• <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 ?

    多特征融合的人臉表情識別

    2012-01-10 10:15:26李春英湯志康黃春艷顏春萍張仙玉
    肇慶學(xué)院學(xué)報 2012年2期
    關(guān)鍵詞:特征向量直方圖小波

    李春英,湯志康,黃春艷,顏春萍,張仙玉,陳 嵐

    (1.肇慶學(xué)院 計算機學(xué)院,廣東 肇慶 526061;2.廣東技術(shù)師范學(xué)院 計算機學(xué)院,廣東 廣州 510665)

    人臉表情識別就是對面部表情信息進(jìn)行特征提取并加以分析.目前表情識別已成為人機交互、情感計算、機器視覺、圖像處理與模式識別等領(lǐng)域的重要研究課題.表情識別模型研究的重點主要集中在表情特征提取和特征分類2方面.國內(nèi)外學(xué)者在此2方面已做了大量的研究,表情特征提取主要分為整體特征提取[1,2]和局部特征提取[3-5].其中,整體特征提取主要集中在面部的整體變化,并沒有考慮面部肌肉的紋理、皺褶等局部變化所蘊含的信息;局部特征可以充分考慮不同尺度和方向的信息,不過特征向量維數(shù)過大、算法實時性較差.特征分類方法分為基于貝葉斯網(wǎng)絡(luò)的分類方法[6]和基于距離度量的分類方法.前者缺點在于需要屬性之間相互獨立的假設(shè),因此在一定程度上影響了算法的識別率;后者是通過計算樣本之間的距離來實現(xiàn)表情分類,代表算法有近鄰法[4]72-74和SVM算法[7].近鄰法算法的存儲量和計算量都比較大,而SVM算法是二類分類算法,在多類分類和大規(guī)模樣本的運算上,還存在著一定的缺陷.基于以上分析,我們提出了一種表情識別模型:首先,將人臉圖像預(yù)處理后,融合2種人臉表情局部特征描述算子(Gabor小波特征和多元中心化二值模式(MCBP)特征);然后通過主成份分析法(PCA)對各表情子區(qū)域的特征向量進(jìn)行降維處理,避免特征向量維數(shù)過大的缺點,同時構(gòu)建PCA隨機子空間訓(xùn)練分類器,分類器采用文獻(xiàn)[8]中心最近鄰分類器(CNN),通過計算已標(biāo)記點與該類中心的距離來度量樣本特征的表情屬性;最后,利用組合分類器實現(xiàn)對表情特征的精確分類.

    1 表情圖像預(yù)處理

    為了更好的提取局部特征,原始圖像的預(yù)處理是一個重要且必須的過程,目的是統(tǒng)一圖像的灰度值及尺寸,輸出純表情區(qū)域,為表情特征提取奠定基礎(chǔ).預(yù)處理包括圖像的歸一化和表情區(qū)域的分割處理:前者包括圖像的尺度歸一化和灰度歸一化,后者指從圖像中分割出與表情最相關(guān)的區(qū)域.本文預(yù)處理的過程包括如下幾個步驟:1)將人臉表情圖像大小變?yōu)?28×128像素,兩眼之間的距離72像素;2)圖像灰度的歸一化,每像素是256灰度級;3)圖像按照空間位置劃分成64個大小為16×16且互不重疊的網(wǎng)格;4)根據(jù)人臉某些部位的信息對表情識別的貢獻(xiàn)度(如眼睛、嘴部,被賦予較大的權(quán)值,而其他部位的貢獻(xiàn)較小則被賦予較小的權(quán)值)分成13個表情子區(qū)域.表情圖像預(yù)處理的流程如圖1所示,其中表情貢獻(xiàn)度按顏色深淺權(quán)值之比為1:2:4.賦予不同權(quán)值的目的是在最終分類決策的時候采用加權(quán)投票法進(jìn)行融合處理.

    圖1 表情圖像預(yù)處理

    2 表情特征提取

    相比全局特征描述,局部特征本身具有空間性和方向性的選擇,且局部特征主要描述人臉表情的細(xì)節(jié)變化,方便進(jìn)行精確識別.局部特征提取的經(jīng)典方法是Gabor小波法和LBP(Local Binary Pattern)算子法[9].Gabor小波可以提取圖像特定區(qū)域內(nèi)不同尺度和方向空間的小波核函數(shù),像顯微鏡一樣放大灰度的變化,增強一些關(guān)鍵特征(眼睛、鼻子和嘴部).LBP特征可以更快地從原始圖像中提取出來且位于較低維的空間,同時保留了有效的人臉信息;不過LBP算子本質(zhì)上提取的是圖像邊緣、角點等局部變化特征,產(chǎn)生的直方圖維數(shù)過長,影響識別速度,且沒有考慮中心像素點的作用,因此特定情況下會丟失某些局部結(jié)構(gòu)信息.綜合以上因素,筆者采用Gabor小波特征和同時考慮多個尺度、中心化的LBP特征(Multi-scale Centralized Binary Pattern),簡稱MCBP特征.

