• <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 ?

    基于改進YOLOv5s的道路場景多任務感知算法

    2023-05-29 05:21:14宮保國陶兆勝趙瑞李慶萍伍毅吳浩
    關鍵詞:檢測模型

    宮保國,陶兆勝,趙瑞,李慶萍,伍毅,吳浩

    基于改進YOLOv5s的道路場景多任務感知算法

    宮保國,陶兆勝,趙瑞,李慶萍,伍毅,吳浩

    (安徽工業(yè)大學 機械工程學院,安徽 馬鞍山 243032)

    針對單一任務模型不能同時滿足自動駕駛多樣化感知任務的問題,提出了一種基于改進YOLOv5s的快速端到端道路多任務感知方法。首先,在YOLOv5s網絡輸出端設計兩個語義分割解碼器,能夠同時完成交通目標檢測、車道線和可行駛區(qū)域檢測任務。其次,引入RepVGG block改進YOLOv5s算法中的C3結構,借助結構重參數(shù)化策略提升模型速度和精度。為了提升網絡對于小目標的檢測能力,引入位置注意力機制對編碼器的特征融合網絡進行改進;最后基于大型公開道路場景數(shù)據(jù)集BDD100K進行實驗驗證該算法在同類型算法的優(yōu)越性。實驗結果表明,算法車輛平均檢測精度為78.3%,車道線交并比為27.2%,可行駛區(qū)域平均交并比為92.3%,檢測速度為8.03FPS,與同類型算法YOLOP、HybridNets對比,該算法綜合性能最佳。

    無人駕駛;目標檢測;多任務網絡

    自動駕駛環(huán)境感知作為影響后續(xù)決策系統(tǒng)和控制系統(tǒng)的關鍵技術,將周邊物體、行駛路徑、駕駛狀態(tài)等作為感知對象,為車輛平穩(wěn)運行提供豐富、準確的數(shù)據(jù)支撐[1-3]。目前,研究人員主要通過單任務模型解決環(huán)境感知問題,例如將單階段目標檢測模型YOLO用于車輛檢測[4],語義分割用于可行駛區(qū)域檢測的EdgeNet[5],將結合逐片卷積的語義分割模型SCNN[6]用在車道線檢測。然而,上述模型忽視了不同任務之間存在的關聯(lián)性,可行駛區(qū)域中包含其他檢測任務所需要的車道線和交通車輛位置信息,因此,不同感知任務模型會造成特征的重復提取。同時,車載平臺受到制造成本和便攜性限制,計算性能較弱,多個單任務模型同時運行會對車載計算平臺的運算能力造成挑戰(zhàn)。為了充分利用不同任務之間的關聯(lián)性,提高子任務準確性,同時降低模型的內存占用,提高計算效率,研究滿足車載平臺精度和實時性需求的多任務環(huán)境感知模型具有重要意義。

    在多任務環(huán)境感知方法研究中,TEICHMANN等[7]提出了同時完成道路場景分類、車輛檢測、可行駛區(qū)域檢測的多任務模型MultiNet,驗證了檢測任務和分割任務之間存在特定關聯(lián)性。但是由于分類任務的存在,MultiNet需要進行模型預訓練,提高了時間成本。孫宇菲[8]提出了一種結合MultiNet和改進SCNN的多任務學習模型同時檢測車道線和可行駛區(qū)域,但是該算法忽略了道路場景中最重要的目標檢測任務。QIAN等[9]提出了DLT-Net同時進行車輛檢測、車道線和可行駛區(qū)域分割,通過構建上下文張量將3個分支任務中的特征圖進行級聯(lián),顯著提高了檢測精度,但是實驗結果表明該模型在車道線不連續(xù)時檢測效果不佳。WU等[10]提出了一種能夠在嵌入式平臺實時運行的多任務模型YOLOP,通過3個分支任務解碼器共享一個特征編碼器,以降低計算量,在檢測精度和實時性上都要優(yōu)于DLT-Net,但是YOLOP中每個編碼器都是獨立設計,多個任務之間沒有共享信息。

    為了解決以上問題,本文基于YOLOv5s提出了一種快速準確完成交通車輛檢測、車道線檢測、可行駛區(qū)域分割的多任務環(huán)境感知算法。實驗結果表明,本文算法能夠有效提高模型檢測準確度和實時性能。

    1 算法理論介紹

    1.1 YOLOv5s算法原理

    圖1 YOLOv5s模型結構

    圖2 C3模塊基本結構

    圖3 SPPF模塊基本結構

    1.2 REPVGG算法原理

    圖4 RepVGG Block結構重參數(shù)化過程

    1.3 位置注意力機制原理

    圖5 位置注意力機制結構

    2 道路場景多任務感知模型

    本文研究模型整體網絡結構如圖6所示,網絡結構由編碼器和解碼器組成,其中編碼器由主干網絡和特征融合網絡組成,解碼器由可行駛區(qū)域解碼器、車道線解碼器和車輛檢測解碼器構成,編碼器用于提取不同任務所需的圖像特征,并對特征進行聚合,從而使得模型學習到多尺度的特征信息。解碼器則按照不同任務的特性設計了相對應的語義分割結構或目標檢測結構,以便網絡同時檢測3種對象。

