• <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 ?

    基于全局注意力及金字塔卷積網(wǎng)絡(luò)的表情識別

    2022-12-06 10:34:24毛君宇何廷年李愛斌
    計算機工程與應(yīng)用 2022年23期
    關(guān)鍵詞:集上金字塔人臉

    毛君宇,何廷年,郭 藝,李愛斌

    西北師范大學(xué) 計算機科學(xué)與工程學(xué)院,蘭州 730070

    面部表情是人類交流中幫助人們理解他人意圖的重要因素。1971年,美國心理學(xué)家Ekman和Friesen定義了七種基本面部表情,分別是快樂、悲傷、憤怒、恐懼、驚訝、厭惡和中立[1]。另外Ekman和Friesen開發(fā)了一種面部動作編碼系統(tǒng)來分析人的面部動作,人的面部表情可以分解為不同的面部動作單元組合[2]。人們可以通過面部表情來推斷其他人的情緒狀態(tài)。面部表情識別技術(shù)在精神分裂癥和創(chuàng)傷后應(yīng)激障礙等醫(yī)學(xué)輔助診斷、學(xué)生教育、娛樂等方面[3]具有廣泛應(yīng)用前景。

    盡管人們對于面部表情識別技術(shù)已經(jīng)取得了進步,但仍面臨一些挑戰(zhàn),如:多尺度表情特征提取,遮擋情況下的表情識別[4]?,F(xiàn)有研究大多采用深度網(wǎng)絡(luò)進行表情識別,但其中的特征提取階段往往忽略了捕捉表情特征的多樣性及其尺度的可變性,使用具有單一尺寸和單一類型的卷積核提取特征破壞了動作單元的連續(xù)性。另外由于人臉對齊不精確或人臉配準錯誤、特征位置不準確,增加了從面部圖像提取特征的難度[5]。在現(xiàn)實生活中,復(fù)雜的光照、面部視角和頭部姿勢的變化等因素產(chǎn)生的各種遮擋會對表情識別造成影響。這些遮擋為提取的特征引入噪聲和離群值,嚴重影響面部表情識別的準確性。對于一張有遮擋的面部表情圖像,人類可以根據(jù)其他未遮擋的區(qū)域綜合判斷這是什么表情,對于計算機來說,遮擋區(qū)域往往會影響最終的表情識別效果。

    為了更好地解決表情特征的多尺度提取以及降低真實場景中遮擋對識別效果的影響,提高表情的識別準確率,本文工作概括如下:

    (1)由于面部表情與多個動作單元的組合相關(guān),本文提出使用金字塔卷積網(wǎng)絡(luò)進行表情圖像特征提取,不同大小卷積核組成的金字塔卷積單元可以提取到圖像的多尺度特征,提高模型的非線性表達能力。

    (2)在數(shù)據(jù)擴充的基礎(chǔ)上,提出了利用全局注意力模塊來提高含有重要信息的采樣子圖像的特征權(quán)重,抑制噪聲干擾,以此提升表情識別效果。

    (3)提出的金字塔卷積和全局注意力模型在公共人臉表情數(shù)據(jù)集CK+、RAF-DB、AffectNet進行實驗,驗證了該方法的有效性。

    1 相關(guān)工作

    本章對于近年來真實場景下表情識別的方法,以及注意力機制和金字塔卷積的研究進行了探討。

    1.1 真實場景下的表情識別

    對于真實場景下的面部表情識別,因物品造成的直接遮擋,或者光照、姿勢變化等因素造成間接遮擋是表情識別的固有挑戰(zhàn)之一。以往解決面部遮擋問題的方法可分為兩類:特征重建方法、子區(qū)域分析法。特征重建方法使用一種檢測算法來尋找被遮擋的區(qū)域,并對其進行重建從而進行識別。Zhang等人[6]提出了一種魯棒的方法,利用蒙特·卡羅方法(Monte Carlo method)提取一組基于Gabor的臉部模板,并將這些模板轉(zhuǎn)換成模板匹配距離特征。模板匹配距離特征依賴于特定表情數(shù)據(jù)集中的模板選擇,在跨數(shù)據(jù)集條件下不具有良好的泛化能力。Cornejo等人[7]通過魯棒主成分分析(robust principal component analysis,RPCA)重建了被遮擋的面部區(qū)域,并提取直方圖統(tǒng)計變換特征(census transform histogram,CENTRIST),他們應(yīng)用K最近鄰(K-nearest neighbor,KNN)算法和SVM(support vector machine)算法進行分類。另一個特征重建方法是學(xué)習(xí)一個生成模型,它可以從被遮擋的人臉中重建出一個完整的人臉[8-9]。特征重建方法依賴于不同遮擋條件下的訓(xùn)練數(shù)據(jù),但是由于遮擋的位置和類型太多,使得去表情圖像遮擋的效果不理想。

    子區(qū)域分析方法將人臉分為若干子區(qū)域,并根據(jù)這些區(qū)域?qū)Ρ砬檫M行分類。Adil等人[10]利用Gabor濾波器提取感興趣區(qū)域的特征,將提取到的重要特征再送入SVM中進行分類。Dapogny等人[11]提出在表情圖像的局部子區(qū)域上訓(xùn)練隨機森林,并使用局部表情預(yù)測(local expression predictions,LEPs)作為高級特征表示,LEPs可以結(jié)合起來描述不同的面部表情以及動作單位。Li等人[12]設(shè)計了一種用于感知遮擋的網(wǎng)絡(luò)PG-CNN(patch-gated convolution neutral network),它能自動感知人臉的遮擋區(qū)域,聚焦于劃分的24個含有更多特征信息的非遮擋子區(qū)域,并將24個子區(qū)域輸入到一個注意力網(wǎng)絡(luò)中,從中得到加權(quán)級聯(lián)局部特征。Li等人[13]進一步擴展了PG-CNN的方法,通過引入全局候選單元來補充人臉圖像的全局信息來進行表情識別。然而,這些方法都要基于人臉關(guān)鍵點來選擇子區(qū)域,這一過程在遮擋的人臉圖像中并不精確,大大降低了網(wǎng)絡(luò)的性能。

    由于真實場景中的遮擋復(fù)雜多樣,特征重建方法依賴大量不同遮擋條件下的訓(xùn)練數(shù)據(jù)才能有較好的效果,且人臉細節(jié)重建不理想。以往的子區(qū)域分析法依賴人臉關(guān)鍵點進行子區(qū)域劃分,而遮擋會影響人臉關(guān)鍵點檢測。需要一種不依賴人臉關(guān)鍵點檢測的表情識別方法,進行真實場景中的表情識別。

