• <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ClothResNet模型的人體衣物顏色識(shí)別

    2023-12-05 13:57:06黃玥玥王海燕姚海洋
    紡織學(xué)報(bào) 2023年10期
    關(guān)鍵詞:池化衣物像素

    黃玥玥, 陳 曉, 王海燕, 姚海洋

    (陜西科技大學(xué) 電子信息與人工智能學(xué)院, 陜西 西安 710016)

    人體衣物外觀對(duì)個(gè)體具有強(qiáng)烈的表征意義,其對(duì)社會(huì)生活多個(gè)方面有著廣泛且深刻的影響。在時(shí)尚領(lǐng)域,顏色作為服裝感知的最主要特征,可鮮明地表現(xiàn)人類情感,塑造迥然不同的形象[1];在電商領(lǐng)域,顏色搭配對(duì)服裝的銷售具有重要影響[2-4];在安全領(lǐng)域,利用大量交叉監(jiān)控視頻搜索人物時(shí),外部衣物屬性作為重要的識(shí)別特征,可聯(lián)合實(shí)現(xiàn)更準(zhǔn)確地實(shí)時(shí)人物捕捉與分析[5-7],因此,如何高效、準(zhǔn)確地識(shí)別人體衣物屬性受到多個(gè)領(lǐng)域的廣泛關(guān)注。

    傳統(tǒng)人體衣物顏色識(shí)別方法基于手工特征結(jié)合分類器,手工設(shè)計(jì)衣物各種特征并從背景中分離出來(lái),然后利用機(jī)器學(xué)習(xí)方法K-means[8]、Mean shift[9]等作為離散數(shù)據(jù)的聚類算法,通過(guò)重建衣物的顏色空間數(shù)據(jù)提高對(duì)衣物顏色的識(shí)別。這些方法通常用手工判定邊界方式,會(huì)消耗大量的人工成本,且當(dāng)圖像背景顏色與服裝顏色相似時(shí),識(shí)別算法會(huì)將其顏色聚為一類,導(dǎo)致對(duì)衣物顏色識(shí)別精確率過(guò)低?;谏疃葘W(xué)習(xí)的衣物顏色識(shí)別,采用端到端的深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),通過(guò)聯(lián)合優(yōu)化將特征提取和分類器合并成統(tǒng)一的框架,使得識(shí)別模型更能表征數(shù)據(jù)特點(diǎn)。如Ivanov等[10]設(shè)計(jì)了以LeNet為基本網(wǎng)絡(luò)結(jié)構(gòu)的模型,可自動(dòng)提取圖像中人體衣物特征,但該方法識(shí)別精確率僅達(dá)到78%。Roy[11]利用YOLOv3和殘差網(wǎng)絡(luò),有效提取了圖像中衣物的位置信息,利用DeepFashion[12]數(shù)據(jù)集進(jìn)行訓(xùn)練,實(shí)現(xiàn)了服裝的邊框回歸檢測(cè);通過(guò)在測(cè)試數(shù)據(jù)集中進(jìn)行衣物顏色的識(shí)別驗(yàn)證,準(zhǔn)確度達(dá)89%。Chen等[13]提出一種改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)(CNN)用于對(duì)紅、綠、藍(lán)及黑色4種衣物顏色識(shí)別,獲得了92.52%的平均精確率。由以上總結(jié)可知,已有方法僅對(duì)少數(shù)衣物顏色可實(shí)現(xiàn)較準(zhǔn)確的識(shí)別,無(wú)法適用于真實(shí)情況特別是顏色受到嚴(yán)重扭曲的狀況,且多數(shù)方法均只針對(duì)單一場(chǎng)景,無(wú)法適應(yīng)復(fù)雜變化的環(huán)境。

    針對(duì)以上問(wèn)題,本文提出基于ClothResNet模型的人體衣物顏色識(shí)別方法,采用端對(duì)端的技術(shù)實(shí)現(xiàn)對(duì)衣物輪廓的自動(dòng)提取,最終實(shí)現(xiàn)人體衣物顏色的識(shí)別,克服了手動(dòng)分離衣物的繁瑣性,有效提高了衣物顏色識(shí)別的準(zhǔn)確率,實(shí)現(xiàn)了對(duì)多種人體衣物顏色高效、準(zhǔn)確識(shí)別的目的。

    1 實(shí)驗(yàn)部分

    1.1 人體衣物標(biāo)注數(shù)據(jù)集的構(gòu)建

    為訓(xùn)練針對(duì)人體衣物顏色識(shí)別的ClothResNet網(wǎng)絡(luò)模型,需要構(gòu)建一個(gè)大規(guī)模的人體衣物顏色標(biāo)注數(shù)據(jù)集。本文選擇活動(dòng)模板回歸(active template regression,ATR)[14]數(shù)據(jù)集中的部分圖像進(jìn)行衣物分割、標(biāo)注、擴(kuò)充,構(gòu)建了專門(mén)用于人體衣物顏色識(shí)別的數(shù)據(jù)集,命名為pcaparsing(people clothes attribute parsing)。該數(shù)據(jù)集包含紅、橙、黃、綠、青、藍(lán)、紫、白、黑、棕、粉和灰12種顏色的衣物,每個(gè)樣本包括原始彩色圖像和對(duì)應(yīng)的掩碼圖。掩碼圖是通過(guò)在原始彩色圖像上分割提取衣物輪廓,并在對(duì)應(yīng)位置標(biāo)注其所屬顏色獲得的。圖1示出pcaparsing中示例圖片。

