• <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 ?

    基于條件對(duì)抗網(wǎng)和層次特征融合的目標(biāo)跟蹤

    2022-12-06 10:34:38單玉剛
    關(guān)鍵詞:特征融合模型

    張 磊,單玉剛,袁 杰

    1.新疆大學(xué) 電氣工程學(xué)院,烏魯木齊 830001

    2.湖北文理學(xué)院 教育學(xué)院,湖北 襄陽 441053

    目標(biāo)跟蹤是計(jì)算機(jī)視覺領(lǐng)域一個(gè)重要的研究方向,它在視頻監(jiān)控、人機(jī)交互等方面得到廣泛應(yīng)用[1]。現(xiàn)在目標(biāo)跟蹤仍面臨很多挑戰(zhàn),當(dāng)跟蹤目標(biāo)的外觀變化和背景干擾等復(fù)雜情況發(fā)生時(shí),易導(dǎo)致跟蹤失敗。因此,仍需深入研究準(zhǔn)確率和穩(wěn)健性更高的算法。

    隨著深度學(xué)習(xí)的發(fā)展,基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的目標(biāo)跟蹤方法引起了國內(nèi)外專家學(xué)者的關(guān)注?;贑NN的目標(biāo)跟蹤通常有三種方法。第一種方法是深度學(xué)習(xí)與相關(guān)濾波相結(jié)合,這種方法將CNN提取的特征與相關(guān)濾波框架結(jié)合,比如ECO[2]、CCOT[3]。第二種方法使用CNN的跟蹤框架,首先在離線狀態(tài)下對(duì)網(wǎng)絡(luò)進(jìn)行預(yù)訓(xùn)練,在線運(yùn)行時(shí)再進(jìn)行調(diào)整,比如DLT[4]算法。第三種方法是使用孿生網(wǎng)絡(luò),比如SiamFC[5]、SiamRPN[6]、SiamMask[7]等。由于孿生網(wǎng)絡(luò)的子網(wǎng)共享權(quán)重,加快了訓(xùn)練和檢測速度,而且子網(wǎng)使用相同的模型處理輸入,適用于圖像匹配。因此,基于孿生網(wǎng)絡(luò)目標(biāo)跟蹤成為當(dāng)前目標(biāo)跟蹤領(lǐng)域研究熱點(diǎn)。SiamFC使用AlexNet作為骨干網(wǎng)的全卷積孿生網(wǎng)絡(luò)經(jīng)典算法,具有跟蹤精度高、速度快的特點(diǎn)。雙重孿生網(wǎng)絡(luò)SASiam[8],同時(shí)提取外觀特征和語義特征,可以更好地刻畫目標(biāo)特征。SiamRPN使用候選區(qū)域生成網(wǎng)絡(luò)(RPN)提升了尺度變化場景下跟蹤器的表現(xiàn)。SiamRPN++[9]引入通道互相關(guān)操作,為了保持網(wǎng)絡(luò)的平移不變性,使用空間感知采樣策略。SiamDW[10]提出一種由CIR殘差單元組成的深度網(wǎng)絡(luò),將SiamFC和SiamRPN的主網(wǎng)絡(luò)替換為更深層的網(wǎng)絡(luò),獲取到更豐富的特征信息。SiamMask實(shí)時(shí)進(jìn)行目標(biāo)跟蹤和半監(jiān)督視頻對(duì)象分割。TransT[11]借鑒Transformer結(jié)構(gòu)改進(jìn)傳統(tǒng)孿生網(wǎng)絡(luò)中的特征融合操作,利用Transformer中的注意力機(jī)制將模板信息融合到搜索區(qū)域中,以便更好地進(jìn)行目標(biāo)定位和尺度回歸。

    全卷積孿生網(wǎng)絡(luò)SiamFC存在兩個(gè)問題。第一,在快速移動(dòng)的情況下,跟蹤器的定位能力不足,當(dāng)目標(biāo)劇烈運(yùn)動(dòng)時(shí),容易造成圖像模糊,SiamFC網(wǎng)絡(luò)難以提取到目標(biāo)的有效特征,易導(dǎo)致跟蹤失敗。第二,作為它的骨干網(wǎng)絡(luò),改進(jìn)的AlexNet[12]作為SiamFC的骨干網(wǎng)絡(luò),其深度較淺,僅使用深層特征,特征提取能力不強(qiáng)。

    為解決這兩個(gè)問題,本文提出一種基于條件對(duì)抗網(wǎng)和層次特征融合的目標(biāo)跟蹤算法。針對(duì)當(dāng)目標(biāo)因跟蹤視頻序列分辨率較低時(shí),SiamFC的表征能力下降的問題,本文算法嵌入條件對(duì)抗生成網(wǎng)絡(luò)模型(DeblurGANv2)[13],提高圖像的分辨率,以獲得更為有效的特征,增強(qiáng)算法在低分辨率情況下的跟蹤效果。針對(duì)SiamFC骨干網(wǎng)絡(luò)信息表達(dá)能力不強(qiáng)的問題。首先,將SiamFC骨干網(wǎng)絡(luò)AlexNet網(wǎng)絡(luò)替換為具有19個(gè)卷積層的改進(jìn)型VGG-19[14]深度網(wǎng)絡(luò)。其次,在網(wǎng)絡(luò)的淺層,提取高分辨率特征,其包含有效的位置信息;再選取一個(gè)中層特征用于融合;然后,在網(wǎng)絡(luò)的高層,采集豐富的語義信息;最后,將三層特征信息進(jìn)行加權(quán)融合,使跟蹤器可以獲得更為豐富的位置信息。

    1 基于全卷積孿生網(wǎng)絡(luò)的目標(biāo)跟蹤

    SiamFC包括權(quán)重共享的兩個(gè)輸入分支,模板分支和搜索分支。模板圖像和搜索圖像分別被裁剪后輸入網(wǎng)絡(luò),經(jīng)過一個(gè)全卷積無填充的AlexNet,提取圖像特征,通過互相關(guān)操作得到響應(yīng)得分圖。響應(yīng)得分圖通過匹配函數(shù)計(jì)算預(yù)測分?jǐn)?shù),函數(shù)表示如下:

    式中,x是搜索圖像;z是模板圖像;f(z,x)是兩者的相似度得分;變換?(·)是卷積相關(guān)性計(jì)算;*表示互相關(guān)運(yùn)算;b表示偏置項(xiàng)。

    訓(xùn)練階段的損失函數(shù)定義為:

    其中,D表示響應(yīng)圖共有多少個(gè)位置;y[]u是響應(yīng)圖在位置u的具體真實(shí)標(biāo)簽值,y[u]∈{+1,-1};v[u]表示響應(yīng)圖在位置u的預(yù)測值;l(·)表示損失函數(shù),定義為:

    在SiamFC算法中為了最小化損失函數(shù),采用了隨機(jī)梯度下降法(SGD),以獲得最優(yōu)化模型參數(shù)θ。

    2 基于條件對(duì)抗網(wǎng)和層次特征融合的目標(biāo)跟蹤

    本文在SiamFC算法的基礎(chǔ)上提出基于條件對(duì)抗網(wǎng)和層次特征融合的目標(biāo)跟蹤框架。首先,輸入圖像輸入基于條件對(duì)抗網(wǎng)實(shí)現(xiàn)去模糊化;然后,經(jīng)過多層卷積特征融合后,進(jìn)行互相關(guān)操作后得響應(yīng)得分圖;取最大的得分位置,即是目標(biāo)位置。使用條件對(duì)抗網(wǎng)絡(luò)實(shí)現(xiàn)圖像去模糊化,提高了對(duì)目標(biāo)定位能力,和對(duì)小目標(biāo)的辨別能力;低層特征包含更多空間信息,有助于目標(biāo)定位,高層特征包含目標(biāo)更多語義信息,有助于適應(yīng)目標(biāo)形變,通過多特征融合提高了目標(biāo)表征能力。改進(jìn)后的網(wǎng)絡(luò)將會(huì)提高在復(fù)雜環(huán)境下目標(biāo)跟蹤精度,增強(qiáng)了目標(biāo)跟蹤魯棒性。算法跟蹤框架如圖1所示。

    圖1 本文算法跟蹤框架Fig.1 Framework of propsed method

    2.1 條件對(duì)抗生成網(wǎng)絡(luò)模型

    近些年來,生成對(duì)抗網(wǎng)絡(luò)GAN[15]在圖像生成領(lǐng)域得到廣泛應(yīng)用。GAN由生成器和判別器兩部分組成。生成器采集數(shù)據(jù)并生成觀測數(shù)據(jù),判別器判別輸入數(shù)據(jù)是否是真實(shí)數(shù)據(jù)。由于GAN存在梯度發(fā)散問題,會(huì)產(chǎn)生噪聲,影響圖像重建。結(jié)合GAN和多元內(nèi)容損失來構(gòu)建用于模糊移除的條件對(duì)抗生成(DeblurGAN-v2)模型,相比于CGAN等圖像重建模型,DeblurGAN-v2模型對(duì)圖像去模糊的精確率更高[13]。本文采用DeblurGAN-v2模型對(duì)SiamFC進(jìn)行改進(jìn),使得跟蹤網(wǎng)絡(luò)能夠通過條件對(duì)抗生成網(wǎng)絡(luò)模型對(duì)低分率視頻幀進(jìn)行重建,提高圖像分辨率,從而提高跟蹤算法的精確度。

    對(duì)模糊圖像進(jìn)行重建的數(shù)學(xué)模型如下:

    其中,IB是模糊圖像,k(M)是模糊核,Is是清晰圖像,*代表卷積運(yùn)算,N是噪聲。本文對(duì)未知模糊核的計(jì)算采用卷積網(wǎng)絡(luò),模型基礎(chǔ)框架如圖2所示。網(wǎng)絡(luò)框架可以分為兩部分:生成器和判別器。當(dāng)輸入為模糊圖像時(shí),生成器可以生成清晰圖像,然后將生成的圖像輸入判別器,判別器判斷生成圖像的“真假”。若圖像為真,輸出生成后的圖像;若圖像為假,重新輸入生成器對(duì)圖像進(jìn)行重建。通過這種方式達(dá)到圖像去模糊的作用。

    圖2 條件對(duì)抗生成網(wǎng)絡(luò)模型基礎(chǔ)框架Fig.2 Basic framework of network model generated by conditional confrontation

    2.1.1 條件對(duì)抗網(wǎng)絡(luò)損失函數(shù)

    傳統(tǒng)GAN的訓(xùn)練過程十分不穩(wěn)定,判別器D使用的是sigmoid函數(shù),并且由于sigmoid函數(shù)飽和得十分迅速,sigmoid函數(shù)本質(zhì)上不會(huì)懲罰遠(yuǎn)離決策邊界的樣本,尤其是在最小化目標(biāo)函數(shù)時(shí)可能發(fā)生梯度彌散,使其很難再去更新生成器。而使用最小二乘GAN(LSGAN)作為判別器的損失函數(shù)可以解決這個(gè)問題,該損失有助于消除梯度消失,可以獲得更加平滑且非飽和的梯度,LSGAN表達(dá)式為:

    其中,D為判別器,G為生成器,x為真實(shí)數(shù)據(jù),z為歸一化噪聲,Pdata(x)為x服從的概率分布,Pz(z)為z服從的概率分布,Ex~Pdata(x)為期望值,Ez~Pz(z)同為期望值。

    本文所用的條件對(duì)抗生成網(wǎng)絡(luò)模型損失函數(shù)RaGAN-LS在LSGAN基礎(chǔ)上改進(jìn)而來,適配了相對(duì)判別器模型,它可以使得訓(xùn)練更快、更穩(wěn)定,同時(shí)生成的結(jié)果具有更高的感知質(zhì)量、更優(yōu)的銳度,該損失定義如下所示:

    構(gòu)建的損失函數(shù)定義如下:

    其中,LP表示mean-square-error(MSE),LX表示感知loss,表示內(nèi)容的損失,Ladv表示全局和局部的損失,全局表示整個(gè)圖片的損失,局部類比于PatchGAN,表示將整個(gè)圖片分塊為一個(gè)一個(gè)的70×70的局部圖片的損失。

    2.1.2 生成器和判別器網(wǎng)絡(luò)結(jié)構(gòu)

    為了更好地保證生成質(zhì)量,本文在生成器模型中使用feature pyramid network(FPN)結(jié)構(gòu)進(jìn)行特征融合。架構(gòu)由一個(gè)FPN骨干網(wǎng)組成,從中獲取五個(gè)不同尺度的最終特征圖作為輸出。這些特征被上采樣到輸入大小的1/4并連接成一個(gè)張量,其包含不同級(jí)別的語義信息。在網(wǎng)絡(luò)的最后添加一個(gè)上采樣層和一個(gè)卷積層來恢復(fù)清晰圖像和去偽影。輸入圖像歸一化到[-1,1],在輸出部分添加tanh激活以確保生成圖像的動(dòng)態(tài)范圍。FPN除具有多尺度特征匯聚功能外,它還在精度與效率之間取得均衡。本文在判別器模型中使用帶有最小開方損失(least-square loss)的相對(duì)判別器(relativistic discriminator),并且分別結(jié)合了全局(global(image))和局部(local(patch))2個(gè)尺度的判別loss。

