• <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Relief-WGS 優(yōu)化算法的圖像分類方法*

    2023-11-29 11:26:02紀(jì)峰馬圓月劉瑩
    關(guān)鍵詞:子集鯨魚(yú)適應(yīng)度

    紀(jì)峰 馬圓月 劉瑩

    1.陜西環(huán)保產(chǎn)業(yè)研究院有限公司;2.西安微電子技術(shù)研究所

    針對(duì)圖像特征選擇問(wèn)題,特征屬性過(guò)多不但會(huì)造成維數(shù)災(zāi)難,而且會(huì)影響分類的正確率。在采用支持向量機(jī)分類時(shí),特征維數(shù)較高,會(huì)造成分類準(zhǔn)確率較低,運(yùn)算速度較慢等問(wèn)題。為了解決此問(wèn)題,提出Relief 算法、鯨魚(yú)算法、遺傳算法和支持向量機(jī)相結(jié)合的Relief-WGS 優(yōu)化算法,實(shí)現(xiàn)圖像特征選擇和分類。首先,使用Relief 算法對(duì)特征集進(jìn)行初步篩選,其次,將篩選的特征子集個(gè)數(shù)和支持向量機(jī)參數(shù)編碼到鯨魚(yú)-遺傳算法中,最后對(duì)特征子集進(jìn)行優(yōu)化的同時(shí),對(duì)支持向量機(jī)參數(shù)也進(jìn)行同步優(yōu)化。計(jì)算結(jié)果表明,所提出的算法能在去除掉不重要特征的同時(shí)對(duì)支持向量機(jī)參數(shù)進(jìn)行優(yōu)化,有效地提高圖像分類準(zhǔn)確率。

    近年來(lái),隨著圖像技術(shù)的發(fā)展和相關(guān)應(yīng)用的普及,為了能更好地反映圖像特征,使圖像更有效地應(yīng)用在多個(gè)方面,為此需要在提高圖像識(shí)別度的問(wèn)題上不斷地進(jìn)行研究。圖像分類準(zhǔn)確率的高低取決于所利用的分類特征是否能夠很好地反映所要研究的分類問(wèn)題。一般而言,特征集中或多或少都包含著一些對(duì)分類結(jié)果無(wú)貢獻(xiàn)的特征,這些特征也稱為冗余特征,過(guò)多的冗余特征不僅會(huì)使運(yùn)算變得復(fù)雜,處理速度下降,而且可能會(huì)導(dǎo)致分類精度降低,因此需要選用對(duì)分類識(shí)別作用較大的特征[1]。本文對(duì)提取的紋理特征進(jìn)行篩選,根據(jù)各個(gè)特征和類別的相關(guān)性進(jìn)行特征選擇,降低特征空間維數(shù),加快算法的運(yùn)算效率。

    支持向量機(jī)(Support Vector Machine, SVM)作為一種基本的監(jiān)督學(xué)習(xí)方法,被廣泛應(yīng)用于文本識(shí)別、圖像識(shí)別等[2]。SVM 的原理是通過(guò)構(gòu)建分類超平面作為決策面來(lái)最大化不同類型數(shù)據(jù)之間的差異,有效避免局部最優(yōu),在處理有限樣本、高維和非線性數(shù)據(jù)等復(fù)雜問(wèn)題時(shí)具有獨(dú)特的優(yōu)勢(shì)。本文結(jié)合鯨魚(yú)優(yōu)化算法和遺傳算法來(lái)提高算法的精確度和獲得全局最優(yōu)解。遺傳算法(Genetic Algorithm,GA)是通過(guò)模擬自然進(jìn)化過(guò)程搜索最優(yōu)化的方法[3]。它有著較好的全局搜索能力和保持種群的多樣性,但是計(jì)算效率較低。鯨魚(yú)優(yōu)化算法(Whale Optimization Algorithm)具有強(qiáng)大的全局搜索能力,但是在迭代后期容易陷入局部最優(yōu)解不能得到全局最優(yōu)解[4]。因此,將兩種算法結(jié)合既可以提高算法的精確度又可以達(dá)到全局最優(yōu)解。為了減少前期的運(yùn)算量,刪除不相關(guān)的特征屬性,減少特征維度,利用Relief 算法進(jìn)行特征選擇。Relief 算法是一種針對(duì)二分類問(wèn)題通過(guò)計(jì)算特征權(quán)重對(duì)特征進(jìn)行選擇的方法。根據(jù)各個(gè)特征和類別的相關(guān)性賦予特征不同的權(quán)重,權(quán)重小于某個(gè)閾值的特征將被移除[5]。采用這種方法可以在分類前期降低樣本維數(shù),減少計(jì)算量。

    綜上所述,本文提出了一種Relief-WGS 優(yōu)化算法。該算法首先使用Relief 算法對(duì)特征集進(jìn)行初步篩選,其次,將篩選的特征子集個(gè)數(shù)和SVM 參數(shù)一起編碼到鯨魚(yú)-遺傳算法中,再對(duì)特征子集進(jìn)行優(yōu)化的同時(shí),對(duì)SVM 參數(shù)進(jìn)行同步優(yōu)化,實(shí)現(xiàn)圖像分類。