    1.2 注意力機制

    在雜亂無章的視覺場景中,人類能夠快速地定位到顯著的物體,這是人們視覺感知的注意機制。根據(jù)應(yīng)用域的不同,可以將注意力域分為空間域、通道域、時間域、混合域等。張愛梅等人[14]提出了一種注意力分層雙線性池化殘差網(wǎng)絡(luò)進行表情識別,該方法采用通道注意力機制顯式地建模各通道的重要程度,為輸出特征圖分配不同的權(quán)重,按權(quán)重值大小定位顯著區(qū)域。Gera等人[15]將空間域和通道域的注意力結(jié)合到CNN中進行情感分類,它綜合考慮了每個通道的局部空間連接模式和不同通道之間的相互依賴性。李國豪等人[16]采用時空注意力機制進行人臉微表情識別,時間注意力模塊用于學(xué)習(xí)表情序列的運動信息,將注意力集中在表情序列中判別性較強的幀。Wang等人[17]提出了一個新型區(qū)域注意力網(wǎng)絡(luò),通過主干卷積網(wǎng)絡(luò)提取各個區(qū)域特征,加權(quán)得到注意力特征信息,以提高遮擋和姿勢變化條件下的面部表情識別準確性。Farzaneh等人[18]提出了一種深層注意力中心損失(deep attentive center loss,DACL)方法,提出的DACL集成了一種注意力機制,以CNN提取的中間空間特征圖作為上下文,估計與特征重要性相關(guān)的注意力權(quán)重,以自適應(yīng)地選擇重要特征元素的子集以增強辨別力。本文在Wang等人[17]提出方法的基礎(chǔ)上,提出全局注意力模塊,注意力機制允許根據(jù)需要選擇更加顯著的特征,本文的全局注意力模塊可以更好解決真實場景表情識別問題。

    1.3 金字塔卷積

    深度神經(jīng)網(wǎng)絡(luò)在訓(xùn)練過程中,通過卷積操作提取圖像特征信息,不同尺寸的卷積核可以學(xué)習(xí)的空間特征也不盡相同。對于小目標(biāo)和含有噪聲的目標(biāo)而言,細節(jié)特征信息至關(guān)重要,像素級的偏差往往會導(dǎo)致識別出現(xiàn)錯誤。金字塔卷積(pyramidal convolution,PyConv)[19]可以通過多個不同尺度的卷積核處理輸入信息。PyConv的主要優(yōu)點是多尺度處理,具有不同的空間分辨率和深度。與標(biāo)準卷積相比,PyConv可以在不增加額外成本的情況下擴大卷積核的感受野。這些不同類型的PyConv內(nèi)核帶來了互補的信息,有助于提高網(wǎng)絡(luò)的識別性能。具有較小感受野的卷積核可以關(guān)注細節(jié),捕捉關(guān)于較小對象的特征信息,而增加核的尺寸可以關(guān)注較大對象的更可靠特征。金字塔卷積可以捕捉表情特征的多樣性及其尺度的可變性,保持了面部動作單元的連續(xù)性。

    2 本文模型

    本文提出了一種基于金字塔卷積網(wǎng)絡(luò)及注意力機制的網(wǎng)絡(luò)模型進行表情識別。它主要由兩個模塊組成,即金字塔卷積網(wǎng)絡(luò)、全局注意力模塊,如圖1所示。PyConv-Attention網(wǎng)絡(luò)模型從原始表情圖像中裁剪多張子圖像,然后將這些子圖像和原始表情圖像一起輸入到金字塔卷積網(wǎng)絡(luò)中進行特征提取。隨后將金字塔網(wǎng)絡(luò)提取的特征送入全局注意力模塊,為每個特征圖分配一個特征權(quán)重。原特征圖與特征權(quán)重相乘,將這些區(qū)域特性聚合為一個全局表示,利用全局特征表示對表情進行預(yù)測。

    圖1 PyConv-Attention網(wǎng)絡(luò)模型Fig.1 PyConv-Attention network mode

    2.1 子圖像生成

    首先進行人臉對齊,根據(jù)固定位置左上、右上、中下以及中心區(qū)域?qū)⒃急砬閳D像采樣裁剪出多張子圖像。與根據(jù)人臉中鼻子、嘴巴、眼睛等關(guān)鍵點采樣不同,該采樣方法不依賴人臉關(guān)鍵點檢測,且不會破壞不同面部動作單元組成的多尺度信息。其中左上區(qū)域、右上區(qū)域、中下區(qū)域大小為原始圖像的80%,左上區(qū)域和右上區(qū)域更多關(guān)注由眼睛和鼻子以及周圍肌肉變化組成的不同表情,避免了圖像中嘴部存在噪聲影響識別效果。中下區(qū)域避免了圖像中額頭存在噪聲影響識別效果。由于部分人臉表情主要集中在人臉中心區(qū)域,如驚訝、快樂、恐懼等表情由嘴巴及臉頰周圍的肌肉變化組成,以原始圖像的80%和90%分別裁剪兩張中心區(qū)域的子圖像。所有子圖像生成后,調(diào)整圖像尺寸,使其符合主干CNN的輸入大小。

    2.2 金字塔卷積網(wǎng)絡(luò)

    研究表明,嘴、眼睛、眉毛和鼻子等形成了不同的動作單元,這些面部單元的組合形成了人臉表情??紤]到面部表情與多個動作單元相關(guān),金字卷積網(wǎng)絡(luò)可以提取到多尺度特征。

    PyConv為一個金字塔卷積單元,如圖2所示,由不同大小和不同深度的卷積核堆砌而成,隨著卷積核尺寸的增加,它的深度相應(yīng)減小,這些卷積核能夠捕捉圖像中不同級別的細節(jié)特征。對于金字塔卷積單元,由于使用了不同深度的卷積核,采用了分組卷積的方式,輸入特征圖被分成若干組,并且針對每組輸入特征圖應(yīng)用不同深度的卷積核進行特征提取。當(dāng)分組為1時,即為標(biāo)準卷積,其中卷積核的深度等于輸入特征圖的通道數(shù)。當(dāng)輸入特征地圖被分為n組時,卷積核的深度減小為d/n,其中d為輸入特征的通道數(shù)。

    圖2 金字塔卷積Fig.2 Pyramidal convolution(PyConv)