    在上述框架基礎(chǔ)下,骨干網(wǎng)絡(luò)的選擇直接影響最終的去模糊質(zhì)量與效率。為了追求更高質(zhì)量,本文選用Inception-Resnet-v2作為對(duì)抗網(wǎng)的骨干網(wǎng)絡(luò)。本文采用的條件對(duì)抗生成模型結(jié)構(gòu)如圖3所示。

    圖3 條件對(duì)抗生成模型結(jié)構(gòu)Fig.3 Model structure of conditional confrontation generation

    2.2 孿生網(wǎng)絡(luò)結(jié)構(gòu)和參數(shù)

    為了提升本文算法的特征提取能力,本文算法使用改進(jìn)的VGG-19深度網(wǎng)絡(luò)作為骨干網(wǎng)絡(luò)[16]。因?yàn)橹苯佑肰GG網(wǎng)絡(luò)替換AlexNet網(wǎng)絡(luò)時(shí),引入的padding會(huì)形成位置bias[8],導(dǎo)致預(yù)測準(zhǔn)確度下降。針對(duì)padding帶來的干擾,對(duì)于Conv1、Conv2層,裁剪(crop1)其特征圖最外圍兩層,對(duì)于Conv3、Conv4、Conv5、Conv6層,裁剪其特征圖最外圍一層(crop2),可以有效消除padding給特征圖邊緣帶來的影響。在這里使用了一種快速、高效的池化方法Softpool[17]來替換常用的最大池化層(maxpool),Softpool以指數(shù)加權(quán)方法累加激活,與一系列其他池化方法相比,Softpool在下采樣激活映射中保留了更多的信息,可以獲得更好的圖像特征。綜合以上討論,本文網(wǎng)絡(luò)參數(shù)如表1所示。

    表1 骨干網(wǎng)絡(luò)參數(shù)Table 1 Backbone network parameters

    2.3 層次特征融合

    孿生網(wǎng)絡(luò)高層卷積特征具有更加豐富的語義信息,可以更好地區(qū)分不同對(duì)象;低層特征如邊緣、顏色、形狀等,包含更多的位置信息,可以幫助精確定位目標(biāo)位置。對(duì)多層次卷積特征進(jìn)行融合有助于提高算法的跟蹤精度[18-19]。本文提取Conv2、Conv4、Conv6三層特征。

    對(duì)提取到的不同層特征,高層分辨率較小,可以采用雙線性插值的方法,將其特征圖進(jìn)行擴(kuò)大,使各層的特征圖具有相同的尺寸,實(shí)現(xiàn)融合。雙線性插值可以描述為:

    其中,P"i表示第i幀的多層特征融合后的得分圖;wij表示第i幀第j層特征權(quán)重;Pij表示第i幀第j層響應(yīng)得分圖;j為需要融合的特征層序號(hào),并且j=2,4,6。

    層次特征融合的具體過程如下:

    (1)將視頻序列中第一幀圖像輸入模板分支。在Conv2層提取首幀位置特征,在Conv4層提取首幀中層特征,在Conv6層提取首幀語義特征

    (2)在視頻序列的后續(xù)幀i∈{1,2,…,N},將其輸入搜索分支。在Conv2層提取位置特征;Conv4層提取中層特征,在Conv6層提取語義特征

    (3)第i幀低層特征混合模板為,中層特征混合模板為,高層特征混合模板為使用自適應(yīng)模板更新公式,確定

    (4)將得到的混合模板作為響應(yīng)模板,分別計(jì)算響應(yīng)R1、R2、R3,對(duì)三個(gè)響應(yīng)使用自適應(yīng)權(quán)重進(jìn)行融合。

    (5)融合后的響應(yīng)圖中響應(yīng)值最高的位置為預(yù)測目標(biāo)位置。

    3 實(shí)驗(yàn)和分析

    為了驗(yàn)證本文算法有效性,使用OTB2015[20]和VOT2018[21]數(shù)據(jù)集作為驗(yàn)證集,與多個(gè)經(jīng)典跟蹤算法進(jìn)行對(duì)比,基于各種實(shí)驗(yàn)分析,可以看出本文算法具有優(yōu)秀的表現(xiàn)。

    3.1 實(shí)驗(yàn)環(huán)境

    本文算法使用Python語言在Pytorch框架下進(jìn)行實(shí)驗(yàn)。實(shí)驗(yàn)環(huán)境如表2所示。

    表2 實(shí)驗(yàn)環(huán)境Table 2 Experimental environment

    3.2 訓(xùn)練集

    訓(xùn)練階段,對(duì)于條件對(duì)抗生成網(wǎng)絡(luò)模型的訓(xùn)練,采用GoPro數(shù)據(jù)集,它包含2 013對(duì)模糊圖像和清晰圖像,全卷積孿生網(wǎng)絡(luò)跟蹤器的訓(xùn)練數(shù)據(jù)集選擇GOT-10k和ILSVRC2015-VID兩大公開標(biāo)準(zhǔn)數(shù)據(jù)集。GOT-10k數(shù)據(jù)集包含10 000個(gè)真實(shí)運(yùn)動(dòng)對(duì)象的視頻片段和超過150萬個(gè)手動(dòng)標(biāo)記的邊界框。ILSVRC2015-VID包含了30多種目標(biāo),擁有超過4 000個(gè)視頻,標(biāo)注的幀數(shù)超過100萬個(gè)。

    3.3 實(shí)驗(yàn)結(jié)果分析

    3.3.1 OTB2015定量分析

    OTB2015擁有100個(gè)人工標(biāo)注的視頻序列,包含有11種屬性,代表了當(dāng)前目標(biāo)跟蹤領(lǐng)域的常見難點(diǎn)。將本文算法與CFNet[22]、SiamDW、SiamRPN、SRDCF[23]、DeepSRDCF[24]、fDSST[25]、Staple[26]以及SiamFC具有代表性的跟蹤器進(jìn)行比較。