    2.1 Gabor小波特征

    二維Gabor小波的核函數(shù)定義為一個用高斯包絡(luò)函數(shù)約束的平面波:

    其中:ku,v=kveiφu,kv=kmax/fv表示核函數(shù)的尺度(頻率),φu=uπ/6表示核函數(shù)的方向,且φu∈[0,π),通常v∈{0,1,2,3},u∈{0,1,2,3,4,5},文中采用4個中心頻率,6個方向組成的24個Gabor小波組成的小波簇用于表情特征的提取.Gabor變換的本質(zhì)實際上是人臉圖像I(z)與ψu,v(z)的卷積.

    2.2 MCBP特征

    MCBP特征是由不同尺度的中心化二元模式(CBP)組成的.CBP是基于局部二元模式(LBP)基礎(chǔ)上改進(jìn)得來的,CBP是一種有效的紋理描述算子,可以對灰度圖像中局部鄰近區(qū)域的紋理信息進(jìn)行度量和提取.用CBP算子標(biāo)記一幅圖像f(x,y)的像素時,首先要確定中心像素及環(huán)形鄰域,它由半徑為R的圓周上對稱分布的P個鄰點構(gòu)成,P和R可取任意值.需要指出的是:比較的“近鄰點對”必須滿足其連線穿過中心像素點gc,且中心像素點gc擁有最高權(quán)重.描述局部圖像灰度特性的CBP碼[4]:

    其中,指gc表示環(huán)形鄰域中心點的灰度值,gp表示半徑為R的圓周上對稱分布的P個鄰點的灰度值,C是閾值,可手動設(shè)定.為進(jìn)一步表征人臉各個局部區(qū)域上灰度幅值的變化,參考文獻(xiàn)[10]引入梯度信息,即對人臉圖像中每個像素點計算其梯度.假設(shè)人臉圖像的f(x,y),在其坐標(biāo)(x,y)的梯度則通過一個二維列向量表示: 一般來講梯度向量指向坐標(biāo)(x,y)的f最大變化率方向,向量的模值表示為:,在具體實現(xiàn)時文中采用作為梯度值.在人臉圖像的每個像素點計算其梯度,并采用CBP在此梯度圖上提取梯度直方圖.對于每個網(wǎng)格MCBP特征的提取,通過改變參量R,分別計算出灰度的直方圖和梯度的直方圖(由向量表示)后,將它們串接起來構(gòu)成的特征向量,得到ΦMCBP=,即融入梯度信息的特征MCBP特征向量.其中,CBPh(P,Rj)指由CBP算子產(chǎn)生的直方圖.相比單純由灰度的CBP直方圖構(gòu)成的特征,融入梯度信息的MCBP特征具有更強的鑒別能力.

    3 人臉表情識別模型

    本文提出的人臉表情識別模型分成兩大部分:圖像的預(yù)處理和多特征融合判別分析(multi-feature fusion recognition analysis).圖像預(yù)處理如前文所述進(jìn)行圖像的歸一化和表情區(qū)域的分割處理,多特征融合判別分析分成4個部分:特征提取模塊、數(shù)據(jù)處理模塊、分類器訓(xùn)練模塊、多分類器融合模塊.具體過程如圖2所示,為了更好地說明多特征融合判別分析的過程,將其分成訓(xùn)練過程和測試過程進(jìn)行詳細(xì)描述.

    訓(xùn)練過程:特征提取模塊將預(yù)處理后的圖像按照空間位置網(wǎng)格化后,提取采用4個尺度、6個方向的Gabor小波,即每個網(wǎng)格特征向量的維數(shù)為16×16×4×6=6144.由于后續(xù)的分類器很難處理如此高維度的特征向量,我們利用4×4的空間網(wǎng)格對Gabor特征進(jìn)行采樣來降低維度,最終每個網(wǎng)格的Gabor特征向量的維數(shù)是384維;對于MCBP特征,提取半徑R∈{1,3,5,7,9},P=(8個鄰點)5個尺度8個方向的灰度直方圖和梯度直方圖CBP特征,然后將它們串接起來構(gòu)成MCBP特征向量.單網(wǎng)格上每個尺度下的直方圖為64(25×2)維,若把5個尺度下的直方圖串接起來構(gòu)成的每個網(wǎng)格特征維數(shù)將會是320(64×5)維.提取完2種特征后,將每種特征向量(圖1)的表情子區(qū)域進(jìn)行分組,2種特征向量共形成26組向量由于每組向量Φi的維度還比較高,影響識別的速度,我們通過主成份分析法(PCA)進(jìn)行降維處理.假設(shè)原始數(shù)據(jù)每個樣本有M個輸入和N個輸出.即原始數(shù)據(jù)表示為X1,X2,…,Xi∈RM,Y1,Y2,…,Yj∈RN.PCA具體算法如下:

    Step1 根據(jù)相關(guān)系數(shù)公式,計算輸入數(shù)據(jù)的相關(guān)矩陣R∈RM×M;

    Step2 計算相關(guān)矩陣R的特征值,將非負(fù)的特征值按降序排列λ1≥λ2,…,λM≥0,對應(yīng)的特征向量φ1, φ2,…,φM;

    Step4 將變換矩陣Ln乘以原始輸入數(shù)據(jù),xi=Lnxi,得到反映數(shù)據(jù)主要信息量的前n個主成份.

