• <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 ?

    多部件驗(yàn)證的雙層行人檢測(cè)算法*

    2015-12-19 11:59:16譚飛剛劉偉銘
    關(guān)鍵詞:魯棒性行人分類器

    譚飛剛 劉偉銘

    (華南理工大學(xué) 土木與交通工程學(xué)院, 廣東 廣州516040)

    行人是交通系統(tǒng)中的主要參與者,也是交通事故中的主要受害者,如何利用現(xiàn)代科學(xué)技術(shù)來(lái)保護(hù)行人的生命安全變得越來(lái)越迫切[1-2].行人檢測(cè)作為智能交通控制系統(tǒng)、先進(jìn)的輔助駕駛(ADAS)、姿態(tài)估計(jì)等相關(guān)應(yīng)用的基礎(chǔ)也受到廣泛的關(guān)注[3].雖然ADAS 作為汽車安全的一個(gè)重要組成部分受到廣泛的關(guān)注,并且取得了很多重要成果,但仍然面臨著許多挑戰(zhàn)[4]:形態(tài)各異的外貌特征,復(fù)雜多樣的背景環(huán)境,行人與攝像機(jī)之間動(dòng)態(tài)變化的場(chǎng)景,系統(tǒng)實(shí)時(shí)性與穩(wěn)定性的嚴(yán)格要求等.例如ADAS 需要準(zhǔn)確地檢測(cè)出車前行人并能及時(shí)提醒司機(jī)或采取相應(yīng)措施(如剎車等)來(lái)避免人車之間發(fā)生沖突.

    ADAS 不僅要求能夠快速檢測(cè)出行人為司機(jī)提供反應(yīng)時(shí)間,而且要求檢測(cè)準(zhǔn)確度高,盡量減少誤報(bào)率,因此研究者通過(guò)尋找更好的行人描述子或者高效的檢測(cè)算法來(lái)提高行人檢測(cè)的魯棒性與實(shí)時(shí)性.Wu 等[5]利用Edgelet 特征來(lái)檢測(cè)靜態(tài)圖像中的行人.Dalal 等[6]提出的梯度方向直方圖(HOG)特征因?qū)庹兆兓托×科撇幻舾?,且能很好地描述行人的邊緣信息而受到許多學(xué)者的關(guān)注[7-9].Lazebnik 等[10]提出的金字塔梯度方向直方圖(PHOG)特征有效地提升了HOG 特征的提取速度.Ojala 等[11]提出的局部二值模式(LBP)特征因具有維度低、計(jì)算速度快、能很好地刻畫(huà)圖像的紋理信息而得到廣泛的應(yīng)用,并且出現(xiàn)了許多的變體[12].Chen 等[13]提出的韋伯局部描述子(WLD),雖然對(duì)光照和噪聲的干擾有一定的魯棒性, 但其特征提取比較復(fù)雜,計(jì)算量大.在分析上述特征的基礎(chǔ)上,針對(duì)Haar 特征維度高、冗余度大[14-15]、LBP 特征無(wú)法刻畫(huà)人眼視覺(jué)敏感度的缺陷,文中提出了一種基于顯著性的二值化Haar 特征(SLBH).

    目前,基于整體行人特征的一些檢測(cè)方法在無(wú)遮擋情況下取得了很好的檢測(cè)效果[16],但當(dāng)行人之間發(fā)生部分遮擋時(shí),其檢測(cè)性能會(huì)迅速下降;然而,基于部件模型的檢測(cè)方法能在部分遮擋場(chǎng)景中取得較好的檢測(cè)效果[17-19].基于部件模型的方法認(rèn)為行人由多個(gè)關(guān)鍵部位組成,如頭部、軀干、手和腿等[4,18],根據(jù)各部件的檢測(cè)概率來(lái)推斷出檢測(cè)窗口是否包含行人.由于該類方法將行人分散為多個(gè)部件檢測(cè),增強(qiáng)了其對(duì)部分遮擋的魯棒性,因此,在處理行人部分遮擋問(wèn)題中受到廣泛的關(guān)注[20-23].

    Wu 等[24]提出了一種基于部件分割過(guò)程和不同部件檢測(cè)間響應(yīng)的部分遮擋檢測(cè)方法;該方法將行人分割為11 個(gè)部件,利用極大似然函數(shù)來(lái)聯(lián)合各個(gè)部件檢測(cè)器的響應(yīng)值,但需要手動(dòng)調(diào)節(jié)各部件的空間結(jié)構(gòu).Wang 等[19]利用HOG 特征來(lái)檢測(cè)滑動(dòng)窗口內(nèi)的局部區(qū)域,并根據(jù)檢測(cè)結(jié)果來(lái)推斷該窗口中是否存在部分遮擋;該方法需要預(yù)先定義一個(gè)空間結(jié)構(gòu),如行人的上/下半身.Enzweiler 等[17]利用混合專家模型結(jié)合HOG 特征、深度信息和光流信息來(lái)處理部分遮擋問(wèn)題,該方法因需要立體視覺(jué)和運(yùn)動(dòng)信息而導(dǎo)致其應(yīng)用受到限制.Marín 等[18]利用HOG 特征和LBP 特征對(duì)滑動(dòng)窗口內(nèi)各個(gè)塊進(jìn)行檢測(cè),并對(duì)檢測(cè)結(jié)果進(jìn)行分割,進(jìn)而推斷出是否存在遮擋,此方法對(duì)塊大小比較敏感,而且在訓(xùn)練階段需要人工標(biāo)記大量的塊標(biāo)簽信息.Ouyang 等[25]通過(guò)訓(xùn)練一個(gè)雙窗口的深度模型來(lái)檢測(cè)部分遮擋的行人.Tang 等[26]通過(guò)訓(xùn)練具有部分遮擋的雙人可變形部件模型(DMP)[23]來(lái)處理行人之間的部分遮擋問(wèn)題.Gall 等[27]提出了霍夫森林行人檢測(cè)框架.基于部件的行人檢測(cè)方法雖然對(duì)部分遮擋有較好的魯棒性,但其計(jì)算復(fù)雜度隨部件數(shù)的增加呈指數(shù)級(jí)增長(zhǎng).有鑒于此,文中提出了一種結(jié)合整體與局部特征的雙層行人檢測(cè)算法.

    1 SLBH 特征提取

    1.1 顯著性因子

    顯著性因子是對(duì)局部特征顯著性的描述,著名的韋伯定律解釋了局部顯著性不能由差別閾值的絕對(duì)值來(lái)進(jìn)行比較,而應(yīng)由其相對(duì)值進(jìn)行劃定.根據(jù)韋伯定律[13],可以計(jì)算出中心像素點(diǎn)在其鄰域內(nèi)的顯著性因子:

    式中,gc為中心像素點(diǎn)的灰度值,N 為鄰域個(gè)數(shù),gi為對(duì)應(yīng)鄰域像素點(diǎn)的灰度值.S(gc)是局部特征顯著性的描述,易知S(gc)∈[0, ],其值越大顯著性越強(qiáng).

