• <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YOLOX和Swin Transformer的車載紅外目標檢測

    2022-11-25 08:12:12樓哲航羅素云
    紅外技術(shù) 2022年11期
    關(guān)鍵詞:集上紅外損失

    樓哲航,羅素云

    基于YOLOX和Swin Transformer的車載紅外目標檢測

    樓哲航,羅素云

    (上海工程技術(shù)大學(xué) 機械與汽車工程學(xué)院,上海 201620)

    紅外圖像因為存在噪聲大、對比度不佳等問題,容易導(dǎo)致目標檢測時的精度降低,本文結(jié)合YOLOX和Swin Transformer,提出了一種改進的YOLOX的模型。改進的模型采用Swin Transformer替換YOLOX中的CSPDarknet主干提取網(wǎng)絡(luò),減少YOLOX中Neck和Head部分的激活函數(shù)以及標準化層,以提高特征的提取能力,優(yōu)化網(wǎng)絡(luò)結(jié)構(gòu)。對改進的模型在艾瑞光電數(shù)據(jù)集和FILR數(shù)據(jù)集上均進行了測試,實驗結(jié)果顯示,改進后的YOLOX網(wǎng)絡(luò),在兩個數(shù)據(jù)集上的平均檢測精度都有明顯提升,更加適合紅外圖像的目標檢測。

    目標檢測;紅外圖像;YOLOX;Swin Transformer

    0 引言

    伴隨紅外技術(shù)的不斷發(fā)展以及其“軍轉(zhuǎn)民”技術(shù)的不斷成熟,紅外技術(shù)在各個領(lǐng)域都有越來越多的應(yīng)用。在無人駕駛領(lǐng)域,紅外技術(shù)主要用于生命體的檢測以及對車輛的可駕駛區(qū)域的檢測。物體間無時無刻不在交換紅外輻射,加之紅外成像設(shè)備的性能限制,導(dǎo)致了紅外圖像具有分辨率低、噪聲大、邊緣模糊、對比度不佳等特點,上述物理特性也給基于紅外圖像的目標檢測算法的設(shè)計與實現(xiàn)帶來了更多的挑戰(zhàn)[1]。

    紅外目標檢測的方法主要分為傳統(tǒng)方法和基于機器學(xué)習(xí)的方法。傳統(tǒng)方法主要有基于形狀的目標檢測和基于運動的目標檢測。

    基于形狀的紅外目標檢測方法通過預(yù)先建立目標模板,依據(jù)特定的搜索策略采用模板匹配的思想來實現(xiàn)目標檢測。任章[2]等人依據(jù)行人目標的特點,重新構(gòu)建模板特征,并融入Kalman預(yù)測器來預(yù)測目標的運動軌跡,使得虛警率降低。吳燕茹[3]等人基于核主成分分析(Kernel based Principal Component Analysis,KPCA)思想提出了一種AdaBoost紅外目標檢測算法,能夠解決傳統(tǒng)目標檢測的繁瑣參數(shù)設(shè)置問題?;谛螤畹哪繕藱z測方法主要依靠對象的先驗知識對目標建模以形成目標模板,對模板的要求較高,只適合于特定的場所。

    基于運動的目標檢測為依據(jù)視頻幀的差異性或目標對象的運動特性定位目標,再依據(jù)目標空間特征及先驗知識檢測目標[4]。Davis[5]提出一種基于背景建模差分模型的行人目標檢測算法,采用高斯模型描述背景定位目標,結(jié)合梯度信息依據(jù)目標輪廓顯著圖檢測目標提取輪廊。Fida[6]采用強度相似度和局部二值模式紋理雙特征模型來表示背景信息,融入了目標的空間相關(guān)性,能有效地降低噪聲干擾?;谶\動的目標檢測能得到較好的目標輪廓,但只適用于運動目標的檢測,具有局限性。

    基于機器學(xué)習(xí)的方法,主要包括支持向量機、RCNN系列、YOLO系列、SSD等。于杰[7]利用Part-based方法結(jié)合支持向量機實現(xiàn)了車輛的目標檢測。易詩[8]等人基于YOLOv3和紅外技術(shù)進行了夜間的目標識別。聶霆[9]利用道路、車輛等環(huán)境輔助信息的紅外特性,采用提取感興趣區(qū)域ROI(Region of Interest)和ISODATA(Iterative Self Organizing Data Analysis Techniques Algorithm)聚類算法進行車輛識別。陳謐[10]改進YOLOv4網(wǎng)絡(luò)提出了一種改進的紅外目標檢測算法,并設(shè)計了一個嵌入式紅外目標檢測系統(tǒng)。舒朗[11]等人基于YOLOv5的網(wǎng)絡(luò)結(jié)構(gòu),提出了一種密集連接的網(wǎng)絡(luò)Dense-YOLOv5解決紅外目標不明顯的問題,對于特征不明顯的小目標的檢測效果較好。

    本文基于YOLOX架構(gòu),結(jié)合Swin Transformer[12],結(jié)合圖像處理技術(shù)和紅外圖像特點,對原始YOLOX中的CSP模塊進行了改進,將其應(yīng)用于車輛和行人的目標檢測,增強了對于車輛的特征提取,達到了較好的目標檢測效果。

    1 相關(guān)工作

    1.1 YOLOX

    YOLO系列作為單階段目標檢測的算法,因其靈活性、高效性和泛化能力在目標檢測領(lǐng)域被廣泛使用。YOLOX[13]是YOLO系列的最新架構(gòu),是在YOLOv3的基礎(chǔ)上,引入anchor-free、Decoupled head、Mosaic數(shù)據(jù)增強和SimOTA樣本匹配的方法,擺脫了以往YOLO系列對于anchor的依賴,構(gòu)建了新的端到端的目標檢測框架,并在coco數(shù)據(jù)集上達到了較好的檢測水平,性能上超過了YOLOv3[14]/v4[15]/v5。

    YOLOX的結(jié)構(gòu)主要分成3部分:Backbone、Neck和Head。Backbone部分,YOLOX沿用YOLO系列中的CSPDarknet主干提取網(wǎng)絡(luò),整體結(jié)構(gòu)如圖1所示,主要有4個模塊構(gòu)成,分別是Focus模塊、CBS模塊、CSP1模塊和SPP模塊。

    Neck部分,YOLOX采用了FPN+PAN(Feature Pyramid Networks+Pyramid Attention Network)的結(jié)構(gòu)。其中,F(xiàn)PN自頂而下,將高層的信息,通過上采樣的方式與底層信息融合,主要傳遞語義特征;PAN結(jié)構(gòu)自底而上,將底部的信息,傳遞至高層實現(xiàn)融合,主要傳遞定位信息。

