• <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 ?

    基于激光雷達(dá)自適應(yīng)聚類(lèi)半徑的樹(shù)冠檢測(cè)研究

    2024-05-22 21:42:47臺(tái)少瑜李云伍趙穎林先卬黎遠(yuǎn)江王義成
    關(guān)鍵詞:激光雷達(dá)

    臺(tái)少瑜 李云伍 趙穎 林先卬 黎遠(yuǎn)江 王義成

    摘要:為解決丘陵山地果園條件下激光雷達(dá)檢測(cè)過(guò)程中面對(duì)多尺寸、多距離條件下出現(xiàn)的目標(biāo)物體漏檢、誤檢等欠分割和過(guò)分割問(wèn)題,提出一種基于激光雷達(dá)的自適應(yīng)目標(biāo)聚類(lèi)半徑目標(biāo)物體檢測(cè)方法。首先,在使用激光雷達(dá)感知到周?chē)h(huán)境的三維點(diǎn)云后,去除地面點(diǎn)云并且使用體素濾波進(jìn)行降采樣的預(yù)處理,在減少數(shù)據(jù)量的同時(shí)去除點(diǎn)云中的噪聲點(diǎn)。其次,建立Kd tree模型進(jìn)行最近鄰搜索,以加速歐式聚類(lèi)的進(jìn)程,通過(guò)自適應(yīng)確定每顆樹(shù)冠的聚類(lèi)半徑,使歐式聚類(lèi)能夠得到更好的聚類(lèi)效果。最后為驗(yàn)證算法準(zhǔn)確性和實(shí)用性,基于果園履帶車(chē)平臺(tái),采用32線激光雷達(dá)對(duì)所提算法進(jìn)行實(shí)車(chē)測(cè)試。結(jié)果表明:在丘陵山地果園中該算法可準(zhǔn)確聚類(lèi)果樹(shù)樹(shù)冠點(diǎn)云,且實(shí)地目標(biāo)正檢率為94.41%。

    關(guān)鍵詞:激光雷達(dá);樹(shù)冠檢測(cè);Kd tree模型;自適應(yīng)聚類(lèi)

    中圖分類(lèi)號(hào):TN959.6

    文獻(xiàn)標(biāo)識(shí)碼:A

    文章編號(hào):20955553 (2024) 02022107

    收稿日期:2022年11月30日 ?修回日期:2022年12月23日

    基金項(xiàng)目:貴州省科技計(jì)劃項(xiàng)目(黔科合支撐[2021]一般171)

    第一作者:臺(tái)少瑜,男,1999年生,山東諸城人,碩士研究生;研究方向?yàn)樘镩g作業(yè)環(huán)境感知技術(shù)。Email: taishaoyu@163.com

    通訊作者:李云伍,男,1974年生,重慶人,博士,教授;研究方向?yàn)橹悄苻r(nóng)機(jī)裝備及田間作業(yè)環(huán)境感知技術(shù)。Email: liywu@swu.edu.cn

    Research on crown detection based on adaptive clustering radius of Lidar

    Tai Shaoyu1, Li Yunwu1, 2, Zhao Ying1, Lin Xianang1, Li Yuanjiang1, Wang Yicheng1

    (1. College of Engineering and Technology, Southwest University, Chongqing, 400716, China;

    2. Chongqing Key Laboratory of Agricultural Equipment in Hilly Area, Chongqing, 400716, China)

    Abstract:

    In order to solve the problem of undersegmentation and oversegmentation such as missed detection and false detection of target objects under multisize and multidistance conditions in the process of Lidar detection under hilly and mountainous orchard conditions, a target object detection method based on adaptive target clustering radius of Lidar is proposed. Firstly, by using Lidar to sense the threedimensional point cloud of the surrounding environment, the ground point cloud is removed and the preprocessing of down sample is performed by voxel filter. The amount of data is reduced and the noise points in the point cloud is removed. Secondly, the Kd tree model is established and the nearest neighbor search is carried out to accelerate the process of Euclidean clustering. By adaptively determining the clustering radius of each crown, the Euclidean clustering can get better clustering results. Finally, in order to verify the accuracy and practicability of the algorithm, based on the orchard tracked vehicle platform, a 32-line Lidar is used to test the algorithm. The results show that the algorithm can accurately cluster the canopy point cloud of fruit trees in hilly and mountainous orchards, and the field target detection rate is 94.41%.

    Keywords:

    Lidar; crown detection; Kdimensional tree model; adaptive clustering

    0 引言

    果樹(shù)單木樹(shù)冠信息(如冠幅、樹(shù)冠面積和樹(shù)冠體積等)是果樹(shù)生長(zhǎng)狀態(tài)的重要體現(xiàn),也是產(chǎn)量預(yù)測(cè)估計(jì)的重要方法,更是實(shí)現(xiàn)果園精準(zhǔn)管理的重要前提[1]。樹(shù)冠信息作為果樹(shù)變量施藥和精確對(duì)靶施藥等果園精準(zhǔn)管理操作的基礎(chǔ),對(duì)果樹(shù)樹(shù)冠進(jìn)行精確檢測(cè)則具有重要的學(xué)術(shù)研究與應(yīng)用意義[23]。

    現(xiàn)有針對(duì)樹(shù)冠檢測(cè)常用的方法包括基于機(jī)器視覺(jué)的目標(biāo)感知方案、基于機(jī)器視覺(jué)和激光雷達(dá)融合的目標(biāo)感知方案與基于激光雷達(dá)等目標(biāo)物體感知方案[4]。其中基于機(jī)器視覺(jué)的目標(biāo)感知方案魯棒性較差,受環(huán)境光影響較大,陰雨天氣環(huán)境下作業(yè)效果不理想,不能滿足作業(yè)要求。而林樂(lè)彬[5]提出將激光雷達(dá)與機(jī)器視覺(jué)相融合的方法,雖然可以快速準(zhǔn)確地識(shí)別障礙物,但是該算法應(yīng)用在雜草較多的果園時(shí)視覺(jué)容易受到雜草干擾,并且該算法在夜間工作時(shí)檢測(cè)效果大幅下降,算法魯棒性較差,無(wú)法在農(nóng)時(shí)高質(zhì)量地完成作業(yè)。

    三維激光雷達(dá)由于其優(yōu)異的性能、穩(wěn)定的信號(hào)輸入、較好的測(cè)距能力和受環(huán)境光影響較小的優(yōu)勢(shì)在目標(biāo)檢測(cè)方面應(yīng)用較廣。目前常用的激光雷達(dá)聚類(lèi)算法有kmeans聚類(lèi)算法、DBSCAN聚類(lèi)算法和歐幾里得聚類(lèi)算法[6]。kmeans聚類(lèi)算法由于需要提前設(shè)置聚類(lèi)數(shù)目,因此不適合用于樹(shù)冠檢測(cè)。蔡懷宇[7]針對(duì)傳統(tǒng)DBSCAN算法漏檢和誤檢的問(wèn)題,對(duì)選取鄰域半徑參數(shù)的方法進(jìn)行了改進(jìn),改進(jìn)后的算法雖漏檢率和誤檢率略有降低,但其正檢率仍為86.27%,屬于偏低水平。張文宇[8]針對(duì)DBSCAN聚類(lèi)算法中選取參數(shù)時(shí)需要不斷進(jìn)行試驗(yàn)驗(yàn)證來(lái)改進(jìn)參數(shù)的問(wèn)題,提出了一種根據(jù)不同搜索范圍來(lái)自適應(yīng)慣性權(quán)重更新的策略,改進(jìn)后的聚類(lèi)效果雖有明顯的提高,但該算法運(yùn)行效率較低,不適合用于果園樹(shù)冠實(shí)時(shí)性檢測(cè)。牛國(guó)臣[9]將自適應(yīng)聚類(lèi)與DBSCAN聚類(lèi)算法相融合,通過(guò)改進(jìn)kmeans算法將障礙物分組從而完成聚類(lèi),該算法雖然運(yùn)行效率較高但聚類(lèi)效果受參數(shù)Minpts和Eps影響較大,算法魯棒性不高。

