chǎng)(PAFs),PAF 表示部件之間的關(guān)聯(lián)程度; 利用匈牙利算法進(jìn)行最優(yōu)化匹配將同一個(gè)體的關(guān)節(jié)點(diǎn)進(jìn)行聚類,得到人體姿態(tài)信息.

    Osokin[39]改進(jìn)OpenPose 提出了Lightweight OpenPose,使用MobileNet v1[40]代替VGG-19 進(jìn)行特征提取,通過權(quán)重共享來減少計(jì)算量,為解決感受野較小而造成的效果不佳采用空洞卷積優(yōu)化算法.Kreiss 等人[41]提出了與OpenPose 相似的PiPaf 網(wǎng)絡(luò),主要包含部分強(qiáng)度場(chǎng)(PIF)和部分關(guān)聯(lián)場(chǎng)(PAF),分別提升熱圖在高分辨率下的精度和確定關(guān)節(jié)點(diǎn)的連接,得到人體關(guān)節(jié)點(diǎn),與OpenPose 相比性能有明顯提升,該算法適用于低分辨率圖像.針對(duì)高分辨率網(wǎng)絡(luò),Cheng 等人[42]在高分辨率網(wǎng)絡(luò)HRNet 基礎(chǔ)上提出了更高分辨率網(wǎng)絡(luò)(HigherHRNet),提出了一種高分辨率特征金字塔,通過反卷積得到更高分辨率的特征來提高準(zhǔn)確度,使用多分辨率監(jiān)督讓不同層的特征能學(xué)習(xí)不同尺度的信息,解決多人姿態(tài)估計(jì)中的尺度變化.Luo 等人[43]為解決人體尺度的變化和人體關(guān)鍵點(diǎn)標(biāo)簽的模糊這兩大挑戰(zhàn),提出了尺度自適應(yīng)熱圖回歸(SAHR)方法和權(quán)重自適應(yīng)熱圖回歸(WAHR)方法共同作用以提高人體姿態(tài)估計(jì)的準(zhǔn)確性.Varamesh 等人[44]設(shè)計(jì)了一種使用混合密度網(wǎng)絡(luò)進(jìn)行空間回歸的框架,提高對(duì)象檢測(cè)和人體姿態(tài)估計(jì)的速度和精度.

    目前已經(jīng)有方法可以實(shí)現(xiàn)預(yù)測(cè).Newell 等人[45]提出了關(guān)聯(lián)嵌入標(biāo)簽算法,應(yīng)用在監(jiān)督學(xué)習(xí)卷積神經(jīng)網(wǎng)絡(luò)中,可以同時(shí)檢測(cè)和分組.Papandreou 等人[46]提出了多任務(wù)網(wǎng)絡(luò)PersonLab,使用模型對(duì)多人圖像中的人體進(jìn)行關(guān)鍵點(diǎn)檢測(cè)和實(shí)例分割.

    與自頂向下的方法相比,自底向上的方法受人數(shù)增加影響較小,處理速度較快.但復(fù)雜背景和人體遮擋情況會(huì)對(duì)性能產(chǎn)生較大影響.在復(fù)雜的背景和遮擋干擾情況下,缺失人體關(guān)節(jié)點(diǎn)在將關(guān)節(jié)點(diǎn)聚類到不同個(gè)體上時(shí)可能會(huì)出現(xiàn)誤判、匹配錯(cuò)誤等問題,如何處理背景干擾和遮擋情況是將來研究的重點(diǎn)和難點(diǎn).多人姿態(tài)估計(jì)方法對(duì)比如表2 所示.

    表2 多人姿態(tài)估計(jì)方法對(duì)比

    3 數(shù)據(jù)集與評(píng)價(jià)指標(biāo)

    3.1 數(shù)據(jù)集

    目前主流的人體姿態(tài)估計(jì)數(shù)據(jù)集可分為單人數(shù)據(jù)集和多人數(shù)據(jù)集,單人數(shù)據(jù)集包含LSP[47]、FLIC[48],多人數(shù)據(jù)集包含多人數(shù)據(jù)集COCO[49]、MPII[50]、AI Challenger[51]、PoseTrack[52].表3 對(duì)各個(gè)數(shù)據(jù)集的樣本數(shù)目、類型、關(guān)節(jié)點(diǎn)數(shù)目以及來源場(chǎng)景進(jìn)行對(duì)比.