    1 原理與方法

    首先利用Relief 作為特征預(yù)選器濾除相關(guān)性小的特征,以WSO-GA 作為搜索算法,SVM 的分類精度作為評(píng)估函數(shù),在剩余特征中選擇最優(yōu)特征子集,最后利用SVM 分類器對(duì)所選擇的最優(yōu)特征進(jìn)行分類。

    1.1 Relief 算法

    Relief 算法是一種典型的過(guò)濾式算法,在對(duì)特征樣本進(jìn)行選擇與分類的過(guò)程中相互獨(dú)立,過(guò)濾式算法的通用性比較強(qiáng)并且計(jì)算的復(fù)雜度比較低,適合對(duì)大數(shù)據(jù)的特征樣本進(jìn)行特征選擇[6]。Relief 算法中特征和類別的相關(guān)性是基于特征對(duì)近距離樣本的區(qū)分能力。核心原理是根據(jù)各個(gè)特征和類別之間的相關(guān)性給每個(gè)特征不同的權(quán)重,將權(quán)重和閾值進(jìn)行比較,當(dāng)權(quán)重比閾值小時(shí)則將該特征刪除。權(quán)重值越大則表明該特征代表某圖像的能力越強(qiáng),反之權(quán)重越小則該特征代表某圖像的能力越弱。

    1.2 支持向量機(jī)

    SVM 算法是一個(gè)凸優(yōu)化問(wèn)題,其原理是用分離超平面作為分離訓(xùn)練數(shù)據(jù)的線性函數(shù),解決線性分類問(wèn)題。假設(shè)訓(xùn)練樣本集合其中,xi∈Rn表示訓(xùn)練樣本,yi∈ {1 , - 1}表示輸入樣本的類別。訓(xùn)練的最終目的是找到一個(gè)最優(yōu)分類面,使得兩類樣本之間以最大間隔分開(kāi),使泛化誤差達(dá)到最小或者有上界。這個(gè)最優(yōu)分類面即超平面,該超平面可描述為如式(1)所示:

    式(1)中x為樣本,ω為權(quán)向量,b為分類閾值。

    1.3 鯨魚(yú)-遺傳算法

    遺傳算法(Genetic Algorithm, GA)是一種依據(jù)生物界優(yōu)勝劣汰的進(jìn)化準(zhǔn)則衍生出的隨機(jī)優(yōu)化搜索方法。GA 算法的核心思想是先隨機(jī)得到一個(gè)父代種群,通過(guò)計(jì)算種群中每一個(gè)個(gè)體的適應(yīng)度值,然后對(duì)得到的值進(jìn)行排序,從中找出適應(yīng)度值最大或最小的n個(gè)個(gè)體,確定種群的進(jìn)化方向,然后對(duì)個(gè)體中的染色體進(jìn)行遺傳操作,得到新的子代種群,經(jīng)過(guò)有限次迭代之后,得到問(wèn)題的近似最優(yōu)解,GA 算法包括三個(gè)基本操作:選擇、交叉和變異。

    鯨魚(yú)優(yōu)化算法是一種基于復(fù)雜優(yōu)化問(wèn)題進(jìn)行尋優(yōu)的算法,模擬了座頭鯨群體的捕獵行為。該算法可分為包圍收縮、螺旋捕食和搜索獵物三步。

    (1)包圍收縮。該階段對(duì)鯨群識(shí)別獵物并且收縮包圍圈的動(dòng)作進(jìn)行模擬。

    (2)螺旋捕食。在圍捕獵物時(shí),鯨魚(yú)通過(guò)螺旋向上游動(dòng)的方式向獵物移動(dòng)并吐出氣泡對(duì)獵物進(jìn)行捕食,即在螺旋更新位置的同時(shí)對(duì)包圍圈進(jìn)行收縮。

    (3)搜索獵物。當(dāng)≥1時(shí),鯨魚(yú)隨機(jī)選擇一個(gè)領(lǐng)導(dǎo)個(gè)體,以此進(jìn)行全局搜索。

    對(duì)于參數(shù)優(yōu)化問(wèn)題,GA 算法有著較好的全局搜索能力和種群的多樣性,但由于要經(jīng)歷選擇、交叉和變異三步操作才能得到下代種群,因而計(jì)算效率較低,收斂速度較慢。由于鯨魚(yú)算法在控制參數(shù)尋優(yōu)時(shí)會(huì)出現(xiàn)實(shí)際的優(yōu)化搜索過(guò)程不能完全體現(xiàn),導(dǎo)致存在求解精度低、收斂速度慢和易陷入局部最優(yōu)的缺點(diǎn)。因此,將遺傳算法與鯨魚(yú)算法進(jìn)行結(jié)合可以提升算法的收斂效果[7]。

    2 Relief-WGS 優(yōu)化算法

    基于以上研究,提出Relief-WGS 優(yōu)化算法,其流程圖如圖1 所示。該算法首先使用Relief 算法對(duì)數(shù)據(jù)特征集進(jìn)行初步的篩選,然后將SVM 的參數(shù)和篩選的特征子集編碼到WOA-GA 算法中,以SVM 的分類精度構(gòu)建適應(yīng)度函數(shù),同時(shí)優(yōu)化特征子集和SVM 的參數(shù),具體流程分為如下幾個(gè)步驟:

    圖1 Relief-WGS 算法流程圖Fig.1 Relief-WGS algorithm flowchart

    步驟1:采用Relief 算法對(duì)圖像特征進(jìn)行第一次提取,得到特征矩陣;

    步驟2:WOA-GA 算法進(jìn)行參數(shù)初始化,種群大小為30,迭代次數(shù)為50,算法的終止條件為達(dá)到迭代次數(shù)或連續(xù)十代的適應(yīng)度值不變;

    步驟3:生成初代種群,由于SVM 的懲罰系數(shù)C和核參數(shù)σ采用實(shí)數(shù)編碼,而對(duì)特征的二次篩選是通過(guò)0、1 進(jìn)行,0 表示沒(méi)有選擇該特征,1 表示選擇該特征,采用二進(jìn)制編碼;

    步驟4:將個(gè)體的后N位帶入樣本中進(jìn)行特征的第二次篩選;

    步驟5:將個(gè)體的前兩位帶入SVM 模型中,結(jié)合二次篩選的訓(xùn)練樣本,確定SVM 分類模型;

    步驟6:將二次篩選測(cè)試樣本帶入確定的SVM 中,得到分類結(jié)果;

    步驟7:計(jì)算初代種群的適應(yīng)度值;

    步驟8:根據(jù)初代種群的適應(yīng)度值進(jìn)入鯨魚(yú)算法中,計(jì)算每一頭鯨魚(yú)的適應(yīng)度值,更新個(gè)體位置;

    步驟9:將位置更新的鯨魚(yú)個(gè)體代入到遺傳算法中,經(jīng)過(guò)交叉和變異操作,得到新的種群;

    步驟10:返回步驟4,計(jì)算新種群的適應(yīng)度值;

    步驟11:判斷是否滿足終止條件,若滿足,則輸出最終結(jié)果;若不滿足,繼續(xù)對(duì)種群進(jìn)行處理,直至滿足終止條件,得到最終結(jié)果。

    3 實(shí)驗(yàn)結(jié)果

    本實(shí)驗(yàn)為了驗(yàn)證Relief-WGS 算法的有效性,將特征子集個(gè)數(shù)和SVM 參數(shù)一起編碼到WOA-GA 算法中,在對(duì)SVM 參數(shù)進(jìn)行優(yōu)化的同時(shí)對(duì)所有特征進(jìn)行同步優(yōu)化。在實(shí)驗(yàn)時(shí)需要對(duì)數(shù)據(jù)和參數(shù)進(jìn)行如下幾步處理。

    3.1 數(shù)據(jù)的預(yù)處理

    為了提高SVM 的分類準(zhǔn)確率,將需要用于分類的所選數(shù)據(jù)樣本進(jìn)行歸一化處理,并將其分為訓(xùn)練樣本和測(cè)試樣本進(jìn)行后續(xù)分類。

    3.2 參數(shù)選擇方法

    本文使用WOA-GA 算法對(duì)SVM 的參數(shù)進(jìn)行優(yōu)化。設(shè)置算法的迭代次數(shù)為50,個(gè)體長(zhǎng)度設(shè)定為2,遺傳算法中交叉和變異概率是基于適應(yīng)度值自適應(yīng)計(jì)算得來(lái)的,鯨魚(yú)算法位置更新是根據(jù)適應(yīng)度值計(jì)算。

    適應(yīng)度函數(shù)統(tǒng)一設(shè)置為如式(2)-式(4)所示:

    式(2)中we1為訓(xùn)練樣本識(shí)別結(jié)果的權(quán)重,we2為測(cè)試樣本識(shí)別結(jié)果的權(quán)重,m1為訓(xùn)練樣本的總數(shù),m2為測(cè)試樣本的總數(shù),nsv1為訓(xùn)練樣本分類正確的結(jié)果,nsv2為測(cè)試樣本分類正確的結(jié)果,fitness越小,表明綜合的分類準(zhǔn)確率越高[8]。

    3.3 模型建立

    利用從每組訓(xùn)練樣本中選擇優(yōu)化后的核參數(shù)來(lái)對(duì)樣本進(jìn)行新一輪的訓(xùn)練,獲得SVM 的分類模型,然后通過(guò)測(cè)試樣本來(lái)測(cè)試模型的分類精度。實(shí)驗(yàn)選取UCI 數(shù)據(jù)庫(kù)中的5 種數(shù)據(jù)集進(jìn)行試驗(yàn),所選取數(shù)據(jù)集的基本信息如表1 所示。

    表1 實(shí)驗(yàn)數(shù)據(jù)集Tab.1 Experimental datasets

    利用Relief 算法對(duì)提取的特征進(jìn)行篩選,保留與目標(biāo)類別相關(guān)性較大的特征,然后利用WOA-GA 算法優(yōu)化參數(shù)的SVM 算法對(duì)特征子集和核參數(shù)進(jìn)行同步優(yōu)化,獲得優(yōu)化后的特征子集。優(yōu)化特征子集的個(gè)數(shù)如表2 所示。