    圖6 本文多任務網絡模型

    2.1 主干網絡改進

    為了滿足多任務環(huán)境感知模型在邊緣設備等移動硬件的實時性和準確性需求,本文引入RVB結構對圖2所示的C3模塊的殘差單元進行替換,得到RepC3模塊,其結構如圖7所示。與原來的C3模塊結構相比,在訓練階段,RepC3模塊增加梯度回傳支路;在模型推理階段中,將3分支卷積層轉換為單分支結構,更好的提升設備的內存利用率,從而提升模型的推理速度。

    圖7 RepC3模塊結構

    2.2 特征融合網絡改進

    YOLOv5s的Neck結構構建特征金字塔網絡(Feature Pyramid Network, FPN)[19]和特征聚合網絡(Feature Aggregation Network, PAN)[20]對提取的多尺度特征進行融合和再分配,提高網絡對不同尺度目標檢測結果的可靠性,F(xiàn)PN和PAN結構如圖8(a)所示。PAN結構運用Concat將不同尺度特征圖在通道維度上進行拼接,造成輸出特征圖通道數(shù)量增加。此外由于道路場景的物體之間存在相對位移,會導致目標的姿態(tài)發(fā)生改變,不利于小目標的檢測。為了提高多任務網絡算法在車載計算平臺上的推理效率和關注重要小尺度目標的能力,本文結合RepC3、位置注意力機制模塊構建一種更加有效的特征融合結構,其結構如圖8(b)所示。

    圖8 特征融合網絡結構

    2.3 語義分割任務解碼器結構設計

    由于車道線為細長狀且線條紋理不同于道路表面的長條狀指示標志,在道路場景中占比遠遠小于可行駛區(qū)域。因此在可行駛區(qū)域分割解碼器的基礎上引入SPPF模塊增強其特征提取能力,應用多個小尺寸卷積核替換SPP模塊中的單個大尺寸卷積核,既融合不同尺度的感受野,又提高了運行速度。網絡層結構如圖10所示,與可行駛區(qū)域解碼器結構相比,除了在調整通道維度后,增加了一個SPPF模塊,其余結構基本相同。

    3 損失函數(shù)選擇

    因本文模型需要同時完成交通車輛檢測、車道線檢測、可行駛區(qū)域分割,所以使用一種由3個任務各自對應的加權損失函數(shù)訓練模型,如式(1)所示。

    目標檢測分支損失函數(shù)由分類損失、置信度損失、目標框回歸損失3部分構成:

    車道線檢測分支損失函數(shù)由交叉熵損失和Dice[23]損失函數(shù)組成,交叉熵通過逐個對比每一個像素得到損失值。由于車道線像素數(shù)量遠遠少于背景像素,此時僅僅使用交叉熵損失函數(shù),會導致?lián)p失函數(shù)趨向于背景像素,因此本文通過Dice損失函數(shù)抑制樣本類別不平衡問題,其公式為

    可行駛區(qū)域檢測由于目標像素數(shù)量較多,檢測難度較低,因此僅使用交叉熵作為損失函數(shù):

    4 實驗結果及分析

    4.1 實驗數(shù)據(jù)集

    本文采用加州大學伯克利分校發(fā)布的自動駕駛公開數(shù)據(jù)集BDD100K[24]作為實驗數(shù)據(jù)集。BDD100K包含了不同天氣和時間段下的復雜道路場景圖像,并對道路車輛、車道線、可行駛區(qū)域進行了標注,能夠有效驗證算法性能。BDD100K包含10萬張圖片,其中7萬張為訓練集,1萬張為驗證集,2萬張為測試集,由于測試集標簽并未公開,因此本文在驗證集上評估算法性能。

    4.2 實驗參數(shù)設置與評估指標

    本文所做的驗證實驗均基于Pytorch1.10框架,CUDA版本為11.3,計算平臺使用的CPU為Intel Core i7-11700K,GPU為NVIDIA RTX 3070,Python版本為3.7。

    本文實驗采用召回率(Recall)、錨框交并比閾值設置為0.5時的類別平均精度均值(mean Average Precision,mAP)評估算法車輛檢測性能、交并比(Intersection over Union,IOU)評估算法車道線分割性能,平均交并比(mean Intersection over Union,mIOU)評估算法可行駛區(qū)域分割性能,每秒檢測幀數(shù)(Frames Per Seconds,F(xiàn)PS)、參數(shù)量、十億次浮點運算次數(shù)(Giga Floating Point Operations,GFLOPs)評估模型的輕量化性能和復雜度。

    召回率和類別平均精度均值的計算公式如式(7)和式(9)所示:

    交并比和平均交并比計算公式如下:

    模型迭代訓練100個epoch過程中的算法平均精度均值、損失函數(shù)變化曲線如圖11(a),(b)所示。可以看出,前50個epoch內,訓練損失下降較快,50個epoch后逐漸收斂,第80個epoch后訓練過程總損失趨于穩(wěn)定。最終選取在驗證集上評價指標最高的作為最終權重。

    圖11 訓練過程可視化

    在推理過程中,模型加載已訓練的權重,并將輸入圖像前向傳播。模型輸出結果后,經過非極大值抑制濾除重復錨框后,將其繪制在原圖上,得到圖12所示的可視化結果。由圖12可知,本文模型的車輛檢測解碼器能夠較為準確識別前方車輛位置,并且置信度分數(shù)較高。車道線和可行駛區(qū)域解碼器能夠準確識別道路兩旁的車道線以及可行駛區(qū)域。同時,本文模型在光照較弱的黑夜場景下仍能保持較好的檢測效果。