    表3 人體姿態(tài)估計(jì)數(shù)據(jù)集

    LSP 數(shù)據(jù)集是一個(gè)體育姿勢(shì)數(shù)據(jù)集,收錄的運(yùn)動(dòng)場(chǎng)景下的人體圖像,圖像中只包含一個(gè)人體,定義了14 個(gè)關(guān)節(jié)點(diǎn),樣本數(shù)大約2 000 張,圖像大部分與體育有關(guān),該數(shù)據(jù)集中人體姿勢(shì)較復(fù)雜.FLIC 數(shù)據(jù)集來源于好萊塢電影片段,人工對(duì)電影片段截圖的圖像進(jìn)行標(biāo)注,圖像中包含多人時(shí),只對(duì)一個(gè)人的關(guān)節(jié)點(diǎn)進(jìn)行標(biāo)注,此數(shù)據(jù)集不包含人體被遮擋或者清晰度過低的圖像.COCO 數(shù)據(jù)集由微軟構(gòu)建,來源于谷歌、Flicker 等下載的圖像,圖像分為訓(xùn)練集、驗(yàn)證集和測(cè)試集,定義了17 個(gè)關(guān)節(jié)點(diǎn),包含20 萬張圖像和25 萬個(gè)被標(biāo)注的人體.MPII 數(shù)據(jù)集來源于YouTube 的日常生活場(chǎng)景,手動(dòng)檢測(cè)包含人的畫面.該數(shù)據(jù)集包含2.5 萬張圖像,定義了16 個(gè)關(guān)節(jié)點(diǎn),標(biāo)注了4 萬個(gè)人體目標(biāo).AI Challenger 數(shù)據(jù)集來源于網(wǎng)絡(luò)爬取的日常片段,包括訓(xùn)練集、驗(yàn)證集、測(cè)試集共30 萬張圖像.

    3.2 評(píng)價(jià)指標(biāo)

    不同數(shù)據(jù)集因自身特點(diǎn)采用的評(píng)估指標(biāo)也不同.常用的二維人體姿態(tài)估計(jì)指標(biāo)主要有以下幾種:

    (1)部位正確估計(jì)百分比(PCP): 關(guān)節(jié)點(diǎn)正確估計(jì)的比例,用于評(píng)估人體關(guān)節(jié)點(diǎn)的定位精度.

    (2)目標(biāo)關(guān)節(jié)點(diǎn)相似度(OKS): 計(jì)算關(guān)節(jié)點(diǎn)位置距離,檢測(cè)關(guān)節(jié)點(diǎn)的相似度.OKS的計(jì)算方式為:

    其中,i為標(biāo)注的關(guān)節(jié)點(diǎn)編號(hào);di2為檢測(cè)到的關(guān)節(jié)點(diǎn)位置與真實(shí)關(guān)節(jié)點(diǎn)位置的歐氏距離的平方;s2為檢測(cè)人體在圖像中面積;ki2為歸一化因子表示標(biāo)注關(guān)節(jié)點(diǎn)位移的標(biāo)準(zhǔn)差;vi為正整數(shù)是可見關(guān)節(jié)點(diǎn).

    (3)平均精度AP(average precision): 每一個(gè)關(guān)節(jié)點(diǎn)在整個(gè)測(cè)試數(shù)據(jù)集上,檢測(cè)結(jié)果的平均準(zhǔn)確率:

    其中,p為人體檢測(cè)框編號(hào).AP50、AP75為交并比(intersection over union)分別取值為0.5、0.75 時(shí)AP的值,APM、APL分別為中等目標(biāo)和大目標(biāo)的AP值.

    (4)關(guān)節(jié)點(diǎn)正確定位百分比(PCK): 用于評(píng)估關(guān)節(jié)點(diǎn)定位的準(zhǔn)確度,檢測(cè)關(guān)節(jié)點(diǎn)在標(biāo)注關(guān)節(jié)點(diǎn)的閾值內(nèi),則該關(guān)節(jié)點(diǎn)為準(zhǔn)確的.

    (5)關(guān)節(jié)點(diǎn)平均精度(APK): 將預(yù)測(cè)的人體姿態(tài)與真實(shí)姿態(tài)評(píng)估后,通過APK得出每個(gè)關(guān)節(jié)點(diǎn)定位準(zhǔn)確的平均精度.

