• <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K均值聚類和粒子群優(yōu)化的多核SVM圖像分割①

    2016-06-15 03:51:09吳迪戴芳郭文艷胡勝西安理工大學(xué)理學(xué)院西安70054西安交通大學(xué)機械制造系統(tǒng)工程國家重點實驗室西安70049
    計算機系統(tǒng)應(yīng)用 2016年4期
    關(guān)鍵詞:粒子群優(yōu)化圖像分割支持向量機

    吳迪,戴芳,郭文艷,胡勝(西安理工大學(xué) 理學(xué)院,西安 70054)(西安交通大學(xué) 機械制造系統(tǒng)工程國家重點實驗室,西安 70049)

    ?

    基于K均值聚類和粒子群優(yōu)化的多核SVM圖像分割①

    吳迪1,戴芳1,郭文艷1,胡勝2
    1(西安理工大學(xué) 理學(xué)院,西安 710054)
    2(西安交通大學(xué) 機械制造系統(tǒng)工程國家重點實驗室,西安 710049)

    摘 要:圖像分割是圖像理解和計算機視覺的重要內(nèi)容.針對單核SVM在進行圖像分割過程中不能兼顧分割精度高和泛化性能好的問題,提出一種基于K均值聚類和優(yōu)化多核SVM的圖像分割算法.該算法首先運用K均值聚類算法自動選取訓(xùn)練樣本,然后提取其顏色特征和紋理特征作為訓(xùn)練樣本的特征屬性,并使用其對構(gòu)造的多核SVM分割模型進行訓(xùn)練,最后用粒子群優(yōu)化算法對多核核參數(shù)、懲罰因子以及核權(quán)重系數(shù)聯(lián)合尋優(yōu),使生成的多核SVM具有更好的分割性能.實驗結(jié)果表明,本文方法在有效提取圖像目標細節(jié)的同時,獲得了更高的分割精度,與基于單核的SVM分割模型相比,具有更強的泛化能力.

    關(guān)鍵詞:圖像分割; 核函數(shù); 支持向量機; 粒子群優(yōu)化; K均值聚類

    圖像分割是研究如何有效地將圖像分割成各具特性的區(qū)域并提取目標區(qū)域,分割質(zhì)量的好壞很大程度上決定著后續(xù)的圖像分析和圖像理解的效果[1,2].分割的實質(zhì)就是對圖像的像素進行分類,選擇分類性能優(yōu)良的智能算法對于圖像分割具有重要意義.

    SVM 在解決小樣本、高維、非線性模式分類問題上具有良好的性能,有效解決了過學(xué)習(xí)、維數(shù)災(zāi)難等問題,具有較好的泛化能力[3-6].Yu等[7]利用SVM 的特性提出了改進SVM 算法,通過減少訓(xùn)練樣本冗余而保留有效的支持向量,在顯著減少耗時的同時有效保留了分割精度.Wang等人[8]則首先提取樣本點的顏色特征和紋理特征,利用樣本點的特征屬性訓(xùn)練SVM ,然后運用訓(xùn)練好的 SVM 對彩色圖像進行分割,由于文中僅采用局部高斯核函數(shù)且其相應(yīng)的參數(shù)為人為設(shè)定,其泛化性能和分割精度均有待提高.Liu 等[9]提出了一種集成多尺度技術(shù)、混合模型和 SVM等方法的SAR 圖像分割算法,其效果優(yōu)于直接使用SVM分類器進行分割效果.Yang等[10]提出運用最小二乘支持向量機對彩色圖像進行分割,該方法自動選取訓(xùn)練樣本并提取其顏色特征與紋理特征,問題的關(guān)鍵在于支持向量機核函數(shù)的選擇以及核參數(shù)的確定.