    歐式聚類(lèi)算法因能較高質(zhì)量地完成樹(shù)冠聚類(lèi)過(guò)程而在樹(shù)冠檢測(cè)中廣泛使用。范晶晶[10]針對(duì)越野環(huán)境下的目標(biāo)識(shí)別問(wèn)題,將被檢測(cè)目標(biāo)的幾何物理特征與聚類(lèi)思想相結(jié)合,提出并設(shè)計(jì)了基于Kd Tree和歐式聚類(lèi)算法的目標(biāo)檢測(cè)算法,但是該算法在識(shí)別相近物體時(shí)算法魯棒性較差??椎旅鳎?1]針對(duì)激光雷達(dá)檢測(cè)目標(biāo)障礙物時(shí)出現(xiàn)的目標(biāo)物體欠分割與過(guò)分割等檢測(cè)不準(zhǔn)確的情況對(duì)歐式算法進(jìn)行了優(yōu)化,算法優(yōu)化后能夠在多目標(biāo)檢測(cè)實(shí)驗(yàn)中有較高精度的聚類(lèi)效果。伍錫如[12]將三維激光雷達(dá)獲取的點(diǎn)云數(shù)據(jù)中距離中心點(diǎn)偏遠(yuǎn)的點(diǎn)云數(shù)據(jù)進(jìn)行剔除與分離,改進(jìn)后的歐式聚類(lèi)算法障礙物識(shí)別準(zhǔn)確率的提升較為顯著。尚業(yè)華[13]使用三維激光雷達(dá)檢測(cè)障礙物,并在聚類(lèi)時(shí)將無(wú)效障礙物進(jìn)行識(shí)別與去除,在其后來(lái)實(shí)驗(yàn)中驗(yàn)證檢出率高達(dá)96%。

    基于先前研究,本文使用歐式聚類(lèi)算法對(duì)丘陵山區(qū)果園樹(shù)冠檢測(cè)開(kāi)展研究,由于上述聚類(lèi)算法改進(jìn)效果雖較好,但改進(jìn)策略大都比較復(fù)雜,算法實(shí)現(xiàn)成本較高。因此,本文提出一種聚類(lèi)半徑自適應(yīng)的改進(jìn)歐式聚類(lèi)算法。該算法借鑒Yan[14]提出的地面分割方式和根據(jù)距離自動(dòng)調(diào)整聚類(lèi)范圍的方法,調(diào)整劉亮[15]提出的消除車(chē)輛點(diǎn)云模塊,通過(guò)降采樣、分割地面后得到非地面點(diǎn)云,對(duì)處理后的三維點(diǎn)云進(jìn)行基于Kd Tree的最近鄰搜索后根據(jù)激光雷達(dá)與目標(biāo)物體之間的歐氏距離計(jì)算出該目標(biāo)物體的聚類(lèi)半徑,完成目標(biāo)物的聚類(lèi)檢測(cè)。

    1 樹(shù)冠檢測(cè)算法概述

    樹(shù)冠檢測(cè)算法主要是由3部分組成[16]。第1部分為信號(hào)輸入部分。該部分接入激光雷達(dá)信號(hào)后由車(chē)載工控機(jī)轉(zhuǎn)換為環(huán)境三維點(diǎn)云,該部分主要作用是將環(huán)境轉(zhuǎn)換為機(jī)器語(yǔ)言[17]。第2部分為點(diǎn)云預(yù)處理部分。該部分通過(guò)濾波降采樣、去噪和分割地面對(duì)環(huán)境三維點(diǎn)云進(jìn)行預(yù)處理,預(yù)處理之后的點(diǎn)云即為改進(jìn)算法的ROI區(qū)域(感興趣區(qū)域)。第3部分為點(diǎn)云聚類(lèi)部分。該部分主要對(duì)ROI區(qū)域進(jìn)行樹(shù)冠聚類(lèi):首先,基于分塊的思想將點(diǎn)云簇分塊;其次,通過(guò)改進(jìn)的聚類(lèi)半徑確定方法對(duì)樹(shù)冠進(jìn)行聚類(lèi);最后,聚類(lèi)結(jié)果通過(guò)ROS系統(tǒng)自帶顯示程序rviz顯示。

    2 三維點(diǎn)云數(shù)據(jù)預(yù)處理

    三維激光雷達(dá)通過(guò)旋轉(zhuǎn)激光發(fā)射單位與接收單位獲取周?chē)畔⑦_(dá)到感知周?chē)h(huán)境的目的,激光雷達(dá)每秒所獲取的原始點(diǎn)云數(shù)據(jù)量非常龐大,原始點(diǎn)云數(shù)據(jù)中不僅包含所需的果樹(shù)樹(shù)冠點(diǎn)云數(shù)據(jù),還包含其他點(diǎn)云數(shù)據(jù),如地面、雜草、行人等[18]。過(guò)多的點(diǎn)云數(shù)據(jù)會(huì)增加計(jì)算量和系統(tǒng)反應(yīng)時(shí)間,影響實(shí)際聚類(lèi)效果,因而,在對(duì)果樹(shù)樹(shù)冠進(jìn)行識(shí)別聚類(lèi)之前需要先對(duì)激光雷達(dá)采集的原始點(diǎn)云數(shù)據(jù)進(jìn)行預(yù)處理[19]。

    2.1 點(diǎn)云濾波

    體素濾波可以達(dá)到向下采樣的同時(shí)不破壞點(diǎn)云的形狀和本身結(jié)構(gòu),可以達(dá)到降采樣的同時(shí)保存比較完整的數(shù)據(jù)特點(diǎn)[20]。將輸入的原始點(diǎn)云數(shù)據(jù)用一個(gè)立方柵格完全包括,在這個(gè)立方柵格中再創(chuàng)建10 cm×10 cm×10 cm的立方體素柵格,計(jì)算每個(gè)體素柵格的質(zhì)心,用質(zhì)心來(lái)近似代替該體素柵格內(nèi)的所有點(diǎn),達(dá)到降采樣和過(guò)濾噪聲點(diǎn)的作用。

    使用質(zhì)心來(lái)代替體素柵格內(nèi)的點(diǎn)云數(shù)據(jù)更有利于聚類(lèi)算法進(jìn)行聚類(lèi)[21],因此,采用能夠達(dá)到本研究原始數(shù)據(jù)預(yù)處理要求的體素濾波對(duì)原始點(diǎn)云數(shù)據(jù)進(jìn)行預(yù)處理。

    經(jīng)測(cè)量,果園試驗(yàn)區(qū)域果樹(shù)樹(shù)冠最高點(diǎn)均低于3.5 m,考慮到激光雷達(dá)實(shí)際安裝高度與果園平面起伏,因此試驗(yàn)中使用直通濾波去除以激光雷達(dá)安裝位置為基準(zhǔn)面以上3 m的過(guò)高點(diǎn)云部分。

    2.2 地平面分割

    大量的地面和雜草點(diǎn)云對(duì)樹(shù)冠檢測(cè)和分類(lèi)會(huì)產(chǎn)生影響,因此分割地面和雜草點(diǎn)云對(duì)樹(shù)冠檢測(cè)具有非常重要的意義[22]。激光雷達(dá)輸入的是一個(gè)三維點(diǎn)云數(shù)據(jù)集C={qi|qi=(xi,yi,zi)∈R3,i=1,…,n},其中n是雷達(dá)單次掃描的總點(diǎn)數(shù)。為了將地面和雜草點(diǎn)云去除,算法會(huì)將每一個(gè)點(diǎn)去除,去除地面的點(diǎn)云將構(gòu)成一個(gè)新的集合C*∈C,得到非地面點(diǎn)云。

    由于無(wú)人車(chē)工作地面相對(duì)平坦并且Z軸大致垂直于地面的果園,試驗(yàn)對(duì)象是果樹(shù)樹(shù)冠,因而將原始點(diǎn)云的下部切割指定高度對(duì)試驗(yàn)結(jié)果影響較小,可忽略不計(jì)。