    表4 列出了多人姿態(tài)估計(jì)部分算法在COCO 數(shù)據(jù)集上AP的性能對(duì)比.

    表4 多人姿態(tài)估計(jì)算法在COCO 數(shù)據(jù)集上的性能對(duì)比

    4 發(fā)展趨勢(shì)及難點(diǎn)

    深度學(xué)習(xí)和卷積神經(jīng)網(wǎng)絡(luò)的飛速發(fā)展,使得人體姿態(tài)估計(jì)領(lǐng)域不斷前進(jìn),在計(jì)算機(jī)視覺領(lǐng)域突出重要性和發(fā)展前景已被學(xué)者認(rèn)可,但依舊存在一些難點(diǎn)與挑戰(zhàn).

    (1)提高檢測(cè)精度和效率,雖然有些算法已經(jīng)取得了較大的進(jìn)步,但是真正將人體姿態(tài)估計(jì)應(yīng)用在無人駕駛、監(jiān)控檢測(cè)等領(lǐng)域還需要更高檢測(cè)精度的算法,需要簡(jiǎn)化網(wǎng)絡(luò)結(jié)構(gòu),文獻(xiàn)[53]提出可采用輕量級(jí)的網(wǎng)絡(luò)優(yōu)化姿態(tài)估計(jì)算法,保證精度的同時(shí)提高效率.

    (2)算法受復(fù)雜環(huán)境影響較大,在實(shí)際應(yīng)用中光照和遮擋情況容易對(duì)算法效率產(chǎn)生影響,重疊和遮擋的關(guān)節(jié)點(diǎn)會(huì)導(dǎo)致關(guān)節(jié)點(diǎn)的誤檢和漏檢.另一方面人體在不同視角會(huì)產(chǎn)生信息壓縮的情況,例如仰視或俯視條件會(huì)導(dǎo)致無法獲取到正確人體比例.因此如何解決遮擋問題是重要研究方向,文獻(xiàn)[54]提出對(duì)于肢體遮擋修復(fù)算法的研究非常重要,文獻(xiàn)[55]提出研究姿態(tài)連續(xù)性信息,可以還原姿態(tài)失真.

    (3)數(shù)據(jù)集分布不均勻,目前常用數(shù)據(jù)集足夠大,但分布不平衡,現(xiàn)有數(shù)據(jù)集無法對(duì)罕見姿態(tài)進(jìn)行檢測(cè),難以滿足人體姿態(tài)變化復(fù)雜與多樣性,例如存在遮擋情況、角度壓縮的數(shù)據(jù)集較少,豐富擴(kuò)充數(shù)據(jù)集樣本仍然是人體姿態(tài)估計(jì)研究的重點(diǎn).

    5 總結(jié)

    人體姿態(tài)估計(jì)由傳統(tǒng)方法發(fā)展至深度學(xué)習(xí)的方法,模型和算法性能不斷得到優(yōu)化和提升,人體姿態(tài)估計(jì)在電影動(dòng)畫、無人駕駛、虛擬現(xiàn)實(shí)和智能監(jiān)控等方面都取得了豐碩的研究成果.基于圖結(jié)構(gòu)的傳統(tǒng)方法可為后續(xù)的算法研究提供先驗(yàn)知識(shí),基于深度學(xué)習(xí)的人體姿態(tài)估計(jì)方法必然是未來的發(fā)展方向.在當(dāng)前大量圖像數(shù)據(jù)的背景下,應(yīng)當(dāng)充分利用視頻數(shù)據(jù),將人體姿態(tài)估計(jì)應(yīng)用于更多領(lǐng)域.二維姿態(tài)估計(jì)作為計(jì)算機(jī)視覺眾多任務(wù)的基礎(chǔ),具有廣闊的研究前景.