    圖12 模型推理可視化結果

    4.3 對比實驗結果

    為了驗證本文提出算法在同類型的多任務環(huán)境感知算法的優(yōu)越性,本文與現(xiàn)有的道路場景多任務算法YOLOP、HybridNets[25]進行了對比實驗,定量評價實驗指標已在4.2節(jié)詳細說明,定量實驗結果如表1所示。

    從表1中不同多任務算法感知模型的對比結果可知,與YOLOP算法比較:在車輛檢測任務中,本文算法召回率比YOLOP高了0.6個百分點,平均檢測精度高了1.8個百分點;在車道線檢測任務中,本文算法交并比IOU比YOLOP算法高了1個百分點;在可行駛區(qū)域檢測任務中,本文算法平均交并比mIOU比YOLOP高了0.8個百分點;在模型整體復雜度和實時性方面,本文算法的浮點計算量和參數(shù)量都要低于YOLOP算法,反映在本文算法FPS指標比YOLOP算法快了1.72幀。由上述分析可知,對比YOLOP算法,本文算法無論是在檢測精度還是檢測速度都占有優(yōu)勢。與HybridNets算法比較,在車輛檢測任務中,本文算法召回率比HybridNets低了3個百分點,平均檢測精度高了1個百分點;在車道線檢測任務中,本文算法交并比比HybridNets低了4.4個百分點;在可行駛區(qū)域檢測任務中,本文算法平均交并比HybridNets高了1.8個百分點;在模型整體復雜度和實時性方面,本文算法的參數(shù)量遠遠小于HybridNets算法,F(xiàn)PS指標比HybridNets算法快了2.64幀。由上述分析可知,本文算法雖然在召回率和車道線檢測任務中的指標稍遜于HybridNets算法,但是本文的實時性能優(yōu)于HybridNets方法。綜上所述,與同類型的多任務感知方法比較,本文基于YOLOv5s改進的模型有著最快檢測速度的同時,保持著較好的檢測精度,更能滿足實際部署需求。為了更加直觀展示不同算法的檢測效果,分別選取3種不同道路場景進行比較,結果如圖13所示,(a)~(c)為HybridNets檢測效果,(d)~(f)為YOLOP檢測效果,(g)~(i)是本文算法檢測效果。

    表1 多任務模型對比實驗結果

    圖13 多任務算法對比結果

    由檢測效果(a),(d),(g)可知,HybridNets對可行駛區(qū)域的檢測結果中出現(xiàn)明顯的空洞,YOLOP算法對圖像左下方像素進行了錯誤分類。由檢測效果(b),(e),(h)可知,HybridNets對可行駛區(qū)域的檢測結果中出現(xiàn)明顯的空洞,YOLOP算法對圖像左下方像素進行了錯誤分類。HybridNets模型和YOLOP方法得到的車道線檢測結果在完整度上明顯不如本文算法。檢測效果(f)中,YOLOP模型錯誤地將路邊的電動車誤檢為汽車。綜上所述,與HybridNets方法、YOLOP方法比較,本文算法的車道線和可行駛區(qū)域連續(xù)性更好,缺失程度更低,在檢測出小車輛目標的同時,不易發(fā)生誤檢。

    5 結束語

    針對單一任務模型處理自動駕駛環(huán)境感知任務實時性差、準確度低的問題,本文首先基于YOLOV5s進行改進,使其由單一任務模型轉換為多任務模型,同時完成交通車輛檢測、車道線和可行駛區(qū)域檢測。其次借助參數(shù)重參數(shù)化策略,對C3模塊進行改進,提升了模型的推理速度。最后,在特征融合網絡中引入位置注意力模塊,提升模型對于小目標的檢測能力。在公開數(shù)據(jù)集BDD100K上的實驗結果表明,本文算法能夠準確、快速地完成交通車輛檢測、車道線和可行駛區(qū)域檢測。同時與近年來的同類型多任務檢測算法比較,本文算法明顯提高了3個分支任務的檢測精度和推理速度,在計算能力欠缺的車載設備場景下,有著更強的實用價值。

    [1] 王龍飛,嚴春滿. 道路場景語義分割綜述[J]. 激光與光電子學進展,2021, 58(12): 44-66.

    [2] 于向軍,槐元輝,姚宗偉,等. 工程車輛無人駕駛關鍵技術[J]. 吉林大學學報(工學版),2021, 51(04): 1153-1168.

    [3] 彭育輝,江銘,馬中原,等. 汽車自動駕駛關鍵技術研究進展[J]. 福州大學學報(自然科學版),2021, 49(05): 691-703.

    [4] 王得成,陳向寧,趙峰,等. 基于卷積神經網絡和RGB-D圖像的車輛檢測算法[J]. 激光與光電子學進展,2019, 56(18): 119-126.

    [5] HAN H Y, CHEN Y C, HSIAO P Y, et al. Using channel-wise attention for deep CNN based real-time semantic segmentation with class-aware edge information[J]. IEEE Transactions on Intelligent Transportation Systems, 2020, 22(2): 1041-1051.

    [6] PAN X, SHI J, LUO P, et al. Spatial as deep: Spatial cnn for traffic scene understanding[C]//Proceedings of the AAAI Conference on Artificial Intelligence, 2018.

