• <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
    搡老妇女老女人老熟妇| 91精品国产九色| 国产亚洲av片在线观看秒播厂 | 一卡2卡三卡四卡精品乱码亚洲| 青春草视频在线免费观看| 三级经典国产精品| 精品一区二区免费观看| 午夜老司机福利剧场| 高清毛片免费看| 麻豆成人av视频| 日韩精品青青久久久久久| 高清av免费在线| 亚洲四区av| 亚洲精品乱码久久久v下载方式| 欧美人与善性xxx| 午夜福利在线在线| 一级毛片久久久久久久久女| 乱系列少妇在线播放| 久久久精品大字幕| av.在线天堂| 日日撸夜夜添| 午夜免费激情av| 色尼玛亚洲综合影院| 国产精品.久久久| 日韩中字成人| 好男人视频免费观看在线| 中文字幕免费在线视频6| 国产伦在线观看视频一区| 午夜福利在线观看免费完整高清在| 免费av毛片视频| 亚洲av熟女| 一级av片app| 伦精品一区二区三区| 午夜日本视频在线| 日本av手机在线免费观看| 国产69精品久久久久777片| 亚洲精华国产精华液的使用体验| 日韩欧美精品v在线| 亚洲av电影在线观看一区二区三区 | 国产精品国产高清国产av| 五月伊人婷婷丁香| 精品国产露脸久久av麻豆 | 亚洲伊人久久精品综合 | 欧美+日韩+精品| 日韩av在线免费看完整版不卡| 床上黄色一级片| 国产淫片久久久久久久久| 国产综合懂色| 一级黄色大片毛片| 亚洲美女视频黄频| 在线观看美女被高潮喷水网站| 三级国产精品片| 国产精品人妻久久久久久| 国产三级中文精品| 亚洲最大成人av| 狂野欧美白嫩少妇大欣赏| 美女被艹到高潮喷水动态| 国产午夜福利久久久久久| 黑人高潮一二区| 欧美xxxx黑人xx丫x性爽| 国产精品嫩草影院av在线观看| 麻豆乱淫一区二区| 国产精品久久久久久精品电影小说 | 日韩强制内射视频| 亚洲精品国产成人久久av| 一级黄色大片毛片| 国产精品久久久久久精品电影| 99久久无色码亚洲精品果冻| 国产精品久久电影中文字幕| 国产精品一区二区三区四区免费观看| 五月伊人婷婷丁香| 一二三四中文在线观看免费高清| 久久久国产成人精品二区| 欧美激情国产日韩精品一区| 91aial.com中文字幕在线观看| 免费观看人在逋| 国产精品久久久久久久久免| 欧美激情国产日韩精品一区| www日本黄色视频网| 亚洲av熟女| 亚州av有码| 亚洲精品国产av成人精品| 老女人水多毛片| 亚洲第一区二区三区不卡| 国产高清视频在线观看网站| 精品欧美国产一区二区三| 天堂网av新在线| 边亲边吃奶的免费视频| 长腿黑丝高跟| 国产成人aa在线观看| 人人妻人人看人人澡| 汤姆久久久久久久影院中文字幕 | 久久99热这里只频精品6学生 | 日本五十路高清| 免费大片18禁| 国产一级毛片在线| 九草在线视频观看| 久久精品久久久久久噜噜老黄 | 精品熟女少妇av免费看| 精品午夜福利在线看| 精品一区二区三区视频在线| 麻豆一二三区av精品| 久久久午夜欧美精品| 久久综合国产亚洲精品| 一级av片app| 久久久久久久久久久免费av| 国产成人免费观看mmmm| 亚洲av免费高清在线观看| 欧美潮喷喷水| 午夜日本视频在线| 一级毛片久久久久久久久女| 中文字幕亚洲精品专区| 黄色日韩在线| 日韩三级伦理在线观看| 乱系列少妇在线播放| 久久亚洲国产成人精品v| 美女大奶头视频| 卡戴珊不雅视频在线播放| 亚洲精品一区蜜桃| 午夜福利在线观看免费完整高清在| 色哟哟·www| 