• <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
    精品久久久久久久久久久久久| 国产熟女欧美一区二区| 国产精品一及| 亚洲丝袜综合中文字幕| 我要看日韩黄色一级片| 神马国产精品三级电影在线观看| kizo精华| 久久精品国产鲁丝片午夜精品| 大香蕉97超碰在线| 日韩强制内射视频| 国产精品久久久久久精品电影| 欧美+日韩+精品| 中文字幕人妻熟人妻熟丝袜美| 国产成人aa在线观看| 午夜福利视频1000在线观看| 日韩制服骚丝袜av| 人体艺术视频欧美日本| 国产一区有黄有色的免费视频 | 一本久久精品| 变态另类丝袜制服| 热99在线观看视频| 国产在视频线精品| 少妇人妻一区二区三区视频| 成人高潮视频无遮挡免费网站| 日本一本二区三区精品| 成年免费大片在线观看| 午夜福利在线观看吧| 国产成人精品婷婷| 久久国产乱子免费精品| 久久久欧美国产精品| 欧美成人午夜免费资源| 精品无人区乱码1区二区| 久久韩国三级中文字幕| 国产精品女同一区二区软件| 日韩制服骚丝袜av| .国产精品久久| 欧美日本视频| 成人性生交大片免费视频hd| 久久人人爽人人爽人人片va| 少妇丰满av| 午夜日本视频在线| 中文亚洲av片在线观看爽| 欧美日韩国产亚洲二区| 精品久久久噜噜| 亚洲国产成人一精品久久久| 国国产精品蜜臀av免费| 国产不卡一卡二| 91av网一区二区| 人妻夜夜爽99麻豆av| 特级一级黄色大片| 免费看av在线观看网站| 精品久久久久久久末码| 免费观看人在逋| av免费在线看不卡| 人妻夜夜爽99麻豆av| 国产精品乱码一区二三区的特点| 最近最新中文字幕大全电影3| 欧美丝袜亚洲另类| 性插视频无遮挡在线免费观看| 国产成人福利小说| 亚洲av成人精品一二三区| 日日摸夜夜添夜夜添av毛片| 色尼玛亚洲综合影院| 亚洲不卡免费看| 在现免费观看毛片| 久久久精品欧美日韩精品| 99久久精品热视频| 亚洲激情五月婷婷啪啪| 老司机影院毛片| 国产免费男女视频| 啦啦啦韩国在线观看视频| 国产在视频线在精品| 免费看日本二区| 国产老妇伦熟女老妇高清| 精品免费久久久久久久清纯| 嫩草影院新地址| 一夜夜www| 长腿黑丝高跟| 日本wwww免费看| av天堂中文字幕网| 国产午夜精品论理片| 亚洲欧美成人精品一区二区| 亚洲三级黄色毛片| 欧美成人精品欧美一级黄| 欧美色视频一区免费| 亚洲高清免费不卡视频| 深爱激情五月婷婷| 精品久久国产蜜桃| 在线免费观看的www视频| 3wmmmm亚洲av在线观看| 午夜福利网站1000一区二区三区| 天天一区二区日本电影三级| 国产日韩欧美在线精品| 青春草视频在线免费观看| 麻豆乱淫一区二区| 亚洲av免费高清在线观看| 毛片一级片免费看久久久久| 日日干狠狠操夜夜爽| 一级毛片久久久久久久久女| 精品久久久久久久久av| 黑人高潮一二区| 亚洲精品亚洲一区二区| 欧美最新免费一区二区三区| 国产精品一区二区在线观看99 | 美女cb高潮喷水在线观看| 成人无遮挡网站| 国产精品爽爽va在线观看网站| 我的女老师完整版在线观看| 国产真实伦视频高清在线观看| 超碰av人人做人人爽久久| av国产免费在线观看| 91aial.com中文字幕在线观看| 成人亚洲欧美一区二区av| 久久精品国产亚洲av涩爱| 久久久久久久久中文| 黄色欧美视频在线观看| 亚洲国产精品国产精品| 蜜桃久久精品国产亚洲av| 特大巨黑吊av在线直播| 99热这里只有是精品在线观看| 