    表2 優(yōu)化特征子集個(gè)數(shù)Tab.2 Number of optimized feature subsets

    獲取的優(yōu)化特征子集通過(guò)表2 可知,利用選擇的多個(gè)優(yōu)化特征,以SVM 為分類器進(jìn)行分類,其中SVM 選用RBF 為核函數(shù)。為進(jìn)一步驗(yàn)證Relief-WGS 優(yōu)化算法的有效性,分別和默認(rèn)核參數(shù)的SVM、采用WSO-GA算法優(yōu)化參數(shù)的SVM(WGS)、Relief 算法優(yōu)化特征的SVM(Relief-SVM)進(jìn)行分類結(jié)果的比較。通過(guò)比較分類準(zhǔn)確率來(lái)評(píng)價(jià)特征選擇方法的優(yōu)劣,如表3 所示。

    表3 數(shù)據(jù)集分類結(jié)果對(duì)比Tab.3 Comparison of dataset classification results

    通過(guò)表3 可知,本文提出的Relief-WGS 優(yōu)化算法可以同時(shí)優(yōu)化特征子集和SVM 的參數(shù),實(shí)現(xiàn)以優(yōu)化的特征子集和優(yōu)化的SVM 參數(shù)來(lái)提高分類的準(zhǔn)確率。為了進(jìn)一步驗(yàn)證Relief-WGS 優(yōu)化算法的有效性,將其與SVM、WGS 和Relief-SVM 進(jìn)行比較,實(shí)驗(yàn)結(jié)果顯示:

    (1)對(duì)于任意的特征數(shù)據(jù)而言,使用WGS 優(yōu)化算法進(jìn)行參數(shù)尋優(yōu)后的分類準(zhǔn)確率比采用默認(rèn)參數(shù)的SVM高,證明了對(duì)傳統(tǒng)的SVM 中的參數(shù)進(jìn)行尋優(yōu),找到優(yōu)化的控制參數(shù),可以提高SVM 的分類準(zhǔn)確率。

    (2)使用Relief-SVM 優(yōu)化算法對(duì)輸入的特征向量篩選后進(jìn)行分類,分類準(zhǔn)確率均有提高,證明了利用Relief-SVM 對(duì)輸入的特征數(shù)據(jù)集進(jìn)行篩選和優(yōu)化,得到優(yōu)化的特征子集,去除掉一些特征不明顯的影響因素,減少不重要因素對(duì)分類造成的影響,可以提高分類的準(zhǔn)確率。

    (3)使用本文提出的Relief-WGS 優(yōu)化算法得到的分類準(zhǔn)確率最高,證明在對(duì)特征子集和SVM 的參數(shù)同步進(jìn)行優(yōu)化時(shí),去除掉不重要的特征并對(duì)參數(shù)進(jìn)行優(yōu)化可以得到更好的分類效果。

    4 結(jié)論

    本文提出一種Relief-WGS 優(yōu)化算法,同時(shí)優(yōu)化特征子集和SVM 的參數(shù),實(shí)現(xiàn)用優(yōu)化的特征子集和優(yōu)化的SVM 參數(shù)來(lái)提高分類的準(zhǔn)確率。通過(guò)與傳統(tǒng)的SVM、WGS 算法和Relief-SVM 算法相比,本文所提算法將圖像的平均分類準(zhǔn)確率分別提高了21.97%、4.19%和3.26%,證明了圖像分類識(shí)別的準(zhǔn)確性。結(jié)果表明,本文提出的特征選擇方法利用最少的特征獲得了最高的分類精度,更有效地用于特征選擇分類。