    1.2 改進(jìn)的LBP

    LBP 是一種描述圖像局部紋理的算子,因其具有計(jì)算簡(jiǎn)單、對(duì)光照變化不敏感等優(yōu)點(diǎn)而被廣泛應(yīng)用于不同的領(lǐng)域[11,20].LBP 特征的計(jì)算式如下:

    式中,gi為gc的8 個(gè)鄰域像素點(diǎn)灰度值,s(x,y)為閾值比較函數(shù),

    在計(jì)算出整幅圖像的LBP 特征值后,統(tǒng)計(jì)LBP 特征直方圖:

    其中判斷函數(shù)f(x,y)定義為

    LBP 特征僅利用了中心像素與其鄰域內(nèi)像素間差異的符號(hào)特征,并沒(méi)有充分利用它們之間的差異信息,因此,LBP 特征缺乏對(duì)物體顯著性的描述.如圖1所示,雖然兩個(gè)矩形區(qū)域具有相同的LBP 特征值,但其顯著性因子相差卻很大.由韋伯定律可知,顯著性因子越大,其顯著性越強(qiáng),所描述的信息也越重要,然而LBP 特征并不能描述這些顯著性信息.為此,Cao 等[12]利用中心像素與鄰域像素差異的絕對(duì)值之和作為權(quán)值來(lái)增加像素間差異在LBP 特征直方圖中的影響,即

    式中,K 為最大的LBP 特征值,權(quán)值函數(shù)為

    圖1 LBP 特征值與顯著性因子計(jì)算對(duì)比Fig.1 Comparison of calculation between LBP and saliency factor

    Cao 等[12]提出的加權(quán)LBP直方圖雖然考慮了像素鄰域間差異的影響,但不能很好地描述特征的局部顯著性.因?yàn)榫植匡@著性不能由差別閾值的絕對(duì)值來(lái)進(jìn)行比較,而應(yīng)由其相對(duì)值進(jìn)行劃定.此外,在加權(quán)直方圖統(tǒng)計(jì)過(guò)程中不斷累積權(quán)重,使得各維度之間相差巨大.受韋伯定理的啟發(fā),文中使用更接近人類視覺(jué)差異的顯著性因子作為權(quán)重來(lái)統(tǒng)計(jì)加權(quán)LBP 直方圖,其統(tǒng)計(jì)函數(shù)如下:

    圖2 8 種擴(kuò)展的Haar 特征Fig.2 8 kinds of expansion Haar features

    式中,S(x,y)為點(diǎn)(x,y)的差異激勵(lì).

    1.3 SLBH 特征提取

    Haar 特征由Viola 等[14]最先提出并首次應(yīng)用于行人檢測(cè)中,取得了較好的檢測(cè)效果.但隨著研究的深入,學(xué)者們發(fā)現(xiàn)原始Haar 特征對(duì)于檢測(cè)靜止的、對(duì)稱的物體比較有效,而對(duì)于行人這類非剛性物體,則需要在其他方向上增加能夠描述行人運(yùn)動(dòng)特點(diǎn)的描述特征.Lienhart 等[15]將原始Haar 特征擴(kuò)展到14 種.文中使用8 種擴(kuò)展的Haar 特征,如圖2所示.

    按照標(biāo)準(zhǔn)步驟提取圖2中的8 種Haar 特征,則需要對(duì)每個(gè)矩形區(qū)域進(jìn)行8 次差值計(jì)算,然而通過(guò)觀察發(fā)現(xiàn),如果將圖2中的8 種Haar 特征按照以黑色區(qū)域?yàn)橹丿B區(qū)域的規(guī)則進(jìn)行組合,則這8 種Haar特征構(gòu)成了一個(gè)3×3 的矩形區(qū)域,為方便描述,文中稱Haar 特征的一個(gè)黑色或者白色矩形區(qū)域?yàn)閱卧?,?×3 個(gè)單元組成的矩形區(qū)域稱為一個(gè)塊.如果對(duì)3×3 區(qū)域進(jìn)行從上到下、順時(shí)針編號(hào),則序號(hào)分別為c0、c1、c2、c3、c4、c5、c6、c7,中心黑色矩形編號(hào)為cc,如圖3所示.

    圖3 8 種Haar 特征組合Fig.3 Combination of 8 kinds of Haar features

    然后計(jì)算局部二值化Haar 特征(LBH):

    式中,ci為第i 個(gè)單元內(nèi)所有像素灰度值之和,

    p(k,l)表示圖像在點(diǎn)(k,l)處的像素值,w 和h 分別表示單元的寬度和高度.

    與傳統(tǒng)的Haar 特征提取方法相比,此改進(jìn)的Haar 特征提取方法具有以下優(yōu)勢(shì):

    1)傳統(tǒng)方法按單元對(duì)進(jìn)行提取,并且每次只能提取一種Haar 特征;而文中方法則按照中心單元的8 鄰域提取,每次可以同時(shí)計(jì)算8 種不同類型的Haar 特征.

    2)傳統(tǒng)方法把單元之間差值作為特征值,文中方法引入加權(quán)局部二元模式的思想使LBH 特征擁有傳統(tǒng)Haar 特征無(wú)法比擬的光照不變性.考慮到LBP 模式缺乏顯著性描述的缺陷,文中利用式(8)統(tǒng)計(jì)LBH 特征直方圖(即SLBH 特征)來(lái)進(jìn)一步增加特征對(duì)噪聲的魯棒性.SLBH 特征提取算法的具體步驟如下:

    (1)將輸入圖像轉(zhuǎn)換成灰度圖像;

    (2)按照一定的重疊比將灰度圖像劃分為寬與高分別為w 和h 的單元;

    (3)利用積分圖技術(shù)求取每個(gè)單元的像素灰度值之和;

    (4)將中心單元的8 個(gè)鄰域單元按照?qǐng)D3所示結(jié)構(gòu)組成一個(gè)塊;

    (5)根據(jù)式(9)計(jì)算每個(gè)塊內(nèi)的LBH 值,根據(jù)式(1)計(jì)算每個(gè)塊的顯著性因子;

    (6)按照式(8)統(tǒng)計(jì)直方圖,即為該圖像的SLBH特征.

    2 結(jié)合SLBH 特征的雙層行人檢測(cè)算法

    2.1 雙層行人檢測(cè)算法

    線性SVM 分類器既有SVM 的優(yōu)點(diǎn)又有線性計(jì)算的效率,因此,許多行人檢測(cè)方法都使用線性SVM 分類器.線性SVM 分類器一般都是通過(guò)一條或多條分割線/ 一個(gè)或多個(gè)分割面來(lái)劃分類別.圖4所示為線性SVM 二分類,○類中的A 點(diǎn)被錯(cuò)分到●類中,并且A 點(diǎn)距離分割線非常近,同樣●類中的B 點(diǎn)被錯(cuò)分到○類中.在SVM 分類中,分割距離(即分類器響應(yīng)值)越大表示分類效果越好,而分割距離越小表示其分類的不確定性概率越大,分類正確性的概率越小.