    圖1 樣本集示例圖片F(xiàn)ig.1 Sample image of dataset.(a) Sample 1;(b)Sample 2;(c) Sample 3;(d) Sample 4

    由于ATR數(shù)據(jù)集中可用于網(wǎng)絡(luò)訓(xùn)練的圖像數(shù)據(jù)僅有5 639張,且顏色分布不均勻,導(dǎo)致模型難以學(xué)習(xí)到少量屬性的全部特征,增大了模型訓(xùn)練的難度;因此,本文對(duì)原始數(shù)據(jù)進(jìn)行了擴(kuò)充,以防止神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)到不相干的模式,從根本上提升了網(wǎng)絡(luò)的泛化性能和對(duì)衣物屬性的識(shí)別性能。本次數(shù)據(jù)擴(kuò)充主要針對(duì)顏色數(shù)量較少的數(shù)據(jù)進(jìn)行處理,采用的數(shù)據(jù)增強(qiáng)方式包括裁剪、上下移動(dòng)、水平翻轉(zhuǎn)和垂直翻轉(zhuǎn)等。通過(guò)數(shù)據(jù)擴(kuò)充,每種顏色的圖像數(shù)量均達(dá)到了 1 000 張左右,從而在數(shù)據(jù)集中保持了每種類別的圖像數(shù)量呈現(xiàn)均勻分布。圖2示出數(shù)據(jù)擴(kuò)充后的輸入數(shù)據(jù)和對(duì)應(yīng)的標(biāo)注圖示例。

    圖2 數(shù)據(jù)擴(kuò)充示例Fig.2 Data expansion example

    1.2 ClothResNet網(wǎng)絡(luò)的構(gòu)建

    ClothResNet人體衣物顏色識(shí)別網(wǎng)絡(luò)主要包含輸入端、主干網(wǎng)絡(luò)以及輸出端3個(gè)部分,網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示。

    圖3 ClothResNet 網(wǎng)絡(luò)結(jié)構(gòu)Fig.3 ClothResNet network structure

    1.2.1 輸入端

    在訓(xùn)練過(guò)程中,每次輸入16張含有人體衣物的彩色圖像,大小設(shè)置為3×256像素×256像素。

    1.2.2 主干網(wǎng)絡(luò)

    主干網(wǎng)絡(luò)由3個(gè)模塊組成,分別是殘差網(wǎng)絡(luò)、改進(jìn)的金字塔池化模塊和坐標(biāo)注意力模塊。

    模塊1:殘差網(wǎng)絡(luò)采用ResNet18作為基礎(chǔ)網(wǎng)絡(luò),并將ResNet18前2個(gè)殘差塊卷積核輸出通道設(shè)置為64,卷積核大小設(shè)置為3×3×1,并舍棄后面的池化和全連接層。此模塊通過(guò)高低級(jí)特征的融合,能夠減少特征信息的丟失,高效地提取圖像全局特征,并使網(wǎng)絡(luò)較快地達(dá)到收斂狀態(tài)。

    模塊2:改進(jìn)的金字塔池化模塊將殘差網(wǎng)絡(luò)提取到的特征進(jìn)行多尺度變換,以便進(jìn)行串接。傳統(tǒng)的金字塔池化結(jié)構(gòu)未能對(duì)衣物輪廓信息進(jìn)行更好的提取,因此,本文在傳統(tǒng)的金字塔池化結(jié)構(gòu)基礎(chǔ)上增加了4個(gè)特征塊,分別設(shè)計(jì)為4×4、5×5、7×7和 8×8, 這樣可減少不同區(qū)域之間的上下文信息丟失,從而增強(qiáng)對(duì)圖像中不同特征的提取。該模塊的結(jié)構(gòu)如圖4所示。

    圖4 改進(jìn)的金字塔池化網(wǎng)絡(luò)結(jié)構(gòu)Fig.4 Optimized pyramid pooled network structure

    模塊3:坐標(biāo)注意力模塊,其網(wǎng)絡(luò)結(jié)構(gòu)如圖5所示。該模塊的輸入特征圖大小為1 024×32像素×32像素,通過(guò)2個(gè)卷積核大小分別為(32,1)和(1,32)的卷積層對(duì)輸入特征圖在水平和垂直方向上進(jìn)行編碼,以捕捉一個(gè)衣物圖像中空間方向上的長(zhǎng)期依賴關(guān)系,并在另一個(gè)空間方向上保持準(zhǔn)確的位置信息,這有助于網(wǎng)絡(luò)更準(zhǔn)確地定位感興趣的對(duì)象。接下來(lái),將編碼后的特征圖連接起來(lái)并送入一個(gè)1×1的共享卷積層進(jìn)行轉(zhuǎn)換,得到32×1像素×64像素大小的特征圖。然后對(duì)該特征圖進(jìn)行歸一化和激活函數(shù)處理。此外,利用2個(gè)1×1卷積層分別將編碼后的2個(gè)特征圖轉(zhuǎn)換為與輸入具有相同通道數(shù)的向量,并經(jīng)過(guò)Sigmoid激活函數(shù)處理。最后,將2個(gè)特征圖相乘得到注意塊的輸出,其大小為1 024×32像素×32像素。這樣設(shè)計(jì)的坐標(biāo)注意力模塊可更好地捕捉衣物輪廓信息,并提高感興趣區(qū)域的準(zhǔn)確性。