    Head部分,YOLOX采用解耦頭,其結(jié)構(gòu)如圖2所示,分別進行分類、回歸和IoU計算。采用解耦頭時有如下特點[13]:①用解耦的Head替換YOLO的Head大大提高了收斂速度。②解耦的Head利于YOLOX實現(xiàn)端到端化,便于下游任務(wù)一體化。

    圖1 YOLOX的Backbone

    圖2 YOLOX的Head部分

    1.2 Swin Transformer

    Swin Transformer作為Transformer在CV領(lǐng)域的一大成果,在目標分類、目標檢測、目標分割等下游任務(wù)中均取得了較好的SOTA(State of The Art)效果。Transformer從自然語言處理應(yīng)用到視覺領(lǐng)域的挑戰(zhàn)來自兩個領(lǐng)域之間的以下差異:視覺實體的規(guī)模變化很大;與文本中的單詞相比,圖像中像素的高分辨率[10]。Swin Transformer基于這兩方面的問題提出了滑動窗口的形式,并采用一種分層的Transformer。采用滑動窗口的形式計算像素之間的注意力,能夠降低了原有注意力計算的復(fù)雜度,同時,因為采用了不同的采樣倍數(shù),對小物體的識別有較好效果。

    Swin Transformer[12]的基本結(jié)構(gòu)以模塊化的形式呈現(xiàn)。主要有分割編碼模塊(Patch Embedding模塊)、滑動Transformer模塊(Swin Transformer Block)、移動拼接模塊(Patch Merging模塊)3大模塊疊加構(gòu)成。

    式中:Q,K,V為注意力機制中所需的3個向量,分別為Query向量、Key向量和Value向量;B為采取的偏置;d為縮放系數(shù)。

    Swin Transformer所提出的滑動窗口注意力(Shifted Windows Multi-head Self-attention),如圖4所示,在前一個Block中采用窗口注意力(W-MSA),而在后一個Block中采用滑動窗口注意力(Swin Multi-head Self-attention,SW-MSA),兩種注意力機制交替使用,在Swin Transformer Blocks中Transformer Block成對出現(xiàn)。

    2 改進的YOLOX模型

    針對紅外圖像分辨率低、噪聲大、對比度不佳等缺點,本文以YOLOX為基礎(chǔ)進行改進,對其Backbone進行了替換,采用Swin Transformer作為新的Backbone,以增強特征提取能力。同時對YOLOX模型中Neck部分的FPN+PAN結(jié)構(gòu)進行了改進,減少其中的標準化層和激活函數(shù),可以在降低計算復(fù)雜度的同時提升精度。具體結(jié)構(gòu)見圖5所示。

    圖4 窗口滑動機制(左:滑動前,右:滑動后)

    2.1 Backbone替換

    在原YOLOX架構(gòu)中,Backbone沿用YOLO系列中的CSPDarknet主干提取網(wǎng)絡(luò),并通過Focus結(jié)構(gòu)和SPP結(jié)構(gòu)優(yōu)化了提取網(wǎng)絡(luò)的結(jié)構(gòu),使精度和速度都有較大的提升。CSPDarknet采用卷積結(jié)構(gòu)來提取特征,在卷積結(jié)構(gòu)提取特征的過程中,感受野取決于卷積核的大小,卷積核越大,所感受的區(qū)域越大,而卷積核增大同時會極大地增加運算的復(fù)雜度;當感受野的區(qū)域不夠大時,所提取的特征就會損失全局的特征信息。卷積結(jié)構(gòu)具有平移不變性,對特征的全局位置不敏感,只會提取原始數(shù)據(jù)中的一小部分的局部信息。Swin Transformer采用注意力機制,在計算注意力的過程中會考慮全局的信息,在每個patch中加入位置信息,使得在保留對特征的全局位置敏感的同時擴大感受野。

    在結(jié)構(gòu)上,Swin Transformer與CSPDarknet相似。CSPDarknet通過堆疊卷積層以及殘差結(jié)構(gòu)來實現(xiàn),而Swin Transformer通過堆疊Swin Transformer Block和Patch Merging模塊來實現(xiàn)。同時,Patch Merging模塊中會將每個小窗口中相同位置的值取出來,拼成新的patch,最后將所有patch都疊加起來,與CSPDarknet中的Focus效果相同。從結(jié)構(gòu)而言,Swin Transformer可以替換CSPDarknet,并提高對全局特征的提取效果。

    Swin Transformer依據(jù)第一個輸入層的通道數(shù)、不同的層數(shù)可劃分為Swin-T、Swin-S、Swin-B和Swin-L,參數(shù)如表1所示,本文選用Swin-T。

    2.2 Neck和Head優(yōu)化

    在原有的卷積網(wǎng)絡(luò)中,傾向于對每個卷積操作都添加激活函數(shù)以及歸一化層,而Transformer中使用了更少的激活函數(shù)以及歸一化操作。ConvNeXt[16]對比分析了ResNet和Transformer的模塊的區(qū)別,對此進行了驗證,適當減少激活函數(shù)和歸一化操作能有效地提高精度。

    本文對Neck結(jié)構(gòu)中CSP層和Head結(jié)構(gòu)進行了優(yōu)化,減少其中的激活函數(shù)以及歸一化層。減少過多激活函數(shù)層,容易導(dǎo)致卷積層退化,故對于CSP層,保留CSP層中第二條通道中的激活函數(shù)以及歸一化層,并添加殘差結(jié)構(gòu),對于Head,僅去除Head中第一個卷積層的激活函數(shù)。

    圖5 改進YOLOX模型結(jié)構(gòu)

    表1 不同的Swin Transformer參數(shù)

    RELU激活函數(shù)在輸入的函數(shù)梯度過大時,容易導(dǎo)致參數(shù)更新后,神經(jīng)元不再具有激活功能[17],本文替換Neck和Head中的激活函數(shù)為GELU函數(shù):

    優(yōu)化后的CSP層和Head結(jié)構(gòu)如圖6所示。

    3 實驗設(shè)置

    3.1 實驗環(huán)境

    本文采用Pytorch作為深度學(xué)習(xí)框架,訓(xùn)練以及測試均基于Linux系統(tǒng),ubuntu16.04,CUDA11.1,python3.10,pytorch1.10。硬件條件為Intel(R) XEON(R) W-2150B CPU @3.00GHz,GPU為GeForce RTX 3070×2,16GB顯存。

