• <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
    日韩欧美一区二区三区在线观看| 久久亚洲精品不卡| 巨乳人妻的诱惑在线观看| av在线播放免费不卡| 久久这里只有精品中国| 久久精品国产亚洲av香蕉五月| 1024香蕉在线观看| 少妇被粗大的猛进出69影院| 黄片小视频在线播放| 亚洲,欧美精品.| 久久精品综合一区二区三区| 亚洲九九香蕉| 欧美成人性av电影在线观看| 国产亚洲欧美在线一区二区| 国产精品一区二区三区四区久久| 欧美黑人欧美精品刺激| 日韩欧美三级三区| 亚洲18禁久久av| 日本精品一区二区三区蜜桃| 变态另类丝袜制服| av有码第一页| 一个人免费在线观看电影 | 亚洲性夜色夜夜综合| 亚洲欧美一区二区三区黑人| 免费搜索国产男女视频| 99国产精品一区二区蜜桃av| 搡老妇女老女人老熟妇| 久久中文字幕一级| 亚洲国产精品成人综合色| 亚洲五月天丁香| 久久性视频一级片| 99精品久久久久人妻精品| 无人区码免费观看不卡| 久久草成人影院| 最近最新中文字幕大全电影3| 成人一区二区视频在线观看| 亚洲一区二区三区不卡视频| 国产精品免费视频内射| 亚洲熟女毛片儿| 国产高清视频在线播放一区| 日韩免费av在线播放| 村上凉子中文字幕在线| 一进一出抽搐gif免费好疼| 无遮挡黄片免费观看| 午夜福利18| 国产在线观看jvid| 黄色女人牲交| 亚洲无线在线观看| av视频在线观看入口| 在线观看免费日韩欧美大片| 在线观看日韩欧美| 狂野欧美激情性xxxx| 制服人妻中文乱码| 午夜日韩欧美国产| 免费无遮挡裸体视频| 一区二区三区高清视频在线| 午夜福利在线在线| 日本 av在线| 亚洲中文av在线| 91av网站免费观看| 国产精品精品国产色婷婷| 日本a在线网址| 免费看十八禁软件| 美女 人体艺术 gogo| 久久久久精品国产欧美久久久| 国产精品一区二区免费欧美| 又黄又粗又硬又大视频| 又紧又爽又黄一区二区| 亚洲 国产 在线| 在线观看一区二区三区| 美女高潮喷水抽搐中文字幕| 亚洲狠狠婷婷综合久久图片| 俄罗斯特黄特色一大片| 母亲3免费完整高清在线观看| 麻豆国产av国片精品| 国产单亲对白刺激| 制服人妻中文乱码| 亚洲av成人精品一区久久| 香蕉久久夜色| 亚洲中文字幕日韩| 伊人久久大香线蕉亚洲五| 男人舔女人下体高潮全视频| 国产精品一及| 女生性感内裤真人,穿戴方法视频| 日日干狠狠操夜夜爽| 丝袜人妻中文字幕| 99精品久久久久人妻精品| x7x7x7水蜜桃| 国内久久婷婷六月综合欲色啪| 久久久久久久久中文| 亚洲欧美精品综合一区二区三区| 国产精品综合久久久久久久免费| 精品国产美女av久久久久小说| 成在线人永久免费视频| 制服诱惑二区| 中出人妻视频一区二区| 窝窝影院91人妻| 国产黄片美女视频| 91字幕亚洲| 久久这里只有精品中国| 丝袜美腿诱惑在线| 他把我摸到了高潮在线观看| 亚洲 国产 在线| 女人高潮潮喷娇喘18禁视频| 88av欧美| 国产成人精品无人区| 1024手机看黄色片| 老司机午夜福利在线观看视频| 国产av麻豆久久久久久久| 色老头精品视频在线观看| 国产精品久久久久久久电影 | 国产成人欧美在线观看| 国产精品一区二区免费欧美| 中文资源天堂在线| 一边摸一边做爽爽视频免费| 国产精品久久久久久亚洲av鲁大| 免费在线观看完整版高清| а√天堂www在线а√下载| 一进一出抽搐动态| 亚洲av电影不卡..