    由于整個面部按表情貢獻(xiàn)度進(jìn)行分組,分組后的部分子區(qū)域向量維數(shù)會達(dá)到上千維,為盡量避免表情圖像的信息丟失,同時考慮計算量的大小,主成份分析后的向量維數(shù)保持在300維.在訓(xùn)練集數(shù)據(jù)處理模塊中對降維處理后的特征向量Φi,通過相關(guān)矩陣中非零特征值所對應(yīng)的特征向量來構(gòu)建8個隨機PCA子空間其中每個子空間的維數(shù)是300維,前200維由前200個固定最大的特征值所對應(yīng)的特征向量整合而成,后100維在剩余的特征向量中隨機抽取.這樣做的目的是既能保留圖像中大部分不變特征,又能抓住圖像的細(xì)節(jié)特征.對每個PCA子空間利用Bagging技術(shù)從原始訓(xùn)練集中產(chǎn)生5個同等規(guī)模的訓(xùn)練集來訓(xùn)練5個單分類器.通過這種方式每個表情子區(qū)域會產(chǎn)生5×8個分類器.

    測試過程:和訓(xùn)練過程一樣將預(yù)處理后的圖像提取2種特征向量,并按表情貢獻(xiàn)度分組和進(jìn)行PCA降維,然后經(jīng)過數(shù)據(jù)處理模塊處理,最后利用訓(xùn)練好的子空間分類器輸出每個分組的判別結(jié)果.在多分類器融合模塊中,分類器采用中心最近鄰分類器,先利用最?。畲笾狄?guī)范化的方法把不同子空間分類器的輸出歸一化[11].然后利用加權(quán)投票法進(jìn)行最終判別,權(quán)值的分配按照圖1的表情貢獻(xiàn)度(1:2:4)進(jìn)行處理.

    圖2 人臉表情識別模型

    4 仿真實驗

    為驗證算法的有效性,選用人臉表情庫(JAFFE)進(jìn)行實驗,此數(shù)據(jù)庫包含了10名日本女性的213幅圖像,每人包含6種基本表情(生氣、厭惡、恐懼、高興、悲傷、吃驚)和2~4個中性表情灰度圖像.圖3是數(shù)據(jù)庫中的部分表情圖像.實驗分為2個階段.

    圖3 JAFFE部分表情圖像

    1)檢驗算法的廣泛適用性.從JAFFE數(shù)據(jù)庫中選取210幅圖像(保證6種基本表情3幅)作為樣本,采用10-fold交叉驗證(cross-validation)的實驗方案,分類器采用中心最近鄰分類器(CNN).從實驗結(jié)果(見表1)可以算出7種表情的平均識別率達(dá)到91.1%.其中,高興、驚訝、中性表情的識別率較好,厭惡、悲傷的識別率較低;因為表情變化越明顯,相應(yīng)的特征向量的差異越大越容易識別,而變化不明顯的表情,相應(yīng)的特征向量變化差異較小,識別效果相對會差一些.

    2)檢驗?zāi)P退惴ǖ聂敯粜?實驗前,根據(jù)文獻(xiàn)[12]中算法對JAFFE人臉庫中的圖像做了不同程度的光照處理,得到處理后的圖像210幅,加上原來選取的210幅表情圖像,這樣實驗數(shù)據(jù)庫中共有420幅表情圖像.實驗中,隨機選取每個人每種表情的3幅圖像共210幅作為訓(xùn)練集,剩余圖像作為測試集.分別選擇單獨使用Gabor小波特征和MCBP特征以及采取2種特征相結(jié)合的特征描述算子,共3種方法進(jìn)行實驗,并生成累積匹配特征曲線(CMC),如圖4所示.圖中顯示采用多特征融合的判別方式明顯好于單一特征,即使有光照的影響,模型Rank-1的識別率也已經(jīng)達(dá)到87%,具備較好的魯棒性.需要說明的是,累積匹配特征曲線的橫坐標(biāo)為排名次序,縱坐標(biāo)為測試者的正確表情包含在識別系統(tǒng)提供的最相似的候選者中的概率.如果由人臉識別系統(tǒng)在一個大型的人臉數(shù)據(jù)庫中僅找出一幅與測試者最近的人臉圖像,那么結(jié)果未必是正確的;如果允許識別系統(tǒng)找出多幅與測試者最相近的人臉圖像,那么結(jié)果正確的概率就會增加.隨著允許識別系統(tǒng)找出最相近的人臉圖像數(shù)目的增加,結(jié)果正確的概率也會隨之增加.比如:在表情識別的測試集中某人“高興”的表情有3幅圖像,累積匹配特征曲線能夠指出3幅圖像的排名次序,但同樣都是識別正確.在JAFFE表情庫上的實驗表明,提出的多特征融合的判別模型具有較好的識別精度和魯棒性.