    訓(xùn)練參數(shù)為訓(xùn)練周期300次迭代,最大學(xué)習(xí)率為0.01,最小學(xué)習(xí)率為0.001,優(yōu)化器為“SGD”隨機梯度下降,權(quán)重衰減為0.0005,學(xué)習(xí)率下降采用“COS”余弦下降,采用凍結(jié)前100個周期訓(xùn)練批次為8,后200個周期訓(xùn)練批次為4。測試時的置信度為0.001,NMS閾值為0.65。

    3.2 數(shù)據(jù)集

    本文基于艾睿光電(Inf iRay)所制作的雙光車載場景數(shù)據(jù)庫[18]和FLIR公司發(fā)布的自動駕駛開源紅外熱成像數(shù)據(jù)集[19]對改進的模型的效果進行了實驗驗證。

    艾睿光電所制作的雙光車載場景數(shù)據(jù)庫為采用艾睿光電自研的紅外傳感器在道路上所采集的視頻而制作形成的數(shù)據(jù)集。艾睿光電數(shù)據(jù)集分辨率高,全天候場景內(nèi)容豐富,為國內(nèi)道路拍攝。數(shù)據(jù)集中紅外圖片共計2342張,分辨率為1440×1080,目標種類共5種:人、自行車、汽車、卡車、公交車。

    由于數(shù)據(jù)集照片較少,不利于訓(xùn)練,本文進行了數(shù)據(jù)增強,將數(shù)據(jù)集擴充至12340張。訓(xùn)練集與測試集的比例為8:2,在訓(xùn)練集中選取20%作為驗證集。同時保留YOLOX原有的數(shù)據(jù)增強方式,包括Mosaic數(shù)據(jù)增強。

    數(shù)據(jù)增強方式為:鏡像圖像、隨機添加方形噪聲、調(diào)整對比度、隨機裁剪。每張原始圖片選擇其中兩項組合,每張原始圖像增強5次。擴充后的數(shù)據(jù)集中的部分圖片如圖7所示。

    圖7 擴充后的數(shù)據(jù)集

    FILR數(shù)據(jù)集由車載熱成像相機FLIR Tau2獲取,駕駛環(huán)境為11月至5月期間日間(60%)和夜間(40%),在加利福尼亞州圣巴巴拉市街道和公路上。數(shù)據(jù)集總共包含14452張紅外圖像,其中訓(xùn)練集8862張,驗證集1366張。目標種類共3種:Person、Bicycles、Car,其中Bicycles包括自行車和摩托車,汽車包括個人車輛和一些小型商用車。

    4 實驗結(jié)果對比分析

    4.1 艾睿光電數(shù)據(jù)集檢測結(jié)果分析

    本文首先在原始的未擴充的數(shù)據(jù)集上進行訓(xùn)練、驗證和測試,不載入任何預(yù)訓(xùn)練權(quán)重,由于數(shù)據(jù)集較小,收斂較快,本文在進行50次迭代,凍結(jié)參數(shù)后,最大訓(xùn)練迭代次數(shù)為100次。本文選用YOLOX-l版本作實驗結(jié)果的對比。

    YOLOX和本文所改進的YOLOX在訓(xùn)練過程中所得的損失函數(shù)如圖8(a)、(b)所示。從圖8(a)、(b)的損失函數(shù)中可以看出,YOLOX和本文所改進的YOLOX均收斂較快,在前50次迭代中,下降平穩(wěn),在100次迭代后就收斂了,最終YOLOX的訓(xùn)練損失為5.0212,驗證損失為4.788,本文所改進后的YOLOX的訓(xùn)練損失為5.0193,驗證損失為4.7625。

    測試得YOLOX的MAP(Mean Average Precision)為29.51%,本文所改進的模型的MAP為33.74%,效果均不佳。

    分析在原始艾睿光電數(shù)據(jù)集上測試結(jié)果不理想的原因,可能是數(shù)據(jù)集過小,網(wǎng)絡(luò)未得到較好的訓(xùn)練,因此再在擴充后的數(shù)據(jù)集的訓(xùn)練集和驗證集上進行訓(xùn)練和驗證,訓(xùn)練時先訓(xùn)練100次迭代,凍結(jié)參數(shù)后,最大訓(xùn)練迭代次數(shù)為200次,保存訓(xùn)練所得的權(quán)重以及訓(xùn)練過程中的損失曲線如圖9(a)、(b)所示,再使用該權(quán)重對數(shù)據(jù)集中的測試集進行測試,測試效果如圖10所示,得到相應(yīng)的AP(Average Precision)以及MAP值,如圖11所示。

    圖9 擴充后艾睿光電數(shù)據(jù)集上損失函數(shù)對比

    圖10 測試效果(上:原圖,中:YOLOX,下:本文所改進的模型)

    圖11 MAP及AP值

    從圖9的損失函數(shù)中可以看出,在原YOLOX的模型下,訓(xùn)練集的損失函數(shù)下降比較平穩(wěn),但驗證集的損失函數(shù)在前100次迭代中出現(xiàn)了突然上升的情況,如圖9(a)所示,本文考慮是由于在擴充數(shù)據(jù)集中加入了噪聲,YOLOX提取錯誤的信息,從而導(dǎo)致后續(xù)驗證時出現(xiàn)損失突然增大,YOLOX在210次迭代后基本收斂。在采用本文改進的YOLOX時,在前100次迭代中損失曲線有小幅度波動,在240次迭代左右收斂,后120次損失函數(shù)下降平穩(wěn),如圖9(b)所示。從圖9(a)、(b)的對比可知,改進后的網(wǎng)絡(luò)的損失函數(shù)下降過程更平穩(wěn),最終YOLOX的訓(xùn)練損失為3.2256,驗證損失為3.0115,本文改進后的YOLOX的訓(xùn)練損失為3.1686,驗證損失為2.9504。YOLOX和本文改進的YOLOX在擴充后的數(shù)據(jù)集中訓(xùn)練所得到的損失均小于在原始數(shù)據(jù)集中所得的損失。

    從圖10的測試效果可以看出,YOLOX在測試中易發(fā)生漏檢和誤檢。在場景一中,YOLOX錯誤將房屋與樹木之間的空間誤檢成小車,而本文改進的YOLOX則不存在這種情況。在場景二、三中,YOLOX均出現(xiàn)了漏檢的情況,場景二中漏檢了卡車旁的行人,場景三中漏檢了??吭诼窡暨叺钠嚕疚母倪MYOLOX沒有出現(xiàn)漏檢。同時,本文改進的YOLOX對于小目標也具有更好的檢測,提升了遠處目標的置信度。