    3 改進(jìn)的歐式聚類(lèi)算法

    經(jīng)過(guò)體素過(guò)濾和地面分割預(yù)處理之后的點(diǎn)云即為所要檢測(cè)的目標(biāo)物體點(diǎn)云。本文在Kd Tree與最近鄰搜索的基礎(chǔ)上通過(guò)改進(jìn)的歐幾里得聚類(lèi)算法的自適應(yīng)聚類(lèi)半徑來(lái)對(duì)目標(biāo)點(diǎn)云進(jìn)行聚類(lèi)并進(jìn)行目標(biāo)檢測(cè)。在車(chē)輛行進(jìn)過(guò)程中,三維激光雷達(dá)實(shí)時(shí)產(chǎn)生三維點(diǎn)云的數(shù)據(jù)量極其龐大,而Kd Tree模型可以對(duì)龐大的三維點(diǎn)云數(shù)據(jù)提前進(jìn)行分塊處理,而這種分塊可以大大縮短計(jì)算時(shí)間,提高基于歐氏距離最近鄰搜索的聚類(lèi)效率。

    3.1 Kd tree模型的三維應(yīng)用

    Kd tree是一種能夠?qū)維空間中的點(diǎn)進(jìn)行劃分的一種數(shù)據(jù)結(jié)構(gòu)。由于其形如二叉樹(shù)的結(jié)構(gòu)特性能夠顯著降低運(yùn)算次數(shù)、提高運(yùn)算效率,因而常被用來(lái)對(duì)多維空間中的關(guān)鍵技術(shù)進(jìn)行搜索。

    Kd tree本質(zhì)上是一個(gè)基于二分法的搜索樹(shù)。在進(jìn)行搜索時(shí)每一個(gè)節(jié)點(diǎn)都將未劃分的多維空間劃分為兩部分。在每次劃分時(shí)要保證劃分后的點(diǎn)云數(shù)據(jù)的左右子空間的點(diǎn)云數(shù)據(jù)量盡量相等。構(gòu)建流程如下。

    1) 根據(jù)式(1)計(jì)算三維數(shù)據(jù)集合中每一維的方差,并從中選取具有最大方差的維度

    k=max∑(X-μx)2Nx,∑(Y-μy)2Ny,∑(Z-μz)2Nz

    (1)

    式中:

    X、Y、Z——該維空間的變量;

    N*——該維空間中總變量個(gè)數(shù);

    μ*——該維空間的總體均值。

    2) 根據(jù)式(2)計(jì)算三維數(shù)據(jù)中的中值m,并且將三維點(diǎn)云上的N個(gè)數(shù)據(jù)按遞增順序進(jìn)行排列,得到集合Q={K1,K2,K3,…,KN}。其中K1

    m=

    KN+12N為奇數(shù)

    KN2+KN2+12N為偶數(shù)

    (2)

    3) 將步驟2中計(jì)算出的中值m賦值給閾值,根據(jù)m將集合Q分割為兩個(gè)子集合Qleft和Qright,子集合符合式(3)。

    x

    x≥m x∈Qright

    (3)

    4) 將步驟3得到的兩個(gè)子集合再次重復(fù)上次操作,以此類(lèi)推,直至所有的子集合都不可以再次被劃分為止。將不能被劃分的子集合存儲(chǔ)在葉子節(jié)點(diǎn)中。

    構(gòu)建完成的Kd tree的數(shù)據(jù)結(jié)構(gòu)如圖2所示。

    3.2 自適應(yīng)聚類(lèi)半徑的歐式聚類(lèi)

    歐式距離是歐幾里得聚類(lèi)算法的基礎(chǔ)。空間中任意兩點(diǎn)A:(x1,y1,z1)和B:(x2,y2,z2)的歐氏距離可以通過(guò)公式進(jìn)行計(jì)算,即

    d=(x1-x2)2+(y1-y2)2+(z1-z2)2

    基于歐氏距離的最近鄰搜索算法是加速聚類(lèi)過(guò)程的核心。目標(biāo)點(diǎn)p輸入該算法后通過(guò)與當(dāng)前節(jié)點(diǎn)劃分中值m比較判斷后從根節(jié)點(diǎn)一直到達(dá)相應(yīng)葉子節(jié)點(diǎn),則該葉子節(jié)點(diǎn)Q更新為P的最近鄰點(diǎn),dmin更新為節(jié)點(diǎn)P和Q之間的距離dPQ。隨后沿搜索路徑回溯其父節(jié)點(diǎn),判斷其父節(jié)點(diǎn)與Q之間的距離是否小于dmin。若是,則將該父節(jié)點(diǎn)更新為最近鄰點(diǎn)并將該父節(jié)點(diǎn)下的其余子節(jié)點(diǎn)納入該搜索范疇。若否,則沿搜索路徑繼續(xù)向上回溯至父節(jié)點(diǎn)的父節(jié)點(diǎn)直至根節(jié)點(diǎn)??臻g中某點(diǎn)的最近鄰搜索到此完成。

    最近鄰搜索完成后的下一步就是進(jìn)行歐式聚類(lèi)。在聚類(lèi)過(guò)程中,聚類(lèi)效果根據(jù)距離的遠(yuǎn)近所呈現(xiàn)的效果也不一樣,這時(shí)就要考慮上述提到的聚類(lèi)過(guò)程中最重要的參數(shù)就是聚類(lèi)半徑。為了能夠使聚類(lèi)結(jié)果更加準(zhǔn)確,本文提出了一種聚類(lèi)半徑自適應(yīng)的確定方法。(1)在采集完果樹(shù)的三維點(diǎn)云之后對(duì)其進(jìn)行標(biāo)準(zhǔn)化預(yù)處理,并建立由點(diǎn)云簇Ci組成的三維點(diǎn)云數(shù)據(jù)集C*={C1,C2,C3,…,Ci,…,Cn}。(2)根據(jù)每一簇三維點(diǎn)云距離激光雷達(dá)距離的遠(yuǎn)近進(jìn)行升序排列,取其排列第一的三維點(diǎn)云簇C1的質(zhì)心作為本次聚類(lèi)半徑確定的初始聚類(lèi)中心。(3)從數(shù)據(jù)集C*中選取距離該點(diǎn)云簇歐氏距離最小的兩束點(diǎn)云簇,計(jì)算這三束點(diǎn)云簇中每個(gè)點(diǎn)與初始聚類(lèi)中心距離的平均值R1,并將該平均值R1作為該點(diǎn)云簇C1的聚類(lèi)半徑。(4)以此類(lèi)推,其余的三維點(diǎn)云簇Ci也根據(jù)上述步驟得到該點(diǎn)云簇的聚類(lèi)半徑Ri。

    在確定了點(diǎn)云簇C1的聚類(lèi)半徑R1后便開(kāi)始進(jìn)行歐式聚類(lèi),歐式聚類(lèi)的流程如圖3所示。

    該算法在聚類(lèi)時(shí)是從點(diǎn)云簇C1中的初始聚類(lèi)中心作為第一次Kd tree最近鄰搜索的核心點(diǎn),完成第一次最近鄰搜索后,將搜索到的K個(gè)最近鄰點(diǎn)與初始聚類(lèi)中心之間的距離與聚類(lèi)半徑R進(jìn)行比較,形成集合M。再?gòu)狞c(diǎn)云簇Ci中選取除上次最近鄰搜索的核心點(diǎn)以外的點(diǎn)重復(fù)以上過(guò)程,不斷迭代直至M中無(wú)新元素增加則完成該次聚類(lèi)。

    完成第一簇三維數(shù)據(jù)點(diǎn)的聚類(lèi)后,通過(guò)尋找下一簇的點(diǎn)云數(shù)據(jù),進(jìn)行下次三維點(diǎn)云數(shù)據(jù)的聚類(lèi),逐步完成上述步驟后便可以繼續(xù)完成剩余點(diǎn)云簇的聚類(lèi)。

    4 試驗(yàn)結(jié)果與分析

    4.1 試驗(yàn)平臺(tái)與場(chǎng)地介紹

    為了驗(yàn)證所提改進(jìn)算法的實(shí)際環(huán)境樹(shù)冠檢測(cè)效果與該算法的準(zhǔn)確性以及實(shí)用性,開(kāi)展實(shí)車(chē)果園試驗(yàn)。試驗(yàn)平臺(tái)采用履帶式無(wú)人轉(zhuǎn)運(yùn)運(yùn)輸車(chē)作為載體,激光雷達(dá)采用速騰聚創(chuàng)32線激光雷達(dá)RSHelios 1615,具體參數(shù)見(jiàn)表1,激光雷達(dá)與運(yùn)輸車(chē)載體的安裝如圖4所示。試驗(yàn)環(huán)境位于重慶市渝北區(qū)郭家灣的果園內(nèi),果園環(huán)境如圖5所示。試驗(yàn)運(yùn)行環(huán)境為車(chē)載工控機(jī)采用Intel Core i5-7200U處理器,系統(tǒng)環(huán)境為Ubuntu18.04,算法使用C++語(yǔ)言進(jìn)行編寫(xiě),開(kāi)發(fā)環(huán)境為VS code,調(diào)用PCL庫(kù)中的相關(guān)點(diǎn)云結(jié)構(gòu),最后利用rviz顯示到屏幕。