    表1 JAFFE表情識別結(jié)果統(tǒng)計

    圖4 不同方法的累積匹配特征曲線

    5 結(jié)束語

    提出了一種基于多特征融合的人臉表情識別模型:利用人臉識別領(lǐng)域被證明非常成功的2種局部描述算子(Gabor小波特征和MCBP特征),根據(jù)表情變化的先驗知識將圖像劃分為權(quán)值不同的表情子區(qū)域,為保證識別的速度,利用主成份分析法(PCA)降低局部特征向量的維度,通過Bagging技術(shù)提高多分類器的魯棒性.實驗表明該方法具有良好的識別效果.下一步的工作重點是如何在任意采集的圖像或圖像序列中提取維度較低且具有代表力的局部特征,對其進(jìn)行表情分類.此外,人臉表情識別是人機交互、機器學(xué)習(xí)和圖像處理等領(lǐng)域涉及的重要研究方向,這是一項極具挑戰(zhàn)性的研究任務(wù),需要心理學(xué)、生理學(xué)以及計算機視覺、模式識別等不同領(lǐng)域的研究者共同進(jìn)行探索.

    [1] 周書仁,朱燦.基于ICA和HMM的表情識別[J].中國圖象圖形學(xué)報,2008,13(12):2321-2328.

    [2] 應(yīng)自爐,唐京海,李景文,等.支持向量鑒別分析及在人臉表情識別中的應(yīng)用[J].電子學(xué)報,2008,36(4):725-730.

    [3] KYPEROUNTAS M,TEFAS A,PITAS I.Salient feature and reliable classifier selection for facial expression classification[J]. Pattern Recognition,2010,43:972-986.

    [4] 付曉峰.基于二元模式的人臉識別與表情識別研究[D].杭州.浙江大學(xué),2008.

    [5] XIE X D,LAM K M,Facial expression recognition based on shape and texture[J].Pattern Recognition,2009,42:1 003-1 011.

    [6] WANG T H,LIEN J,Facial expression recognition system based on rigid and non-rigid motion separation and 3D pose estimation[J].Pattern Recognition,2009,42:962-977

    [7] 徐琴珍,章品正,裴文江,等.基于混淆交叉支撐向量機樹的自動面部表情分類方法[J].中國圖象圖形學(xué)報,2008,13(7): 1329-1334.

    [8] GAO Q,WANG Z.Center-based nearest neighbor classifier[J].Pattern Recognition,2007,40:346-349.

    [9] 蔣斌,賈克斌,楊國勝.人臉表情識別的研究進(jìn)展[J].計算機科學(xué),2011,38(4):25-30.

    [10] OJALA T,PIETIKAINEN M,MAENPAA T.Multi-resolution gray-scale and rotation invariant texture classification with local binary patterns[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2002,24(7):971-987.

    [11] LI Z F,UNSANG P,JAIN K A.A Discriminative Model for Age Invariant Face Recognition[J].IEEE Transactions on Information Forensics and Security.2011,6(3):1028-1037.

    [12] 白雪飛,李茹.神經(jīng)網(wǎng)絡(luò)集成的多表情人臉識別方法[J].計算機工程與應(yīng)用,2010,46(4):145-148.