    猜你喜歡
    關(guān)節(jié)點(diǎn)關(guān)鍵點(diǎn)姿態(tài)
    聚焦金屬關(guān)鍵點(diǎn)
    肉兔育肥抓好七個(gè)關(guān)鍵點(diǎn)
    基于深度學(xué)習(xí)和視覺檢測(cè)的地鐵違規(guī)行為預(yù)警系統(tǒng)研究與應(yīng)用
    關(guān)節(jié)點(diǎn)連接歷史圖與卷積神經(jīng)網(wǎng)絡(luò)結(jié)合的雙人交互動(dòng)作識(shí)別
    攀爬的姿態(tài)
    全新一代宋的新姿態(tài)
    汽車觀察(2018年9期)2018-10-23 05:46:40
    跑與走的姿態(tài)
    搞好新形勢(shì)下軍營(yíng)美術(shù)活動(dòng)需把握的關(guān)節(jié)點(diǎn)
    醫(yī)聯(lián)體要把握三個(gè)關(guān)鍵點(diǎn)
    鎖定兩個(gè)關(guān)鍵點(diǎn)——我這樣教《送考》
    在线精品无人区一区二区三| 韩国精品一区二区三区| 大片免费播放器 马上看| 丰满乱子伦码专区| 国产男人的电影天堂91| av福利片在线| 观看av在线不卡| 又大又黄又爽视频免费| 欧美日韩精品成人综合77777| 国产精品成人在线| 亚洲一区二区三区欧美精品| 久久久亚洲精品成人影院| 美女大奶头黄色视频| 亚洲精品aⅴ在线观看| 亚洲国产精品一区二区三区在线| 男女免费视频国产| 婷婷色麻豆天堂久久| 视频在线观看一区二区三区| 观看av在线不卡| 色吧在线观看| 男女国产视频网站| 日本av手机在线免费观看| 久久青草综合色| 99久久综合免费| 免费在线观看视频国产中文字幕亚洲 | 亚洲在久久综合| 成人免费观看视频高清| 欧美人与善性xxx| 欧美97在线视频| av视频免费观看在线观看| 精品少妇黑人巨大在线播放| 国产成人精品福利久久| 国产成人精品福利久久| 色94色欧美一区二区| 国产精品av久久久久免费| 制服丝袜香蕉在线| 中文天堂在线官网| 亚洲人成电影观看| 国产熟女午夜一区二区三区| 亚洲国产av新网站| 亚洲国产欧美在线一区| xxx大片免费视频| 亚洲av福利一区| 多毛熟女@视频| 久久久精品94久久精品| 熟女少妇亚洲综合色aaa.| 2018国产大陆天天弄谢| 多毛熟女@视频| www.熟女人妻精品国产| 搡老乐熟女国产| 伦理电影免费视频| 国产日韩一区二区三区精品不卡| 久久午夜综合久久蜜桃| 国产精品欧美亚洲77777| 成人漫画全彩无遮挡| 精品少妇久久久久久888优播| 嫩草影院入口| 亚洲欧美清纯卡通| 五月天丁香电影| a 毛片基地| 97在线视频观看| 国产精品三级大全| 啦啦啦视频在线资源免费观看| 日韩成人av中文字幕在线观看| 色播在线永久视频| av国产久精品久网站免费入址| 欧美人与性动交α欧美软件| av女优亚洲男人天堂| 亚洲国产精品成人久久小说| 一边摸一边做爽爽视频免费| 婷婷色av中文字幕| 999久久久国产精品视频| 久久久国产欧美日韩av| 一个人免费看片子| 国产色婷婷99| 国产精品香港三级国产av潘金莲 | 国产av国产精品国产| 国产成人免费无遮挡视频| 久久午夜福利片| 午夜福利影视在线免费观看| 亚洲国产色片| 99热全是精品| 美女视频免费永久观看网站| 中文字幕亚洲精品专区| 十八禁高潮呻吟视频| 在线观看免费视频网站a站| h视频一区二区三区| 亚洲,欧美,日韩| 亚洲经典国产精华液单| 免费观看av网站的网址| 成人毛片a级毛片在线播放| 亚洲av国产av综合av卡| 午夜av观看不卡| 青草久久国产| 