• <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 ?

    融合改進(jìn)通道和層剪枝的口罩人臉檢測(cè)*

    2022-12-22 11:32:52劉紫燕朱明成馬珊珊
    關(guān)鍵詞:剪枝人臉殘差

    劉紫燕,袁 磊,朱明成,馬珊珊

    (貴州大學(xué)大數(shù)據(jù)與信息工程學(xué)院,貴州 貴陽 550025)

    1 引言

    近年來深度學(xué)習(xí)技術(shù)在計(jì)算機(jī)視覺領(lǐng)域取得突破性進(jìn)展,基于卷積神經(jīng)網(wǎng)絡(luò)CNN(Convolutional Neural Network)的目標(biāo)檢測(cè)方法被廣泛應(yīng)用于軍事、醫(yī)學(xué)、農(nóng)業(yè)和民用等領(lǐng)域,如艦船檢測(cè)[1]、醫(yī)學(xué)圖像檢測(cè)[2]、遙感圖像檢測(cè)[3]和水下目標(biāo)檢測(cè)[4]等。隨著神經(jīng)網(wǎng)絡(luò)的檢測(cè)精度(mAP)不斷提高和網(wǎng)絡(luò)結(jié)構(gòu)愈加復(fù)雜,搭建網(wǎng)絡(luò)模型所需要的計(jì)算量和存儲(chǔ)資源也愈發(fā)龐大。在實(shí)際場(chǎng)景中部署的設(shè)備無法滿足模型所需的大量算力、內(nèi)存和能耗。因此,本文通過研究相關(guān)的目標(biāo)檢測(cè)算法和模型剪枝算法,針對(duì)實(shí)際場(chǎng)景中的目標(biāo)檢測(cè)算法構(gòu)建,提出一種融合通道和層剪枝的模型剪枝方法,以YOLOv4目標(biāo)檢測(cè)算法作為初始模型在口罩人臉數(shù)據(jù)集上進(jìn)行剪枝,并將剪枝后的模型與原模型以及YOLOv4的輕量化模型YOLOv4-tiny進(jìn)行對(duì)比實(shí)驗(yàn)。本文主要貢獻(xiàn)如下:

    (1)構(gòu)建用于人臉口罩檢測(cè)的數(shù)據(jù)集,能更好地檢測(cè)口罩佩戴不完全的情況。

    (2)提出一種融合通道和層剪枝的模型剪枝方法,可以顯著減少模型的參數(shù)量,便于實(shí)時(shí)部署。

    (3)使用本文所提方法在構(gòu)建的人臉口罩檢測(cè)數(shù)據(jù)集上對(duì)YOLOv4網(wǎng)絡(luò)進(jìn)行訓(xùn)練和剪枝。實(shí)驗(yàn)結(jié)果表明,使用本文剪枝方法得到的模型在精度下降較少的情況下,較大程度減少了模型參數(shù)。同時(shí),極限剪枝后的模型在參數(shù)量少于YOLOv4-tiny的情況下,其檢測(cè)精度遠(yuǎn)遠(yuǎn)超過YOLOv4-tiny的。

    2 相關(guān)研究

    為了解決實(shí)際場(chǎng)景中口罩人臉檢測(cè)算法的部署問題,本文采用模型剪枝方法壓縮目標(biāo)檢測(cè)模型,本文涉及目標(biāo)檢測(cè)技術(shù)和模型剪枝技術(shù)。

    2.1 目標(biāo)檢測(cè)技術(shù)

    目標(biāo)檢測(cè)是卷積神經(jīng)網(wǎng)絡(luò)應(yīng)用的重點(diǎn)領(lǐng)域,基于深度學(xué)習(xí)的目標(biāo)檢測(cè)按照是否需要生成候選區(qū)域可以分為兩階段目標(biāo)檢測(cè)和單階段目標(biāo)檢測(cè)。兩階段目標(biāo)檢測(cè),如Faster R-CNN[5]采用RPN(Region Proposal Network)結(jié)構(gòu),通過生成候選區(qū)域和預(yù)測(cè)2個(gè)階段獲得了較高的檢測(cè)精度;CBNet(novel Composite Backbone Network architecture for object detection)[6]通過合并功能強(qiáng)大的基礎(chǔ)網(wǎng)絡(luò)(backbone),提出復(fù)合骨干網(wǎng)絡(luò)(Composite Backbone Network),以提高目標(biāo)檢測(cè)器的性能,但其需要極為龐大的計(jì)算量。單階段目標(biāo)檢測(cè),如SSD(Single Shot multiBox Detector)[7]采用多尺度特征圖用于檢測(cè),提升了檢測(cè)效果和速度,但對(duì)小尺寸的目標(biāo)識(shí)別效果較差;YOLOv3(You Only Look Once v3)[8]相比YOLOv2[9]加入了殘差模塊,并且網(wǎng)絡(luò)中沒有池化層和全連接層,構(gòu)建了新的基礎(chǔ)網(wǎng)絡(luò)Darknet-53,達(dá)到了速度與精度的較好平衡。