    猜你喜歡
    特征向量直方圖小波
    統(tǒng)計頻率分布直方圖的備考全攻略
    二年制職教本科線性代數(shù)課程的幾何化教學(xué)設(shè)計——以特征值和特征向量為例
    符合差分隱私的流數(shù)據(jù)統(tǒng)計直方圖發(fā)布
    克羅內(nèi)克積的特征向量
    構(gòu)造Daubechies小波的一些注記
    基于MATLAB的小波降噪研究
    電子制作(2019年13期)2020-01-14 03:15:32
    用直方圖控制畫面影調(diào)
    一類特殊矩陣特征向量的求法
    基于改進(jìn)的G-SVS LMS 與冗余提升小波的滾動軸承故障診斷
    EXCEL表格計算判斷矩陣近似特征向量在AHP法檢驗上的應(yīng)用
    三级国产精品欧美在线观看| 国产视频内射| 91麻豆精品激情在线观看国产| 深夜a级毛片| 少妇人妻一区二区三区视频| 天天一区二区日本电影三级| 中文字幕久久专区| 狂野欧美白嫩少妇大欣赏| 欧美性猛交黑人性爽| 午夜影院日韩av| 成人亚洲欧美一区二区av| 国内精品久久久久精免费| 最近的中文字幕免费完整| 亚洲精品国产av成人精品 | 在线看三级毛片| 久久久久久大精品| 亚洲av中文av极速乱| 人妻制服诱惑在线中文字幕| 国产久久久一区二区三区| 在线免费观看不下载黄p国产| 欧美成人一区二区免费高清观看| 九九热线精品视视频播放| 亚洲欧美成人综合另类久久久 | 国产黄色小视频在线观看| 亚洲国产精品sss在线观看| 高清午夜精品一区二区三区 | 精品99又大又爽又粗少妇毛片| 国产人妻一区二区三区在| 国产成人a∨麻豆精品| 美女黄网站色视频| 国产一区二区三区av在线 | 国产免费男女视频| 一本精品99久久精品77| 一进一出抽搐动态| 狠狠狠狠99中文字幕| 国国产精品蜜臀av免费| 亚洲乱码一区二区免费版| av.在线天堂| 免费看光身美女| 欧美潮喷喷水| 欧美高清性xxxxhd video| 最近2019中文字幕mv第一页| 久久韩国三级中文字幕| 色哟哟·www| 香蕉av资源在线| 久久久午夜欧美精品| 国产高清不卡午夜福利| 亚洲真实伦在线观看| 又黄又爽又免费观看的视频| 精品人妻一区二区三区麻豆 | 国内久久婷婷六月综合欲色啪| 男人狂女人下面高潮的视频| 丝袜美腿在线中文| 国产成年人精品一区二区| av在线观看视频网站免费| 精品一区二区三区视频在线观看免费| 亚洲无线观看免费| 欧美一级a爱片免费观看看| 色视频www国产| 日韩亚洲欧美综合| 嫩草影院新地址| 久久久久久久午夜电影| 日日撸夜夜添| 日本与韩国留学比较| 女同久久另类99精品国产91| 午夜日韩欧美国产| 99热这里只有是精品50| 少妇熟女欧美另类| 久久午夜福利片| 一区二区三区四区激情视频 | 日韩欧美精品v在线| 寂寞人妻少妇视频99o| 久久鲁丝午夜福利片| 久久久久久久久久成人| 国产av麻豆久久久久久久| 精品久久久久久久久久久久久| 亚洲精品456在线播放app| 99在线视频只有这里精品首页| 六月丁香七月| a级毛片a级免费在线| a级毛片a级免费在线| 在线a可以看的网站| 级片在线观看| 99久国产av精品| 最近的中文字幕免费完整| 免费观看的影片在线观看| 卡戴珊不雅视频在线播放| 久久久精品欧美日韩精品| 久久久久久久久久黄片| 国产高清激情床上av| 婷婷色综合大香蕉| 日韩一本色道免费dvd| 亚洲国产高清在线一区二区三| 日本熟妇午夜| 大香蕉久久网| 99精品在免费线老司机午夜| 色av中文字幕| 夜夜夜夜夜久久久久| 韩国av在线不卡| 韩国av在线不卡| aaaaa片日本免费| 日韩亚洲欧美综合| 欧美xxxx黑人xx丫x性爽| 欧美性猛交黑人性爽| 有码 亚洲区| 亚洲内射少妇av| 亚洲自拍偷在线| 最好的美女福利视频网| 日韩欧美 国产精品| 亚洲一区二区三区色噜噜| 亚洲精品日韩在线中文字幕 | av专区在线播放| 国产探花在线观看一区二区| 欧美绝顶高潮抽搐喷水| 亚洲成人av在线免费| av福利片在线观看| 亚洲色图av天堂| 亚洲色图av天堂| 日本熟妇午夜| 欧美+日韩+精品| 免费av观看视频| 国产精品野战在线观看| 日日摸夜夜添夜夜添小说| 联通29元200g的流量卡| 亚洲人成网站高清观看| 国产在视频线在精品| 九九爱精品视频在线观看| 成年av动漫网址| 如何舔出高潮| 免费看av在线观看网站| 国产单亲对白刺激| 国产单亲对白刺激| 欧美国产日韩亚洲一区| 