    在用于圖像識別的各種方法中,由于深度殘差網(wǎng)絡(luò)易于優(yōu)化,不會隨著網(wǎng)絡(luò)深度增加而降低網(wǎng)絡(luò)性能,成為廣泛使用的方法之一。本文提出的模型架構(gòu)主要基于深度殘差網(wǎng)絡(luò)構(gòu)建,用以提取表情圖像特征的網(wǎng)絡(luò)基于殘差網(wǎng)絡(luò)進行修改。對于表情識別的PyConv網(wǎng)絡(luò)架構(gòu),主干網(wǎng)絡(luò)使用ResNet50[20],并將ResNet50中的部分卷積核替換為改進的金字塔卷積單元。該網(wǎng)絡(luò)分別采用9×9、7×7、5×5、3×3四個不同尺寸的卷積核,以提取表情圖像中的多尺度特征。修改后的金字塔卷積網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示,主要對4個殘差塊進行了修改。對于第一層殘差塊,將原始尺寸為3×3的卷積核改為金字塔卷積單元,由9×9、7×7、5×5和3×3不同尺寸的卷積核組成,步長為1,并對輸入的特征圖進行分組,分別為16組、8組、4組和1組。每種尺寸的卷積核輸出16張尺寸相同的特征圖,PyConv4得到64張輸出特征圖。訓(xùn)練每個殘差塊后使用ReLU(rectified linear unit,ReLU)作為激活函數(shù),以及使用批歸一化(batch normalization,BN)對激活值進行處理。

    圖3 金字塔卷積網(wǎng)絡(luò)Fig.3 Pyramidal convolution network(PyConv network)

    2.3 全局注意力模塊

    提出的全局注意力模塊如圖1虛線框所示,原始圖像和采樣子圖像通過金字塔卷積網(wǎng)絡(luò)提取特征后,送入全局注意力模塊經(jīng)過一個全連接層和Sigmod激活函數(shù)計算該圖像的特征權(quán)重ai,最終進行加權(quán)求和得到一個全局的特征表示Fm。將原始圖像表示為I0,將子圖像表示為I0,I1,…,Ik,并將主干網(wǎng)絡(luò)表示為r(I*;θ)。圖像I*的特征集X定義為公式(1):

    其中,F(xiàn)k是經(jīng)金字塔卷積網(wǎng)絡(luò)提取的特征,θ是金字塔卷積網(wǎng)絡(luò)的參數(shù),k表示經(jīng)裁剪得到的多張子圖像。

    通過金字塔卷積網(wǎng)絡(luò)提取的子圖像特征,送入全局注意力模塊使用全連接層和Sigmoid激活函數(shù)來計算注意力權(quán)重。第i個子圖的注意權(quán)重表示為公式(2):

    其中,q是全連接層的參數(shù),f表示Sigmoid激活函數(shù),ai取值范圍為[0,1]。

    將所有子圖像特征及其注意力權(quán)重歸納為一個全局表示Fm,F(xiàn)m即為最終的特征表示,輸入到分類器中進行預(yù)測。如公式(3)所示:

    由于在一張表情圖像中存在某一重要特征信息區(qū)域,設(shè)置了注意力損失函數(shù)對原始圖像和子圖像的注意力的權(quán)重進行了限制。該損失函數(shù)強制要求來自子圖像的注意力權(quán)重之一應(yīng)大于原始表情圖像權(quán)重。注意力損失函數(shù)公式如式(4)所示:

    其中,?為超參數(shù),本文中設(shè)置為0.03,μ0是原始圖像的注意力權(quán)重,μmax表示所有子圖像的最大權(quán)重。

    在分類器中,采用交叉熵損失函數(shù)來訓(xùn)練表情多分類,交叉熵描述了預(yù)測的概率分布和真實概率分布之間的距離。

    3 實驗

    3.1 數(shù)據(jù)集和實驗設(shè)置

    3.1.1 數(shù)據(jù)集

    本文在3個公開的人臉表情數(shù)據(jù)集上進行實驗,分別是實驗室數(shù)據(jù)集CK+[21],以及兩個真實場景下的數(shù)據(jù)集RAF-DB[22]和AffectNet[23]。CK+包含來自123名采集者的593個表情圖像序列,這些序列表現(xiàn)出面部表情從自然到最高峰值的轉(zhuǎn)變。在這些序列中,基于面部表情動作編碼系統(tǒng)(FACS)將118名采集者的327個序列標(biāo)注為7種表情(快樂、悲傷、憤怒、厭惡、驚訝、蔑視和恐懼)。由于數(shù)據(jù)量較少,對圖像進行鏡像翻轉(zhuǎn)、旋轉(zhuǎn)等操作進行數(shù)據(jù)擴充,隨機選擇其中的4/5為訓(xùn)練集,其余1/5作為測試集。

    RAF-DB為真實場景的面部表情數(shù)據(jù)集,該數(shù)據(jù)集包含單標(biāo)簽子集和雙標(biāo)簽子集。單標(biāo)簽子集包括7類基本情緒(驚訝、恐懼、厭惡、快樂、悲傷、憤怒、中立);雙標(biāo)簽子集包括12類復(fù)合情緒。在本實驗中,使用了具有7類基本情緒的15 339張圖像,數(shù)據(jù)集分為訓(xùn)練集和測試集,其中訓(xùn)練集為12 271張圖像,測試集為3 068張圖像。

    AffectNet包含超過一百萬張來自互聯(lián)網(wǎng)的圖片,這些圖片是通過使用情感相關(guān)標(biāo)簽查詢不同的搜索引擎獲得的。它是迄今為止最大的表情數(shù)據(jù)集,提供兩種不同情感模型(分類模型和維度模型)中的面部表情,其中約有29萬張圖像被手動標(biāo)記為8種(驚訝、恐懼、厭惡、快樂、悲傷、憤怒、蔑視、中立)面部表情。圖4為數(shù)據(jù)集樣本圖像展示。第一排是CK+數(shù)據(jù)集樣本圖像,第二排為RAF-DB數(shù)據(jù)集樣本圖像,最后一排為AffectNet數(shù)據(jù)集圖像樣本。

    圖4 數(shù)據(jù)集樣本圖片(第一至第三行依次為CK+、RAF-DB、AffectNet)Fig.4 Sample images of databases

    3.1.2 數(shù)據(jù)預(yù)處理及實驗設(shè)置

    因為不同數(shù)據(jù)集的圖像大小各有不同,在訓(xùn)練模型之前,需要對數(shù)據(jù)進行預(yù)處理,將所有圖像的大小調(diào)整為224×224×3。使用ResNet-50作為主干網(wǎng)絡(luò),另外,使用的ResNet-50網(wǎng)絡(luò)在ImageNet數(shù)據(jù)集上進行了預(yù)訓(xùn)練。