    2020年4月Bochkovskiy等[10]提出了新的單階段目標(biāo)檢測(cè)模型YOLOv4,采用基礎(chǔ)網(wǎng)絡(luò)CSPDarknet-53提取特征后,經(jīng)過SPP+PAN(Spatial Pyramid Pooling+Path Aggregation Network)模塊后,輸入檢測(cè)層,進(jìn)行3個(gè)尺度的預(yù)測(cè),其在YOLOv3模型的基礎(chǔ)上進(jìn)行了多個(gè)方面的改進(jìn)和增強(qiáng)。在數(shù)據(jù)增強(qiáng)方面,YOLOv4采用了馬賽克(Mosaic)數(shù)據(jù)增強(qiáng)方法,混合4幅訓(xùn)練圖像和4個(gè)不同的上下文信息;在基礎(chǔ)網(wǎng)絡(luò)方面,YOLOv4采用CSPDarknet-53作為基礎(chǔ)網(wǎng)絡(luò),其感受野更大,檢測(cè)效果更好;在損失函數(shù)方面,YOLOv4采用CIOU Loss損失函數(shù),使網(wǎng)絡(luò)損失得到了更好的下降;同時(shí),YOLOv4采用了Mish激活函數(shù)和DropBlock正則化來提高檢測(cè)效果,在檢測(cè)層之前加入SPP和PAN模塊,使網(wǎng)絡(luò)能更好地獲取圖像特征。這一系列方法使得YOLOv4成為了精度和速度完美平衡的目標(biāo)檢測(cè)算法。因此,本文選取YOLOv4作為口罩人臉檢測(cè)的基礎(chǔ)網(wǎng)絡(luò),其網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

    2.2 模型剪枝技術(shù)

    人工神經(jīng)網(wǎng)絡(luò)中的剪枝受啟發(fā)于人腦中的突觸修剪(Synaptic Pruning)。突觸修剪即軸突和樹突完全衰退或死亡,是許多哺乳動(dòng)物幼年期和青春期的必經(jīng)過程。突觸修剪從人出生開始持續(xù)到20多歲。

    Figure 1 YOLOv4 network structure

    Figure 2 Sparse neural network

    神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)如圖2左側(cè)部分所示,下層的每一個(gè)神經(jīng)元與上層都有連接,這意味著需要進(jìn)行大量浮點(diǎn)相乘操作。理想情況下,我們不需將每個(gè)神經(jīng)元與上一層中所有神經(jīng)元連接,僅需連接有用的幾個(gè)神經(jīng)元,從而減少許多浮點(diǎn)相乘操作,稱之為“稀疏”網(wǎng)絡(luò)。稀疏網(wǎng)絡(luò)更容易被壓縮,可以在推理期間跳過參數(shù)為0的神經(jīng)元,以改善延遲情況。若根據(jù)網(wǎng)絡(luò)中神經(jīng)元的貢獻(xiàn)對(duì)其進(jìn)行排序,則可以刪除排序較后的神經(jīng)元,得到規(guī)模更小、速度更快的網(wǎng)絡(luò),這樣的網(wǎng)絡(luò)更便于在移動(dòng)設(shè)備上運(yùn)行。

    近年來深度學(xué)習(xí)模型剪枝技術(shù)不斷發(fā)展,Li等[11]提出了基于量級(jí)的裁剪方式,可以有效降低模型的復(fù)雜度并且不會(huì)給模型的性能帶來很大的損失;Yang等[12]提出了一種基于能量效率的裁剪方式,從能量利用率上最大限度地裁剪模型;Molchanov等[13]將裁剪問題視作組合優(yōu)化問題,優(yōu)化目標(biāo)是被裁剪模型的代價(jià)函數(shù)損失最?。槐R海偉等[14]通過動(dòng)態(tài)尋找冗余濾波器來獲取最優(yōu)網(wǎng)絡(luò)結(jié)構(gòu);彭冬亮等[15]通過閾值剪枝算法,將GoogLeNet的模型參數(shù)量壓縮為原有參數(shù)量的1/16;孫彥麗等[16]提出通過同時(shí)優(yōu)化卷積神經(jīng)網(wǎng)絡(luò)的結(jié)構(gòu)和參數(shù)對(duì)卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行壓縮,使網(wǎng)絡(luò)模型尺寸變??;陳程軍等[17]提出基于激活-熵的分層迭代剪枝AE-LIP(Activation Entropy based Layer-wise Iterative Pruning)策略,在保證模型精度在可控范圍內(nèi)的同時(shí)減少模型的參數(shù)量;在SlimYOLOv3[18]中,將YOLOv3-SPP作為基礎(chǔ)網(wǎng)絡(luò)進(jìn)行稀疏訓(xùn)練和通道剪枝,YOLOv3中每個(gè)卷積層后的批量標(biāo)準(zhǔn)化層起到加速模型收斂、提高泛化能力的作用,批量標(biāo)準(zhǔn)化公式如式(1)所示:

    (1)

    稀疏訓(xùn)練的損失函數(shù)如式(2)所示:

    (2)

    其中,lossyolo為YOLOv4網(wǎng)絡(luò)反饋損失,α為權(quán)重系數(shù),Γ代表本次訓(xùn)練的所有通道,f(γ)=|γ|是懲罰因子,用來平衡2個(gè)損失,本文設(shè)置為0.000 1。

    3 融合改進(jìn)Slim通道剪枝和層剪枝的模型剪枝

    3.1 改進(jìn)Slim通道剪枝

    π=μλ+ν

    (3)

    其中,μ是自適應(yīng)率,用于調(diào)整λ在局部安全閾值中所占的比率;ν是最低局部安全閾值,用于防止過度剪枝。通過這種方法,網(wǎng)絡(luò)能夠自適應(yīng)調(diào)整各層的局部安全閾值π,在剪去網(wǎng)絡(luò)中更多無用通道的同時(shí)保留一定的安全通道,防止過度剪枝。

    3.2 基于殘差模塊的層剪枝

    為了進(jìn)一步壓縮模型,本文還采用了層剪枝策略。YOLOv4由多個(gè)殘差模塊組成,而每個(gè)殘差模塊由2個(gè)CBM(Convolution,Batch normalization and Mish)模塊和1個(gè)殘差連接組成,如圖3所示。

