• <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 ?

    基于注意力機(jī)制ResNet 輕量網(wǎng)絡(luò)的面部表情識別

    2023-11-18 12:12:54王若男李玥辰
    液晶與顯示 2023年11期
    關(guān)鍵詞:分組注意力準(zhǔn)確率

    趙 曉,楊 晨,王若男,李玥辰

    (陜西科技大學(xué) 電子信息與人工智能學(xué)院,陜西 西安 710021)

    1 引 言

    面部表情是人類交流和傳達(dá)情感的普遍信號之一,能夠直觀表達(dá)人類對外界事物的情緒反饋。社會心理學(xué)家Mehrabian 的研究表明[1],在日常人際交往過程中,聲音和語言信息分別占到了38%和7%,而面部表情傳遞的信息占總信息量的55%。面部表情識別在計(jì)算機(jī)視覺領(lǐng)域和深度學(xué)習(xí)領(lǐng)域已經(jīng)被廣泛研究,這些研究對理解人類的面部表情以及揭示人類情感的語義信息具有重大意義,同時(shí)在人機(jī)交互、醫(yī)療衛(wèi)生、駕駛員疲勞駕駛監(jiān)控等領(lǐng)域也具有重大意義[2]。

    面部表情識別是一個(gè)熱門的研究方向,其主要的研究方法就是特征提?。?-4]。傳統(tǒng)的人工提取方法包括:局部二值模式[5](Local Binary Patter,LBP)、詞袋模型[6](Bag of Words,BOW)、方向梯度直方圖(Histogram of Oriented Gradients,HOG)[7]與尺度不變特征變換(Scale-Invariant Feature Transform,SIFT)[8-9]等。這些方法不僅實(shí)現(xiàn)困難,且很難提取到高維特征,導(dǎo)致耗費(fèi)時(shí)間長及識別準(zhǔn)確率低的問題。因此,當(dāng)今研究者使用卷積神經(jīng)網(wǎng)絡(luò)的方法用于面部表情的特征提取,如AlexNet[10]、VGG[11]、GooleNet[12]、殘差整流增強(qiáng)卷積神經(jīng)網(wǎng)絡(luò)[13]等已經(jīng)用于面部表情特征提取,并取得較好的效果。雖然神經(jīng)網(wǎng)絡(luò)模型會隨著深度增加,特征學(xué)習(xí)能力增強(qiáng),但伴隨著梯度消失、梯度爆炸以及模型退化等問題,導(dǎo)致模型在識別和分類任務(wù)上準(zhǔn)確率下降的問題。He Kaiming 等人提出了ResNet[12]網(wǎng)絡(luò)模型,在卷積神經(jīng)網(wǎng)絡(luò)中引入殘差的思想,解決了網(wǎng)絡(luò)深度增加導(dǎo)致梯度消失的問題,但是ResNet網(wǎng)絡(luò)模型仍存在參數(shù)量大和識別準(zhǔn)確率低的問題。

    針對ResNet 網(wǎng)絡(luò)模型存在的問題,結(jié)合面部表情識別的特征提取的基本需求,本文提出了一種注意力機(jī)制ResNet 輕量網(wǎng)絡(luò)(MCLResNet)用于面部表情識別。先采用ResNet18 作為主干網(wǎng)絡(luò)提取特征,引入分組卷積減少ResNet18 的參數(shù)量;利用倒殘差結(jié)構(gòu)增加網(wǎng)絡(luò)深度,優(yōu)化了圖像特征提取的效果。再將改進(jìn)的CBAM 模塊(Multi-Scale CBAM,MSCBAM)添加到輕量的ResNet 模型中,有效增加了網(wǎng)絡(luò)模型的特征表達(dá)能力,再引入MSCBAM 的網(wǎng)絡(luò)模型輸出層增加一層全連接層,以此增加模型在輸出時(shí)的非線性表示。本文在FER2013 和CK+面部表情數(shù)據(jù)集上進(jìn)行了多組對比實(shí)驗(yàn),實(shí)驗(yàn)結(jié)果表明,MCLResNet 比其他網(wǎng)絡(luò)模型參數(shù)量少且保持較好的識別準(zhǔn)確率。

    2 本文方法

    2.1 注意力機(jī)制ResNet 輕量網(wǎng)絡(luò)模型整體構(gòu)架

    針對ResNet 網(wǎng)絡(luò)模型在面部表情識別中存在面部表情特征表示不足及模型參數(shù)量大的問題,本文提出了一種用于面部表情識別的注意力機(jī)制ResNet 網(wǎng)絡(luò)模型(MCLResNet)。

    首先,MCLResNet在圖像預(yù)處理階段,通過隨機(jī)水平翻轉(zhuǎn)、隨機(jī)旋轉(zhuǎn)10°~15°、隨機(jī)增加對比度、隨機(jī)擦除方法等對面部表情數(shù)據(jù)進(jìn)行增強(qiáng),增強(qiáng)了模型的魯棒性且豐富了數(shù)據(jù)集,將預(yù)處理后的圖像作為模型的輸入。其次,經(jīng)過輸入層后的中間特征圖作為輸入,通過4 組兩種不同殘差塊連接的隱藏層得到高維的特征圖。最后,高維特征圖經(jīng)過輸出層,輸出層中的兩層全連接層能夠較好地?cái)M合高維特征圖得到面部表情分類的一維向量。

    模型的整體架構(gòu)圖如1 所示。該網(wǎng)絡(luò)結(jié)構(gòu)可以分為輸入層、隱藏層及輸出層3 部分。輸入層由一個(gè)3×3 的卷積層組成。隱藏層由4 個(gè)Basic-Block 和4 個(gè)BasicBlock1 組成,兩個(gè)基礎(chǔ)塊中含有跳連接和改進(jìn)的CBAM 形成兩種不同的殘差塊,兩種殘差塊交叉連接組成網(wǎng)絡(luò)的核心部分。輸出層由一個(gè)平均池化層和兩個(gè)全連接層組成。

