• <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 ?

    基于關(guān)節(jié)信息和極限學(xué)習(xí)機(jī)的人體動(dòng)作識(shí)別

    2015-05-29 12:30:09張孫培孫懷江
    現(xiàn)代電子技術(shù) 2015年10期
    關(guān)鍵詞:極限學(xué)習(xí)機(jī)協(xié)方差

    張孫培++孫懷江

    摘 要: 基于關(guān)節(jié)信息的人體動(dòng)作識(shí)別在人機(jī)交互、互動(dòng)娛樂(lè)、多媒體信息檢索等方面應(yīng)用廣泛。為了提高動(dòng)作識(shí)別率,使用兩種具有固定長(zhǎng)度的分層描述符分別關(guān)注運(yùn)動(dòng)的動(dòng)態(tài)和靜態(tài)信息,對(duì)運(yùn)動(dòng)序列提取特征,將這兩種描述符線性組合,形成同時(shí)包含動(dòng)態(tài)和靜態(tài)信息的新描述符,并使用極限學(xué)習(xí)機(jī)(ELM)進(jìn)行分類。該方法在微軟Kinect傳感器采集到的MSRAction3D數(shù)據(jù)庫(kù)和運(yùn)動(dòng)采集數(shù)據(jù)集HDM05上進(jìn)行了仿真實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果證明組合后的描述符結(jié)合ELM在這兩個(gè)數(shù)據(jù)集上的識(shí)別率較現(xiàn)有方法有明顯提高。

    關(guān)鍵詞: 人體動(dòng)作識(shí)別; 極限學(xué)習(xí)機(jī); 協(xié)方差; 方向位移直方圖

    中圖分類號(hào): TN710?34; TP391.4 文獻(xiàn)標(biāo)識(shí)碼: A 文章編號(hào): 1004?373X(2015)10?0055?06

    0 引 言

    人體動(dòng)作識(shí)別是計(jì)算機(jī)視覺(jué)研究中的一個(gè)分支,被廣泛地應(yīng)用于人機(jī)互動(dòng)、交互式娛樂(lè)等多個(gè)領(lǐng)域?;陉P(guān)節(jié)信息的運(yùn)動(dòng)軌跡記錄是常用的高級(jí)記錄方法之一,其中運(yùn)動(dòng)軌跡是指隨時(shí)間變化的關(guān)節(jié)路徑。

    人體運(yùn)動(dòng)相關(guān)研究的第一個(gè)問(wèn)題是運(yùn)動(dòng)數(shù)據(jù)的采集,常用的方法[1]有機(jī)械式的運(yùn)動(dòng)捕獲,基于電磁系統(tǒng)的運(yùn)動(dòng)捕獲,基于慣性系統(tǒng)的運(yùn)動(dòng)捕獲,基于光學(xué)系統(tǒng)的運(yùn)動(dòng)捕獲。為了方便研究者使用,現(xiàn)有很多公開(kāi)的運(yùn)動(dòng)捕獲數(shù)據(jù)集,例如CMU運(yùn)動(dòng)捕獲數(shù)據(jù)集和HDM05數(shù)據(jù)集[2]。這些數(shù)據(jù)的采集需要較大代價(jià),最近基于深度信息的微軟Kinect運(yùn)動(dòng)采集器因其廉價(jià)性和可接受的精度,得到越來(lái)越多的使用。

    獲取運(yùn)動(dòng)數(shù)據(jù)后,要做的就是提取特征和選擇分類器。Wu和Yang使用運(yùn)動(dòng)軌跡上每個(gè)點(diǎn)的曲率和扭矩建立了一個(gè)長(zhǎng)度可變的描述符[3?4]。Wang使用歸一化的分布向量描述每個(gè)運(yùn)動(dòng)軌跡,但是將描述符長(zhǎng)度限定為固定值[5]。此后,Wang又根據(jù)骨架關(guān)節(jié)之間的相對(duì)位置建立描述符[6],并用傅里葉時(shí)序金字塔在頻域內(nèi)建立了時(shí)序模型。Xia計(jì)算出一幀中3D關(guān)節(jié)的直方圖,并用HMM建立了時(shí)序模型[7]。Hussein等用協(xié)方差矩陣和分層的方法描述了骨架關(guān)節(jié)坐標(biāo)之間的時(shí)序依賴[8],Gowayyed等又將3D關(guān)節(jié)軌跡投影到三個(gè)相互正交的2D平面上[9],利用方向位移直方圖和分層的時(shí)序金字塔提取了相鄰幀間的關(guān)節(jié)位置變化信息,并且取得了更好的識(shí)別效果。

    上述兩種方法分別片面地關(guān)注了動(dòng)作的動(dòng)態(tài)和靜態(tài)信息,本文在Hussein等的基礎(chǔ)上將這兩種描述符加以線性拼接得到同時(shí)包含關(guān)節(jié)間位置依賴和相鄰幀間關(guān)節(jié)位置變化的新描述符,并使用極限學(xué)習(xí)機(jī)[10]進(jìn)行分類。

    1 兩種特征提取方法

    1.1 協(xié)方差描述符

    1.1.1 3D關(guān)節(jié)的協(xié)方差描述符

    假設(shè)人體由K個(gè)關(guān)節(jié)構(gòu)成,動(dòng)作序列一共有T幀。設(shè)[xti],[yti]和[zti]分別為第i個(gè)關(guān)節(jié)在第t幀時(shí)的[x,y,z]坐標(biāo)。設(shè)S是所有關(guān)節(jié)的位置構(gòu)成的向量,即[S=x1,…,xK,y1,…,yK,z1,…,zK′],一共有[N=3K]個(gè)元素,則這個(gè)序列的協(xié)方差描述符就是[CovS=][E[(S-E(S))(S-E(S))′]]。由于S的概率分布未知,所以應(yīng)用中使用樣本協(xié)方差來(lái)替代,有如下公式:

    [CS=1T-1t=1T(S-S)(S-S)′] (1)

    式中[S]是S的樣本均值。

    樣本協(xié)方差矩陣[CS]是一個(gè)[N×N]的對(duì)稱矩陣,作為描述符時(shí)只需要采用該矩陣的上三角矩陣即可。例如后述實(shí)驗(yàn)中用到的由微軟Kinect傳感器采集的人體骨架有20個(gè)關(guān)節(jié),則[N=3×20=60],協(xié)方差矩陣的上三角矩陣元素個(gè)數(shù)則為[NN+12=1 830],也就是描述符的長(zhǎng)度。

    1.1.2 時(shí)序分層結(jié)構(gòu)

