• <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)
    久久天躁狠狠躁夜夜2o2o| 在线国产一区二区在线| 欧美最新免费一区二区三区 | 欧美bdsm另类| 午夜亚洲福利在线播放| 97超级碰碰碰精品色视频在线观看| 免费在线观看日本一区| 每晚都被弄得嗷嗷叫到高潮| 国产精品一及| 毛片女人毛片| 国产在视频线在精品| 又黄又爽又免费观看的视频| 亚洲真实伦在线观看| 麻豆国产97在线/欧美| 亚洲五月婷婷丁香| 淫妇啪啪啪对白视频| av天堂中文字幕网| 国产91精品成人一区二区三区| 丝袜美腿在线中文| 色av中文字幕| 手机成人av网站| 少妇人妻一区二区三区视频| 亚洲性夜色夜夜综合| 国产成人aa在线观看| 国产精品一区二区免费欧美| 色哟哟哟哟哟哟| 91麻豆精品激情在线观看国产| 91久久精品国产一区二区成人 | 欧美一区二区精品小视频在线| 亚洲av免费在线观看| 十八禁人妻一区二区| 亚洲第一电影网av| 欧美三级亚洲精品| 国产91精品成人一区二区三区| 一区二区三区免费毛片| 欧美大码av| 在线观看66精品国产| avwww免费| 岛国在线免费视频观看| 国产av一区在线观看免费| 免费无遮挡裸体视频| 色在线成人网| 欧美zozozo另类| 又爽又黄无遮挡网站| 久久久久免费精品人妻一区二区| 久久国产乱子伦精品免费另类| 极品教师在线免费播放| 精品日产1卡2卡| 国产免费男女视频| 一级a爱片免费观看的视频| 一夜夜www| 久久草成人影院| 亚洲无线观看免费| 免费在线观看影片大全网站| a级毛片a级免费在线| 国产麻豆成人av免费视频| 法律面前人人平等表现在哪些方面| 淫妇啪啪啪对白视频| 国语自产精品视频在线第100页| 国产视频一区二区在线看| 成人三级黄色视频| 老鸭窝网址在线观看| 亚洲久久久久久中文字幕| 国内精品一区二区在线观看| 国产精品久久久久久精品电影| 老鸭窝网址在线观看| 亚洲不卡免费看| 欧美不卡视频在线免费观看| 色吧在线观看| 欧美日韩福利视频一区二区| 搡老熟女国产l中国老女人| 国产男靠女视频免费网站| 中文字幕熟女人妻在线| 特大巨黑吊av在线直播| 欧美不卡视频在线免费观看| 在线免费观看的www视频| 给我免费播放毛片高清在线观看| 天堂av国产一区二区熟女人妻| 色哟哟哟哟哟哟| 少妇的逼好多水| 成人av在线播放网站| 丁香六月欧美| 97碰自拍视频| 俄罗斯特黄特色一大片| 日韩欧美在线二视频| 亚洲精品一卡2卡三卡4卡5卡| 国内揄拍国产精品人妻在线| 国产亚洲av嫩草精品影院| 亚洲人成网站高清观看| 国产av在哪里看| 亚洲av一区综合| 久久精品国产99精品国产亚洲性色| 国产精品99久久久久久久久| 亚洲美女视频黄频| 俺也久久电影网| 欧美一级a爱片免费观看看| av在线蜜桃| 变态另类丝袜制服| 99久久精品国产亚洲精品| 中文资源天堂在线| 黄色女人牲交| 国产真实乱freesex| 少妇的逼水好多| 99国产极品粉嫩在线观看| 黄色视频,在线免费观看| 欧美黄色淫秽网站| 女同久久另类99精品国产91| 国产一区二区激情短视频| 无人区码免费观看不卡| 国产乱人伦免费视频| 国产欧美日韩一区二区三| 久久久久九九精品影院| 9191精品国产免费久久| 丰满的人妻完整版| 成年人黄色毛片网站| 99精品在免费线老司机午夜| 91av网一区二区| 91久久精品国产一区二区成人 | av国产免费在线观看| 91久久精品国产一区二区成人 | 3wmmmm亚洲av在线观看| 欧美成狂野欧美在线观看| 