    Figure 3 Residual module and CBM module

    每個(gè)CBM模塊由卷積層CONV、正則化BN和激活函數(shù)Mish組成,如果殘差模塊內(nèi)僅有1個(gè)卷積層被剪去,則會(huì)破壞網(wǎng)絡(luò)中殘差結(jié)構(gòu)的完整性。在前述通道剪枝的基礎(chǔ)上,本文結(jié)合γ值進(jìn)行層剪枝,對(duì)每個(gè)殘差模塊中的CBM模塊進(jìn)行評(píng)價(jià)得到各層的γ均值,然后根據(jù)各層的γ均值計(jì)算每個(gè)殘差模塊的γ均值并對(duì)其進(jìn)行排序,然后取γ均值最小的殘差模塊進(jìn)行剪枝,這里只考慮剪掉主干中的殘差模塊。

    3.3 融合通道和層剪枝

    在實(shí)際的應(yīng)用場(chǎng)景中,僅從通道剪枝或?qū)蛹糁σ粋€(gè)方面對(duì)模型進(jìn)行壓縮,往往無法最大程度地壓縮模型中的無用信息,確保模型以最小的參數(shù)量和計(jì)算量獲得最高的檢測(cè)性價(jià)比,因此本文將融合改進(jìn)的通道和層剪枝,以盡可能地壓縮模型,使模型更便于在實(shí)際場(chǎng)景中部署。

    融合通道和層模型剪枝的剪枝流程如圖4所示,首先對(duì)網(wǎng)絡(luò)進(jìn)行稀疏化訓(xùn)練,以獲得對(duì)應(yīng)的尺度因子,然后利用改進(jìn)的Slim通道剪枝得到剪枝后的模型,再判定該模型中的每一層是否需要層剪枝,得到最終剪枝后的模型。同時(shí),由于剪枝后的模型檢測(cè)精度下降較多,本文采用知識(shí)蒸餾的方法,利用訓(xùn)練好的精度較高、參數(shù)較多的大模型指導(dǎo)剪枝后的小模型進(jìn)行再訓(xùn)練微調(diào),提高剪枝后的模型的檢測(cè)精度,最終得到參數(shù)和計(jì)算量更小、更利于實(shí)際部署的模型。

    Figure 4 Pruning process

    4 口罩人臉數(shù)據(jù)集

    4.1 構(gòu)建數(shù)據(jù)集

    本文從 WIDER FACE人臉數(shù)據(jù)集[19]中隨機(jī)抽取 3 800 幅人臉圖像,從MAFA數(shù)據(jù)集[20]中抽取4 000幅人臉戴口罩的圖像,對(duì)這些圖像進(jìn)行重新標(biāo)注和預(yù)處理,組成共7 800幅圖像的口罩人臉數(shù)據(jù)集。

    4.2 基于人臉的數(shù)據(jù)擴(kuò)增方法

    本文在數(shù)據(jù)集構(gòu)建過程中發(fā)現(xiàn),部分人臉口罩佩戴不完全,或者遮擋的人臉會(huì)被誤檢為帶口罩的人臉,如圖5a和圖5b中的口罩佩戴不完全;圖5c和圖5d中未佩戴口罩,但是因?yàn)槿四槺徽趽醣徽`識(shí)別為佩戴口罩。

    Figure 5 Erroneous detection of images

    因此,本文隨機(jī)從已抽取的人臉數(shù)據(jù)集中抽取1 000幅圖像,通過讀取標(biāo)注的人臉坐標(biāo),在其人臉框內(nèi)添加不同顏色的遮擋,如圖6所示,并將這1 000幅處理過的圖像加入數(shù)據(jù)集中,重新劃分這個(gè)數(shù)據(jù)集,隨機(jī)抽取6 000幅圖像組成訓(xùn)練集,2 800幅圖像組成測(cè)試集。

    Figure 6 Augmented images

    5 模型訓(xùn)練與實(shí)驗(yàn)結(jié)果

    5.1 模型訓(xùn)練

    為了使檢測(cè)的預(yù)設(shè)框?qū)θ四樋谡謾z測(cè)數(shù)據(jù)集的檢測(cè)精度更高,本文首先采用K-means聚類算法對(duì)訓(xùn)練集中的標(biāo)簽進(jìn)行聚類,得出最適合本文數(shù)據(jù)集的9個(gè)預(yù)設(shè)框尺寸,分別為(7,9),(13,17),(21,27),(32,43),(50,65),(70,98),(105,139),(142,185)和(185,256)。然后進(jìn)行常規(guī)訓(xùn)練,設(shè)置總訓(xùn)練批次epoch為300,采用余弦退火的學(xué)習(xí)率下降方式,使模型更好地學(xué)習(xí)數(shù)據(jù)集,達(dá)到更高的檢測(cè)精度。

    在常規(guī)訓(xùn)練得到模型的最終權(quán)重模型后,將權(quán)重輸入模型中進(jìn)行稀疏化訓(xùn)練,設(shè)置尺度稀疏率為0.002,同樣進(jìn)行300批次稀疏化訓(xùn)練,聚合模型中的參數(shù),使模型便于剪枝。

    對(duì)訓(xùn)練完成后的模型進(jìn)行通道剪枝,設(shè)置全局通道修剪百分比分別為0.5,0.6,0.7,0.8,每個(gè)卷積層通道保持百分比為10%,保證模型在剪枝的同時(shí)不會(huì)過度修剪。然后進(jìn)行層剪枝,對(duì)每一個(gè)殘差模塊進(jìn)行綜合評(píng)價(jià),設(shè)置剪掉的殘差結(jié)構(gòu)為4,8,12,16,20個(gè)。

    最后微調(diào)剪枝后的模型,采用知識(shí)蒸餾的方法重新訓(xùn)練剪枝后的模型,設(shè)置訓(xùn)練總批次為100,提升模型的檢測(cè)精度。