    本文實驗在Windows 10操作系統(tǒng)下基于深度學(xué)習(xí)框架PyTorch1.5.0實現(xiàn),硬件環(huán)境:CPU為Intel?Core?i5-9400,主頻為2.9 GHz,內(nèi)存為32 GB,顯卡為NVIDIA GeForce GTX 1660Ti,顯存大小為6 GB。采用隨機梯度下降法(stochastic gradient descent,SGD)訓(xùn)練,將初始學(xué)習(xí)率設(shè)為0.01,動量為0.9,權(quán)重衰減為1×10-5。由于不同數(shù)據(jù)集中的樣本存在差異,模型在不同數(shù)據(jù)集上的收斂速度不同,本實驗在CK+、RAF-DB、AffectNet數(shù)據(jù)集上的迭代輪數(shù)分別為100、200和200。在CK+訓(xùn)練過程中,第40和80輪學(xué)習(xí)率以0.9的衰減率進行衰減;在RAF-DB、AffectNet訓(xùn)練過程中,每50輪學(xué)習(xí)率以0.9的衰減率進行衰減。

    3.2 實驗結(jié)果

    為了研究所提方法的有效性,以ResNet50網(wǎng)絡(luò)作為主干網(wǎng)絡(luò),融合金字塔卷積以及注意力機制構(gòu)造模型,在CK+、RAF-DB、AffectNet三個數(shù)據(jù)集進行實驗,并和其他方法進行了對比。

    3.2.1 子圖像實驗評估

    為探究網(wǎng)絡(luò)輸入中不同數(shù)量子圖像對表情識別的影響,在RAF-DB數(shù)據(jù)集上設(shè)置了五組對照實驗,第一組僅采用原始圖像作為網(wǎng)絡(luò)輸入,此時該圖像特征的注意力權(quán)重為1,全局表示特征與經(jīng)過金字塔卷積網(wǎng)絡(luò)提取之后的一致;第二組采用原始圖像加左上、右上、中下區(qū)域三張子圖像;第三組采用原始圖像加左上、右上、中下、中心區(qū)域四張子圖像進行實驗;第四組為左上、右上、中下、兩張中心區(qū)域子圖像加原始表情圖像;第五組設(shè)置為左上、右上、中下、兩張中心區(qū)域子圖像、一張隨機位置子圖像加原始表情圖像。其中前三組所有采樣子圖像根據(jù)原始圖像的80%進行采樣裁剪,第四組中心區(qū)域子圖像分別按照原始圖像尺寸的80%、90%進行采樣裁剪,其他子圖像為原始圖像的80%。第五組中隨機位置按照原始圖像尺寸的80%采樣,其余設(shè)置與第四組相同。再將所有圖像尺寸調(diào)整到224×224×3,使其符合網(wǎng)絡(luò)輸入大小,最終實驗結(jié)果如表1所示。

    表1 不同數(shù)量采樣圖像在RAF-DB的實驗對比Table 1 Experimental comparison of different number of sampled images of RAF-DB

    根據(jù)表1可得,隨著采樣子圖像數(shù)量的增加,識別的效果也隨之增加,但準確率的增長幅度趨于穩(wěn)定。在第四組、第五組實驗中,識別準確率較好,準確率分別達到87.34%和87.47%。考慮到準確率增長趨于穩(wěn)定,過多增加采樣子圖像數(shù)量會造成計算量的增加,在后續(xù)實驗中,統(tǒng)一采用第四組采樣方法。

    3.2.2 CK+實驗結(jié)果

    提出的模型在CK+數(shù)據(jù)集上的混淆矩陣結(jié)果如圖5所示。對于快樂、悲傷、憤怒、厭惡、驚訝和恐懼六種表情,識別準確率都在95%以上。識別準確率最低的表情“蔑視”也達到了94%,對于“快樂”“驚訝”這兩種特征比較明顯的表情,識別率達到了99%以上。

    圖5 CK+混淆矩陣Fig.5 Confusion matrix of CK+

    所提出的模型與其他主流方法在CK+數(shù)據(jù)集上進行了對比,實驗結(jié)果如表2所示。可以看到,本文所提出的模型在CK+數(shù)據(jù)集的準確率為98.46%。與Gabor[10]、WLS-RF[11]、pACNN[13]、SCAN[15]四種方法相比分別高出6.27、4.16、1.43、1.15個百分點??梢钥吹剑疚奶岢龅腜yConv-Attention Network在實驗室數(shù)據(jù)集上的識別取得了較為滿意的準確率。

    表2 CK+數(shù)據(jù)集上的實驗對比Table 2 Experimental comparison of CK+database

    3.2.3 RAF-DB實驗結(jié)果

    圖6是在數(shù)據(jù)集RAF-DB的混淆矩陣,結(jié)果表明,該方法對“快樂”“中性”“驚訝”和“悲傷”四種特征明顯的表情識別準確率較高。而對于外觀變化并不明顯的表情“恐懼”和“厭惡”兩種表情識別率為79%和80%,對于“驚訝”“快樂”“中立”等表情的識別準確率較高。

    圖6 RAF-DB混淆矩陣Fig.6 Confusion matrix of RAF-DB

    表3是RAF-DB數(shù)據(jù)集上與其他方法的對比結(jié)果。本文方法取得了87.34%的準確率,僅次于DACL[18]深層注意力中心損失方法。與方法gACNN[13]和RAN[17]相比,本文模型在關(guān)注圖像重要區(qū)域的同時,通過金字塔卷積網(wǎng)絡(luò)進行特征提取,這樣使得網(wǎng)絡(luò)提取到多尺度特征。和WGAN[9]相比,本文方法不依賴人臉的關(guān)鍵點檢測,可有效避免因關(guān)鍵點檢測有誤對表情識別造成的影響。

    表3 RAF-DB數(shù)據(jù)集上的實驗對比Table 3 Experimental comparison of RAF-DB database

    3.2.4 AffectNet實驗結(jié)果

    圖7是在AffectNet數(shù)據(jù)集上對八種表情識別的實驗結(jié)果,由于數(shù)據(jù)量大且每類表情圖像數(shù)量不均衡,這是實驗中最具有挑戰(zhàn)性的數(shù)據(jù)集。實驗結(jié)果中,只有“快樂”取得了80%以上的準確率,其次是“恐懼”和“中立”識別效果較好,而“蔑視”表情為44%的識別準確率。