麻豆精品久久久久久蜜桃| 久久精品国产亚洲av涩爱| 欧美bdsm另类| 插阴视频在线观看视频| 欧美一级a爱片免费观看看| 22中文网久久字幕| 综合色av麻豆| 婷婷色av中文字幕| 岛国毛片在线播放| 国产成人91sexporn| 亚洲最大成人手机在线| 美女被艹到高潮喷水动态| 亚洲乱码一区二区免费版| 久久精品久久精品一区二区三区| av线在线观看网站| 日本黄大片高清| 久久久久久大精品| 国产精品久久久久久久久免| 三级男女做爰猛烈吃奶摸视频| 亚洲精品乱久久久久久| 亚洲欧美一区二区三区国产| 内射极品少妇av片p| 国内揄拍国产精品人妻在线| 午夜老司机福利剧场| 联通29元200g的流量卡| 国产极品天堂在线| 99国产精品一区二区蜜桃av| 天堂影院成人在线观看| 麻豆久久精品国产亚洲av| 91久久精品国产一区二区三区| 一级av片app| 99视频精品全部免费 在线| 国产亚洲91精品色在线| 久久精品国产亚洲网站| 国产精品.久久久| 五月玫瑰六月丁香| 99热这里只有是精品在线观看| www.av在线官网国产| 在线免费观看的www视频| 日韩 亚洲 欧美在线| 日韩国内少妇激情av| 高清日韩中文字幕在线| 51国产日韩欧美| 天天一区二区日本电影三级| 久久久久久伊人网av| 亚洲欧美中文字幕日韩二区| 欧美+日韩+精品| 高清日韩中文字幕在线| 三级毛片av免费| 久久鲁丝午夜福利片| 最近最新中文字幕免费大全7| 在现免费观看毛片| 91精品一卡2卡3卡4卡| 热99在线观看视频| 精品欧美国产一区二区三| 久久精品熟女亚洲av麻豆精品 | 又黄又爽又刺激的免费视频.| 美女被艹到高潮喷水动态| 特级一级黄色大片| 久久热精品热| av免费在线看不卡| 国产高清有码在线观看视频| 简卡轻食公司| 色尼玛亚洲综合影院| 国产精品99久久久久久久久| 亚洲中文字幕一区二区三区有码在线看| 日本与韩国留学比较| 美女国产视频在线观看| 欧美zozozo另类| 国产视频内射| 久久久欧美国产精品| 成人国产麻豆网| 人妻少妇偷人精品九色| 伊人久久精品亚洲午夜| 亚洲美女视频黄频| 亚洲人与动物交配视频| 一个人看的www免费观看视频| 色哟哟·www| 免费黄网站久久成人精品| 一区二区三区高清视频在线| 国产黄片视频在线免费观看| 久久久久久久亚洲中文字幕| 亚洲真实伦在线观看| 美女内射精品一级片tv| 赤兔流量卡办理| 亚洲欧美成人综合另类久久久 | 中文欧美无线码| 18禁在线无遮挡免费观看视频| 国产精品野战在线观看| 哪个播放器可以免费观看大片| 亚洲精品国产av成人精品| 国产午夜精品论理片| 国产精品一及| 国产69精品久久久久777片| 国产精品久久久久久久电影| 乱人视频在线观看| 午夜久久久久精精品| 成人国产麻豆网| 久久精品夜色国产| 九草在线视频观看| 亚洲国产欧美人成| 99久久人妻综合| 又粗又爽又猛毛片免费看| 美女内射精品一级片tv| 97超碰精品成人国产| av免费在线看不卡| 午夜激情福利司机影院| 一个人看的www免费观看视频| 一级毛片电影观看 | 国产真实伦视频高清在线观看| 男人的好看免费观看在线视频| 亚洲国产日韩欧美精品在线观看| 免费电影在线观看免费观看| 亚洲一区高清亚洲精品| 国产成人精品久久久久久| 69人妻影院| 真实男女啪啪啪动态图| 亚洲精品日韩av片在线观看| 国产老妇伦熟女老妇高清| 99久久九九国产精品国产免费| 久久精品综合一区二区三区| 亚洲国产精品国产精品| 国产三级在线视频| 