    隱藏層的核心部分BasicBlock 和BasicBlock1的結(jié)構(gòu)分別如圖2(a)和2(b)所示。BasicBlock 使用ResNet 原始的基礎(chǔ)結(jié)構(gòu)塊同時(shí)在兩次卷積之后添加一個(gè)MSCBAM 注意力模塊,下采樣部分使用一個(gè)3×3 的卷積,且步長為2;BasicBlock1使用一個(gè)倒殘差結(jié)構(gòu)并結(jié)合分組卷積,在減少參數(shù)量的同時(shí)可以增加網(wǎng)絡(luò)模型的深度,獲得更好的特征表達(dá)能力。實(shí)驗(yàn)證明,升維系數(shù)r=2 時(shí),模型的參數(shù)量以及準(zhǔn)確率達(dá)到最優(yōu)。

    2.2 MCLResNet 模型結(jié)構(gòu)

    本文針對網(wǎng)絡(luò)模型在面部表情識別中存在參數(shù)量大、識別準(zhǔn)確率低等問題,提出了一種基于注意力機(jī)制ResNet 輕量網(wǎng)絡(luò)模型。先將面部表情圖像通過隨機(jī)增強(qiáng)對比度、隨機(jī)剪切、隨機(jī)旋轉(zhuǎn)10°~15°、隨機(jī)縮放等進(jìn)行數(shù)據(jù)增強(qiáng);再經(jīng)過4 組交叉連接的BasicBlock 和BasicBlock1 提取面部表情特征,兩個(gè)基礎(chǔ)塊中的卷積為分組卷積且引入了通道混洗操作,另外在兩個(gè)基礎(chǔ)塊中添加MSCBAM 注意力模塊;最后輸出層增加的一層全連接層較好地增加了一維輸出特征的非線性關(guān)系,使模型精度得到提升。網(wǎng)絡(luò)整體結(jié)構(gòu)圖如圖3 所示。

    Hinton等人首次提到了分組卷積,分組卷積實(shí)現(xiàn)了讓網(wǎng)絡(luò)模型在兩個(gè)內(nèi)存有效的GPU 上運(yùn)行。隨著GPU 內(nèi)存的增加,網(wǎng)絡(luò)模型不再受內(nèi)存的限制?;诜纸M卷積的特點(diǎn),很多研究者引入分組卷積思想的模型用于實(shí)現(xiàn)數(shù)據(jù)的并行處理,以此減少模型的參數(shù)量,增加模型訓(xùn)練的高效性。本文將分組卷積引入到如圖2 所示的BasicBlock 和BasicBlock1 兩個(gè)殘差塊的卷積層和跳連接中,降低了MCLResNet 網(wǎng)絡(luò)模型的參數(shù)量。分組卷積結(jié)構(gòu)如圖4 所示。在卷積核數(shù)量一定時(shí),分組卷積相比普通卷積降低了計(jì)算復(fù)雜度和計(jì)算次數(shù)。

    盡管分組卷積能夠減少模型參數(shù)量,提高模型訓(xùn)練的高效性,但是分組卷積的弊端是不同分組的通道間無法進(jìn)行信息交互,限制了模型的表征能力。針對這一問題,本文引入通道混洗操作增強(qiáng)不同組通道之間的信息交互[14]。通道混洗操作如圖5 所示。通道混洗是將不同分組的通道重新排列得到新的特征圖,再將新的特征圖作為下一次卷積的輸入,實(shí)現(xiàn)了不同分組的通道信息交互,增強(qiáng)了特征的表征能力,提高了整個(gè)網(wǎng)絡(luò)的面部表情識別精度。

    在引入分組卷積和通道混洗結(jié)構(gòu)的基礎(chǔ)上,為了進(jìn)一步增強(qiáng)模型的特征提取能力,本文引入了倒殘差結(jié)構(gòu)加深網(wǎng)絡(luò)模型層數(shù)[15]。倒殘差結(jié)構(gòu)如圖6 所示,該結(jié)構(gòu)呈現(xiàn)兩頭小中間大的形狀(梭型),梭型相比漏斗型先升維再降維的過程,避免了部分的特征信息丟失[16]。在倒殘差結(jié)構(gòu)中,先使用1×1 的卷積核實(shí)現(xiàn)升維,再通過3×3的卷積核提取特征,最后使用1×1 的卷積核實(shí)現(xiàn)降維。倒殘差結(jié)構(gòu)的引入減少了特征提取過程中特征信息丟失的問題,加深了網(wǎng)絡(luò)模型的深度,提高了模型提取特征的能力。

    2.3 多尺度空間特征融合的CBAM(MSCBAM)

    CBAM[17]中的通道注意力生成通道注意力特征圖時(shí)要經(jīng)過全連接層進(jìn)行映射特征到一維特征圖,在生成通道注意力時(shí)要經(jīng)過壓縮和擴(kuò)展處理,壓縮時(shí)會損失較多的通道信息[18]。針對這一問題,本文提出了改進(jìn)的CBAM 模塊的通道注意力。

    改進(jìn)后的CBAM 通道注意力模塊如圖7 所示。改進(jìn)后的CBAM 通道注意力模塊將原有的全連接層改為一個(gè)1×3 的帶狀卷積,既減少了全連接層帶來參數(shù)量大的問題,又增強(qiáng)了相鄰?fù)ǖ乐g的相關(guān)性,得到最佳的通道特征圖。