    圖7 AffectNet混淆矩陣Fig.7 Confusion matrix of AffectNet

    表4是AffectNet數(shù)據(jù)集上對表情識別的對比情況,本文在所有對比方法中,與EPI[8]、gACNN[13]、RAN[17]、WGAN[9]相比,準確率分別提高了4.03、1.67、0.95、0.72個百分點。本文提出的方法在RAF-DB和AffectNet兩個數(shù)據(jù)集上,與gACNN[13]、RAN[17]、WGAN[9]三種方法相比,均有不同程度的領(lǐng)先。EPI[8]提出的特征重建網(wǎng)絡(luò),會丟失一些重要的細節(jié)特征或者將原始表情圖像重建為其他表情圖像,因此效果和其他方法相比較差。從本文方法在三個公開數(shù)據(jù)集上的表現(xiàn)以及與現(xiàn)有方法的對比分析結(jié)果來看,本文提出的方法具有一定的先進性。

    表4 AffectNet數(shù)據(jù)集上的實驗對比Table 4 Experimental comparison of AffectNet database

    3.2.5 消融實驗

    本文方法包括金字塔卷積模塊和全局注意力模塊兩個主要部分,為了分析不同部分對表情識別效果的影響,以CK+和RAF-DB數(shù)據(jù)集為例進行消融實驗。

    本小節(jié)設(shè)置僅使用ResNet50網(wǎng)絡(luò),與分別加入全局注意力和金字塔卷積的模型進行對比實驗,分析兩個模塊對識別性能的影響,在CK+和RAF-DB兩個數(shù)據(jù)集的實驗結(jié)果如表5所示。可以看出相較于ResNet50基線網(wǎng)絡(luò),加入全局注意力和金字塔卷積在兩個數(shù)據(jù)集中識別準確率都有一定提升。通過添加注意力機制,促使網(wǎng)絡(luò)關(guān)注特征明顯的子圖像,識別準確率相較于ResNet50基線網(wǎng)絡(luò)在CK+和RAF-DB數(shù)據(jù)集有3.23和6.18個百分點的提升。金字塔卷積通過集成不同尺度的卷積核獲取信息豐富的多尺度特征,使網(wǎng)絡(luò)學(xué)習(xí)不同表情中的細微差異,相較于基線網(wǎng)絡(luò)在CK+和RAF-DB有2.12和4.41個百分點的提升。全局注意力與金字塔卷積的共同作用在CK+和RAF-DB數(shù)據(jù)集上相較于基線網(wǎng)絡(luò)分別提高了4.87和8.8個百分點的準確率,說明了本文方法的有效性。

    表5 CK+和RAF-DB數(shù)據(jù)集消融實驗結(jié)果Table 5 Ablation experimental results of CK+and RAF-DB databases

    4 結(jié)語

    本文以殘差網(wǎng)絡(luò)作為基礎(chǔ)框架,設(shè)計了融合金字塔卷積和全局注意力的人臉表情識別模型。金字塔卷積能夠?qū)W習(xí)到多尺度的特征信息,提高模型的非線性表達能力;注意力機制能夠使網(wǎng)絡(luò)更多關(guān)注重要特征信息,抑制噪聲干擾。所提模型在CK+、RAF-DB、AffectNet三個公開表情數(shù)據(jù)集上分別取得了98.46%,87.34%,60.45%的準確率,結(jié)果優(yōu)于諸多人臉表情識別方法。后續(xù)工作中,將對模型結(jié)構(gòu)繼續(xù)進行優(yōu)化,以進一步提高模型的表情識效果。