    3D關(guān)節(jié)的協(xié)方差描述符注意到了運(yùn)動(dòng)中不同關(guān)節(jié)間的位置依賴,但是忽略了運(yùn)動(dòng)的時(shí)序關(guān)系。這可能造成一些問(wèn)題,例如開(kāi)門和關(guān)門的動(dòng)作從關(guān)節(jié)的空間位置來(lái)看沒(méi)有區(qū)別,但是每幀的坐標(biāo)出現(xiàn)的先后順序是不同的。為了解決上述問(wèn)題,引入了時(shí)序分層結(jié)構(gòu),該模型啟發(fā)自Lazebnik在2D圖像中的空間金字塔匹配[11]。第一層協(xié)方差矩陣計(jì)算了整個(gè)運(yùn)動(dòng)序列,后面的各層在整個(gè)序列的小一些的窗口上計(jì)算,并且分有交疊和無(wú)交疊兩種情況。每個(gè)協(xié)方差矩陣由兩個(gè)索引來(lái)標(biāo)記,前一個(gè)標(biāo)示了層數(shù),后一個(gè)標(biāo)示了在這層中的索引,例如第一層標(biāo)記為[C00]。第一層的協(xié)方差矩陣涵蓋了運(yùn)動(dòng)序列的[T2l]幀。從一個(gè)窗口到下一個(gè)窗口的步長(zhǎng)可以是整個(gè)窗口的長(zhǎng)度,或者是窗口長(zhǎng)度的一半;如果是后者,那么各窗口之間就產(chǎn)生了交疊。

    1.1.3 快速構(gòu)建描述符

    創(chuàng)建一個(gè)時(shí)序分層并且允許交疊的多層描述符需要計(jì)算相同序列的各個(gè)子序列的多個(gè)協(xié)方差矩陣,過(guò)程耗時(shí)較長(zhǎng)。事實(shí)上,可以用動(dòng)態(tài)規(guī)劃的方法在固定的時(shí)間內(nèi)計(jì)算出矩陣的每個(gè)元素。相似的思想在Tuzel的積分圖像中計(jì)算圖像塊的協(xié)方差時(shí)使用過(guò)[12]。

    首先定義兩個(gè)積分符號(hào)[P(t)]和[Q(t)]如下:

    [P(t)=i=1tS(i),Q(t)=i=1tS(i)S(i)′] (2)

    經(jīng)過(guò)一系列代數(shù)運(yùn)算,可以得出下式直接計(jì)算出第[t1+1~t2]幀范圍內(nèi)的協(xié)方差矩陣:

    [Ct1,t2S=1M-1Qt1,t2-1MPt1,t2Pt1,t2′] (3)

    式中:[M=t2-t1];[Qt1,t2=Qt2-Qt1];[Pt1,t2=Pt2-Pt1]。計(jì)算出P和Q后,用式(3)在固定時(shí)間內(nèi)計(jì)算任意幀范圍內(nèi)的協(xié)方差,所需時(shí)間與幀數(shù)無(wú)關(guān)。

    1.2 方向位移直方圖

    方向位移直方圖(Histogram of Oriented Displacements,HOD)通過(guò)分別描述每個(gè)關(guān)節(jié)的3D軌跡來(lái)描述一個(gè)運(yùn)動(dòng)序列。首先,將每個(gè)關(guān)節(jié)的3D軌跡替換成投影在三個(gè)坐標(biāo)平面(xy,yz和xz)的2D軌跡,用HOD描述每個(gè)2D軌跡。然后通過(guò)為每個(gè)2D軌跡建立時(shí)序金字塔來(lái)獲得時(shí)序信息。

    下面詳細(xì)介紹HOD、時(shí)序金字塔和最終的3D軌跡描述符。

    1.2.1 方向位移直方圖

    HOD方法使用每?jī)蓚€(gè)相鄰點(diǎn)的方向直方圖來(lái)描述2D運(yùn)動(dòng)。給定一個(gè)運(yùn)動(dòng)軌跡[T={P1,P2,…,Pn}],其中[Pt]是關(guān)節(jié)在時(shí)間t的2D位置。對(duì)于每一對(duì)位置[Pt]和[Pt+1],計(jì)算出方向角[θ(t,t+1)],可以通過(guò)式(4)的斜率(slope)來(lái)得到這個(gè)角度:

    [slope=Pt+1.y-Pt.yPt+1.x-Pt.x] (4)

    [θ]的值介于0°~360°之間,然后根據(jù)[θ]建立一個(gè)直方圖,如果直方圖分成8個(gè)塊,則第一塊的所有[θ]介于0°~45°之間。

    直方圖由相鄰關(guān)節(jié)移動(dòng)的距離累加而成。用式(5)決定每個(gè)[θ]所屬的具體直方圖塊,然后將[Pt]和[Pt+1]的距離加入相應(yīng)的直方圖塊:

    [hist_bin=angle×hist_length360] (5)

    HOD記錄了每個(gè)關(guān)節(jié)在每個(gè)方向范圍內(nèi)移動(dòng)量,但是丟失了時(shí)序信息,第1.2.2節(jié)描述的時(shí)序金字塔可以解決這個(gè)問(wèn)題。

    1.2.2 時(shí)序金字塔和3D軌跡描述符

    如上所述,將運(yùn)動(dòng)序列作為一個(gè)整體來(lái)處理會(huì)丟失時(shí)序信息,所以使用分層的時(shí)序金字塔來(lái)獲取時(shí)序信息。在第一層,用整個(gè)運(yùn)動(dòng)序列來(lái)建立一個(gè)描述符。第二層,將整個(gè)運(yùn)動(dòng)序列分成兩部分,其中的每一部分分別建立一個(gè)二級(jí)描述符,以此類推。也就是說(shuō)某個(gè)特定層的每個(gè)直方圖塊會(huì)在下一層分成兩個(gè)直方圖塊。

    最后可以將一個(gè)關(guān)節(jié)的3個(gè)2D投影的HOD描述符串聯(lián)起來(lái)以描述該點(diǎn)的3D軌跡。

    1.3 混合特征描述符

    從前兩小節(jié)可以看出,協(xié)方差描述符可以反映出人體骨架關(guān)節(jié)之間的位置關(guān)聯(lián)信息,而對(duì)同一關(guān)節(jié)在不同時(shí)刻的位置變化描述不夠,相反地,HOD描述符利用建立直方圖的方法統(tǒng)計(jì)了各關(guān)節(jié)在相鄰幀間的動(dòng)態(tài)位移關(guān)系,但丟失了每一幀各關(guān)節(jié)間的靜態(tài)聯(lián)系。此外,觀察發(fā)現(xiàn)兩種特征描述方法都建立了分層結(jié)構(gòu)來(lái)獲取時(shí)序信息,只是各層的特征提取方法不同。

    因此,本文將兩種特征按層分別拼接起來(lái),形成新的運(yùn)動(dòng)特征描述符,以期達(dá)到同時(shí)能在靜態(tài)上反映關(guān)節(jié)位置關(guān)聯(lián)信息和動(dòng)態(tài)上反映各關(guān)節(jié)位置變化信息的目的??紤]到大部分分類器對(duì)特征向量?jī)?nèi)元素的排列順序并不敏感,在操作上可以簡(jiǎn)化為將兩種特征向量簡(jiǎn)單拼接,即:

    設(shè)向量[(aki)1×m]是第i個(gè)樣本在分為k層時(shí)的協(xié)方差描述符,向量[(bki)1×n]是該樣本在同樣分為k層時(shí)的HOD描述符,那么該樣本的組合特征描述符記為[cki=[aki,bki]1×(m+n)]。

    2 極限學(xué)習(xí)機(jī)

    在處理非線性的高維小樣本分類問(wèn)題上,支持向量機(jī)(SVM)應(yīng)用廣泛,Hussein等也是會(huì)用該方法做分類。但是SVM本身存在一些缺陷:算法建立在求解二次規(guī)劃的基礎(chǔ)上,速度較慢;對(duì)核函數(shù)、懲罰因子和核參數(shù)的選擇較為敏感;在處理多分類的問(wèn)題時(shí),性能不如神經(jīng)網(wǎng)絡(luò)。為此,選擇極限學(xué)習(xí)機(jī)作為分類器。

    極限學(xué)習(xí)機(jī)(Extreme Learning Machines,ELM)由黃廣斌在2004年提出,并由Bernard Widrow于2013年再次提出,其主要思想是輸入層與隱藏層之間的權(quán)值參數(shù),以及隱藏層上的偏置向量參數(shù)是一次確定的[13],不需要像其他基于梯度的學(xué)習(xí)算法一樣通過(guò)迭代反復(fù)調(diào)整刷新,只需求解一個(gè)最小范數(shù)最小二乘問(wèn)題,并最終化歸成求解一個(gè)矩陣的 Moore?Penrose 廣義逆問(wèn)題。因此,該算法具有訓(xùn)練參數(shù)少、速度快的優(yōu)點(diǎn)。

    ELM基本算法描述如下:

    對(duì)于單隱層前饋網(wǎng)絡(luò)(SLFNs),為描述方便,引入以下符號(hào):

    (1) N:訓(xùn)練樣本總數(shù)。

    (2) [N]:隱藏層單元的個(gè)數(shù)。

    (3) [n,m]:輸入和輸出層的維度。

    (4)[xj,tj,j=1,2,…,N:]訓(xùn)練樣本,其中[xj=(xj1,xj2,…,xjn)T∈Rn],[tj=(tj1,tj2,…,tjn)T∈Rm]。將所有輸出向量按行拼起來(lái),可得到整體輸出矩陣:

    [T=tT1tT2?tTNN×m=t11…t1m???tN1…tNm] (6)

    (5) [oj, j=1,2,…,N]:與標(biāo)注[tj]相對(duì)應(yīng)的實(shí)際輸出向量。

    (6) [W=(wij)N×n]:輸入層與隱藏層之間的權(quán)矩陣,其中W的第i行對(duì)應(yīng)的向量[wi=(wi1,wi2,…,win)T]表示連接隱藏層第i個(gè)單元與輸入單元的權(quán)向量。

    (7) [b=(b1,b2,…,bN)T]:偏置向量,[bi]表示第i個(gè)隱藏層單元的閾值。

    (8) [β=(βij)N×m]:隱藏層與輸出層之間的權(quán)矩陣,其中[β]的第i行對(duì)應(yīng)的向量[βi=(βi1,βi2,…,βim)T]表示連接隱藏層第i個(gè)單元與輸出層單元的權(quán)向量。矩陣[β]可按行寫成如下分塊形式:

    [β=βT1βT2?βTN=β11…β1m???βN1…βNm] (7)

    (9)[g(x)]:激勵(lì)函數(shù)。

    2.1 SLFNs的逼近問(wèn)題

    數(shù)學(xué)上,SLFNs的一般模型為:

    [i=1Ngwi?xj+biβi=oj, j=1,2,…,N] (8)

    式中[wi?xj]表示[wi]和[xj]的內(nèi)積。

    要使模型(8)能夠零誤差地逼近上述N個(gè)樣本,指的是:

    [j=1Noj-tj=0] (9)

    也就是,存在[W,β和b],使得:

    [i=1Ngwi?xj+biβi=tj, j=1,2,…,N] (10)

    利用矩陣表示,式(10)可以寫成:

    [Hβ=T] (11)

    式中:[T∈RN×m]和[β∈RN×m]的定義分別見(jiàn)式(6)和式(7);[H=HW,b=(bij)N×N],這里[Hij=g(wj?xi+bj)],其第i列對(duì)應(yīng)第i個(gè)隱藏層單元的輸出向量。

    2.2 基于梯度的學(xué)習(xí)算法

    當(dāng)隱藏層單元的個(gè)數(shù)和樣本的個(gè)數(shù)相同,即[N=N],且矩陣H可逆時(shí),式(11)有惟一解,即前面所述“零誤差地逼近樣本”。然而大多數(shù)情況下,隱藏層單元的個(gè)數(shù)遠(yuǎn)小于樣本個(gè)數(shù),此時(shí)H為長(zhǎng)方陣,且不一定存在[W,b和β],使得:

    [HW,bβ-T=minW,b,βHW,bβ-T] (12)

    式(12)等價(jià)于以下極小化成本函數(shù)(cost function):

    [E=j=1Ni=1Ngwi?xj+biβi-tj2] (13)

    該極小化問(wèn)題通常采用基于梯度的學(xué)習(xí)算法來(lái)求解。記[θ=(W,β,b)]表示所有的參數(shù),則相應(yīng)的迭代格式為:

    [θk=θk-1-η?E(θ)?θ] (14)

    式中η為學(xué)習(xí)率。

    對(duì)于前饋型神經(jīng)網(wǎng)絡(luò),常用的學(xué)習(xí)算法是反向傳導(dǎo)(Back?Propagation,BP)法,但該方法存在以下問(wèn)題[10]:

    (1) 學(xué)習(xí)率的取值不易確定;

    (2) 可能收斂到局部最?。?/p>

    (3) 易造成過(guò)度訓(xùn)練;

    (4) 基于梯度的學(xué)習(xí)算法較為耗時(shí)。

    2.3 SLFNs的最小范數(shù)最小二乘解

    SLFNs的通常的學(xué)習(xí)算法中,輸入權(quán)值W和隱藏層單元的偏置向量b都要通過(guò)迭代不斷地進(jìn)行調(diào)整,事實(shí)上大量實(shí)驗(yàn)結(jié)果表明,SLFNs的參數(shù)W和b不需要進(jìn)行調(diào)整,且可以隨機(jī)指定。當(dāng)W和b固定時(shí),式(12)等價(jià)于求線性系統(tǒng)(11)的最小二乘解,即:

    [Hβ-T=minβHβ-T] (15)

    根據(jù)定理[Gy]是[Ax=y]的最小范數(shù)最小二乘解等價(jià)于[G=A?],式(11)的最小范數(shù)最小二乘解為:

    [β=H+T] (16)

    2.4 ELM算法

    至此,ELM的算法流程總結(jié)如下:

    算法1:給定訓(xùn)練樣本集合[?=][xi,tixi∈Rn,ti∈RmNi=1],激勵(lì)函數(shù)[g(x)] ,隱藏層單元個(gè)數(shù)[N]。

    第一步:任意指定輸入權(quán)值[wi,bi, i=1,2,3,…, N]。

    第二步:計(jì)算隱藏層輸出矩陣H。

    第三步:計(jì)算輸出權(quán)矩陣[β=H+T。]

    3 實(shí) 驗(yàn)

    為了評(píng)價(jià)拼接后的新描述符,并驗(yàn)證ELM算法在運(yùn)動(dòng)數(shù)據(jù)上的分類能力,本文參照文獻(xiàn)[8?9]在數(shù)據(jù)集MSR?Action3D和HDM05上做了對(duì)比實(shí)驗(yàn)。實(shí)驗(yàn)中分別使用了線性SVM和ELM分類器,以及基于投票的VELM分類器[14],其中SVM采用了LIBSVM軟件[15]。

    3.1 MSR?Action3D數(shù)據(jù)集

    MSR?Action3D數(shù)據(jù)集[16]包含10個(gè)人的20種不同動(dòng)作,每個(gè)動(dòng)作重復(fù)2~3遍,一共有567個(gè)運(yùn)動(dòng)序列,參照文獻(xiàn)[8],本文采用了其中的544個(gè)。該數(shù)據(jù)集由微軟Kinect傳感器采集,記錄了深度信息和骨架關(guān)節(jié)位置,其中僅需要用到骨架信息,每個(gè)骨架包含20個(gè)關(guān)節(jié)。在數(shù)據(jù)的使用上,沿用了文獻(xiàn)[16]的方法,將整個(gè)數(shù)據(jù)集分成3個(gè)子集,每個(gè)子集包含8類動(dòng)作,子集之間有交疊。各子集分別訓(xùn)練分類器,最后統(tǒng)計(jì)3個(gè)子集的平均訓(xùn)練精度。訓(xùn)練集和測(cè)試集的劃分方法為根據(jù)表演者選取編號(hào)為1~5的5個(gè)人的運(yùn)動(dòng)數(shù)據(jù)作訓(xùn)練,另外5個(gè)人的數(shù)據(jù)做測(cè)試。

    本文使用相同的數(shù)據(jù)集在改變描述符結(jié)構(gòu)參數(shù)的情況下,分別采用不同的特征描述符和不同的分類器的組合,SVM選用線性核函數(shù),ELM隱藏層單元個(gè)數(shù)設(shè)為10 000,VELM為10個(gè)ELM進(jìn)行投票,每個(gè)ELM的隱藏層單元個(gè)數(shù)為1 000,各數(shù)據(jù)子集的平均識(shí)別率如表1所示。

    表1 各種方法在MSR?Action3D數(shù)據(jù)集上的識(shí)別率

    表1中:L表示特征描述符的層數(shù);帶有OL的表示各層窗口間帶交疊;CV表示協(xié)方差描述符;HOD表示方向位移直方圖描述符。HOD描述符不存在交疊情況,所以表格的后兩格為空。MIX表示組合描述符,組合描述符的交疊是指帶交疊的協(xié)方差描述符和不帶交疊的HOD描述符的組合。從表1可以看出,組合特征描述符結(jié)合ELM分類器在該數(shù)據(jù)集上具有明顯優(yōu)勢(shì),另外ELM算法對(duì)協(xié)方差描述符的分類效果對(duì)比SVM也有明顯提高。為驗(yàn)證該結(jié)論的一般性,分別在不同的訓(xùn)練集和測(cè)試集劃分方式下進(jìn)行了10次上述實(shí)驗(yàn),平均結(jié)果如表2所示,可見(jiàn)結(jié)論具有一般性。

    3.2 HDM05運(yùn)動(dòng)捕獲數(shù)據(jù)集

    參照文獻(xiàn)[17],本文還在運(yùn)動(dòng)捕獲數(shù)據(jù)集HDM05上進(jìn)行了上述實(shí)驗(yàn)。該數(shù)據(jù)集與MSR?Action3D數(shù)據(jù)集的主要區(qū)別在于:

    (1) HDM05采用專業(yè)的運(yùn)動(dòng)捕獲設(shè)備可以獲取具有較小噪聲的數(shù)據(jù);

    (2) 該數(shù)據(jù)集的骨架節(jié)點(diǎn)為31個(gè),這會(huì)使得兩種特征描述符均變長(zhǎng);

    (3) 每秒采集的幀數(shù)也高很多,達(dá)到120 f/s而不是前一數(shù)據(jù)集的30 f/s。

    表2 10種劃分方式下MSR?Action3D數(shù)據(jù)集平均識(shí)別率

    實(shí)驗(yàn)中使用了和文獻(xiàn)[17]一樣的5個(gè)人表演的11個(gè)動(dòng)作,這11個(gè)動(dòng)作分別是:deposit floor,elbow to knee,grab high,hop both legs,jog,kick forward,lie down,floor,rotate both arms backward,sneak,squat和throw basketball。但是由于無(wú)法找到與原文獻(xiàn)中一樣的運(yùn)動(dòng)序列,在保證動(dòng)作類別相同的情況下在該數(shù)據(jù)集下隨機(jī)選擇了277個(gè)運(yùn)動(dòng)序列,將其中3個(gè)演員的動(dòng)作做訓(xùn)練,其余2個(gè)演員的動(dòng)作做測(cè)試,如同前一數(shù)據(jù)集,窮舉了全部10種訓(xùn)練、測(cè)試集的劃分,并剔除其中一種明顯出錯(cuò)的情況,最后統(tǒng)計(jì)剩余的9種,9次的平均結(jié)果如表3所示。

    結(jié)果可以看出ELM算法對(duì)各種特征描述符的分類結(jié)果均優(yōu)于SVM。比較表3和表2,發(fā)現(xiàn)雖然用作訓(xùn)練的樣本個(gè)數(shù)相差無(wú)幾,但相同的特征描述符和分類器對(duì)HDM05數(shù)據(jù)集的識(shí)別率要遠(yuǎn)高于MSR?Action3D數(shù)據(jù)集。這是HDM05數(shù)據(jù)集低噪聲,高幀率,以及較多的關(guān)節(jié)數(shù)決定的。

    4 結(jié) 語(yǔ)