在线观看| 精品一区二区三区av网在线观看| 欧美精品啪啪一区二区三区| 久久精品91蜜桃| 国产精品免费视频内射| 在线观看www视频免费| 99国产极品粉嫩在线观看| 午夜福利欧美成人| 国产91精品成人一区二区三区| avwww免费| 免费电影在线观看免费观看| 黄色视频,在线免费观看| 免费人成视频x8x8入口观看| 免费在线观看成人毛片| 九色国产91popny在线| 91在线观看av| 少妇粗大呻吟视频| www.自偷自拍.com| av在线播放免费不卡| 91av网站免费观看| 国产成人一区二区三区免费视频网站| 久久久久精品国产欧美久久久| 欧美精品啪啪一区二区三区| 精品人妻1区二区| 国产三级黄色录像| 1024视频免费在线观看| 久久草成人影院| 99久久99久久久精品蜜桃| 两个人的视频大全免费| 国产私拍福利视频在线观看| 欧美黑人巨大hd| 女人被狂操c到高潮| 黑人操中国人逼视频| 亚洲精品中文字幕在线视频| 丰满的人妻完整版| 亚洲精品中文字幕一二三四区| 精品欧美国产一区二区三| 欧美成人免费av一区二区三区| 亚洲午夜理论影院| 好男人电影高清在线观看| 五月玫瑰六月丁香| 亚洲精华国产精华精| 人妻久久中文字幕网| 亚洲成av人片在线播放无| 久久久久久免费高清国产稀缺| 欧美黑人精品巨大| 欧美日韩亚洲综合一区二区三区_| 欧美色欧美亚洲另类二区| 波多野结衣巨乳人妻| 12—13女人毛片做爰片一| 黄片小视频在线播放| www.www免费av| 99久久综合精品五月天人人| netflix在线观看网站| 老司机靠b影院| 长腿黑丝高跟| a在线观看视频网站| 欧洲精品卡2卡3卡4卡5卡区| 日韩国内少妇激情av| 国产精品久久久久久亚洲av鲁大| 国产一区二区激情短视频| 免费在线观看黄色视频的| 50天的宝宝边吃奶边哭怎么回事| 国产精品亚洲一级av第二区| 色综合亚洲欧美另类图片| 国产成人精品久久二区二区91| 成人国语在线视频| 搡老熟女国产l中国老女人| 天天躁夜夜躁狠狠躁躁| 床上黄色一级片| 精品欧美国产一区二区三| 国产在线精品亚洲第一网站| 国产精品亚洲一级av第二区| 国产精品久久久人人做人人爽| 欧美黑人巨大hd| 日韩欧美在线二视频| 日本成人三级电影网站| 黄色女人牲交| av超薄肉色丝袜交足视频| 久久久久国产一级毛片高清牌| 看黄色毛片网站| 亚洲欧美日韩东京热| 国产黄片美女视频| 人人妻人人澡欧美一区二区| 亚洲片人在线观看| 人成视频在线观看免费观看| 成年女人毛片免费观看观看9| 又黄又粗又硬又大视频| 国产成人系列免费观看| 我要搜黄色片| 精品欧美一区二区三区在线| 国产伦一二天堂av在线观看| 欧美+亚洲+日韩+国产| 十八禁网站免费在线| 欧美日韩福利视频一区二区| 黄色丝袜av网址大全| netflix在线观看网站| 午夜福利18| 国产高清有码在线观看视频 | 国产亚洲精品av在线| 嫩草影视91久久| 久久久精品国产亚洲av高清涩受| 欧美日韩福利视频一区二区| 免费一级毛片在线播放高清视频| 精品国产亚洲在线| 久久精品aⅴ一区二区三区四区| 亚洲人成77777在线视频| 麻豆国产av国片精品| 亚洲国产中文字幕在线视频| 九色国产91popny在线| 欧美 亚洲 国产 日韩一| 亚洲真实伦在线观看| 久久久久久久久久黄片| 午夜免费激情av| 50天的宝宝边吃奶边哭怎么回事| 中文亚洲av片在线观看爽| 国产精品一区二区三区四区久久| 青草久久国产| 亚洲第一欧美日韩一区二区三区| 精品国产乱子伦一区二区三区| 久久久久久免费高清国产稀缺| 美女高潮喷水抽搐中文字幕| 免费人成视频x8x8入口观看| 桃色一区二区三区在线观看| 脱女人内裤的视频| 国内精品一区二区在线观看| 