    [7] TEICHMANN M, WEBER M, ZOELLNER M, et al. Multinet: Real-time joint semantic reasoning for autonomous driving[C]//2018 IEEE Intelligent Vehicles Symposium (IV). IEEE, 2018: 1013-1020.

    [8] 孫宇菲. 基于多任務學習的車道線檢測算法研究[D]. 西安:長安大學,2021: 20-28.

    [9] QIAN Y, DOLAN J M, YANG M. DLT-Net: Joint detection of drivable areas, lane lines, and traffic objects[J]. IEEE Transactions on Intelligent Transportation Systems, 2019, 21(11): 4670-4679.

    [10] WU D, LIAO M W, ZHANG W T, et al. YOLOP: You only look once for panoptic driving erception[J]. Machine Intelligence Research, 2022, 19(6): 550-562.

    [11] REDMON J, FARHADI A. Yolov3: An incremental improvement[J]. arXiv preprint arXiv:1804.02767, 2018.

    [12] WANG C Y, LIAO H Y M, WU Y H, et al. CSPNet: A new backbone that can enhance learning capability of CNN[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops, 2020: 390-391.

    [13] XU H, LI B, ZHONG F. Light-YOLOv5: A lightweight algorithm for improved YOLOv5 in complex fire scenarios[J]. Applied Sciences, 2022, 12(23): 12312.

    [14] LIN T Y, MAIRE M, BELONGIE S, et al. Microsoft COCO: Common objects in context[C]. 13th European Conference on Computer Vision, Zurich, Switzerland, 2014: 740–755.

    [15] HE K, ZHANG X, REN S, et al. Spatial pyramid pooling in deep convolutional networks for visual recognition[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2015, 37(9): 1904-1916.

    [16] DING X, ZHANG X, MA N, et al. Repvgg: Making vgg-style convnets great again[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2021: 13733-13742.

    [17] HOU Q, ZHOU D, FENG J. Coordinate attention for efficient mobile network design [C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2021: 13713-13722.

    [18] LIN M, CHEN Q, YAN S C. Network in network[J]. arXiv preprint arXiv:1312.4400, 2013. https://arxiv.org/abs/1312.4400.

    [19] LIN T Y, DOLLáR P, GIRSHICK R, et al. Feature pyramid networks for object detection[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2017: 2117-2125.

    [20] LIU S, QI L, QIN H, et al. Path aggregation network for instance segmentation[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition, 2018: 8759-8768.

    [21] TAN M, LE Q. Efficientnet: Rethinking model scaling for convolutional neural networks[C]//International Conference on Machine Learning. PMLR, 2019: 6105-6114.

    [22] ZHANG Y F, REN W, ZHANG Z, et al. Focal and efficient IOU loss for accurate bounding box regression[J]. Neurocomputing, 2022, 506: 146-157.

    [23] MILLETARI F, NAVAB N, AHMADI S A. V-net: Fully convolutional neural networks for volumetric medical image segmentation[C]//2016 Fourth International Conference on 3D Vision (3DV). IEEE, 2016: 565-571.

    [24] YU F, CHEN H, WANG X, et al. Bdd100k: A diverse driving dataset for heterogeneous multitask learning[C]//Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2020: 2636-2645.

    [25] VU D, NGO B, PHAN H. HybridNets: End-to-end perception network[J]. arXiv preprint arXiv:2203.09035, 2022. https://arxiv.org/abs/2203.09035.

    A road multi-task perception algorithm based on improved YOLOv5s

    GONG Bao-guo,TAO Zhao-sheng,ZHAO Rui,LI Qing-ping,WU Yi,WU Hao

    (College of Mechnical Engineering, Anhui University of Technology, Anhui Maanshan 243032, China)

    Aiming at the problem that a single task model can not satisfy the diverse perception tasks of autonomous driving at the same time, a fast end-to-end road multi-task perception method based on improved YOLOv5s is proposed. First, two semantic segmentation decoders are designed at the output of the YOLOv5s network, which can simultaneously complete the tasks of traffic object detection, lane line and drivable area detection. Secondly, the RepVGG block is introduced to improve the C3 structure in the YOLOv5s algorithm, and the speed and accuracy of the model are improved with the help of the structural re-parameterization strategy. Then, in order to improve the detection ability of the network for small targets, the position attention mechanism is introduced to improve the feature fusion network of the encoder. Finally, based on the large-scale public road scene dataset BDD100K, experiments are carried out to verify the superiority of the proposed algorithm in the same type of algorithm. The experimental results show that the average vehicle detection accuracy of the algorithm in this paper is 78.3%, the lane line intersection ratio is 27.2%, the average drivable area intersection ratio is 92.3%, and the detection speed is 8.03FPS. Compared with the same type of algorithms YOLOP and HybridNets, this paper the algorithm has the best overall performance.

    autonomous driving;object detection;multi-task networks

    TP391

    A

    1007-984X(2023)03-0019-11

    2022-11-03

    安徽省自然科學基金面上項目(2108085ME166);安徽高校自然科學研究項目重點項目(KJ2021A0408)

