• <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 ?

    注意力與特征融合的未來幀預(yù)測異常行為檢測算法

    2023-09-12 07:26:14張瑜瑋王燕妮
    探測與控制學(xué)報(bào) 2023年4期
    關(guān)鍵詞:損失預(yù)測特征

    張瑜瑋,王燕妮

    (西安建筑科技大學(xué)信息與控制工程學(xué)院, 陜西 西安 710055)

    0 引言

    異常行為檢測是增強(qiáng)監(jiān)控場所安全的重要科學(xué)技術(shù)手段,具有重要的社會(huì)價(jià)值和應(yīng)用價(jià)值[1]。傳統(tǒng)的異常行為檢測算法特征提取方法包括通過獲取物體在運(yùn)動(dòng)過程中的位置、長度、速度等信息構(gòu)造特征的基于軌跡的方法[2-3]和通過提取底層的空間信息的基于低維特征的方法[4-7]。雖然這些方法在某些特定的場景下能夠取得較好的檢測效果,但這些方法是通過人工提取特征,算法對于數(shù)據(jù)庫依賴較大,其異常檢測算法不具有客觀性,且易受光照變換、視角轉(zhuǎn)換、圖像噪聲等方面的影響。

    隨著卷積神經(jīng)網(wǎng)絡(luò)在行為識(shí)別領(lǐng)域研究的逐步深入,基于深度學(xué)習(xí)的視覺特征逐漸應(yīng)用到異常行為檢測模型中,并取得了較大的進(jìn)展。目前,基于深度學(xué)習(xí)的異常行為檢測主要有兩個(gè)方向:一是基于重構(gòu)的異常行為檢測;二是基于預(yù)測的異常行為檢測?;谥貥?gòu)的異常行為檢測是對輸入正常行為的視頻圖像進(jìn)行特征提取,再解碼為重構(gòu)圖像,最終以重構(gòu)誤差作為異常得分判斷視頻圖像中是否含有異常行為。該方法包括以循環(huán)卷積網(wǎng)絡(luò)[8-10](RNN)、生成對抗網(wǎng)絡(luò)[11](GAN)、3D卷積網(wǎng)絡(luò)[12]等網(wǎng)絡(luò)為基礎(chǔ)模型進(jìn)行圖像重構(gòu)。由于基于重構(gòu)的異常行為檢測方法僅在正常數(shù)據(jù)上進(jìn)行學(xué)習(xí),因此模型不能準(zhǔn)確判斷出遮擋情況下的異常行為,導(dǎo)致檢測效果差?;陬A(yù)測的異常行為檢測,通過提取一段連續(xù)幀視頻圖像的外觀特征與運(yùn)動(dòng)特征進(jìn)行建模,生成預(yù)測圖像,將預(yù)測圖像與真實(shí)圖像進(jìn)行對比得到預(yù)測誤差來判斷。該方法主要應(yīng)用于異常行為類型定義不準(zhǔn)確的檢測算法中。

    針對現(xiàn)實(shí)生活中提取到的視頻無任何標(biāo)簽信息,異常行為類型不能準(zhǔn)確判斷等問題,提出一種注意力與特征融合的未來幀預(yù)測算法用于異常行為檢測。

    1 相關(guān)理論

    1.1 生成對抗網(wǎng)絡(luò)

    生成對抗網(wǎng)絡(luò)(GAN)是一種生成式的、對抗的無監(jiān)督網(wǎng)絡(luò)模型,是生成網(wǎng)絡(luò)和判別網(wǎng)絡(luò)兩個(gè)神經(jīng)網(wǎng)絡(luò)相互競爭的過程。生成器的目的是通過學(xué)習(xí)真實(shí)的圖像數(shù)據(jù)分布盡可能生成讓判別器無法區(qū)分的逼真樣本,而判別器則是盡可能去判別該樣本是真實(shí)樣本還是由生成器生成的假樣本。在理想條件下,生成器和判別器會(huì)達(dá)到納什均衡狀態(tài)。圖1展示了GAN的基本框架。

    圖1 生成對抗網(wǎng)絡(luò)原理圖

    為了使模型更加關(guān)注圖像的細(xì)節(jié)特征,提高圖像的清晰度,2017年Isola等人提出馬爾可夫判別器(PatchGAN)[13],將判別器改進(jìn)成了全卷積網(wǎng)絡(luò),輸出n×n的矩陣作為評價(jià)值用來評價(jià)生成器的生成圖像。

    1.2 U-Net網(wǎng)絡(luò)

    基于自身參數(shù)較少、易于訓(xùn)練的優(yōu)點(diǎn),U-Net網(wǎng)絡(luò)在圖像檢測領(lǐng)域得到了廣泛的應(yīng)用[14]。為了解決梯度消失和信息不平衡問題, U-Net網(wǎng)絡(luò)在編碼器與解碼器之間引入跳躍連接,將相同分辨率的全局空間信息與局部細(xì)節(jié)信息進(jìn)行融合,生成較高質(zhì)量的圖像。