    圖4 線性SVM 分類器示意圖Fig.4 Schematic diagram of liner SVM classifier

    基于上述SVM 分類原理及從粗到細(xì)的檢測(cè)思想,文中提出了一種結(jié)合SLBH 特征的多部件驗(yàn)證雙層行人檢測(cè)算法.該算法在第1 階段利用SLBH特征結(jié)合線性SVM 分類器進(jìn)行快速行人檢測(cè),并對(duì)線性SVM 分類器輸出響應(yīng)值進(jìn)行判斷,如果響應(yīng)值不處于某閾值區(qū)間內(nèi),則直接輸出該窗口的類別標(biāo)簽(包含行人輸出1,其他輸出0);否則,驗(yàn)證當(dāng)前窗口內(nèi)圖像(即進(jìn)入第2 階段).在第2 階段首先對(duì)窗口內(nèi)圖像抽樣出K 個(gè)子區(qū)域并提取各子區(qū)域的HOG 特征,然后利用隨機(jī)森林分類器檢測(cè)出行人各個(gè)部件,通過(guò)貝葉斯決策計(jì)算檢測(cè)器輸出為行人的置信度,最后組合多個(gè)部件檢測(cè)器的置信度來(lái)判斷該窗口是否包含行人.第2 階段主要是處理行人遮擋問(wèn)題和降低誤檢率,進(jìn)一步提高算法的魯棒性和檢測(cè)率.結(jié)合SLBH 特征的雙層行人檢測(cè)算法的具體步驟如下:

    1)利用SLBH 特征對(duì)圖像進(jìn)行快速行人檢測(cè),即s=H(x),x 為SLBH 特征向量,H(·)為線性SVM分類器的分類函數(shù),s 為線性SVM 分類函數(shù)的響應(yīng)值.

    2)判斷s 的范圍,如果αmin

    3)對(duì)窗口內(nèi)圖像進(jìn)行驗(yàn)證

    (1)在圖像窗口中隨機(jī)采樣出K 個(gè)子區(qū)域,即R={R1,R2,…,RK},其中每個(gè)子區(qū)域的寬W 與高H隨機(jī)產(chǎn)生,且滿足12≤W≤20,12≤H≤20.

    (2)提取各個(gè)區(qū)域的HOG 特征,利用隨機(jī)森林分類器進(jìn)行人體部位檢測(cè).

    (3)根據(jù)隨機(jī)森林分類器輸出各部位的響應(yīng)值計(jì)算各部位的檢出概率.

    (4)從檢測(cè)結(jié)果中選擇滿足條件的子區(qū)域作為檢測(cè)器的輸出.

    4)結(jié)合多個(gè)部件檢測(cè)器的輸出并利用貝葉斯定理計(jì)算檢測(cè)器實(shí)際輸出為行人與非行人的概率.

    5)根據(jù)貝葉斯推斷出的概率判斷該窗口是否包含行人.

    6)輸出該窗口的行人類別標(biāo)簽(包含行人輸出1,其他輸出0).

    2.2 人體部件檢測(cè)

    行人整體特征檢測(cè)算法可以比較快速地檢測(cè)出行人,且具有較好的魯棒性,但當(dāng)檢測(cè)場(chǎng)景中存在行人間部分遮擋時(shí),其檢測(cè)性能迅速下降.基于人體部位的檢測(cè)算法將行人看作是多個(gè)部件的組合,通過(guò)檢測(cè)人體各個(gè)部件來(lái)推斷出圖像中是否包含行人.這類算法因?qū)Σ糠终趽蹙哂休^好的魯棒性而受到廣泛的關(guān)注[17,19-20].人體部件可以細(xì)分為幾百個(gè),而且部件越多對(duì)遮擋的魯棒性越好,但部位越多檢測(cè)時(shí)間越長(zhǎng),進(jìn)而影響算法的實(shí)時(shí)性應(yīng)用要求,因此,目前主要將人體劃分為頭肩、手、腿和軀干4 個(gè)部件.

    圖像中行人之間的尺度因拍攝視角、拍攝距離等因素的影響而存在很大的差異,并且行人各部件之間的尺寸也存在著很大的差異.例如,頭的尺寸遠(yuǎn)小于軀干的尺寸等.如果使用相同大小的子區(qū)域來(lái)檢測(cè)人體部件,則存在很難滿足各個(gè)部件尺寸的要求,因此,文中提出了一種隨機(jī)采樣子區(qū)域的方法.假設(shè)當(dāng)前滑動(dòng)窗口為Rc(xc,yc,Wc,Hc),那么隨機(jī)初始化子區(qū)域左上角坐標(biāo)需滿足xc≤xi≤xc+Wc和yc≤yi≤yc+Hc,其高和寬都限制在區(qū)間[12,20]上,并且保證所采樣的子區(qū)域都在當(dāng)前窗口內(nèi).按照上述規(guī)則采樣K 個(gè)子區(qū)域,即R={R1,R2,…,RK},然后提取各子區(qū)域的HOG 特征,最后利用隨機(jī)森林分類器對(duì)各個(gè)子區(qū)域的特征進(jìn)行分類,并根據(jù)分類結(jié)果利用式(11)來(lái)確定哪塊子區(qū)域?qū)儆谀膫€(gè)人體部件.為提高各部件特征的提取速度,文中采樣類似查表法來(lái)提取各部件的HOG 特征.

    式中:i∈{hs,arm,leg,torso},表示頭肩、手、腿和軀干4 個(gè)部件;Ri表示屬于部件i 的子區(qū)域;表示在子區(qū)域Rk內(nèi)檢測(cè)為部件i 的概率;vRk表示第k 個(gè)部件的特征向量.由于隨機(jī)采樣,因此可能存在子區(qū)域重疊現(xiàn)象,如R1和R2都檢測(cè)為頭肩部件.為此,文中采用式(12)來(lái)處理子區(qū)域重疊現(xiàn)象,并最終確定頭肩部件所在區(qū)域.

    近年來(lái),隨機(jī)森林因具有可處理大量輸入變量、分類器準(zhǔn)確度高和學(xué)習(xí)過(guò)程速度快等優(yōu)點(diǎn)而被廣泛應(yīng)用于行人檢測(cè)和其他物體的分類.傳統(tǒng)的隨機(jī)森林在進(jìn)行檢測(cè)過(guò)程中,所有的決策樹(shù)都參與其中,然而對(duì)于一些容易區(qū)分的物體來(lái)說(shuō),所有決策樹(shù)參與判斷并沒(méi)有增加檢測(cè)率,反而增加了檢測(cè)時(shí)間.因此,為了提升物體的檢測(cè)速度,文中采用了一種“軟級(jí)聯(lián)”結(jié)構(gòu)[22].假設(shè)隨機(jī)森林中樹(shù)的最大棵數(shù)為T,初始化棵數(shù)為M,η 為判斷閾值,x 為當(dāng)前窗口中某人體部位的特征向量,則隨機(jī)森林軟級(jí)聯(lián)算法描述如下:

    η 為閾值參數(shù),其目的是快速檢測(cè)出容易識(shí)別的樣本,從而避免所有的樣本都使用T 棵數(shù)來(lái)判斷,進(jìn)而提升分類器的分類速度,一般取η≥0.985,文中選取η=0.99.