    猜你喜歡
    集上金字塔人臉
    “金字塔”
    A Study of the Pit-Aided Construction of Egyptian Pyramids
    有特點的人臉
    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
    海上有座“金字塔”
    三國漫——人臉解鎖
    動漫星空(2018年9期)2018-10-26 01:17:14
    復(fù)扇形指標(biāo)集上的分布混沌
    神秘金字塔
    童話世界(2017年11期)2017-05-17 05:28:25
    馬面部與人臉相似度驚人
    日本五十路高清| bbb黄色大片| 日本vs欧美在线观看视频| 国产人伦9x9x在线观看| 成年版毛片免费区| 国产又爽黄色视频| 午夜福利,免费看| 黄色视频不卡| 中文字幕人妻丝袜一区二区| 国产一卡二卡三卡精品| 国产精品国产av在线观看| 啦啦啦 在线观看视频| 欧美日韩亚洲综合一区二区三区_| 中文字幕人妻丝袜制服| 高清欧美精品videossex| 一级黄色大片毛片| 久久国产精品影院| 美女视频免费永久观看网站| 国产精品久久久av美女十八| 少妇被粗大的猛进出69影院| 捣出白浆h1v1| 国产一区二区三区在线臀色熟女 | 国产男靠女视频免费网站| 一a级毛片在线观看| 人人妻人人爽人人添夜夜欢视频| 国产成人精品在线电影| 亚洲国产精品一区二区三区在线| 国产成人影院久久av| 日韩有码中文字幕| 婷婷丁香在线五月| 精品久久久久久久久久免费视频 | 午夜成年电影在线免费观看| 国产精品98久久久久久宅男小说| 两个人免费观看高清视频| 大型av网站在线播放| 久久草成人影院| 国产在视频线精品| 亚洲国产毛片av蜜桃av| а√天堂www在线а√下载 | 国产精品综合久久久久久久免费 | 1024香蕉在线观看| 国产高清激情床上av| 在线观看免费视频网站a站| 好看av亚洲va欧美ⅴa在| 丝袜在线中文字幕| 亚洲第一av免费看| 成人国产一区最新在线观看| 国产又爽黄色视频| 亚洲精品美女久久av网站| 黑丝袜美女国产一区| 18禁裸乳无遮挡免费网站照片 | 国产精品国产av在线观看| 性色av乱码一区二区三区2| 丝袜美腿诱惑在线| 色婷婷av一区二区三区视频| 亚洲国产中文字幕在线视频| 韩国av一区二区三区四区| 国产亚洲一区二区精品| 亚洲av成人不卡在线观看播放网| 中文字幕人妻丝袜一区二区| 欧美日韩乱码在线| 黄片大片在线免费观看| 女警被强在线播放| 久久久久国产一级毛片高清牌| 国产日韩一区二区三区精品不卡| 好看av亚洲va欧美ⅴa在| 午夜两性在线视频| 一区二区三区激情视频| 午夜精品国产一区二区电影| 日韩欧美国产一区二区入口| 国产xxxxx性猛交| 美女高潮喷水抽搐中文字幕| 叶爱在线成人免费视频播放| 欧美精品人与动牲交sv欧美| av福利片在线| 校园春色视频在线观看| 熟女少妇亚洲综合色aaa.| 一级毛片女人18水好多| 亚洲熟妇中文字幕五十中出 | 久久国产精品男人的天堂亚洲| 18禁国产床啪视频网站| 一二三四社区在线视频社区8| 久久天堂一区二区三区四区| 天堂√8在线中文| a级毛片在线看网站| 三级毛片av免费| 国产精品免费大片| 丰满迷人的少妇在线观看| 精品高清国产在线一区| av免费在线观看网站| 国产精品影院久久| 极品少妇高潮喷水抽搐| 久久人人爽av亚洲精品天堂| 9191精品国产免费久久| 亚洲午夜精品一区,二区,三区| 久热爱精品视频在线9| 18禁观看日本| 精品视频人人做人人爽| 国产精品国产av在线观看| 国产免费现黄频在线看| 在线观看午夜福利视频| 国产精品秋霞免费鲁丝片| 国内久久婷婷六月综合欲色啪| 热re99久久国产66热| 在线观看免费视频日本深夜| 亚洲国产毛片av蜜桃av| 欧美日本中文国产一区发布| 免费人成视频x8x8入口观看| 免费在线观看亚洲国产| 中文字幕最新亚洲高清| 色婷婷久久久亚洲欧美| 日本五十路高清| 久久久久精品人妻al黑| 久热爱精品视频在线9| 婷婷成人精品国产| 午夜精品国产一区二区电影| 欧美av亚洲av综合av国产av| 亚洲男人天堂网一区| 久久99一区二区三区| 成人国语在线视频| 免费一级毛片在线播放高清视频 | 亚洲av日韩在线播放| 午夜老司机福利片| 50天的宝宝边吃奶边哭怎么回事| 欧美日韩av久久| tube8黄色片| 免费高清在线观看日韩| 国产成人免费观看mmmm| 精品福利观看| 久久久国产精品麻豆| 成人国语在线视频| 999久久久精品免费观看国产| av有码第一页| 成熟少妇高潮喷水视频| 纯流量卡能插随身wifi吗| 国产精品av久久久久免费| 国产男女内射视频| 久久久久久久国产电影| 天天操日日干夜夜撸| 久久ye,这里只有精品| 免费在线观看影片大全网站| 欧美激情高清一区二区三区| 两个人看的免费小视频| 波多野结衣av一区二区av| 国产精品 国内视频| 亚洲欧美日韩高清在线视频| 国产xxxxx性猛交| 日韩人妻精品一区2区三区| 国产精品一区二区在线不卡| 久久人人97超碰香蕉20202| 精品国产乱码久久久久久男人| 欧美另类亚洲清纯唯美| 999久久久国产精品视频| 性色av乱码一区二区三区2| 亚洲欧洲精品一区二区精品久久久| 欧美亚洲日本最大视频资源| 国产伦人伦偷精品视频| 亚洲精品久久午夜乱码| 精品一区二区三卡| 美女 人体艺术 gogo| 国产精品乱码一区二三区的特点 | 免费看a级黄色片| 免费人成视频x8x8入口观看| 高潮久久久久久久久久久不卡| av天堂在线播放| 99国产精品一区二区蜜桃av | 天天添夜夜摸| 久久人妻av系列| 悠悠久久av| videosex国产| 久久精品国产99精品国产亚洲性色 | av天堂久久9| 丝袜在线中文字幕| 丝袜美腿诱惑在线| av天堂久久9| 12—13女人毛片做爰片一| 国产男女超爽视频在线观看| 99久久综合精品五月天人人| 久久香蕉精品热| 老汉色av国产亚洲站长工具| 黄色片一级片一级黄色片| 午夜91福利影院| 99re在线观看精品视频| 国产精品偷伦视频观看了| 亚洲中文日韩欧美视频| 欧美精品高潮呻吟av久久| 精品福利永久在线观看| 中文字幕av电影在线播放| videos熟女内射| 