    4.2 果樹(shù)樹(shù)冠檢測(cè)結(jié)果分析

    在進(jìn)行果園試驗(yàn)時(shí),通過(guò)控制變量設(shè)計(jì)了改進(jìn)歐式聚類(lèi)算法與傳統(tǒng)歐式聚類(lèi)算法的檢測(cè)效果對(duì)比試驗(yàn)。改進(jìn)算法針對(duì)該果園實(shí)際情況對(duì)算法參數(shù)進(jìn)行了調(diào)整,對(duì)果園環(huán)境下采集的三維激光雷達(dá)數(shù)據(jù)進(jìn)行了多距離、多尺寸、多目標(biāo)物混合目標(biāo)檢測(cè)試驗(yàn)。

    在多距離、多目標(biāo)混合目標(biāo)物檢測(cè)試驗(yàn)中,所提改進(jìn)的歐式聚類(lèi)算法與傳統(tǒng)聚類(lèi)算法檢測(cè)效果分別如圖6所示,其中圖6(a)表示激光雷達(dá)在該試驗(yàn)場(chǎng)景下采集到的原始點(diǎn)云數(shù)據(jù),圖6(b)表示在經(jīng)過(guò)預(yù)處理操作后的ROI區(qū)域。設(shè)置傳統(tǒng)聚類(lèi)算法參數(shù)cluster_min(最少點(diǎn)數(shù))為800,cluster_max(最多點(diǎn)數(shù))為1 500。該試驗(yàn)中存在多個(gè)距離不同,但形狀尺寸大小近似的目標(biāo)樹(shù)冠。試驗(yàn)表明,當(dāng)履帶車(chē)旁邊存在多個(gè)距離不同但尺寸大小相似的目標(biāo)物體時(shí),優(yōu)化歐式聚類(lèi)算法能根據(jù)目標(biāo)物體不同的距離,精準(zhǔn)定位并準(zhǔn)確確定目標(biāo)物體聚類(lèi)半徑,能夠準(zhǔn)確地檢測(cè)出障礙物。而傳統(tǒng)歐式聚類(lèi)算法在面對(duì)多距離目標(biāo)物體時(shí)存在局限性,漏檢了②號(hào)、③號(hào)和⑥號(hào),并且誤檢了⑦號(hào),將⑦號(hào)目標(biāo)物體點(diǎn)云過(guò)分割,不能準(zhǔn)確檢出所有目標(biāo)物體。

    (a) 原始點(diǎn)云

    (b) 過(guò)濾地面及噪聲后點(diǎn)云

    (c) 改進(jìn)聚類(lèi)結(jié)果

    (d) 傳統(tǒng)聚類(lèi)效果

    在多尺寸、多目標(biāo)混合目標(biāo)檢測(cè)實(shí)驗(yàn)中,所提改進(jìn)歐式聚類(lèi)算法與傳統(tǒng)歐式聚類(lèi)算法檢測(cè)效果對(duì)比如圖7所示,其中圖7(a)表示激光雷達(dá)在該試驗(yàn)場(chǎng)景下采集到的原始點(diǎn)云數(shù)據(jù),圖7(b)表示在經(jīng)過(guò)預(yù)處理操作后的ROI區(qū)域。

    (a) 原始點(diǎn)云

    (b) 過(guò)濾地面及噪聲后點(diǎn)云

    (c) 改進(jìn)聚類(lèi)結(jié)果展示

    (d) 傳統(tǒng)聚類(lèi)效果展示

    傳統(tǒng)聚類(lèi)算法的參數(shù)設(shè)置同上實(shí)驗(yàn),兩種聚類(lèi)方法在面對(duì)尺寸多樣化的目標(biāo)物體時(shí),改進(jìn)的歐式聚類(lèi)算法的聚類(lèi)半徑根據(jù)每棵樹(shù)樹(shù)冠的點(diǎn)云數(shù)據(jù)進(jìn)行計(jì)算,完成聚類(lèi)半徑的自適應(yīng)確定過(guò)程,能夠精確且快速地完成樹(shù)冠的識(shí)別聚類(lèi)過(guò)程,滿足試驗(yàn)初始要求。而傳統(tǒng)歐式聚類(lèi)在面對(duì)該種情況時(shí)漏檢了目標(biāo)尺寸較小的②號(hào)、③號(hào)目標(biāo)樹(shù)冠,聚類(lèi)效果有限,無(wú)法根據(jù)樹(shù)冠點(diǎn)云數(shù)據(jù)進(jìn)行聚類(lèi)半徑自適應(yīng)的聚類(lèi),其余樹(shù)冠均正常檢出。

    在上述試驗(yàn)完成后,針對(duì)該算法的準(zhǔn)確性開(kāi)展定量試驗(yàn)。在試驗(yàn)過(guò)程中,用正檢率(True Positive Rate)、誤檢率(False Positive Rate)和漏檢率(Missing Detection Rate)來(lái)評(píng)估該算法及對(duì)比算法的目標(biāo)物檢測(cè)結(jié)果[23]。其計(jì)算如式(4)~式(6)所示。

    PT=NTNsum

    (4)

    PF=NFNsum

    (5)

    PM=NMNsum

    (6)

    式中:

    PT、PF、PM——

    正檢率、誤檢率、漏檢率;

    NT、NF、NM——

    正檢、誤檢、漏檢樹(shù)冠顆數(shù);

    Nsum——參與檢測(cè)的樹(shù)冠總顆數(shù)。

    將試驗(yàn)過(guò)程中錄制的激光雷達(dá)三維點(diǎn)云數(shù)據(jù)包轉(zhuǎn)換為由每幀組成的幀數(shù)據(jù)包,然后從該數(shù)據(jù)包中選取同一果園中3個(gè)不同地段的點(diǎn)云幀,3個(gè)地段的果樹(shù)數(shù)量分別為90棵、150棵和100棵,使用傳統(tǒng)歐式聚類(lèi)算法和本文改進(jìn)歐式聚類(lèi)算法分別對(duì)3個(gè)地段點(diǎn)云幀中的果樹(shù)樹(shù)冠進(jìn)行目標(biāo)物檢測(cè),試驗(yàn)結(jié)果見(jiàn)表2。

    分析試驗(yàn)結(jié)果可得知在相同實(shí)驗(yàn)條件下,改進(jìn)后的歐式聚類(lèi)算法目標(biāo)物檢測(cè)平均正檢率為94.41%,相較于傳統(tǒng)歐式聚類(lèi)算法正檢率提高12.36%。但是在試驗(yàn)過(guò)程中偶爾會(huì)出現(xiàn)連續(xù)幾棵果樹(shù)誤檢或漏檢的情況,經(jīng)過(guò)多次試驗(yàn)分析發(fā)現(xiàn),影響原因主要有:一是果園兩邊的地面高度不一致,有少數(shù)果樹(shù)下部土壤隆起較高,按照本文去除地面方法,該果樹(shù)下部存在部分土壤和雜草點(diǎn)云數(shù)據(jù)無(wú)法準(zhǔn)確去除,導(dǎo)致由該棵果樹(shù)樹(shù)冠點(diǎn)云信息確定的聚類(lèi)半徑偏小,過(guò)分割情況變多;二是果園存在兩棵樹(shù)樹(shù)冠相互距離過(guò)近的情形,使得改進(jìn)算法在進(jìn)行該類(lèi)果樹(shù)樹(shù)冠聚類(lèi)檢測(cè)時(shí)出現(xiàn)欠分割和過(guò)分割的現(xiàn)象。此外,該算法計(jì)算量與傳統(tǒng)算法相比較大,處理時(shí)間較長(zhǎng),受計(jì)算機(jī)硬件影響,在果園試驗(yàn)時(shí)履帶車(chē)輛前進(jìn)速度較慢。