    1.2.3 輸出端

    輸入端為3×256像素×256像素的彩色圖像,經(jīng)主干網(wǎng)絡(luò)輸出的圖像大小為128像素×128像素,在輸出端通過(guò)反卷積層和線性修正單元得到與輸入圖像等大的特征圖。

    1.3 評(píng)價(jià)指標(biāo)

    本文用2種評(píng)價(jià)指標(biāo)衡量提出模型的有效性,分別為平均交并比、精確率。平均交并比M反映真實(shí)圖像與預(yù)測(cè)圖像的重合度,從而衡量衣物分割準(zhǔn)確率,其公式如下:

    式中:n為總體分類數(shù),在本文中n為12;x為實(shí)際類別樣本和預(yù)測(cè)類別樣本的交集和并集之比,其定義如下:

    式中:NTP為被模型分類正確的正類樣本數(shù)量;NFN為被模型分類錯(cuò)誤的正樣本數(shù)量;NFP為被模型分類錯(cuò)誤的負(fù)類樣本數(shù)量。

    在得到預(yù)測(cè)圖像后,統(tǒng)計(jì)其中分割出的衣物顏色分類是否正確。針對(duì)最終衣物顏色識(shí)別結(jié)果,另需使用精確率來(lái)評(píng)價(jià)最終分類結(jié)果的準(zhǔn)確度,計(jì)算公式如下:

    1.4 實(shí)驗(yàn)參數(shù)設(shè)置及模型訓(xùn)練

    在模型設(shè)計(jì)中,通常會(huì)將數(shù)據(jù)集劃分為訓(xùn)練集和測(cè)試集,其中訓(xùn)練集用于訓(xùn)練模型參數(shù),而測(cè)試集則用于評(píng)估最終訓(xùn)練好的模型的性能。本文中,數(shù)據(jù)集的劃分比例為8∶2,即訓(xùn)練集占80%,測(cè)試集占20%。在訓(xùn)練過(guò)程中,將訓(xùn)練數(shù)據(jù)集輸入ClothResNet網(wǎng)絡(luò)進(jìn)行訓(xùn)練,通過(guò)反向傳播調(diào)整網(wǎng)絡(luò)參數(shù)。

    本文所有實(shí)驗(yàn)均在Tesla V100環(huán)境下使用Paddle工具箱運(yùn)行進(jìn)行訓(xùn)練,訓(xùn)練過(guò)程中,訓(xùn)練和測(cè)試圖像的尺寸為3×256像素×256像素,使用LeakyReLU(斜率為0.2)和Adagrad算法進(jìn)行訓(xùn)練,損失函數(shù)為交叉熵?fù)p失,初始學(xué)習(xí)率為0.000 2,批處理大小設(shè)置為16,訓(xùn)練120輪。

    1.5 模型對(duì)比分析

    圖6為用K-means、Hog-KNN、卷積神經(jīng)網(wǎng)絡(luò)(CNN)以及本文方法ClothResNet對(duì)12種人體衣物顏色的識(shí)別精確率對(duì)比圖。

    圖6 K-means、Hog-KNN、CNN、ClothResNet識(shí)別顏色精確率的對(duì)比圖Fig.6 Comparison diagram of color recognition accuracy of K-means,Hog-KNN, CNN and ClothResNet

    從圖6可看出,在本文構(gòu)建的數(shù)據(jù)集上,ClothResNet模型對(duì)衣物顏色識(shí)別精確率均優(yōu)于同類方法。由于K-means方法是將圖像中的所有像素聚集在一起,而不是衣物,因此對(duì)衣物顏色的預(yù)測(cè)不準(zhǔn)確;Hog-KNN用Hog方法提取特征后再進(jìn)行聚類信息提取,從而得到了相對(duì)較好的結(jié)果,但其對(duì)某些顏色的提取能力較差,如在對(duì)灰色衣物進(jìn)行識(shí)別時(shí)精確率僅有65%左右;利用深度學(xué)習(xí)方法則能夠均勻地捕獲衣物屬性信息,CNN方法相較于傳統(tǒng)方法也具有較高的識(shí)別精確率,但其網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單,不能提取圖像中的深層語(yǔ)義信息,從而造成識(shí)別率不高;ClothResNet模型對(duì)每種顏色的識(shí)別都取得了較高的識(shí)別精確率,從而驗(yàn)證了本文模型的有效性。相比其他網(wǎng)絡(luò),本文提出的方案能夠有針對(duì)性地解決對(duì)人體衣物顏色識(shí)別率不高的問(wèn)題。對(duì)金字塔池化模塊進(jìn)行改進(jìn)并融入坐標(biāo)注意力機(jī)制提升了網(wǎng)絡(luò)的局部特征提取能力,降低了識(shí)別錯(cuò)誤率。

    2 消融實(shí)驗(yàn)