免费一级毛片在线播放高清视频| 美女免费视频网站| 亚洲精华国产精华精| 天堂影院成人在线观看| 国产精品综合久久久久久久免费| 乱人视频在线观看| 色尼玛亚洲综合影院| 欧美三级亚洲精品| 亚洲av日韩精品久久久久久密| 桃色一区二区三区在线观看| 日本成人三级电影网站| 亚洲熟妇熟女久久| 老司机午夜十八禁免费视频| 欧美最新免费一区二区三区 | 欧美一区二区亚洲| 欧美大码av| 国产精品综合久久久久久久免费| 极品教师在线免费播放| 国产色爽女视频免费观看| 老熟妇仑乱视频hdxx| 欧美性感艳星| 男女那种视频在线观看| 无遮挡黄片免费观看| 天天躁日日操中文字幕| a级一级毛片免费在线观看| 精品人妻偷拍中文字幕| 免费人成视频x8x8入口观看| 国产精品一区二区免费欧美| 成人三级黄色视频| av女优亚洲男人天堂| 9191精品国产免费久久| 黄片小视频在线播放| 亚洲成人久久爱视频| 久久精品亚洲精品国产色婷小说| 97超视频在线观看视频| 久久精品国产99精品国产亚洲性色| 亚洲专区国产一区二区| 国产一区二区三区在线臀色熟女| 制服人妻中文乱码| 久久国产乱子伦精品免费另类| 中亚洲国语对白在线视频| 高潮久久久久久久久久久不卡| 国产三级中文精品| 成人无遮挡网站| 中文字幕久久专区| avwww免费| 欧美色视频一区免费| 91在线观看av| 在线免费观看的www视频| 精品无人区乱码1区二区| 国内精品一区二区在线观看| 久久久久久国产a免费观看| 特大巨黑吊av在线直播| 老熟妇仑乱视频hdxx| 51午夜福利影视在线观看| 国产综合懂色| 亚洲成人精品中文字幕电影| 99在线视频只有这里精品首页| 无限看片的www在线观看| 久久精品国产清高在天天线| 欧美丝袜亚洲另类 | 亚洲无线观看免费| 国产高清视频在线观看网站| 中出人妻视频一区二区| 久久久久久九九精品二区国产| 性色av乱码一区二区三区2| 观看免费一级毛片| 亚洲国产精品sss在线观看| 嫁个100分男人电影在线观看| www.熟女人妻精品国产| 亚洲中文字幕一区二区三区有码在线看| 嫩草影院精品99| 国产成人啪精品午夜网站| 三级国产精品欧美在线观看| 成人午夜高清在线视频| 真人做人爱边吃奶动态| 久久久久久久久大av| bbb黄色大片| 国产毛片a区久久久久| 88av欧美| 亚洲人成网站在线播| 色哟哟哟哟哟哟| 天美传媒精品一区二区| 丁香六月欧美| 在线免费观看的www视频| 夜夜夜夜夜久久久久| 变态另类成人亚洲欧美熟女| 国内毛片毛片毛片毛片毛片| 国内精品久久久久精免费| 亚洲美女黄片视频| 一级作爱视频免费观看| 变态另类成人亚洲欧美熟女| 中文字幕熟女人妻在线| 欧美最黄视频在线播放免费| 黄色女人牲交| 亚洲欧美精品综合久久99| 悠悠久久av| 久久久久久久精品吃奶| 国产亚洲精品综合一区在线观看| 国产高清视频在线观看网站| 色综合欧美亚洲国产小说| 一区二区三区高清视频在线| 免费看十八禁软件| 国产免费男女视频| 国产精品爽爽va在线观看网站| 黄色丝袜av网址大全| 婷婷精品国产亚洲av在线| 一边摸一边抽搐一进一小说| 99国产精品一区二区三区| 十八禁网站免费在线| 欧美另类亚洲清纯唯美| av中文乱码字幕在线| 国产成人影院久久av| 欧美+日韩+精品| 丰满人妻一区二区三区视频av | 久久精品人妻少妇| 黄片大片在线免费观看| 成人国产综合亚洲| 极品教师在线免费播放| 国产激情偷乱视频一区二区| 国产精品久久久人人做人人爽| av片东京热男人的天堂| 91久久精品电影网| 高清毛片免费观看视频网站| 