    猜你喜歡
    子集鯨魚(yú)適應(yīng)度
    由一道有關(guān)集合的子集個(gè)數(shù)題引發(fā)的思考
    小鯨魚(yú)
    幼兒100(2022年41期)2022-11-24 03:20:20
    改進(jìn)的自適應(yīng)復(fù)制、交叉和突變遺傳算法
    拓?fù)淇臻g中緊致子集的性質(zhì)研究
    迷途鯨魚(yú)
    關(guān)于奇數(shù)階二元子集的分離序列
    鯨魚(yú)
    鯨魚(yú)島——拖延癥
    基于空調(diào)導(dǎo)風(fēng)板成型工藝的Kriging模型適應(yīng)度研究
    每一次愛(ài)情都只是愛(ài)情的子集
    都市麗人(2015年4期)2015-03-20 13:33:22
    成人欧美大片| a级毛片a级免费在线| 亚洲中文字幕一区二区三区有码在线看 | 亚洲五月天丁香| 色吧在线观看| 人妻夜夜爽99麻豆av| 无限看片的www在线观看| 99久国产av精品| 一边摸一边抽搐一进一小说| 亚洲,欧美精品.| 亚洲精品一区av在线观看| www日本在线高清视频| av黄色大香蕉| 亚洲人成伊人成综合网2020| 色综合站精品国产| 国产欧美日韩一区二区三| 国产亚洲欧美98| 成人特级av手机在线观看| 中文字幕人成人乱码亚洲影| 国产99白浆流出| 国产精品99久久久久久久久| 亚洲av成人精品一区久久| 欧美黄色淫秽网站| 国产成人影院久久av| 淫秽高清视频在线观看| 亚洲国产精品sss在线观看| 国产亚洲精品久久久久久毛片| 亚洲av片天天在线观看| 亚洲人成网站高清观看| 欧美3d第一页| 久久午夜亚洲精品久久| 成人特级av手机在线观看| 久久亚洲精品不卡| 国产爱豆传媒在线观看| 国产精品一区二区三区四区免费观看 | 美女被艹到高潮喷水动态| 成年女人毛片免费观看观看9| 午夜精品在线福利| 制服丝袜大香蕉在线| 色综合站精品国产| 日本 av在线| 999久久久国产精品视频| 亚洲最大成人中文| 国产探花在线观看一区二区| 高清在线国产一区| 少妇的丰满在线观看| 色精品久久人妻99蜜桃| 国产伦人伦偷精品视频| АⅤ资源中文在线天堂| 国产一区二区在线观看日韩 | 黄色丝袜av网址大全| 美女高潮的动态| 午夜精品久久久久久毛片777| 夜夜爽天天搞| 亚洲av电影在线进入| 丰满人妻一区二区三区视频av | 亚洲一区二区三区不卡视频| 淫妇啪啪啪对白视频| 欧美极品一区二区三区四区| 熟女人妻精品中文字幕| 午夜福利在线观看吧| 久久中文字幕人妻熟女| 一二三四社区在线视频社区8| 日韩成人在线观看一区二区三区| 12—13女人毛片做爰片一| 国产精品1区2区在线观看.| 看黄色毛片网站| 精品一区二区三区av网在线观看| 99久久综合精品五月天人人| 99久久国产精品久久久| 后天国语完整版免费观看| 99久久无色码亚洲精品果冻| 淫秽高清视频在线观看| 欧美日韩中文字幕国产精品一区二区三区| 久久中文看片网| 国产一区在线观看成人免费| 欧美又色又爽又黄视频| 色哟哟哟哟哟哟| 免费av不卡在线播放| 不卡av一区二区三区| 日韩欧美在线乱码| 国产精品99久久久久久久久| 免费在线观看日本一区| 国产激情久久老熟女| 日本撒尿小便嘘嘘汇集6| 午夜精品久久久久久毛片777| a在线观看视频网站| 亚洲欧美一区二区三区黑人| 淫秽高清视频在线观看| 国产黄a三级三级三级人| 久久天堂一区二区三区四区| 一级a爱片免费观看的视频| ponron亚洲| 欧美日韩综合久久久久久 | 特大巨黑吊av在线直播| aaaaa片日本免费| 亚洲成人久久爱视频| 高清毛片免费观看视频网站| 亚洲欧美一区二区三区黑人| 舔av片在线| 黄色丝袜av网址大全| aaaaa片日本免费| bbb黄色大片| 久久午夜亚洲精品久久| 性色avwww在线观看| 制服丝袜大香蕉在线| 床上黄色一级片| 亚洲国产欧洲综合997久久,| 国产蜜桃级精品一区二区三区| 热99在线观看视频| 巨乳人妻的诱惑在线观看| 最好的美女福利视频网| 黄色 视频免费看| 成人特级黄色片久久久久久久| 白带黄色成豆腐渣| 免费无遮挡裸体视频| 免费看光身美女| 日本熟妇午夜| 国产伦在线观看视频一区| 欧美高清成人免费视频www| 亚洲 欧美一区二区三区| 最近最新中文字幕大全电影3| 伦理电影免费视频| 亚洲人成网站高清观看| 久久国产精品人妻蜜桃| 日本一本二区三区精品| 黄色丝袜av网址大全| svipshipincom国产片| 国产精品永久免费网站| 国产精品 欧美亚洲| 