    如圖4所示,是本文算法與對(duì)比算法在OTB2015數(shù)據(jù)上的定量對(duì)比結(jié)果。本文算法的精確度達(dá)到85.6%,成功率達(dá)到63.7%,都優(yōu)于其他對(duì)比算法。與基準(zhǔn)算法SiamFC相比,本文算法明顯取得了很好的表現(xiàn),精確度較之提升了8.5個(gè)百分點(diǎn),成功率較之提升了5.5個(gè)百分點(diǎn)。

    圖4 不同算法在OTB2015數(shù)據(jù)集上的精確率與成功率對(duì)比圖Fig.4 Comparison of accuracy and success rates of different algorithms on OTB2015 datasets

    對(duì)于OTB2015數(shù)據(jù)集中各類難點(diǎn)屬性的結(jié)果如圖5所示,特別是對(duì)物體的低分辨率(low resolution)、快速運(yùn)動(dòng)(fast motion)、運(yùn)動(dòng)模糊(motion blur)等有很好的表現(xiàn),在精確率方面分別取得了0.933、0.832、0.849,進(jìn)一步證明了條件對(duì)抗生成網(wǎng)絡(luò)模型和多層特征融合在目標(biāo)跟蹤上的有效性。

    圖5 不同算法在11類挑戰(zhàn)下精確率的對(duì)比圖Fig.5 Comparison of accuracy rates of different alogorithms under 11 types of challenges

    3.3.2 OTB2015定性分析

    為了對(duì)比本文算法與其他優(yōu)秀算法的差異,選擇了OTB2015的測試結(jié)果進(jìn)行定性分析。測試結(jié)果如圖6所示,由上到下分別為Skating1、Coke、MotorRolling、Skiing、CarScale、Football視頻序列,六個(gè)視頻序列包含了光照變化、遮擋、運(yùn)動(dòng)模糊、低分辨率、尺度變化、相似背景干擾等六種挑戰(zhàn)場景。紅色為本文算法,綠色、藍(lán)色、黑色、粉色分別為SiamDW、SiamFC、CFNet、SiamRPN算法。

    圖6 在OTB2015不同視頻序列下各類算法跟蹤效果Fig.6 Tracking effect of various algorithms in different OTB2015 video sequences

    (1)光照變化:在Skating1視頻序列中,目標(biāo)快速移動(dòng),其中還包括了遮擋,光照變化等情況,對(duì)跟蹤過程造成了極大的影響。在第173幀左右,目標(biāo)被遮擋,各算法均出現(xiàn)了一定程度的跟蹤漂移。第312幀左右,由于光照變化,目標(biāo)特征不明顯,SiamFC算法跟蹤跟蹤失敗,本文算法由于多特征融合模型的加入,可以獲取到更多的目標(biāo)特征,從而可以對(duì)當(dāng)前目標(biāo)位置做出有效判斷。

    (2)遮擋:在跟蹤過程中,目標(biāo)被遮擋會(huì)給跟蹤帶來較大的干擾。Coke視頻序列中,隨著目標(biāo)移動(dòng),逐漸被綠葉遮擋,SiamFC已經(jīng)出現(xiàn)了一定的偏移,目標(biāo)繼續(xù)移動(dòng),在整個(gè)跟蹤過程中,相比其他對(duì)比算法,本文算法對(duì)目標(biāo)的整體性跟蹤效果良好。

    (3)運(yùn)動(dòng)模糊:由于目標(biāo)快速運(yùn)動(dòng),會(huì)帶來圖像模糊等問題。在MotorRolling視頻序列中,摩托車快速運(yùn)動(dòng),造成了運(yùn)動(dòng)模糊,并且伴隨目標(biāo)旋轉(zhuǎn)等挑戰(zhàn),跟蹤難度較高。在32幀左右,SiamFC和CFNet已經(jīng)出現(xiàn)了目標(biāo)丟失,造成了后續(xù)的跟蹤失敗,本文算法和SiamRPN可以實(shí)現(xiàn)持續(xù)的跟蹤。

    (4)低分辨率:當(dāng)圖像幀的分辨率較低的時(shí)候,提取的特征不明顯。在Skiing中,僅有本文算法和SiamRPN可以實(shí)現(xiàn)持續(xù)的跟蹤,在60幀左右,SiamFC和CFNet均丟失了目標(biāo)。而相比于SiamRPN,本文算法在低分辨率場景下有著更好的跟蹤準(zhǔn)確性,這很大一部分原因是基于對(duì)抗網(wǎng)絡(luò)模型對(duì)視頻幀的去模糊效果。

    (5)尺度變化:在跟蹤過程中,經(jīng)常出現(xiàn)目標(biāo)尺度變化的情況,在CarScale視頻序列中,隨著汽車由遠(yuǎn)及近駛來,目標(biāo)不斷變大,相比于其他對(duì)比算法,本文算法擁有更好的尺度估計(jì)結(jié)果。

    (6)相似背景干擾:相似目標(biāo)的干擾一直是目標(biāo)跟蹤中的難點(diǎn)問題之一,尤其在Football中,跟蹤目標(biāo)一方面運(yùn)動(dòng)較快,一方面光照變化劇烈,且存在目標(biāo)被遮擋的情況。在289幀左右,目標(biāo)被遮擋,基準(zhǔn)算法SiamFC跟蹤丟失,而本文算法在多層特征的特征增強(qiáng)下,對(duì)目標(biāo)實(shí)現(xiàn)了持續(xù)且穩(wěn)定的跟蹤。

    3.3.3 VOT2018定量分析

    視覺目標(biāo)跟蹤(visual object tracking,VOT)是一個(gè)專門針對(duì)單目標(biāo)跟蹤的挑戰(zhàn)賽。VOT2018一共有60個(gè)經(jīng)過精細(xì)標(biāo)注的短時(shí)跟蹤視頻集,且評(píng)價(jià)指標(biāo)更為精細(xì)。VOT2018相比OTB2015,在跟蹤序列上目標(biāo)的變化更為復(fù)雜,跟蹤難度更高。

    如圖7所示,在VOT2018數(shù)據(jù)集中本文算法與其他七個(gè)算法在基線上進(jìn)行比較。表3顯示,本文算法的平均期望重疊率EAO、準(zhǔn)確率A僅低于SiamRPN,但是魯棒性R好于SiamRPN。其中準(zhǔn)確率越高性能越好,魯棒性數(shù)值越低效果越好,期望平均重疊率越高效果越好。相比基準(zhǔn)算法SiamFC,本文算法的EAO提升了16.4個(gè)百分點(diǎn)。同時(shí),運(yùn)行速度為每秒39幀,進(jìn)一步證明本文算法具有較強(qiáng)的穩(wěn)健性,滿足實(shí)時(shí)性要求,可以實(shí)現(xiàn)很好的跟蹤效果。