亚洲熟女精品中文字幕| 国产一区二区三区av在线| 99香蕉大伊视频| 日韩不卡一区二区三区视频在线| 色婷婷av一区二区三区视频| 色吧在线观看| 午夜久久久在线观看| 日韩av免费高清视频| 成人影院久久| 嫩草影院入口| 五月天丁香电影| 国产精品99久久99久久久不卡 | 久久久久久人妻| 久久久久久久亚洲中文字幕| 亚洲欧美成人精品一区二区| 免费大片黄手机在线观看| 亚洲成色77777| 国产福利在线免费观看视频| 老司机影院毛片| 午夜福利网站1000一区二区三区| 高清黄色对白视频在线免费看| 亚洲人成电影观看| 菩萨蛮人人尽说江南好唐韦庄| 亚洲国产av影院在线观看| 日韩中文字幕视频在线看片| 国产精品三级大全| 高清不卡的av网站| 亚洲欧美清纯卡通| 精品少妇一区二区三区视频日本电影 | 超色免费av| 亚洲av男天堂| 色哟哟·www| 高清不卡的av网站| 国产日韩欧美视频二区| 免费看av在线观看网站| 久久人人97超碰香蕉20202| 日本91视频免费播放| 在线精品无人区一区二区三| 99精国产麻豆久久婷婷| 国产精品偷伦视频观看了| 精品久久久久久电影网| 亚洲精品国产色婷婷电影| 啦啦啦视频在线资源免费观看| 亚洲一区中文字幕在线| 美女视频免费永久观看网站| 欧美在线黄色| 国产一区二区激情短视频 | 亚洲精品自拍成人| 波多野结衣一区麻豆| 视频区图区小说| av免费在线看不卡| av一本久久久久| 午夜日韩欧美国产| 国产精品久久久久久精品电影小说| 人妻系列 视频| 美女视频免费永久观看网站| 欧美97在线视频| 免费在线观看完整版高清| 性高湖久久久久久久久免费观看| 男女下面插进去视频免费观看| 一级,二级,三级黄色视频| 美女国产视频在线观看| 在线观看国产h片| 日本欧美国产在线视频| 国产无遮挡羞羞视频在线观看| 美女午夜性视频免费| 久久精品人人爽人人爽视色| 热re99久久精品国产66热6| 亚洲欧美精品综合一区二区三区 | 伦精品一区二区三区| 免费观看av网站的网址| 日本午夜av视频| 久久久精品94久久精品| 一区二区三区乱码不卡18| 久热久热在线精品观看| videos熟女内射| a级片在线免费高清观看视频| 国产一区二区激情短视频 | 女人精品久久久久毛片| 性色avwww在线观看| 少妇 在线观看| 亚洲国产毛片av蜜桃av| 国产在线视频一区二区| 天天躁夜夜躁狠狠久久av| 一区二区三区精品91| 18禁裸乳无遮挡动漫免费视频| av在线播放精品| 国产精品熟女久久久久浪| 成人二区视频| 国产淫语在线视频| 大香蕉久久网| a级毛片在线看网站| 99久久中文字幕三级久久日本| 啦啦啦中文免费视频观看日本| 韩国av在线不卡| 免费少妇av软件| 五月开心婷婷网| 黄片无遮挡物在线观看| 成人国产麻豆网| 欧美日韩视频高清一区二区三区二| 日本av手机在线免费观看| 毛片一级片免费看久久久久| 久久精品国产综合久久久| av女优亚洲男人天堂| 丝瓜视频免费看黄片| 欧美人与善性xxx| 日产精品乱码卡一卡2卡三| √禁漫天堂资源中文www| 2021少妇久久久久久久久久久| 精品99又大又爽又粗少妇毛片| 亚洲,欧美,日韩| 午夜日本视频在线| 日本vs欧美在线观看视频| 久久久久久久久免费视频了| 国产精品99久久99久久久不卡 | 两个人免费观看高清视频| 精品酒店卫生间| 91aial.com中文字幕在线观看| 精品一区在线观看国产| 曰老女人黄片| 韩国精品一区二区三区| 看免费成人av毛片| 亚洲精品久久久久久婷婷小说| 91久久精品国产一区二区三区| 欧美日韩av久久| 欧美精品高潮呻吟av久久| 国产精品av久久久久免费| 国产成人免费观看mmmm| 日韩欧美精品免费久久| 