久久精品国产亚洲av涩爱 | 国产精品乱码一区二三区的特点| 久久热精品热| www日本黄色视频网| 国产一区二区在线观看日韩| avwww免费| 3wmmmm亚洲av在线观看| 天堂√8在线中文| a级毛片免费高清观看在线播放| 日韩强制内射视频| 亚洲av一区综合| 亚洲av一区综合| 欧美在线一区亚洲| 色播亚洲综合网| 丝袜美腿在线中文| 欧美xxxx黑人xx丫x性爽| 春色校园在线视频观看| 国产人妻一区二区三区在| 99热全是精品| 99热这里只有是精品在线观看| 99久国产av精品| 亚洲久久久久久中文字幕| 亚洲天堂国产精品一区在线| 久久人妻av系列| 成人一区二区视频在线观看| 真人做人爱边吃奶动态| 国产精品野战在线观看| 亚洲无线观看免费| 亚洲电影在线观看av| 久久精品91蜜桃| 日韩欧美 国产精品| 亚洲欧美成人综合另类久久久 | 亚洲欧美精品综合久久99| 国产aⅴ精品一区二区三区波| 99久久精品一区二区三区| 少妇的逼水好多| 精品久久久久久久人妻蜜臀av| av专区在线播放| 国产精品不卡视频一区二区| 日韩成人伦理影院| 99久久九九国产精品国产免费| 一级黄色大片毛片| 欧美三级亚洲精品| 大型黄色视频在线免费观看| av在线观看视频网站免费| 少妇人妻一区二区三区视频| 欧美日韩精品成人综合77777| 久久久成人免费电影| 一级毛片电影观看 | 男插女下体视频免费在线播放| 日韩 亚洲 欧美在线| 欧美国产日韩亚洲一区| av黄色大香蕉| 免费一级毛片在线播放高清视频| 亚洲av成人精品一区久久| 99热精品在线国产| 免费无遮挡裸体视频| 熟女电影av网| 久久人人精品亚洲av| 亚洲内射少妇av| 99热这里只有是精品在线观看| 亚洲欧美日韩东京热| 男女做爰动态图高潮gif福利片| 欧美成人一区二区免费高清观看| 直男gayav资源| 九九在线视频观看精品| 91麻豆精品激情在线观看国产| 毛片女人毛片| av在线老鸭窝| 亚洲欧美精品自产自拍| 亚洲av不卡在线观看| 欧美国产日韩亚洲一区| 亚洲中文日韩欧美视频| av福利片在线观看| 亚洲美女黄片视频| 久久精品国产清高在天天线| av在线天堂中文字幕| 一本一本综合久久| 久久久国产成人精品二区| 国产大屁股一区二区在线视频| 欧美日本视频| av.在线天堂| 亚洲美女黄片视频| 天堂动漫精品| 两个人视频免费观看高清| 中国美女看黄片| 久久99热6这里只有精品| 日本在线视频免费播放| 中国美白少妇内射xxxbb| 久久精品91蜜桃| 日本与韩国留学比较| 日日撸夜夜添| 亚洲av第一区精品v没综合| 久久久色成人| 免费看av在线观看网站| 黄色欧美视频在线观看| 亚洲最大成人中文| 亚洲电影在线观看av| 村上凉子中文字幕在线| 国产成人91sexporn| 有码 亚洲区| 免费观看的影片在线观看| 非洲黑人性xxxx精品又粗又长| 亚洲图色成人| 人人妻人人看人人澡| av福利片在线观看| 国产一区二区三区av在线 | 免费在线观看影片大全网站| 国产精品av视频在线免费观看| 激情 狠狠 欧美| 1024手机看黄色片| 国产精品永久免费网站| 搡老熟女国产l中国老女人| 国产成人精品久久久久久| 久久婷婷人人爽人人干人人爱| 嫩草影院精品99| 99久国产av精品国产电影| 欧美另类亚洲清纯唯美| 中文字幕久久专区| 婷婷亚洲欧美| 午夜福利高清视频| 黄片wwwwww| 色哟哟·www| 男女视频在线观看网站免费| av女优亚洲男人天堂| 内地一区二区视频在线| 日韩一区二区视频免费看| 99久久九九国产精品国产免费| ponron亚洲| 国产精品av视频在线免费观看| 欧美性猛交黑人性爽| 99热这里只有是精品在线观看| 国产精品99久久久久久久久| 一a级毛片在线观看| 夜夜爽天天搞| 精品无人区乱码1区二区| 国产又黄又爽又无遮挡在线| 欧美+日韩+精品| 久久久久久九九精品二区国产| 精品国产三级普通话版| 国产黄a三级三级三级人| 亚洲av熟女| 亚洲人与动物交配视频| 欧洲精品卡2卡3卡4卡5卡区| 日韩一区二区视频免费看| 国产精品亚洲一级av第二区| 国产精品久久久久久亚洲av鲁大| 国产精品日韩av在线免费观看| 午夜激情欧美在线| 特级一级黄色大片| 亚洲欧美成人综合另类久久久 | 久久久a久久爽久久v久久| 一个人看视频在线观看www免费| 午夜福利在线观看免费完整高清在 | 欧美极品一区二区三区四区| 久久久久久久久中文| 欧美日韩一区二区视频在线观看视频在线 | 国产精品久久久久久久电影| 久久热精品热| 亚洲av.av天堂| 亚洲av熟女| 