高清黄色对白视频在线免费看| 搡老乐熟女国产| 国产欧美日韩一区二区三区在线| 亚洲性夜色夜夜综合| 中出人妻视频一区二区| 亚洲专区国产一区二区| 午夜福利一区二区在线看| 午夜福利在线免费观看网站| 一个人免费在线观看的高清视频| 亚洲黑人精品在线| 久久香蕉激情| 国产区一区二久久| 国产人伦9x9x在线观看| 91在线观看av| av天堂在线播放| 国产一区二区激情短视频| 国产成人影院久久av| 99久久综合精品五月天人人| 午夜91福利影院| 天天躁夜夜躁狠狠躁躁| 在线永久观看黄色视频| 亚洲av日韩在线播放| 国产成人免费观看mmmm| 两个人看的免费小视频| 动漫黄色视频在线观看| 高清视频免费观看一区二区| 久久午夜亚洲精品久久| xxxhd国产人妻xxx| 午夜福利视频在线观看免费| 一进一出抽搐动态| 午夜两性在线视频| av网站免费在线观看视频| 真人做人爱边吃奶动态| 午夜福利一区二区在线看| 18禁黄网站禁片午夜丰满| 欧美日韩av久久| 国产精品.久久久| 成人国语在线视频| 亚洲专区中文字幕在线| 中国美女看黄片| 午夜91福利影院| 午夜福利,免费看| 精品久久蜜臀av无| 人人妻,人人澡人人爽秒播| 母亲3免费完整高清在线观看| 一区二区三区国产精品乱码| 亚洲成av片中文字幕在线观看| 成年女人毛片免费观看观看9 | 欧美精品人与动牲交sv欧美| 99久久99久久久精品蜜桃| 国产精品久久久人人做人人爽| 精品国产一区二区久久| 亚洲专区国产一区二区| 一进一出好大好爽视频| 中文字幕另类日韩欧美亚洲嫩草| a在线观看视频网站| 久久热在线av| 亚洲色图av天堂| 国产又色又爽无遮挡免费看| 最近最新中文字幕大全免费视频| 亚洲综合色网址| 色老头精品视频在线观看| 国产成人系列免费观看| 午夜亚洲福利在线播放| 亚洲精品国产一区二区精华液| 侵犯人妻中文字幕一二三四区| 午夜福利,免费看| 无人区码免费观看不卡| 无限看片的www在线观看| 精品视频人人做人人爽| 18禁裸乳无遮挡免费网站照片 | 啪啪无遮挡十八禁网站| 日韩精品免费视频一区二区三区| 欧美激情高清一区二区三区| 国产精品久久电影中文字幕 | 天天躁狠狠躁夜夜躁狠狠躁| 亚洲黑人精品在线| 午夜成年电影在线免费观看| 在线观看免费视频日本深夜| 精品一区二区三卡| 国产午夜精品久久久久久| 午夜精品久久久久久毛片777| 最近最新中文字幕大全电影3 | 黑人巨大精品欧美一区二区mp4| 国产91精品成人一区二区三区| 男人的好看免费观看在线视频 | 免费观看a级毛片全部| 啦啦啦在线免费观看视频4| 国产在线一区二区三区精| 性色av乱码一区二区三区2| 法律面前人人平等表现在哪些方面| 国产精品1区2区在线观看. | 欧美日韩一级在线毛片| 一级毛片女人18水好多| 国产男靠女视频免费网站| 亚洲黑人精品在线| 色综合欧美亚洲国产小说| 下体分泌物呈黄色| 高潮久久久久久久久久久不卡| 悠悠久久av| 一个人免费在线观看的高清视频| 精品午夜福利视频在线观看一区| av免费在线观看网站| 91精品三级在线观看| 精品熟女少妇八av免费久了| 色播在线永久视频| 日韩欧美国产一区二区入口| 免费在线观看影片大全网站| 人人妻人人爽人人添夜夜欢视频| 国产精品秋霞免费鲁丝片| a级毛片黄视频| 国产精品二区激情视频| 成人黄色视频免费在线看| 一级毛片高清免费大全| 自线自在国产av| 国产成人精品在线电影| 久久久久国产一级毛片高清牌| 亚洲精品成人av观看孕妇| 久久久水蜜桃国产精品网| 十分钟在线观看高清视频www| 午夜激情av网站| 午夜福利,免费看| 国产精品欧美亚洲77777| 久久国产精品男人的天堂亚洲| 日韩一卡2卡3卡4卡2021年| 久久婷婷成人综合色麻豆| 国产成人影院久久av| 欧美日韩精品网址| 亚洲五月天丁香| 亚洲va日本ⅴa欧美va伊人久久| 久久久久久久午夜电影 | 可以免费在线观看a视频的电影网站| 久久精品国产综合久久久| 免费女性裸体啪啪无遮挡网站| 黄色片一级片一级黄色片| 色播在线永久视频| 国产真人三级小视频在线观看| 啪啪无遮挡十八禁网站| 免费在线观看日本一区| 极品少妇高潮喷水抽搐| 亚洲精品中文字幕一二三四区| 多毛熟女@视频| 国产成人欧美| 少妇裸体淫交视频免费看高清 | 老熟女久久久| 一级,二级,三级黄色视频| 两性午夜刺激爽爽歪歪视频在线观看 | 国产精品国产av在线观看| 久久久国产一区二区| 亚洲成人免费av在线播放| 极品人妻少妇av视频| 欧美+亚洲+日韩+国产| 69精品国产乱码久久久| 18禁观看日本| 热99re8久久精品国产| 国产欧美日韩一区二区三区在线| 国产成人av教育| 亚洲专区中文字幕在线| 国产麻豆69| 18禁观看日本| 精品一区二区三区四区五区乱码| av中文乱码字幕在线| 一区在线观看完整版| 建设人人有责人人尽责人人享有的| 母亲3免费完整高清在线观看| 免费一级毛片在线播放高清视频 | 亚洲成人免费电影在线观看| 久久人妻福利社区极品人妻图片| 丝袜美足系列| 天天添夜夜摸| 中文字幕精品免费在线观看视频| 最近最新中文字幕大全免费视频| 午夜激情av网站| 大型av网站在线播放| 欧美精品啪啪一区二区三区| 男女免费视频国产| 老熟妇乱子伦视频在线观看| 亚洲熟妇中文字幕五十中出 | 精品卡一卡二卡四卡免费| 国产精品综合久久久久久久免费 | 国产亚洲欧美精品永久| 久久婷婷成人综合色麻豆| 满18在线观看网站| 精品一区二区三区av网在线观看| 一进一出好大好爽视频| 国产日韩一区二区三区精品不卡| 一二三四社区在线视频社区8| 精品国产乱子伦一区二区三区| 99re6热这里在线精品视频| 久久人人爽av亚洲精品天堂| 亚洲精品粉嫩美女一区| 国产成人免费无遮挡视频| 日韩熟女老妇一区二区性免费视频| 日日爽夜夜爽网站| 露出奶头的视频| 99久久99久久久精品蜜桃| 黑丝袜美女国产一区| 9191精品国产免费久久| 久久人妻福利社区极品人妻图片| 欧美激情久久久久久爽电影 | 免费高清在线观看日韩| 中文字幕精品免费在线观看视频| 免费人成视频x8x8入口观看| 麻豆乱淫一区二区| 久久午夜亚洲精品久久| 成人国产一区最新在线观看| e午夜精品久久久久久久| 日本五十路高清| 久久久国产成人精品二区 | 亚洲av第一区精品v没综合| 欧美国产精品va在线观看不卡| 