    5 結(jié)論

    針對(duì)傳統(tǒng)歐式聚類(lèi)在丘陵山地果園條件下激光雷達(dá)檢測(cè)過(guò)程中面對(duì)多尺寸、多距離條件下出現(xiàn)的目標(biāo)物體漏檢、誤檢等欠分割和過(guò)分割的問(wèn)題,提出基于激光雷達(dá)的自適應(yīng)目標(biāo)聚類(lèi)半徑目標(biāo)物體檢測(cè)方法。通過(guò)點(diǎn)云預(yù)處理和聚類(lèi)半徑自適應(yīng)的實(shí)現(xiàn)對(duì)傳統(tǒng)歐式聚類(lèi)算法進(jìn)行了優(yōu)化,并進(jìn)行果園實(shí)際驗(yàn)證。

    1) 自適應(yīng)聚類(lèi)半徑的歐式聚類(lèi)能根據(jù)每一個(gè)目標(biāo)物體的三維點(diǎn)云特征信息確定該目標(biāo)物體的聚類(lèi)半徑。

    2) 經(jīng)基于分塊思想預(yù)處理之后的點(diǎn)云簇,結(jié)合目標(biāo)物聚類(lèi)半徑自適應(yīng)能在多距離多尺寸多目標(biāo)物的試驗(yàn)情況下精確地將目標(biāo)物體識(shí)別分割。

    3) 試驗(yàn)表明,本文改進(jìn)的歐式聚類(lèi)算法與傳統(tǒng)歐式聚類(lèi)算法相比正檢率提高了12.36%,誤檢率和漏檢率分別降低7.94%和4.41%。

    參 考 文 獻(xiàn)

    [1]陳日強(qiáng), 李長(zhǎng)春, 楊貴軍, 等. 無(wú)人機(jī)機(jī)載激光雷達(dá)提取果樹(shù)單木樹(shù)冠信息[J]. 農(nóng)業(yè)工程學(xué)報(bào), 2020, 36(22): 50-59.

    Chen Riqiang, Li Changchun, Yang Guijun, et al. Extraction of crown information from individual fruit tree by UAV LiDAR [J]. Transactions of the Chinese Society of Agricultural Engineering, 2020, 36(22): 50-59.

    [2]邵靖滔, 杜常清, 鄒斌. 基于點(diǎn)云簇組合特征的激光雷達(dá)地面分割方法[J]. 激光與光電子學(xué)進(jìn)展, 2021, 58(4): 422-430.

    Shao Jingtao, Du Changqing, Zou Bin. Lidar ground segmentation method based on point cloud cluster combination feature [J]. Laser & Optoelectronics Progress, 2021, 58(4): 422-430.

    [3]王瀟, 張美娜, Zhou Jianfeng, 等. LiDAR傳感器及技術(shù)在農(nóng)業(yè)場(chǎng)景的應(yīng)用進(jìn)展綜述[J]. 中國(guó)農(nóng)機(jī)化學(xué)報(bào), 2022, 43(11): 155-164.

    Wang Xiao, Zhang Meina, Zhou Jianfeng, et al. A review on the application of LiDAR sensors and technologies in agricultural scenarios [J]. Journal of Chinese Agricultural Mechanization, 2022, 43(11): 155-164.

    [4]劉暢, 趙津, 劉子豪, 等. 基于歐氏聚類(lèi)的改進(jìn)激光雷達(dá)障礙物檢測(cè)方法[J]. 激光與光電子學(xué)進(jìn)展, 2020, 57(20): 254-260.

    Liu Chang, Zhao Jin, Liu Zihao, et al. Improved lidar obstacle detection method based on euclidean clustering [J]. Laser & Optoelectronics Progress, 2020, 57(20): 254-260.

    [5]林樂(lè)彬, 周軍, 皇攀凌, 等. 基于圖像檢測(cè)的三維激光點(diǎn)云聚類(lèi)方法研究與應(yīng)用[J]. 控制工程, 1-8[2024-02-01].

    Lin Lebin, Zhou Jun, Huang Panling, et al. Research and application on 3D laser point cloud clustering method based on image detection [J]. Control Engineering of China, 1-8[2024-02-01].

    [6]馮吉, 胡佳寧, 于家旋, 等. 基于激光雷達(dá)信息的履帶式自動(dòng)割草機(jī)障礙物檢測(cè)[J]. 中國(guó)農(nóng)機(jī)化學(xué)報(bào), 2019, 40(5): 145-149.

    Feng Ji, Hu Jianing, Yu Jiaxuan, et al. Crawler automatic mower obstacle detection based on lidar information [J]. Journal of Chinese Agricultural Mechanization, 2019, 40(5): 145-149.

    [7]蔡懷宇, 陳延真, 卓勵(lì)然, 等. 基于優(yōu)化DBSCAN算法的激光雷達(dá)障礙物檢測(cè)[J]. 光電工程, ?2019, 46(7): ?83-90.

    Cai Huaiyu, Chen Yanzhen, Zhuo Liran, et al. LiDAR object detection based on optimized DBSCAN algorithm [J]. OptoElectronic Engineering, 2019, 46(7): ?83-90.

    [8]張文宇, 治瑜, 秦樂(lè). 基于改進(jìn)天牛群優(yōu)化的DBSCAN聚類(lèi)算法[J]. 統(tǒng)計(jì)與決策, 2022, 38(10): 20-25.

    Zhang Wenyu, Zhi Yu, Qin Yue. DBSCAN clustering algorithm based on improved beetle swarm optimization [J]. Statistics & Decision, 2022, 38(10): 20-25.

    [9]牛國(guó)臣, 王月陽(yáng), 田一博. 一種改進(jìn)密度聚類(lèi)的激光雷達(dá)障礙物檢測(cè)方法[J].北京航空航天大學(xué)學(xué)報(bào), 2023, 49(10): 2608-2616.

    Niu Guochen, Wang Yueyang, Tian Yibo. Lidar obstacle detection based on improved density clustering [J]. Journal of Beijing University of Aeronautics and Astronautics, 2023, 49(10): 2608-2616.

    [10]范晶晶, 王力, 褚文博, 等. 基于KDTree樹(shù)和歐式聚類(lèi)的越野環(huán)境下行人識(shí)別的研究[J]. 汽車(chē)工程, 2019, 41(12): 1410-1415.

    Fan Jingjing, Wang Li, Chu Wenbo, et al. Research on pedestrian recognition in crosscountry environment based on KDTree and euclidean clustering [J]. Automotive Engineering, 2019, 41(12): 1410-1415.

    [11]孔德明, 段呈新, 巴特·古森斯, 等. 基于車(chē)載16線激光雷達(dá)的障礙物檢測(cè)方法[J]. 計(jì)量學(xué)報(bào), 2021, 42(7): 846-852.

    Kong Deming, Duan Chengxin, Bart Gusson, et al. Obstacle detection method based on vehicle 16line Lidar [J]. Acta Metrologica Sinica, 2021, 42(7): 846-852.

    [12]伍錫如, 薛其威. 基于激光雷達(dá)的無(wú)人駕駛系統(tǒng)三維車(chē)輛檢測(cè)[J]. 光學(xué)精密工程, 2022, 30(4): 489-497.

    Wu Xiru, Xue Qiwei. 3D vehicle detection for unmanned driving system based on lidar [J]. Optics and Precision Engineering, 2022, 30(4): 489-497.

    [13]尚業(yè)華, 張光強(qiáng), 孟志軍, 等. 基于歐氏聚類(lèi)的三維激光點(diǎn)云田間障礙物檢測(cè)方法[J]. 農(nóng)業(yè)機(jī)械學(xué)報(bào), 2022, 53(1): 23-32.

    Shang Yehua, Zhang Guangqiang, Meng Zhijun, et al. Field obstacle detection method of 3D Lidar point cloud based on euclidean clustering [J]. Transactions of the Chinese Society for Agricultural Machinery, 2022, 53(1): 23-32.

    [14]Yan Z, Duckett T, Bellotto N. Online learning for 3D LiDARbased human detection: Experimental analysis of point cloud clustering and classification methods [J]. Autonomous Robots, 2020, 44: 147-164.