    相關(guān)研究表明,在運用 SVM 進行圖像分割時,其核函數(shù)的設(shè)計和選擇尤為重要,核函數(shù)的選取和新核函數(shù)構(gòu)造的好壞對SVM圖像分割的效率和泛化性能產(chǎn)生巨大影響,且訓(xùn)練樣本選取的方式也會影響SVM圖像分割的質(zhì)量.現(xiàn)有的基于 SVM方法分割圖像核函數(shù)多為單核核函數(shù),一定條件下表現(xiàn)出一定的學(xué)習(xí)和泛化能力.但 SVM 分割圖像中的核函數(shù)構(gòu)造和選擇及相應(yīng)參數(shù)的設(shè)定至今也沒有一套完善的理論,通常可用的幾種基本形式的核函數(shù)具有不同的映射特性,在不同的應(yīng)用場合表現(xiàn)出很大的性能差異,運用SVM 方法分割圖像時只采用單個核函數(shù)并非合理.鑒于此,為了克服SVM 算法在圖像分割應(yīng)用中的局限,提高分割精度.本文提出一種基于K均值聚類和優(yōu)化多核SVM的彩色圖像分割算法.通過粒子群算法對多核SVM各參數(shù)進行聯(lián)合尋優(yōu),獲取最優(yōu)的多核支持向量機分類模型.同時,為了有效獲取圖像的特征信息,降低SVM模型的復(fù)雜度,自動選取訓(xùn)練樣本,提取訓(xùn)練樣本的顏色特征和紋理特征并將它們?nèi)诤铣商卣飨蛄考?基于特征向量集用優(yōu)化的多核SVM模型對原圖像進行分割.最后通過實驗驗證了優(yōu)化多核SVM 圖像分割算法的有效性.

    1 K均值聚類提取圖像特征

    訓(xùn)練樣本的選擇在很大程度上影響了SVM的分類性能,傳統(tǒng)的訓(xùn)練樣本選取是隨機選取降低了圖像分割的自適應(yīng)性.本文運用K-均值聚類自動提取SVM 的訓(xùn)練樣本,將初始聚類數(shù)目設(shè)定為兩類,即目標和背景.K均值聚類算法具體步驟如下:

    1)設(shè)定聚類數(shù)目C={ck|k=1,2,…,c}(本文c=2),初始類簇中心δk(k =1,2)以及誤差上界ξ; 找到距離設(shè)定的聚類中心最近的像素yi( i=1,2,…,n),并將該像素分配到該類中;

    2)修正類簇中心: 計算每個類簇像素的均值,根據(jù)類簇的均值更新類簇中心,獲得新的類簇中心σk(k=1,2,…,c);

    自動選取訓(xùn)練樣本之后,本文提取訓(xùn)練樣本的六種特征屬性,其中包括四種顏色特征: RGB顏色空間的 r,g,b 通道的像素值和亮度 i ; 兩個紋理特征參量: 角二階矩(ASM)和對比度.將其作為輸入向量來訓(xùn)練多核核函數(shù) SVM 分類器.

    2 優(yōu)化多核 SVM 圖像分割方法

    2.1SVM 多核核函數(shù)

    在運用 SVM 對彩色圖像進行分割時,核函數(shù)的選擇和核參數(shù)的確定對數(shù)據(jù)的映射以及最終的決策效果發(fā)揮著至關(guān)重要的作用.通過引入核函數(shù),可極大的提高機器學(xué)習(xí)的非線性處理能力,同時也保持了學(xué)習(xí)機器在高維空間中的內(nèi)在線性,從而使得分割效果更好.

    常見的核函數(shù)主要分為全局核函數(shù)和局部核函數(shù)兩大類[11-13].而多項式核函數(shù)和高斯核函數(shù)分別作為全局核和局部核的典型代表成為 SVM 的核函數(shù)首選[14].圖1給出不同類型的核函數(shù)在給定參數(shù)情形下函數(shù)值隨測試點x的變化曲線.