    文獻(xiàn)[15]提出了一種基于生成對抗網(wǎng)絡(luò)預(yù)測未來幀的異常行為檢測方法,該方法以正常樣本進(jìn)行學(xué)習(xí),運(yùn)用以U-Net網(wǎng)絡(luò)作為生成器的生成對抗網(wǎng)絡(luò),通過對比預(yù)測幀和未來幀,判斷圖像是否包含異常行為,但該方法的準(zhǔn)確率還需要進(jìn)一步提升。

    2 注意力與特征融合的未來幀預(yù)測異常行為檢測算法

    為了對原始算法的不足進(jìn)行改進(jìn),本文采用無監(jiān)督學(xué)習(xí)方式進(jìn)行視頻幀預(yù)測,利用生成對抗網(wǎng)絡(luò)作為基礎(chǔ)網(wǎng)絡(luò),以U-Net網(wǎng)絡(luò)為基礎(chǔ)對生成器進(jìn)行改進(jìn)。首先引入了SoftPool層盡可能減少池化過程中帶來的信息損失;其次,為了保留更為豐富的上下文信息,突出關(guān)鍵信息部分,引入ECA注意力機(jī)制;然后,編碼器對輸入的連續(xù)幀進(jìn)行下采樣提取底層特征,并將最后一層特征圖輸入BTENet模塊編碼全局信息,學(xué)習(xí)特征像素之間的相關(guān)信息;最后,在網(wǎng)絡(luò)特征圖的輸出部分引入CSENet模塊,基于注意力機(jī)制的特征提取出更加符合要求的通道作為輸出。然后將預(yù)測圖像輸入到馬爾可夫判別器中,由其判斷真假。為了提升模型的預(yù)測效果,施加強(qiáng)度和梯度損失函數(shù)對空間進(jìn)行約束,并加入光流損失來加強(qiáng)時(shí)間約束,保證運(yùn)動(dòng)的一致性。整體網(wǎng)絡(luò)框架如圖2所示。

    圖2 整體網(wǎng)絡(luò)框架圖

    2.1 SoftPool池化層

    異常行為檢測中所采集到的數(shù)據(jù)集大多包含大量背景信息,人在圖像中所占像素較少且相鄰幀圖像的相似度較高。原U-Net網(wǎng)絡(luò)利用最大值池化實(shí)現(xiàn)下采樣的過程容易損失部分重要信息導(dǎo)致誤檢。因此,使用SoftPool[16]池化層替換U-Net中的最大池化層,利用softmax的加權(quán)方法保留輸入圖像的特征屬性,對感受野內(nèi)的所有像素以加權(quán)求和的方式映射到網(wǎng)絡(luò)的下一層,使得網(wǎng)絡(luò)在對特征圖進(jìn)行下采樣的同時(shí),盡量減少特征信息的丟失,更多保留圖中的細(xì)粒度信息,適用于異常行為的特征提取網(wǎng)絡(luò)。

    2.2 高效通道注意力機(jī)制

    考慮到計(jì)算性能和模型的復(fù)雜度,在特征融合層中引入了一種輕量級注意力機(jī)制ECA-Net[17],其架構(gòu)圖如圖3所示。

    圖3 ECA架構(gòu)圖

    該網(wǎng)絡(luò)在不降低通道維數(shù)的情況下進(jìn)行跨通道信息交互。首先采用全局平均池化操作實(shí)現(xiàn)低維嵌入,得到1×1×C的特征向量,其次采用大小為K的一維卷積進(jìn)行局部跨通道連接操作。通道數(shù)C和局部跨通道卷積核K對應(yīng)關(guān)系為

    (1)

    式(1)中,r=2,b=1,K為計(jì)算出來臨近的奇數(shù)值。

    2.3 BTENet模塊

    基于BoTNet模型[18]在低層U-Net編碼器與解碼器之間添加改進(jìn)的Bottleneck Transformers模塊和ECA模塊組合而成的BTENet模塊,其結(jié)構(gòu)圖如圖4所示。其中Bottleneck Transformers模塊借鑒了ResNet Bottleneck模塊結(jié)構(gòu),將ResNet Bottleneck模塊中的空間卷積層替換成多頭自注意力塊MHSA(multi-head self-attention),如圖5所示。添加BTENet模塊后,提升目標(biāo)檢測的性能,使得網(wǎng)絡(luò)能夠更好地提取圖像中有效的局部特征,聚合圖像全局信息的同時(shí)降低模型參數(shù)量,使延遲最小化。

    圖4 BTE Net結(jié)構(gòu)圖

    圖5 MHSA結(jié)構(gòu)圖

    2.4 CSENet模塊

    為了更好融合圖像的上下文信息,增強(qiáng)特征表示,改進(jìn)了解碼器輸出分類層的上采樣網(wǎng)絡(luò)結(jié)構(gòu),將其命名為CSENet。該模塊將單一的卷積層替換成殘差網(wǎng)絡(luò)結(jié)構(gòu)[19],同時(shí)考慮到特征通道間重要程度的不同,提高對圖像幀關(guān)鍵信息的提取能力,引入SE注意力模塊[20],為后續(xù)圖像預(yù)測過程打基礎(chǔ)。CSENet模塊的結(jié)構(gòu)圖如圖6所示。