欧美另类亚洲清纯唯美| 校园春色视频在线观看| 欧美一级毛片孕妇| www国产在线视频色| 少妇的丰满在线观看| 91麻豆av在线| 欧美极品一区二区三区四区| 亚洲avbb在线观看| 校园春色视频在线观看| 国产精品久久电影中文字幕| 国产精品久久电影中文字幕| 欧洲精品卡2卡3卡4卡5卡区| 欧美另类亚洲清纯唯美| 欧美中文综合在线视频| 亚洲天堂国产精品一区在线| 最新美女视频免费是黄的| 国产精品一区二区免费欧美| 淫妇啪啪啪对白视频| 夜夜躁狠狠躁天天躁| 日韩欧美在线乱码| 精品久久久久久久人妻蜜臀av| 丁香六月欧美| 亚洲成av人片在线播放无| 国产熟女xx| 亚洲专区字幕在线| 在线十欧美十亚洲十日本专区| 久久久久国产精品人妻aⅴ院| 三级男女做爰猛烈吃奶摸视频| 麻豆成人av在线观看| 精品国产超薄肉色丝袜足j| 亚洲国产高清在线一区二区三| 身体一侧抽搐| 国产高潮美女av| 欧美又色又爽又黄视频| av天堂中文字幕网| 国产精品98久久久久久宅男小说| 亚洲第一电影网av| 中文字幕最新亚洲高清| 人妻丰满熟妇av一区二区三区| 国产激情偷乱视频一区二区| 亚洲中文日韩欧美视频| 欧美日本视频| 亚洲欧美日韩东京热| 亚洲色图av天堂| 亚洲成人久久性| 午夜福利18| 婷婷六月久久综合丁香| 日韩欧美三级三区| 久久久精品欧美日韩精品| 久久精品91无色码中文字幕| 国产成人精品久久二区二区91| 免费搜索国产男女视频| 高清毛片免费观看视频网站| tocl精华| 最新在线观看一区二区三区| 99久国产av精品| 久久久久精品国产欧美久久久| 欧美一级a爱片免费观看看| 少妇的逼水好多| 99国产精品一区二区三区| 亚洲精品一卡2卡三卡4卡5卡| 日韩中文字幕欧美一区二区| 色在线成人网| 久久精品aⅴ一区二区三区四区| 99热只有精品国产| 亚洲中文av在线| 我要搜黄色片| 最近最新免费中文字幕在线| 后天国语完整版免费观看| 成年免费大片在线观看| 成人亚洲精品av一区二区| 欧美国产日韩亚洲一区| 精品国内亚洲2022精品成人| 国产探花在线观看一区二区| 人妻丰满熟妇av一区二区三区| 欧美高清成人免费视频www| 亚洲国产精品合色在线| 又紧又爽又黄一区二区| 日本黄大片高清| av天堂在线播放| 五月伊人婷婷丁香| 久久中文看片网| 午夜福利免费观看在线| 免费人成视频x8x8入口观看| tocl精华| 久久精品国产99精品国产亚洲性色| 国产精品久久电影中文字幕| 人人妻人人看人人澡| 亚洲自偷自拍图片 自拍| 久久国产精品影院| 亚洲成人久久性| 久久人人精品亚洲av| 少妇丰满av| 十八禁网站免费在线| 91av网站免费观看| 在线观看午夜福利视频| 欧美日韩一级在线毛片| 性欧美人与动物交配| 久久国产精品人妻蜜桃| 韩国av一区二区三区四区| 999久久久精品免费观看国产| 免费看a级黄色片| 亚洲美女视频黄频| 国产亚洲欧美在线一区二区| 亚洲欧美日韩卡通动漫| 欧美日韩一级在线毛片| 一卡2卡三卡四卡精品乱码亚洲| 两个人看的免费小视频| 亚洲午夜理论影院| 日本成人三级电影网站| 久久精品人妻少妇| 国产精品av视频在线免费观看| 亚洲精品国产精品久久久不卡| 91久久精品国产一区二区成人 | 国产伦精品一区二区三区视频9 | 999久久久精品免费观看国产| 国产三级在线视频| 午夜a级毛片| 天堂√8在线中文| 99国产精品一区二区蜜桃av| 亚洲国产色片| 色综合欧美亚洲国产小说| 精品久久久久久久久久免费视频| 在线十欧美十亚洲十日本专区| 身体一侧抽搐| 国产不卡一卡二| 国产亚洲欧美在线一区二区| a级毛片在线看网站| 国产成人av教育| av黄色大香蕉| 欧美乱色亚洲激情| 中文亚洲av片在线观看爽| 免费看a级黄色片| 美女高潮喷水抽搐中文字幕| 一个人免费在线观看电影 | 日本熟妇午夜| 欧美一区二区精品小视频在线| 在线永久观看黄色视频| 免费大片18禁| 国产真实乱freesex| 法律面前人人平等表现在哪些方面| 窝窝影院91人妻| 国语自产精品视频在线第100页| 精品电影一区二区在线| 免费av毛片视频| 日韩欧美免费精品| 久9热在线精品视频| 久久久久精品国产欧美久久久| 国产亚洲精品综合一区在线观看| 精品不卡国产一区二区三区| 精品久久久久久,| 亚洲熟妇熟女久久| 国产精品久久视频播放| 成人鲁丝片一二三区免费| 欧美最黄视频在线播放免费| 欧美日韩精品网址| 久久欧美精品欧美久久欧美| 亚洲18禁久久av| 国产成人影院久久av| 成人鲁丝片一二三区免费| 国产在线精品亚洲第一网站| 亚洲国产精品合色在线| 亚洲精品在线观看二区| 