老熟妇乱子伦视频在线观看| 性色av乱码一区二区三区2| 国产激情欧美一区二区| 宅男免费午夜| svipshipincom国产片| 久久欧美精品欧美久久欧美| 男人和女人高潮做爰伦理| 亚洲最大成人中文| 我要搜黄色片| 小蜜桃在线观看免费完整版高清| 亚洲18禁久久av| 国产v大片淫在线免费观看| 午夜福利高清视频| 青草久久国产| av福利片在线观看| 两个人视频免费观看高清| 免费一级毛片在线播放高清视频| 黄色女人牲交| 99在线视频只有这里精品首页| 国产成人啪精品午夜网站| 午夜免费激情av| 欧美中文综合在线视频| 亚洲国产日韩欧美精品在线观看 | 精品一区二区三区视频在线 | 欧美日韩乱码在线| 亚洲国产中文字幕在线视频| 日韩中文字幕欧美一区二区| 琪琪午夜伦伦电影理论片6080| 老司机福利观看| 小说图片视频综合网站| 国产精品久久久久久精品电影| 免费观看的影片在线观看| 亚洲人成网站高清观看| 三级国产精品欧美在线观看| 欧美性猛交╳xxx乱大交人| 校园春色视频在线观看| 夜夜看夜夜爽夜夜摸| 久久久久久久午夜电影| 很黄的视频免费| 免费看光身美女| 国产免费av片在线观看野外av| 国产精华一区二区三区| 最新美女视频免费是黄的| 12—13女人毛片做爰片一| 亚洲av日韩精品久久久久久密| 一卡2卡三卡四卡精品乱码亚洲| 亚洲精品一卡2卡三卡4卡5卡| 久久99热这里只有精品18| 麻豆国产av国片精品| 午夜久久久久精精品| 999久久久精品免费观看国产| 国产私拍福利视频在线观看| 女人十人毛片免费观看3o分钟| 在线播放国产精品三级| av在线蜜桃| 琪琪午夜伦伦电影理论片6080| 97超级碰碰碰精品色视频在线观看| 亚洲成av人片在线播放无| 最新中文字幕久久久久| 免费搜索国产男女视频| 国内久久婷婷六月综合欲色啪| 999久久久精品免费观看国产| 国产一区二区激情短视频| 国产v大片淫在线免费观看| 一级黄色大片毛片| 九色成人免费人妻av| 中出人妻视频一区二区| 黄色日韩在线| 亚洲av成人av| 欧美3d第一页| 国语自产精品视频在线第100页| 深夜精品福利| 久久久国产成人精品二区| 久久久久国产精品人妻aⅴ院| 久久精品国产亚洲av香蕉五月| 日韩有码中文字幕| 757午夜福利合集在线观看| 99热只有精品国产| 18禁黄网站禁片午夜丰满| 国内精品一区二区在线观看| 国产精品一及| 美女高潮的动态| 悠悠久久av| 极品教师在线免费播放| 成人亚洲精品av一区二区| 色老头精品视频在线观看| 日韩欧美一区二区三区在线观看| 午夜福利视频1000在线观看| 国产精品电影一区二区三区| 中文字幕人成人乱码亚洲影| 一级作爱视频免费观看| 两性午夜刺激爽爽歪歪视频在线观看| 国产高清激情床上av| 国产精品嫩草影院av在线观看 | 国产亚洲欧美在线一区二区| 狂野欧美激情性xxxx| 欧美三级亚洲精品| 国产精品一区二区免费欧美| 在线观看av片永久免费下载| 中国美女看黄片| 日韩欧美在线乱码| 免费av毛片视频| 99热6这里只有精品| av福利片在线观看| 欧美黄色片欧美黄色片| 99久久精品国产亚洲精品| h日本视频在线播放| 十八禁网站免费在线| 成年免费大片在线观看| 国产亚洲精品久久久久久毛片| 久久久久久国产a免费观看| 天堂影院成人在线观看| 亚洲真实伦在线观看| 欧美成人一区二区免费高清观看| 香蕉久久夜色| 免费av毛片视频| 热99re8久久精品国产| 国产精品98久久久久久宅男小说| АⅤ资源中文在线天堂| 精品午夜福利视频在线观看一区| 