    圖1 不同核函數(shù)的變化曲線

    由圖1 可知,對于任意單核函數(shù),通過選擇不同的參數(shù),其呈現(xiàn)出不同的尺度效應(yīng).多項式核函數(shù)具有全局特性,泛化性能較強; 高斯核函數(shù)具有局部性,學(xué)習(xí)能力更優(yōu).而基于多核學(xué)習(xí)的方法的多核模型是一類靈活性更強的學(xué)習(xí)模型.利用多核代替單核,能增強決策函數(shù)的可解釋性,并能獲得比單核模型更優(yōu)的性能.它同時具備兩個單核的優(yōu)點,即具有更好的學(xué)習(xí)能力和泛化能力.

    為了驗證多核核函數(shù) SVM 圖像分割相對于單核核函數(shù) SVM 的優(yōu)勢,本文分別選取多項式核(全局核)和徑向基核(局部核)進行凸組合,如下所示:

    其中,Knew為新構(gòu)造的多核函數(shù),KPoly和KRbf分別為多項式核和徑向基核,λi(i=1,2)為權(quán)重系數(shù),滿足λi≥0且λ1+λ2=1.

    2.2基于粒子群的多核SVM參數(shù)優(yōu)化算法

    在選定SVM的核函數(shù)類型后,其權(quán)重系數(shù)和核參數(shù)的確定也會影響圖像分割的效果.核參數(shù)或懲罰因子C選擇不合理,就會降低SVM的圖像分割精度; 而核參數(shù)s和權(quán)重系數(shù)l越小,響應(yīng)區(qū)間越窄,得到的最優(yōu)分類面經(jīng)驗風(fēng)險也越小,但是結(jié)構(gòu)風(fēng)險增大,而且容易出現(xiàn)過擬合現(xiàn)象,導(dǎo)致SVM 的圖像分割性能降低.所以多核核參數(shù)的選取對SVM圖像分割性能起決定性作用.而粒子群優(yōu)化算法[15]利用位置和速度的概念,避免了遺傳、交叉和變異等操作,具有變量少、效率高等優(yōu)點,被廣泛應(yīng)用于智能優(yōu)化領(lǐng)域.為此本文選擇粒子群算法對這幾類參數(shù)進行聯(lián)合優(yōu)化,構(gòu)建優(yōu)化多核SVM分類器.

    本文PSO粒子編碼為(d,σ,C,λ1),其中d,σ,C分別為多項式核和徑向基核的核參數(shù),λ1為多項式核的權(quán)重,徑向基核權(quán)重λ2=1-λ1.基于粒子群的多核SVM參數(shù)優(yōu)化算法流程如下圖2 所示.

    圖2 基于粒子群的多核SVM參數(shù)優(yōu)化算法流程

    2.3基于K均值聚類和優(yōu)化多核SVM的圖像分割

    本文提出的圖像分割算法分為三個處理階段: 第一個階段是基于K均值聚類訓(xùn)練樣本的自動選取,將像素點分為前景和背景兩類并提取其特征屬性; 第二個階段是優(yōu)化多核 SVM 模型; 第三個階段是基于優(yōu)化多核 SVM 的圖像分割.采用本文算法進行圖像分割的流程如圖3所示.

    3 實驗結(jié)果與分析

    本文的所有實驗均在軟件 MATLAB R2012b 中進行的,運行環(huán)境為 CPU 3.2GHz 內(nèi)存 2G,硬盤500G,操作系統(tǒng)是Windows 7.為了驗證本文優(yōu)化多核方法的有效性,同時增加分割的難度,以保證算法評價的實用性和客觀性.分別選取三幅復(fù)雜背景下的圖像進行實驗,其圖像尺寸大小為200*200.由于均是在自然光的條件下采集,部分反光呈白色斑點,且表面粘有雜質(zhì),它們之間呈現(xiàn)出目標邊界模糊、目標不連續(xù)和目標灰度不均勻等特點.