    圖6 CSE Net結(jié)構(gòu)圖

    3 實(shí)驗(yàn)與結(jié)果分析

    3.1 約束條件與評價(jià)指標(biāo)

    3.1.1損失函數(shù)

    在本文實(shí)驗(yàn)中,生成器不僅被訓(xùn)練用來欺騙判別器,而且還被要求約束條件中生成的圖像和原圖像之間的相似性。因此,生成器的損失函數(shù)由強(qiáng)度損失、梯度損失、光流損失、對抗損失組成。

    強(qiáng)度損失用來保證兩幀圖像的RGB空間中對應(yīng)像素的相似性;梯度損失可以使生成的圖像銳化,更好地保持幀的清晰度;引入光流損失為了約束運(yùn)動(dòng)信息,計(jì)算預(yù)測幀與真實(shí)幀之間運(yùn)動(dòng)信息。

    生成對抗網(wǎng)絡(luò)的訓(xùn)練過程包含訓(xùn)練判別器和訓(xùn)練生成器。判別器和生成器的訓(xùn)練過程的損失函數(shù)為

    (2)

    (3)

    (4)

    最終得到生成器的損失函數(shù)為

    (5)

    判別器的損失函數(shù)為

    (6)

    式(6)中,λi表示強(qiáng)度損失函數(shù)的權(quán)重,λg表示梯度損失函數(shù)的權(quán)重,λo表示光流損失函數(shù)的權(quán)重,λa表示對抗損失函數(shù)的權(quán)重。

    3.1.2異常得分函數(shù)

    (7)

    PSNR越小表明該幀是異常的概率越大,因此,可根據(jù)PSNR設(shè)置閾值判斷視頻幀是否異常。

    3.2 實(shí)驗(yàn)數(shù)據(jù)及評價(jià)指標(biāo)

    CUHK Avenue數(shù)據(jù)集是目前視頻異常檢測領(lǐng)域最廣泛使用的數(shù)據(jù)集之一,其主要包括16個(gè)訓(xùn)練視頻段和21個(gè)測試視頻段,測試視頻中總共包含有47個(gè)異常事件。每個(gè)視頻時(shí)長約為1 min,視頻幀的分辨率大小為640×360。部分異常行為示例如圖7所示。

    圖7 CUHK Avenue數(shù)據(jù)集部分異常行為示例

    UCSD Ped2數(shù)據(jù)集由加州大學(xué)制作的視頻異常檢測數(shù)據(jù)集,其異常事件都與交通工具有關(guān),部分異常行為如圖8所示。該數(shù)據(jù)集包含16個(gè)訓(xùn)練視頻段和12個(gè)測試視頻端,測試視頻共包含12個(gè)異常事件。每個(gè)視頻段大約包含170幀灰度圖,視頻的分辨率大小為360×240。

    圖8 UCSD Ped2數(shù)據(jù)集部分異常行為示例

    該模型在NVIDIA Tesla V100,顯存為16 GB的平臺(tái)上進(jìn)行實(shí)驗(yàn),使用Python3.8語言,軟件環(huán)境為Pytorch 1.8.1,cuda 10.2。

    為了衡量本文方法用于視頻異常行為檢測的有效性,采用了控制異常得分閾值來繪制接收者操作特征曲線(receiver operating characteristic,ROC)的曲線下面積(area under curve,AUC)作為評價(jià)指標(biāo)。本文方法和大多數(shù)算法一樣,使用幀級別AUC來評價(jià)算法性能,即只要在視頻幀中任何一個(gè)位置被判定為異常,則該視頻幀就被判定為異常。

    3.3 參數(shù)設(shè)置

    訓(xùn)練時(shí),所有幀的像素被歸一化值[-1,1],每幀圖像大小設(shè)置為256×256,將連續(xù)4幀圖像作為生成器的輸入數(shù)據(jù),即設(shè)置t=4。使用Adam優(yōu)化方法,生成器和判別器的學(xué)習(xí)率分別設(shè)置為0.000 2和0.000 02,目標(biāo)函數(shù)中λi、λg、λo、λa分別設(shè)置為1.0、1.0、2.0、0.05。

    3.4 實(shí)驗(yàn)結(jié)果

    3.4.1檢測性能比較

    為了證明本文方法在視頻異常檢測方面的有效性,將改進(jìn)的方法與現(xiàn)有的7種不同方法在CUHK Avenue數(shù)據(jù)集和UCSD Ped2數(shù)據(jù)集中進(jìn)行比較。其中包含構(gòu)建傳統(tǒng)淺層模型、深度重構(gòu)模型、深度預(yù)測模型三類。MPPCA(概率主成分分析器的混合)+SF(社會(huì)力)[6]、MDT(動(dòng)態(tài)紋理的混合)[21]是基于手工特征的方法;Conv-AE[22]、Convlstm-AE[9]、Stacked RNN[10]和Self-training[23]是基于自編碼器的方法,通過重構(gòu)模型檢測異常行為;Pred+Recon[15]是基于生成對抗網(wǎng)絡(luò)的方法,通過預(yù)測模型檢測異常行為。表1顯示了各種方法的幀級視頻異常檢測結(jié)果。