三级国产精品欧美在线观看| 亚洲七黄色美女视频| 欧美最黄视频在线播放免费| 午夜a级毛片| 国模一区二区三区四区视频| 成人精品一区二区免费| 欧美bdsm另类| 精品熟女少妇八av免费久了| h日本视频在线播放| 香蕉丝袜av| 丰满人妻熟妇乱又伦精品不卡| 国产爱豆传媒在线观看| 久久6这里有精品| 少妇的逼水好多| 亚洲18禁久久av| 国内久久婷婷六月综合欲色啪| 亚洲av成人不卡在线观看播放网| 午夜福利在线观看吧| 内射极品少妇av片p| 91麻豆精品激情在线观看国产| 午夜激情福利司机影院| www日本在线高清视频| 成人特级av手机在线观看| 啦啦啦韩国在线观看视频| 3wmmmm亚洲av在线观看| 精品欧美国产一区二区三| 亚洲av中文字字幕乱码综合| 搡女人真爽免费视频火全软件 | 欧美一区二区亚洲| 天堂网av新在线| 成人三级黄色视频| 99精品久久久久人妻精品| 国产精品久久久久久久电影 | 亚洲国产精品合色在线| 黄片小视频在线播放| 亚洲人与动物交配视频| 99视频精品全部免费 在线| 有码 亚洲区| 国产精品永久免费网站| 国产高潮美女av| 亚洲av熟女| 亚洲中文日韩欧美视频| 国产精品久久久久久精品电影| 特大巨黑吊av在线直播| 日本黄大片高清| 嫩草影院精品99| 国产成人a区在线观看| 亚洲成人精品中文字幕电影| 日韩亚洲欧美综合| 99视频精品全部免费 在线| 欧美xxxx黑人xx丫x性爽| 少妇的逼水好多| 国产91精品成人一区二区三区| 一卡2卡三卡四卡精品乱码亚洲| 每晚都被弄得嗷嗷叫到高潮| 久久亚洲真实| 午夜免费男女啪啪视频观看 | 久久久久国内视频| 两性午夜刺激爽爽歪歪视频在线观看| 久久久久久久午夜电影| 亚洲天堂国产精品一区在线| 久久精品夜夜夜夜夜久久蜜豆| 老司机午夜十八禁免费视频| 动漫黄色视频在线观看| 18禁裸乳无遮挡免费网站照片| 在线观看66精品国产| 黄色视频,在线免费观看| 亚洲在线观看片| 搡女人真爽免费视频火全软件 | 久99久视频精品免费| 黄色成人免费大全| 日本a在线网址| 国产欧美日韩精品一区二区| 亚洲av免费在线观看| 男女那种视频在线观看| 亚洲美女视频黄频| 国产日本99.免费观看| 熟女电影av网| 丝袜美腿在线中文| 搞女人的毛片| 超碰av人人做人人爽久久 | 国产乱人视频| 免费看十八禁软件| 国内精品一区二区在线观看| 欧美日韩中文字幕国产精品一区二区三区| 国产精品一区二区免费欧美| 久久欧美精品欧美久久欧美| 禁无遮挡网站| 成年女人看的毛片在线观看| 欧美成人一区二区免费高清观看| 亚洲精品一卡2卡三卡4卡5卡| 色精品久久人妻99蜜桃| 欧美日韩精品网址| 18禁美女被吸乳视频| 特级一级黄色大片| 亚洲狠狠婷婷综合久久图片| 久久久久久久亚洲中文字幕 | 国产一区二区亚洲精品在线观看| 国产色爽女视频免费观看| 久久这里只有精品中国| 99久国产av精品| 国产精品久久久久久亚洲av鲁大| 午夜精品久久久久久毛片777| 欧美日韩综合久久久久久 | 特级一级黄色大片| 亚洲av电影在线进入| 看免费av毛片| 国产欧美日韩精品亚洲av| av黄色大香蕉| 日韩 欧美 亚洲 中文字幕| 亚洲一区高清亚洲精品| 国内少妇人妻偷人精品xxx网站| 男人和女人高潮做爰伦理| 黄色成人免费大全| 午夜福利在线观看吧| 九九在线视频观看精品| 女人十人毛片免费观看3o分钟| 天天一区二区日本电影三级| 亚洲性夜色夜夜综合| 国产熟女xx| 中亚洲国语对白在线视频| 免费在线观看影片大全网站| 国产单亲对白刺激| 欧美区成人在线视频| 