    2.3 貝葉斯決策

    雙層行人檢測(cè)算法需要在那些不確定性概率大的窗口內(nèi)對(duì)人體的4 個(gè)部件進(jìn)行檢測(cè),則各關(guān)鍵部件都能被檢測(cè)出來(lái)的概率為

    式中:chs=1,carm=1,cleg=1,ctorso=1,分別表示頭肩、手、腿和軀干被部件檢測(cè)器檢出;R 為當(dāng)前滑動(dòng)窗口區(qū)域.根據(jù)人的身體結(jié)構(gòu)可知,頭肩區(qū)域、手和軀干區(qū)域以及腿部區(qū)域之間存在著一種上下關(guān)系.由于各部件檢測(cè)器相對(duì)獨(dú)立,因此式(13)可轉(zhuǎn)化為

    假設(shè)Hi(Ri)為隨機(jī)森林分類器對(duì)部件i 的響應(yīng)值,則各部件的后驗(yàn)概率為

    那么式(14)可轉(zhuǎn)化為

    設(shè)yi∈{0,1},那么可構(gòu)建如下概率函數(shù):

    式中:權(quán)值ωi=Entropy({ci}),為部件i 被檢測(cè)出來(lái)時(shí)所對(duì)應(yīng)的熵,而部件i 的概率可由式(15)計(jì)算得出.熵的計(jì)算式為

    式中,Pci表示ci被檢測(cè)出來(lái)的概率.

    因此,判斷當(dāng)前滑動(dòng)窗口中包含行人的概率計(jì)算式為

    而當(dāng)前窗口不包含行人的概率為

    那么得到組合檢測(cè)器的最終輸出為

    3 實(shí)驗(yàn)與結(jié)果分析

    實(shí)驗(yàn)所使用的樣本均采集于INRIA 行人樣本庫(kù),其中訓(xùn)練集中正樣本為2416 幅行人圖像,負(fù)樣本為3070 幅;測(cè)試集中正樣本為1 126 幅,負(fù)樣本為3 070 幅;負(fù)樣本都是由INRIA 提供的1 218 幅非行人圖像隨機(jī)裁剪得到.圖5為文中算法的實(shí)驗(yàn)流程圖.為能直觀地顯示出各種算法的檢測(cè)性能,文中使用正確檢測(cè)率(rt)、虛警率(rf)和準(zhǔn)確率(ra)以及平均每幅圖像檢測(cè)時(shí)間(ta)4 種評(píng)價(jià)指標(biāo):

    式中,NTP是行人被檢測(cè)為行人的個(gè)數(shù),NFP是非行人被檢測(cè)為行人的個(gè)數(shù),NTN是非行人被檢測(cè)為非行人的個(gè)數(shù),NFN是行人被檢測(cè)為非行人的個(gè)數(shù).

    圖5 文中算法的實(shí)驗(yàn)流程圖Fig.5 Experimental flowchart of the proposed algorithm

    3.1 SLBH 特征性能評(píng)估

    為了測(cè)試文中改進(jìn)的Haar 特征性能,選用Haar、LBH、WLBP[11]和SLBH 特征做對(duì)比實(shí)驗(yàn),并分別選擇SVM 和RF 作為分類器,實(shí)驗(yàn)統(tǒng)計(jì)結(jié)果如表1所示.從表中可知,SLBH 特征的提取時(shí)間略高于其他3 種特征,但對(duì)于其他評(píng)價(jià)指標(biāo),無(wú)論是SVM 還是RF 分類器,SLBH 特征均優(yōu)于其他3 種特征,而且在RF 分類器上效果更好.

    表1 SLBH、LBH、WLBP 和Haar 特征的性能比較Table1 Comparison of performance among SLBH,LBH,WLBP and Haar features

    3.2 參數(shù)估計(jì)

    為了估計(jì)出各參數(shù)對(duì)算法性能的影響并尋找出各參數(shù)的最優(yōu)取值范圍,對(duì)算法中所涉及的4 個(gè)參數(shù)分別進(jìn)行交叉驗(yàn)證實(shí)驗(yàn).不難發(fā)現(xiàn),SVM 分類器的準(zhǔn)確率受其不確定分類區(qū)域范圍的影響,下限αmin和上限αmax的一個(gè)經(jīng)驗(yàn)取值范圍分別是[-0.6,0]和[0,0.5].如圖6(a)所示,當(dāng)αmin在該區(qū)間內(nèi)變化時(shí),其準(zhǔn)確率并不是隨著αmin變小而提高,而是在αmin小于-0.4 之后基本上趨于不變;圖6(b)中,當(dāng)αmax在[0.1,0.5]之間變化時(shí),準(zhǔn)確率變化很小,而αmax在[0,0.1]之間時(shí)準(zhǔn)確率處于提升狀態(tài).在對(duì)滑動(dòng)窗口內(nèi)圖像進(jìn)行隨機(jī)抽取子區(qū)域時(shí),并不是抽取的子區(qū)域數(shù)K 越多越好,因?yàn)閰^(qū)域間存在重疊,而且抽取的子區(qū)域越多,特征提取以及檢測(cè)判斷耗時(shí)也越多,K 的經(jīng)驗(yàn)取值范圍是[10,20].K 對(duì)文中算法檢測(cè)性能的影響如圖7所示,從圖中可以看出:當(dāng)K≥17時(shí),檢測(cè)性能基本上保持穩(wěn)定且達(dá)到最佳值;當(dāng)K<17時(shí),檢測(cè)性能變化較大,可能是因隨機(jī)抽樣不充分所致.

    圖6 αmin 和αmax 的ROC 曲線Fig.6 ROC curves of αmin and αmax

    圖7 K 對(duì)文中算法檢測(cè)性能的影響Fig.7 Effect of K on detection performance of the proposed algorithm

    3.3 檢測(cè)性能對(duì)比

    在相同的實(shí)驗(yàn)條件下選擇文獻(xiàn)[4]、文獻(xiàn)[11]、文獻(xiàn)[18]和文中算法進(jìn)行對(duì)比實(shí)驗(yàn),并使用TPR-FPR ROC 曲線來(lái)對(duì)比分析各種算法的優(yōu)越性,實(shí)驗(yàn)結(jié)果如圖8所示.在ROC 曲線中,曲線離左上角的距離越近代表算法性能越好,而從圖8中不難看出,文中算法的檢測(cè)率高出其他算法.文獻(xiàn)[4]使用Haar 特征并結(jié)合行人上/下兩部分進(jìn)行驗(yàn)證,雖然與文中算法存在部分類似,但文中算法使用多部件檢測(cè),并且在虛警率為10%時(shí)正確檢測(cè)率就遠(yuǎn)高于文獻(xiàn)[4]算法.文獻(xiàn)[11]算法使用NRLBP 和Shape 特征,NRLBP 特征缺乏對(duì)物體的顯著性描述,而行人在部分遮擋時(shí)形狀會(huì)發(fā)生改變,因此該算法在部分遮擋情況下的檢測(cè)魯棒性不佳.這也體現(xiàn)了文中提出的多部件雙層行人檢測(cè)算法在部分遮擋情形下的優(yōu)越性.