    表1 不同算法在CUHK Avenue和UCSD Ped2數(shù)據(jù)集上的AUC結(jié)果對比

    從表1可以觀察到,基于自編碼器的深度重構(gòu)模型通常優(yōu)于基于手工特征的傳統(tǒng)淺層模型。這是因?yàn)槭止ぬ卣鞯奶崛⊥ǔJ腔谄渌娜蝿?wù)而取得的,因此可能是次優(yōu)的。此外,從表中數(shù)據(jù)還可以發(fā)現(xiàn)基于生成對抗網(wǎng)絡(luò)的深度預(yù)測模型比大多數(shù)基線方法表現(xiàn)更優(yōu)。本文提出的算法在CUHK Avenue數(shù)據(jù)集上取得了85.4%的AUC,比效果最優(yōu)的Pred+Recon方法領(lǐng)先0.5%。在UCSD Ped2數(shù)據(jù)集上AUC達(dá)到了92.4%。

    為了更直觀地顯示本文算法的有效性,圖9展示了最優(yōu)的深度學(xué)習(xí)預(yù)測算法同一視頻幀的熱圖和本文改進(jìn)算法的熱圖。通過對比可以看出,改進(jìn)算法中目標(biāo)和背景差被明顯放大,背景噪聲減小,亮度被抑制,有利于網(wǎng)絡(luò)更專注于提取運(yùn)動(dòng)的目標(biāo),同時(shí)減少了背景對目標(biāo)的影響。

    3.4.2有效性驗(yàn)證及討論

    為了驗(yàn)證本文方法中各個(gè)模塊的有效性,在CUHK Avenue數(shù)據(jù)集上做了消融實(shí)驗(yàn)來驗(yàn)證。實(shí)現(xiàn)結(jié)果如表2所示。

    表2 不同模塊結(jié)果對比

    3.4.3異常行為結(jié)果顯示

    以CUHK Avenue數(shù)據(jù)集的Testing05測試視頻為示例顯示異常檢測結(jié)果,如圖10所示。橫軸表示視頻幀數(shù),縱軸用預(yù)測幀與真實(shí)幀之間的峰值信噪比(PSNR)作為異常得分的評判指標(biāo),本文將閾值設(shè)置為35,PSNR值越小,則表明有異常行為出現(xiàn),PSNR值越大,則行為正常。從圖中可以看出,當(dāng)行人正常行走時(shí),PSNR保持較高值,當(dāng)有行人出現(xiàn)并拋擲物體時(shí),異常得分極速降低;最后行人恢復(fù)正常行走時(shí),PSNR又恢復(fù)到較高水平值。

    圖10 異常檢測結(jié)果

    4 結(jié)論

    注意力與特征融合的未來幀預(yù)測異常行為檢測算法通過構(gòu)建生成對抗網(wǎng)絡(luò)對視頻進(jìn)行未來幀預(yù)測來檢測異常行為,該算法對U-Net網(wǎng)絡(luò)框架進(jìn)行了改進(jìn),引入了一種快速高效的池化方法,設(shè)計(jì)了新的特征融合模塊和特征提取模塊,引入了輕量級注意力機(jī)制,有效改善了復(fù)雜場景下前景背景區(qū)分不明顯,視頻流時(shí)空間信息量不均衡,檢測效果差等問題。實(shí)驗(yàn)結(jié)果表明,該算法對復(fù)雜場景中的人體異常檢測更準(zhǔn)確,在CUHK Avenue數(shù)據(jù)集中AUC達(dá)到了0.854,在UCSD Ped2數(shù)據(jù)集中AUC達(dá)到了0.924,證明了改進(jìn)方法的有效性。但該算法的檢測速度有所下降,在后續(xù)工作中將進(jìn)一步輕量化網(wǎng)絡(luò)結(jié)構(gòu),提升算法的檢測速度。