在线亚洲精品国产二区图片欧美| 久久久精品免费免费高清| 男女免费视频国产| 亚洲国产欧美在线一区| 夜夜骑夜夜射夜夜干| 亚洲av在线观看美女高潮| 伦理电影大哥的女人| 香蕉国产在线看| 久久热在线av| 久久久精品区二区三区| 亚洲男人天堂网一区| 91国产中文字幕| 久久综合国产亚洲精品| 精品国产超薄肉色丝袜足j| 男人添女人高潮全过程视频| 成年美女黄网站色视频大全免费| 国产黄频视频在线观看| 欧美国产精品一级二级三级| 欧美国产精品va在线观看不卡| 免费黄网站久久成人精品| 国产精品一区二区在线观看99| 中文字幕人妻熟女乱码| 日日摸夜夜添夜夜爱| 九九爱精品视频在线观看| 亚洲av电影在线进入| 日本wwww免费看| 在线观看免费高清a一片| 伊人久久大香线蕉亚洲五| 国产白丝娇喘喷水9色精品| 搡女人真爽免费视频火全软件| 热re99久久国产66热| 丝瓜视频免费看黄片| 老司机影院毛片| 七月丁香在线播放| 欧美 亚洲 国产 日韩一| 精品亚洲成国产av| 午夜福利在线免费观看网站| 色婷婷av一区二区三区视频| 午夜日韩欧美国产| 在线观看人妻少妇| 中文字幕人妻丝袜制服| 又粗又硬又长又爽又黄的视频| 五月天丁香电影| 国产免费又黄又爽又色| 亚洲一码二码三码区别大吗| 伦理电影免费视频| 妹子高潮喷水视频| 中文字幕人妻丝袜一区二区 | 美女主播在线视频| 高清不卡的av网站| 三上悠亚av全集在线观看| 看十八女毛片水多多多| 精品一区二区免费观看| 好男人视频免费观看在线| 新久久久久国产一级毛片| 亚洲第一区二区三区不卡| 免费久久久久久久精品成人欧美视频| 一级a爱视频在线免费观看| 精品少妇一区二区三区视频日本电影 | 欧美国产精品一级二级三级| 麻豆乱淫一区二区| 人人妻人人爽人人添夜夜欢视频| 国产国语露脸激情在线看| 自拍欧美九色日韩亚洲蝌蚪91| 综合色丁香网| 婷婷成人精品国产| 亚洲人成网站在线观看播放| 香蕉国产在线看| 两个人看的免费小视频| 亚洲欧美日韩另类电影网站| 久久狼人影院| 90打野战视频偷拍视频| 日韩精品有码人妻一区| 两个人看的免费小视频| 亚洲精品在线美女| 亚洲视频免费观看视频| 电影成人av| 国产片内射在线| 最近的中文字幕免费完整| 一个人免费看片子| 亚洲第一区二区三区不卡| 中文字幕色久视频| 美国免费a级毛片| 男女午夜视频在线观看| videosex国产| 日本猛色少妇xxxxx猛交久久| 韩国高清视频一区二区三区| 久久久久久久大尺度免费视频| 亚洲,欧美,日韩| 久久久精品国产亚洲av高清涩受| 亚洲国产欧美网| 日韩视频在线欧美| 日韩人妻精品一区2区三区| 久久综合国产亚洲精品| 香蕉精品网在线| av有码第一页| 日韩三级伦理在线观看| 最近的中文字幕免费完整| 亚洲,欧美精品.| 69精品国产乱码久久久| 国产精品人妻久久久影院| 99久国产av精品国产电影| 涩涩av久久男人的天堂| 高清视频免费观看一区二区| 看非洲黑人一级黄片| 一区二区三区乱码不卡18| 精品一品国产午夜福利视频| 这个男人来自地球电影免费观看 | 亚洲情色 制服丝袜| 亚洲精品在线美女| 夫妻性生交免费视频一级片| 国产成人精品婷婷| 亚洲欧美日韩另类电影网站| 精品少妇黑人巨大在线播放| 色婷婷av一区二区三区视频| 丝袜脚勾引网站| 欧美+日韩+精品| av又黄又爽大尺度在线免费看| 黄网站色视频无遮挡免费观看| 精品酒店卫生间| 一级毛片 在线播放| 欧美日韩av久久| 在线精品无人区一区二区三| 美女国产视频在线观看| 国产老妇伦熟女老妇高清| 欧美激情 高清一区二区三区| 人人妻人人澡人人看| 嫩草影院入口| 久久婷婷青草| 制服诱惑二区| av电影中文网址| 