    圖8 不同檢測(cè)算法的實(shí)驗(yàn)結(jié)果對(duì)比Fig.8 Comparison of experimental results among different detection algorithms

    4 結(jié)論

    針對(duì)Haar 特征維度高、冗余大以及對(duì)光照敏感等缺陷,文中提出了一種顯著性的二值化Haar 特征,該特征通過(guò)結(jié)合顯著性和加權(quán)LBP 思想來(lái)減少Haar 特征的維數(shù),增強(qiáng)其紋理描述能力和對(duì)光照的魯棒性.此外,在行人存在部分遮擋的環(huán)境下,基于整體特征提取的算法檢測(cè)效果不理想,而基于部件的行人檢測(cè)算法對(duì)行人部分遮擋具有較好的檢測(cè)效果.為此,文中根據(jù)從粗到細(xì)的思想提出了結(jié)合SLBH 特征的雙層行人檢測(cè)算法.在INRIA 行人樣本庫(kù)上的對(duì)比實(shí)驗(yàn)結(jié)果表明,文中算法的正確檢測(cè)率優(yōu)于其他算法.

    [1]蘇松志,李紹滋,陳淑媛,等.行人檢測(cè)技術(shù)綜述[J].電子學(xué)報(bào),2012,40(4):814-820.Su Song-zhi,Li Shao-zi,Chen Shu-yuan,et al.A survey on pedestrian detection [J].Acta Electronica Sinica,2012,40(4):814-820.

    [2]許騰,黃鐵軍,田永鴻.車載視覺(jué)系統(tǒng)中的行人檢測(cè)技術(shù)綜述[J].中國(guó)圖象圖形學(xué)報(bào),2013,18(4):359-367.Xu Teng,Huang Tie-jun,Tian Yong-hong.Survey on pedestrian detection technology for on-board vision system [J].Journal of Image and Graphics,2013,18(4):359-367.

    [3]Dollar P,Wojek C,Schiele B,et al.Pedestrian detection:an evaluation of the state of the art [J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2012,34(4):743-761.

    [4]Mogelmose A,Prioletti A,Trivedi M M,et al.Two-stage part-based pedestrian detection [C]//Proceedings of the 15th International IEEE Conference on Intelligent Transportation Systems.Anchorage:IEEE,2012:73-77.

    [5]Wu B,Nevatia R,Li Y.Segmentation of multiple,partially occluded objects by grouping,merging,assigning part detection responses [C]//Proceedings of 2008 IEEE Conference on Computer Vision and Pattern Recognition.Anchorage:IEEE,2008:1-8.

    [6]Dalal N,Triggs B.Histograms of oriented gradients for human detection [C]//Proceedings of 2005 IEEE Computer Society Conference on Computer Vision and Pattern Recognition.San Diego:IEEE,2005:886-893.

    [7]孫銳,陳軍,高雋.基于顯著性檢測(cè)與HOG-NMF 特征的快速行人檢測(cè)方法[J].電子與信息學(xué)報(bào),2013,35(8):1921-1926.Sun Rui,Chen Jun,Gao Jun.Fast pedestrian detection based on saliency detection and HOG-NMF features [J].Journal of Electronics & Information Technology,2013,35(8):1921-1926.

    [8]Zhu Q,Yeh M C,Cheng K T,et al.Fast human detection using a cascade of histograms of oriented gradients [C]//Proceedings of 2006 IEEE Computer Society Conference on Computer Vision and Pattern Recognition.New York:IEEE,2006:1491-1498.

    [9]Gan G,Cheng J.Pedestrian detection based on HOG-LBP feature [C]//Proceedings of the 7th International Conference on Computational Intelligence and Security.Kyoto:IEEE,2011:1184-1187.

    [10]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 Computer Vision and Pattern Recognition.New York:IEEE,2006:2169-2178.

    [11]Ojala T,Pietikainen M,Maenpaa T.Multiresolution grayscale and rotation invariant texture classification with local binary patterns [J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2002,24(7):971-987.

    [12]Cao Y,Pranata S,Nishimura H.Local binary pattern features for pedestrian detection at night/dark environment[C]//Proceedings of the 18th IEEE International Conference on Image Processing.Brussels:IEEE,2011:2053-2056.

    [13]Chen J,Shan S,He C,et al.WLD:a robust local image descriptor [J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2010,32(9):1705-1720.

    [14]Viola P,Jones M J,Snow D.Detecting pedestrians using patterns of motion and appearance [J].International Journal of Computer Vision,2005,63(2):153-161.

    [15]Lienhart R,Maydt J.An extended set of haar-like features for rapid object detection [C]//Proceedings of 2002 International Conference on Image Processing.Rochester:IEEE,2002:I-900-I-903.

    [16]胡彬,趙春霞,孫玲.基于多特征融合的行人檢測(cè)[J].圖學(xué)學(xué)報(bào),2013,34(4):29-34.Hu Bin,Zhao Chun-xia,Sun Ling.Human detection based on multi features fusion [J].Journal of Graphics,2013,34(4):29-34.

    [17]Enzweiler M,Eigenstetter A,Schiele B,et al.Multi-cue pedestrian classification with partial occlusion handling[C]//Proceedings of 2010 IEEE Conference on Computer Vision and Pattern Recognition.Francisco:IEEE,2010:990-997.

    [18]Marín J,Vázquez D,López A M,et al.Occlusion handling via random subspace classifiers for human detection[J].IEEE Transactions on Cybernetics,2014,44(3):342-354.

    [19]Wang X,Han T X,Yan S.An HOG-LBP human detector with partial occlusion handling [C]//Proceedings of the 12th International Conference on Computer Vision.Kyoto:IEEE,2009:32-39.

    [20]Felzenszwalb P F,Girshick R B,McAllester D.Cascade object detection with deformable part models [C]//Proceedings of 2010 IEEE Conference on Computer Vision and Pattern Recognition.San Francisco:IEEE,2010:2241-2248.

    [21]Sermanet P,Kavukcuoglu K,Chintala S,et al.Pedestrian detection with unsupervised multi-stage feature learning[C]//Proceedings of 2013 IEEE Conference on Computer Vision and Pattern Recognition.Portland:IEEE,2013:3626-3633.

    [22]Marin J,Vázquez D,López A M,et al.Random forests of local experts for pedestrian detection[C]//Proceedings of 2013 IEEE International Conference on Computer Vision.Sydney:IEEE,2013:2592-2599.

    [23]Felzenszwalb P F,Girshick R B,McAllester D,et al.Object detection with discriminatively trained part-based models [J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2010,32(9):1627-1645.

    [24]Wu B,Nevatia R.Detection and segmentation of multiple,partially occluded objects by grouping,merging,assigning part detection responses [J].International Journal of Computer Vision,2009,82(2):185-204.

    [25]Ouyang W,Zeng X,Wang X.Modeling mutual visibility relationship in pedestrian detection [C]//Proceedings of 2013 IEEE Conference on Computer Vision and Pattern Recognition.Portland:IEEE,2013:3222-3229.

    [26]Tang S,Andriluka M,Schiele B.Detection and tracking of occluded people [J].International Journal of Computer Vision,2014,100(1):58-69.

    [27]Gall J,Lempitsky V.Class-specific hough forestsfor object detection [M].London:Springer,2013:143-157.