    CBAM 的空間注意力模塊僅能得到單一特征的空間特征圖。為了得到多種尺度融合的空間特征圖,在CBAM 空間注意力模塊中引入了不同大小的卷積核,得到融合不同尺度的空間特征圖。改進(jìn)后的CBAM 空間注意力模塊如圖8所示,改進(jìn)后的CBAM 空間注意力模塊中添加了3×3、5×5、7×7、9×9 的卷積核用于得到不同尺度的特征圖,再將得到的不同尺度特征圖通過最大池化和平均池化獲取各自對應(yīng)的空間特征圖并將得到的4 個(gè)特征圖進(jìn)行融合,最后將融合后的特征圖通過Sigmoid 函數(shù)進(jìn)行激活得到多尺度融合的空間特征圖。改進(jìn)后的空間注意力機(jī)制輸出實(shí)例如公式(1)所示:

    其中:Ms ∈R1×H×W表示輸出的空間注意力圖,σ表示Sigmoid 函數(shù),AvgPool 表示平均池化,Maxpool 表示最大池化,Conv 表示卷積操作,Conv 的腳標(biāo)表示卷積操作使用的卷積核大小。

    3 實(shí)驗(yàn)結(jié)果與分析

    3.1 實(shí)驗(yàn)數(shù)據(jù)集及數(shù)據(jù)增強(qiáng)

    本文在模型訓(xùn)練和模型驗(yàn)證所用的數(shù)據(jù)集為FER2013數(shù)據(jù)集[19]和CK+數(shù)據(jù)集[20]。FER2013數(shù)據(jù)集是人臉表情識別最通用的數(shù)據(jù)集,由35 886張人臉表情圖片組成,其中,訓(xùn)練集28 708 張、驗(yàn)證集3 589 張、測試 集3 589 張,每一張圖像大小為48×48 的灰度圖像組成。7 種表情對應(yīng)的標(biāo)簽如下:anger 0,disgust 1,fear 2,happy 3,sad 4,surprised 5,normal 6。CK+數(shù)據(jù)集包含123 個(gè)對象的327 個(gè)被標(biāo)記的表情圖片序列,共分為anger、contempt、disgust、fear、surprised、happy 和sad 7 種表 情,表情對應(yīng)標(biāo)簽如下:anger 0、contempt 1、disgust 2、fear 3、happy 4、sad 5、surprised 6。圖9列舉了FER2013 數(shù)據(jù)集和CK+數(shù)據(jù)集的部分樣例圖。

    為了解決因?yàn)閿?shù)據(jù)分布失衡和數(shù)據(jù)量小而導(dǎo)致模型訓(xùn)練時(shí)出現(xiàn)過擬合等問題,本文使用數(shù)據(jù)增強(qiáng)等方法對數(shù)據(jù)集樣本進(jìn)行擴(kuò)充,主要采用隨機(jī)水平翻轉(zhuǎn)、隨機(jī)旋轉(zhuǎn)、隨機(jī)增加對比度、隨機(jī)擦除等方法對數(shù)據(jù)集進(jìn)行擴(kuò)充。針對CK+中一副anger 原圖經(jīng)過上述方法擴(kuò)充后的樣例如圖10所示。其他圖像也采用了類似方法進(jìn)行擴(kuò)充,在此不再一一列舉。

    圖1 MCLResNet 網(wǎng)絡(luò)構(gòu)架Fig.1 MCLResNet network architecture

    圖2 隱藏層的核心部分。(a)BasicBlock 結(jié)構(gòu);(b)Basic-Block1 結(jié)構(gòu)。Fig.2 Core part of the hidden layer.(a)Structure of BasicBlock;(b)Structure of BasicBlock 1.

    圖3 網(wǎng)絡(luò)整體結(jié)構(gòu)圖Fig.3 Overall network structure diagram

    圖4 (a)普通卷積;(b)分組卷積。Fig.4 (a)Ordinary convolution;(b)Grouped convolution.

    圖5 通道混洗Fig.5 Channel shuffle

    圖6 倒殘差結(jié)構(gòu)Fig.6 Inverted residual structure

    圖7 改進(jìn)后的通道注意力模塊Fig.7 Improved channel attention module

    圖8 改進(jìn)后的空間注意力模塊Fig.8 Improved spatial attention module

    圖9 FER2013 和CK+數(shù)據(jù)集樣例圖Fig.9 Samples of FER2013 and CK+datasets

    圖10 數(shù)據(jù)增強(qiáng)樣例圖Fig.10 Sample diagram of data enhancement

    3.2 實(shí)驗(yàn)環(huán)境

    本文實(shí)驗(yàn)配置如下:Windows10 系統(tǒng),CPU 為主頻3.19 Hz 的 Intel Core i9-12900K,內(nèi)存為64G,GPU 為NVIDIA GeForce RTX 3080(12G)×2。本實(shí)驗(yàn)基于Pytorch深度學(xué)習(xí)框以及Pycharm 進(jìn)行模型訓(xùn)練和測試,實(shí)驗(yàn)參數(shù)設(shè)置是:Batch Size 為128,學(xué)習(xí)率取0.1,優(yōu)化器為隨機(jī)梯度下降(SGD),沖量為0.9,損失函數(shù)為交叉熵?fù)p失函數(shù),學(xué)習(xí)率下降算法使用余弦退火算法。

    3.3 實(shí)驗(yàn)結(jié)果及分析

    3.3.1 消融實(shí)驗(yàn)

    為了驗(yàn)證MCLResNet 網(wǎng)絡(luò)各個(gè)模塊的有效性,對每一個(gè)模塊進(jìn)行消融實(shí)驗(yàn)。其中Baseline 表示引入分組卷積且增加一層全連接層的ResNet18網(wǎng)絡(luò)模型;BasicBlock1 如圖2 所示;MSCBAM 是多尺度空間融合的CBAM;Better-Down 表示使用3×3,步長為2 的卷積替換原有的1×1 卷積。