    本文將協(xié)方差描述符和HOD描述符線性組合起來(lái)形成一個(gè)既包含靜態(tài)的每幀各關(guān)節(jié)間的依賴信息,又包含動(dòng)態(tài)的每個(gè)關(guān)節(jié)各幀之間位移關(guān)系的新描述符。分別將這3種描述符在MSR?Action3D數(shù)據(jù)集和HDM05數(shù)據(jù)集上用線性SVM,ELM和VELM做分類,結(jié)果表明:ELM和基于投票的VELM在各種特征上的效果均不遜于SVM,且在MSR?Action3D數(shù)據(jù)集上結(jié)合組合特征對(duì)分類精度得到了很大改善,這證明了ELM算法在處理人體運(yùn)動(dòng)這樣的流形數(shù)據(jù)上的優(yōu)勢(shì);組合后的特征描述符在低質(zhì)量的數(shù)據(jù)上,能夠起到特征互補(bǔ)的作用,提高識(shí)別率。但是在HDM05這樣的高質(zhì)量數(shù)據(jù)集上,組合后的特征并無(wú)明顯優(yōu)勢(shì)。結(jié)合具體樣本分析后HOD提取的特征具有尺度和速度不變性,而協(xié)方差特征具有縮放和平移不變性,不具備旋轉(zhuǎn)不變性,這樣的兩種特征簡(jiǎn)單拼接會(huì)互相削弱各自性質(zhì)的表達(dá)。

    在后期工作中,期望建立新的描述符,對(duì)子關(guān)節(jié)相對(duì)父關(guān)節(jié)的旋轉(zhuǎn)角度提取特征,以實(shí)現(xiàn)旋轉(zhuǎn)、縮放、平移和尺度的不變性,來(lái)進(jìn)一步改善分類效果。

    表3 9種劃分方法下HDM05數(shù)據(jù)集平均識(shí)別率

    參考文獻(xiàn)

    [1] 藍(lán)榮祎.人體運(yùn)動(dòng)捕獲數(shù)據(jù)的建模與重用研究[D].南京:南京理工大學(xué),2013.

    [2] M?LLER M, R?DER T, CLAUSEN M, et al. Documentation mocap database HDM 05 [D]. Germeny: Universitat Bonn, 2007.

    [3] WU S, LI Y, ZHANG J. A hierarchical motion trajectory signature descriptor; proceedings of the robotics and automation [C]// Proceedings of 2008 IEEE International Conference on ICRA.[S.l.]: IEEE, 2008: 3070?3075.

    [4] YANG J, LI Y, WANG K. A new descriptor for 3D trajectory recognition via modified CDTW [C]// proceedings of 2010 IEEE International Conference on the Automation and Logistics (ICAL). [S.l.]: IEEE, 2010: 37?42.

    [5] WANG H, KLASER A, SCHMID C, et al. Action recognition by dense trajectories[C]// Proceedings of 2011 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). [S.l.]: IEEE, 2011: 3169?3176.

    [6] WANG J, LIU Z, WU Y, et al. Mining actionlet ensemble for action recognition with depth cameras [C]// proceedings of 2012 IEEE Conference on Computer Vision and Pattern Recognition (CVPR). [S.l.]: IEEE, 2012: 1290?1297.

    [7] XIA L, CHEN C?C, AGGARWAL J. View invariant human action recognition using histograms of 3d joints [C]// proceedings of 2012 IEEE Computer Society Conference on the Computer Vision and Pattern Recognition Workshops (CVPRW). [S.l.]: IEEE, 2012: 20?27.

    [8] HUSSEIN M E, TORKI M, GOWAYYED M A, et al. Human action recognition using a temporal hierarchy of covariance descriptors on 3d joint locations [C]// proceedings of the Twenty?third International Joint Conference on Artificial Intelligence. USA: AAAI Press, 2013: 2466?2472.

    [9] GOWAYYED M A, TORKI M, HUSSEIN M E, et al. Histogram of oriented displacements (HOD): describing trajectories of human joints for action recognition [C]// proceedings of the Twenty?third International Joint Conference on Artificial Intelligence. USA: AAAI Press, 2013: 1351?1357.

    [10] HUANG G?B, ZHU Q?Y, SIEW C?K. Extreme learning machine: a new learning scheme of feedforward neural networks [C]// Proceedings of 2004 IEEE International Joint Conference on Neural Networks. [S.l.]: IEEE 2004: 985?990.

    [11] LAZEBNIK S, SCHMID C, PONCE J. Beyond bags of features: Spatial pyramid matching for recognizing natural scene categories[C]// proceedings of 2006 IEEE Computer Society Conference on the Computer Vision and Pattern Recognition. [S.l.]: IEEE, 2006: 45?49.

    [12] TUZEL O, PORIKLI F, MEER P. Pedestrian detection via classification on riemannian manifolds [J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2008, 30(10): 1713?1727.

    [13] WIDROW B, GREENBLATT A, KIM Y, et al. The< i> No?Prop algorithm: A new learning algorithm for multilayer neural networks [J]. Neural Networks, 2013, 37: 182?188.

    [14] CAO J, LIN Z, HUANG G?B, et al. Voting based extreme learning machine [J]. Information Sciences, 2012, 185(1): 66?77.

    [15] CHANG C?C, LIN C?J. LIBSVM: a library for support vector machines [J]. ACM Transactions on Intelligent Systems and Technology (TIST), 2011, 2(3): 27?33.

    [16] LI W, ZHANG Z, LIU Z. Action recognition based on a bag of 3d points [C]// proceedings of 2010 IEEE Computer Society Conference on the Computer Vision and Pattern Recognition Workshops (CVPRW). [S.l.]: IEEE, 2010: 9?14.

    [17] OFLI F, CHAUDHRY R, KURILLO G, et al. Sequence of the most informative joints (smij): A new representation for human skeletal action recognition [J]. Journal of Visual Communication and Image Representation, 2014, 25(1): 24?38.