    宮保國(1998-),男,安徽阜陽人,碩士,主要從事機器視覺研究,GBG3119@163.com。

    猜你喜歡
    檢測模型
    一半模型
    “不等式”檢測題
    “一元一次不等式”檢測題
    “一元一次不等式組”檢測題
    “幾何圖形”檢測題
    “角”檢測題
    重要模型『一線三等角』
    重尾非線性自回歸模型自加權M-估計的漸近分布
    3D打印中的模型分割與打包
    小波變換在PCB缺陷檢測中的應用
    香蕉丝袜av| 99久久久亚洲精品蜜臀av| 黑人欧美特级aaaaaa片| 久久草成人影院| 成年人黄色毛片网站| 一本一本综合久久| 亚洲欧美激情综合另类| 精品99又大又爽又粗少妇毛片 | 啦啦啦韩国在线观看视频| 亚洲欧美日韩高清在线视频| 亚洲在线观看片| 亚洲 欧美一区二区三区| 日韩欧美在线乱码| 国产熟女xx| 日韩国内少妇激情av| 婷婷精品国产亚洲av| 亚洲 欧美 日韩 在线 免费| 97碰自拍视频| 国产一区二区在线观看日韩 | 不卡一级毛片| 人人妻,人人澡人人爽秒播| av国产免费在线观看| 99久久精品热视频| 中文字幕人妻丝袜一区二区| 欧美日韩中文字幕国产精品一区二区三区| 国产精品自产拍在线观看55亚洲| 国产高清有码在线观看视频| 国模一区二区三区四区视频 | 每晚都被弄得嗷嗷叫到高潮| 中文亚洲av片在线观看爽| 99久久久亚洲精品蜜臀av| 国产野战对白在线观看| 久久精品夜夜夜夜夜久久蜜豆| 亚洲精品美女久久久久99蜜臀| av国产免费在线观看| 久久久久亚洲av毛片大全| 亚洲中文字幕一区二区三区有码在线看 | 人人妻人人看人人澡| 国产高清视频在线播放一区| or卡值多少钱| 国产单亲对白刺激| 国产精品国产高清国产av| 无遮挡黄片免费观看| 国产精品自产拍在线观看55亚洲| 婷婷丁香在线五月| 老熟妇乱子伦视频在线观看| 久久中文看片网| 丝袜人妻中文字幕| 人妻丰满熟妇av一区二区三区| 亚洲国产高清在线一区二区三| 国产免费av片在线观看野外av| 亚洲七黄色美女视频| 在线看三级毛片| 成年免费大片在线观看| 无人区码免费观看不卡| 麻豆国产av国片精品| 两人在一起打扑克的视频| 午夜福利成人在线免费观看| 久久伊人香网站| 窝窝影院91人妻| 欧美精品啪啪一区二区三区| 欧美日韩黄片免| 2021天堂中文幕一二区在线观| 久久精品夜夜夜夜夜久久蜜豆| 成人三级黄色视频| 男女午夜视频在线观看| 99国产极品粉嫩在线观看| 国产高清视频在线播放一区| 国内精品一区二区在线观看| av福利片在线观看| ponron亚洲| 国产精品香港三级国产av潘金莲| 欧美午夜高清在线| 成人特级av手机在线观看| 免费在线观看视频国产中文字幕亚洲| 激情在线观看视频在线高清| av天堂中文字幕网| 日本免费一区二区三区高清不卡| 18禁黄网站禁片免费观看直播| 日韩欧美精品v在线| 午夜a级毛片| 国产精品九九99| 搡老妇女老女人老熟妇| 给我免费播放毛片高清在线观看| 欧美3d第一页| 两个人看的免费小视频| 成人一区二区视频在线观看| 老熟妇乱子伦视频在线观看| 亚洲 国产 在线| avwww免费| 宅男免费午夜| 免费看美女性在线毛片视频| 真人一进一出gif抽搐免费| 欧美中文日本在线观看视频| 黑人欧美特级aaaaaa片| 亚洲欧美日韩东京热| 亚洲成人久久性| 少妇丰满av| 亚洲国产欧美人成| 亚洲精华国产精华精| 热99re8久久精品国产| 99久国产av精品| 啦啦啦观看免费观看视频高清| 亚洲国产精品合色在线| 国产精品久久久久久久电影 | 啦啦啦韩国在线观看视频| 免费观看精品视频网站| 色综合婷婷激情| 久久国产精品影院| 亚洲国产欧洲综合997久久,| 欧美中文日本在线观看视频| 成人特级黄色片久久久久久久| 亚洲精品色激情综合| 最近在线观看免费完整版| 国产伦精品一区二区三区四那| www.自偷自拍.com| 一个人免费在线观看的高清视频| 国产视频内射| 色老头精品视频在线观看| 全区人妻精品视频| 999精品在线视频| 黄片小视频在线播放| 国产淫片久久久久久久久 | 国产成人一区二区三区免费视频网站| 在线十欧美十亚洲十日本专区| 久久久久亚洲av毛片大全| 免费av毛片视频| 长腿黑丝高跟| 夜夜爽天天搞| 夜夜夜夜夜久久久久| 国产 一区 欧美 日韩| 99国产精品一区二区三区| 国产高潮美女av| 国产欧美日韩一区二区三| 久久中文字幕一级| 午夜精品久久久久久毛片777| 一本精品99久久精品77| 亚洲成av人片在线播放无| 亚洲熟女毛片儿| 色噜噜av男人的天堂激情| 亚洲国产欧洲综合997久久,| 老鸭窝网址在线观看| 女人被狂操c到高潮| 成人精品一区二区免费| 午夜两性在线视频| av欧美777| 久久久精品欧美日韩精品| 高清毛片免费观看视频网站| 久久草成人影院| 亚洲av片天天在线观看| 999久久久精品免费观看国产| 丰满的人妻完整版| 国产黄色小视频在线观看| 18禁裸乳无遮挡免费网站照片| 午夜激情福利司机影院| 国内精品久久久久久久电影| 国产日本99.