亚洲精华国产精华精| 麻豆久久精品国产亚洲av| 夜夜夜夜夜久久久久| 国产免费av片在线观看野外av| 欧美最黄视频在线播放免费| 日本a在线网址| 成人特级黄色片久久久久久久| 女警被强在线播放| avwww免费| 精品国内亚洲2022精品成人| 搡老妇女老女人老熟妇| 久久精品91蜜桃| 午夜激情福利司机影院| 久久这里只有精品中国| 99久久精品一区二区三区| 欧美成人性av电影在线观看| 三级国产精品欧美在线观看| 久久草成人影院| 久久久久久久久久黄片| 搡老熟女国产l中国老女人| 欧美成人一区二区免费高清观看| 国产三级中文精品| 成年免费大片在线观看| 午夜福利18| 日韩亚洲欧美综合| 成人鲁丝片一二三区免费| 又粗又爽又猛毛片免费看| av女优亚洲男人天堂| 三级国产精品欧美在线观看| 日韩亚洲欧美综合| 亚洲中文字幕一区二区三区有码在线看| 精品久久久久久久末码| 国产乱人伦免费视频| 亚洲aⅴ乱码一区二区在线播放| 亚洲中文字幕一区二区三区有码在线看| 日本黄色片子视频| 久久久久久久久久黄片| 老司机深夜福利视频在线观看| 禁无遮挡网站| 精品久久久久久,| 久久久久久久亚洲中文字幕 | 男人的好看免费观看在线视频| 精品人妻1区二区| 天堂影院成人在线观看| 99国产综合亚洲精品| 亚洲中文字幕日韩| 女人被狂操c到高潮| 亚洲精品色激情综合| 亚洲一区二区三区不卡视频| 亚洲成av人片免费观看| 成人三级黄色视频| 人妻丰满熟妇av一区二区三区| 精品免费久久久久久久清纯| 悠悠久久av| 亚洲av电影不卡..在线观看| 久久久久久国产a免费观看| 国产黄片美女视频| 国产成人av教育| avwww免费| 成人精品一区二区免费| 在线观看午夜福利视频| 女人高潮潮喷娇喘18禁视频| 日本一本二区三区精品| а√天堂www在线а√下载| 人妻夜夜爽99麻豆av| 亚洲欧美精品综合久久99| 床上黄色一级片| 国产毛片a区久久久久| 可以在线观看的亚洲视频| 99久久精品热视频| 国产熟女xx| 给我免费播放毛片高清在线观看| 美女免费视频网站| 99久久精品一区二区三区| 亚洲五月天丁香| 日本五十路高清| 久久国产精品人妻蜜桃| 亚洲av第一区精品v没综合| 老熟妇仑乱视频hdxx| 日本在线视频免费播放| 俄罗斯特黄特色一大片| 身体一侧抽搐| 精品久久久久久成人av| 中文字幕熟女人妻在线| 精品国产超薄肉色丝袜足j| 欧美成人免费av一区二区三区| 亚洲国产欧美人成| 欧美日韩瑟瑟在线播放| 欧美乱妇无乱码| 色噜噜av男人的天堂激情| 小蜜桃在线观看免费完整版高清| www.www免费av| 亚洲国产精品sss在线观看| 国产激情欧美一区二区| 久久精品91无色码中文字幕| 亚洲美女黄片视频| 99精品在免费线老司机午夜| 一区二区三区免费毛片| 国产午夜精品久久久久久一区二区三区 | 小说图片视频综合网站| bbb黄色大片| 国产精品,欧美在线| 内射极品少妇av片p| 欧美日韩福利视频一区二区| 他把我摸到了高潮在线观看| 国产真实乱freesex| 99久久精品热视频| 欧美+日韩+精品| 成人性生交大片免费视频hd| h日本视频在线播放| e午夜精品久久久久久久| 亚洲av成人av| 亚洲专区国产一区二区| 少妇的丰满在线观看| 国产黄a三级三级三级人| 波野结衣二区三区在线 | 每晚都被弄得嗷嗷叫到高潮| 色视频www国产| 丰满人妻一区二区三区视频av | 听说在线观看完整版免费高清| 动漫黄色视频在线观看| 国产精品久久电影中文字幕| 亚洲av电影在线进入| av在线蜜桃| 尤物成人国产欧美一区二区三区|