    為驗(yàn)證本文構(gòu)建的人體衣物顏色識(shí)別模型ClothResNet加入各個(gè)模塊的有效性、ResNet18作為骨干網(wǎng)絡(luò)的優(yōu)勢(shì)以及擴(kuò)充樣本對(duì)算法的影響,選取深度學(xué)習(xí)中典型的骨干網(wǎng)絡(luò)AlexNet和VGG11作為ResNet18對(duì)比網(wǎng)絡(luò),對(duì)基于ResNet18網(wǎng)絡(luò)僅加入金字塔池化的模型(ResNet18+PP)、ResNet18加入改進(jìn)的金字塔池化模型(ResNet18+OPP)和基于ResNet18網(wǎng)絡(luò)僅使用坐標(biāo)注意力機(jī)制的模型(ResNet18+CA) 各自分別在原始數(shù)據(jù)集與樣本擴(kuò)充后的數(shù)據(jù)集進(jìn)行實(shí)驗(yàn),結(jié)果如表1、2所示。

    表1 原始數(shù)據(jù)集消融實(shí)驗(yàn)對(duì)比Tab.1 Comparison of ablation experiments with original dataset

    從表1、2可看出,相比在原始數(shù)據(jù)集擴(kuò)充樣本后各個(gè)網(wǎng)絡(luò)模塊對(duì)人體衣物的顏色識(shí)別結(jié)果得到了提升,從而證明對(duì)樣本進(jìn)行的多種變換提高了網(wǎng)絡(luò)的泛化性能。從表2可看出,使用骨干網(wǎng)絡(luò)ResNet18與AlexNet、VGG11相比,能夠在參數(shù)量遠(yuǎn)小于其它二者的情況下,達(dá)到相對(duì)較好的分割和識(shí)別效果。對(duì)于原始數(shù)據(jù)集,在加入優(yōu)化的金字塔池化模塊和坐標(biāo)注意力機(jī)制后對(duì)于衣物的分割和顏色的識(shí)別都得到了提升。從表2中比較ResNet18+PP與ResNet18+OPP可知,原始金字塔池化模塊對(duì)衣物的分割交并比為45.2%,而改進(jìn)的金字塔模塊提升了5%;ResNet18+PP對(duì)衣物顏色識(shí)別精確率為71.50%,而ResNet18+OPP在此基礎(chǔ)上提升5.4%。在骨干網(wǎng)絡(luò)中加入坐標(biāo)注意力后分割交并比提升了3.2%,也有效提升了網(wǎng)絡(luò)的識(shí)別性能,識(shí)別精確率相比ResNet18提升6.45%。本文的ClothResNet模型融合改進(jìn)的金字塔池化模塊和坐標(biāo)注意力模塊,在ResNet18的基礎(chǔ)上只增加了10.41 MB的參數(shù)量,而對(duì)衣物顏色識(shí)別精確率達(dá)到了94.49%。

    表2 擴(kuò)充數(shù)據(jù)集消融實(shí)驗(yàn)對(duì)比Tab.2 Comparison of ablation experiments with extended dataset

    3 結(jié)束語(yǔ)

    本文提出了人體衣物顏色識(shí)別模型ClothResNet,模型以ResNet18為基礎(chǔ)網(wǎng)絡(luò),融入了改進(jìn)的金字塔模塊、坐標(biāo)注意力機(jī)制,最終實(shí)現(xiàn)了對(duì)12種人體衣物顏色的高效識(shí)別。該方法克服了傳統(tǒng)人體衣物顏色識(shí)別方法繁雜的衣物分割步驟,以及簡(jiǎn)單卷積神經(jīng)網(wǎng)絡(luò)(CNN)模型識(shí)別效率低的缺點(diǎn)。從實(shí)驗(yàn)結(jié)果來(lái)看,提出的ClothResNet模型較傳統(tǒng)方法和簡(jiǎn)單的CNN模型有更好的衣物顏色識(shí)別效果,達(dá)到了94.49%的平均識(shí)別精確率。

    本模型只針對(duì)12種人體衣物顏色進(jìn)行識(shí)別,研究仍存在不足,現(xiàn)實(shí)中的人體衣物顏色種類遠(yuǎn)超于 12種。 在后續(xù)的工作中,將擴(kuò)大人體衣物顏色樣本圖像庫(kù),通過(guò)研究神經(jīng)網(wǎng)絡(luò)的各層結(jié)構(gòu),構(gòu)建出能識(shí)別更多種類人體衣物顏色的網(wǎng)絡(luò)模型。