    該實(shí)驗(yàn)在擴(kuò)展的FER2013 和CK+數(shù)據(jù)集上驗(yàn)證,實(shí)驗(yàn)過程是在網(wǎng)絡(luò)模型中逐步添加模塊或者修改相應(yīng)的模塊。表1 的實(shí)驗(yàn)結(jié)果表明,在不同的數(shù)據(jù)集上所提模型具有良好的泛化性,替換或添加的模塊明顯提高了整體模型的識別準(zhǔn)確率。

    表1 消融實(shí)驗(yàn)Tab.1 Ablation experiments

    3.3.2 確定BasicBlock1 升維系數(shù)r的對比實(shí)驗(yàn)

    為了選取BasicBlock1 的升維系數(shù)r,在FER2013 數(shù)據(jù)集上驗(yàn)證了不同的r對模型大小和識別準(zhǔn)確的影響。具體實(shí)驗(yàn)參數(shù)如圖11 所示。①表示本文所提方法不含MSCBAM。②表示本文所提方法含MSCBAM。

    圖11 (a)升維系數(shù)和準(zhǔn)確率之間的關(guān)系圖;(b)升維系數(shù)和模型參數(shù)量之間的關(guān)系。Fig.11 (a)Relationship between the ascending coefficient and the accuracy rate;(b)Relationship between the ascending coefficient and the number of model parameters.

    圖11 例舉了r=2、4、8 三個(gè)值對本文提出方法的模型參數(shù)量大小和準(zhǔn)確率的影響。實(shí)驗(yàn)數(shù)據(jù)表明,r值為2 時(shí),①和②的模型參數(shù)量分別為3.043M 和7.318M,盡管②比①的參數(shù)量大,但模型的準(zhǔn)確率提升了1.6%;模型同為①,r=2 和r=4 時(shí),r為4 的模型 比r為2 的模型 參數(shù)量增加了0.293M,但模型精度僅提升了0.03%;模型同為①,r=4 和r=8 時(shí),r為8 的模型比r為4 的模型大小增加了0.708,但模型精度僅提升了0.16%。本文旨在設(shè)計(jì)一個(gè)輕量的網(wǎng)絡(luò)模型,即由圖11 表明本文選取r=2 為BasicBlock1 的升維系數(shù)。

    3.3.3 與其他網(wǎng)絡(luò)的對照實(shí)驗(yàn)

    為了驗(yàn)證本文所提模型的準(zhǔn)確性和有效性,與其他的網(wǎng)絡(luò)模型進(jìn)行對照實(shí)驗(yàn),如AlexNet、VGG19、Zhang[21]、ResNet18 及MobileNetV2。這些網(wǎng)絡(luò)模型及本文所提網(wǎng)絡(luò)模型在FER2013 數(shù)據(jù)集、CK+數(shù)據(jù)集上的識別準(zhǔn)確率以及所對應(yīng)的參數(shù)量如表2 所示。

    表2 與其他網(wǎng)絡(luò)的對照實(shí)驗(yàn)結(jié)果Tab.2 Results of controlled experiments with other networks

    模型參數(shù)量方面,本文提出的模型參數(shù)量相比于其他常見的網(wǎng)絡(luò)模型參數(shù)量明顯下降。與本文的主干網(wǎng)絡(luò)ResNet18 相比,本文模型的參數(shù)量為ResNet18 網(wǎng)絡(luò)參數(shù)量的17.42%;與MobileNetV2 的參數(shù)量相比下降了1.33M。在FER2013 數(shù)據(jù)集識別準(zhǔn)確率方面,本文所提出的模型相比AlexNet、VGG19 和MobileNetV2 的識別準(zhǔn)確率分別高1.07%、0.05%、6.08%;但相比ResNet18,Zhang 及ResNet18+Better_Down的方法識別準(zhǔn)確率略低。在CK+數(shù)據(jù)集識別準(zhǔn)確率方面,本文所提出的模型識別準(zhǔn)確率較AlexNet、VGG19、MobileNetV2 和ResNet18 等模型的識別準(zhǔn)確率分別高8.22%、3.63%、1.16%、5.5%。

    4 結(jié) 論

    本文基于面部表情識別提出了一種注意力機(jī)制ResNet 輕量網(wǎng)絡(luò)模型(MCLResNet),其參數(shù)量為改進(jìn)前ResNet18 的參數(shù)量的17.42%。首先,所提模型中引入了分組卷積和倒殘差結(jié)構(gòu),減少了模型的參數(shù)量,增加了網(wǎng)絡(luò)深度,通過減小模型大小提升了模型訓(xùn)練速度;在不同的分組通道中引入通道混洗操作用以增強(qiáng)特征圖層與層之間的信息交互;改進(jìn)了ResNet18 中跳連接中的卷積核大小,降低了特征信息的丟失。其次,改進(jìn)的CBAM 注意力模塊(MSCBAM)在模型訓(xùn)練過程中提供了多尺度融合的中間特征圖,增加了模型的精度。最后,本文提出的MCLResNet模型在FER2013 數(shù)據(jù)集和CK+數(shù)據(jù)集上的測試準(zhǔn)確率體現(xiàn)了模型良好的泛化性。盡管本文所提出模型及其他模型在CK+數(shù)據(jù)集上表現(xiàn)良好,但在FER2013 數(shù)據(jù)集上準(zhǔn)確率較低,其原因一方面是數(shù)據(jù)集存在部分標(biāo)注錯(cuò)誤,另一方面是FER2013 數(shù)據(jù)集的復(fù)雜多樣(正臉、左側(cè)臉、右側(cè)臉等)。解決數(shù)據(jù)集多樣性帶來的準(zhǔn)確率低的問題是后期工作改進(jìn)的一個(gè)方向。