    猜你喜歡
    損失預(yù)測特征
    無可預(yù)測
    黃河之聲(2022年10期)2022-09-27 13:59:46
    選修2-2期中考試預(yù)測卷(A卷)
    選修2-2期中考試預(yù)測卷(B卷)
    少問一句,損失千金
    胖胖損失了多少元
    如何表達(dá)“特征”
    不忠誠的四個(gè)特征
    玉米抽穗前倒伏怎么辦?怎么減少損失?
    抓住特征巧觀察
    不必預(yù)測未來,只需把握現(xiàn)在
    大香蕉久久网| 99久久人妻综合| 日日爽夜夜爽网站| 日韩精品有码人妻一区| 亚洲av国产av综合av卡| www.av在线官网国产| 亚洲视频免费观看视频| 超碰97精品在线观看| 精品国产国语对白av| 国产麻豆69| 91午夜精品亚洲一区二区三区| av.在线天堂| 亚洲成人av在线免费| 成年动漫av网址| 春色校园在线视频观看| √禁漫天堂资源中文www| 国产男女内射视频| 男人操女人黄网站| 90打野战视频偷拍视频| 亚洲精华国产精华液的使用体验| 国产精品亚洲av一区麻豆 | av天堂久久9| 国产一区二区在线观看av| 亚洲熟女精品中文字幕| 婷婷色麻豆天堂久久| 大话2 男鬼变身卡| 国产在线视频一区二区| 成年动漫av网址| tube8黄色片| 不卡av一区二区三区| 亚洲,一卡二卡三卡| 国产精品无大码| 美女脱内裤让男人舔精品视频| 国产又色又爽无遮挡免| 黄色 视频免费看| av国产久精品久网站免费入址| 国产综合精华液| 97在线视频观看| 久久这里只有精品19| 国产精品 国内视频| 国产免费现黄频在线看| kizo精华| 80岁老熟妇乱子伦牲交| 巨乳人妻的诱惑在线观看| 侵犯人妻中文字幕一二三四区| 亚洲av电影在线观看一区二区三区| av天堂久久9| 啦啦啦在线观看免费高清www| 女人精品久久久久毛片| 成人毛片60女人毛片免费| 黑丝袜美女国产一区| 亚洲三级黄色毛片| 超碰97精品在线观看| 成人二区视频| 性色av一级| 在现免费观看毛片| 啦啦啦在线免费观看视频4| 欧美精品国产亚洲| 精品国产乱码久久久久久小说| 中文欧美无线码| 欧美日韩成人在线一区二区| 狠狠婷婷综合久久久久久88av| 黄色配什么色好看| 美女脱内裤让男人舔精品视频| 日韩欧美一区视频在线观看| 黄色 视频免费看| 中文字幕制服av| 久久国产亚洲av麻豆专区| 亚洲一级一片aⅴ在线观看| 亚洲一区二区三区欧美精品| 国产精品二区激情视频| 国产精品国产av在线观看| 国产淫语在线视频| 高清视频免费观看一区二区| 欧美日韩综合久久久久久| 麻豆av在线久日| 成人国语在线视频| 久久热在线av| 日韩欧美精品免费久久| 妹子高潮喷水视频| 欧美日韩亚洲高清精品| 国产亚洲精品第一综合不卡| 日韩精品免费视频一区二区三区| 老汉色av国产亚洲站长工具| 久久精品人人爽人人爽视色| 精品福利永久在线观看| 美女主播在线视频| 少妇的丰满在线观看| 天美传媒精品一区二区| 欧美人与性动交α欧美软件| 少妇人妻精品综合一区二区| 在线亚洲精品国产二区图片欧美| 免费少妇av软件| 国产一区二区三区综合在线观看| 少妇的逼水好多| 欧美成人精品欧美一级黄| 亚洲 欧美一区二区三区| 国产一区二区 视频在线| 精品少妇久久久久久888优播| 国产亚洲欧美精品永久| 日韩av免费高清视频| 精品少妇久久久久久888优播| 精品卡一卡二卡四卡免费| 王馨瑶露胸无遮挡在线观看| 欧美日韩国产mv在线观看视频| 久久久久精品性色| 婷婷色av中文字幕| 久久久久久人妻| 人妻少妇偷人精品九色| 最近手机中文字幕大全| 久久久久视频综合| 欧美+日韩+精品| 亚洲国产欧美网| av国产精品久久久久影院| 国产免费一区二区三区四区乱码| 国语对白做爰xxxⅹ性视频网站| 久久精品国产综合久久久| 一本色道久久久久久精品综合| 日韩一卡2卡3卡4卡2021年| 免费在线观看黄色视频的| av福利片在线| 美女国产视频在线观看| 一边亲一边摸免费视频| 亚洲欧洲日产国产| 日韩精品有码人妻一区| 视频在线观看一区二区三区| 国产av码专区亚洲av| 国产探花极品一区二区| 亚洲精品美女久久久久99蜜臀 | 一级爰片在线观看| 国产爽快片一区二区三区| 久久国产精品男人的天堂亚洲| 一区二区日韩欧美中文字幕| 久久国产精品大桥未久av| 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | 春色校园在线视频观看| 国产av国产精品国产| 国产日韩一区二区三区精品不卡| 