久久草成人影院| 日日摸夜夜添夜夜添小说| 国产精品久久久久久久电影| 一a级毛片在线观看| 国产精品女同一区二区软件| 男人和女人高潮做爰伦理| 成熟少妇高潮喷水视频| 亚洲无线观看免费| 日产精品乱码卡一卡2卡三| 国产精品爽爽va在线观看网站| 老司机午夜福利在线观看视频| 免费一级毛片在线播放高清视频| 老熟妇乱子伦视频在线观看| 日韩中字成人| 国产一区二区亚洲精品在线观看| 99久国产av精品国产电影| 丝袜喷水一区| 欧美日韩综合久久久久久| 日韩中字成人| 一级毛片久久久久久久久女| 狂野欧美白嫩少妇大欣赏| 免费观看精品视频网站| 22中文网久久字幕| 久久久精品94久久精品| 免费在线观看成人毛片| 久久久久国产精品人妻aⅴ院| 日韩欧美一区二区三区在线观看| 亚洲四区av| 日日摸夜夜添夜夜添av毛片| 一级a爱片免费观看的视频| 亚洲高清免费不卡视频| 亚洲在线观看片| 亚洲激情五月婷婷啪啪| 久久综合国产亚洲精品| 亚洲久久久久久中文字幕| 寂寞人妻少妇视频99o| 美女xxoo啪啪120秒动态图| 午夜精品国产一区二区电影 | 神马国产精品三级电影在线观看| 亚洲精品国产成人久久av| 国产黄色视频一区二区在线观看 | 欧美在线一区亚洲| 亚洲国产精品久久男人天堂| 小说图片视频综合网站| 国产私拍福利视频在线观看| 美女cb高潮喷水在线观看| 啦啦啦观看免费观看视频高清| 欧美又色又爽又黄视频| 九九热线精品视视频播放| 亚洲欧美中文字幕日韩二区| 免费一级毛片在线播放高清视频| 日韩欧美 国产精品| 九色成人免费人妻av| 亚洲精品影视一区二区三区av| 又爽又黄无遮挡网站| 国产成人一区二区在线| 亚洲精品在线观看二区| 深爱激情五月婷婷| 久久人人爽人人片av| 人人妻人人看人人澡| 国产乱人视频| 天堂√8在线中文| 精品一区二区三区视频在线| 啦啦啦韩国在线观看视频| 久久久午夜欧美精品| 99久久无色码亚洲精品果冻| 国产又黄又爽又无遮挡在线| 我的老师免费观看完整版| 麻豆国产97在线/欧美| 日本黄色片子视频| 中文字幕av在线有码专区| 寂寞人妻少妇视频99o| 国产精品一区二区三区四区久久| 欧美色视频一区免费| 一级毛片aaaaaa免费看小| 99国产极品粉嫩在线观看| 最近视频中文字幕2019在线8| 免费在线观看成人毛片| 啦啦啦观看免费观看视频高清| 波野结衣二区三区在线| 久久久久久国产a免费观看| 欧美丝袜亚洲另类| 国产探花极品一区二区| 日韩制服骚丝袜av| 乱系列少妇在线播放| 国产精品1区2区在线观看.| 色综合站精品国产| 一卡2卡三卡四卡精品乱码亚洲| av在线蜜桃| 激情 狠狠 欧美| 免费看av在线观看网站| 精品福利观看| 日韩制服骚丝袜av| 国产亚洲精品久久久com| 亚洲av成人精品一区久久| 女同久久另类99精品国产91| 亚洲精品色激情综合| 午夜激情欧美在线| 日本熟妇午夜| 日韩制服骚丝袜av| 最近在线观看免费完整版| 伊人久久精品亚洲午夜| 丰满的人妻完整版| 日韩亚洲欧美综合| 日韩成人伦理影院| 国产高清激情床上av| 亚洲四区av| 日韩成人伦理影院| 日韩欧美一区二区三区在线观看| 少妇熟女欧美另类| 亚洲成人av在线免费| 男女边吃奶边做爰视频| 国产精品久久久久久久久免| 久久热精品热| 亚洲av熟女| 国产色爽女视频免费观看| 久久精品人妻少妇| 俄罗斯特黄特色一大片| 国产91av在线免费观看| 欧美区成人在线视频| 九色成人免费人妻av| 国产视频内射| 国产老妇女一区| 亚洲av成人av| 在线免费十八禁| 搞女人的毛片| 日韩欧美一区二区三区在线观看| 久久久色成人| 欧美日本视频| 日韩精品有码人妻一区| 免费观看的影片在线观看| 真人做人爱边吃奶动态| 欧美日韩在线观看h| 国产精品久久久久久av不卡| 精品久久久噜噜| 国产av在哪里看| 男女视频在线观看网站免费| 久久久久久久亚洲中文字幕| 欧美+亚洲+日韩+国产| 日韩成人av中文字幕在线观看 | 亚洲一区二区三区色噜噜| 乱人视频在线观看| 国产久久久一区二区三区| 国产亚洲av嫩草精品影院| 青春草视频在线免费观看| 久久欧美精品欧美久久欧美| a级毛片a级免费在线| 午夜精品国产一区二区电影 | 精品午夜福利在线看| 晚上一个人看的免费电影| 精品人妻偷拍中文字幕| 丝袜美腿在线中文| 国产激情偷乱视频一区二区| 久久精品夜夜夜夜夜久久蜜豆| 亚洲国产色片| 国产白丝娇喘喷水9色精品| 色综合站精品国产| 欧美极品一区二区三区四区| 国内少妇人妻偷人精品xxx网站| 最近中文字幕高清免费大全6| 中文字幕久久专区| 