    猜你喜歡
    魯棒性行人分類器
    毒舌出沒(méi),行人避讓
    意林(2021年5期)2021-04-18 12:21:17
    荒漠綠洲區(qū)潛在生態(tài)網(wǎng)絡(luò)增邊優(yōu)化魯棒性分析
    基于確定性指標(biāo)的弦支結(jié)構(gòu)魯棒性評(píng)價(jià)
    路不為尋找者而設(shè)
    BP-GA光照分類器在車道線識(shí)別中的應(yīng)用
    我是行人
    加權(quán)空-譜與最近鄰分類器相結(jié)合的高光譜圖像分類
    結(jié)合模糊(C+P)均值聚類和SP-V-支持向量機(jī)的TSK分類器
    基于非支配解集的多模式裝備項(xiàng)目群調(diào)度魯棒性優(yōu)化
    西南交通大學(xué)學(xué)報(bào)(2016年6期)2016-05-04 04:13:11
    国产精品免费一区二区三区在线| 悠悠久久av| 小说图片视频综合网站| 精品福利观看| 在线观看66精品国产| 亚洲 欧美 日韩 在线 免费| 久久久国产精品麻豆| 亚洲av电影在线进入| 久久久久久国产a免费观看| 中文字幕熟女人妻在线| 一边摸一边抽搐一进一小说| 99热6这里只有精品| 久久精品国产99精品国产亚洲性色| 欧美一级毛片孕妇| 亚洲在线观看片| 看黄色毛片网站| 小蜜桃在线观看免费完整版高清| 99国产精品99久久久久| 亚洲在线自拍视频| 中文字幕av在线有码专区| 国产熟女xx| 国产精品1区2区在线观看.| 岛国在线观看网站| 欧美激情久久久久久爽电影| 日韩国内少妇激情av| 亚洲最大成人中文| 老司机在亚洲福利影院| 一区二区三区激情视频| 999久久久精品免费观看国产| 日本黄色视频三级网站网址| 搞女人的毛片| 国产又黄又爽又无遮挡在线| 首页视频小说图片口味搜索| 免费在线观看亚洲国产| 最新在线观看一区二区三区| 亚洲黑人精品在线| 免费人成视频x8x8入口观看| 亚洲av电影在线进入| 又大又爽又粗| 精品一区二区三区四区五区乱码| 国产av一区在线观看免费| 香蕉久久夜色| 日韩中文字幕欧美一区二区| 欧美av亚洲av综合av国产av| 在线永久观看黄色视频| 露出奶头的视频| 亚洲熟妇中文字幕五十中出| 国产高清视频在线播放一区| 在线永久观看黄色视频| 狠狠狠狠99中文字幕| 国产麻豆成人av免费视频| 日本一本二区三区精品| 国产黄片美女视频| 女人高潮潮喷娇喘18禁视频| 97超视频在线观看视频| 国产精品自产拍在线观看55亚洲| 美女cb高潮喷水在线观看 | 亚洲va日本ⅴa欧美va伊人久久| 亚洲专区中文字幕在线| 在线免费观看的www视频| а√天堂www在线а√下载| x7x7x7水蜜桃| 国产人伦9x9x在线观看| 国内精品一区二区在线观看| 又粗又爽又猛毛片免费看| 国产av在哪里看| 在线永久观看黄色视频| 88av欧美| av在线天堂中文字幕| 欧美乱妇无乱码| 久久久久国产一级毛片高清牌| 夜夜躁狠狠躁天天躁| 香蕉久久夜色| 久久久久久九九精品二区国产| 久久人人精品亚洲av| 黄色女人牲交| 最近视频中文字幕2019在线8| 日本一二三区视频观看| 美女扒开内裤让男人捅视频| 又黄又粗又硬又大视频| 又紧又爽又黄一区二区| 亚洲色图av天堂| 99视频精品全部免费 在线 | 欧美色欧美亚洲另类二区| 色尼玛亚洲综合影院| 亚洲 欧美一区二区三区| 国产熟女xx| 欧美三级亚洲精品| 日韩成人在线观看一区二区三区| 国产私拍福利视频在线观看| 我要搜黄色片| 最近在线观看免费完整版| 亚洲男人的天堂狠狠| 日日夜夜操网爽| 免费av不卡在线播放| av天堂在线播放| 88av欧美| 91久久精品国产一区二区成人 | www.www免费av| 欧美3d第一页| 一个人看视频在线观看www免费 | 99久久无色码亚洲精品果冻| 级片在线观看| 三级国产精品欧美在线观看 | 欧美绝顶高潮抽搐喷水| 国内揄拍国产精品人妻在线| 国产成人影院久久av| 欧美一级a爱片免费观看看| 99久久久亚洲精品蜜臀av| 久久久久久国产a免费观看| 老司机午夜十八禁免费视频| 国产精品亚洲美女久久久| 国产真人三级小视频在线观看| 免费搜索国产男女视频| 黄色丝袜av网址大全| 一区二区三区激情视频| 九九热线精品视视频播放| 首页视频小说图片口味搜索| 一二三四在线观看免费中文在| 亚洲,欧美精品.| 99精品久久久久人妻精品| 少妇的逼水好多| 村上凉子中文字幕在线| 麻豆av在线久日| 精品一区二区三区av网在线观看| 日韩免费av在线播放| 亚洲性夜色夜夜综合| aaaaa片日本免费| 757午夜福利合集在线观看| 久久久成人免费电影| 亚洲色图 男人天堂 中文字幕| 成人精品一区二区免费| 美女免费视频网站| 久久久久九九精品影院| 亚洲中文日韩欧美视频| 午夜福利欧美成人| 后天国语完整版免费观看| 99国产精品99久久久久| 国产又色又爽无遮挡免费看| 美女cb高潮喷水在线观看 | 国产成人精品久久二区二区91| 精品久久久久久久久久久久久| 不卡一级毛片| av在线天堂中文字幕| 99热这里只有精品一区 | 日韩av在线大香蕉| 九色国产91popny在线| 91字幕亚洲| 久久久精品欧美日韩精品| 国产亚洲欧美98| 国语自产精品视频在线第100页| 欧美黄色片欧美黄色片| aaaaa片日本免费| 欧美日韩精品网址| 亚洲精品色激情综合| 中文字幕精品亚洲无线码一区| 亚洲专区字幕在线| 国产精品一及| 三级毛片av免费| 日本熟妇午夜| 国产成年人精品一区二区| 非洲黑人性xxxx精品又粗又长| 老司机深夜福利视频在线观看| 国产欧美日韩一区二区三| 麻豆成人午夜福利视频| 国产伦在线观看视频一区| 啦啦啦免费观看视频1| 国产成人影院久久av| 麻豆一二三区av精品| 日韩欧美精品v在线| 中亚洲国语对白在线视频| 日日夜夜操网爽| 一级a爱片免费观看的视频| 99riav亚洲国产免费| 亚洲中文日韩欧美视频| 在线永久观看黄色视频| 无人区码免费观看不卡| 婷婷亚洲欧美| 国产欧美日韩精品亚洲av| 夜夜夜夜夜久久久久| 黄色日韩在线| 欧美日韩中文字幕国产精品一区二区三区| 欧美中文综合在线视频| 