日韩高清综合在线| 国产探花极品一区二区| 久久人人爽人人爽人人片va| 中文字幕免费在线视频6| 男人舔奶头视频| 男插女下体视频免费在线播放| 国产成人freesex在线| 国产黄a三级三级三级人| 精品99又大又爽又粗少妇毛片| 午夜福利高清视频| 亚洲精品影视一区二区三区av| 亚洲国产日韩欧美精品在线观看| 亚洲精品色激情综合| 亚洲欧美精品综合久久99| 男的添女的下面高潮视频| 欧美成人一区二区免费高清观看| 欧美人与善性xxx| 国产黄a三级三级三级人| av线在线观看网站| 日韩欧美精品v在线| 简卡轻食公司| 99视频精品全部免费 在线| 久久99热这里只频精品6学生 | 亚洲av.av天堂| 女人被狂操c到高潮| 日韩欧美 国产精品| 亚洲精品影视一区二区三区av| 亚洲国产日韩欧美精品在线观看| 亚洲av福利一区| 久久精品国产亚洲av天美| 自拍偷自拍亚洲精品老妇| 麻豆成人午夜福利视频| 小说图片视频综合网站| 日本免费a在线| 国产精品野战在线观看| 亚洲精品乱久久久久久| 精品久久久久久成人av| 亚洲自拍偷在线| 久99久视频精品免费| 在线天堂最新版资源| 日韩av在线大香蕉| 在线播放无遮挡| 长腿黑丝高跟| 中文在线观看免费www的网站| 欧美日韩精品成人综合77777| 麻豆乱淫一区二区| 亚洲精品aⅴ在线观看| 最后的刺客免费高清国语| 久久鲁丝午夜福利片| 久久久精品欧美日韩精品| 联通29元200g的流量卡| 丰满人妻一区二区三区视频av| 亚洲av电影不卡..在线观看| 亚洲精品,欧美精品| 午夜爱爱视频在线播放| 日本免费在线观看一区| 男女视频在线观看网站免费| 国产午夜精品论理片| 欧美一区二区国产精品久久精品| 国产色爽女视频免费观看| 久久这里只有精品中国| 男人狂女人下面高潮的视频| 久久久午夜欧美精品| 亚洲国产精品成人久久小说| 欧美三级亚洲精品| 国产精品久久视频播放| 大香蕉久久网| 校园人妻丝袜中文字幕| 亚洲国产日韩欧美精品在线观看| 精品久久国产蜜桃| 国产精品麻豆人妻色哟哟久久 | 国产在视频线精品| 亚洲av二区三区四区| 日日干狠狠操夜夜爽| av在线亚洲专区| 淫秽高清视频在线观看| 国产激情偷乱视频一区二区| 久久精品影院6| av在线老鸭窝| 国产精品久久久久久精品电影| 亚洲av电影不卡..在线观看| 亚洲精品日韩av片在线观看| 韩国高清视频一区二区三区| 亚洲精品亚洲一区二区| 熟女人妻精品中文字幕| 大话2 男鬼变身卡| 最近手机中文字幕大全| 成人亚洲欧美一区二区av| 成人午夜高清在线视频| 国产精品99久久久久久久久| 欧美性感艳星| 天堂av国产一区二区熟女人妻| 爱豆传媒免费全集在线观看| 男人狂女人下面高潮的视频| 亚洲第一区二区三区不卡| 乱人视频在线观看| 别揉我奶头 嗯啊视频| 午夜福利在线观看免费完整高清在| 精品久久国产蜜桃| 免费看日本二区| 欧美三级亚洲精品| 国产精品精品国产色婷婷| 99久久成人亚洲精品观看| 91午夜精品亚洲一区二区三区| 亚洲av熟女| 久久久精品大字幕| 村上凉子中文字幕在线| 男女视频在线观看网站免费| 国产精品野战在线观看| 哪个播放器可以免费观看大片| 亚洲欧美清纯卡通| 波多野结衣巨乳人妻| 黄片wwwwww| 亚洲成人久久爱视频| 性色avwww在线观看| 久久久久久久亚洲中文字幕| 国产成人91sexporn| 高清毛片免费看| 亚洲欧洲国产日韩| 亚洲人成网站在线播| 成人三级黄色视频| 成人鲁丝片一二三区免费| 蜜臀久久99精品久久宅男| 