一区二区三区高清视频在线| 亚洲熟妇中文字幕五十中出| 国产精品九九99| 中亚洲国语对白在线视频| 欧美日韩亚洲国产一区二区在线观看| 看黄色毛片网站| 成人国产一区最新在线观看| 他把我摸到了高潮在线观看| 免费在线观看视频国产中文字幕亚洲| 男人舔奶头视频| 亚洲精品粉嫩美女一区| 麻豆av在线久日| 婷婷丁香在线五月| www.www免费av| 老司机福利观看| 一二三四在线观看免费中文在| 黄色女人牲交| 成人手机av| 九色国产91popny在线| 久久久久久久久中文| 精品欧美国产一区二区三| 婷婷丁香在线五月| 国产亚洲精品综合一区在线观看 | 悠悠久久av| 久久精品aⅴ一区二区三区四区| 国内毛片毛片毛片毛片毛片| av片东京热男人的天堂| 久久人妻av系列| 久久精品91蜜桃| 91麻豆精品激情在线观看国产| 国产黄色小视频在线观看| x7x7x7水蜜桃| 天堂av国产一区二区熟女人妻 | 久久精品aⅴ一区二区三区四区| 国产精品 国内视频| 亚洲在线自拍视频| 又粗又爽又猛毛片免费看| 欧美性猛交黑人性爽| 首页视频小说图片口味搜索| 搞女人的毛片| 国产不卡一卡二| 男女之事视频高清在线观看| 精品欧美一区二区三区在线| 色老头精品视频在线观看| 美女黄网站色视频| 欧美色视频一区免费| 国产激情欧美一区二区| 国产精品亚洲一级av第二区| 亚洲精品美女久久久久99蜜臀| 日本一区二区免费在线视频| 日韩欧美在线乱码| 亚洲美女黄片视频| 99久久无色码亚洲精品果冻| 观看免费一级毛片| www.自偷自拍.com| 极品教师在线免费播放| 99热这里只有精品一区 | 免费观看精品视频网站| 夜夜看夜夜爽夜夜摸| 亚洲av成人av| 一进一出抽搐动态| 成人永久免费在线观看视频| 日韩欧美国产一区二区入口| 搡老妇女老女人老熟妇| svipshipincom国产片| 精品不卡国产一区二区三区| 亚洲国产欧洲综合997久久,| 好男人在线观看高清免费视频| netflix在线观看网站| 中文字幕人成人乱码亚洲影| 亚洲国产欧美一区二区综合| 91老司机精品| 久久久久亚洲av毛片大全| 欧美zozozo另类| 九色国产91popny在线| 亚洲av成人不卡在线观看播放网| 黄色视频,在线免费观看| 日本一区二区免费在线视频| 久久久久免费精品人妻一区二区| 两个人免费观看高清视频| 国产亚洲av嫩草精品影院| 一级毛片高清免费大全| 日韩成人在线观看一区二区三区| 99国产精品一区二区蜜桃av| 欧美中文综合在线视频| 亚洲中文字幕日韩| 男女床上黄色一级片免费看| 老司机午夜十八禁免费视频| 成人永久免费在线观看视频| 99re在线观看精品视频| 国产高清有码在线观看视频 | 看片在线看免费视频| 国产男靠女视频免费网站| 少妇裸体淫交视频免费看高清 | 欧洲精品卡2卡3卡4卡5卡区| 777久久人妻少妇嫩草av网站| 精品乱码久久久久久99久播| 久久九九热精品免费| 免费观看精品视频网站| 亚洲国产欧美一区二区综合| 久久久国产成人免费| 亚洲精品国产一区二区精华液| 在线十欧美十亚洲十日本专区| 国产av一区二区精品久久| 青草久久国产| 欧美久久黑人一区二区| 老汉色∧v一级毛片| 亚洲国产欧美人成| 国产精品亚洲av一区麻豆| 欧美激情久久久久久爽电影| 两个人免费观看高清视频| 香蕉国产在线看| 天堂av国产一区二区熟女人妻 | 99在线人妻在线中文字幕| 欧美丝袜亚洲另类 | 正在播放国产对白刺激| 亚洲中文字幕一区二区三区有码在线看 | 一本综合久久免费| 免费电影在线观看免费观看| 免费在线观看亚洲国产| 色老头精品视频在线观看| 97人妻精品一区二区三区麻豆| 亚洲成av人片免费观看| 久久久久久久久中文| 国内揄拍国产精品人妻在线| 亚洲成av人片免费观看| 特级一级黄色大片| 亚洲成人国产一区在线观看| 久久久久久亚洲精品国产蜜桃av| 国产乱人伦免费视频| 久久久久久国产a免费观看| www.