999久久久国产精品视频| 国产高清有码在线观看视频| 精品国产乱子伦一区二区三区| 午夜福利18| 国产精品 国内视频| 国产激情欧美一区二区| 国产精品香港三级国产av潘金莲| tocl精华| 国内精品一区二区在线观看| 亚洲中文av在线| 欧美日韩亚洲国产一区二区在线观看| 国产高清视频在线播放一区| 国产精品久久久久久人妻精品电影| 日本一本二区三区精品| 午夜影院日韩av| 丝袜人妻中文字幕| 小蜜桃在线观看免费完整版高清| 色综合亚洲欧美另类图片| 亚洲人与动物交配视频| 亚洲专区国产一区二区| 欧美一区二区国产精品久久精品| 成人18禁在线播放| 2021天堂中文幕一二区在线观| 精品久久久久久久末码| 99国产精品99久久久久| 国产私拍福利视频在线观看| 欧美中文日本在线观看视频| 悠悠久久av| 欧美激情在线99| 欧美最黄视频在线播放免费| 久久这里只有精品中国| 1024手机看黄色片| 婷婷亚洲欧美| 视频区欧美日本亚洲| 国产精品久久电影中文字幕| 婷婷精品国产亚洲av在线| 亚洲精华国产精华精| 日日摸夜夜添夜夜添小说| 国内揄拍国产精品人妻在线| 国产日本99.免费观看| 99视频精品全部免费 在线 | 亚洲国产高清在线一区二区三| 亚洲性夜色夜夜综合| 最新美女视频免费是黄的| 久久国产乱子伦精品免费另类| 男插女下体视频免费在线播放| 欧美日韩国产亚洲二区| 99精品欧美一区二区三区四区| 精品久久蜜臀av无| 欧美+亚洲+日韩+国产| 成人无遮挡网站| 欧美乱码精品一区二区三区| 免费高清视频大片| 高清在线国产一区| 无遮挡黄片免费观看| 国产亚洲精品久久久com| 国产精品99久久久久久久久| 国产精品日韩av在线免费观看| 亚洲男人的天堂狠狠| www.自偷自拍.com| tocl精华| 国产精品98久久久久久宅男小说| 久久中文字幕一级| 国产1区2区3区精品| 免费av毛片视频| 亚洲一区高清亚洲精品| 国产午夜福利久久久久久| 成人午夜高清在线视频| 夜夜躁狠狠躁天天躁| 国内揄拍国产精品人妻在线| 欧美3d第一页| 日本免费一区二区三区高清不卡| 嫁个100分男人电影在线观看| 国产精品99久久久久久久久| 视频区欧美日本亚洲| 国产aⅴ精品一区二区三区波| 国产成人系列免费观看| 狂野欧美白嫩少妇大欣赏| 在线观看免费视频日本深夜| 亚洲aⅴ乱码一区二区在线播放| 99国产精品99久久久久| 波多野结衣高清作品| 国产成人啪精品午夜网站| 99国产极品粉嫩在线观看| 午夜精品在线福利| 亚洲专区国产一区二区| 日本免费a在线| 日日夜夜操网爽| 欧美午夜高清在线| 人妻久久中文字幕网| 好男人电影高清在线观看| 这个男人来自地球电影免费观看| 亚洲午夜精品一区,二区,三区| 亚洲无线在线观看| 精品国产乱子伦一区二区三区| 国产精品av视频在线免费观看| 欧美黄色淫秽网站| 嫩草影视91久久| 午夜精品在线福利| 亚洲中文字幕日韩| 欧美黑人巨大hd| 熟妇人妻久久中文字幕3abv| 嫩草影院精品99| 精品久久久久久久久久免费视频| 男女做爰动态图高潮gif福利片| aaaaa片日本免费| 12—13女人毛片做爰片一| 中国美女看黄片| 日韩国内少妇激情av| 国产精品爽爽va在线观看网站| 淫妇啪啪啪对白视频| 国产高清激情床上av| 国产单亲对白刺激| 2021天堂中文幕一二区在线观| 成人性生交大片免费视频hd| 国产极品精品免费视频能看的| 免费人成视频x8x8入口观看| 国内精品一区二区在线观看| 黄频高清免费视频| 好看av亚洲va欧美ⅴa在| 亚洲国产欧美人成| 可以在线观看毛片的网站| 欧美黄色片欧美黄色片| 最新美女视频免费是黄的| 久久精品aⅴ一区二区三区四区| 美女高潮的动态| 男人舔女人的私密视频| 亚洲人成电影免费在线| av在线蜜桃| 亚洲五月婷婷丁香| 久久香蕉精品热| 欧美日韩国产亚洲二区| 舔av片在线| 成人欧美大片| 九色成人免费人妻av| 久久午夜综合久久蜜桃| 亚洲激情在线av| 亚洲avbb在线观看| 国产精品香港三级国产av潘金莲| 人妻久久中文字幕网| 日韩欧美精品v在线| 久久久久性生活片| 女人高潮潮喷娇喘18禁视频| 亚洲成a人片在线一区二区| 日韩人妻高清精品专区| 午夜精品久久久久久毛片777| 久久精品91蜜桃| 色精品久久人妻99蜜桃| 亚洲午夜精品一区,二区,三区| 一夜夜www| 91九色精品人成在线观看| 淫秽高清视频在线观看| 久久精品国产综合久久久| 国产一区二区激情短视频| 免费观看精品视频网站| 国产一区二区在线av高清观看| 亚洲欧美日韩高清在线视频| 天堂√8在线中文| svipshipincom国产片| 国产一区在线观看成人免费| 99久久综合精品五月天人人| 国产不卡一卡二| 国产精品亚洲av一区麻豆| av天堂在线播放| 午夜激情福利司机影院| 国产男靠女视频免费网站| 中文字幕精品亚洲无线码一区| 18禁观看日本| 狂野欧美白嫩少妇大欣赏| 久久久久久人人人人人| 国产麻豆成人av免费视频| 国内少妇人妻偷人精品xxx网站 | avwww免费| 精品午夜福利视频在线观看一区| 精华霜和精华液先用哪个| 久久草成人影院| 国产精品久久久av美女十八| 99久久综合精品五月天人人| 一区福利在线观看| av黄色大香蕉| 99热只有精品国产| 一级毛片女人18水好多| 琪琪午夜伦伦电影理论片6080| 国产伦精品一区二区三区四那| 久久久水蜜桃国产精品网| 亚洲 欧美一区二区三区| 国产黄a三级三级三级人| 99精品在免费线老司机午夜| 亚洲av日韩精品久久久久久密| 一级毛片高清免费大全| 综合色av麻豆| 搡老熟女国产l中国老女人| 黄色视频,在线免费观看| 亚洲无线观看免费| 欧美成人性av电影在线观看| 国语自产精品视频在线第100页| 欧美黑人巨大hd| 亚洲专区国产一区二区| 国产亚洲av嫩草精品影院| 精品一区二区三区视频在线观看免费| 精品欧美国产一区二区三| 国内精品美女久久久久久| 最近在线观看免费完整版| 国产高潮美女av| 国产美女午夜福利| 免费看a级黄色片| 欧美3d第一页| 国产不卡一卡二| 日韩欧美在线二视频| 久久久成人免费电影| 日韩欧美国产在线观看| 亚洲熟妇中文字幕五十中出| 中文字幕av在线有码专区| 国产精品精品国产色婷婷| 