    [15]劉亮. 基于激光雷達(dá)的結(jié)構(gòu)化道路環(huán)境感知及避障路徑規(guī)劃方法研究[D]. 西安: 長(zhǎng)安大學(xué), 2021.

    Liu Liang. Research on environmental awareness and path planning of structured road based on Lidar [D]. Xian: Changan University, 2021.

    [16]劉浩然, 范偉偉, 徐永勝, 等. 基于無(wú)人機(jī)激光雷達(dá)點(diǎn)云數(shù)據(jù)的單木分割研究[J]. 中南林業(yè)科技大學(xué)學(xué)報(bào), 2022, 42(1): 45-53.

    Liu Haoran, Fan Weiwei, Xu Yongsheng, et al. Research on single tree segmentation based on UAV LiDAR point cloud data [J]. Journal of Central South University of Forestry & Technology, 2022, 42(1): 45-53.

    [17]趙星陽(yáng). 基于車(chē)載激光雷達(dá)的路面分割與障礙物檢測(cè)關(guān)鍵技術(shù)研究[D]. 合肥: 合肥工業(yè)大學(xué), 2021.

    Zhao Xingyang. Research on road segmentation and obstacle detection of autonomous vehicle based on Lidar [D].Hefei: Hefei University of Technology, 2021.

    [18]Tian Y, Song W, Chen L, et al. A fast spatial clustering method for sparse LiDAR point clouds using GPU programming [J]. Sensors, 2020, 20(8): 2309.

    [19]Mohd Romlay M R, Mohd Ibrahim A, Toha S F, et al. Novel CECBCE feature extraction method for object classification using a lowdensity LiDAR point cloud [J]. PloS one, 2021, 16(8): e0256665.

    [20]Nguyen H T, Lee E H, Bae C H, et al. Multiple object detection based on clustering and deep learning methods [J]. Sensors, 2020, 20(16): 4424.

    [21]Gamal A, Wibisono A, Wicaksono S B, et al. Automatic LiDAR building segmentation based on DGCNN and euclidean clustering [J]. Journal of Big Data, 2020, 7(1): 1-18.

    [22]Gao F, Li C, Zhang B. A dynamic clustering algorithm for LiDAR obstacle detection of autonomous driving system [J]. IEEE Sensors Journal, 2021, 21(22): 25922-25930.

    [23]張博聞. 面向開(kāi)放場(chǎng)景的自動(dòng)駕駛激光雷達(dá)目標(biāo)檢測(cè)技術(shù)研究[D]. 重慶: 重慶大學(xué), 2020.

    Zhang Bowen. Research on automatic lidar target detection technology for open scene [D]. Chongqing: Chongqing University, 2020.