    圖3 基于K均值聚類和粒子群優(yōu)化的多核SVM圖像分割算法流程

    3.1訓(xùn)練樣本選取圖像分割效果對比

    本文為了避免人工方法選取和標注訓(xùn)練樣本的主觀性不足,運用K均值聚類自動選取一定數(shù)目的訓(xùn)練樣本,之后提取其特征屬性用來訓(xùn)練優(yōu)化的多核SVM.實驗中多核 SVM 的參數(shù)通過粒子群算法進行尋優(yōu),不敏感系數(shù)e取0.1,PSO 基本參數(shù)設(shè)置如下:種群規(guī)模數(shù)20,最大遺傳代數(shù)100,加速度因子C1= C2= 0.1,其迭代效果如下圖4 所示.經(jīng)過5次迭代時多核SVM達到最優(yōu)效果.此時迭代得最優(yōu)的多核SVM參數(shù)為d =2,C =5.0,σ= 1.8,λ1=0.6.將此優(yōu)化多核的SVM模型對圖像進行分割,實驗效果如圖 5所示.

    圖4 多核 SVM 參數(shù)尋優(yōu)結(jié)果

    圖5 訓(xùn)練樣本不同選取方式的優(yōu)化多核SVM圖像分割效果

    由圖5圖可以看出,當訓(xùn)練樣本人工選取時,其分割結(jié)果受主觀因素影響很大,誤將部分目標當作背景,將部分背景當作目標,導(dǎo)致分割結(jié)果不佳.而自動選取訓(xùn)練樣本結(jié)合優(yōu)化多核SVM分割方法則幾乎精確將所有的目標均分割出來,分割結(jié)果既突出了目標,又保留了局部細節(jié),獲得了較理想的效果.

    3.2不同核函數(shù)的SVM 圖像分割效果對比

    同時為了有效驗證優(yōu)化多核 SVM 的彩色圖像分割相對于單核SVM的優(yōu)越性,在相同的實驗條件下分別選取多項式核(核參數(shù)=2)、徑向基核(核參數(shù)=5.0,=1.8)進行效果比對,分割效果如圖 6 所示.

    圖6 不同核函數(shù)的SVM 圖像分割效果

    如圖6所示,原始圖像中(b)和(c)的目標較多且分布零散,部分圖像由于視覺較遠看起來非常模糊且(b)圖中花朵正下方的陰影部分區(qū)域顏色與背景和目標差別都不大,很容易誤認為是目標,(d)圖中左下角的花朵目標視覺極其模糊且與背景色差小,容易誤判.在基于單核SVM模型的分割結(jié)果中將這些細節(jié)錯分,分割效果不理想,其效果如圖6中間兩幅所示.而本文基于K均值聚類結(jié)合多核SVM的分割方法(見b3,c3 和d3所示)很好的表征了這些目標區(qū)域,精確的提取了圖像目標,分割結(jié)果在突出了目標的同時又保留了局部細節(jié),更加符合人們的主觀分割效果.為了進一步分析實驗結(jié)果,選取分割精度和分割時間作為衡量圖像分割性能優(yōu)劣的指標,其比較結(jié)果如表1所示.

    表1 不同核函數(shù)支持向量機的分割精度和分割效率對比

    由表1可以看出,對于給定的待分割圖像,多核SVM 在訓(xùn)練精度上與單核核函數(shù)SVM 相當,但是在分割精度方面卻有了一定幅度的提高.隨著待分割圖像的復(fù)雜度逐漸增加,三種核函數(shù) SVM 算法的圖像分割精度都有所降低,但是多核SVM 的降低幅度最小,說明了多核 SVM 相對于單核 SVM 具有更強的泛化能力.同時由于多核函數(shù)包含了局部核和全局核的綜合特性,其算法的圖像分割時間相對于其他兩種單核均有所增加.

    4 結(jié)語

    本文提出了一種基于K均值聚類和優(yōu)化多核SVM的彩色圖像分割算法.該算法充分考慮全局核和局部核函數(shù)的優(yōu)勢,通過加權(quán)組合形成多核SVM并運行粒子群算法對其參數(shù)進行尋優(yōu),獲取優(yōu)化多核SVM,然后將提取的圖像特征作為分類器的輸入對其進行分割,同時訓(xùn)練樣本的自動選取為多核SVM分割提供了良好的輸入特征,克服了人工選取樣本的主觀性.實驗結(jié)果表明,利用本文方法可以獲得較理想的分割效果,相比單核支持向量機具有更高的分割精度和泛化性能.