    猜你喜歡
    池化衣物像素
    基于緊湊型雙線性網(wǎng)絡(luò)的野生茵識(shí)別方法研究
    趙運(yùn)哲作品
    藝術(shù)家(2023年8期)2023-11-02 02:05:28
    Clothes Donation Box
    基于Sobel算子的池化算法設(shè)計(jì)
    像素前線之“幻影”2000
    卷積神經(jīng)網(wǎng)絡(luò)中的自適應(yīng)加權(quán)池化
    “像素”仙人掌
    基于卷積神經(jīng)網(wǎng)絡(luò)和池化算法的表情識(shí)別研究
    保暖的衣物
    動(dòng)腦筋,仔細(xì)看
    欧美人与善性xxx| 亚洲第一区二区三区不卡| 亚洲人成77777在线视频| 久久99一区二区三区| 国产精品成人在线| 九九久久精品国产亚洲av麻豆| 大片电影免费在线观看免费| 最后的刺客免费高清国语| 男人爽女人下面视频在线观看| 日本黄色片子视频| 久久精品熟女亚洲av麻豆精品| 欧美日本中文国产一区发布| 国产精品国产av在线观看| 亚洲精品美女久久av网站| 亚洲第一区二区三区不卡| 男人操女人黄网站| 国产精品欧美亚洲77777| 国精品久久久久久国模美| 美女国产高潮福利片在线看| 成年av动漫网址| 欧美一级a爱片免费观看看| 精品亚洲成a人片在线观看| 精品一品国产午夜福利视频| 国产成人精品久久久久久| 中文欧美无线码| 亚州av有码| 自拍欧美九色日韩亚洲蝌蚪91| 校园人妻丝袜中文字幕| 一边摸一边做爽爽视频免费| 国产成人精品一,二区| 国产精品人妻久久久久久| 亚洲成人av在线免费| 久久久久久久久久久久大奶| av福利片在线| 狂野欧美激情性xxxx在线观看| 欧美日韩国产mv在线观看视频| 最近的中文字幕免费完整| 亚洲精品一区蜜桃| 成年人免费黄色播放视频| 日韩人妻高清精品专区| 一本色道久久久久久精品综合| 日本av手机在线免费观看| 一本大道久久a久久精品| 性色av一级| 午夜福利视频在线观看免费| 欧美xxxx性猛交bbbb| 国产69精品久久久久777片| 欧美97在线视频| 免费看不卡的av| 你懂的网址亚洲精品在线观看| 欧美日韩在线观看h| 桃花免费在线播放| 美女福利国产在线| 久久99热6这里只有精品| 久久精品国产亚洲av天美| 成人综合一区亚洲| 老司机影院毛片| 成人手机av| 日韩制服骚丝袜av| 国产免费视频播放在线视频| 中文字幕制服av| 赤兔流量卡办理| 制服丝袜香蕉在线| 亚洲欧洲国产日韩| 欧美精品国产亚洲| 久久国内精品自在自线图片| 97在线人人人人妻| 亚洲国产日韩一区二区| 国产精品无大码| 男女高潮啪啪啪动态图| 亚洲人与动物交配视频| 99久久精品一区二区三区| 99国产综合亚洲精品| 欧美日韩成人在线一区二区| 中文字幕最新亚洲高清| 国产日韩欧美视频二区| 一个人免费看片子| 久久精品人人爽人人爽视色| 国产精品秋霞免费鲁丝片| 狂野欧美激情性xxxx在线观看| 免费日韩欧美在线观看| 亚洲av在线观看美女高潮| 免费大片黄手机在线观看| 久久免费观看电影| 大片电影免费在线观看免费| 美女国产高潮福利片在线看| 中文字幕人妻熟人妻熟丝袜美| 亚洲性久久影院| 欧美精品人与动牲交sv欧美| 十分钟在线观看高清视频www| 人人妻人人添人人爽欧美一区卜| 丝袜在线中文字幕| 国产精品99久久久久久久久| 亚洲精品久久久久久婷婷小说| 欧美精品国产亚洲| 又粗又硬又长又爽又黄的视频| 午夜福利视频精品| 国产欧美日韩一区二区三区在线 | 亚洲成色77777| 日本av免费视频播放| 日本猛色少妇xxxxx猛交久久| 国模一区二区三区四区视频| 欧美3d第一页| 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 | 免费播放大片免费观看视频在线观看| 久久综合国产亚洲精品| 三级国产精品片| 美女中出高潮动态图| 免费大片黄手机在线观看| 大香蕉久久成人网| 黑人欧美特级aaaaaa片| 亚洲五月色婷婷综合| 日本欧美视频一区| 人妻夜夜爽99麻豆av| 极品人妻少妇av视频| 91在线精品国自产拍蜜月| 韩国av在线不卡| 青春草视频在线免费观看| 在线天堂最新版资源| av福利片在线| 男男h啪啪无遮挡| 国产精品国产三级国产专区5o| 国产高清三级在线| 男女免费视频国产| 五月玫瑰六月丁香| 老司机亚洲免费影院| 十八禁高潮呻吟视频| 大香蕉久久网| 草草在线视频免费看| 