亚洲精品乱久久久久久| 精品久久久久久电影网| 婷婷色麻豆天堂久久| 国产免费福利视频在线观看| 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | 美女高潮到喷水免费观看| 国产精品二区激情视频| 精品酒店卫生间| videosex国产| 中文天堂在线官网| 国产精品偷伦视频观看了| 亚洲国产精品一区二区三区在线| 亚洲成色77777| 亚洲国产日韩一区二区| 不卡视频在线观看欧美| 人妻一区二区av| 亚洲第一青青草原| 国产又色又爽无遮挡免| 国产探花极品一区二区| 国产免费现黄频在线看| 你懂的网址亚洲精品在线观看| 免费人妻精品一区二区三区视频| 久久ye,这里只有精品| 免费在线观看视频国产中文字幕亚洲 | 午夜精品国产一区二区电影| 三级国产精品片| 丝袜脚勾引网站| 人妻少妇偷人精品九色| 下体分泌物呈黄色| 亚洲国产毛片av蜜桃av| 国产精品.久久久| 一区二区三区精品91| 大片电影免费在线观看免费| videossex国产| 亚洲欧美清纯卡通| av国产精品久久久久影院| 丰满迷人的少妇在线观看| 美女xxoo啪啪120秒动态图| 99热国产这里只有精品6| 中文字幕另类日韩欧美亚洲嫩草| 亚洲国产精品一区二区三区在线| 中文天堂在线官网| 亚洲精品日韩在线中文字幕| 国产精品成人在线| 国产极品粉嫩免费观看在线| 极品人妻少妇av视频| 制服人妻中文乱码| 夜夜骑夜夜射夜夜干| 欧美亚洲日本最大视频资源| 亚洲精品国产av蜜桃| 国产免费又黄又爽又色| 美女午夜性视频免费| 美女午夜性视频免费| 久久av网站| 五月开心婷婷网| 日韩av在线免费看完整版不卡| 免费在线观看黄色视频的| 亚洲成国产人片在线观看| av天堂久久9| 亚洲欧美一区二区三区久久| 亚洲欧美中文字幕日韩二区| 久久人人爽人人片av| 男人舔女人的私密视频| 尾随美女入室| 亚洲国产日韩一区二区| 看十八女毛片水多多多| 国产成人精品久久久久久| 少妇人妻久久综合中文| 国产成人精品久久二区二区91 | 极品少妇高潮喷水抽搐| 免费黄频网站在线观看国产| 精品人妻在线不人妻| 伦精品一区二区三区| 国产成人精品福利久久| 肉色欧美久久久久久久蜜桃| 观看av在线不卡| 免费av中文字幕在线| 嫩草影院入口| 人妻人人澡人人爽人人| 亚洲欧美中文字幕日韩二区| 亚洲精品成人av观看孕妇| 欧美日韩亚洲高清精品| 国产成人精品福利久久| 国产成人91sexporn| 美女福利国产在线| 免费黄网站久久成人精品| 日韩熟女老妇一区二区性免费视频| 国产国语露脸激情在线看| 人人澡人人妻人| 成年人午夜在线观看视频| 麻豆精品久久久久久蜜桃| 国产乱人偷精品视频| 久久久久国产网址| 麻豆av在线久日| 亚洲内射少妇av| 五月天丁香电影| 国产日韩欧美在线精品| 国产免费福利视频在线观看| 亚洲精品乱久久久久久| 亚洲综合精品二区| 丝袜喷水一区| 肉色欧美久久久久久久蜜桃| 久久这里只有精品19| 国产成人a∨麻豆精品| 久久精品久久久久久久性| 亚洲精品一区蜜桃| 美女脱内裤让男人舔精品视频| 日韩伦理黄色片| 91在线精品国自产拍蜜月| 亚洲av综合色区一区| 久久久久国产网址| 欧美日韩视频精品一区| 天堂8中文在线网| 激情视频va一区二区三区| 亚洲在久久综合| 欧美bdsm另类| av国产精品久久久久影院| 亚洲国产成人一精品久久久| 日韩,欧美,国产一区二区三区| 69精品国产乱码久久久| 校园人妻丝袜中文字幕| 老汉色∧v一级毛片| 亚洲成av片中文字幕在线观看 | 激情五月婷婷亚洲| 九色亚洲精品在线播放| 精品国产一区二区三区四区第35| 人人妻人人爽人人添夜夜欢视频| 狠狠婷婷综合久久久久久88av| 亚洲精品aⅴ在线观看| 两性夫妻黄色片| 一本—道久久a久久精品蜜桃钙片| 一本大道久久a久久精品| 国产精品久久久av美女十八| 国产熟女欧美一区二区| 亚洲欧洲国产日韩| 9191精品国产免费久久| 国产黄色视频一区二区在线观看| 伊人久久国产一区二区| 国产精品二区激情视频| 大香蕉久久成人网| 欧美少妇被猛烈插入视频| 日韩免费高清中文字幕av| 国产在线一区二区三区精| 伦理电影大哥的女人| 久久精品国产自在天天线| 久久97久久精品| 纯流量卡能插随身wifi吗| 美女高潮到喷水免费观看| 亚洲美女视频黄频| 最近中文字幕高清免费大全6| 国产乱人偷精品视频| 国产成人精品久久久久久| 午夜久久久在线观看| 性色av一级| 亚洲在久久综合| 日韩一卡2卡3卡4卡2021年| 热99国产精品久久久久久7| 日韩精品免费视频一区二区三区| 