    猜你喜歡
    極限學(xué)習(xí)機(jī)協(xié)方差
    基于稀疏編碼器與集成學(xué)習(xí)的文本分類
    神經(jīng)元的形態(tài)分類方法研究
    基于判別信息極限學(xué)習(xí)機(jī)的高光譜遙感圖像分類
    極限學(xué)習(xí)機(jī)修正誤差的體育成績(jī)預(yù)測(cè)模型
    多元線性模型中回歸系數(shù)矩陣的可估函數(shù)和協(xié)方差陣的同時(shí)Bayes估計(jì)及優(yōu)良性
    基于極限學(xué)習(xí)機(jī)的玻璃瓶口缺陷檢測(cè)方法研究
    二維隨機(jī)變量邊緣分布函數(shù)的教學(xué)探索
    考試周刊(2016年54期)2016-07-18 08:01:58
    不確定系統(tǒng)改進(jìn)的魯棒協(xié)方差交叉融合穩(wěn)態(tài)Kalman預(yù)報(bào)器
    極限學(xué)習(xí)機(jī)在圖像分割中的應(yīng)用
    一種基于廣義協(xié)方差矩陣的欠定盲辨識(shí)方法
    我的女老师完整版在线观看| 亚洲欧洲日产国产| 国产黄色免费在线视频| 色5月婷婷丁香| 国产精品伦人一区二区| 黄色视频在线播放观看不卡| 2021少妇久久久久久久久久久| 高清不卡的av网站| 中国国产av一级| 久久国产乱子免费精品| 久久女婷五月综合色啪小说| 黑丝袜美女国产一区| 免费观看a级毛片全部| 国产精品一区二区在线不卡| 精品久久久久久久末码| 精品人妻一区二区三区麻豆| 成人亚洲精品一区在线观看 | 免费不卡的大黄色大毛片视频在线观看| 中文欧美无线码| 高清视频免费观看一区二区| 一个人看的www免费观看视频| 日本黄大片高清| 国产精品一区二区在线观看99| 日韩成人伦理影院| 91狼人影院| 亚洲欧美日韩东京热| 国产成人一区二区在线| 国产成人精品福利久久| 99精国产麻豆久久婷婷| 久久久久久久久久人人人人人人| 久久久久久久久久久免费av| 制服丝袜香蕉在线| 男女边摸边吃奶| 一区在线观看完整版| 成人国产av品久久久| 伦精品一区二区三区| 91久久精品电影网| 97在线视频观看| 中文乱码字字幕精品一区二区三区| 一个人免费看片子| 边亲边吃奶的免费视频| 97超视频在线观看视频| 好男人视频免费观看在线| 中文字幕免费在线视频6| 亚洲在久久综合| 亚洲精品,欧美精品| 黑人猛操日本美女一级片| 老司机影院成人| 国产高清三级在线| 最近中文字幕2019免费版| 黄片无遮挡物在线观看| 欧美一区二区亚洲| 精品人妻一区二区三区麻豆| 韩国av在线不卡| 久久99热这里只有精品18| 啦啦啦在线观看免费高清www| 最近最新中文字幕免费大全7| 一级片'在线观看视频| 成人特级av手机在线观看| 少妇人妻 视频| 亚洲精品,欧美精品| av免费在线看不卡| 欧美少妇被猛烈插入视频| 美女xxoo啪啪120秒动态图| 久久99热这里只有精品18| 少妇人妻 视频| 97超视频在线观看视频| 精品一区在线观看国产| 啦啦啦视频在线资源免费观看| 国产高清有码在线观看视频| av卡一久久| 简卡轻食公司| 日韩免费高清中文字幕av| a 毛片基地| 国产一级毛片在线| 欧美97在线视频| 男的添女的下面高潮视频| 国产成人精品婷婷| 女性被躁到高潮视频| 精品久久久噜噜| 我的老师免费观看完整版| 国产精品秋霞免费鲁丝片| 国国产精品蜜臀av免费| 午夜免费鲁丝| 精品久久久久久久久av| 伦理电影免费视频| 男女国产视频网站| 免费大片18禁| 高清不卡的av网站| 我要看黄色一级片免费的| 国产黄色视频一区二区在线观看| 午夜精品国产一区二区电影| 日韩免费高清中文字幕av| 国产精品国产三级国产专区5o| 婷婷色av中文字幕| a 毛片基地| 国产片特级美女逼逼视频| 丝袜喷水一区| 寂寞人妻少妇视频99o| 日本午夜av视频| 一边亲一边摸免费视频| 婷婷色综合www| 熟女人妻精品中文字幕| 日韩电影二区| 亚洲精品自拍成人| 狂野欧美激情性xxxx在线观看| 亚洲精品第二区| kizo精华| 久久国产乱子免费精品| 卡戴珊不雅视频在线播放| 狠狠精品人妻久久久久久综合| 少妇高潮的动态图| 国产伦精品一区二区三区视频9| 天天躁日日操中文字幕| 国产乱人偷精品视频| 你懂的网址亚洲精品在线观看| 亚洲精品乱久久久久久| 在线免费十八禁| av视频免费观看在线观看| 久久99精品国语久久久| 亚洲精品久久午夜乱码| 中文字幕免费在线视频6| 久久久久久久久久人人人人人人| 各种免费的搞黄视频| 麻豆成人午夜福利视频| 国产av一区二区精品久久 | 成人特级av手机在线观看| 久久99热6这里只有精品| 国产伦在线观看视频一区| av免费观看日本| 六月丁香七月| 亚洲国产毛片av蜜桃av| 午夜福利网站1000一区二区三区| 麻豆国产97在线/欧美| 久久人人爽人人片av| 内射极品少妇av片p| 最黄视频免费看| 97热精品久久久久久| 国产日韩欧美在线精品| 91午夜精品亚洲一区二区三区| 超碰av人人做人人爽久久| 久热久热在线精品观看| 伦理电影大哥的女人| 一级毛片 在线播放| 日韩亚洲欧美综合| 联通29元200g的流量卡| 亚洲一区二区三区欧美精品| 久久综合国产亚洲精品| 免费黄网站久久成人精品| 欧美极品一区二区三区四区| 女性生殖器流出的白浆| 各种免费的搞黄视频| 狂野欧美激情性bbbbbb| 内射极品少妇av片p| 搡女人真爽免费视频火全软件| 性色avwww在线观看| 一个人免费看片子| 91久久精品电影网| 欧美一区二区亚洲| 高清毛片免费看| 久久人妻熟女aⅴ| 丰满乱子伦码专区| 免费看日本二区| 国产精品一区二区在线观看99| 中文精品一卡2卡3卡4更新| 51国产日韩欧美| 欧美+日韩+精品| 亚洲av成人精品一二三区| 在现免费观看毛片| 久久毛片免费看一区二区三区| 男人舔奶头视频| 国产精品三级大全| 亚洲精品日本国产第一区| 国产成人一区二区在线| 成人毛片60女人毛片免费| 精品久久久久久电影网| av一本久久久久| 日韩 亚洲 欧美在线| 精品一区二区三卡| 纵有疾风起免费观看全集完整版| 五月伊人婷婷丁香| 亚洲综合色惰| 国产亚洲最大av| 男人爽女人下面视频在线观看| 国产乱人偷精品视频| 老司机影院毛片| 日韩不卡一区二区三区视频在线| 日本爱情动作片www.