精华液| www.自偷自拍.com| 国产精品久久视频播放| 看片在线看免费视频| 男女做爰动态图高潮gif福利片| 麻豆成人午夜福利视频| 亚洲av五月六月丁香网| 日本精品一区二区三区蜜桃| 最新在线观看一区二区三区| 精品少妇一区二区三区视频日本电影| 国产精品精品国产色婷婷| 黑人欧美特级aaaaaa片| 好男人电影高清在线观看| 欧美成人一区二区免费高清观看 | 国产乱人伦免费视频| 国产黄a三级三级三级人| 午夜成年电影在线免费观看| 一区二区三区高清视频在线| 老鸭窝网址在线观看| 国产激情偷乱视频一区二区| 欧美黑人精品巨大| 国产精品亚洲av一区麻豆| 两个人的视频大全免费| 欧美在线一区亚洲| 午夜日韩欧美国产| 免费在线观看完整版高清| 精品欧美一区二区三区在线| 成人国产一区最新在线观看| 母亲3免费完整高清在线观看| 91在线观看av| 老汉色av国产亚洲站长工具| 国产成人啪精品午夜网站| 久久欧美精品欧美久久欧美| 又大又爽又粗| 欧美日韩国产亚洲二区| 波多野结衣高清作品| svipshipincom国产片| 久久久国产欧美日韩av| 一级作爱视频免费观看| av福利片在线观看| 搡老妇女老女人老熟妇| 色综合婷婷激情| 久久精品影院6| 午夜成年电影在线免费观看| 色在线成人网| 无人区码免费观看不卡| 国产一级毛片七仙女欲春2| a级毛片在线看网站| 熟妇人妻久久中文字幕3abv| 国产亚洲欧美在线一区二区| 黑人欧美特级aaaaaa片| 男女下面进入的视频免费午夜| 国产成人一区二区三区免费视频网站| 一进一出好大好爽视频| 色精品久久人妻99蜜桃| 亚洲欧美日韩东京热| 久久久国产精品麻豆| 国产片内射在线| 欧美在线黄色| 欧美色欧美亚洲另类二区| 少妇粗大呻吟视频| 久久精品91无色码中文字幕| 又黄又粗又硬又大视频| 视频区欧美日本亚洲| 免费观看精品视频网站| 丰满的人妻完整版| 成人三级做爰电影| 又粗又爽又猛毛片免费看| 久久性视频一级片| 日本成人三级电影网站| 制服丝袜大香蕉在线| 99国产精品99久久久久| 国产成年人精品一区二区| 亚洲avbb在线观看| 欧美日本亚洲视频在线播放| 日本一区二区免费在线视频| 免费在线观看影片大全网站| 欧美成人一区二区免费高清观看 | 欧美日韩精品网址| 久久中文字幕一级| 国产激情欧美一区二区| 欧美黑人欧美精品刺激| 日本在线视频免费播放| 一级a爱片免费观看的视频| 久久这里只有精品19| 亚洲精品中文字幕在线视频| 又大又爽又粗| 亚洲一区中文字幕在线| 国产精品av久久久久免费| 国产在线精品亚洲第一网站| 亚洲成人久久性| a级毛片a级免费在线| 欧美一级a爱片免费观看看 | 成年免费大片在线观看| 久久婷婷成人综合色麻豆| 欧美日韩中文字幕国产精品一区二区三区| 最新在线观看一区二区三区| www.