能在线免费观看的黄片| 午夜精品在线福利| 丰满少妇做爰视频| 性插视频无遮挡在线免费观看| 亚洲av熟女| 亚洲高清免费不卡视频| 99在线人妻在线中文字幕| 国产私拍福利视频在线观看| 色噜噜av男人的天堂激情| 在线观看一区二区三区| 最近中文字幕2019免费版| av在线亚洲专区| 中文资源天堂在线| 欧美+日韩+精品| 人妻制服诱惑在线中文字幕| 国产精品乱码一区二三区的特点| 免费av观看视频| 亚洲在线自拍视频| 国产精品国产三级国产专区5o | 国产精品1区2区在线观看.| 国产色爽女视频免费观看| 女的被弄到高潮叫床怎么办| 国产精品久久电影中文字幕| 日本欧美国产在线视频| 久久久久九九精品影院| 亚洲最大成人手机在线| 人妻少妇偷人精品九色| 91精品伊人久久大香线蕉| 91在线精品国自产拍蜜月| 少妇裸体淫交视频免费看高清| 国产精品爽爽va在线观看网站| 久久久久久大精品| 听说在线观看完整版免费高清| 国产 一区精品| 国产av码专区亚洲av| 天堂中文最新版在线下载 | 99久久九九国产精品国产免费| 熟妇人妻久久中文字幕3abv| 中文资源天堂在线| 久久鲁丝午夜福利片| 国产白丝娇喘喷水9色精品| 亚洲成人av在线免费| 亚洲中文字幕一区二区三区有码在线看| 午夜福利网站1000一区二区三区| 三级经典国产精品| 国产又黄又爽又无遮挡在线| 欧美潮喷喷水| 色5月婷婷丁香| 午夜视频国产福利| 看黄色毛片网站| 国产伦精品一区二区三区四那| 国产一区有黄有色的免费视频 | 女人十人毛片免费观看3o分钟| АⅤ资源中文在线天堂| 亚洲精品色激情综合| 免费电影在线观看免费观看| 97超视频在线观看视频| 日韩欧美三级三区| 亚洲av福利一区| 美女国产视频在线观看| 男女啪啪激烈高潮av片| av.在线天堂| 91精品一卡2卡3卡4卡| 啦啦啦韩国在线观看视频| 联通29元200g的流量卡| 午夜免费男女啪啪视频观看| 日韩成人伦理影院| 国产免费男女视频| 亚洲av二区三区四区| 欧美最新免费一区二区三区| 国产老妇女一区| 日本黄色视频三级网站网址| 亚洲精品亚洲一区二区| 日韩欧美 国产精品| 欧美一区二区精品小视频在线| 国产亚洲5aaaaa淫片| 午夜a级毛片| 国产精品日韩av在线免费观看| 精品久久久久久久久av| 久久这里只有精品中国| 国产成人免费观看mmmm| 亚洲av成人av| 欧美一区二区国产精品久久精品| 2022亚洲国产成人精品| av.在线天堂| 99久久精品热视频| 国产在视频线精品| 成人欧美大片| 国产精品福利在线免费观看| 日韩强制内射视频| 免费看日本二区| 波野结衣二区三区在线| 搡女人真爽免费视频火全软件| av卡一久久| av在线老鸭窝| 永久免费av网站大全| 久久人人爽人人爽人人片va| 亚洲最大成人手机在线| 啦啦啦韩国在线观看视频| 夜夜看夜夜爽夜夜摸| 中文字幕av成人在线电影| 久久99蜜桃精品久久| 在线观看一区二区三区| 高清日韩中文字幕在线| 欧美性猛交╳xxx乱大交人| 国产免费视频播放在线视频 | 久久国产乱子免费精品| 亚洲av成人精品一二三区| 日日撸夜夜添| 综合色丁香网| 18禁在线无遮挡免费观看视频| 日韩亚洲欧美综合| 啦啦啦啦在线视频资源| av黄色大香蕉| 一级爰片在线观看| 中文在线观看免费www的网站| 观看免费一级毛片| 丝袜喷水一区| 亚洲成av人片在线播放无| 色综合色国产| 亚洲精品日韩在线中文字幕| 日本免费一区二区三区高清不卡| 日本色播在线视频| 亚洲怡红院男人天堂| 亚洲自偷自拍三级| 