免费大片18禁| 超碰97精品在线观看| 国产av一区二区精品久久| 两个人的视频大全免费| 国产男人的电影天堂91| 国产精品99久久99久久久不卡 | av电影中文网址| 亚洲精品中文字幕在线视频| 国产一区二区三区综合在线观看 | 日日撸夜夜添| 2021少妇久久久久久久久久久| 久久久久久人妻| av专区在线播放| 亚洲av欧美aⅴ国产| 少妇的逼好多水| 国内精品宾馆在线| 国产淫语在线视频| 亚洲久久久国产精品| 一区二区三区精品91| 伦理电影免费视频| 欧美亚洲日本最大视频资源| 在线播放无遮挡| 日产精品乱码卡一卡2卡三| 夫妻午夜视频| 狂野欧美白嫩少妇大欣赏| 国产精品99久久久久久久久| 国产一区二区在线观看av| 99久国产av精品国产电影| 又黄又爽又刺激的免费视频.| 国产精品 国内视频| 青春草亚洲视频在线观看| 美女国产高潮福利片在线看| 欧美一级a爱片免费观看看| 蜜臀久久99精品久久宅男| 久久 成人 亚洲| 一个人免费看片子| 日韩av在线免费看完整版不卡| 免费久久久久久久精品成人欧美视频 | 九草在线视频观看| 爱豆传媒免费全集在线观看| 我要看黄色一级片免费的| 三上悠亚av全集在线观看| 五月开心婷婷网| 亚洲欧洲国产日韩| 一本一本综合久久| 亚洲人成网站在线观看播放| 免费观看a级毛片全部| 国产高清有码在线观看视频| 亚洲精品456在线播放app| 久久这里有精品视频免费| 欧美日韩综合久久久久久| 精品久久久久久电影网| 亚洲av免费高清在线观看| 国产日韩欧美在线精品| 亚洲精品日韩在线中文字幕| 一级二级三级毛片免费看| 嘟嘟电影网在线观看| 成年人免费黄色播放视频| 观看av在线不卡| 色视频在线一区二区三区| 如何舔出高潮| 肉色欧美久久久久久久蜜桃| 一级毛片电影观看| 自线自在国产av| 亚洲精华国产精华液的使用体验| 91国产中文字幕| xxxhd国产人妻xxx| 中文字幕制服av| 久久精品人人爽人人爽视色| 久久免费观看电影| 大香蕉久久成人网| 亚洲怡红院男人天堂| 国产男人的电影天堂91| 天堂8中文在线网| av国产久精品久网站免费入址| 亚洲人与动物交配视频| 日韩 亚洲 欧美在线| 久久久久久久大尺度免费视频| 99久久人妻综合| tube8黄色片| 成人综合一区亚洲| 精品视频人人做人人爽| av黄色大香蕉| 热99久久久久精品小说推荐| 边亲边吃奶的免费视频| 高清av免费在线| 简卡轻食公司| 亚洲性久久影院| 男人操女人黄网站| 狂野欧美激情性xxxx在线观看| 香蕉精品网在线| 亚洲中文av在线| 菩萨蛮人人尽说江南好唐韦庄| 精品久久久精品久久久| 赤兔流量卡办理| 只有这里有精品99| 国产精品久久久久久av不卡| 国产成人精品一,二区| 男女免费视频国产| 国产精品国产三级国产av玫瑰| 日韩亚洲欧美综合| 日韩一区二区视频免费看| 国产成人精品在线电影| 国产精品人妻久久久影院| 好男人视频免费观看在线| av在线老鸭窝| 男女啪啪激烈高潮av片| 人人妻人人添人人爽欧美一区卜| 内地一区二区视频在线| 全区人妻精品视频| 国产精品免费大片| 超碰97精品在线观看| 久久久国产精品麻豆| 国产国语露脸激情在线看| av国产久精品久网站免费入址| 国产亚洲av片在线观看秒播厂| 久久女婷五月综合色啪小说| 国产亚洲最大av| 飞空精品影院首页| 黑丝袜美女国产一区| 97超视频在线观看视频| 美女cb高潮喷水在线观看| 精品久久久噜噜| 亚洲激情五月婷婷啪啪| 国产黄片视频在线免费观看| 精品亚洲成a人片在线观看| 边亲边吃奶的免费视频| 久久 成人 亚洲| 国产色婷婷99| 国产精品无大码| 亚洲精品日本国产第一区| 80岁老熟妇乱子伦牲交| 天天操日日干夜夜撸| 国产高清国产精品国产三级| 蜜桃久久精品国产亚洲av| 欧美三级亚洲精品| 黑人欧美特级aaaaaa片| 欧美老熟妇乱子伦牲交| av网站免费在线观看视频| 日本av手机在线免费观看| 男女无遮挡免费网站观看| 26uuu在线亚洲综合色| 亚洲综合精品二区| 午夜免费观看性视频| 国产极品天堂在线| 在线观看免费高清a一片| 国产成人精品一,二区| 视频在线观看一区二区三区| 亚洲高清免费不卡视频| 中文字幕久久专区| 成人手机av| videossex国产| 国产欧美日韩一区二区三区在线 | 国产黄片视频在线免费观看| 免费少妇av软件| 中国国产av一级| 亚洲色图综合在线观看| 精品人妻熟女av久视频| 欧美老熟妇乱子伦牲交| 国产一区二区在线观看日韩| av卡一久久| 日本91视频免费播放| 