欧美乱码精品一区二区三区| av视频在线观看入口| 欧美日韩精品网址| 国产精华一区二区三区| 999久久久国产精品视频| 在线免费观看不下载黄p国产 | 高清在线国产一区| 亚洲18禁久久av| 国产av麻豆久久久久久久| 90打野战视频偷拍视频| 亚洲自偷自拍图片 自拍| 亚洲av熟女| 黄色日韩在线| 欧美成狂野欧美在线观看| 午夜视频精品福利| 99热6这里只有精品| 亚洲自拍偷在线| 99久久综合精品五月天人人| 国产主播在线观看一区二区| 久久久久久久久免费视频了| 欧美性猛交黑人性爽| 一本综合久久免费| 两个人视频免费观看高清| 欧美日韩精品网址| 成年人黄色毛片网站| 欧美一区二区精品小视频在线| 精品无人区乱码1区二区| 国产三级在线视频| 美女扒开内裤让男人捅视频| 欧美黄色片欧美黄色片| 少妇的逼水好多| 日韩欧美免费精品| 免费av不卡在线播放| 午夜福利视频1000在线观看| 精品电影一区二区在线| www国产在线视频色| avwww免费| 国产aⅴ精品一区二区三区波| 国产欧美日韩精品亚洲av| 看黄色毛片网站| 性色av乱码一区二区三区2| h日本视频在线播放| 桃红色精品国产亚洲av| 欧美+亚洲+日韩+国产| 又爽又黄无遮挡网站| 久久精品aⅴ一区二区三区四区| 最近最新中文字幕大全电影3| 亚洲熟妇熟女久久| 成人永久免费在线观看视频| 精品久久久久久久末码| 日韩欧美 国产精品| xxxwww97欧美| 男女下面进入的视频免费午夜| 亚洲天堂国产精品一区在线| 亚洲国产欧美人成| 少妇熟女aⅴ在线视频| 国产精品久久视频播放| 日韩精品中文字幕看吧| 亚洲成av人片免费观看| 国产av在哪里看| 精品日产1卡2卡| 免费av毛片视频| 国产激情欧美一区二区| 性色av乱码一区二区三区2| 亚洲欧美精品综合一区二区三区| 一级作爱视频免费观看| 亚洲成人精品中文字幕电影| av黄色大香蕉| 九九热线精品视视频播放| 在线十欧美十亚洲十日本专区| 在线观看午夜福利视频| 午夜福利高清视频| 婷婷丁香在线五月| 亚洲18禁久久av| 亚洲成av人片在线播放无| 亚洲aⅴ乱码一区二区在线播放| 成人特级黄色片久久久久久久| 亚洲人与动物交配视频| 少妇丰满av| 久久人妻av系列| 久久久久久国产a免费观看| 免费看光身美女| 久久久久九九精品影院| 99国产极品粉嫩在线观看| 精品99又大又爽又粗少妇毛片 | 国产伦一二天堂av在线观看| 久久精品91无色码中文字幕| 国产爱豆传媒在线观看| 成年女人毛片免费观看观看9| 欧美午夜高清在线| 日韩欧美在线乱码| 最近最新免费中文字幕在线| 999久久久国产精品视频| 中出人妻视频一区二区| 99热只有精品国产| 国产午夜精品论理片| 中国美女看黄片| 大型黄色视频在线免费观看| 精品久久久久久成人av| 免费高清视频大片| 亚洲va日本ⅴa欧美va伊人久久| 高清毛片免费观看视频网站| 国产精品久久久久久亚洲av鲁大| 精品99又大又爽又粗少妇毛片 | 亚洲自偷自拍图片 自拍| 国产成人影院久久av| 欧美av亚洲av综合av国产av| 制服人妻中文乱码| 九九热线精品视视频播放| 成年版毛片免费区| 熟女人妻精品中文字幕| av欧美777| 国产精品电影一区二区三区| 岛国在线免费视频观看| 一区二区三区激情视频| 国产97色在线日韩免费| 宅男免费午夜| 国产亚洲精品一区二区www| www.www免费av| 一进一出抽搐gif免费好疼| 三级毛片av免费| 99国产极品粉嫩在线观看| 亚洲av日韩精品久久久久久密| 性欧美人与动物交配| 国产成人系列免费观看| 蜜桃久久精品国产亚洲av| 在线永久观看黄色视频| 中文在线观看免费www的网站| 久久精品国产清高在天天线| 真实男女啪啪啪动态图| 亚洲精品色激情综合| 99热精品在线国产| 久久99热这里只有精品18| 精品久久久久久久久久久久久| 国产免费av片在线观看野外av| 丰满人妻熟妇乱又伦精品不卡| 在线观看一区二区三区| 亚洲国产精品久久男人天堂| 免费av毛片视频| 国产精品一区二区免费欧美| 亚洲熟妇中文字幕五十中出| 99热精品在线国产| 视频区欧美日本亚洲| 国产熟女xx| 91在线精品国自产拍蜜月 | 国产成+人综合+亚洲专区| 国产伦人伦偷精品视频| 欧美日韩瑟瑟在线播放| cao死你这个sao货| 又紧又爽又黄一区二区| 欧美乱妇无乱码| 大型黄色视频在线免费观看| 国产视频内射| 国产不卡一卡二| 天堂影院成人在线观看| 久久中文看片网| 99热精品在线国产| 国内毛片毛片毛片毛片毛片| 精品国产亚洲在线| 特大巨黑吊av在线直播| 国产亚洲欧美在线一区二区| 国产熟女xx| 国产成人精品久久二区二区91| www日本在线高清视频| a级毛片在线看网站| 99国产精品一区二区三区| 午夜视频精品福利| 欧美色欧美亚洲另类二区| 日韩欧美精品v在线| 欧美成人免费av一区二区三区| 少妇人妻一区二区三区视频| 亚洲av电影不卡..在线观看| 丰满人妻一区二区三区视频av | 给我免费播放毛片高清在线观看| 久久精品91蜜桃| 在线观看免费午夜福利视频| 亚洲乱码一区二区免费版| 熟女少妇亚洲综合色aaa.| 国产精品一及| 窝窝影院91人妻| 国内毛片毛片毛片毛片毛片| 亚洲午夜精品一区,二区,三区| 中国美女看黄片| 久久久久久九九精品二区国产| 99久国产av精品| 在线免费观看的www视频| 日韩欧美在线乱码| 最近最新免费中文字幕在线| 老汉色∧v一级毛片| 很黄的视频免费| 国产一区二区在线观看日韩 | 99热6这里只有精品| 日本五十路高清| 亚洲精品456在线播放app | а√天堂www在线а√下载| 一级黄色大片毛片| 亚洲色图 男人天堂 中文字幕| 日韩欧美国产一区二区入口| 一卡2卡三卡四卡精品乱码亚洲| 午夜免费观看网址| 国产1区2区3区精品| 一夜夜www| 熟女电影av网| 久久这里只有精品19| 国产一区二区在线观看日韩 | 又爽又黄无遮挡网站| 在线永久观看黄色视频| 国产精品电影一区二区三区| 香蕉丝袜av| 免费无遮挡裸体视频| 欧美色视频一区免费| 无遮挡黄片免费观看| 在线播放国产精品三级| 成年女人永久免费观看视频| 亚洲一区二区三区不卡视频| 欧美xxxx黑人xx丫x性爽| 亚洲国产精品sss在线观看| 成人精品一区二区免费|