丰满人妻一区二区三区视频av | 国产三级中文精品| 国产精品,欧美在线| 最近最新中文字幕大全免费视频| 午夜激情福利司机影院| 亚洲人成网站高清观看| 免费无遮挡裸体视频| 免费看a级黄色片| 九色成人免费人妻av| a在线观看视频网站| 色av中文字幕| 国产亚洲精品一区二区www| 欧美日韩黄片免| 日本精品一区二区三区蜜桃| 母亲3免费完整高清在线观看| 国产69精品久久久久777片 | 国产精品一及| 亚洲欧美一区二区三区黑人| 精品无人区乱码1区二区| 免费观看精品视频网站| 美女 人体艺术 gogo| 欧美国产日韩亚洲一区| 搞女人的毛片| 欧美日本亚洲视频在线播放| 亚洲中文av在线| 国产真实乱freesex| 真实男女啪啪啪动态图| 国产精品一区二区精品视频观看| 午夜福利18| 久久久精品欧美日韩精品| 欧美日韩福利视频一区二区| 两个人看的免费小视频| 在线a可以看的网站| 国产免费av片在线观看野外av| 国产高清有码在线观看视频| 成年免费大片在线观看| 99久久精品一区二区三区| 国产99白浆流出| 色吧在线观看| 一边摸一边抽搐一进一小说| 亚洲精品乱码久久久v下载方式 | 真人做人爱边吃奶动态| 国产高潮美女av| 中文字幕人妻丝袜一区二区| 一本久久中文字幕| 午夜成年电影在线免费观看| 在线十欧美十亚洲十日本专区| 最好的美女福利视频网| 国产一区二区三区在线臀色熟女| 可以在线观看的亚洲视频| 免费在线观看日本一区| 我的老师免费观看完整版| 中文字幕人妻丝袜一区二区| 中国美女看黄片| 国内久久婷婷六月综合欲色啪| 亚洲午夜精品一区,二区,三区| 搡老岳熟女国产| 国产黄色小视频在线观看| 夜夜夜夜夜久久久久| 波多野结衣巨乳人妻| 日韩人妻高清精品专区| 国产一区二区激情短视频| 别揉我奶头~嗯~啊~动态视频| 中文字幕久久专区| 两个人的视频大全免费| 十八禁网站免费在线| 最近在线观看免费完整版| 欧美一级a爱片免费观看看| 日韩免费av在线播放| 国产亚洲欧美在线一区二区| 可以在线观看的亚洲视频| 一区二区三区国产精品乱码| 亚洲精品一区av在线观看| 天天添夜夜摸| aaaaa片日本免费| 韩国av一区二区三区四区| 国产三级在线视频| 免费大片18禁| 久久久久国产一级毛片高清牌| 欧美乱色亚洲激情| www日本黄色视频网| 欧美激情在线99| 亚洲国产精品久久男人天堂| 变态另类成人亚洲欧美熟女| 香蕉av资源在线| 欧美乱妇无乱码| 亚洲在线自拍视频| 每晚都被弄得嗷嗷叫到高潮| 床上黄色一级片| 午夜激情欧美在线| 亚洲国产日韩欧美精品在线观看 | 日韩人妻高清精品专区| 午夜亚洲福利在线播放| 老司机午夜十八禁免费视频| 一本综合久久免费| 亚洲成人中文字幕在线播放| 久久久久久久精品吃奶| 亚洲国产精品久久男人天堂| 在线观看免费视频日本深夜| 免费电影在线观看免费观看| 国产淫片久久久久久久久 | 999久久久国产精品视频| 麻豆国产97在线/欧美| 国产69精品久久久久777片 | 香蕉丝袜av| 91麻豆av在线| 黄色成人免费大全| 日韩欧美三级三区| 国产真实乱freesex| 国产激情偷乱视频一区二区| 欧美日本亚洲视频在线播放| 两个人视频免费观看高清| 久久久久精品国产欧美久久久| 午夜两性在线视频| 长腿黑丝高跟| 非洲黑人性xxxx精品又粗又长| 一本综合久久免费| 男女做爰动态图高潮gif福利片| www.www免费av| 国产激情偷乱视频一区二区| 免费看a级黄色片| 美女高潮喷水抽搐中文字幕| 在线观看日韩欧美| 国产伦在线观看视频一区| 草草在线视频免费看| 免费观看的影片在线观看| 99国产精品99久久久久| 无遮挡黄片免费观看| 夜夜爽天天搞| 黑人欧美特级aaaaaa片| 日韩人妻高清精品专区| 观看美女的网站| 精品久久久久久久久久久久久| 日本黄色视频三级网站网址| 床上黄色一级片| 首页视频小说图片口味搜索| 亚洲精品一卡2卡三卡4卡5卡| 深夜精品福利| 中文字幕精品亚洲无线码一区| 老司机深夜福利视频在线观看| 国产主播在线观看一区二区| 亚洲成av人片免费观看| 中文字幕高清在线视频| 亚洲成人中文字幕在线播放| a在线观看视频网站| 日日摸夜夜添夜夜添小说| 天天躁狠狠躁夜夜躁狠狠躁| 欧美xxxx黑人xx丫x性爽| 99精品在免费线老司机午夜| 亚洲美女黄片视频| 久久精品91无色码中文字幕| 欧美最黄视频在线播放免费| 午夜福利18| 欧美成人一区二区免费高清观看 | 啦啦啦免费观看视频1| 高清毛片免费观看视频网站| 麻豆一二三区av精品| 88av欧美| www.www免费av| 天堂av国产一区二区熟女人妻| 亚洲国产精品sss在线观看| 