    5.2 實(shí)驗(yàn)結(jié)果

    通道剪枝時(shí)分別設(shè)置全局通道修剪百分比為0.5,0.6,0.7,0.8,輸入圖像尺寸為416×416,分別測(cè)試4種通道剪枝后的模型以找到最好的通道剪枝。由于經(jīng)稀疏化訓(xùn)練后的模型的檢測(cè)精度會(huì)下降,而模型剪枝是在稀疏化模型的基礎(chǔ)上進(jìn)行的,因此本文以稀疏化模型YOLOv4作為對(duì)比模型。測(cè)試結(jié)果如表1所示,模型1(Prune-0.5)剪枝率最低,參數(shù)量仍舊較大;模型2(Prune-0.6)的檢測(cè)精度下降較少;模型3(Prune-0.7)和模型4(Prune-0.8)的檢測(cè)精度下降太多,表明剪枝率過高,丟失了模型中的部分重要信息。模型2的檢測(cè)精度下降較少,同時(shí)其模型的GFLOPS、參數(shù)量和模型大小都較小。根據(jù)4個(gè)模型的檢測(cè)結(jié)果可知,在通道剪枝率設(shè)置為0.6~0.7時(shí),模型檢測(cè)精度下滑很大。這說明針對(duì)本文所用口罩?jǐn)?shù)據(jù)集和模型,在通道剪枝率為0.7時(shí)剪去了部分對(duì)口罩檢測(cè)十分重要的通道,造成模型檢測(cè)精度的嚴(yán)重下降。而在通道剪枝率為0.6時(shí),模型檢測(cè)精度下降不多,經(jīng)過再訓(xùn)練可以恢復(fù)精度,故本文選擇模型2(Prune-0.6)作為通道剪枝后的模型。

    Table 1 Performance comparison of channel pruning models

    同理,在層剪枝時(shí)分別設(shè)置剪去Shortcut結(jié)構(gòu)為4,8,12,16,20個(gè),以稀疏化訓(xùn)練后的YOLOv4模型作為剪枝基礎(chǔ)模型和對(duì)比模型。測(cè)試結(jié)果如表2所示,模型5(Shortcut-20)相比較模型4(Shortcut-16)的檢測(cè)精度下降太多,表明在層剪枝設(shè)置為剪枝20個(gè)時(shí),剪掉了模型中對(duì)口罩檢測(cè)十分重要的層,造成了檢測(cè)精度的嚴(yán)重下降;而模型4(Shortcut-16)仍舊具有一定的檢測(cè)精度,同時(shí)其GFLOPS和參數(shù)量較小,因此本文選擇模型4(Shortcut-16)作為層剪枝后的模型。

    為了進(jìn)一步驗(yàn)證剪枝的有效性,本文通過微調(diào)使模型精度得到恢復(fù)后,將剪枝后的模型與YOLOv4和YOLOv4-tiny進(jìn)行對(duì)比測(cè)試實(shí)驗(yàn)。設(shè)置4個(gè)模型,模型1(Prune-best)為本文得到的最適合模型,即通道修剪百分比為0.6和層剪枝16個(gè)殘差模塊后的模型;考慮2種極端情況:一種是剪枝率最小,通道剪枝率設(shè)置為0.5和層剪枝8個(gè)殘差模塊的模型2(Prune-least);另一種是剪枝率很高,即剪去0.8通道和16個(gè)殘差模塊的模型3(Prune-most);以及極限剪枝狀態(tài)下的模型4(Prune-limit),即通道剪枝率設(shè)置為0.9和層剪枝20個(gè)殘差模塊。

    測(cè)試結(jié)果如表3所示,由于模型1(Prune-best)是針對(duì)本文所用人臉口罩檢測(cè)數(shù)據(jù)集的,通過剪枝剪去了模型中對(duì)模型檢測(cè)精度影響不大的通道和卷積層,而盡可能保留了對(duì)檢測(cè)精度影響較大的通道和卷積層,因此進(jìn)行剪枝后的模型其GFLOPS遠(yuǎn)遠(yuǎn)小于YOLOv4的,僅有42.9,參數(shù)量僅有9.86 MB,模型大小也同樣僅有37.92 MB,而檢測(cè)精度達(dá)到了0.759,只下降了2.7%,同時(shí)其推理時(shí)間也減少了3.7 ms。對(duì)于模型2(Prune-least),由于其剪枝率最小,有較多的對(duì)模型檢測(cè)精度影響不大的層和通道仍然被保留,因此模型的參數(shù)量、大小等均沒有太大提升,但其檢測(cè)精度基本無損失;對(duì)于模型3(Prune-most),由于其剪枝率最大,因此其模型的參數(shù)量比YOLOv4的簡化模型YOLOv4-tiny少1.834 MB,其模型大小更是達(dá)到了11.69 MB,比YOLOv4-tiny的還小,但同樣因?yàn)榧糁β蔬^大,剪去了模型中較為重要的通道和卷積層,其檢測(cè)精度(mAP)比YOLOv4-tiny的高11.3%,屬于小而快、更容易部署的模型;最后的剪枝模型4(Prune-limit)更是以5.56 MB的模型大小和1.428 MB的參數(shù)量獲得了0.662的mAP。綜上所述,通過融合改進(jìn)通道和層剪枝方法,在2個(gè)方面對(duì)模型進(jìn)行剪枝,能在較大壓縮模型的參數(shù)量和大小的情況下使模型仍舊具有較高的檢測(cè)精度和更快的速度,使模型能更利于部署,檢測(cè)性價(jià)比更高,效果更好。