三级毛片av免费| 男人舔奶头视频| 欧美xxxx性猛交bbbb| 成人毛片60女人毛片免费| 99在线视频只有这里精品首页| 亚洲电影在线观看av| 亚洲精品国产av成人精品| 欧美日韩一区二区视频在线观看视频在线 | 最近中文字幕2019免费版| av卡一久久| 成年版毛片免费区| 亚洲aⅴ乱码一区二区在线播放| 两性午夜刺激爽爽歪歪视频在线观看| 青青草视频在线视频观看| 国产精品人妻久久久久久| 我要看日韩黄色一级片| 国产精品不卡视频一区二区| 一级二级三级毛片免费看| 亚洲欧美成人精品一区二区| 成人漫画全彩无遮挡| 中文资源天堂在线| 99九九线精品视频在线观看视频| 亚洲,欧美,日韩| 最近视频中文字幕2019在线8| 日韩欧美在线乱码| 我要看日韩黄色一级片| 伦精品一区二区三区| 在线观看美女被高潮喷水网站| 熟妇人妻久久中文字幕3abv| 免费大片18禁| 精品少妇黑人巨大在线播放 | 色网站视频免费| 成人无遮挡网站| 欧美日韩综合久久久久久| 午夜老司机福利剧场| 美女脱内裤让男人舔精品视频| 禁无遮挡网站| 在线a可以看的网站| 春色校园在线视频观看| 亚洲欧美精品自产自拍| 国产人妻一区二区三区在| 久久精品91蜜桃| 亚洲最大成人手机在线| 成人毛片a级毛片在线播放| 精品一区二区三区视频在线| 日韩人妻高清精品专区| 建设人人有责人人尽责人人享有的 | 国产av不卡久久| 欧美极品一区二区三区四区| av在线观看视频网站免费| 免费看av在线观看网站| 男的添女的下面高潮视频| 精品久久久久久久末码| 国产老妇女一区| 国产在视频线精品| 日本黄大片高清| 亚洲欧美一区二区三区国产| 国产精品国产三级专区第一集| 色视频www国产| 国产真实伦视频高清在线观看| 久久草成人影院| 最新中文字幕久久久久| 午夜久久久久精精品| 爱豆传媒免费全集在线观看| 国产精品野战在线观看| 欧美性猛交╳xxx乱大交人| 天天一区二区日本电影三级| 99久久无色码亚洲精品果冻| 国产熟女欧美一区二区| 国产精品嫩草影院av在线观看| 成人毛片a级毛片在线播放| 韩国av在线不卡| 久久国产乱子免费精品| 亚洲美女搞黄在线观看| 99久久中文字幕三级久久日本| 中文字幕久久专区| 综合色av麻豆| 亚洲国产精品合色在线| 99久久无色码亚洲精品果冻| 欧美三级亚洲精品| 国产美女午夜福利| 亚洲欧美日韩无卡精品| 欧美另类亚洲清纯唯美| 我的女老师完整版在线观看| 中文字幕久久专区| or卡值多少钱| 99久久九九国产精品国产免费| 成人无遮挡网站| 国产女主播在线喷水免费视频网站 | 久久草成人影院| 亚洲av成人精品一二三区| 国产在视频线在精品| 一边亲一边摸免费视频| 少妇的逼水好多| 视频中文字幕在线观看| 色综合色国产| 能在线免费看毛片的网站| 纵有疾风起免费观看全集完整版 | 日本三级黄在线观看| 老司机福利观看| 欧美日韩综合久久久久久| 性色avwww在线观看| 日本黄大片高清| 两个人的视频大全免费| 99久久精品国产国产毛片| 国产高潮美女av| 三级毛片av免费| 五月伊人婷婷丁香| 真实男女啪啪啪动态图| 91久久精品国产一区二区三区| 日日摸夜夜添夜夜添av毛片| 卡戴珊不雅视频在线播放| 亚洲中文字幕一区二区三区有码在线看| 久99久视频精品免费| 国产一区二区三区av在线| 99久久人妻综合| 床上黄色一级片| 亚洲,欧美,日韩| 日韩欧美精品免费久久| 成人毛片60女人毛片免费| 国产69精品久久久久777片| 亚洲美女视频黄频| 