久久久亚洲精品成人影院| 日韩成人av中文字幕在线观看| 亚洲av不卡在线观看| 日本免费在线观看一区| 国产亚洲午夜精品一区二区久久| a级毛色黄片| 成人亚洲精品一区在线观看| 精品久久蜜臀av无| 三级国产精品片| 国产免费现黄频在线看| 亚洲内射少妇av| 亚洲精品中文字幕在线视频| 国产熟女欧美一区二区| 国产片内射在线| 久久久久久久国产电影| 哪个播放器可以免费观看大片| 久久精品夜色国产| 久久免费观看电影| 日韩 亚洲 欧美在线| 制服丝袜香蕉在线| 一本一本综合久久| 肉色欧美久久久久久久蜜桃| 日韩免费高清中文字幕av| 久久久国产精品麻豆| 校园人妻丝袜中文字幕| 久久精品国产亚洲av涩爱| a级毛片免费高清观看在线播放| 久久国产精品男人的天堂亚洲 | 免费大片18禁| 91精品三级在线观看| 搡老乐熟女国产| 成年女人在线观看亚洲视频| 2018国产大陆天天弄谢| 青春草视频在线免费观看| 18禁裸乳无遮挡动漫免费视频| 国产深夜福利视频在线观看| 少妇被粗大猛烈的视频| 欧美丝袜亚洲另类| 亚洲熟女精品中文字幕| 亚洲欧美日韩另类电影网站| 亚洲欧美一区二区三区黑人 | 一二三四中文在线观看免费高清| 人妻 亚洲 视频| 极品人妻少妇av视频| 特大巨黑吊av在线直播| 观看av在线不卡| 少妇人妻精品综合一区二区| 午夜福利在线观看免费完整高清在| 大片免费播放器 马上看| 欧美激情极品国产一区二区三区 | 婷婷色综合www| 亚洲无线观看免费| 青春草亚洲视频在线观看| 丝袜喷水一区| 久久久午夜欧美精品| 国模一区二区三区四区视频| 十八禁网站网址无遮挡| 国产综合精华液| 欧美精品高潮呻吟av久久| 国产免费现黄频在线看| 亚洲,一卡二卡三卡| 精品一品国产午夜福利视频| 日韩精品有码人妻一区| 中文字幕免费在线视频6| 母亲3免费完整高清在线观看 | 人妻制服诱惑在线中文字幕| 日韩强制内射视频| 久久狼人影院| 国产亚洲欧美精品永久| 免费黄频网站在线观看国产| 日韩制服骚丝袜av| 另类精品久久| 久久免费观看电影| 国产成人aa在线观看| 老司机影院毛片| 99久久中文字幕三级久久日本| 中文字幕制服av| 99视频精品全部免费 在线| 午夜91福利影院| 成人亚洲欧美一区二区av| 大片免费播放器 马上看| 国产成人一区二区在线| 久久青草综合色| 免费av不卡在线播放| 日韩制服骚丝袜av| 女的被弄到高潮叫床怎么办| 婷婷色综合大香蕉| 国产乱来视频区| 久久99蜜桃精品久久| 中文乱码字字幕精品一区二区三区| 亚洲av日韩在线播放| 精品少妇内射三级| 午夜视频国产福利| 精品久久久久久久久av| 香蕉精品网在线| 美女主播在线视频| 国产视频内射| 中文欧美无线码| 国产成人aa在线观看| 亚洲精品日韩在线中文字幕| 精品人妻熟女av久视频| 亚洲精品亚洲一区二区| 黄色视频在线播放观看不卡| 久久久亚洲精品成人影院| 日韩亚洲欧美综合| 亚洲精品乱码久久久久久按摩| 亚洲四区av| 伊人久久精品亚洲午夜| 亚洲高清免费不卡视频| 日韩,欧美,国产一区二区三区| 91在线精品国自产拍蜜月| 人妻 亚洲 视频| 久久久久人妻精品一区果冻| 久久久精品免费免费高清| 欧美国产精品一级二级三级| 免费少妇av软件| 一级a做视频免费观看| 久久久a久久爽久久v久久| 各种免费的搞黄视频| 18禁动态无遮挡网站| 少妇人妻 视频| 18禁观看日本| 最黄视频免费看| 亚洲图色成人| 亚洲av成人精品一二三区| 黑人巨大精品欧美一区二区蜜桃 | 22中文网久久字幕| 秋霞在线观看毛片| 寂寞人妻少妇视频99o| 色婷婷久久久亚洲欧美| 亚洲第一区二区三区不卡| 一本一本综合久久| 欧美三级亚洲精品| 亚洲欧美一区二区三区国产| 国产熟女欧美一区二区| 女性被躁到高潮视频| 男女边摸边吃奶| 精品一区二区三区视频在线| 亚洲精品自拍成人| 少妇 在线观看| 国产午夜精品久久久久久一区二区三区| 97精品久久久久久久久久精品| 性高湖久久久久久久久免费观看| 中文字幕av电影在线播放| 91精品一卡2卡3卡4卡| 精品午夜福利在线看| 丝袜喷水一区| a级毛片免费高清观看在线播放| 午夜福利,免费看| 99九九线精品视频在线观看视频| 久久久久国产网址| xxxhd国产人妻xxx| 插逼视频在线观看| 国语对白做爰xxxⅹ性视频网站| 日本免费在线观看一区| 大香蕉97超碰在线| 国产女主播在线喷水免费视频网站| 亚洲五月色婷婷综合| 91久久精品电影网| 国产亚洲一区二区精品| 国产精品偷伦视频观看了| 日韩亚洲欧美综合| 国产精品偷伦视频观看了| 