    圖7 不同算法在VOT2018數(shù)據(jù)集上EAO的對(duì)比圖Fig.7 Comparision of EAO of different algorithms on VOT2018 datasets

    表3 不同算法在VOT2018數(shù)據(jù)集上的測試結(jié)果對(duì)比Table 3 Comparision of test results of different algorithms on VOT2018 datasets

    3.3.4 VOT2018定性分析

    在VOT2018數(shù)據(jù)集上選取五個(gè)視頻序列進(jìn)行定量分析,證明本文算法對(duì)小目標(biāo)跟蹤和模糊目標(biāo)跟蹤優(yōu)于SiamRPN等算法。測試結(jié)果如圖8所示,紅色為本文算法,紫色、藍(lán)色、綠色分別為SiamFC、SiamRPN、KCF[27]算法,青色為VOT2018數(shù)據(jù)集自帶標(biāo)注結(jié)果。

    圖8 選定VOT2018視頻序列跟蹤效果Fig.8 Selected VOT2018 video sequences tracking effect

    在birds1序列,一方面序列的跟蹤對(duì)象是一個(gè)小目標(biāo),另一方面圖像較為模糊,目標(biāo)特征不明顯,本文算法仍可以有效地跟蹤到目標(biāo),而且相比于其他算法,本文算法與VOT自帶標(biāo)注結(jié)果的重疊部分更多。basketball視頻序列,圖像模糊且存在相似目標(biāo)的干擾,在265幀左右,已經(jīng)有算法出現(xiàn)了跟蹤異常的情況。在bmx序列中,由于目標(biāo)旋轉(zhuǎn)以及外觀變化,其他算法已經(jīng)無法有效跟蹤到目標(biāo)的整體特征,比如:bmx的第37、69幀。在soccer1序列,由于圖像模糊,很容易干擾到跟蹤器,在第115幀,目標(biāo)被遮擋,SiamFC出現(xiàn)了跟蹤丟失。在fernando序列,由于光照變化以及遮擋的發(fā)生,跟蹤難度較大,相比于基準(zhǔn)算法本文算法跟蹤效果優(yōu)異。

    3.3.5 消融實(shí)驗(yàn)

    對(duì)本文算法進(jìn)行消融實(shí)驗(yàn),分析參數(shù)影響。數(shù)據(jù)集使用OTB2015,實(shí)驗(yàn)結(jié)果如圖9所示。其中,Ours代表本文算法,Ours-VGG表示基準(zhǔn)算法只替換骨干網(wǎng)絡(luò)為VGG-19并將層次特征進(jìn)行融合,Ours-DeblurGAN表示在基準(zhǔn)算法上加入用于模糊移除的DeblurGAN模型,Ours-CGAN表示加入典型對(duì)抗生成網(wǎng)絡(luò)CGAN模型。從圖9中可以看出,條件對(duì)抗網(wǎng)與多層特征融合等改進(jìn)策略對(duì)原算法的性能均有著有效的提升,相比CGAN,DeblurGAN模型對(duì)算法性能提升更明顯。

    圖9 算法關(guān)鍵環(huán)節(jié)對(duì)跟蹤性能影響Fig.9 Influence of key parts of algorithm on tracking performance

    4 結(jié)語

    針對(duì)SiamFC在運(yùn)動(dòng)模糊和低分辨率等復(fù)雜場景下的跟蹤能力不強(qiáng)問題,本文提出一種結(jié)合條件對(duì)抗生成網(wǎng)絡(luò)和多層次特征融合的目標(biāo)跟蹤算法。在孿生網(wǎng)絡(luò)中加入了條件對(duì)抗生成網(wǎng)絡(luò)模型,對(duì)圖像進(jìn)行去模糊;并用VGG-19替換Alexnet作為孿生網(wǎng)絡(luò)骨干網(wǎng)絡(luò)。使用淺層特征提取位置信息,加入中層特征進(jìn)行融合,使用高層特征提取語義信息,提高跟蹤器的識(shí)別和定位能力。在OTB2015和VOT2018數(shù)據(jù)集上的測試結(jié)果表明,本文算法實(shí)時(shí)性能滿足實(shí)際的跟蹤需求,有效地提升了跟蹤器的跟蹤精度,在運(yùn)動(dòng)模糊以及低分辨率情況下具有良好的魯棒性。但是本文算法在面對(duì)光照變化明顯等極端情況時(shí),跟蹤效果不是非常理想,下一步的工作是嘗試采用更深、更高效的主干網(wǎng)絡(luò)來提取特征,以及引入模板更新機(jī)制。