免费观看| 国产单亲对白刺激| 国内精品久久久久精免费| 婷婷亚洲欧美| 亚洲av成人av| 给我免费播放毛片高清在线观看| 国产探花在线观看一区二区| 国产又色又爽无遮挡免费看| 国产麻豆成人av免费视频| 欧美精品啪啪一区二区三区| 国产三级黄色录像| 欧美3d第一页| 亚洲中文字幕一区二区三区有码在线看 | 精品久久蜜臀av无| 99久久久亚洲精品蜜臀av| 日本免费a在线| 99久久成人亚洲精品观看| 两个人的视频大全免费| 69av精品久久久久久| 夜夜躁狠狠躁天天躁| 久久人人精品亚洲av| a级毛片在线看网站| 一级毛片精品| 男人舔女人下体高潮全视频| 国产真实乱freesex| 免费在线观看视频国产中文字幕亚洲| 在线视频色国产色| 成人特级av手机在线观看| 亚洲色图 男人天堂 中文字幕| 丰满人妻熟妇乱又伦精品不卡| 欧美一区二区精品小视频在线| 香蕉丝袜av| 久久午夜综合久久蜜桃| 精品久久久久久,| 俺也久久电影网| 成人精品一区二区免费| 国产欧美日韩一区二区三| 午夜激情欧美在线| 精品一区二区三区视频在线观看免费| 国内毛片毛片毛片毛片毛片| 国产探花在线观看一区二区| 99精品欧美一区二区三区四区| 精品无人区乱码1区二区| 无限看片的www在线观看| 久久国产乱子伦精品免费另类| 久久久国产精品麻豆| 母亲3免费完整高清在线观看| 精品一区二区三区四区五区乱码| 精品久久久久久久久久免费视频| 757午夜福利合集在线观看| 少妇人妻一区二区三区视频| 少妇裸体淫交视频免费看高清| 在线免费观看不下载黄p国产 | 亚洲 欧美 日韩 在线 免费| 在线免费观看的www视频| 久久久久国内视频| www.熟女人妻精品国产| 一二三四在线观看免费中文在| 国产真人三级小视频在线观看| 岛国在线免费视频观看| 色视频www国产| 好看av亚洲va欧美ⅴa在| 亚洲精品一区av在线观看| 嫩草影院精品99| 国产成人av教育| 丁香六月欧美| 一区二区三区高清视频在线| 哪里可以看免费的av片| 好男人在线观看高清免费视频| 国产探花在线观看一区二区| 99久久久亚洲精品蜜臀av| 国产黄a三级三级三级人| 好男人在线观看高清免费视频| 亚洲欧美日韩高清在线视频| 免费在线观看影片大全网站| 哪里可以看免费的av片| 毛片女人毛片| 看免费av毛片| 亚洲 国产 在线| 黄色视频,在线免费观看| 亚洲一区高清亚洲精品| 亚洲自偷自拍图片 自拍| 亚洲成人精品中文字幕电影| 免费大片18禁| 又爽又黄无遮挡网站| 757午夜福利合集在线观看| 一区福利在线观看| 亚洲五月天丁香| 亚洲第一电影网av| 又紧又爽又黄一区二区| 美女黄网站色视频| 香蕉国产在线看| 中文字幕av在线有码专区| 成人国产一区最新在线观看| 九九热线精品视视频播放| 99热6这里只有精品| 韩国av一区二区三区四区| 在线视频色国产色| 岛国在线免费视频观看| 日本撒尿小便嘘嘘汇集6| 国产成人精品久久二区二区免费| 女人高潮潮喷娇喘18禁视频| 午夜亚洲福利在线播放| 精品99又大又爽又粗少妇毛片 | 欧美午夜高清在线| 后天国语完整版免费观看| 国产欧美日韩精品一区二区| 男人舔女人的私密视频| 亚洲熟妇中文字幕五十中出| 亚洲五月婷婷丁香| 日本三级黄在线观看| 国产乱人伦免费视频| 免费av毛片视频| 成年人黄色毛片网站| 丁香六月欧美| 最好的美女福利视频网| cao死你这个sao货| 欧美大码av| 免费在线观看影片大全网站| 色综合站精品国产| 夜夜夜夜夜久久久久| 又黄又爽又免费观看的视频| 色综合亚洲欧美另类图片| 久久九九热精品免费| 高潮久久久久久久久久久不卡| 一进一出抽搐gif免费好疼| 国产一区二区三区在线臀色熟女| 很黄的视频免费| 一个人看视频在线观看www免费 | www.999成人在线观看| bbb黄色大片| 好看av亚洲va欧美ⅴa在| 国产一区在线观看成人免费| 亚洲五月天丁香| 国产人伦9x9x在线观看| 亚洲真实伦在线观看| 真人一进一出gif抽搐免费| 国产黄片美女视频| 