男人舔女人下体高潮全视频| 午夜激情福利司机影院| 亚洲人成网站在线播放欧美日韩| 天美传媒精品一区二区| 欧美潮喷喷水| 国产一区二区在线观看日韩| 欧美色视频一区免费| 日韩,欧美,国产一区二区三区 | 极品教师在线视频| 国产精品一区二区性色av| 一夜夜www| 国产激情偷乱视频一区二区| 香蕉av资源在线| 一进一出抽搐动态| 人人妻人人澡人人爽人人夜夜 | 欧美日韩一区二区视频在线观看视频在线 | 成人欧美大片| 久久久久国产网址| 色综合站精品国产| 老师上课跳d突然被开到最大视频| 亚洲精品日韩在线中文字幕 | 毛片一级片免费看久久久久| 亚洲精华国产精华液的使用体验 | 日韩精品有码人妻一区| 久久久国产成人免费| h日本视频在线播放| 中国国产av一级| 精品一区二区三区av网在线观看| 婷婷精品国产亚洲av在线| 18禁裸乳无遮挡免费网站照片| 又黄又爽又免费观看的视频| 狂野欧美激情性xxxx在线观看| 波多野结衣巨乳人妻| 亚洲av免费在线观看| 欧美高清性xxxxhd video| 亚洲精品成人久久久久久| 免费在线观看成人毛片| 国产精品1区2区在线观看.| 国国产精品蜜臀av免费| 亚洲久久久久久中文字幕| 日韩欧美 国产精品| 亚洲av熟女| 久久久欧美国产精品| 亚洲精品色激情综合| 国产精品永久免费网站| 日韩欧美精品v在线| 日韩 亚洲 欧美在线| 身体一侧抽搐| 天天躁日日操中文字幕| 欧美人与善性xxx| 丰满乱子伦码专区| 99热这里只有是精品50| 3wmmmm亚洲av在线观看| 在线看三级毛片| 悠悠久久av| 日韩高清综合在线| 国语自产精品视频在线第100页| 观看美女的网站| 搡老熟女国产l中国老女人| 亚洲精品粉嫩美女一区| 中文字幕久久专区| 深夜精品福利| 淫妇啪啪啪对白视频| 国产精品,欧美在线| 如何舔出高潮| 神马国产精品三级电影在线观看| 亚洲高清免费不卡视频| 一个人看视频在线观看www免费| 国产一区二区激情短视频| 亚洲天堂国产精品一区在线| 精品久久久久久久久亚洲| 亚洲人与动物交配视频| 在线观看免费视频日本深夜| 两个人视频免费观看高清| 国产成人freesex在线 | 国内久久婷婷六月综合欲色啪| 97人妻精品一区二区三区麻豆| 热99re8久久精品国产| 精品一区二区三区人妻视频| 97热精品久久久久久| 久久鲁丝午夜福利片| a级毛片a级免费在线| 成人欧美大片| 久久中文看片网| 中文字幕免费在线视频6| 日本与韩国留学比较| 非洲黑人性xxxx精品又粗又长| 1000部很黄的大片| 丝袜美腿在线中文| 国产亚洲精品av在线| 综合色av麻豆| 可以在线观看毛片的网站| 深夜精品福利| 真实男女啪啪啪动态图| 菩萨蛮人人尽说江南好唐韦庄 | 亚洲成av人片在线播放无| 床上黄色一级片| 99热这里只有是精品50| 久久精品国产清高在天天线| 校园春色视频在线观看| 国产三级在线视频| 国产精品美女特级片免费视频播放器| 国产一级毛片七仙女欲春2| 日日摸夜夜添夜夜爱| 伊人久久精品亚洲午夜| 成人漫画全彩无遮挡| a级一级毛片免费在线观看| 有码 亚洲区| 精品国内亚洲2022精品成人| 国产精品人妻久久久影院| 亚洲第一电影网av| 久久婷婷人人爽人人干人人爱| 精品久久久久久成人av| 久久精品国产自在天天线| 久久久精品大字幕| 亚洲综合色惰| av黄色大香蕉| 久久久久久伊人网av| 国产乱人偷精品视频| 丰满的人妻完整版| 乱码一卡2卡4卡精品| av免费在线看不卡| 中文字幕人妻熟人妻熟丝袜美| 99热网站在线观看| 久久久久久久久久久丰满| 久久99热这里只有精品18| 在线播放国产精品三级| 一进一出好大好爽视频| 尤物成人国产欧美一区二区三区| 久久婷婷人人爽人人干人人爱| 亚洲不卡免费看| 久久99热这里只有精品18| 日本在线视频免费播放| 草草在线视频免费看| 直男gayav资源| 色综合亚洲欧美另类图片| 亚洲美女搞黄在线观看 | 久久久久性生活片| 日日啪夜夜撸| a级毛色黄片| 亚洲欧美日韩无卡精品| 97超级碰碰碰精品色视频在线观看| 久久人人精品亚洲av| 干丝袜人妻中文字幕| 搡老岳熟女国产| 晚上一个人看的免费电影| 看非洲黑人一级黄片| 中文字幕免费在线视频6| 男女做爰动态图高潮gif福利片| 国产精品永久免费网站| 99热网站在线观看| 国产又黄又爽又无遮挡在线| 日韩三级伦理在线观看| 免费人成在线观看视频色| 97在线视频观看| 国产亚洲精品综合一区在线观看| 亚洲性夜色夜夜综合| 国产亚洲精品av在线| 综合色丁香网| 免费无遮挡裸体视频|