    猜你喜歡
    特征融合模型
    一半模型
    村企黨建聯(lián)建融合共贏
    融合菜
    從創(chuàng)新出發(fā),與高考數(shù)列相遇、融合
    重要模型『一線三等角』
    《融合》
    重尾非線性自回歸模型自加權(quán)M-估計(jì)的漸近分布
    如何表達(dá)“特征”
    不忠誠的四個(gè)特征
    抓住特征巧觀察
    深爱激情五月婷婷| 亚洲成人av在线免费| 日本五十路高清| 亚洲熟妇中文字幕五十中出| 国产精品嫩草影院av在线观看| 亚洲第一电影网av| 国产精品.久久久| 亚洲欧美精品专区久久| 国产视频首页在线观看| 日韩 亚洲 欧美在线| 亚洲人成网站高清观看| 在线a可以看的网站| 看非洲黑人一级黄片| 国产精品女同一区二区软件| 免费在线观看成人毛片| 精品久久久久久久人妻蜜臀av| 美女脱内裤让男人舔精品视频 | 91精品一卡2卡3卡4卡| 国产高清不卡午夜福利| 国产精品一及| 男人的好看免费观看在线视频| 亚洲国产精品久久男人天堂| 美女脱内裤让男人舔精品视频 | 久久久色成人| 99久久精品一区二区三区| 国产成人精品久久久久久| 亚洲综合色惰| 久久九九热精品免费| 级片在线观看| 成年女人看的毛片在线观看| 亚洲内射少妇av| 久久午夜亚洲精品久久| 成人综合一区亚洲| 日本-黄色视频高清免费观看| 免费av毛片视频| 欧美zozozo另类| 亚洲精品456在线播放app| 日日摸夜夜添夜夜添av毛片| 国产真实伦视频高清在线观看| 成人漫画全彩无遮挡| 国产老妇伦熟女老妇高清| 真实男女啪啪啪动态图| 国产成人一区二区在线| 人人妻人人澡人人爽人人夜夜 | 午夜福利视频1000在线观看| 久久午夜福利片| 好男人视频免费观看在线| 美女内射精品一级片tv| 淫秽高清视频在线观看| 亚洲高清免费不卡视频| 日韩 亚洲 欧美在线| 精品99又大又爽又粗少妇毛片| 日本一本二区三区精品| 欧美人与善性xxx| 欧美日韩综合久久久久久| 国内少妇人妻偷人精品xxx网站| 91av网一区二区| 又粗又硬又长又爽又黄的视频 | 亚洲成a人片在线一区二区| 99久久成人亚洲精品观看| 成人午夜精彩视频在线观看| 国产精品一区二区在线观看99 | 日本一二三区视频观看| 国产精品野战在线观看| 黄片无遮挡物在线观看| 女人十人毛片免费观看3o分钟| 成熟少妇高潮喷水视频| 看十八女毛片水多多多| 亚洲av免费在线观看| 亚洲欧美清纯卡通| 天堂av国产一区二区熟女人妻| 在线观看av片永久免费下载| 日本免费a在线| 亚洲精品456在线播放app| 人妻制服诱惑在线中文字幕| eeuss影院久久| 少妇猛男粗大的猛烈进出视频 | 99在线人妻在线中文字幕| 欧美色视频一区免费| av专区在线播放| 亚洲激情五月婷婷啪啪| 日韩成人av中文字幕在线观看| 免费看日本二区| 国产探花极品一区二区| 91麻豆精品激情在线观看国产| 亚洲精品国产av成人精品| 如何舔出高潮| 美女被艹到高潮喷水动态| 丰满乱子伦码专区| 色噜噜av男人的天堂激情| 亚洲一级一片aⅴ在线观看| 精品久久久久久久久av| av在线天堂中文字幕| 在线观看美女被高潮喷水网站| 久久人人爽人人爽人人片va| 热99在线观看视频| 自拍偷自拍亚洲精品老妇| 一区二区三区高清视频在线| 国产精品国产高清国产av| 国产在线男女| 十八禁国产超污无遮挡网站| 欧美成人免费av一区二区三区| a级毛色黄片| 男人和女人高潮做爰伦理| 69av精品久久久久久| 国产精品女同一区二区软件| 一级毛片电影观看 | 亚洲在线自拍视频| 内地一区二区视频在线| 国产一级毛片在线| 99热全是精品| 在现免费观看毛片| 国产成人影院久久av| 日日摸夜夜添夜夜爱| 国产精品女同一区二区软件| 国产一区二区激情短视频| 国产精品一及| 久久99热这里只有精品18| 91av网一区二区| 亚洲乱码一区二区免费版| 亚洲精品自拍成人| 国产极品精品免费视频能看的| 九九爱精品视频在线观看| 免费大片18禁| 高清日韩中文字幕在线| 小说图片视频综合网站| 成年版毛片免费区| 亚洲欧美日韩东京热| 91精品一卡2卡3卡4卡| 久久久欧美国产精品| 天堂av国产一区二区熟女人妻| 青春草视频在线免费观看| 国产日韩欧美在线精品| 男女那种视频在线观看| 最近最新中文字幕大全电影3| 日本在线视频免费播放| 精品久久久久久成人av| 中出人妻视频一区二区| 麻豆av噜噜一区二区三区| 久久精品国产亚洲网站| 最近的中文字幕免费完整| 久99久视频精品免费| 国产淫片久久久久久久久| 精品欧美国产一区二区三| 给我免费播放毛片高清在线观看| 久久久久九九精品影院| 亚洲精品久久国产高清桃花| 亚洲高清免费不卡视频| 丝袜美腿在线中文| 国产高清有码在线观看视频| 成人av在线播放网站| 欧美极品一区二区三区四区| 国产色婷婷99| 久久久久久久久久久免费av| 黄片wwwwww| 狠狠狠狠99中文字幕| 非洲黑人性xxxx精品又粗又长| 成人综合一区亚洲| 国产午夜福利久久久久久| 久久久成人免费电影| 日韩av在线大香蕉| 色视频www国产| 波多野结衣巨乳人妻| 亚洲激情五月婷婷啪啪| 国产一区亚洲一区在线观看| 91久久精品国产一区二区成人| 人妻久久中文字幕网| 在线观看66精品国产| 高清日韩中文字幕在线| 日韩亚洲欧美综合| 成人美女网站在线观看视频| 大香蕉久久网| 亚洲精品乱码久久久久久按摩| 久久久成人免费电影| 色哟哟·www| 美女xxoo啪啪120秒动态图| 午夜福利视频1000在线观看| 尤物成人国产欧美一区二区三区| 色综合色国产| 精华霜和精华液先用哪个| 久久综合国产亚洲精品| 99热全是精品| 午夜免费男女啪啪视频观看| 不卡一级毛片| 99久久中文字幕三级久久日本| 夜夜爽天天搞| 老司机福利观看| 搞女人的毛片| 村上凉子中文字幕在线| АⅤ资源中文在线天堂| 欧美极品一区二区三区四区| 日本黄色视频三级网站网址| av在线播放精品| 