    猜你喜歡
    激光雷達(dá)
    手持激光雷達(dá)應(yīng)用解決方案
    高速公路激光雷達(dá)超限檢測(cè)系統(tǒng)
    法雷奧第二代SCALA?激光雷達(dá)
    基于HITRAN數(shù)據(jù)庫(kù)的大氣激光雷達(dá)信號(hào)仿真
    2019年基于激光雷達(dá)對(duì)甘肅省沙塵天氣分析
    甘肅科技(2020年21期)2020-04-13 00:33:38
    基于激光雷達(dá)通信的地面特征識(shí)別技術(shù)
    基于激光雷達(dá)的巡檢機(jī)器人導(dǎo)航系統(tǒng)研究
    基于激光雷達(dá)的多旋翼無(wú)人機(jī)室內(nèi)定位與避障研究
    電子制作(2018年16期)2018-09-26 03:27:00
    一種基于激光雷達(dá)技術(shù)的隧道火災(zāi)探測(cè)方法
    基于信息向量機(jī)的機(jī)載激光雷達(dá)點(diǎn)云數(shù)據(jù)分類(lèi)
    欧美三级亚洲精品| 久久人人精品亚洲av| 中文亚洲av片在线观看爽| 丰满人妻熟妇乱又伦精品不卡| 欧美乱妇无乱码| 午夜免费激情av| 97超级碰碰碰精品色视频在线观看| 欧美大码av| 女人爽到高潮嗷嗷叫在线视频| 国产99白浆流出| 在线视频色国产色| 91成年电影在线观看| a在线观看视频网站| 亚洲第一欧美日韩一区二区三区| netflix在线观看网站| 亚洲 欧美 日韩 在线 免费| 国产高清激情床上av| 一个人免费在线观看的高清视频| 亚洲人成电影免费在线| 亚洲人成网站高清观看| 国产精品98久久久久久宅男小说| 男女午夜视频在线观看| 天天添夜夜摸| 草草在线视频免费看| 亚洲 国产 在线| 校园春色视频在线观看| e午夜精品久久久久久久| 婷婷丁香在线五月| 亚洲第一电影网av| www.熟女人妻精品国产| 欧美大码av| 久久久久久久久免费视频了| 亚洲中文日韩欧美视频| netflix在线观看网站| 欧美乱色亚洲激情| 好看av亚洲va欧美ⅴa在| 99热这里只有是精品50| 色综合欧美亚洲国产小说| 婷婷丁香在线五月| 91大片在线观看| 脱女人内裤的视频| 亚洲精品av麻豆狂野| 人妻丰满熟妇av一区二区三区| 亚洲av成人精品一区久久| 精品第一国产精品| 国产激情欧美一区二区| 日日爽夜夜爽网站| 午夜日韩欧美国产| 99国产精品一区二区三区| av福利片在线观看| 少妇被粗大的猛进出69影院| 日本精品一区二区三区蜜桃| 一级片免费观看大全| 三级毛片av免费| 黑人欧美特级aaaaaa片| 欧美一级a爱片免费观看看 | 美女黄网站色视频| 国产亚洲精品久久久久5区| 免费在线观看黄色视频的| 中文在线观看免费www的网站 | 99久久无色码亚洲精品果冻| 精品日产1卡2卡| 好看av亚洲va欧美ⅴa在| 久久欧美精品欧美久久欧美| 91成年电影在线观看| 后天国语完整版免费观看| 伦理电影免费视频| 亚洲中文字幕日韩| 88av欧美| 欧美色视频一区免费| 欧美高清成人免费视频www| 国产一区二区三区视频了| 久久99热这里只有精品18| 男女之事视频高清在线观看| 亚洲avbb在线观看| 国产精品乱码一区二三区的特点| 午夜福利欧美成人| 亚洲精品久久国产高清桃花| √禁漫天堂资源中文www| 日韩欧美在线二视频| 黄色女人牲交| av中文乱码字幕在线| 色在线成人网| 美女免费视频网站| 十八禁网站免费在线| 欧美日韩亚洲综合一区二区三区_| 免费看十八禁软件| 欧美乱妇无乱码| 禁无遮挡网站| 午夜老司机福利片| 老司机午夜福利在线观看视频| 又爽又黄无遮挡网站| 精品无人区乱码1区二区| x7x7x7水蜜桃| 免费在线观看成人毛片| 国产亚洲av嫩草精品影院| 一级片免费观看大全| 男人的好看免费观看在线视频 | 久久 成人 亚洲| 好看av亚洲va欧美ⅴa在| 国产精品国产高清国产av| 亚洲一区二区三区色噜噜| 18禁观看日本| 无遮挡黄片免费观看| 欧美黑人精品巨大| 99精品欧美一区二区三区四区| 天堂动漫精品| 悠悠久久av| 91麻豆av在线| 国产精品久久久久久人妻精品电影| 美女大奶头视频| 欧美乱码精品一区二区三区| 久久久久性生活片| 欧美黑人巨大hd| 麻豆国产97在线/欧美 | 久久久精品国产亚洲av高清涩受| 少妇的丰满在线观看| 久久精品国产亚洲av高清一级| 日韩精品免费视频一区二区三区| 国产亚洲精品一区二区www| 精品无人区乱码1区二区| 国产精品av久久久久免费| 欧美av亚洲av综合av国产av| 日韩欧美精品v在线| 成人av一区二区三区在线看| 我的老师免费观看完整版| 午夜福利在线在线| 国产高清激情床上av| xxxwww97欧美| 亚洲人与动物交配视频| 日韩 欧美 亚洲 中文字幕| 免费在线观看完整版高清| 天天添夜夜摸| 亚洲aⅴ乱码一区二区在线播放 | 无限看片的www在线观看| 亚洲成人精品中文字幕电影| 亚洲黑人精品在线| 最近最新中文字幕大全电影3| 国产亚洲av高清不卡| 亚洲激情在线av| 亚洲性夜色夜夜综合| 我要搜黄色片| av在线天堂中文字幕| 久久精品国产亚洲av高清一级| 亚洲av熟女| 亚洲七黄色美女视频| 制服丝袜大香蕉在线| 日韩大码丰满熟妇| 亚洲第一欧美日韩一区二区三区| 黑人欧美特级aaaaaa片| 香蕉久久夜色| 老汉色∧v一级毛片| 人人妻人人澡欧美一区二区| 国产又色又爽无遮挡免费看| 亚洲熟妇中文字幕五十中出| 午夜亚洲福利在线播放| 午夜福利视频1000在线观看| 久久久久国产一级毛片高清牌| 中文字幕久久专区| 欧美激情久久久久久爽电影| 中文字幕人成人乱码亚洲影| 国产午夜精品久久久久久| АⅤ资源中文在线天堂| 久久中文字幕一级| 一边摸一边抽搐一进一小说| 99热6这里只有精品| 人妻久久中文字幕网| 正在播放国产对白刺激| 90打野战视频偷拍视频| 国产高清视频在线观看网站| 18禁美女被吸乳视频| 国产欧美日韩一区二区精品| 精品久久蜜臀av无| 一级毛片女人18水好多| 可以在线观看毛片的网站| 日本在线视频免费播放| 狂野欧美激情性xxxx| 99久久国产精品久久久| 国产亚洲av嫩草精品影院| 成人午夜高清在线视频| 日韩欧美免费精品| 在线永久观看黄色视频| 无遮挡黄片免费观看| 亚洲熟女毛片儿| 国产精品电影一区二区三区| 久久久久久亚洲精品国产蜜桃av| 18禁裸乳无遮挡免费网站照片| videosex国产| 亚洲18禁久久av| 久久精品国产亚洲av香蕉五月| 午夜福利在线在线| 97碰自拍视频| 精品国产美女av久久久久小说| 国内毛片毛片毛片毛片毛片| 日本一二三区视频观看| 国产v大片淫在线免费观看| 天堂av国产一区二区熟女人妻 | 久久久国产精品麻豆| 国产v大片淫在线免费观看| 黑人巨大精品欧美一区二区mp4| 女生性感内裤真人,穿戴方法视频| 亚洲成a人片在线一区二区| 国产乱人伦免费视频| 黄色视频不卡| svipshipincom国产片| 亚洲一区二区三区色噜噜| 亚洲狠狠婷婷综合久久图片| 国产在线精品亚洲第一网站| 亚洲国产看品久久| 亚洲成av人片免费观看| 国产精品国产高清国产av| 宅男免费午夜| 成年免费大片在线观看| 久久久久久免费高清国产稀缺| 色综合站精品国产| 精品久久久久久久久久久久久| 久久精品人妻少妇| 日韩av在线大香蕉| 日日夜夜操网爽| 成人三级黄色视频| 女生性感内裤真人,穿戴方法视频| 免费在线观看亚洲国产| 变态另类成人亚洲欧美熟女| 91成年电影在线观看| 蜜桃久久精品国产亚洲av| 久久久久久人人人人人| 亚洲欧美一区二区三区黑人| 国产精品野战在线观看| 少妇被粗大的猛进出69影院| 国产单亲对白刺激| ponron亚洲| 亚洲欧美一区二区三区黑人| 国产成人精品久久二区二区免费| 亚洲精品色激情综合| av片东京热男人的天堂| 国产精品一及| 成人国语在线视频| 动漫黄色视频在线观看| 国内毛片毛片毛片毛片毛片| 久久午夜综合久久蜜桃| 欧美日本亚洲视频在线播放| 后天国语完整版免费观看| 国产高清激情床上av| 熟女电影av网| 欧美性猛交╳xxx乱大交人| svipshipincom国产片| 一进一出抽搐gif免费好疼| 亚洲精品中文字幕一二三四区| xxx96com| avwww免费| 后天国语完整版免费观看| 欧美日本视频| 亚洲av成人av| 国产精品 欧美亚洲| 亚洲 国产 在线| 啪啪无遮挡十八禁网站| 亚洲国产欧美网| 在线观看一区二区三区| 午夜激情福利司机影院| 又紧又爽又黄一区二区| 亚洲av第一区精品v没综合| 精品国产乱子伦一区二区三区| av天堂在线播放| 亚洲国产欧美一区二区综合| 在线观看舔阴道视频| 香蕉av资源在线| 国产69精品久久久久777片 | 人人妻人人澡欧美一区二区| 一本一本综合久久| 国产成+人综合+亚洲专区| 免费电影在线观看免费观看| 非洲黑人性xxxx精品又粗又长| 精品不卡国产一区二区三区| 成人午夜高清在线视频| 国产伦一二天堂av在线观看| 久久精品综合一区二区三区| 一本精品99久久精品77| 男人舔女人下体高潮全视频| 国产69精品久久久久777片 | 日韩三级视频一区二区三区| 99热这里只有精品一区 | 色在线成人网| 女警被强在线播放| 国产视频一区二区在线看| 