欧美xxxx黑人xx丫x性爽| 99国产精品99久久久久| 国产真人三级小视频在线观看| 亚洲五月婷婷丁香| 国产成人精品久久二区二区免费| 日韩 欧美 亚洲 中文字幕| 两性夫妻黄色片| 一本综合久久免费| 国产精品一及| 欧美色欧美亚洲另类二区| 在线观看66精品国产| 国产一区二区在线av高清观看| 女人被狂操c到高潮| 亚洲中文字幕日韩| 国产精品自产拍在线观看55亚洲| 99热这里只有精品一区 | 国产高清激情床上av| 亚洲国产色片| 欧美精品啪啪一区二区三区| 亚洲国产欧洲综合997久久,| 欧美3d第一页| 国产午夜福利久久久久久| 少妇裸体淫交视频免费看高清| 久久国产精品人妻蜜桃| 日本五十路高清| 一本久久中文字幕| 国产午夜精品论理片| 日韩欧美三级三区| 欧美中文日本在线观看视频| 黄色成人免费大全| 中文字幕熟女人妻在线| 日韩欧美国产在线观看| 国产三级在线视频| 亚洲成av人片免费观看| 不卡av一区二区三区| 99在线人妻在线中文字幕| 人妻久久中文字幕网| 男人舔女人的私密视频| 精品久久久久久久末码| 亚洲av成人一区二区三| 免费av毛片视频| 成年免费大片在线观看| 国产一区二区三区视频了| 成人午夜高清在线视频| 窝窝影院91人妻| 久久99热这里只有精品18| x7x7x7水蜜桃| 成年女人看的毛片在线观看| 91在线精品国自产拍蜜月 | 亚洲在线自拍视频| 五月伊人婷婷丁香| 可以在线观看的亚洲视频| 亚洲欧美精品综合一区二区三区| 露出奶头的视频| 国产精品一区二区免费欧美| 精华霜和精华液先用哪个| 在线观看免费午夜福利视频| 国产精品1区2区在线观看.| 国产精品自产拍在线观看55亚洲| 最新美女视频免费是黄的| 国产成人系列免费观看| 亚洲成人久久爱视频| 在线观看免费视频日本深夜| 亚洲av电影在线进入| 国产精品一区二区免费欧美| 久久这里只有精品中国| 三级毛片av免费| 动漫黄色视频在线观看| cao死你这个sao货| 欧美日本视频| 国产午夜精品久久久久久| 天堂影院成人在线观看| av国产免费在线观看| 在线免费观看不下载黄p国产 | 日本黄色视频三级网站网址| 国产成人精品久久二区二区91| 亚洲无线观看免费| 天堂√8在线中文| 精品久久久久久久久久久久久| 美女大奶头视频| 久久这里只有精品19| 国产极品精品免费视频能看的| 日韩av在线大香蕉| 欧美日韩国产亚洲二区| 国产一区二区在线av高清观看| 国产综合懂色| 国内揄拍国产精品人妻在线| 首页视频小说图片口味搜索| 精品电影一区二区在线| 毛片女人毛片| 亚洲人成网站在线播放欧美日韩| 狠狠狠狠99中文字幕| 国产午夜精品论理片| 一个人免费在线观看电影 | 久久久久久大精品| 啦啦啦韩国在线观看视频| 精品乱码久久久久久99久播| 欧美中文综合在线视频| 国产成人系列免费观看| 国产97色在线日韩免费| 99国产极品粉嫩在线观看| 久99久视频精品免费| 动漫黄色视频在线观看| 亚洲精品久久国产高清桃花| 欧美不卡视频在线免费观看| 制服丝袜大香蕉在线| 好看av亚洲va欧美ⅴa在| 综合色av麻豆| 亚洲午夜理论影院| 亚洲国产欧美人成| 免费在线观看日本一区| 岛国视频午夜一区免费看| 级片在线观看| 美女黄网站色视频| 黄色丝袜av网址大全| 国产伦精品一区二区三区视频9 | 一夜夜www| 亚洲va日本ⅴa欧美va伊人久久| 亚洲九九香蕉| 国产熟女xx| 欧美性猛交╳xxx乱大交人| 精品久久久久久久人妻蜜臀av| 久久久久久国产a免费观看| 免费观看精品视频网站| 亚洲18禁久久av| 午夜精品一区二区三区免费看| 久久中文看片网| 国产又黄又爽又无遮挡在线| 他把我摸到了高潮在线观看| 国产久久久一区二区三区| 午夜a级毛片| 熟女少妇亚洲综合色aaa.| 欧美在线黄色| 看免费av毛片| 五月玫瑰六月丁香| 久久久精品大字幕| 在线免费观看的www视频| 一本精品99久久精品77| 一进一出好大好爽视频| 国产aⅴ精品一区二区三区波| 精品国产美女av久久久久小说| 高清在线国产一区| 他把我摸到了高潮在线观看| 国产av一区在线观看免费| 精品国产美女av久久久久小说| 高清在线国产一区| 精品国产美女av久久久久小说| 中文字幕最新亚洲高清| 国产精品免费一区二区三区在线| 最新美女视频免费是黄的| 88av欧美| 99精品在免费线老司机午夜| 国产一区二区激情短视频| 一级毛片高清免费大全| 久久久久久国产a免费观看| 中文字幕高清在线视频| 18禁美女被吸乳视频| 熟女电影av网| 午夜福利视频1000在线观看| 国产午夜福利久久久久久| 精品一区二区三区视频在线 |