日韩强制内射视频| 最近手机中文字幕大全| 国产黄色视频一区二区在线观看 | 尾随美女入室| 高清视频免费观看一区二区 | 欧美一级a爱片免费观看看| 联通29元200g的流量卡| 两性午夜刺激爽爽歪歪视频在线观看| 夫妻性生交免费视频一级片| 91久久精品电影网| 精华霜和精华液先用哪个| 国产精品国产三级国产av玫瑰| 18禁在线播放成人免费| 岛国在线免费视频观看| 嫩草影院入口| 午夜精品在线福利| 日韩亚洲欧美综合| 青春草国产在线视频| 国产高清三级在线| 国产精品.久久久| 美女脱内裤让男人舔精品视频| 日韩精品青青久久久久久| 高清日韩中文字幕在线| 麻豆国产97在线/欧美| 久久6这里有精品| 亚洲成人久久爱视频| 日本一本二区三区精品| 天堂av国产一区二区熟女人妻| 高清视频免费观看一区二区 | 日韩一区二区视频免费看| 欧美3d第一页| 久久久久久久国产电影| 天堂av国产一区二区熟女人妻| 天堂中文最新版在线下载 | 在线免费观看的www视频| 少妇的逼好多水| 国产精品久久久久久av不卡| 中文字幕精品亚洲无线码一区| 国产在线一区二区三区精 | 久久欧美精品欧美久久欧美| 亚洲精品乱久久久久久| 听说在线观看完整版免费高清| 亚洲精品影视一区二区三区av| 建设人人有责人人尽责人人享有的 | 国产免费福利视频在线观看| 日韩一本色道免费dvd| 黑人高潮一二区| 亚洲五月天丁香| 又爽又黄无遮挡网站| 99久国产av精品| 免费人成在线观看视频色| 内射极品少妇av片p| 三级男女做爰猛烈吃奶摸视频| 久久亚洲精品不卡| 69av精品久久久久久| 欧美成人a在线观看| 中文乱码字字幕精品一区二区三区 | АⅤ资源中文在线天堂| 色噜噜av男人的天堂激情| 看非洲黑人一级黄片| 亚洲国产欧洲综合997久久,| 搡老妇女老女人老熟妇| 国产精华一区二区三区| 亚洲久久久久久中文字幕| 免费av观看视频| 国产精品一区二区三区四区免费观看| 少妇高潮的动态图| 最近中文字幕2019免费版| 三级国产精品欧美在线观看| 哪个播放器可以免费观看大片| 日韩强制内射视频| 久久综合国产亚洲精品| 一级黄片播放器| 国产色爽女视频免费观看| 人妻制服诱惑在线中文字幕| 国产高潮美女av| 国内揄拍国产精品人妻在线| av在线天堂中文字幕| 国产视频内射| 99久久精品一区二区三区| 欧美区成人在线视频| 久久99蜜桃精品久久| 久久久久久久久大av| 丝袜美腿在线中文| 日本黄色片子视频| 一个人看视频在线观看www免费| 小说图片视频综合网站| 日本色播在线视频| 我要看日韩黄色一级片| 国产亚洲av嫩草精品影院| 超碰97精品在线观看| 不卡视频在线观看欧美| 国产一区二区三区av在线| 超碰av人人做人人爽久久| 性色avwww在线观看| 亚洲精品456在线播放app| 99热这里只有是精品50| av天堂中文字幕网| 午夜福利成人在线免费观看| 日韩视频在线欧美| 精品国内亚洲2022精品成人| 亚洲中文字幕日韩| 久久这里只有精品中国| 国产精品女同一区二区软件| 日韩一区二区三区影片| .国产精品久久| 精品午夜福利在线看| 国产淫片久久久久久久久| 高清视频免费观看一区二区 | 国产色婷婷99| 国产一级毛片七仙女欲春2| 亚洲av福利一区| 国产成人91sexporn| 久久99热这里只频精品6学生 | 国产又黄又爽又无遮挡在线| 人体艺术视频欧美日本| 亚洲av福利一区| 一区二区三区乱码不卡18| 又黄又爽又刺激的免费视频.