久久人人爽人人片av| 五月伊人婷婷丁香| 特大巨黑吊av在线直播| 97超视频在线观看视频| 一级爰片在线观看| 男女高潮啪啪啪动态图| 另类亚洲欧美激情| 日本wwww免费看| 丰满少妇做爰视频| 亚洲成色77777| 嫩草影院入口| 寂寞人妻少妇视频99o| 欧美 亚洲 国产 日韩一| 永久免费av网站大全| 色婷婷久久久亚洲欧美| 国产女主播在线喷水免费视频网站| 久久人人爽人人片av| 亚洲精品视频女| 国产精品久久久久久久久免| 欧美日韩精品成人综合77777| 在线观看人妻少妇| 色吧在线观看| 精品人妻一区二区三区麻豆| 一边亲一边摸免费视频| 日韩欧美一区视频在线观看| 国产伦精品一区二区三区视频9| 亚洲第一av免费看| 国产成人精品婷婷| 人妻一区二区av| 亚洲情色 制服丝袜| 亚洲中文av在线| 国产成人a∨麻豆精品| 日本黄色日本黄色录像| 亚洲四区av| 亚洲av日韩在线播放| 久久久精品区二区三区| 亚洲熟女精品中文字幕| 久久精品久久久久久久性| www.色视频.com| videos熟女内射| 久久久精品94久久精品| 国产又色又爽无遮挡免| 91精品国产国语对白视频| 看十八女毛片水多多多| 黄色怎么调成土黄色| 国产一区二区三区综合在线观看 | 国产男女内射视频| 日韩成人伦理影院| 国产成人av激情在线播放 | 九色成人免费人妻av| 国产成人精品一,二区| 9色porny在线观看| 亚洲久久久国产精品| 一本久久精品| 我的老师免费观看完整版| 热re99久久精品国产66热6| 一区二区av电影网| 黄色欧美视频在线观看| 亚洲欧洲日产国产| 成人免费观看视频高清| 校园人妻丝袜中文字幕| 少妇高潮的动态图| 国产精品嫩草影院av在线观看| 高清黄色对白视频在线免费看| 热re99久久精品国产66热6| av免费观看日本| 欧美精品高潮呻吟av久久| 久久久国产一区二区| 国产成人freesex在线| 校园人妻丝袜中文字幕| 全区人妻精品视频| 天堂俺去俺来也www色官网| 亚洲美女黄色视频免费看| 一个人免费看片子| 日本猛色少妇xxxxx猛交久久| 岛国毛片在线播放| 久久影院123| 麻豆成人av视频| 一区二区三区乱码不卡18| freevideosex欧美| 亚洲图色成人| 亚洲精品国产色婷婷电影| 亚洲成色77777| 久久久久国产精品人妻一区二区| 国产一区二区三区av在线| 国产高清三级在线| 免费大片18禁| 寂寞人妻少妇视频99o| 久热久热在线精品观看| 日本午夜av视频| 亚洲精品乱码久久久v下载方式| 久久久精品94久久精品| 国产成人精品福利久久| av电影中文网址| 黄片无遮挡物在线观看| 九九爱精品视频在线观看| 国产精品三级大全| 国产精品一区二区三区四区免费观看| 最近手机中文字幕大全| 日韩人妻高清精品专区| 婷婷成人精品国产| 亚洲综合色网址| 欧美激情极品国产一区二区三区 | 欧美丝袜亚洲另类| 国产欧美另类精品又又久久亚洲欧美| 精品一区二区三卡| 久久 成人 亚洲| 全区人妻精品视频| 亚洲国产欧美日韩在线播放| 国产精品人妻久久久影院| 另类亚洲欧美激情| av电影中文网址| 亚洲国产精品一区二区三区在线| 中文字幕制服av| 亚洲一级一片aⅴ在线观看| 一个人看视频在线观看www免费| 国产片特级美女逼逼视频| 2022亚洲国产成人精品| 一个人免费看片子| 大片电影免费在线观看免费| www.av在线官网国产| 水蜜桃什么品种好| 亚洲天堂av无毛| 秋霞伦理黄片| av天堂久久9| 天堂中文最新版在线下载| 亚洲国产最新在线播放| 国产免费福利视频在线观看| 狠狠精品人妻久久久久久综合| 亚州av有码| 少妇高潮的动态图| 亚洲精品久久午夜乱码| 精品人妻偷拍中文字幕| 高清在线视频一区二区三区| 有码 亚洲区| 99re6热这里在线精品视频| 久久 成人 亚洲| 久久99一区二区三区| 老司机亚洲免费影院| 亚洲欧洲国产日韩| 国产伦理片在线播放av一区| 大片免费播放器 马上看| 91国产中文字幕| 丝瓜视频免费看黄片| 久久人人爽人人爽人人片va| 欧美激情极品国产一区二区三区 | 亚洲情色 制服丝袜| 亚洲人成77777在线视频| 午夜激情av网站| 亚洲精品亚洲一区二区| 国产一区有黄有色的免费视频| 啦啦啦视频在线资源免费观看| 国产午夜精品一二区理论片| 亚洲精品国产av成人精品| 哪个播放器可以免费观看大片| av在线老鸭窝| 91精品国产国语对白视频| 在线观看免费日韩欧美大片 | 日韩av免费高清视频| 国产免费现黄频在线看| 熟女人妻精品中文字幕|