亚洲av第一区精品v没综合| 欧美日韩瑟瑟在线播放| 国产精品 国内视频| 麻豆乱淫一区二区| 一级作爱视频免费观看| 亚洲少妇的诱惑av| 国产亚洲欧美精品永久| 亚洲成人国产一区在线观看| 亚洲色图综合在线观看| 亚洲av电影在线进入| 国产在视频线精品| 亚洲av熟女| av免费在线观看网站| 高清毛片免费观看视频网站 | 亚洲美女黄片视频| 亚洲综合色网址| 两个人免费观看高清视频| 91大片在线观看| 十八禁网站免费在线| 国产99久久九九免费精品| 国产亚洲欧美在线一区二区| 99久久99久久久精品蜜桃| 日韩三级视频一区二区三区| 制服人妻中文乱码| 亚洲国产看品久久| 又大又爽又粗| 99久久99久久久精品蜜桃| 亚洲成av片中文字幕在线观看| 精品午夜福利视频在线观看一区| 成人av一区二区三区在线看| 亚洲精华国产精华精| 欧美日韩国产mv在线观看视频| 午夜福利,免费看| 国产精品欧美亚洲77777| 大型黄色视频在线免费观看| 国产黄色免费在线视频| 欧美亚洲日本最大视频资源| 免费在线观看亚洲国产| 欧美在线黄色| 久久ye,这里只有精品| 欧美黑人欧美精品刺激| 9191精品国产免费久久| 交换朋友夫妻互换小说| 国产99白浆流出| 国产成人av教育| tube8黄色片| 国产精品欧美亚洲77777| 人人妻人人爽人人添夜夜欢视频| 色播在线永久视频| 交换朋友夫妻互换小说| 国产一区二区三区视频了| 黄色片一级片一级黄色片| 国产在线一区二区三区精| 热99re8久久精品国产| 成人av一区二区三区在线看| 青草久久国产| 大码成人一级视频| 国产男靠女视频免费网站| 国产97色在线日韩免费| 好男人电影高清在线观看| 久久香蕉激情| 老汉色∧v一级毛片| 国产精品一区二区在线观看99| 国产欧美日韩综合在线一区二区| 热re99久久精品国产66热6| 51午夜福利影视在线观看| 热re99久久国产66热| 国产欧美日韩精品亚洲av| 欧美黄色淫秽网站| 午夜影院日韩av| 欧美黄色淫秽网站| 久久久精品区二区三区| 大型av网站在线播放| 亚洲va日本ⅴa欧美va伊人久久| 国产亚洲精品久久久久5区| 亚洲中文日韩欧美视频| 亚洲精品粉嫩美女一区| 国产国语露脸激情在线看| 水蜜桃什么品种好| 欧美在线一区亚洲| 老熟妇乱子伦视频在线观看| 男女之事视频高清在线观看| 中文字幕精品免费在线观看视频| 国产免费现黄频在线看| 国产精品一区二区在线不卡| av视频免费观看在线观看| 亚洲第一欧美日韩一区二区三区| 亚洲欧美色中文字幕在线| 久久久国产成人精品二区 | 欧美日韩国产mv在线观看视频| 中文字幕人妻丝袜一区二区| 久久 成人 亚洲| 精品久久久久久久毛片微露脸| 一级毛片高清免费大全| 国产成人精品在线电影| 亚洲精品久久午夜乱码| 亚洲精品美女久久av网站| 国产1区2区3区精品| 一个人免费在线观看的高清视频| 国产亚洲精品一区二区www | 亚洲国产精品合色在线| 亚洲av日韩在线播放| 岛国在线观看网站| 亚洲一区二区三区欧美精品| 欧美不卡视频在线免费观看 | 亚洲熟妇熟女久久| 亚洲情色 制服丝袜| 久久久水蜜桃国产精品网| 国产精品久久电影中文字幕 | 在线观看免费日韩欧美大片| 国产乱人伦免费视频| 电影成人av| 曰老女人黄片| 国产精品 国内视频| 精品久久久久久久久久免费视频 | 很黄的视频免费| 老熟妇仑乱视频hdxx| 嫁个100分男人电影在线观看| 女性被躁到高潮视频| 亚洲国产精品一区二区三区在线| 成人精品一区二区免费| 啦啦啦 在线观看视频| 免费在线观看日本一区| 天堂√8在线中文| 亚洲色图综合在线观看| 国产欧美亚洲国产| av国产精品久久久久影院| 日本黄色日本黄色录像| 我的亚洲天堂| 日韩欧美一区视频在线观看| 大码成人一级视频| 国产一区在线观看成人免费| 狂野欧美激情性xxxx| 十八禁高潮呻吟视频| 日本撒尿小便嘘嘘汇集6| 国产欧美日韩一区二区三区在线| 69精品国产乱码久久久| 999久久久国产精品视频| 三级毛片av免费| av天堂在线播放| 国产精品亚洲av一区麻豆| 精品一区二区三卡| 成人18禁高潮啪啪吃奶动态图| 老司机影院毛片| 欧美精品啪啪一区二区三区| 亚洲色图 男人天堂 中文字幕| 亚洲欧美色中文字幕在线| 高潮久久久久久久久久久不卡| 亚洲精品中文字幕一二三四区| 国产成人欧美| 美女扒开内裤让男人捅视频| 日韩熟女老妇一区二区性免费视频| 777久久人妻少妇嫩草av网站| 国产欧美日韩综合在线一区二区| 两个人免费观看高清视频| 色播在线永久视频| 18禁裸乳无遮挡免费网站照片 | 国产精品久久视频播放| 亚洲av成人不卡在线观看播放网| 国产高清videossex| 99国产综合亚洲精品| 亚洲中文字幕日韩| 老司机午夜福利在线观看视频| 日本黄色日本黄色录像| 手机成人av网站| 三级毛片av免费| 1024香蕉在线观看| 国产精品久久久久成人av| 欧美成狂野欧美在线观看| 一级a爱片免费观看的视频| 国产精品电影一区二区三区 | ponron亚洲| √禁漫天堂资源中文www| 精品久久久久久久毛片微露脸| 亚洲成人免费电影在线观看| 狂野欧美激情性xxxx| 日韩三级视频一区二区三区| 国产精品1区2区在线观看. | 午夜精品国产一区二区电影| 国产精品欧美亚洲77777| 国产男女超爽视频在线观看| 激情视频va一区二区三区| 自拍欧美九色日韩亚洲蝌蚪91| 亚洲精品美女久久av网站| 亚洲精品一卡2卡三卡4卡5卡| 99热网站在线观看| 久久久精品免费免费高清| 中文字幕最新亚洲高清| 久久久水蜜桃国产精品网| 国产成+人综合+亚洲专区| 一边摸一边抽搐一进一小说 | 搡老乐熟女国产| 一夜夜www| 国产精品综合久久久久久久免费 | 母亲3免费完整高清在线观看| 亚洲精品在线观看二区| 国产在线精品亚洲第一网站| 18禁美女被吸乳视频| 大型黄色视频在线免费观看| 久久午夜综合久久蜜桃| 五月开心婷婷网| 亚洲熟女毛片儿| 亚洲第一欧美日韩一区二区三区| 五月开心婷婷网| 黄网站色视频无遮挡免费观看| 自拍欧美九色日韩亚洲蝌蚪91| 久久精品人人爽人人爽视色| 丰满饥渴人妻一区二区三| 91麻豆av在线| 一个人免费在线观看的高清视频| 妹子高潮喷水视频| √禁漫天堂资源中文www| 国产有黄有色有爽视频| 久久久久久人人人人人| 欧美大码av|