    Table 2 Performance comparison of layer pruning models

    Table 3 Performance comparison between the pruned model and the original model

    5.3 圖像檢測(cè)結(jié)果

    圖7所示為模型Prune-best的檢測(cè)結(jié)果,可以看出檢測(cè)效果較好,能滿足人臉口罩檢測(cè)的要求,其中圖7a~圖7d為易誤檢圖像,Prune-best可以將其準(zhǔn)確檢測(cè)出;圖7e和圖7f為實(shí)際場(chǎng)景中的檢測(cè)效果;圖7g和圖7h為實(shí)際場(chǎng)景中醫(yī)護(hù)人員口罩檢測(cè)效果。

    Figure 7 Testing results

    6 結(jié)束語

    本文采用一種基于人臉的數(shù)據(jù)擴(kuò)增方法構(gòu)建了用于人臉口罩檢測(cè)的數(shù)據(jù)集,采用改進(jìn)的通道和層剪枝的模型剪枝方法對(duì)YOLOv4進(jìn)行剪枝,實(shí)驗(yàn)結(jié)果表明,本文采用的剪枝方法能在保證精度的情況下,較大程度地壓縮模型,極限剪枝的模型達(dá)到了比YOLOv4-tiny更好的檢測(cè)效果,更少的參數(shù)量和更高的性價(jià)比,更便于部署。將模型實(shí)際部署于攝像頭、智能小車或無人機(jī)等硬件上,將是未來的研究方向。