丝袜美腿诱惑在线| 国产精品野战在线观看| 午夜免费观看网址| 成人国语在线视频| 国产爱豆传媒在线观看 | 老汉色∧v一级毛片| 狠狠狠狠99中文字幕| 成人一区二区视频在线观看| 免费av毛片视频| 免费看日本二区| 大型黄色视频在线免费观看| 国产欧美日韩一区二区精品| 一区二区三区激情视频| 色播亚洲综合网| 亚洲中文日韩欧美视频| 亚洲熟妇中文字幕五十中出| 成人18禁高潮啪啪吃奶动态图| 精华霜和精华液先用哪个| 三级毛片av免费| 在线观看www视频免费| 亚洲黑人精品在线| 日韩国内少妇激情av| 色综合站精品国产| 99精品在免费线老司机午夜| 99热只有精品国产| 最新美女视频免费是黄的| 日韩 欧美 亚洲 中文字幕| 精品无人区乱码1区二区| 国产一区二区三区视频了| 国产精品久久久久久人妻精品电影| 精品高清国产在线一区| 久久久水蜜桃国产精品网| 成人亚洲精品av一区二区| 亚洲真实伦在线观看| 在线观看日韩欧美| 在线观看www视频免费| 欧美黑人巨大hd| 国产熟女xx| 五月玫瑰六月丁香| 久久午夜综合久久蜜桃| 男女做爰动态图高潮gif福利片| 两人在一起打扑克的视频| 老司机靠b影院| 18美女黄网站色大片免费观看| 成人永久免费在线观看视频| 99在线人妻在线中文字幕| 伦理电影免费视频| 久久这里只有精品中国| 老司机福利观看| 99国产极品粉嫩在线观看| 午夜精品在线福利| 亚洲 欧美 日韩 在线 免费| 国产精品久久视频播放| 精品福利观看| 我要搜黄色片| 成人精品一区二区免费| 五月玫瑰六月丁香| 国产在线精品亚洲第一网站| 亚洲成人国产一区在线观看| 国产人伦9x9x在线观看| 久久精品aⅴ一区二区三区四区| 免费在线观看成人毛片| 91字幕亚洲| 久久香蕉激情| 欧美日韩黄片免| a在线观看视频网站| 亚洲色图av天堂| 狠狠狠狠99中文字幕| 亚洲一区二区三区不卡视频| 久久中文字幕一级| 亚洲av成人一区二区三| 国产精品精品国产色婷婷| 看片在线看免费视频| 久久精品影院6| 久久久久久久久免费视频了| 国产精品久久久久久精品电影| 美女扒开内裤让男人捅视频| 日本 av在线| 成熟少妇高潮喷水视频| 久久精品夜夜夜夜夜久久蜜豆 | 久久久久久人人人人人| 给我免费播放毛片高清在线观看| 精品少妇一区二区三区视频日本电影| 这个男人来自地球电影免费观看| 精品不卡国产一区二区三区| 黄片大片在线免费观看| 亚洲人成网站在线播放欧美日韩| 18美女黄网站色大片免费观看| 精品福利观看| 免费人成视频x8x8入口观看| 亚洲国产精品合色在线| 夜夜爽天天搞| 精品不卡国产一区二区三区| 一本久久中文字幕| 亚洲精品中文字幕在线视频| 欧美人与性动交α欧美精品济南到| 亚洲精品在线美女| 久久久国产成人免费| 国产av不卡久久| 50天的宝宝边吃奶边哭怎么回事| 国产av不卡久久| 啦啦啦观看免费观看视频高清| 丰满人妻一区二区三区视频av | 国产精品 国内视频| 婷婷亚洲欧美| 亚洲aⅴ乱码一区二区在线播放 | 在线观看免费日韩欧美大片| 亚洲熟女毛片儿| 一本久久中文字幕| 亚洲成人免费电影在线观看| 香蕉国产在线看| 不卡一级毛片| 香蕉国产在线看| 身体一侧抽搐| 日韩有码中文字幕| 波多野结衣高清无吗| 中文字幕精品亚洲无线码一区| 又粗又爽又猛毛片免费看| 女警被强在线播放| 此物有八面人人有两片| 中文字幕精品亚洲无线码一区| 国产三级中文精品| 很黄的视频免费| 最好的美女福利视频网| 精品欧美一区二区三区在线| 五月伊人婷婷丁香| 在线播放国产精品三级| 国产精品免费一区二区三区在线| 人妻丰满熟妇av一区二区三区| 老汉色av国产亚洲站长工具| 日日夜夜操网爽| 久久久久久国产a免费观看| 一区二区三区国产精品乱码| 欧美日韩亚洲综合一区二区三区_| 亚洲专区字幕在线| 大型av网站在线播放| 欧美日韩精品网址| 日韩大码丰满熟妇| 麻豆久久精品国产亚洲av| 午夜精品久久久久久毛片777| 日本黄大片高清| 亚洲一卡2卡3卡4卡5卡精品中文| 亚洲全国av大片| 亚洲人成伊人成综合网2020| 国产成人系列免费观看| 国产久久久一区二区三区| 色综合亚洲欧美另类图片| 久久人妻av系列| 日本精品一区二区三区蜜桃| 国产精品野战在线观看| 宅男免费午夜| 又大又爽又粗| 国产一级毛片七仙女欲春2| 1024手机看黄色片| 一区二区三区高清视频在线| 可以在线观看的亚洲视频| 日韩精品青青久久久久久| e午夜精品久久久久久久| 欧美日本亚洲视频在线播放| 亚洲avbb在线观看| 草草在线视频免费看| 久久人妻av系列| 亚洲精品美女久久av网站| 男男h啪啪无遮挡| 亚洲熟妇中文字幕五十中出| 午夜日韩欧美国产| 最近最新中文字幕大全免费视频| 免费在线观看视频国产中文字幕亚洲| 一个人观看的视频www高清免费观看 | 免费看十八禁软件| 亚洲欧美日韩无卡精品| x7x7x7水蜜桃| 18禁黄网站禁片免费观看直播| 成年女人毛片免费观看观看9| 日本 av在线| 久久午夜综合久久蜜桃| 免费高清视频大片| 91九色精品人成在线观看| 搡老妇女老女人老熟妇| 日日爽夜夜爽网站| 亚洲人成77777在线视频| 一本综合久久免费| 欧美黑人欧美精品刺激| 国产激情欧美一区二区| 欧美性猛交╳xxx乱大交人| 一本大道久久a久久精品| 午夜亚洲福利在线播放| 欧美日韩精品网址| 青草久久国产| 999久久久精品免费观看国产| 欧美乱妇无乱码| 成人国产综合亚洲| 国产精品 国内视频| 成人永久免费在线观看视频| 色精品久久人妻99蜜桃| 人妻夜夜爽99麻豆av| 亚洲欧美激情综合另类| 色噜噜av男人的天堂激情| 91大片在线观看| 老汉色av国产亚洲站长工具| 搡老熟女国产l中国老女人| 色播亚洲综合网| 9191精品国产免费久久| 免费搜索国产男女视频| 亚洲国产高清在线一区二区三| 国模一区二区三区四区视频 | av欧美777| 99精品久久久久人妻精品| 午夜影院日韩av| 日本三级黄在线观看| 亚洲熟妇中文字幕五十中出| 午夜日韩欧美国产| 人成视频在线观看免费观看| 动漫黄色视频在线观看| 禁无遮挡网站| 午夜福利在线在线| √禁漫天堂资源中文www| 国产主播在线观看一区二区| 精品国内亚洲2022精品成人| 国产亚洲精品久久久久5区| 一级黄色大片毛片| 黄色片一级片一级黄色片| 日韩 欧美 亚洲 中文字幕| 九色国产91popny在线| 一进一出好大好爽视频| 真人做人爱边吃奶动态| 男女之事视频高清在线观看| 欧美成人午夜精品| 很黄的视频免费| 亚洲美女视频黄频| 日日夜夜操网爽| 日本a在线网址| 婷婷亚洲欧美| 亚洲精品中文字幕一二三四区| 窝窝影院91人妻| 亚洲精品美女久久av网站| 午夜久久久久精精品| 97碰自拍视频| 麻豆国产av国片精品| 婷婷丁香在线五月| 三级国产精品欧美在线观看 | 欧美黑人欧美精品刺激| 中文字幕最新亚洲高清| 亚洲成人中文字幕在线播放| 久久久国产成人免费| 亚洲午夜精品一区,二区,三区| 岛国在线免费视频观看| 一本大道久久a久久精品| 97人妻精品一区二区三区麻豆| 欧美色欧美亚洲另类二区| 天天躁夜夜躁狠狠躁躁| a在线观看视频网站| 中文亚洲av片在线观看爽| 一本久久中文字幕| 亚洲国产高清在线一区二区三| 成人手机av| 日本黄大片高清| 国产av又大| 日本免费一区二区三区高清不卡| 午夜老司机福利片| 久久婷婷人人爽人人干人人爱| 国产精品野战在线观看| 日本 欧美在线| 国产亚洲av高清不卡| 亚洲欧美激情综合另类| 国产91精品成人一区二区三区| 久久精品国产综合久久久| or卡值多少钱| 在线观看免费视频日本深夜| 国产成人一区二区三区免费视频网站| 国产成人系列免费观看| 日韩大尺度精品在线看网址| 两个人视频免费观看高清| 一级黄色大片毛片| av片东京热男人的天堂| 精品乱码久久久久久99久播| 精品欧美一区二区三区在线| 深夜精品福利| 99国产精品一区二区三区| 国产欧美日韩一区二区精品| 久久精品91蜜桃| 亚洲欧美激情综合另类| 午夜福利18| 黄色a级毛片大全视频| 日本a在线网址| 又黄又粗又硬又大视频| 国产av又大| 一a级毛片在线观看| 天堂av国产一区二区熟女人妻 | 婷婷丁香在线五月| 变态另类丝袜制服| 亚洲午夜理论影院| 日韩大码丰满熟妇| 日韩欧美精品v在线| 精品国产乱子伦一区二区三区| 露出奶头的视频| 熟女电影av网| 免费看日本二区| 国产精品香港三级国产av潘金莲| 看片在线看免费视频| 中国美女看黄片| 久久久国产欧美日韩av| 人妻丰满熟妇av一区二区三区| 亚洲精品色激情综合| 亚洲自偷自拍图片 自拍| 99国产精品一区二区蜜桃av| 伊人久久大香线蕉亚洲五| 国产人伦9x9x在线观看| 极品教师在线免费播放| 岛国在线观看网站| 99久久国产精品久久久| 国产私拍福利视频在线观看| 丰满人妻熟妇乱又伦精品不卡| 黄色视频,在线免费观看| 国产午夜福利久久久久久| 黄色片一级片一级黄色片| 美女午夜性视频免费| 中文字幕高清在线视频| 1024视频免费在线观看| 欧美三级亚洲精品| 99久久综合精品五月天人人| 床上黄色一级片| 黑人操中国人逼视频| 欧美成狂野欧美在线观看| 一a级毛片在线观看| 国产精品久久电影中文字幕| 国产蜜桃级精品一区二区三区| 韩国av一区二区三区四区| 精品欧美国产一区二区三| 搡老岳熟女国产| 一级毛片高清免费大全|