    由圖11的AP和MAP可知,經(jīng)本文改進后的YOLOX在MAP上提升較大,從57.34%提高到79.55%,增加了22.21%,效果明顯。具體到每個類的AP時,對truck和cyclist進行檢測的AP的提升不是很明顯,而對于car,bus,person檢測的AP的增加很顯著,其中car提升了約38%,bus提升了約38%,person提升了約33%。由實驗結(jié)果可知,本文所改進的YOLOX網(wǎng)絡(luò)在各類上均有不錯的提升,驗證了本模型的改進的有效性。

    4.2 FILR數(shù)據(jù)集檢測結(jié)果分析和消融實驗

    本文在艾睿光電擴充數(shù)據(jù)集上訓(xùn)練、驗證、測試后,檢驗?zāi)P偷姆夯芰Γ僭贔ILR數(shù)據(jù)集上進行了訓(xùn)練、驗證、測試。參數(shù)設(shè)定與在艾瑞光電擴充數(shù)據(jù)集上所采用的參數(shù)相同。

    同時,為分析本文改進的部分對模型性能的影響,本文進行了消融實驗,每次實驗均采用相同的訓(xùn)練參數(shù),在不同的模型上進行測試。

    結(jié)合相關(guān)實驗數(shù)據(jù),本文改進的網(wǎng)絡(luò)與目前主流的網(wǎng)絡(luò)Faster R-CNN、YOLOV3、YOLOV4-Tiny、YOLOV5-s進行比較,所有實驗的AP與MAP在表2中列出。

    從表2中的結(jié)果可以看出,隨著YOLO版本的更替,YOLOX相較于YOLOV3、YOLOV4-Tiny、YOLOV5s的AP和MAP均有較大的提升。本文對Backbone、Neck和Head的優(yōu)化對于YOLOX有所提升,可以發(fā)現(xiàn)將YOLOX的Backbone替換為Swin Transformer,對于Person的精度提升了9.78%,提升了對于行人特征的提取能力,整體檢測精度提升了5.74%。Neck和Head的優(yōu)化,對Person和Bicycle也有所提升,整體精度提高1.55%。

    表2 主流目標檢測對比及消融實驗

    Note: The categories corresponding to the FILR dataset are Car, Person and Bicycle; The corresponding categories of Inf iRay dataset (including before and after expansion) are Car, Person and bus. See Figure 11 for the results of trunk and cyclist categories in the Inf iRay dataset .

    與主流算法Faster R-CNN、YOLOv3、YOLOv4-Tiny、YOLOv5-s及改進版的對比,本文所改進的模型,相較于YOLOv3的改進版的精度提升了9.23%,相較于YOLOv4-Tiny的改進版的精度提升了11.53%,相較于YOLOv5s的改進版的精度提升了14.33%。

    由此表明,本文所提出的基于YOLOX和Swin Transformer的模型對于各類目標的檢測精度都有所提升。在兩個數(shù)據(jù)集上精度的提升,也說明了本文所提出的模型的目標檢測效果。

    5 結(jié)論

    針對紅外圖像噪聲大、對比度不佳等問題,本文結(jié)合YOLOX和Swin Transformer,對YOLOX網(wǎng)絡(luò)進行了優(yōu)化,根據(jù)實驗結(jié)果可得出以下結(jié)論:

    1)采用Swin Transformer替換YOLOX中的backbone能有效地提高網(wǎng)絡(luò)特征提取的能力,并具有一定的抗噪聲能力。通過滑動窗口的方式,也能有效地降低計算量,提高性能,同時利于信息的交互,利于下游檢測任務(wù);

    2)通過減少Neck和Head中的激活函數(shù)和標準化層,能夠有效地提高精度;

    3)本文提出的基于YOLOX和Swin Transformer改進的網(wǎng)絡(luò),能有效地提高車載紅外目標檢測精度,在擴增后的艾睿光電紅外數(shù)據(jù)集上,總體精度提升22.21%,在FILR紅外數(shù)據(jù)集上,總體精度提升10.2%。

    4)對比兩個數(shù)據(jù)集中各個類別提升的效果,Swin Transformer對于加強行人的特征的提取效果最為優(yōu)異。

    [1] Caniou J.[M]., 2013.

    [2] 任章, 李露, 蔣宏. 基于紅外圖像序列的運動目標檢測算法研究[J]. 紅外與激光工程, 2007, 36(9): 136-140.

    REN Zhang, LI Lu, JIANG Hong Research on moving target detection algorithm based on infrared image sequence[J]., 2007, 36(9): 136-140.

    [3] 吳燕茹, 程詠梅, 趙永強. 利用KPCA特征提取的Adaboost紅外標檢測[J]. 紅外與激光工程, 2011, 40(2): 338-343.

    WU Yanru, CHENG Yongmei, ZHAO Yongqiang. Adaboost infrared target detection using KPCA feature extraction[J]., 2011, 40(2): 338-343.

    [4] 陳炳文. 特定視場中紅外成像目標檢測關(guān)鍵技術(shù)研究[D]. 武漢: 武漢大學(xué), 2013.

    CHEN Bingwen. Research on Key Technologies of Infrared Imaging Target Detection in Specific Field of View[D] Wuhan: Wuhan University, 2013.

    [5] James W Davis, Vinay Sharma. Robust background-subtraction for person detection in thermal imagery[C]//, 2004: 1-8.

    [6] Ei Baf Fida, Bouwmans Thierry, Vachon Bertrand. Fuzzy foreground detection for infrared video[C]//, 2008: 1-6.

    [7] 于杰. 基于紅外攝像機的夜間場景監(jiān)控方法研究與實現(xiàn)[D]. 北京: 北京郵電大學(xué), 2013.

    YU Jie. Research and Implementation of Night Scene Monitoring Method Based on Infrared Camera[D]. Beijing: Beijing University of Posts and Telecommunications, 2013.

    [8] 易詩, 聶焱, 張洋溢, 等. 基于紅外熱成像與YOLOv3的夜間目標識別方法[J]. 紅外技術(shù), 2019, 41(10): 970-975.

    YI Shi, NIE Yan, ZHANG Yangyi, et al. Night target recognition method based on infrared thermal imaging and YOLOv3[J]., 2019, 41(10): 970-975.

    [9] 聶霆. 基于紅外圖像的前方車輛識別與車距檢測[D]. 西安: 西安電子科技大學(xué), 2015.

    NIE Ting. Forward Vehicle Recognition and Distance Detection Based on Infrared Image[D]. Xi'an: Xi'an University of Electronic Science and Technology, 2015.