    猜你喜歡
    剪枝人臉殘差
    人到晚年宜“剪枝”
    基于雙向GRU與殘差擬合的車輛跟馳建模
    有特點(diǎn)的人臉
    基于YOLOv4-Tiny模型剪枝算法
    基于殘差學(xué)習(xí)的自適應(yīng)無人機(jī)目標(biāo)跟蹤算法
    基于遞歸殘差網(wǎng)絡(luò)的圖像超分辨率重建
    三國漫——人臉解鎖
    剪枝
    天津詩人(2017年2期)2017-03-16 03:09:39
    平穩(wěn)自相關(guān)過程的殘差累積和控制圖
    河南科技(2015年8期)2015-03-11 16:23:52
    馬面部與人臉相似度驚人
    青春草亚洲视频在线观看| 国产免费福利视频在线观看| 日韩亚洲欧美综合| 久久久久久久精品精品| 婷婷色综合大香蕉| 人妻夜夜爽99麻豆av| 五月开心婷婷网| 国产男女超爽视频在线观看| 看免费成人av毛片| 免费大片黄手机在线观看| 久久99一区二区三区| 日韩精品有码人妻一区| 青青草视频在线视频观看| 五月天丁香电影| 黑人巨大精品欧美一区二区蜜桃 | 在线看a的网站| 美女主播在线视频| 91久久精品国产一区二区成人| 韩国av在线不卡| 91成人精品电影| 看十八女毛片水多多多| av福利片在线| 91久久精品国产一区二区成人| 国产69精品久久久久777片| 亚洲丝袜综合中文字幕| 亚洲av日韩在线播放| 久久久久久伊人网av| 中国国产av一级| 简卡轻食公司| 日韩精品免费视频一区二区三区 | 99精国产麻豆久久婷婷| 亚洲国产av新网站| 午夜免费鲁丝| 精品99又大又爽又粗少妇毛片| 欧美老熟妇乱子伦牲交| av.在线天堂| 亚洲精品日韩av片在线观看| 美女xxoo啪啪120秒动态图| www.色视频.com| 观看美女的网站| 亚洲欧美日韩另类电影网站| 精品一品国产午夜福利视频| 欧美变态另类bdsm刘玥| av线在线观看网站| 国产黄频视频在线观看| 亚洲精品视频女| 亚洲美女黄色视频免费看| 国产极品粉嫩免费观看在线 | 国精品久久久久久国模美| 欧美丝袜亚洲另类| 国产探花极品一区二区| 观看av在线不卡| 91在线精品国自产拍蜜月| 亚洲精品456在线播放app| 亚洲性久久影院| av播播在线观看一区| 久久影院123| 秋霞在线观看毛片| 精品人妻熟女毛片av久久网站| 久久久午夜欧美精品| 亚洲欧洲日产国产| 人妻少妇偷人精品九色| 久久久精品免费免费高清| 亚洲av欧美aⅴ国产| 高清av免费在线| av电影中文网址| 18禁观看日本| 亚洲经典国产精华液单| 99热网站在线观看| 高清欧美精品videossex| 久久久久久久久久久丰满| 国产欧美亚洲国产| 精品国产乱码久久久久久小说| 精品少妇久久久久久888优播| 国产精品99久久99久久久不卡 | 肉色欧美久久久久久久蜜桃| 日韩,欧美,国产一区二区三区| 亚洲精品自拍成人| 精品一区在线观看国产| 国产精品免费大片| 午夜激情av网站| 午夜视频国产福利| 亚洲熟女精品中文字幕| 午夜91福利影院| 乱码一卡2卡4卡精品| 高清午夜精品一区二区三区| 少妇人妻 视频| 嫩草影院入口| 亚洲国产毛片av蜜桃av| 国产免费福利视频在线观看| 激情五月婷婷亚洲| 婷婷色av中文字幕| 大香蕉久久网| 最近最新中文字幕免费大全7| 精品久久久精品久久久| 男女无遮挡免费网站观看| 亚洲国产精品一区二区三区在线| 久久久久视频综合| 久久久久网色| 亚洲第一av免费看| 午夜福利网站1000一区二区三区| 最近最新中文字幕免费大全7| 一级毛片我不卡| videos熟女内射| 欧美日韩一区二区视频在线观看视频在线| 免费av中文字幕在线| 在线免费观看不下载黄p国产| 免费看不卡的av| 日本与韩国留学比较| 国产黄片视频在线免费观看| 久久精品国产a三级三级三级| 最近中文字幕2019免费版| 中国三级夫妇交换| 在现免费观看毛片| 在线播放无遮挡| 69精品国产乱码久久久| 高清欧美精品videossex| 在线观看免费视频网站a站| 亚洲av国产av综合av卡| 亚洲情色 制服丝袜| 国产精品蜜桃在线观看| 日本-黄色视频高清免费观看| 大片电影免费在线观看免费| 久久精品国产亚洲网站| 欧美最新免费一区二区三区| 亚洲精品乱久久久久久| 建设人人有责人人尽责人人享有的| 精品少妇黑人巨大在线播放| 五月伊人婷婷丁香| 午夜福利影视在线免费观看| 80岁老熟妇乱子伦牲交| 免费观看a级毛片全部| 国产高清有码在线观看视频| 三级国产精品片| 国产高清国产精品国产三级| 欧美精品国产亚洲| 99九九线精品视频在线观看视频| 亚洲综合精品二区| 日韩一区二区三区影片| 老女人水多毛片| 久久毛片免费看一区二区三区| 人体艺术视频欧美日本| 午夜av观看不卡| 免费大片18禁| 精品亚洲乱码少妇综合久久| 人妻夜夜爽99麻豆av| 亚洲国产精品一区三区| videos熟女内射| 国产精品 国内视频| 综合色丁香网| 美女中出高潮动态图| 免费高清在线观看视频在线观看| 久久 成人 亚洲| 又黄又爽又刺激的免费视频.| 亚洲精品亚洲一区二区| 欧美日韩国产mv在线观看视频| 精品久久久噜噜| 日韩一本色道免费dvd| 国产成人av激情在线播放 | 大香蕉久久网| 日韩在线高清观看一区二区三区| 大香蕉久久成人网| 99九九在线精品视频| 欧美成人午夜免费资源| 精品少妇黑人巨大在线播放| 日本91视频免费播放| 久久久久国产精品人妻一区二区| 99热全是精品| 久久久久久久亚洲中文字幕| 日韩,欧美,国产一区二区三区| 寂寞人妻少妇视频99o| 26uuu在线亚洲综合色| 国产高清有码在线观看视频| 欧美亚洲日本最大视频资源| 欧美变态另类bdsm刘玥| 久久人妻熟女aⅴ| 99久久精品一区二区三区| 国产精品国产av在线观看| 亚洲一区二区三区欧美精品| 91国产中文字幕| 国国产精品蜜臀av免费| 热99国产精品久久久久久7| 久久久久久久大尺度免费视频| 国产精品99久久久久久久久| 日韩一本色道免费dvd| av又黄又爽大尺度在线免费看| 国产黄片视频在线免费观看| 丰满饥渴人妻一区二区三| 18+在线观看网站| 2022亚洲国产成人精品| 亚洲精品国产色婷婷电影| 国产精品99久久99久久久不卡 | 欧美精品一区二区大全| 国产精品久久久久久av不卡| 午夜影院在线不卡| 久久99精品国语久久久| 99久国产av精品国产电影| 熟女av电影| 国产精品秋霞免费鲁丝片| 在线 av 中文字幕| av有码第一页| 2018国产大陆天天弄谢| 在线亚洲精品国产二区图片欧美 | 一二三四中文在线观看免费高清| 又黄又爽又刺激的免费视频.