日韩一区二区视频免费看| 免费观看人在逋| 最近中文字幕2019免费版| 简卡轻食公司| 黄片wwwwww| 日本一本二区三区精品| 嫩草影院精品99| 亚洲最大成人中文| 国产亚洲av嫩草精品影院| 天天躁夜夜躁狠狠久久av| 亚洲av不卡在线观看| 七月丁香在线播放| 少妇的逼水好多| 免费搜索国产男女视频| 精品一区二区三区人妻视频| 国产精品伦人一区二区| 日韩欧美三级三区| 国产午夜精品论理片| 久久韩国三级中文字幕| 国产女主播在线喷水免费视频网站 | 午夜免费激情av| 男女啪啪激烈高潮av片| 欧美成人午夜免费资源| 国产成人福利小说| 久久久久国产网址| 亚洲国产色片| 五月伊人婷婷丁香| 国产免费又黄又爽又色| 日本av手机在线免费观看| 插逼视频在线观看| 韩国av在线不卡| 日本wwww免费看| 秋霞伦理黄片| 亚洲aⅴ乱码一区二区在线播放| 亚洲第一区二区三区不卡| 国产精品国产三级国产专区5o | 天堂av国产一区二区熟女人妻| 91在线精品国自产拍蜜月| 插逼视频在线观看| 国产精品国产三级国产专区5o | 久久久欧美国产精品| 国产成人a∨麻豆精品| 成人毛片60女人毛片免费| 国产精品伦人一区二区| 国产成人精品婷婷| 两性午夜刺激爽爽歪歪视频在线观看| 在现免费观看毛片| 亚洲欧美日韩无卡精品| 一级爰片在线观看| 两个人视频免费观看高清| 国产午夜福利久久久久久| 国产精品伦人一区二区| 国产精品国产三级国产av玫瑰| 亚洲国产日韩欧美精品在线观看| 久久久久九九精品影院| 国产三级在线视频| 又黄又爽又刺激的免费视频.| 18禁在线播放成人免费| 国产极品精品免费视频能看的| 一级av片app| 国产精品人妻久久久影院| 欧美激情国产日韩精品一区| 老司机影院成人| 深夜a级毛片| 亚洲三级黄色毛片| 两个人视频免费观看高清| 一区二区三区高清视频在线| 中文字幕制服av| 97在线视频观看| .国产精品久久| 非洲黑人性xxxx精品又粗又长| 美女国产视频在线观看| 欧美日本视频| 毛片女人毛片| 国产一区二区三区av在线| 夜夜爽夜夜爽视频| 两个人视频免费观看高清| 午夜福利高清视频| 别揉我奶头 嗯啊视频| 中国国产av一级| 国产精品久久久久久久电影| 蜜桃亚洲精品一区二区三区| 亚洲熟妇中文字幕五十中出| 成人高潮视频无遮挡免费网站| 国产淫片久久久久久久久| 少妇丰满av| 亚洲人成网站在线观看播放| 亚洲高清免费不卡视频| 2022亚洲国产成人精品| 国产 一区 欧美 日韩| 免费观看人在逋| 亚洲av日韩在线播放| 免费黄网站久久成人精品| 91久久精品国产一区二区三区| 在线天堂最新版资源| 国产单亲对白刺激| 精品久久久久久久久av| 亚洲av二区三区四区| 久久99热6这里只有精品| 中文精品一卡2卡3卡4更新| 国产毛片a区久久久久| 免费黄色在线免费观看| 国产精品一及| 日韩国内少妇激情av| 亚洲欧美一区二区三区国产| 亚洲国产精品专区欧美| 日日摸夜夜添夜夜添av毛片| 亚洲av免费高清在线观看| 最新中文字幕久久久久| 国产精品人妻久久久久久| 亚洲av免费高清在线观看| 在线观看一区二区三区| 国产精品人妻久久久久久| 禁无遮挡网站| 精华霜和精华液先用哪个| 国产又色又爽无遮挡免| 日韩欧美精品免费久久| av免费观看日本| 欧美变态另类bdsm刘玥| 日韩高清综合在线| 91av网一区二区| 久久久久久久久中文| 国产精品熟女久久久久浪| 久久精品夜夜夜夜夜久久蜜豆| 亚洲精华国产精华液的使用体验| 男人和女人高潮做爰伦理|