免费搜索国产男女视频| 超碰成人久久| 观看美女的网站| 久久久久久久久中文| 男女床上黄色一级片免费看| 久久国产精品人妻蜜桃| 国产欧美日韩一区二区三| 成人三级做爰电影| 精华霜和精华液先用哪个| 久久久久性生活片| 神马国产精品三级电影在线观看| 亚洲人与动物交配视频| 日韩免费av在线播放| 给我免费播放毛片高清在线观看| 动漫黄色视频在线观看| 母亲3免费完整高清在线观看| 一个人看视频在线观看www免费 | 成人亚洲精品av一区二区| 亚洲 国产 在线| 母亲3免费完整高清在线观看| 色尼玛亚洲综合影院| 欧美日韩黄片免| 亚洲性夜色夜夜综合| 欧美中文综合在线视频| 日本黄色视频三级网站网址| 九色成人免费人妻av| 欧美中文日本在线观看视频| 精品不卡国产一区二区三区| 丰满的人妻完整版| 女警被强在线播放| 老司机深夜福利视频在线观看| 日韩欧美一区二区三区在线观看| 久久久国产成人免费| 特级一级黄色大片| 色吧在线观看| 国产麻豆成人av免费视频| 国产毛片a区久久久久| 亚洲,欧美精品.| 国内精品久久久久久久电影| 免费无遮挡裸体视频| 黄色日韩在线| 国产不卡一卡二| 久久久国产成人免费| 欧美绝顶高潮抽搐喷水| 国产精品一及| 免费在线观看成人毛片| 在线a可以看的网站| 床上黄色一级片| 很黄的视频免费| 亚洲国产日韩欧美精品在线观看 | 久久婷婷人人爽人人干人人爱| 最近在线观看免费完整版| 欧美绝顶高潮抽搐喷水| 岛国视频午夜一区免费看| 亚洲欧美激情综合另类| 久久香蕉精品热| av在线天堂中文字幕| 级片在线观看| 婷婷精品国产亚洲av在线| 免费搜索国产男女视频| 一级毛片精品| 一区福利在线观看| 久99久视频精品免费| 激情在线观看视频在线高清| 天堂√8在线中文| 特大巨黑吊av在线直播| 两个人的视频大全免费| 国产成人精品无人区| 午夜久久久久精精品| 国产精品久久久久久亚洲av鲁大| 亚洲国产精品成人综合色| 成人欧美大片| avwww免费| 国产麻豆成人av免费视频| 国内精品一区二区在线观看| 一二三四社区在线视频社区8| 老司机福利观看| 日韩免费av在线播放| 夜夜爽天天搞| 亚洲中文日韩欧美视频| 久久久成人免费电影| 精品无人区乱码1区二区| 麻豆成人av在线观看| 99国产综合亚洲精品| 国产aⅴ精品一区二区三区波| 午夜免费成人在线视频| 免费看十八禁软件| netflix在线观看网站| 1024香蕉在线观看| 女人被狂操c到高潮| 国产极品精品免费视频能看的| 香蕉丝袜av| 人妻丰满熟妇av一区二区三区| www日本黄色视频网| 午夜精品在线福利| 欧美绝顶高潮抽搐喷水| 亚洲熟妇中文字幕五十中出| 亚洲avbb在线观看| 波多野结衣高清无吗| 丝袜人妻中文字幕| 搞女人的毛片| 国产午夜精品久久久久久| 国产激情久久老熟女| 日韩欧美国产一区二区入口| 亚洲五月天丁香| 亚洲无线观看免费| 99热只有精品国产| 精品日产1卡2卡| 男人舔奶头视频| 亚洲五月婷婷丁香| 久久久久国产精品人妻aⅴ院| 哪里可以看免费的av片| 黄色丝袜av网址大全| 91av网一区二区| 亚洲人成电影免费在线| 国产黄片美女视频| 亚洲精品美女久久av网站| 色av中文字幕| 久久精品人妻少妇| 性色avwww在线观看| 欧美日韩瑟瑟在线播放| 日韩三级视频一区二区三区| 亚洲avbb在线观看| 免费看a级黄色片| 好男人在线观看高清免费视频| 国产乱人伦免费视频| 黄色视频,在线免费观看| 精品国产乱子伦一区二区三区| 午夜福利欧美成人| 国内精品久久久久久久电影| 国产99白浆流出| 亚洲国产欧美一区二区综合| 在线观看舔阴道视频| 亚洲熟妇中文字幕五十中出| 日本在线视频免费播放| 巨乳人妻的诱惑在线观看| 99久久国产精品久久久| 久久精品91蜜桃| 母亲3免费完整高清在线观看| 欧美乱码精品一区二区三区| 久久久水蜜桃国产精品网| 高清在线国产一区| 欧美在线黄色| 亚洲一区高清亚洲精品| 午夜福利在线观看免费完整高清在 | 成人高潮视频无遮挡免费网站| 少妇裸体淫交视频免费看高清| 成人国产综合亚洲| 毛片女人毛片| 精品人妻1区二区| www国产在线视频色| av欧美777| 两个人看的免费小视频| 国产精品爽爽va在线观看网站| 国产精品99久久久久久久久| 免费看十八禁软件| 国内少妇人妻偷人精品xxx网站 | 亚洲av美国av| 亚洲av中文字字幕乱码综合| 91在线精品国自产拍蜜月 | 在线免费观看的www视频| 久久久久久大精品| 看免费av毛片| 91av网站免费观看| 小说图片视频综合网站| 