| 色网站视频免费| 国产高清视频在线观看网站| 欧美性感艳星| 亚洲人与动物交配视频| 午夜免费男女啪啪视频观看| 亚洲精品日韩在线中文字幕| 国产高清国产精品国产三级 | 欧美xxxx黑人xx丫x性爽| 欧美另类亚洲清纯唯美| 搞女人的毛片| 2021天堂中文幕一二区在线观| 欧美性感艳星| 国产亚洲一区二区精品| 国产亚洲精品av在线| 国产精品国产三级专区第一集| 亚洲18禁久久av| 99久久精品国产国产毛片| 久久人妻av系列| 亚洲电影在线观看av| 国产精品人妻久久久影院| 国内精品宾馆在线| 成人美女网站在线观看视频| 寂寞人妻少妇视频99o| 亚洲av男天堂| 亚洲aⅴ乱码一区二区在线播放| 一级av片app| 国产伦一二天堂av在线观看| 菩萨蛮人人尽说江南好唐韦庄 | videossex国产| 亚洲国产精品国产精品| 成人亚洲欧美一区二区av| 国产成人免费观看mmmm| 国产精华一区二区三区| 夜夜爽夜夜爽视频| 欧美一区二区精品小视频在线| 色综合站精品国产| 热99re8久久精品国产| 国产成人一区二区在线| 国产午夜精品久久久久久一区二区三区| 欧美一区二区亚洲| 中文字幕免费在线视频6| 白带黄色成豆腐渣| 爱豆传媒免费全集在线观看| 日本一二三区视频观看| 久久精品熟女亚洲av麻豆精品 | 极品教师在线视频| 国产毛片a区久久久久| 婷婷六月久久综合丁香| 亚洲va在线va天堂va国产| 国产精品野战在线观看| 午夜福利高清视频| 久久久久久大精品| 日本黄色片子视频| 国内精品一区二区在线观看| 久久精品久久久久久噜噜老黄 | 亚洲成av人片在线播放无| 欧美日本亚洲视频在线播放| 搡老妇女老女人老熟妇| 99久国产av精品| 人人妻人人澡人人爽人人夜夜 | 网址你懂的国产日韩在线| 高清日韩中文字幕在线| 久久久久网色| 久久亚洲国产成人精品v| 亚洲欧美日韩无卡精品| 少妇裸体淫交视频免费看高清| 欧美成人免费av一区二区三区| 国语自产精品视频在线第100页| 亚洲国产精品专区欧美| 国产精品久久久久久av不卡| 国产精品麻豆人妻色哟哟久久 | 一级黄色大片毛片| 国产成人精品婷婷| 久久精品久久久久久久性| kizo精华| 亚洲乱码一区二区免费版| 岛国在线免费视频观看| 国产乱人偷精品视频| .国产精品久久| 国产成人精品婷婷| a级毛色黄片| 黄色配什么色好看| 我的女老师完整版在线观看| 国产精品嫩草影院av在线观看| 97超碰精品成人国产| 亚洲欧美成人综合另类久久久 | 日韩国内少妇激情av| av免费观看日本| 国产精华一区二区三区| 秋霞伦理黄片| 五月伊人婷婷丁香| 能在线免费看毛片的网站| 成人综合一区亚洲| 深夜a级毛片| 性色avwww在线观看| 日韩一区二区视频免费看| 欧美日韩在线观看h| 亚洲五月天丁香| 亚洲丝袜综合中文字幕| 免费看av在线观看网站| 舔av片在线| 亚洲精品久久久久久婷婷小说 | 免费看av在线观看网站| 亚洲中文字幕日韩| 国产成人精品婷婷| 国产亚洲一区二区精品| 日本-黄色视频高清免费观看| 青春草亚洲视频在线观看| 蜜桃久久精品国产亚洲av| 国产精品综合久久久久久久免费| 国产黄片视频在线免费观看| 国产大屁股一区二区在线视频| 久久99精品国语久久久| 两个人视频免费观看高清| 丝袜喷水一区| av免费观看日本| 性色avwww在线观看| 亚洲国产日韩欧美精品在线观看| 免费av毛片视频| 在线免费观看不下载黄p国产| 色网站视频免费| 99在线人妻在线中文字幕| 欧美3d第一页| 午夜福利网站1000一区二区三区| 天美传媒精品一区二区| 