    [10] 陳謐. 基于深度學(xué)習(xí)的紅外目標檢測方法研究與實現(xiàn)[D]. 成都: 電子科技大學(xué), 2021.

    CHEN Mi. Research and Implementation of Infrared Target Detection Method Based on Depth Learning[D]. Chengdu: University of Electronic Science and Technology, 2021.

    [11] 舒朗, 張智杰, 雷波. 一種針對紅外目標檢測的Dense-Yolov5算法研究[J]. 光學(xué)與光電技術(shù), 2021, 19(1): 69-75.

    SHU Lang, ZHANG Zhijie, LEI Bo. Research on Dense-Yolov5 algorithm for infrared target detection[J]., 2021, 19(1): 69-75.

    [12] LIU Z, LIN Y T, CAO Y, et al. Swin transformer: hierarchical vision transformer using shifted windows[J/OL]., 2103.14030.

    [13] GE Z, LIU S, WANG F, et al. Yolox: Exceeding yolo seriesin[J/OL]. arXiv Preprint arXiv, 2107.08430.

    [14] Redmon J, Farhadi A. YOLO V3: an incremental improvement[J/OL]., 1804.02767.

    [15] Bochkovskiy A, WANG C Y, LIAO H M. YOLOv4: optimal speed and accuracy of object detection[J/OL]. arXiv Preprint arXiv, 2004.10934.

    [16] ZHUANG L, Hanzi M, CHAO Yuan W, et al. A ConvNet for the 2020s[J/OL]., 2201.03545.

    [17] 王周春, 崔文楠, 張濤. 基于支持向量機的長波紅外目標分類識別算法[J]. 紅外技術(shù), 2021, 43(2): 153-161.

    WANG Zhouchun, CUI Wennan, ZHANG Tao. Long wave infrared target classification and recognition algorithm based on support vector machine [J]., 2021, 43(2): 153-161.

    [18] Inf iray. Double light vehicle scene database[EB/OL]. [2022-04-02]. http://iray.iraytek.com:7813/apply/Double_light_vehicle.html/.

    [19] Flir. FLIR Thermal Data Set[EB/OL]. [2022-04-02]. https://www.flir. com/oem/adas/adas-dataset-form/.

    [20] 張汝榛, 張建林, 祁小平, 等. 復(fù)雜場景下的紅外目標檢測[J]. 光電工程, 2020, 47(10): 128-137.

    ZHANG Ruzhen, ZHANG Jianlin, QI Xiaoping, et al. Infrared target detection in complex scenes[J]., 2020, 47(10): 128-137.

    [21] 張鵬輝, 劉志, 鄭建勇, 等. 面向嵌入式系統(tǒng)的復(fù)雜場景紅外目標實時檢測算法[J]. 光子學(xué)報, 2022, 51(2): 203-212.

    ZHANG Penghui, LIU Zhi, ZHENG Jianyong, et al. Real time infrared target detection algorithm for embedded systems in complex scenes[J]., 2022, 51(2): 203-212.

    [22] 宋甜, 李穎, 王靜. 改進YOLOv5s的車載紅外圖像目標檢測[J]. 現(xiàn)代計算機, 2022, 28(2): 21-28.

    SONG Tian, LI Ying, WANG Jing. Improved vehicle infrared image target detection of YOLOv5s[J]., 2022, 28(2): 21-28.

    Vehicle Infrared Target Detection Based on YOLOX and Swin Transformer

    LOU Zhehang,LUO Suyun

    (School of Mechanical and Automotive Engineering, Shanghai University of Engineering Science, Shanghai 201620, China)

    Owing to the problems of high noise and poor contrast in infrared images, the accuracy of target detection is easily reduced. Here, an improved YOLOX model combined with YOLOX and a Swin Transformer is proposed. To improve the feature extraction ability, reduce the activation functions and standardization layers of the neck and head parts in YOLOX, and optimize the network structure, the Swin Transformer is used to replace the CSPDarknet backbone extraction network in YOLOX. This study tests the improved model on both the InfiRay and FILR datasets. The obtained experimental results indicate that the improved YOLOX network has significantly improved the average detection accuracy on both datasets and is more suitable for infrared image target detection.

    object detection, infrared image, YOLOX, Swin Transformer

    TP391.4

    A

    1001-8891(2022)11-1167-09

    2022-06-10;

    2022-08-10.