精品欧美国产一区二区三| 亚洲 国产 在线| 狂野欧美激情性xxxx| 国产高清激情床上av| 亚洲av成人精品一区久久| 女生性感内裤真人,穿戴方法视频| 亚洲无线观看免费| 欧美xxxx黑人xx丫x性爽| 亚洲成人久久性| 国产视频内射| 国产蜜桃级精品一区二区三区| 日韩大尺度精品在线看网址| 日韩欧美免费精品| 国产亚洲av高清不卡| 亚洲成人久久爱视频| 村上凉子中文字幕在线| av黄色大香蕉| 成人特级av手机在线观看| 在线十欧美十亚洲十日本专区| 99久久无色码亚洲精品果冻| 成人高潮视频无遮挡免费网站| 最近最新中文字幕大全免费视频| 99国产精品一区二区三区| 天天添夜夜摸| 亚洲午夜理论影院| a级毛片a级免费在线| 天堂av国产一区二区熟女人妻| 国产一区二区激情短视频| 欧美最黄视频在线播放免费| 男女床上黄色一级片免费看| www.熟女人妻精品国产| 久久精品国产亚洲av香蕉五月| 国产单亲对白刺激| 亚洲美女黄片视频| xxxwww97欧美| 日韩欧美国产一区二区入口| 国产成人aa在线观看| 中文字幕久久专区| 丰满的人妻完整版| 日本三级黄在线观看| 亚洲片人在线观看| 色av中文字幕| 国产一区二区在线观看日韩 | 亚洲九九香蕉| 搡老熟女国产l中国老女人| 一个人免费在线观看的高清视频| 小蜜桃在线观看免费完整版高清| 久久久久久国产a免费观看| 啦啦啦韩国在线观看视频| 99在线人妻在线中文字幕| 国产在线精品亚洲第一网站| 国产蜜桃级精品一区二区三区| 法律面前人人平等表现在哪些方面| 在线观看一区二区三区| 校园春色视频在线观看| 国产精品香港三级国产av潘金莲| 人妻久久中文字幕网| 99re在线观看精品视频| 色av中文字幕| 美女免费视频网站| 国产美女午夜福利| 91字幕亚洲| 熟女人妻精品中文字幕| 黄色 视频免费看| 久久九九热精品免费| 小说图片视频综合网站| 久久精品91无色码中文字幕| 老司机在亚洲福利影院| 中亚洲国语对白在线视频| 成人av一区二区三区在线看| 狂野欧美激情性xxxx| 男女床上黄色一级片免费看| 不卡av一区二区三区| 一本一本综合久久| 亚洲成人中文字幕在线播放| 免费观看精品视频网站| 久久久久久大精品| 成人永久免费在线观看视频| 国产一区二区激情短视频| 国产高清有码在线观看视频| 特级一级黄色大片| 岛国在线免费视频观看| 曰老女人黄片| 欧美成人性av电影在线观看| 免费看光身美女| 岛国在线免费视频观看| 婷婷精品国产亚洲av| 男插女下体视频免费在线播放| 99视频精品全部免费 在线 | 国产亚洲精品综合一区在线观看| 国产精品女同一区二区软件 | 99久久精品国产亚洲精品| 国产蜜桃级精品一区二区三区| 亚洲av成人一区二区三| 桃红色精品国产亚洲av| 久久久国产欧美日韩av| 精品一区二区三区av网在线观看| 狠狠狠狠99中文字幕| 欧美一区二区精品小视频在线| www.精华液| 国产精品爽爽va在线观看网站| 国产精品亚洲一级av第二区| 成人鲁丝片一二三区免费| 亚洲18禁久久av| 国内精品一区二区在线观看| 18禁黄网站禁片午夜丰满| 国产精品久久久久久精品电影| 搡老熟女国产l中国老女人| 两性夫妻黄色片| 日韩 欧美 亚洲 中文字幕| 一级毛片精品| 国模一区二区三区四区视频 | 欧美日韩亚洲国产一区二区在线观看| 亚洲中文av在线| 一二三四在线观看免费中文在| 99在线视频只有这里精品首页| 男人舔奶头视频| 国产黄a三级三级三级人| 一卡2卡三卡四卡精品乱码亚洲| 亚洲自拍偷在线| 亚洲精品456在线播放app | 波多野结衣高清作品| 国产av麻豆久久久久久久| 女生性感内裤真人,穿戴方法视频| 久久久久免费精品人妻一区二区| 香蕉丝袜av| 国产精品99久久99久久久不卡| 两性夫妻黄色片| 神马国产精品三级电影在线观看| 久久草成人影院| 18禁黄网站禁片免费观看直播| 国产精品永久免费网站| 亚洲av成人av| 久久精品国产综合久久久| 亚洲av熟女| 亚洲熟女毛片儿| 18禁黄网站禁片午夜丰满| 少妇人妻一区二区三区视频| 久久伊人香网站| 亚洲av成人av| 亚洲一区二区三区不卡视频| 欧美激情在线99| 精品国产超薄肉色丝袜足j| 国产成人aa在线观看| 91av网一区二区| 九色国产91popny在线| 国产成人啪精品午夜网站| cao死你这个sao货| 亚洲熟女毛片儿| 亚洲人与动物交配视频| 国产成人系列免费观看| svipshipincom国产片| 国产成年人精品一区二区| 丁香六月欧美| 少妇裸体淫交视频免费看高清| av天堂中文字幕网|