    猜你喜歡
    分組注意力準(zhǔn)確率
    讓注意力“飛”回來
    乳腺超聲檢查診斷乳腺腫瘤的特異度及準(zhǔn)確率分析
    健康之家(2021年19期)2021-05-23 11:17:39
    不同序列磁共振成像診斷脊柱損傷的臨床準(zhǔn)確率比較探討
    2015—2017 年寧夏各天氣預(yù)報(bào)參考產(chǎn)品質(zhì)量檢驗(yàn)分析
    分組搭配
    怎么分組
    高速公路車牌識別標(biāo)識站準(zhǔn)確率驗(yàn)證法
    “揚(yáng)眼”APP:讓注意力“變現(xiàn)”
    傳媒評論(2017年3期)2017-06-13 09:18:10
    分組
    A Beautiful Way Of Looking At Things
    一进一出抽搐gif免费好疼| 露出奶头的视频| 精品久久久久久久毛片微露脸| 中国美女看黄片| 中文字幕人妻熟女乱码| 最新美女视频免费是黄的| 成人永久免费在线观看视频| 一进一出抽搐gif免费好疼| 国产精品免费一区二区三区在线| 桃红色精品国产亚洲av| 色尼玛亚洲综合影院| 亚洲一区高清亚洲精品| 亚洲午夜理论影院| 麻豆久久精品国产亚洲av| 婷婷精品国产亚洲av在线| 亚洲av成人不卡在线观看播放网| 久久精品国产清高在天天线| 久久久水蜜桃国产精品网| 高清黄色对白视频在线免费看| 国产欧美日韩综合在线一区二区| 中文字幕最新亚洲高清| 亚洲午夜精品一区,二区,三区| 男女午夜视频在线观看| 丝袜美腿诱惑在线| 夜夜夜夜夜久久久久| 久久热在线av| 老熟妇乱子伦视频在线观看| 精品国产一区二区三区四区第35| 天天添夜夜摸| 一进一出抽搐动态| 成人精品一区二区免费| 老熟妇仑乱视频hdxx| 亚洲激情在线av| 满18在线观看网站| 人妻久久中文字幕网| 欧美日本视频| 精品久久久久久,| 色综合站精品国产| 久9热在线精品视频| 很黄的视频免费| 丰满人妻熟妇乱又伦精品不卡| 超碰成人久久| 中文字幕人成人乱码亚洲影| 一个人观看的视频www高清免费观看 | 日韩 欧美 亚洲 中文字幕| 国产精品自产拍在线观看55亚洲| 亚洲欧美激情综合另类| 欧美最黄视频在线播放免费| 日韩免费av在线播放| 国产一卡二卡三卡精品| 午夜福利视频1000在线观看 | 免费在线观看完整版高清| av超薄肉色丝袜交足视频| 夜夜夜夜夜久久久久| 午夜日韩欧美国产| 国产亚洲精品第一综合不卡| 亚洲av日韩精品久久久久久密| 国产欧美日韩一区二区精品| 淫妇啪啪啪对白视频| 亚洲五月色婷婷综合| 在线观看免费视频网站a站| 少妇裸体淫交视频免费看高清 | 国产黄a三级三级三级人| 午夜免费激情av| svipshipincom国产片| 激情在线观看视频在线高清| av视频免费观看在线观看| 一级片免费观看大全| 久久久久国产一级毛片高清牌| 欧美一级a爱片免费观看看 | 久久国产精品人妻蜜桃| 精品久久蜜臀av无| 亚洲在线自拍视频| 亚洲av五月六月丁香网| 亚洲国产精品sss在线观看| 国产免费av片在线观看野外av| 国产精品二区激情视频| 久久中文字幕一级| 一二三四社区在线视频社区8| 88av欧美| 国产精品 国内视频| 久久这里只有精品19| 久久伊人香网站| 国产熟女xx| 又黄又粗又硬又大视频| 一二三四社区在线视频社区8| 日本 av在线| 久久精品aⅴ一区二区三区四区| 久久狼人影院| 久久精品aⅴ一区二区三区四区| 美女大奶头视频| 国产成年人精品一区二区| 久久久久久久午夜电影| 精品国产乱码久久久久久男人| or卡值多少钱| 午夜福利在线观看吧| 午夜精品在线福利| 热re99久久国产66热| 欧美+亚洲+日韩+国产| 久久香蕉国产精品| 一边摸一边抽搐一进一小说| 首页视频小说图片口味搜索| 免费久久久久久久精品成人欧美视频| 欧美黄色淫秽网站| 在线av久久热| 正在播放国产对白刺激| 久久人人爽av亚洲精品天堂| 精品国产国语对白av| 国产精品野战在线观看| 麻豆成人av在线观看| 亚洲第一av免费看| 亚洲人成77777在线视频| 成人手机av| 高清在线国产一区| 久久久久国产精品人妻aⅴ院| 国产成人欧美| avwww免费| 午夜亚洲福利在线播放| 亚洲色图 男人天堂 中文字幕| 精品日产1卡2卡| 99精品在免费线老司机午夜| 国产精品98久久久久久宅男小说| 伊人久久大香线蕉亚洲五| 午夜福利一区二区在线看| 亚洲国产精品sss在线观看| 国产精品久久久人人做人人爽| 久久精品国产亚洲av香蕉五月| 色综合亚洲欧美另类图片| 欧美黑人欧美精品刺激| 亚洲性夜色夜夜综合| 男人的好看免费观看在线视频 | 一二三四在线观看免费中文在| 两个人视频免费观看高清| 久久久精品国产亚洲av高清涩受| 多毛熟女@视频| 欧美日本视频| 亚洲伊人色综图| 久久久水蜜桃国产精品网| 电影成人av| 国产成人av教育| 日本vs欧美在线观看视频| 日本撒尿小便嘘嘘汇集6| 可以免费在线观看a视频的电影网站| 国产精品 欧美亚洲| 亚洲欧美激情在线| 亚洲全国av大片| 久久亚洲精品不卡| 国产成年人精品一区二区| 亚洲av日韩精品久久久久久密| 久久中文字幕人妻熟女| 青草久久国产| 9191精品国产免费久久| 男人舔女人下体高潮全视频| 如日韩欧美国产精品一区二区三区| 窝窝影院91人妻| 女人高潮潮喷娇喘18禁视频| 色精品久久人妻99蜜桃| 国产激情欧美一区二区| 美女免费视频网站| 麻豆国产av国片精品| 丝袜美足系列| 精品人妻在线不人妻| 青草久久国产| 日韩国内少妇激情av| 男女下面进入的视频免费午夜 | 大型av网站在线播放| 精品久久久久久成人av| 久久久久久人人人人人| 日本a在线网址| 国内久久婷婷六月综合欲色啪| 黑人巨大精品欧美一区二区mp4| 国产av一区二区精品久久| 久久精品人人爽人人爽视色| 国产激情久久老熟女| 亚洲中文字幕日韩| 欧美日韩亚洲综合一区二区三区_| 日韩欧美在线二视频| 999久久久精品免费观看国产| 91成年电影在线观看| 久久草成人影院| 亚洲熟女毛片儿| 亚洲精品国产精品久久久不卡| av片东京热男人的天堂| 亚洲熟女毛片儿| 久久精品人人爽人人爽视色| 日韩欧美国产在线观看| 亚洲欧美日韩无卡精品| 亚洲一卡2卡3卡4卡5卡精品中文| 欧美国产精品va在线观看不卡| 村上凉子中文字幕在线| 日韩三级视频一区二区三区| 国产熟女午夜一区二区三区| 国产精品99久久99久久久不卡| 人人妻人人爽人人添夜夜欢视频| 老司机午夜福利在线观看视频| 在线观看66精品国产| 99国产精品免费福利视频| 久久这里只有精品19| 欧美不卡视频在线免费观看 | 国产xxxxx性猛交| 亚洲人成电影观看| 亚洲一区二区三区不卡视频| 亚洲,欧美精品.| 久久久精品国产亚洲av高清涩受| 国产精品1区2区在线观看.| 日韩三级视频一区二区三区| 国产高清videossex| 亚洲成人久久性| 精品国产乱码久久久久久男人| 国产精品一区二区在线不卡| 人人妻人人澡欧美一区二区 | 身体一侧抽搐| 大型av网站在线播放| 一级毛片女人18水好多| 在线永久观看黄色视频| 成人国语在线视频| 精品国产超薄肉色丝袜足j| 嫩草影院精品99| 亚洲国产中文字幕在线视频| 亚洲av成人不卡在线观看播放网| 久久九九热精品免费| 一本大道久久a久久精品| 亚洲第一青青草原| 首页视频小说图片口味搜索| 日韩免费av在线播放| 一个人观看的视频www高清免费观看 | av免费在线观看网站| 国产又爽黄色视频| av网站免费在线观看视频| 少妇的丰满在线观看| 亚洲av成人一区二区三| 亚洲美女黄片视频| 免费高清在线观看日韩| 97超级碰碰碰精品色视频在线观看| 日日摸夜夜添夜夜添小说| 妹子高潮喷水视频| 欧美黑人欧美精品刺激| 午夜老司机福利片| 99久久99久久久精品蜜桃| 午夜福利高清视频| 黑丝袜美女国产一区| 精品一区二区三区四区五区乱码| 欧美乱色亚洲激情| 91字幕亚洲| 久久久水蜜桃国产精品网| 欧美成狂野欧美在线观看| 伦理电影免费视频| 色哟哟哟哟哟哟| 国产91精品成人一区二区三区| 免费搜索国产男女视频| 欧美另类亚洲清纯唯美| 变态另类成人亚洲欧美熟女 | 中文字幕色久视频| 亚洲最大成人中文| 两个人免费观看高清视频| 精品免费久久久久久久清纯| 亚洲av电影不卡..在线观看| 国产精品1区2区在线观看.| 精品一品国产午夜福利视频| 在线观看午夜福利视频| 男男h啪啪无遮挡| 国产精品久久久人人做人人爽| 极品人妻少妇av视频| 侵犯人妻中文字幕一二三四区| 国产一区二区在线av高清观看| 可以免费在线观看a视频的电影网站| 麻豆久久精品国产亚洲av| cao死你这个sao货| 在线观看舔阴道视频| 99精品欧美一区二区三区四区| 国产成人欧美在线观看| 大型黄色视频在线免费观看| 老鸭窝网址在线观看| 一区二区三区国产精品乱码| 亚洲成人国产一区在线观看| 国产激情久久老熟女| 99国产极品粉嫩在线观看| 中国美女看黄片| 国产精品亚洲美女久久久| 免费高清视频大片| 久久热在线av| 久久天堂一区二区三区四区| 美女扒开内裤让男人捅视频| 国产野战对白在线观看| 在线观看免费午夜福利视频| 久久久久久免费高清国产稀缺| 亚洲一码二码三码区别大吗| 欧美乱码精品一区二区三区| 午夜福利免费观看在线| 可以在线观看毛片的网站| 丰满的人妻完整版| 