    樓哲航(1999-),男,碩士研究生,主要從事無人駕駛車輛環(huán)境感知方向的研究。E-mail:15968194691@163.com。

    羅素云(1975-),女,副教授,主要從事無人駕駛汽車環(huán)境感知及控制的研究。E-mail:lsyluo@163.com。

    猜你喜歡
    集上紅外損失
    網(wǎng)紅外賣
    少問一句,損失千金
    胖胖損失了多少元
    閃亮的中國紅外『芯』
    金橋(2021年4期)2021-05-21 08:19:20
    Cookie-Cutter集上的Gibbs測度
    鏈完備偏序集上廣義向量均衡問題解映射的保序性
    TS系列紅外傳感器在嵌入式控制系統(tǒng)中的應(yīng)用
    電子制作(2019年7期)2019-04-25 13:17:14
    玉米抽穗前倒伏怎么辦?怎么減少損失?
    復(fù)扇形指標集上的分布混沌
    基于快速遞推模糊2-劃分熵圖割的紅外圖像分割
    国产高潮美女av| 人妻 亚洲 视频| 国产精品一区二区在线观看99| 日韩人妻高清精品专区| 777米奇影视久久| 国产精品久久久久久av不卡| 亚洲av不卡在线观看| 日日摸夜夜添夜夜添av毛片| 纵有疾风起免费观看全集完整版| 中文精品一卡2卡3卡4更新| videossex国产| 晚上一个人看的免费电影| 少妇的逼水好多| 国产免费一级a男人的天堂| 亚洲av.av天堂| 午夜免费鲁丝| 中文字幕制服av| 久久久精品免费免费高清| 国产免费福利视频在线观看| 免费不卡的大黄色大毛片视频在线观看| 毛片一级片免费看久久久久| 又爽又黄a免费视频| 国产成人精品福利久久| 亚洲欧美成人综合另类久久久| 国产综合精华液| 久久精品国产亚洲网站| 欧美+日韩+精品| 午夜日本视频在线| 一级二级三级毛片免费看| 狂野欧美激情性bbbbbb| kizo精华| 国产精品福利在线免费观看| 黄色怎么调成土黄色| 国产视频内射| 亚洲无线观看免费| 国产 一区精品| 国产精品精品国产色婷婷| 水蜜桃什么品种好| 99久久精品一区二区三区| 亚洲av日韩在线播放| 免费不卡的大黄色大毛片视频在线观看| 日韩欧美精品免费久久| 亚洲精品一区蜜桃| 你懂的网址亚洲精品在线观看| 国产精品av视频在线免费观看| 精品少妇久久久久久888优播| 麻豆精品久久久久久蜜桃| 日韩电影二区| 2022亚洲国产成人精品| 啦啦啦中文免费视频观看日本| 国产69精品久久久久777片| 国产成人午夜福利电影在线观看| 国产精品国产三级专区第一集| 激情五月婷婷亚洲| 女人被狂操c到高潮| 麻豆成人av视频| 久久99精品国语久久久| 国产黄片视频在线免费观看| 亚洲不卡免费看| 岛国毛片在线播放| 国产成人91sexporn| 一区二区三区免费毛片| 别揉我奶头 嗯啊视频| 精品人妻一区二区三区麻豆| 国产伦理片在线播放av一区| 看非洲黑人一级黄片| 校园人妻丝袜中文字幕| 精品人妻熟女av久视频| 九九爱精品视频在线观看| 亚洲人成网站在线观看播放| 亚洲精品一二三| 九九在线视频观看精品| 国产高潮美女av| 男人爽女人下面视频在线观看| 亚洲久久久久久中文字幕| 老女人水多毛片| 大又大粗又爽又黄少妇毛片口| 国产一区二区三区综合在线观看 | 国产精品无大码| 夜夜看夜夜爽夜夜摸| 精品人妻偷拍中文字幕| 久久精品国产自在天天线| 国产av不卡久久| av国产精品久久久久影院| 亚洲综合精品二区| 亚洲国产色片| 欧美丝袜亚洲另类| 精品99又大又爽又粗少妇毛片| av黄色大香蕉| 国产高清三级在线| 秋霞伦理黄片| 久久久久久久久久成人| 国产熟女欧美一区二区| 在线观看av片永久免费下载| 又大又黄又爽视频免费| 一本色道久久久久久精品综合| 黑人高潮一二区| 亚洲av电影在线观看一区二区三区 | 少妇人妻 视频| 18禁裸乳无遮挡动漫免费视频 | 丝瓜视频免费看黄片| 中文字幕久久专区| 中文资源天堂在线| 久久久欧美国产精品| 亚洲在久久综合| 岛国毛片在线播放| 一级毛片黄色毛片免费观看视频| 国内少妇人妻偷人精品xxx网站| 精品久久久久久久久亚洲| 九九久久精品国产亚洲av麻豆| 久久人人爽人人爽人人片va| 成人漫画全彩无遮挡| 久久久久久久午夜电影| 91久久精品国产一区二区三区| 嫩草影院精品99| 中国国产av一级| 欧美成人a在线观看| 中文乱码字字幕精品一区二区三区| 下体分泌物呈黄色| 亚洲婷婷狠狠爱综合网| 国模一区二区三区四区视频| 日日摸夜夜添夜夜爱| 免费观看的影片在线观看| 精品久久久久久久末码| 少妇裸体淫交视频免费看高清| 精品少妇久久久久久888优播| 王馨瑶露胸无遮挡在线观看| 久久韩国三级中文字幕| 97热精品久久久久久| 成人无遮挡网站| 亚洲综合精品二区| 最近2019中文字幕mv第一页| 在线免费十八禁| 最近的中文字幕免费完整| 国语对白做爰xxxⅹ性视频网站| 亚洲va在线va天堂va国产| 最后的刺客免费高清国语| 97热精品久久久久久| 一级片'在线观看视频| 亚洲精品色激情综合| 女人十人毛片免费观看3o分钟| 亚洲成人一二三区av| 日日摸夜夜添夜夜添av毛片| 亚洲精品日韩在线中文字幕| 激情五月婷婷亚洲| 丝袜脚勾引网站| 婷婷色av中文字幕| 欧美97在线视频| 岛国毛片在线播放| 自拍偷自拍亚洲精品老妇| 久久久成人免费电影| 亚洲av一区综合| 色婷婷久久久亚洲欧美| 久久精品国产鲁丝片午夜精品| 另类亚洲欧美激情| 亚洲欧美精品自产自拍| 黄片wwwwww| 久久精品综合一区二区三区| 99久国产av精品国产电影| 亚洲精品456在线播放app| 国产成人精品一,二区| 特级一级黄色大片| 秋霞伦理黄片| 91狼人影院| 成人欧美大片| 亚洲性久久影院| 你懂的网址亚洲精品在线观看| 亚洲精品亚洲一区二区| 菩萨蛮人人尽说江南好唐韦庄| 嫩草影院精品99| 国产亚洲av嫩草精品影院| 狠狠精品人妻久久久久久综合| 亚洲国产精品999| 午夜福利网站1000一区二区三区| 国产成人免费观看mmmm| 好男人视频免费观看在线| 亚洲精品第二区| 久久久久性生活片| 