自偷自拍.com| 亚洲黑人精品在线| 亚洲在线自拍视频| 两个人免费观看高清视频| 久久久久国产一级毛片高清牌| 国产亚洲精品第一综合不卡| 国产麻豆成人av免费视频| 亚洲18禁久久av| 精品久久久久久久久久久久久| 一a级毛片在线观看| 国产69精品久久久久777片 | avwww免费| 欧美成人免费av一区二区三区| 欧美+亚洲+日韩+国产| 久久香蕉激情| 亚洲国产高清在线一区二区三| 欧美黑人巨大hd| 亚洲色图av天堂| 听说在线观看完整版免费高清| 色综合婷婷激情| 亚洲av美国av| 天堂影院成人在线观看| 亚洲激情在线av| 国产激情久久老熟女| av国产免费在线观看| 性欧美人与动物交配| 成人国产一区最新在线观看| 成人av在线播放网站| 人妻夜夜爽99麻豆av| 毛片女人毛片| 午夜两性在线视频| 俺也久久电影网| 久久香蕉精品热| 亚洲五月婷婷丁香| 国产黄片美女视频| 亚洲国产欧美一区二区综合| 又紧又爽又黄一区二区| 最近最新免费中文字幕在线| 激情在线观看视频在线高清| 一夜夜www| 国产免费男女视频| 精品免费久久久久久久清纯| 日韩精品中文字幕看吧| 国产高清有码在线观看视频 | 国产精品av视频在线免费观看| 一卡2卡三卡四卡精品乱码亚洲| 在线观看一区二区三区| 成人亚洲精品av一区二区| 午夜影院日韩av| 欧美中文日本在线观看视频| 免费看a级黄色片| 精品久久蜜臀av无| 午夜福利18| 特大巨黑吊av在线直播| 国产一区在线观看成人免费| 亚洲第一欧美日韩一区二区三区| 啦啦啦免费观看视频1| 99久久综合精品五月天人人| 亚洲片人在线观看| 国产片内射在线| 亚洲精品久久成人aⅴ小说| 欧美日韩亚洲国产一区二区在线观看| 男女下面进入的视频免费午夜| 久久伊人香网站| 免费电影在线观看免费观看| 国产在线精品亚洲第一网站| 亚洲精品美女久久久久99蜜臀| 久久 成人 亚洲| 国产一区二区在线av高清观看| 看片在线看免费视频| 精品久久久久久久毛片微露脸| 亚洲午夜理论影院| 亚洲性夜色夜夜综合| 欧美 亚洲 国产 日韩一| 国产成人精品久久二区二区91| 亚洲精品一卡2卡三卡4卡5卡| 母亲3免费完整高清在线观看| 女同久久另类99精品国产91| 国产精华一区二区三区| 亚洲成人久久性| 久久这里只有精品19| 男女午夜视频在线观看| 欧美中文日本在线观看视频| 午夜a级毛片| 国产aⅴ精品一区二区三区波| www.999成人在线观看| 成人一区二区视频在线观看| 久久久精品欧美日韩精品| 亚洲一区二区三区不卡视频| 国产高清有码在线观看视频 | 亚洲,欧美精品.| 啦啦啦韩国在线观看视频| 天天添夜夜摸| 亚洲国产精品合色在线| 一边摸一边抽搐一进一小说| 亚洲中文字幕一区二区三区有码在线看 | 亚洲成人国产一区在线观看| 脱女人内裤的视频| 最近视频中文字幕2019在线8| 无限看片的www在线观看| 免费人成视频x8x8入口观看| 成人特级黄色片久久久久久久| 久久午夜亚洲精品久久| 每晚都被弄得嗷嗷叫到高潮| 99热6这里只有精品| 久久国产乱子伦精品免费另类| 99久久综合精品五月天人人| 久久精品国产清高在天天线| 窝窝影院91人妻| 在线观看美女被高潮喷水网站 | 日韩中文字幕欧美一区二区| 一本一本综合久久| 精品人妻1区二区| 一卡2卡三卡四卡精品乱码亚洲| 香蕉av资源在线| 久久 成人 亚洲| 一夜夜www| 国产亚洲av高清不卡| 麻豆成人午夜福利视频| 午夜福利18| 国内久久婷婷六月综合欲色啪| 老汉色av国产亚洲站长工具| 久久久久免费精品人妻一区二区| 欧美黑人巨大hd| 日韩欧美 国产精品| 国产视频内射| 99久久精品热视频| 国产av麻豆久久久久久久| 18禁美女被吸乳视频| 亚洲专区国产一区二区| 可以在线观看的亚洲视频| 成人三级黄色视频| 国产精品永久免费网站| 国产黄a三级三级三级人| 搞女人的毛片| 俺也久久电影网| 人人妻,人人澡人人爽秒播| 法律面前人人平等表现在哪些方面| 亚洲18禁久久av| 欧美日韩国产亚洲二区| 久久久久国内视频| 久久欧美精品欧美久久欧美|