国产又黄又爽又无遮挡在线| 国产精品福利在线免费观看| 亚洲四区av| 免费av观看视频| 精华霜和精华液先用哪个| 亚洲欧美清纯卡通| 国产免费男女视频| 亚洲一级一片aⅴ在线观看| 99热6这里只有精品| 波野结衣二区三区在线| 在线观看美女被高潮喷水网站| 国产 一区 欧美 日韩| 久久久午夜欧美精品| 99久久无色码亚洲精品果冻| 91精品一卡2卡3卡4卡| 久久精品国产亚洲av香蕉五月| 成人av在线播放网站| 婷婷亚洲欧美| 日韩强制内射视频| 99热这里只有是精品50| 日韩欧美精品v在线| 亚洲欧美清纯卡通| 搞女人的毛片| 噜噜噜噜噜久久久久久91| 级片在线观看| 亚洲精品日韩av片在线观看| 能在线免费观看的黄片| 国产白丝娇喘喷水9色精品| 国产高清视频在线观看网站| 色尼玛亚洲综合影院| 国产乱人视频| 国产精华一区二区三区| 国产探花极品一区二区| 麻豆国产97在线/欧美| 欧美高清性xxxxhd video| 精品人妻偷拍中文字幕| 99久久精品国产国产毛片| 伦精品一区二区三区| 国产精品人妻久久久影院| 亚洲精品456在线播放app| 我的老师免费观看完整版| 一区二区三区四区激情视频 | 国产一区二区激情短视频| 亚洲国产精品国产精品| 18禁黄网站禁片免费观看直播| 99在线视频只有这里精品首页| 色综合色国产| 天美传媒精品一区二区| 日韩在线高清观看一区二区三区| 亚洲内射少妇av| 直男gayav资源| 久久久午夜欧美精品| 春色校园在线视频观看| 国产精品1区2区在线观看.| 国产精品精品国产色婷婷| 国产 一区 欧美 日韩| 91av网一区二区| 人妻少妇偷人精品九色| 身体一侧抽搐| 午夜免费激情av| 天天一区二区日本电影三级| 亚洲国产精品sss在线观看| 成人无遮挡网站| 国产伦一二天堂av在线观看| 97在线视频观看| 一本精品99久久精品77| 久久精品国产自在天天线| 在线免费观看不下载黄p国产| 插逼视频在线观看| 国产黄片视频在线免费观看| 国产精品人妻久久久久久| 99热网站在线观看| 欧美极品一区二区三区四区| 97人妻精品一区二区三区麻豆| 国产精品一区www在线观看| www.av在线官网国产| 欧美一区二区国产精品久久精品| 欧美一级a爱片免费观看看| 日韩精品有码人妻一区| 亚洲av不卡在线观看| 此物有八面人人有两片| 久99久视频精品免费| 熟女电影av网| 性色avwww在线观看| 特级一级黄色大片| 国产精品女同一区二区软件| 国产亚洲精品av在线| 亚洲18禁久久av| 亚洲美女搞黄在线观看| 久久精品国产自在天天线| 日韩一区二区三区影片| 亚洲精品乱码久久久久久按摩| 毛片女人毛片| 亚洲电影在线观看av| 99久久无色码亚洲精品果冻| 色综合色国产| 日韩av在线大香蕉| 大香蕉久久网| 欧美zozozo另类| 国产成人一区二区在线| 深爱激情五月婷婷| 91狼人影院| 精品久久国产蜜桃| 国产精品野战在线观看| 国产一区二区激情短视频| 丝袜喷水一区| 我的女老师完整版在线观看| 尤物成人国产欧美一区二区三区| 99久久精品热视频| 国产91av在线免费观看| 最新中文字幕久久久久| 精品日产1卡2卡| 国产精品福利在线免费观看| 少妇人妻精品综合一区二区 | 国产精品精品国产色婷婷| 欧美潮喷喷水| 男女边吃奶边做爰视频| av专区在线播放| 亚洲国产欧美在线一区| 中出人妻视频一区二区| 1000部很黄的大片| 国产亚洲av嫩草精品影院| h日本视频在线播放| 观看美女的网站| 真实男女啪啪啪动态图| 国产伦精品一区二区三区视频9| 午夜激情欧美在线| 亚洲精品自拍成人| 国产淫片久久久久久久久| 成年女人看的毛片在线观看| 18禁裸乳无遮挡免费网站照片| 岛国毛片在线播放| 色播亚洲综合网| 人妻制服诱惑在线中文字幕| 亚洲欧美日韩卡通动漫| 亚洲色图av天堂| 听说在线观看完整版免费高清| a级一级毛片免费在线观看| 又粗又硬又长又爽又黄的视频 | 97人妻精品一区二区三区麻豆| 麻豆精品久久久久久蜜桃| 久久久久久九九精品二区国产| 春色校园在线视频观看| 成年女人看的毛片在线观看| 久久久色成人| 三级国产精品欧美在线观看| 久久久国产成人免费| 亚洲中文字幕一区二区三区有码在线看| 18禁裸乳无遮挡免费网站照片| 成年版毛片免费区| 女人十人毛片免费观看3o分钟| 亚洲性久久影院| a级毛片a级免费在线| 可以在线观看毛片的网站| 亚洲国产欧美在线一区| 国产色婷婷99| 免费av毛片视频| 亚洲成a人片在线一区二区| 国产免费男女视频| 成人二区视频| 人人妻人人澡人人爽人人夜夜 | 国产成人a∨麻豆精品| 国内精品久久久久精免费| 日本五十路高清| 日韩亚洲欧美综合| 特级一级黄色大片| 草草在线视频免费看| 男人的好看免费观看在线视频| 看片在线看免费视频| 国产高清视频在线观看网站| 成人欧美大片| 97在线视频观看| 波多野结衣巨乳人妻| 麻豆国产97在线/欧美| 亚洲丝袜综合中文字幕| 国产一区二区在线av高清观看| 日韩视频在线欧美| 国产一区二区在线av高清观看| 中文字幕久久专区| 欧美一区二区国产精品久久精品| 国产成人午夜福利电影在线观看| 亚洲最大成人av| 少妇的逼水好多| 久久久久久大精品| 18+在线观看网站| 乱人视频在线观看| 熟妇人妻久久中文字幕3abv| 日韩av在线大香蕉| 免费av不卡在线播放| 亚洲婷婷狠狠爱综合网| 黄色日韩在线| 国内精品宾馆在线| 国产精品一区二区性色av| 久久久久网色| 亚洲激情五月婷婷啪啪| 少妇熟女欧美另类| 国产精品福利在线免费观看| 亚洲av电影不卡..