    參考文獻

    1Cheng HD,Jiang XH.Sun H,et al.Color image segmentation: Advances and prospects.Pattern Recognition,2001,34(12): 2259–2281.

    2許新征,丁世飛,史忠植,等.圖像分割的新理論和新方法.電子學(xué)報,2010,38(2):76–82.

    3Vapnik V.The Nature of Statistical Learning Theory.2nd ed.,Springer Berlin,2000.

    4Yu H,Chang CC.Scenery image segmentation using support vector machines.Fundamenta Informaticae,2004,61(3): 379 –388.

    5徐海祥,喻莉,朱光喜,等.基于支持向量機的磁共振腦組織圖像分割.中國圖象圖形學(xué)報,2006,10(10):1275–1280.

    6黃建燈,陳慶全.基于支持向量機的紅細胞彩色圖像分割.計算機系統(tǒng)應(yīng)用,2009,18(1):35–38.

    7Yu Z,Wong HS,Wen G.A modified support vector machine and its application to image segmentation.Image and Vision Computing,2011,29(1): 29–40.

    8Wang XY,Wang QY,Yang HY,et al.Color image segmentation using automatic pixel classification with support vector machine.Neurocomputing,2011,74(18): 3898–3911.

    9 Liu T,Wen XB,Quan JJ,et al.Multiscale SAR image segmentation using support vector machines.Congress on Image and Signal Processing,2008.CISP’08.IEEE.2008,3.706–709.

    10Yang HY,Wang XY,Wang QY,et al.LS-SVM based image segmentation using color and texture information.Journal of Visual Communication and Image Representation,2012,23(7): 1095–1112.

    11Stricker MA,Orengo M.Similarity of color images.IS&T/SPIE’s Symposium on Electronic Imaging: Science & Technology.International Society for Optics and Photonics.1995.381–392.

    12張學(xué)工.關(guān)于統(tǒng)計學(xué)習(xí)理論與支持向量機.自動化學(xué)報,2000,26(1):32–42.

    13Cristianini N,Shawe-Taylor J.An introduction to support vector machines and other kernel-based learning methods.Mining Yor12 Conference,2000,32(8): 1–28.

    14汪洪橋,孫富春,蔡艷寧等.多核學(xué)習(xí)方法.自動化學(xué)報,2010,36(8):1037–1050.

    15Kennedy J.Particle swarm optimization.Encyclopedia of Machine Learning.Springer US.2010: 760–766.

    Method for Image Segmentation Based on Optimized Multi-Kernel SVM and K-means Clustering

    WU Di1,DAI Fang1,GUO Wen-Yan1,HU Sheng2
    1(School of Science,Xi’an University of Technology,Xi’an 710054,China)
    2(State Key Laboratory for Manufacturing Systems Engineering,Xi’an Jiaotong University,Xi’an 710049,China)

    Abstract:Image segmentation is an important topic in image understanding and computer vision.When support vector machine (SVM)is used for image segmentation,the design of its kernel and selection of the parameters directly affect the segmentation effect.Considering the problem that SVM based on single kernel could not keep the balance between the segmentation accuracy and generalization performance,an image segmentation algorithm using optimized multi-kernel SVM (OMKSVM)based on K-means clustering was proposed in this paper.According to the multi-kernel learning theory,the new multi-kernel is constructed by a linear combination of single kernels.Firstly,the K-means clustering algorithm was applied to obtain the training samples for MKSVM automatically.Then color and texture features were extracted from the image as attributes of training samples of MKSVM,Particle Swarm Optimization (PSO)algorithm was employed to optimize the kernel parameters,the weight coefficient and the punishment coefficient of SVM simultaneously.Finally the OMKSVM was obtained to segment image.Three groups of complex color image were selected to verify the correctness of the proposed method.The results demonstrate that our method can segment the color images effectively,and has stronger generalization ability comparing with the single kernel SVM-based method.