在线观看免费日韩欧美大片| 亚洲 欧美一区二区三区| 18禁动态无遮挡网站| 老司机影院毛片| 欧美精品国产亚洲| 少妇人妻精品综合一区二区| 久久久欧美国产精品| 香蕉国产在线看| 精品少妇内射三级| 极品少妇高潮喷水抽搐| 成人免费观看视频高清| 日产精品乱码卡一卡2卡三| 免费不卡的大黄色大毛片视频在线观看| 在线观看美女被高潮喷水网站| 91精品伊人久久大香线蕉| 三级国产精品片| 精品人妻熟女毛片av久久网站| 国产黄频视频在线观看| 国产精品久久久久久av不卡| 亚洲少妇的诱惑av| 90打野战视频偷拍视频| 观看av在线不卡| 观看美女的网站| 成年av动漫网址| 亚洲人成77777在线视频| 亚洲欧美一区二区三区久久| av在线老鸭窝| 一级毛片黄色毛片免费观看视频| 成人手机av| av国产久精品久网站免费入址| 中文字幕人妻丝袜一区二区 | 国产日韩欧美在线精品| 日韩不卡一区二区三区视频在线| 一边摸一边做爽爽视频免费| av.在线天堂| 久久韩国三级中文字幕| 国产成人精品福利久久| 久久99热这里只频精品6学生| av视频免费观看在线观看| 精品午夜福利在线看| 丝瓜视频免费看黄片| 麻豆av在线久日| 女性被躁到高潮视频| 最近中文字幕2019免费版| av在线播放精品| 亚洲人成网站在线观看播放| 亚洲精品国产色婷婷电影| 美女中出高潮动态图| 成人国语在线视频| 高清在线视频一区二区三区| 日韩一卡2卡3卡4卡2021年| 精品99又大又爽又粗少妇毛片| 亚洲美女黄色视频免费看| 侵犯人妻中文字幕一二三四区| 大话2 男鬼变身卡| 免费日韩欧美在线观看| 久久99一区二区三区| 色播在线永久视频| 久久久国产精品麻豆| 久久精品久久精品一区二区三区| 国产一区二区三区综合在线观看| 久久99热这里只频精品6学生| 久久av网站| 欧美少妇被猛烈插入视频| 天天影视国产精品| 亚洲国产欧美在线一区| 亚洲第一av免费看| 久久久久国产一级毛片高清牌| 高清在线视频一区二区三区| 中国三级夫妇交换| 天天躁狠狠躁夜夜躁狠狠躁| 亚洲成国产人片在线观看| 亚洲伊人色综图| 日韩精品有码人妻一区| 国产爽快片一区二区三区| 哪个播放器可以免费观看大片| 天堂俺去俺来也www色官网| 最近最新中文字幕大全免费视频 | 午夜免费鲁丝| a级片在线免费高清观看视频| 欧美少妇被猛烈插入视频| 人妻 亚洲 视频| 午夜久久久在线观看| 久久狼人影院| 亚洲国产欧美在线一区| 午夜免费观看性视频| 午夜激情久久久久久久| 日韩精品免费视频一区二区三区| 日韩av免费高清视频| 亚洲国产看品久久| 熟女少妇亚洲综合色aaa.| 精品国产一区二区三区四区第35| 一边亲一边摸免费视频| 考比视频在线观看| 国产精品一区二区在线不卡| 午夜福利,免费看| 中国国产av一级| 欧美激情 高清一区二区三区| 亚洲欧洲精品一区二区精品久久久 | av又黄又爽大尺度在线免费看| videos熟女内射| 极品人妻少妇av视频| 亚洲少妇的诱惑av| 18禁裸乳无遮挡动漫免费视频| 国产野战对白在线观看| 亚洲一级一片aⅴ在线观看| 丁香六月天网| 中国三级夫妇交换| 国产淫语在线视频| 黑人猛操日本美女一级片| 80岁老熟妇乱子伦牲交| 在线观看国产h片| 亚洲国产精品999| 9色porny在线观看| 不卡视频在线观看欧美| 黄色毛片三级朝国网站| 久久国产精品大桥未久av| 午夜91福利影院| 精品国产一区二区三区久久久樱花| 亚洲国产最新在线播放| 免费观看在线日韩| 久久久久精品性色| freevideosex欧美| 另类精品久久| 亚洲天堂av无毛| 女的被弄到高潮叫床怎么办| 精品一区二区免费观看| 国产精品麻豆人妻色哟哟久久| 精品久久蜜臀av无| 秋霞伦理黄片| 中国国产av一级| 日本黄色日本黄色录像| 国产成人a∨麻豆精品| 国产免费现黄频在线看| 午夜福利影视在线免费观看| 高清黄色对白视频在线免费看| 亚洲一区中文字幕在线| 亚洲精品视频女| 麻豆精品久久久久久蜜桃| 久久99蜜桃精品久久| 999精品在线视频| 日韩中字成人| 黑人巨大精品欧美一区二区蜜桃| 国产精品亚洲av一区麻豆 | 久久精品国产亚洲av高清一级| 色婷婷久久久亚洲欧美| freevideosex欧美| 在线亚洲精品国产二区图片欧美| 亚洲综合色惰| 国产xxxxx性猛交| √禁漫天堂资源中文www| 18+在线观看网站| 黑人欧美特级aaaaaa片| 日韩熟女老妇一区二区性免费视频| 欧美日韩国产mv在线观看视频| 一级毛片 在线播放| 久久精品国产鲁丝片午夜精品| 一级毛片 在线播放| 亚洲三级黄色毛片| 中文字幕最新亚洲高清| 亚洲中文av在线| 咕卡用的链子| 永久免费av网站大全| 免费黄色在线免费观看| 日本色播在线视频| 国产在线一区二区三区精| 一本色道久久久久久精品综合| 国产xxxxx性猛交| av天堂久久9| 国产成人精品福利久久| 欧美国产精品va在线观看不卡| 精品人妻偷拍中文字幕| 亚洲精品中文字幕在线视频| 亚洲国产av新网站| 亚洲第一av免费看| 美女xxoo啪啪120秒动态图| 国产精品.