| 最新的欧美精品一区二区| 久久韩国三级中文字幕| 国产一区有黄有色的免费视频| 中文天堂在线官网| 能在线免费看毛片的网站| 久久狼人影院| 99热国产这里只有精品6| 99久国产av精品国产电影| 美女中出高潮动态图| 精品久久久久久久久亚洲| 大片免费播放器 马上看| av在线老鸭窝| 在线观看免费日韩欧美大片 | 国产成人精品久久久久久| 中国国产av一级| 国产深夜福利视频在线观看| 亚洲激情五月婷婷啪啪| 人人妻人人添人人爽欧美一区卜| 国产精品一二三区在线看| 国产成人精品福利久久| 日本猛色少妇xxxxx猛交久久| 国产亚洲一区二区精品| 狠狠婷婷综合久久久久久88av| 久久久久人妻精品一区果冻| 精品亚洲乱码少妇综合久久| 欧美日韩成人在线一区二区| 久久国内精品自在自线图片| 一个人看视频在线观看www免费| 一级毛片 在线播放| 国产成人aa在线观看| 一个人看视频在线观看www免费| 亚洲一级一片aⅴ在线观看| 午夜激情av网站| 精品酒店卫生间| 精品久久蜜臀av无| 高清毛片免费看| 国产精品 国内视频| 国产精品久久久久久av不卡| 国产又色又爽无遮挡免| 色婷婷av一区二区三区视频| 日韩一区二区三区影片| 精品国产露脸久久av麻豆| 日韩av免费高清视频| 国产无遮挡羞羞视频在线观看| 美女脱内裤让男人舔精品视频| 伦理电影免费视频| 国产成人精品一,二区| 制服诱惑二区| 人妻少妇偷人精品九色| 99国产综合亚洲精品| 久久午夜综合久久蜜桃| 成人二区视频| 中文字幕人妻丝袜制服| 久久国产亚洲av麻豆专区| kizo精华| 国产精品欧美亚洲77777| 乱码一卡2卡4卡精品| 一区二区三区精品91| 日本欧美国产在线视频| 亚洲中文av在线| a级毛片免费高清观看在线播放| 妹子高潮喷水视频| 精品人妻熟女毛片av久久网站| 欧美老熟妇乱子伦牲交| 日日啪夜夜爽| 国产在线视频一区二区| 亚洲色图 男人天堂 中文字幕 | 亚洲熟女精品中文字幕| 免费观看无遮挡的男女| 极品少妇高潮喷水抽搐| 国产有黄有色有爽视频| 亚洲av福利一区| 久久久久国产精品人妻一区二区| 国产精品99久久久久久久久| 精品一区二区免费观看| 一本一本综合久久| 日韩欧美一区视频在线观看| 免费人妻精品一区二区三区视频| 免费大片18禁| 久久久久久人妻| 亚洲精品乱码久久久久久按摩| 中文字幕精品免费在线观看视频 | 3wmmmm亚洲av在线观看| 简卡轻食公司| 欧美三级亚洲精品| 午夜福利视频精品| 人妻一区二区av| 精品久久蜜臀av无| 中文字幕人妻熟人妻熟丝袜美| 国产黄频视频在线观看| 久久精品夜色国产| 久久久久久久久久成人| 丰满乱子伦码专区| 男人添女人高潮全过程视频| 26uuu在线亚洲综合色| 青春草国产在线视频| 亚洲av二区三区四区| 一区二区三区精品91| 日韩熟女老妇一区二区性免费视频| 中文天堂在线官网| 精品久久蜜臀av无| 一级黄片播放器| 欧美+日韩+精品| 极品人妻少妇av视频| 国产日韩欧美视频二区| .国产精品久久| 黑人高潮一二区| 国产乱来视频区| 久久久久国产网址| 中国三级夫妇交换| 少妇熟女欧美另类| 亚洲中文av在线| 国产男人的电影天堂91| 成人二区视频| 成年美女黄网站色视频大全免费 | 自线自在国产av| 日韩成人伦理影院| 黑人巨大精品欧美一区二区蜜桃 | 青春草视频在线免费观看| 久久免费观看电影| 国产视频首页在线观看| 18禁观看日本| 欧美精品人与动牲交sv欧美| 欧美日韩视频高清一区二区三区二| 九九爱精品视频在线观看| 欧美精品人与动牲交sv欧美| 午夜免费鲁丝| 亚洲第一av免费看| 日本av免费视频播放| 能在线免费看毛片的网站| 国产精品人妻久久久久久| 亚洲色图 男人天堂 中文字幕 | 国产亚洲一区二区精品| 水蜜桃什么品种好| 国产av一区二区精品久久| 精品久久久久久久久亚洲| 亚洲综合精品二区| 两个人免费观看高清视频| 岛国毛片在线播放| 18+在线观看网站| 久久久午夜欧美精品| 有码 亚洲区| 免费黄色在线免费观看| 国产欧美亚洲国产| 各种免费的搞黄视频| 秋霞在线观看毛片| 99视频精品全部免费 在线| 国产亚洲午夜精品一区二区久久| 久热久热在线精品观看| 免费观看av网站的网址| 国产视频首页在线观看| 极品少妇高潮喷水抽搐| 18在线观看网站| 丰满少妇做爰视频| 尾随美女入室| 日日撸夜夜添| 在线观看www视频免费| 三级国产精品欧美在线观看| 亚洲,一卡二卡三卡| 久久精品熟女亚洲av麻豆精品| 最黄视频免费看| 51国产日韩欧美| 久久久久国产网址| 亚洲国产精品一区三区| 欧美+日韩+精品| 天堂8中文在线网| 亚洲在久久综合| 青青草视频在线视频观看| 国产毛片在线视频| 久久99热这里只频精品6学生| 色5月婷婷丁香| 黑人欧美特级aaaaaa片| 欧美激情极品国产一区二区三区 | 国产精品一区www在线观看| 欧美三级亚洲精品| 国产精品一区www在线观看| 伊人亚洲综合成人网| 日韩 亚洲 欧美在线| 91午夜精品亚洲一区二区三区| 日韩 亚洲 欧美在线| 亚洲欧美精品自产自拍| 国产精品熟女久久久久浪| 99国产综合亚洲精品| 最近手机中文字幕大全| 永久网站在线| 国产精品嫩草影院av在线观看| 精品国产露脸久久av麻豆| 久久午夜福利片| 久久女婷五月综合色啪小说| 一区二区三区乱码不卡18| 国产男女超爽视频在线观看| 欧美 亚洲 国产 日韩一| 高清黄色对白视频在线免费看| 免费观看的影片在线观看| 美女脱内裤让男人舔精品视频| 在线观看免费高清a一片| videosex国产| 婷婷色综合www| 欧美xxⅹ黑人| 水蜜桃什么品种好| 最新的欧美精品一区二区| 欧美丝袜亚洲另类| 少妇人妻 视频| 91成人精品电影| 日韩中文字幕视频在线看片| 秋霞伦理黄片| 在线观看三级黄色| 蜜桃久久精品国产亚洲av| 国产精品人妻久久久久久| 人人妻人人爽人人添夜夜欢视频| 人人妻人人澡人人看| 能在线免费看毛片的网站| 亚洲国产精品999| 国产成人精品婷婷| 老熟女久久久| 哪个播放器可以免费观看大片| 五月天丁香电影| 秋霞伦理黄片| 久久婷婷青草| 超色免费av| 久久韩国三级中文字幕| 热99久久久久精品小说推荐| 精品国产乱码久久久久久小说| 最后的刺客免费高清国语| 在线观看免费视频网站a站| 国产精品一国产av| 国语对白做爰xxxⅹ性视频网站| 18+在线观看网站| www.