80岁老熟妇乱子伦牲交| 美女主播在线视频| 在现免费观看毛片| 国产又色又爽无遮挡免| 日韩中字成人| 春色校园在线视频观看| 日韩电影二区| 成人黄色视频免费在线看| 亚洲综合精品二区| 欧美老熟妇乱子伦牲交| 性少妇av在线| 最近的中文字幕免费完整| 黄色配什么色好看| xxx大片免费视频| 婷婷色av中文字幕| 18+在线观看网站| 汤姆久久久久久久影院中文字幕| 国产综合精华液| 波多野结衣av一区二区av| 1024视频免费在线观看| 91精品伊人久久大香线蕉| 国产av一区二区精品久久| 免费播放大片免费观看视频在线观看| 亚洲综合精品二区| 1024香蕉在线观看| 精品国产一区二区久久| 黄色视频在线播放观看不卡| 成人亚洲精品一区在线观看| 1024视频免费在线观看| av卡一久久| 日韩在线高清观看一区二区三区| 亚洲av欧美aⅴ国产| 人人妻人人添人人爽欧美一区卜| 亚洲av综合色区一区| 人妻一区二区av| 久久久精品国产亚洲av高清涩受| 日本色播在线视频| videossex国产| 国产成人午夜福利电影在线观看| 亚洲国产av新网站| 夜夜骑夜夜射夜夜干| 高清视频免费观看一区二区| 婷婷色麻豆天堂久久| 天天躁日日躁夜夜躁夜夜| 国产精品麻豆人妻色哟哟久久| 婷婷色麻豆天堂久久| 天美传媒精品一区二区| av在线app专区| 午夜福利在线免费观看网站| 伦理电影大哥的女人| 国产男女内射视频| 亚洲精品成人av观看孕妇| 久久久国产精品麻豆| 各种免费的搞黄视频| 欧美亚洲日本最大视频资源| 日韩,欧美,国产一区二区三区| 国产av精品麻豆| av又黄又爽大尺度在线免费看| 国产精品久久久久久av不卡| 久久久精品免费免费高清| 超色免费av| 赤兔流量卡办理| 两性夫妻黄色片| 色婷婷久久久亚洲欧美| 另类亚洲欧美激情| 欧美日韩精品成人综合77777| 国产精品熟女久久久久浪| 午夜福利一区二区在线看| 久久99精品国语久久久| av卡一久久| 一级爰片在线观看| 欧美精品一区二区免费开放| 亚洲成人手机| 国产色婷婷99| 国产欧美日韩综合在线一区二区| 咕卡用的链子| 亚洲国产精品999| 亚洲伊人久久精品综合| a 毛片基地| 久久久久精品人妻al黑| av网站在线播放免费| 免费黄色在线免费观看| 亚洲,欧美,日韩| 国产精品人妻久久久影院| a级毛片黄视频| av视频免费观看在线观看| 国产成人免费观看mmmm| 侵犯人妻中文字幕一二三四区| 在线天堂中文资源库| 亚洲伊人久久精品综合| 国产成人欧美| 午夜福利在线观看免费完整高清在| 国产成人精品婷婷| 精品99又大又爽又粗少妇毛片| 亚洲人成77777在线视频| 黄片播放在线免费| 国产成人精品一,二区| 日韩伦理黄色片| 亚洲精品日本国产第一区| 捣出白浆h1v1| 国产精品人妻久久久影院| 国产成人a∨麻豆精品| 欧美黄色片欧美黄色片| 中国三级夫妇交换| 如何舔出高潮| 人成视频在线观看免费观看| 9191精品国产免费久久| 国产av一区二区精品久久| 91国产中文字幕| 最近手机中文字幕大全| 欧美97在线视频| 五月伊人婷婷丁香| 亚洲国产最新在线播放| 免费看不卡的av| 2018国产大陆天天弄谢| 纯流量卡能插随身wifi吗| 国产精品av久久久久免费| 成人漫画全彩无遮挡| av有码第一页| 久久久国产一区二区| 在线 av 中文字幕| 亚洲伊人色综图| 99香蕉大伊视频| 亚洲国产最新在线播放| 九草在线视频观看| 欧美中文综合在线视频| 亚洲欧美色中文字幕在线| 最黄视频免费看| 国产一级毛片在线| 亚洲av电影在线进入| 亚洲色图综合在线观看| 亚洲av在线观看美女高潮| 国产男女超爽视频在线观看| 中文字幕av电影在线播放| 国产精品麻豆人妻色哟哟久久| 