婷婷色av中文字幕| 国产亚洲精品久久久com| 亚洲色图综合在线观看| 久久久久网色| 亚洲久久久久久中文字幕| 免费黄频网站在线观看国产| 高清在线视频一区二区三区| 日本三级黄在线观看| 成人美女网站在线观看视频| 亚洲人成网站高清观看| 国产高清三级在线| 成人一区二区视频在线观看| 亚洲三级黄色毛片| av专区在线播放| 人人妻人人爽人人添夜夜欢视频 | 亚洲欧美日韩东京热| 久久久久久久久久成人| 不卡视频在线观看欧美| 成人亚洲精品一区在线观看 | 国产乱来视频区| 国产精品蜜桃在线观看| 别揉我奶头 嗯啊视频| 精品久久久噜噜| 成人欧美大片| 伦精品一区二区三区| 亚洲最大成人中文| 少妇高潮的动态图| 一级毛片黄色毛片免费观看视频| 亚洲电影在线观看av| 我的老师免费观看完整版| 亚洲国产高清在线一区二区三| 在线a可以看的网站| 日韩欧美 国产精品| 蜜臀久久99精品久久宅男| 欧美bdsm另类| 我要看日韩黄色一级片| 久久久久久久精品精品| 性插视频无遮挡在线免费观看| 色婷婷久久久亚洲欧美| 国产乱来视频区| 九九爱精品视频在线观看| 国产成人a区在线观看| 国产午夜精品一二区理论片| 亚洲最大成人中文| 高清午夜精品一区二区三区| 欧美xxⅹ黑人| av在线观看视频网站免费| 欧美日韩视频精品一区| 我的女老师完整版在线观看| 国产亚洲午夜精品一区二区久久 | 国产色婷婷99| 高清视频免费观看一区二区| 在线a可以看的网站| 天堂中文最新版在线下载 | 成人国产av品久久久| 久久精品人妻少妇| 亚洲精品日韩av片在线观看| 精品国产三级普通话版| 又粗又硬又长又爽又黄的视频| 久久久精品欧美日韩精品| 亚洲精品国产成人久久av| 日日摸夜夜添夜夜爱| 人妻少妇偷人精品九色| 国产v大片淫在线免费观看| 中文在线观看免费www的网站| 看黄色毛片网站| 精品熟女少妇av免费看| 国产精品无大码| 中文精品一卡2卡3卡4更新| 欧美激情在线99| 亚洲人与动物交配视频| 高清毛片免费看| 亚洲人成网站在线观看播放| h日本视频在线播放| 亚洲精品亚洲一区二区| 国产成人免费观看mmmm| 亚洲av电影在线观看一区二区三区 | 王馨瑶露胸无遮挡在线观看| 久久人人爽人人片av| 国产一区有黄有色的免费视频| 亚洲国产日韩一区二区| 精品国产一区二区三区久久久樱花 | 日韩免费高清中文字幕av| 一级毛片我不卡| 乱系列少妇在线播放| av黄色大香蕉| 看免费成人av毛片| freevideosex欧美| 亚洲美女视频黄频| 搡老乐熟女国产| 毛片女人毛片| 免费黄网站久久成人精品| 亚洲欧美成人精品一区二区| 免费观看在线日韩| 一区二区av电影网| 综合色丁香网| 久久久久国产精品人妻一区二区| 久久精品国产a三级三级三级| 伦精品一区二区三区| 男女啪啪激烈高潮av片| 亚洲国产欧美人成| 干丝袜人妻中文字幕| 国产色爽女视频免费观看| 女人久久www免费人成看片| 午夜福利高清视频| 亚洲av男天堂| 亚洲精品影视一区二区三区av| 又爽又黄无遮挡网站| 赤兔流量卡办理| 全区人妻精品视频| 26uuu在线亚洲综合色| 中国国产av一级| 麻豆成人午夜福利视频| 真实男女啪啪啪动态图| 不卡视频在线观看欧美| 午夜福利在线在线| 丰满人妻一区二区三区视频av| 偷拍熟女少妇极品色| 国产精品嫩草影院av在线观看| 狠狠精品人妻久久久久久综合| 欧美人与善性xxx| 91午夜精品亚洲一区二区三区| 亚洲av免费在线观看| 亚洲欧美清纯卡通| 晚上一个人看的免费电影| 精品久久久久久久人妻蜜臀av| 亚洲欧美精品自产自拍| 九九久久精品国产亚洲av麻豆| 久久久精品欧美日韩精品| 亚洲国产精品成人久久小说| av在线老鸭窝| 亚洲av二区三区四区| 26uuu在线亚洲综合色| 美女xxoo啪啪120秒动态图| 少妇熟女欧美另类| 联通29元200g的流量卡| 色网站视频免费| 中文欧美无线码| 嫩草影院精品99| 熟女人妻精品中文字幕| 久久久a久久爽久久v久久| 少妇高潮的动态图| 亚洲熟女精品中文字幕| 舔av片在线| 狂野欧美白嫩少妇大欣赏| 亚洲人成网站高清观看| 九九在线视频观看精品| 久久久成人免费电影| 啦啦啦中文免费视频观看日本| 亚洲人与动物交配视频| 可以在线观看毛片的网站| 你懂的网址亚洲精品在线观看| 亚洲欧洲国产日韩| 免费观看的影片在线观看| 亚洲美女搞黄在线观看| 欧美激情国产日韩精品一区| 亚洲精品日韩在线中文字幕| 精品一区二区免费观看| 大片免费播放器 马上看| 欧美 日韩 精品 国产| 国产一区二区三区综合在线观看 | 久久精品久久精品一区二区三区| 国产老妇伦熟女老妇高清| 在线观看人妻少妇| 日本熟妇午夜| 亚洲成人精品中文字幕电影| 欧美另类一区| 亚洲精品成人av观看孕妇| 欧美老熟妇乱子伦牲交| 亚洲av中文av极速乱| 久久影院123| 亚洲成人一二三区av| 日本熟妇午夜| 国产综合精华液| 日本黄大片高清| 精品一区二区免费观看| 97热精品久久久久久| 国产色爽女视频免费观看| 天堂中文最新版在线下载 | 免费观看性生交大片5| 精品99又大又爽又粗少妇毛片| 99久久九九国产精品国产免费| 日韩制服骚丝袜av| 婷婷色综合www| a级一级毛片免费在线观看| 久久热精品热| 观看美女的网站| av女优亚洲男人天堂| 精品一区二区三卡| av在线老鸭窝| 少妇人妻一区二区三区视频| 日本与韩国留学比较| kizo精华| 精品人妻熟女av久视频| 国产精品嫩草影院av在线观看| 青青草视频在线视频观看| 少妇的逼好多水| 成人特级av手机在线观看| 国产成人a∨麻豆精品| 日本-黄色视频高清免费观看| 午夜视频国产福利| 狠狠精品人妻久久久久久综合| 各种免费的搞黄视频| 久久精品国产a三级三级三级| 综合色丁香网| 一区二区三区精品91| 成年av动漫网址| 免费大片18禁| av免费观看日本| 久久这里有精品视频免费| 18禁动态无遮挡网站| 一区二区三区乱码不卡18| 国产精品精品国产色婷婷| av卡一久久| 亚洲av福利一区| 日韩欧美精品v在线| 色网站视频免费| 国产午夜精品一二区理论片| 亚洲人成网站在线观看播放| 国产视频内射| 