日韩欧美国产在线观看| 午夜福利在线在线| 久久午夜福利片| 久久久欧美国产精品| 免费av毛片视频| 久久精品久久久久久久性| 国产精品久久久久久久电影| 国产视频首页在线观看| 九九爱精品视频在线观看| 日韩欧美 国产精品| av在线播放精品| 波多野结衣巨乳人妻| 草草在线视频免费看| 三级毛片av免费| 两性午夜刺激爽爽歪歪视频在线观看| 丰满人妻一区二区三区视频av| 又爽又黄无遮挡网站| 亚洲第一区二区三区不卡| 嫩草影院新地址| 成人午夜精彩视频在线观看| 色综合亚洲欧美另类图片| a级毛色黄片| 日本黄大片高清| 一边摸一边抽搐一进一小说| 小蜜桃在线观看免费完整版高清| 搡女人真爽免费视频火全软件| 免费在线观看成人毛片| 高清午夜精品一区二区三区| 在线观看美女被高潮喷水网站| 国产欧美日韩精品一区二区| 国产伦精品一区二区三区视频9| 麻豆精品久久久久久蜜桃| 日韩欧美 国产精品| 国产精品久久视频播放| 亚洲,欧美,日韩| 精品久久国产蜜桃| 日本一本二区三区精品| 精品国产三级普通话版| 少妇人妻精品综合一区二区| 国产免费福利视频在线观看| 亚洲高清免费不卡视频| 伦精品一区二区三区| 男女国产视频网站| 级片在线观看| 欧美日韩在线观看h| 久99久视频精品免费| 亚洲国产高清在线一区二区三| 激情 狠狠 欧美| 男女那种视频在线观看| 欧美日韩精品成人综合77777| 国产成人aa在线观看| 精品熟女少妇av免费看| 亚洲高清免费不卡视频| 内射极品少妇av片p| 久久精品综合一区二区三区| 高清在线视频一区二区三区 | 日日撸夜夜添| 欧美高清性xxxxhd video| 国产三级在线视频| 久久久久网色| 国产老妇女一区| 成人午夜高清在线视频| 国产精品人妻久久久久久| 九色成人免费人妻av| 久久人妻av系列| 日韩精品有码人妻一区| 久久久国产成人精品二区| 国产爱豆传媒在线观看| 国产精品熟女久久久久浪| av天堂中文字幕网| 91在线精品国自产拍蜜月| 看黄色毛片网站| 国产一区二区在线av高清观看| 国产又黄又爽又无遮挡在线| 精品久久久久久久久亚洲| 一级黄片播放器| 久久久久久九九精品二区国产| 久久午夜福利片| 国语自产精品视频在线第100页| 在线观看美女被高潮喷水网站| 小蜜桃在线观看免费完整版高清| av又黄又爽大尺度在线免费看 | 日韩欧美在线乱码| 99久久人妻综合| 又爽又黄a免费视频| 深夜a级毛片| 久久精品久久久久久久性| 深夜a级毛片| 久久久久久久国产电影| 久久这里只有精品中国| 如何舔出高潮| 午夜a级毛片| 婷婷色av中文字幕| 看十八女毛片水多多多| 日本爱情动作片www.在线观看| 国产视频内射| 国产熟女欧美一区二区| 日韩欧美精品免费久久| 99视频精品全部免费 在线| 亚洲高清免费不卡视频| 久久久久久久久久久免费av| 久久韩国三级中文字幕| 国产白丝娇喘喷水9色精品| 日韩av在线大香蕉| 久久久久国产网址| 久久6这里有精品| 亚洲欧美成人精品一区二区| 国产精品一及| 人妻系列 视频| 91aial.com中文字幕在线观看| 99热6这里只有精品| 男人舔奶头视频| 国产中年淑女户外野战色| 日本五十路高清| 日韩一区二区三区影片| 免费看a级黄色片| 一级av片app| 看非洲黑人一级黄片| 精品99又大又爽又粗少妇毛片| 国产不卡一卡二| 亚洲精品乱码久久久v下载方式| 日本午夜av视频| 亚洲av电影不卡..在线观看| 亚洲欧洲国产日韩| 中文字幕免费在线视频6| 久久久久精品久久久久真实原创|