在线观看| 日本黄色片子视频| 人妻 亚洲 视频| 日本av免费视频播放| 精品一区在线观看国产| 五月天丁香电影| 亚洲不卡免费看| 亚洲成色77777| 欧美精品一区二区免费开放| 久久青草综合色| 99热这里只有精品一区| 成人高潮视频无遮挡免费网站| 中文天堂在线官网| 国产一区亚洲一区在线观看| 日本欧美国产在线视频| 久久婷婷青草| 欧美三级亚洲精品| 色吧在线观看| 日韩强制内射视频| 99热这里只有是精品在线观看| 国产欧美日韩精品一区二区| 日本免费在线观看一区| www.色视频.com| 国产精品爽爽va在线观看网站| 免费看日本二区| 欧美激情国产日韩精品一区| 久久久午夜欧美精品| 国产精品免费大片| 美女cb高潮喷水在线观看| 欧美一级a爱片免费观看看| 国产黄片美女视频| 美女主播在线视频| 在线观看三级黄色| 亚洲成人手机| 欧美97在线视频| 久久人妻熟女aⅴ| 亚洲伊人久久精品综合| 91精品国产国语对白视频| 麻豆乱淫一区二区| 老师上课跳d突然被开到最大视频| 全区人妻精品视频| 日本wwww免费看| 久久国产亚洲av麻豆专区| 国产一级毛片在线| 国产在线视频一区二区| 精品久久久久久久久亚洲| 亚洲精品久久午夜乱码| 亚洲精品456在线播放app| 亚洲人成网站在线观看播放| 网址你懂的国产日韩在线| 亚洲av中文av极速乱| 久久ye,这里只有精品| 美女高潮的动态| 亚洲性久久影院| 日产精品乱码卡一卡2卡三| 免费av中文字幕在线| 亚洲欧美中文字幕日韩二区| 午夜免费观看性视频| 91久久精品电影网| 亚洲国产欧美人成| 久久国产亚洲av麻豆专区| 在线亚洲精品国产二区图片欧美 | 九九久久精品国产亚洲av麻豆| 一级二级三级毛片免费看| 免费在线观看成人毛片| 夜夜爽夜夜爽视频| 国产精品久久久久久久电影| 精华霜和精华液先用哪个| 99九九线精品视频在线观看视频| 在线免费观看不下载黄p国产| 一级毛片aaaaaa免费看小| 久久人妻熟女aⅴ| 七月丁香在线播放| 欧美xxxx黑人xx丫x性爽| av线在线观看网站| 夫妻性生交免费视频一级片| 美女国产视频在线观看| 亚洲成人一二三区av| 身体一侧抽搐| 欧美zozozo另类| 99久久精品一区二区三区| 久久99热这里只有精品18| 色视频www国产| 大话2 男鬼变身卡| 啦啦啦视频在线资源免费观看| 人人妻人人看人人澡| 一本色道久久久久久精品综合| 极品教师在线视频| 亚洲精品日韩在线中文字幕| 春色校园在线视频观看| 岛国毛片在线播放| 亚洲精品国产色婷婷电影| 欧美成人午夜免费资源| 日本与韩国留学比较| 麻豆成人午夜福利视频| 国产男女超爽视频在线观看| 日韩中文字幕视频在线看片 | 色婷婷av一区二区三区视频| 插阴视频在线观看视频| 国产亚洲av片在线观看秒播厂| 成人免费观看视频高清| 亚洲伊人久久精品综合| 91精品国产国语对白视频| 一级av片app| 久久av网站| 欧美日韩视频精品一区| 在线观看美女被高潮喷水网站| 麻豆精品久久久久久蜜桃| av视频免费观看在线观看| 日韩一本色道免费dvd| 成人特级av手机在线观看| 日韩一区二区三区影片| 小蜜桃在线观看免费完整版高清| 男人舔奶头视频| 亚洲av电影在线观看一区二区三区| a级毛色黄片| 日本黄色日本黄色录像| 日韩伦理黄色片| 国产免费视频播放在线视频| 内地一区二区视频在线| 一级毛片黄色毛片免费观看视频| av又黄又爽大尺度在线免费看| 欧美精品亚洲一区二区| 亚洲国产高清在线一区二区三| 久久韩国三级中文字幕| 欧美+日韩+精品| 成人特级av手机在线观看| 在线观看一区二区三区激情| 99热国产这里只有精品6| videossex国产| a级一级毛片免费在线观看| 国产精品秋霞免费鲁丝片| 国产精品久久久久久精品古装| 男女啪啪激烈高潮av片| 王馨瑶露胸无遮挡在线观看| 欧美一级a爱片免费观看看| 一区在线观看完整版| 一级黄片播放器| 在线精品无人区一区二区三 | 国产精品蜜桃在线观看| 大香蕉久久网| 色婷婷av一区二区三区视频| 王馨瑶露胸无遮挡在线观看| 老师上课跳d突然被开到最大视频| 三级国产精品欧美在线观看| 丰满乱子伦码专区| 欧美 日韩 精品 国产| 成人亚洲精品一区在线观看 | 99久国产av精品国产电影| 国产日韩欧美在线精品| 国产黄色免费在线视频| 日本av手机在线免费观看| 如何舔出高潮| av福利片在线观看| 啦啦啦在线观看免费高清www| 亚洲精品成人av观看孕妇| 亚洲久久久国产精品| 啦啦啦在线观看免费高清www| 成人二区视频| 99视频精品全部免费 在线| 日韩av免费高清视频| 妹子高潮喷水视频| av福利片在线观看| 麻豆国产97在线/欧美| 超碰97精品在线观看| 欧美日韩综合久久久久久| 男女边吃奶边做爰视频| 麻豆精品久久久久久蜜桃| 国产黄片美女视频| 精品久久国产蜜桃| 男人添女人高潮全过程视频| 一本色道久久久久久精品综合| 尤物成人国产欧美一区二区三区| 草草在线视频免费看| 中文字幕免费在线视频6| 日本午夜av视频| 亚洲精品中文字幕在线视频 | 一区在线观看完整版| 久久精品久久久久久久性| 国产精品国产三级专区第一集| 最近的中文字幕免费完整| 午夜福利高清视频| 黄色视频在线播放观看不卡| 在线看a的网站| 99久国产av精品国产电影| 欧美三级亚洲精品| 99久久精品国产国产毛片| 高清午夜精品一区二区三区| 18禁裸乳无遮挡免费网站照片| 国产高清不卡午夜福利| 天天躁日日操中文字幕| 亚洲经典国产精华液单| 国产av国产精品国产| 亚洲久久久国产精品| 视频中文字幕在线观看| 亚洲久久久国产精品| 观看美女的网站| 在线精品无人区一区二区三 | 国产av码专区亚洲av| 能在线免费看毛片的网站| 人人妻人人澡人人爽人人夜夜| 欧美成人a在线观看| 亚洲中文av在线| 卡戴珊不雅视频在线播放| 看十八女毛片水多多多| 国产成人a∨麻豆精品| 性高湖久久久久久久久免费观看| 一二三四中文在线观看免费高清| 国产欧美亚洲国产| 在线观看免费高清a一片| 国产精品.