欧美日韩亚洲国产一区二区在线观看| 男女午夜视频在线观看| 精品无人区乱码1区二区| 久久香蕉精品热| 18禁美女被吸乳视频| 麻豆一二三区av精品| 亚洲第一青青草原| 成人亚洲精品av一区二区| 大型黄色视频在线免费观看| 男人的好看免费观看在线视频 | 国产1区2区3区精品| 男女做爰动态图高潮gif福利片 | 神马国产精品三级电影在线观看 | 18禁美女被吸乳视频| 一级毛片高清免费大全| 欧美激情极品国产一区二区三区| 国产在线精品亚洲第一网站| 日韩欧美一区二区三区在线观看| 亚洲欧美精品综合久久99| 亚洲av成人不卡在线观看播放网| 操出白浆在线播放| 久久久久久人人人人人| 波多野结衣一区麻豆| 国产精品98久久久久久宅男小说| 国产亚洲精品久久久久5区| 国产激情欧美一区二区| 99在线人妻在线中文字幕| 欧美国产日韩亚洲一区| 日韩精品免费视频一区二区三区| 成人国语在线视频| 村上凉子中文字幕在线| 亚洲免费av在线视频| 久久久久久人人人人人| 亚洲一卡2卡3卡4卡5卡精品中文| 欧美亚洲日本最大视频资源| 一本久久中文字幕| 少妇 在线观看| 久久人妻福利社区极品人妻图片| 脱女人内裤的视频| 久久久水蜜桃国产精品网| 九色国产91popny在线| 久久精品aⅴ一区二区三区四区| 女人被狂操c到高潮| 男人舔女人的私密视频| 亚洲一卡2卡3卡4卡5卡精品中文| 久久婷婷成人综合色麻豆| 十八禁人妻一区二区| 色老头精品视频在线观看| 久久人妻福利社区极品人妻图片| 男女床上黄色一级片免费看| 九色国产91popny在线| 婷婷六月久久综合丁香| 美女扒开内裤让男人捅视频| 在线观看免费视频网站a站| 老司机午夜福利在线观看视频| av天堂在线播放| 视频在线观看一区二区三区| 精品第一国产精品| 午夜精品国产一区二区电影| 91av网站免费观看| 夜夜躁狠狠躁天天躁| 身体一侧抽搐| 少妇裸体淫交视频免费看高清 | 嫩草影视91久久| 国产伦人伦偷精品视频| 91大片在线观看| 韩国精品一区二区三区| 电影成人av| 国产成人免费无遮挡视频| 日韩成人在线观看一区二区三区| 亚洲国产欧美一区二区综合| 日韩大尺度精品在线看网址 | 久久久久久亚洲精品国产蜜桃av| 一二三四在线观看免费中文在| 欧美激情极品国产一区二区三区| 国产单亲对白刺激| 亚洲中文字幕日韩| 日本 欧美在线| 手机成人av网站| 久久精品国产亚洲av高清一级| 香蕉久久夜色| 香蕉丝袜av| 黑人操中国人逼视频| 露出奶头的视频| 亚洲中文日韩欧美视频| or卡值多少钱| 欧美乱色亚洲激情| 满18在线观看网站| 777久久人妻少妇嫩草av网站| 久久精品国产亚洲av高清一级| 搞女人的毛片| 男女下面插进去视频免费观看| 亚洲va日本ⅴa欧美va伊人久久| 制服丝袜大香蕉在线| 国产亚洲精品av在线| 90打野战视频偷拍视频| 在线国产一区二区在线| 国产一区二区三区在线臀色熟女| 亚洲午夜理论影院| 国产亚洲精品久久久久5区| 美国免费a级毛片| 亚洲av电影在线进入| 看片在线看免费视频| 琪琪午夜伦伦电影理论片6080| 久久 成人 亚洲| 99在线人妻在线中文字幕| 亚洲色图综合在线观看| 国产成人精品在线电影| 久久精品亚洲精品国产色婷小说| 亚洲av熟女| 曰老女人黄片| 一级,二级,三级黄色视频| 亚洲色图av天堂| 亚洲精华国产精华精| 一级黄色大片毛片| 给我免费播放毛片高清在线观看| 亚洲精品中文字幕在线视频| 午夜精品久久久久久毛片777| 亚洲成人久久性| 欧美日韩福利视频一区二区| 亚洲av成人不卡在线观看播放网| 在线av久久热| 午夜a级毛片| 日本在线视频免费播放| 亚洲,欧美精品.| 黄色a级毛片大全视频| 国产欧美日韩精品亚洲av| 亚洲欧美日韩高清在线视频| 成人免费观看视频高清| 国产精品亚洲美女久久久| 性色av乱码一区二区三区2| 天天一区二区日本电影三级 | 久久香蕉精品热| 给我免费播放毛片高清在线观看| 日韩免费av在线播放| 午夜老司机福利片| 成人三级黄色视频| 国产精品久久电影中文字幕| 一区二区三区激情视频| 在线观看午夜福利视频| 欧美亚洲日本最大视频资源| 久久这里只有精品19| 久久人人精品亚洲av| 亚洲自偷自拍图片 自拍| 十八禁网站免费在线| 国产私拍福利视频在线观看| 日本欧美视频一区| 99久久精品国产亚洲精品| 精品久久久久久久人妻蜜臀av | 国产主播在线观看一区二区| bbb黄色大片| 亚洲专区国产一区二区| 少妇裸体淫交视频免费看高清 | 亚洲精品美女久久久久99蜜臀| 最新美女视频免费是黄的| 亚洲少妇的诱惑av| 嫁个100分男人电影在线观看| 欧美性长视频在线观看| av有码第一页| 久久久久精品国产欧美久久久| 