色视频.com| 99热这里只有是精品在线观看| 国产成人精品福利久久| 中国三级夫妇交换| 久久精品国产亚洲av天美| 一级毛片黄色毛片免费观看视频| 黑人猛操日本美女一级片| 精品亚洲乱码少妇综合久久| 人人妻人人澡人人爽人人夜夜| 亚洲av福利一区| 亚洲精品国产av蜜桃| av线在线观看网站| 亚洲精品日韩在线中文字幕| 插阴视频在线观看视频| 国产在线视频一区二区| av一本久久久久| 青春草国产在线视频| 久久精品久久久久久久性| 免费观看av网站的网址| 校园人妻丝袜中文字幕| 伊人久久国产一区二区| 黄色欧美视频在线观看| 男女啪啪激烈高潮av片| 一边亲一边摸免费视频| 在线免费观看不下载黄p国产| 久久亚洲国产成人精品v| 久久久久视频综合| 三上悠亚av全集在线观看| 成人午夜精彩视频在线观看| 久久99热这里只频精品6学生| 两个人免费观看高清视频| 99九九线精品视频在线观看视频| 亚洲av二区三区四区| 一本一本综合久久| 国产黄频视频在线观看| 精品亚洲乱码少妇综合久久| 国产亚洲午夜精品一区二区久久| 日日摸夜夜添夜夜添av毛片| 王馨瑶露胸无遮挡在线观看| 母亲3免费完整高清在线观看 | 国产一区二区在线观看日韩| 久久久久久久久久久丰满| 国产亚洲欧美精品永久| 久久av网站| 王馨瑶露胸无遮挡在线观看| a级毛片在线看网站| 欧美成人精品欧美一级黄| www.色视频.com| 日韩一区二区视频免费看| 午夜免费鲁丝| 狠狠婷婷综合久久久久久88av| 51国产日韩欧美| 最黄视频免费看| 午夜影院在线不卡| 黑人欧美特级aaaaaa片| 大陆偷拍与自拍| 国产精品久久久久久精品电影小说| 国产精品成人在线| 亚洲国产精品国产精品| 97在线视频观看| 国产精品一区二区三区四区免费观看| 在线 av 中文字幕| 成人黄色视频免费在线看| 精品人妻一区二区三区麻豆| 欧美另类一区| 亚洲经典国产精华液单| 最近2019中文字幕mv第一页| 日韩伦理黄色片| 成人综合一区亚洲| 国产黄片视频在线免费观看| 制服丝袜香蕉在线| 欧美亚洲日本最大视频资源| 精品午夜福利在线看| 色5月婷婷丁香| 一区二区三区乱码不卡18| 国产黄色免费在线视频| 伊人久久国产一区二区| 亚洲欧洲精品一区二区精品久久久 | 在线天堂最新版资源| 狂野欧美激情性bbbbbb| 一区二区av电影网| 赤兔流量卡办理| 日日爽夜夜爽网站| 亚洲av欧美aⅴ国产| 中文字幕亚洲精品专区| 国产男人的电影天堂91| 久久鲁丝午夜福利片| 2021少妇久久久久久久久久久| 亚洲精品久久久久久婷婷小说| 老熟女久久久| 国产视频首页在线观看| 精品国产一区二区三区久久久樱花| 少妇 在线观看| 日韩不卡一区二区三区视频在线| 久久久精品免费免费高清| 91精品国产国语对白视频| 久久久久久久久久久久大奶| 国产无遮挡羞羞视频在线观看| 国产熟女午夜一区二区三区 | 大香蕉久久成人网| 黑人猛操日本美女一级片| 青春草视频在线免费观看| 中国国产av一级| 国产成人freesex在线| 午夜老司机福利剧场| 免费观看在线日韩| 国产 精品1| av播播在线观看一区| 国产爽快片一区二区三区| 国产成人91sexporn| 国产色爽女视频免费观看| 有码 亚洲区| 亚洲,欧美,日韩| 久久国产亚洲av麻豆专区| 亚洲经典国产精华液单| 一区二区三区免费毛片| 你懂的网址亚洲精品在线观看| 人妻人人澡人人爽人人| 大话2 男鬼变身卡| 亚洲欧美一区二区三区国产| 亚洲av国产av综合av卡| 免费看av在线观看网站| 26uuu在线亚洲综合色| 精品亚洲乱码少妇综合久久| 爱豆传媒免费全集在线观看| 99久久精品一区二区三区| 久久综合国产亚洲精品| 国产探花极品一区二区| 亚洲高清免费不卡视频| 精品国产露脸久久av麻豆| 国产老妇伦熟女老妇高清| 亚洲av国产av综合av卡| 国产一级毛片在线| 看非洲黑人一级黄片| 精品人妻一区二区三区麻豆| 久久人人爽人人爽人人片va| 赤兔流量卡办理| 校园人妻丝袜中文字幕| 国产白丝娇喘喷水9色精品| 国语对白做爰xxxⅹ性视频网站| 永久免费av网站大全| 最近手机中文字幕大全| 成人毛片a级毛片在线播放| 久久人人爽人人片av| 国产精品一国产av| 亚洲精品一区蜜桃| 国产亚洲欧美精品永久| 国产伦理片在线播放av一区| 春色校园在线视频观看| 日本av免费视频播放| 国产免费又黄又爽又色| 国产片内射在线| 亚洲国产日韩一区二区| 国产精品久久久久久av不卡| 成人综合一区亚洲| 日韩av不卡免费在线播放| 下体分泌物呈黄色| 日产精品乱码卡一卡2卡三| 日韩一区二区三区影片| 国产 一区精品| av黄色大香蕉| 一边亲一边摸免费视频| 亚洲,欧美,日韩| 精品卡一卡二卡四卡免费| 国产成人精品无人区| 日韩一区二区三区影片| 人人妻人人澡人人看| 精品久久久噜噜| 欧美性感艳星| 久久国产精品大桥未久av| 欧美日韩av久久| 亚洲天堂av无毛| 在线观看人妻少妇| 国国产精品蜜臀av免费| 久久精品国产亚洲av涩爱| 99久久综合免费| 午夜福利网站1000一区二区三区| 性色av一级| 久久久久久久久大av| 亚洲三级黄色毛片| 丰满迷人的少妇在线观看| 免费av不卡在线播放|