久久久| av电影中文网址| 边亲边吃奶的免费视频| 激情视频va一区二区三区| 少妇被粗大猛烈的视频| 天天影视国产精品| 9色porny在线观看| 亚洲成人av在线免费| 中文乱码字字幕精品一区二区三区| 免费高清在线观看视频在线观看| 黑人巨大精品欧美一区二区蜜桃| 一级片'在线观看视频| 久久久欧美国产精品| 校园人妻丝袜中文字幕| 国产av精品麻豆| 亚洲国产色片| 香蕉国产在线看| 国产深夜福利视频在线观看| 国产成人精品婷婷| 人人妻人人爽人人添夜夜欢视频| 亚洲婷婷狠狠爱综合网| 母亲3免费完整高清在线观看 | 一级,二级,三级黄色视频| 啦啦啦啦在线视频资源| 极品人妻少妇av视频| 久久婷婷青草| 亚洲色图综合在线观看| 在线看a的网站| 啦啦啦啦在线视频资源| 亚洲一级一片aⅴ在线观看| 免费看不卡的av| 高清不卡的av网站| 亚洲欧美精品自产自拍| 亚洲成人一二三区av| av免费在线看不卡| 熟女av电影| 精品国产国语对白av| 纵有疾风起免费观看全集完整版| 啦啦啦啦在线视频资源| 亚洲成国产人片在线观看| 蜜桃在线观看..| 啦啦啦在线免费观看视频4| 欧美激情高清一区二区三区 | 欧美老熟妇乱子伦牲交| 91在线精品国自产拍蜜月| 在线天堂最新版资源| 国产精品免费视频内射| 日韩伦理黄色片| 青春草视频在线免费观看| 黄片播放在线免费| 最近中文字幕2019免费版| 免费黄色在线免费观看| 精品一区二区三区四区五区乱码 | 777久久人妻少妇嫩草av网站| 制服诱惑二区| 天天影视国产精品| 精品少妇久久久久久888优播| 99国产综合亚洲精品| 国产精品99久久99久久久不卡 | 免费观看无遮挡的男女| 国产成人精品久久久久久| 天堂俺去俺来也www色官网| 美女国产视频在线观看| 久久毛片免费看一区二区三区| 久久韩国三级中文字幕| 日韩av在线免费看完整版不卡| 午夜精品国产一区二区电影| 色哟哟·www| 黄色配什么色好看| 免费日韩欧美在线观看| 婷婷色综合大香蕉| 欧美在线黄色| 久久青草综合色| 男女下面插进去视频免费观看| 国产精品久久久久久精品古装| 色吧在线观看| 黄片小视频在线播放| av国产久精品久网站免费入址| 婷婷色麻豆天堂久久| 黑人巨大精品欧美一区二区蜜桃| 伦理电影免费视频| 亚洲av电影在线进入| 九色亚洲精品在线播放| 亚洲欧洲国产日韩| 精品人妻在线不人妻| 91在线精品国自产拍蜜月| 男女免费视频国产| 国产精品久久久久久久久免| 国产av一区二区精品久久| 久久97久久精品| 国产福利在线免费观看视频| 国产精品蜜桃在线观看| 一边亲一边摸免费视频| 国产免费现黄频在线看| 国产精品国产三级国产专区5o| 性少妇av在线| 人妻一区二区av| 99久久精品国产国产毛片| 成人手机av| 精品国产一区二区三区四区第35| 少妇猛男粗大的猛烈进出视频| 午夜福利网站1000一区二区三区| 久久久久久久大尺度免费视频| 自拍欧美九色日韩亚洲蝌蚪91| 老汉色av国产亚洲站长工具| 成年人午夜在线观看视频| 美女主播在线视频| 少妇被粗大的猛进出69影院| 午夜福利影视在线免费观看| 欧美人与性动交α欧美精品济南到 | 国产精品av久久久久免费| 妹子高潮喷水视频| 免费不卡的大黄色大毛片视频在线观看| 老汉色av国产亚洲站长工具| 国产黄色视频一区二区在线观看| 精品久久久久久电影网| 一本一本久久a久久精品综合妖精 国产伦在线观看视频一区 | 免费在线观看完整版高清| 欧美国产精品va在线观看不卡| 日韩精品有码人妻一区| 久久亚洲国产成人精品v| 春色校园在线视频观看| 日本色播在线视频| 欧美变态另类bdsm刘玥| 天天躁日日躁夜夜躁夜夜| 成人手机av| 亚洲精品久久成人aⅴ小说| 99久久综合免费| 91aial.com中文字幕在线观看| 国产又爽黄色视频| 久久 成人 亚洲| 亚洲av中文av极速乱| 午夜影院在线不卡| 毛片一级片免费看久久久久| 久久精品亚洲av国产电影网| 国产色婷婷99| 男男h啪啪无遮挡| 成人手机av| 日韩一区二区视频免费看| 色播在线永久视频| 国产一区二区三区av在线| 久久久精品免费免费高清| 国产在视频线精品|