丝袜在线中文字幕| 一级,二级,三级黄色视频| 久久精品亚洲熟妇少妇任你| 国产成人精品在线电影| 国产99久久九九免费精品| 久久天堂一区二区三区四区| 欧美一级毛片孕妇| 好男人电影高清在线观看| 午夜精品在线福利| 久久国产精品影院| 亚洲av第一区精品v没综合| 午夜日韩欧美国产| 国产欧美日韩精品亚洲av| 国产精品一区二区在线不卡| 国产不卡一卡二| 欧美黄色淫秽网站| 日韩精品青青久久久久久| 真人一进一出gif抽搐免费| 黑人巨大精品欧美一区二区mp4| 欧美在线一区亚洲| 丝袜美足系列| 国产精品日韩av在线免费观看 | 亚洲av成人av| 国产精品永久免费网站| 国产又爽黄色视频| 成人国语在线视频| 美女国产高潮福利片在线看| 欧美日韩瑟瑟在线播放| 成人亚洲精品一区在线观看| 淫妇啪啪啪对白视频| 18禁国产床啪视频网站| 色尼玛亚洲综合影院| 欧美日本中文国产一区发布| 99久久综合精品五月天人人| 亚洲精品在线观看二区| 黄色a级毛片大全视频| 久久国产精品男人的天堂亚洲| 在线观看免费午夜福利视频| 变态另类成人亚洲欧美熟女 | 高清在线国产一区| 一级a爱片免费观看的视频| 97超级碰碰碰精品色视频在线观看| 不卡av一区二区三区| 长腿黑丝高跟| √禁漫天堂资源中文www| 亚洲自拍偷在线| 一进一出抽搐动态| 欧美亚洲日本最大视频资源| 国产色视频综合| 国产亚洲精品久久久久久毛片| 久久久久久久久久久久大奶| 又黄又爽又免费观看的视频| 大陆偷拍与自拍| 久久精品国产综合久久久| 一个人免费在线观看的高清视频| 黄色a级毛片大全视频| 此物有八面人人有两片| 亚洲成人国产一区在线观看| 两人在一起打扑克的视频| 精品少妇一区二区三区视频日本电影| 亚洲人成77777在线视频| 一级毛片女人18水好多| 国产精品免费一区二区三区在线| 亚洲国产精品久久男人天堂| 久久香蕉精品热| 久久久久久久久久久久大奶| 亚洲av熟女| 在线十欧美十亚洲十日本专区| 18禁美女被吸乳视频| 欧美绝顶高潮抽搐喷水| 国产精品精品国产色婷婷| 波多野结衣巨乳人妻| 琪琪午夜伦伦电影理论片6080| 日日摸夜夜添夜夜添小说| 变态另类丝袜制服| 久久青草综合色| 久久久水蜜桃国产精品网| 亚洲 欧美一区二区三区| 天堂动漫精品| 怎么达到女性高潮| 亚洲精品美女久久久久99蜜臀| 91老司机精品| 欧美日韩中文字幕国产精品一区二区三区 | 国产亚洲精品综合一区在线观看 | 91成年电影在线观看| 9热在线视频观看99| 久9热在线精品视频| 日本欧美视频一区| 一级毛片女人18水好多| 高清黄色对白视频在线免费看| 身体一侧抽搐| 精品午夜福利视频在线观看一区| 欧美黄色片欧美黄色片| 久久精品亚洲精品国产色婷小说| 亚洲五月婷婷丁香| 久久国产乱子伦精品免费另类| 久久人妻av系列| 欧美日韩亚洲综合一区二区三区_| 欧美成人午夜精品| 日韩一卡2卡3卡4卡2021年| av视频免费观看在线观看| 热re99久久国产66热| 午夜福利在线观看吧| 亚洲伊人色综图| 中文字幕最新亚洲高清| 叶爱在线成人免费视频播放| 一区二区三区激情视频| 久久久国产成人精品二区| 国产成年人精品一区二区| 搞女人的毛片| 好男人在线观看高清免费视频 | 两个人视频免费观看高清| 黄色 视频免费看| 成熟少妇高潮喷水视频| 美女高潮到喷水免费观看| 免费无遮挡裸体视频| bbb黄色大片| 男女之事视频高清在线观看| 亚洲专区字幕在线| 亚洲av美国av| 一夜夜www| 亚洲一区中文字幕在线| 午夜福利视频1000在线观看 | 国产男靠女视频免费网站| 精品久久蜜臀av无| 国产一区在线观看成人免费| 国产片内射在线| 天堂动漫精品| 日日摸夜夜添夜夜添小说| 免费看美女性在线毛片视频| 色老头精品视频在线观看| 久久久久国内视频| 色哟哟哟哟哟哟| 久久这里只有精品19| 国产一区在线观看成人免费| 精品久久久久久久久久免费视频| 女生性感内裤真人,穿戴方法视频| 一级毛片高清免费大全| 久久久精品欧美日韩精品| 国产免费男女视频| 日韩三级视频一区二区三区| 91精品国产国语对白视频| 丝袜美腿诱惑在线| 日韩国内少妇激情av| a级毛片在线看网站| 久久香蕉精品热| 欧美日韩一级在线毛片| 日本五十路高清| 老司机午夜福利在线观看视频| av视频免费观看在线观看| 高潮久久久久久久久久久不卡| videosex国产| 搞女人的毛片| 一边摸一边抽搐一进一小说| 免费在线观看影片大全网站| 国内精品久久久久久久电影| 亚洲自拍偷在线| 日本在线视频免费播放| 亚洲精品美女久久久久99蜜臀| 亚洲国产欧美网| 免费女性裸体啪啪无遮挡网站| 国产精品98久久久久久宅男小说| tocl精华| 午夜影院日韩av|