久久久| 卡戴珊不雅视频在线播放| 成人亚洲精品一区在线观看 | 欧美+日韩+精品| 国产综合精华液| 亚洲国产精品999| 美女xxoo啪啪120秒动态图| 亚洲,欧美,日韩| 一级毛片久久久久久久久女| 人妻一区二区av| 免费大片18禁| 成人高潮视频无遮挡免费网站| 欧美日韩视频高清一区二区三区二| 在线观看一区二区三区激情| 精品久久久久久久久亚洲| 亚洲欧美一区二区三区国产| 99精国产麻豆久久婷婷| av一本久久久久| 妹子高潮喷水视频| 国产在线免费精品| 国产精品av视频在线免费观看| 欧美成人a在线观看| 欧美成人精品欧美一级黄| 久久毛片免费看一区二区三区| 人妻夜夜爽99麻豆av| 在线观看一区二区三区| 免费大片18禁| 干丝袜人妻中文字幕| 欧美+日韩+精品| 成人黄色视频免费在线看| 午夜免费鲁丝| 18禁动态无遮挡网站| 亚洲国产日韩一区二区| 免费观看a级毛片全部| 在线观看美女被高潮喷水网站| 欧美精品亚洲一区二区| 国产色婷婷99| 1000部很黄的大片| 少妇的逼好多水| 爱豆传媒免费全集在线观看| 一级毛片久久久久久久久女| 午夜激情福利司机影院| 久久国产精品男人的天堂亚洲 | 国产精品一区二区性色av| 久久精品久久精品一区二区三区| 久久国产精品男人的天堂亚洲 | 国产精品免费大片| 久久久久久久大尺度免费视频| 国产爱豆传媒在线观看| 在线观看免费高清a一片| 国产精品国产av在线观看| 亚洲av福利一区| 国产一区有黄有色的免费视频| 在线观看三级黄色| 国产在线男女| 丰满迷人的少妇在线观看| 亚洲欧美日韩东京热| 欧美一区二区亚洲| 日韩,欧美,国产一区二区三区| 国产av国产精品国产| 波野结衣二区三区在线| 春色校园在线视频观看| 久久久久久九九精品二区国产| 少妇 在线观看| 国产午夜精品久久久久久一区二区三区| 亚洲av综合色区一区| 欧美bdsm另类| 中文字幕人妻熟人妻熟丝袜美| 日韩大片免费观看网站| 我要看黄色一级片免费的| 人人妻人人爽人人添夜夜欢视频 | 精品人妻偷拍中文字幕| 18禁在线无遮挡免费观看视频| 久久av网站| 色哟哟·www| 在线观看人妻少妇| 亚洲天堂av无毛| 亚洲精品国产av成人精品| 日韩,欧美,国产一区二区三区| 久久久精品94久久精品| 国产亚洲av片在线观看秒播厂| 日本av免费视频播放| 色婷婷久久久亚洲欧美| 黄色日韩在线| 日本爱情动作片www.在线观看| 人人妻人人看人人澡| 亚洲av福利一区| 精品亚洲成a人片在线观看 | 嘟嘟电影网在线观看| 国产黄色免费在线视频| 精品人妻熟女av久视频| 大话2 男鬼变身卡| 插阴视频在线观看视频| 亚洲色图av天堂| 一级毛片久久久久久久久女| 成年女人在线观看亚洲视频| 久久久久久久久大av| 国产精品久久久久久久久免| 国产极品天堂在线| 简卡轻食公司| 国产免费福利视频在线观看| 18禁裸乳无遮挡免费网站照片| .国产精品久久| 女人十人毛片免费观看3o分钟| 亚洲久久久国产精品| 久久久久人妻精品一区果冻| 黄色欧美视频在线观看| www.色视频.com| 午夜精品国产一区二区电影| 一区二区三区精品91| a 毛片基地| 99re6热这里在线精品视频| 99久久精品热视频| 女性被躁到高潮视频| 尾随美女入室| 亚洲欧美成人综合另类久久久| 一本一本综合久久| 亚洲无线观看免费| 精品一区二区免费观看| 亚洲国产色片| 亚洲性久久影院| 久久久久久伊人网av| 国产精品99久久99久久久不卡 | 国产精品一区二区性色av| 男人和女人高潮做爰伦理| 国产精品久久久久久久电影| 久久国内精品自在自线图片| av.在线天堂| 日本欧美国产在线视频| 交换朋友夫妻互换小说| 狂野欧美白嫩少妇大欣赏| 久久精品人妻少妇| 人妻系列 视频| 亚洲av国产av综合av卡| 国产乱来视频区| av播播在线观看一区| 一级av片app| 3wmmmm亚洲av在线观看| 成年av动漫网址| 日韩精品有码人妻一区| av专区在线播放| 日日摸夜夜添夜夜爱| 亚洲欧美一区二区三区黑人 | 国产午夜精品一二区理论片| 美女福利国产在线 | 超碰av人人做人人爽久久| 日韩,欧美,国产一区二区三区| 免费观看无遮挡的男女| .国产精品久久| 一本久久精品| 人体艺术视频欧美日本| 欧美日韩国产mv在线观看视频 | 91精品伊人久久大香线蕉| 岛国毛片在线播放| 久久综合国产亚洲精品| 精品少妇黑人巨大在线播放| 偷拍熟女少妇极品色| 国产在线视频一区二区| 日日摸夜夜添夜夜爱| 人人妻人人澡人人爽人人夜夜| videossex国产| 免费观看av网站的网址| 精品一区二区三区视频在线| 在线观看av片永久免费下载| 久久久久性生活片| 亚洲欧美精品专区久久| 嘟嘟电影网在线观看| 久久精品国产自在天天线| 六月丁香七月| 午夜精品国产一区二区电影| 精品久久久久久久久亚洲| 亚洲不卡免费看| 国产精品国产三级国产av玫瑰| 亚洲人成网站高清观看| 久久人人爽人人爽人人片va| 黄色欧美视频在线观看| 又粗又硬又长又爽又黄的视频| 亚洲av中文字字幕乱码综合| 国产视频首页在线观看| 欧美高清成人免费视频www| 国产亚洲最大av| 国产成人午夜福利电影在线观看| 黑人猛操日本美女一级片| 国产精品人妻久久久久久| 免费大片18禁| 欧美激情极品国产一区二区三区 | 一个人看的www免费观看视频| 成人无遮挡网站| 久久久久久久久久人人人人人人| 日韩免费高清中文字幕av| 两个人的视频大全免费| 简卡轻食公司| 国产精品偷伦视频观看了| 晚上一个人看的免费电影| 日本wwww免费看| 在线亚洲精品国产二区图片欧美 | 亚洲精品一区蜜桃| 七月丁香在线播放| 小蜜桃在线观看免费完整版高清| 久久97久久精品| 最近中文字幕2019免费版| 国产亚洲精品久久久com| 22中文网久久字幕| 欧美丝袜亚洲另类| 婷婷色综合大香蕉| 久久精品国产鲁丝片午夜精品| 国产欧美另类精品又又久久亚洲欧美| 国产欧美日韩精品一区二区| 久久综合国产亚洲精品| 黄色日韩在线| 一本一本综合久久| 只有这里有精品99| 成年av动漫网址| 一级毛片 在线播放| 国产淫语在线视频| 美女xxoo啪啪120秒动态图| 人妻 亚洲 视频| 精品久久国产蜜桃|