在线观看| 搡女人真爽免费视频火全软件| 日本在线视频免费播放| 免费电影在线观看免费观看| 国产 一区 欧美 日韩| 亚洲18禁久久av| 亚洲在线观看片| 国产精品一区二区三区四区久久| 免费一级毛片在线播放高清视频| 综合色av麻豆| 天天一区二区日本电影三级| 精品久久久久久久末码| 亚洲电影在线观看av| 国产片特级美女逼逼视频| 麻豆久久精品国产亚洲av| 亚洲四区av| 国产精品一区二区性色av| 成人性生交大片免费视频hd| 男人舔奶头视频| 久久精品久久久久久久性| 日韩精品青青久久久久久| 在线免费观看不下载黄p国产| av在线观看视频网站免费| 啦啦啦啦在线视频资源| av免费观看日本| 九九爱精品视频在线观看| 搡女人真爽免费视频火全软件| 久久精品国产亚洲av天美| 国产精品一及| 欧美最黄视频在线播放免费| 亚洲最大成人av| av在线亚洲专区| 日韩成人av中文字幕在线观看| 少妇熟女aⅴ在线视频| 夜夜爽天天搞| 亚洲国产高清在线一区二区三| 亚洲国产色片| 91午夜精品亚洲一区二区三区| 成年免费大片在线观看| 搡女人真爽免费视频火全软件| 日本在线视频免费播放| 欧美精品国产亚洲| 亚洲人成网站在线观看播放| 中国国产av一级| 久久鲁丝午夜福利片| 欧美激情在线99| 国语自产精品视频在线第100页| 一边摸一边抽搐一进一小说| 不卡一级毛片| 国产视频内射| eeuss影院久久| 蜜桃久久精品国产亚洲av| 国产私拍福利视频在线观看| 精品一区二区三区视频在线| 2022亚洲国产成人精品| 久久久国产成人精品二区| 欧美日韩在线观看h| 亚洲美女搞黄在线观看| 深夜精品福利| 美女被艹到高潮喷水动态| 欧美一区二区亚洲| 欧美激情久久久久久爽电影| 日本av手机在线免费观看| 一个人看的www免费观看视频| 一区二区三区免费毛片| 国内精品美女久久久久久| 最近2019中文字幕mv第一页| 村上凉子中文字幕在线| 高清毛片免费看| 国产精品人妻久久久影院| 亚洲av中文字字幕乱码综合| 91在线精品国自产拍蜜月| av福利片在线观看| 少妇人妻精品综合一区二区 | 18禁裸乳无遮挡免费网站照片| 国产成人精品久久久久久| 久99久视频精品免费| 久久99精品国语久久久| 亚洲不卡免费看| 99热只有精品国产| 成人午夜精彩视频在线观看| av视频在线观看入口| 婷婷精品国产亚洲av| 1024手机看黄色片| 国内少妇人妻偷人精品xxx网站| 久久99热6这里只有精品| 国产高清激情床上av| 观看免费一级毛片| 嫩草影院精品99| 黄色配什么色好看| 最后的刺客免费高清国语| 午夜福利高清视频| 免费在线观看成人毛片| 九九久久精品国产亚洲av麻豆| 国产av一区在线观看免费| 欧美日韩精品成人综合77777| 精品久久久久久久久久久久久| 亚洲精品色激情综合| 赤兔流量卡办理| а√天堂www在线а√下载| 日本成人三级电影网站| 国产成人aa在线观看| 国产精品久久久久久亚洲av鲁大| 婷婷色av中文字幕| 亚州av有码| 日韩成人伦理影院| 欧美成人a在线观看| 欧美精品一区二区大全| 久久草成人影院| 久久久久久久久久黄片| 亚洲成av人片在线播放无| 91久久精品国产一区二区成人| 国产一级毛片七仙女欲春2| 久久久久性生活片| 精品一区二区免费观看| a级一级毛片免费在线观看| 久久6这里有精品| 成年女人看的毛片在线观看| 啦啦啦啦在线视频资源| 亚洲综合色惰| 91精品一卡2卡3卡4卡| 亚洲aⅴ乱码一区二区在线播放| av在线蜜桃| 女人被狂操c到高潮| 日韩欧美一区二区三区在线观看| 久久久久久久久中文| 69人妻影院| 你懂的网址亚洲精品在线观看 | 国产精品不卡视频一区二区| 国产成人a∨麻豆精品| 午夜福利高清视频| 中文字幕制服av| 一边亲一边摸免费视频| 日韩国内少妇激情av| 久久九九热精品免费| 人人妻人人澡欧美一区二区| 午夜久久久久精精品| or卡值多少钱| 三级男女做爰猛烈吃奶摸视频| 美女 人体艺术 gogo| 日韩精品有码人妻一区| 免费人成在线观看视频色| av视频在线观看入口| 寂寞人妻少妇视频99o| 干丝袜人妻中文字幕| 国产精品久久久久久精品电影| a级一级毛片免费在线观看| 两个人视频免费观看高清| 麻豆久久精品国产亚洲av| 干丝袜人妻中文字幕| 国产精品一及| 国产午夜精品论理片| 18禁在线无遮挡免费观看视频| 日韩精品青青久久久久久| 国产91av在线免费观看| 亚洲内射少妇av| 亚洲色图av天堂| 欧美色视频一区免费| 欧美bdsm另类| 精品国内亚洲2022精品成人| 免费搜索国产男女视频| 1000部很黄的大片| 亚洲久久久久久中文字幕| 国产高清视频在线观看网站| 欧美人与善性xxx| 老司机影院成人| 国产 一区精品| 精品久久久噜噜| 免费看美女性在线毛片视频| 不卡一级毛片| 中出人妻视频一区二区| 国产一区二区在线av高清观看| 国产精品国产高清国产av| 国产人妻一区二区三区在| 男女做爰动态图高潮gif福利片| 国产在线男女| 一本久久精品| 亚洲国产精品sss在线观看| 亚洲在线观看片| 丝袜美腿在线中文| 波多野结衣高清无吗| 亚洲第一电影网av| 嫩草影院精品99| 欧美日韩综合久久久久久| 欧美3d第一页| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 欧美日韩在线观看h| 亚洲av成人精品一区久久| 成人午夜高清在线视频| 日本免费一区二区三区高清不卡| 色尼玛亚洲综合影院| a级毛片a级免费在线| 欧美日韩一区二区视频在线观看视频在线 | 九九爱精品视频在线观看| 成人特级av手机在线观看| 欧美最新免费一区二区三区| 日本黄色片子视频| 97超视频在线观看视频| 免费看光身美女| 精品一区二区三区视频在线| 成人三级黄色视频| 麻豆一二三区av精品| 欧美zozozo另类| 欧美又色又爽又黄视频| 久久人妻av系列| 天美传媒精品一区二区| 亚洲中文字幕一区二区三区有码在线看| 成人亚洲精品av一区二区| 日韩强制内射视频| 日本黄色视频三级网站网址| 成人亚洲精品av一区二区| or卡值多少钱| 免费观看在线日韩| 99热这里只有精品一区| 久久精品综合一区二区三区| 欧美日韩一区二区视频在线观看视频在线 | 黄色配什么色好看| 一进一出抽搐动态| 日韩欧美三级三区| 老熟妇乱子伦视频在线观看| 热99re8久久精品国产| 亚洲自偷自拍三级| 国产精品1区2区在线观看.| 国产精品一二三区在线看| 九色成人免费人妻av|