少妇人妻 视频| 国产免费一区二区三区四区乱码| 一个人免费看片子| 搡女人真爽免费视频火全软件| 侵犯人妻中文字幕一二三四区| 国产成人精品久久二区二区91 | 1024香蕉在线观看| freevideosex欧美| 午夜激情av网站| 人人妻人人澡人人爽人人夜夜| 我的亚洲天堂| 日韩一区二区视频免费看| 亚洲av.av天堂| 欧美 日韩 精品 国产| 91午夜精品亚洲一区二区三区| 国产亚洲最大av| av在线app专区| 99热国产这里只有精品6| 秋霞在线观看毛片| 日韩一本色道免费dvd| 卡戴珊不雅视频在线播放| 精品人妻熟女毛片av久久网站| 亚洲精品国产一区二区精华液| 久久久a久久爽久久v久久| 欧美日韩视频精品一区| 亚洲成人手机| 人妻一区二区av| 可以免费在线观看a视频的电影网站 | 国产探花极品一区二区| 有码 亚洲区| 999久久久国产精品视频| 欧美日韩精品成人综合77777| 人妻少妇偷人精品九色| 天天操日日干夜夜撸| 夜夜骑夜夜射夜夜干| 美女脱内裤让男人舔精品视频| 久久久久久久精品精品| 精品少妇黑人巨大在线播放| 色婷婷av一区二区三区视频| 妹子高潮喷水视频| 久久久久久久久久久久大奶| 丰满少妇做爰视频| 欧美av亚洲av综合av国产av | 91aial.com中文字幕在线观看| 高清欧美精品videossex| 肉色欧美久久久久久久蜜桃| 男男h啪啪无遮挡| 亚洲,欧美,日韩| 各种免费的搞黄视频| a 毛片基地| 精品人妻偷拍中文字幕| 精品久久久精品久久久| 日本黄色日本黄色录像| 欧美精品国产亚洲| 丝袜喷水一区| 色婷婷久久久亚洲欧美| 人妻一区二区av| 国产成人精品婷婷| 人妻 亚洲 视频| 亚洲国产av新网站| 高清在线视频一区二区三区| 欧美日韩精品成人综合77777| 婷婷成人精品国产| 亚洲一码二码三码区别大吗| av在线播放精品| 伦精品一区二区三区| av一本久久久久| 日韩欧美一区视频在线观看| 欧美日韩精品成人综合77777| 亚洲国产成人一精品久久久| 亚洲精品日韩在线中文字幕| 水蜜桃什么品种好| 最近最新中文字幕大全免费视频 | 国产淫语在线视频| 国产成人精品婷婷| 丝袜在线中文字幕| 精品国产乱码久久久久久小说| 久久久久久免费高清国产稀缺| 一区在线观看完整版| 久久精品久久久久久久性| 亚洲熟女精品中文字幕| 最近2019中文字幕mv第一页| 日韩熟女老妇一区二区性免费视频| 亚洲 欧美一区二区三区| 成人午夜精彩视频在线观看| 2018国产大陆天天弄谢| 啦啦啦啦在线视频资源| 精品人妻偷拍中文字幕| 国产精品嫩草影院av在线观看| 久久精品aⅴ一区二区三区四区 | 国语对白做爰xxxⅹ性视频网站| 免费女性裸体啪啪无遮挡网站| 久久国产亚洲av麻豆专区| 国产成人精品在线电影| 国产成人免费无遮挡视频| 老司机影院毛片| videossex国产| 熟女电影av网| 一本久久精品| 久久精品国产亚洲av高清一级| 春色校园在线视频观看| 最近最新中文字幕大全免费视频 | 亚洲精品美女久久久久99蜜臀 | 男女无遮挡免费网站观看| 最新的欧美精品一区二区| 啦啦啦在线免费观看视频4| 亚洲人成77777在线视频| 天堂8中文在线网| 日韩一区二区视频免费看| 久久久久久伊人网av| 美女午夜性视频免费| 在线观看三级黄色| 国产又色又爽无遮挡免| av又黄又爽大尺度在线免费看| 日韩一区二区视频免费看| 午夜久久久在线观看| 欧美激情 高清一区二区三区| 青春草亚洲视频在线观看| 国产欧美亚洲国产| 亚洲 欧美一区二区三区| 日本黄色日本黄色录像| 亚洲,一卡二卡三卡| 日韩制服丝袜自拍偷拍| 中文欧美无线码| 热re99久久精品国产66热6| 久久精品国产自在天天线|