99久久精品国产国产毛片| 亚洲va在线va天堂va国产| 99久久中文字幕三级久久日本| 又大又黄又爽视频免费| 午夜日本视频在线| 日韩av不卡免费在线播放| 高清午夜精品一区二区三区| 人人妻人人爽人人添夜夜欢视频 | 成年免费大片在线观看| 亚洲国产成人一精品久久久| 国产伦理片在线播放av一区| 国产欧美亚洲国产| 国产永久视频网站| 亚洲真实伦在线观看| 亚洲天堂av无毛| 欧美精品人与动牲交sv欧美| 内射极品少妇av片p| 久久久久久久亚洲中文字幕| 秋霞在线观看毛片| 99九九线精品视频在线观看视频| 欧美bdsm另类| 一本色道久久久久久精品综合| 人人妻人人澡人人爽人人夜夜| 日韩一区二区视频免费看| 国产精品久久久久久精品电影小说 | videossex国产| 中国三级夫妇交换| 免费观看在线日韩| 国产又色又爽无遮挡免| 中文字幕免费在线视频6| 国模一区二区三区四区视频| 在线观看免费高清a一片| 亚洲av中文av极速乱| 伦精品一区二区三区| 久久99热6这里只有精品| 国产免费一区二区三区四区乱码| 日韩av免费高清视频| 国产高潮美女av| 国产在线一区二区三区精| 在现免费观看毛片| 精品久久国产蜜桃| 国产免费福利视频在线观看| 免费人成在线观看视频色| 国产美女午夜福利| 欧美另类一区| 亚洲成人中文字幕在线播放| 国产一区二区三区综合在线观看 | 国产精品一区www在线观看| 午夜福利高清视频| 大香蕉久久网| 精品国产乱码久久久久久小说| 青青草视频在线视频观看| 欧美xxxx性猛交bbbb| 九草在线视频观看| 久久久成人免费电影| 亚洲国产色片| 久久久精品免费免费高清| 中文天堂在线官网| 国产精品三级大全| 中文乱码字字幕精品一区二区三区| av在线app专区| 黄色配什么色好看| 99热国产这里只有精品6| 麻豆成人午夜福利视频| www.av在线官网国产| 一本色道久久久久久精品综合| 五月天丁香电影| 亚洲国产日韩一区二区| 亚洲内射少妇av| 国产精品国产三级国产专区5o| 高清视频免费观看一区二区| 九九久久精品国产亚洲av麻豆| 国产老妇伦熟女老妇高清| 小蜜桃在线观看免费完整版高清| 亚洲激情五月婷婷啪啪| 97在线视频观看| 久久精品久久久久久久性| 精品国产露脸久久av麻豆| 一边亲一边摸免费视频| 成年免费大片在线观看| 人人妻人人澡人人爽人人夜夜| 啦啦啦在线观看免费高清www| 亚洲av不卡在线观看| 男女啪啪激烈高潮av片| 男男h啪啪无遮挡| 国产精品人妻久久久久久| 免费av毛片视频| 91精品国产九色| 日本-黄色视频高清免费观看| av国产精品久久久久影院| 亚洲精品一二三| 日韩三级伦理在线观看| 黄色视频在线播放观看不卡| 国产精品一区二区在线观看99| 免费观看性生交大片5| 欧美日本视频| 成人特级av手机在线观看| av专区在线播放| 免费播放大片免费观看视频在线观看| 又爽又黄无遮挡网站| 国产精品偷伦视频观看了| 99久久精品国产国产毛片| 岛国毛片在线播放| 高清日韩中文字幕在线| 成年人午夜在线观看视频| 日日摸夜夜添夜夜添av毛片| 国产精品成人在线| 亚洲欧美日韩卡通动漫| 成年免费大片在线观看| 精品久久久久久久人妻蜜臀av| 久久精品久久久久久噜噜老黄| 六月丁香七月| 一级爰片在线观看| 街头女战士在线观看网站| 日韩欧美精品免费久久| 中文字幕久久专区| 中文欧美无线码| 午夜福利视频精品| 亚洲人成网站在线观看播放| av免费在线看不卡| 免费看日本二区| 国产乱人视频| 亚洲综合精品二区| 特级一级黄色大片| 日本wwww免费看| 久久久久国产精品人妻一区二区| 亚洲国产日韩一区二区| 视频区图区小说| 热99国产精品久久久久久7| 国产伦精品一区二区三区四那| 亚洲天堂av无毛| 狂野欧美激情性bbbbbb| 夜夜看夜夜爽夜夜摸| 中国国产av一级| 亚洲av不卡在线观看| 交换朋友夫妻互换小说| 色播亚洲综合网| 国产精品国产av在线观看| 小蜜桃在线观看免费完整版高清| 只有这里有精品99| 国产免费一区二区三区四区乱码| 夜夜爽夜夜爽视频| av免费观看日本| 在线免费十八禁| 人妻一区二区av| 国产精品一及| 亚洲欧美成人综合另类久久久| 内地一区二区视频在线| .国产精品久久| 男女边吃奶边做爰视频| 一级av片app| 你懂的网址亚洲精品在线观看| 日韩强制内射视频| av在线老鸭窝| 久久精品国产自在天天线| 国产老妇伦熟女老妇高清| 少妇高潮的动态图| 国产视频首页在线观看| 观看免费一级毛片| 美女主播在线视频| 国产黄色视频一区二区在线观看| 人人妻人人澡人人爽人人夜夜| 2018国产大陆天天弄谢| 国产久久久一区二区三区| 91午夜精品亚洲一区二区三区| 亚洲精品影视一区二区三区av| 国产伦精品一区二区三区四那| 亚洲av男天堂| 晚上一个人看的免费电影| 亚洲精品自拍成人| 能在线免费看毛片的网站| 免费看光身美女| 国产成人福利小说| 中文字幕人妻熟人妻熟丝袜美| 只有这里有精品99| 国产淫片久久久久久久久| .国产精品久久| 校园人妻丝袜中文字幕| 日韩电影二区| 亚洲伊人久久精品综合| 人妻系列 视频| 两个人的视频大全免费| 国产成人a∨麻豆精品| 国产精品99久久久久久久久| 亚洲欧洲日产国产| av在线老鸭窝| 国产精品秋霞免费鲁丝片| 一级av片app| 久久99精品国语久久久| 亚洲成人久久爱视频| 国产乱人视频| 99热6这里只有精品| 汤姆久久久久久久影院中文字幕| 久久久久网色| 肉色欧美久久久久久久蜜桃 | 最近的中文字幕免费完整| 免费观看av网站的网址| 男人和女人高潮做爰伦理| 国产女主播在线喷水免费视频网站| 国产亚洲av嫩草精品影院| 三级国产精品欧美在线观看| 少妇人妻精品综合一区二区| 免费高清在线观看视频在线观看| 亚洲欧美中文字幕日韩二区| 日韩欧美 国产精品| 国产淫片久久久久久久久| 成人亚洲欧美一区二区av| 精品久久久精品久久久| 天堂中文最新版在线下载 | 蜜桃亚洲精品一区二区三区| 亚洲欧洲国产日韩| 日日啪夜夜爽| 在线观看一区二区三区| 狠狠精品人妻久久久久久综合| 国产精品秋霞免费鲁丝片| 中文在线观看免费www的网站| 欧美bdsm另类|