    Key words:image segmentation; kernel function; support vector machine (SVM); particle swarm optimization (PSO); K-means clustering

    基金項目:①國家自然科學(xué)基金(91120014);陜西省教育廳科研計劃(12JK0534)

    收稿時間:2015-07-18;收到修改稿時間:2015-09-08

    猜你喜歡
    粒子群優(yōu)化圖像分割支持向量機
    引入螢火蟲行為和Levy飛行的粒子群優(yōu)化算法
    動態(tài)場景中的視覺目標識別方法分析
    論提高裝備故障預(yù)測準確度的方法途徑
    價值工程(2016年32期)2016-12-20 20:36:43
    一種改進的分水嶺圖像分割算法研究
    科技視界(2016年26期)2016-12-17 16:25:03
    基于LabVIEW雛雞雌雄半自動鑒別系統(tǒng)
    一種圖像超像素的快速生成算法
    基于魯棒性的廣義FCM圖像分割算法
    基于熵技術(shù)的公共事業(yè)費最優(yōu)組合預(yù)測
    價值工程(2016年29期)2016-11-14 00:13:35
    基于支持向量機的金融數(shù)據(jù)分析研究
    能源總量的BP網(wǎng)絡(luò)與粒子群優(yōu)化預(yù)測
    科技視界(2016年20期)2016-09-29 11:58:53
    欧美中文综合在线视频| 在线观看免费高清a一片| 老司机影院成人| 久久久久久人人人人人| 80岁老熟妇乱子伦牲交| av.在线天堂| 日本wwww免费看| xxxhd国产人妻xxx| a 毛片基地| 国产精品麻豆人妻色哟哟久久| 日韩熟女老妇一区二区性免费视频| 国产精品一国产av| 国产高清国产精品国产三级| 亚洲精品成人av观看孕妇| 男人添女人高潮全过程视频| 午夜福利网站1000一区二区三区| 成人国产麻豆网| av天堂久久9| 97人妻天天添夜夜摸| 搡老岳熟女国产| 国产高清不卡午夜福利| 日本一区二区免费在线视频| 亚洲色图综合在线观看| 亚洲精品在线美女| 秋霞伦理黄片| 国产精品国产三级专区第一集| xxx大片免费视频| 午夜福利影视在线免费观看| 久久国产精品男人的天堂亚洲| 亚洲精品美女久久av网站| 亚洲美女黄色视频免费看| 男女高潮啪啪啪动态图| av女优亚洲男人天堂| 波多野结衣av一区二区av| 亚洲人成77777在线视频| 亚洲一卡2卡3卡4卡5卡精品中文| 91老司机精品| 999久久久国产精品视频| 成年人免费黄色播放视频| 国产精品无大码| 久久久久人妻精品一区果冻| 丝袜在线中文字幕| 亚洲男人天堂网一区| 免费高清在线观看视频在线观看| 久久久国产欧美日韩av| 亚洲在久久综合| 免费高清在线观看视频在线观看| 青春草亚洲视频在线观看| 国产老妇伦熟女老妇高清| 亚洲图色成人| 亚洲欧美一区二区三区黑人| 亚洲国产中文字幕在线视频| 亚洲五月色婷婷综合| 成人午夜精彩视频在线观看| av在线观看视频网站免费| 久久久精品94久久精品| 一二三四在线观看免费中文在| 国产淫语在线视频| 天堂中文最新版在线下载| 一本—道久久a久久精品蜜桃钙片| 欧美日韩国产mv在线观看视频| 久久精品国产a三级三级三级| 成人免费观看视频高清| 视频区图区小说| 中文字幕av电影在线播放| 999久久久国产精品视频| 女性生殖器流出的白浆| 美女主播在线视频| 亚洲精品久久午夜乱码| 悠悠久久av| 久久鲁丝午夜福利片| 亚洲一卡2卡3卡4卡5卡精品中文| 丰满少妇做爰视频| 精品亚洲成a人片在线观看| 国产av精品麻豆| av片东京热男人的天堂| 最近手机中文字幕大全| 久久久国产欧美日韩av| 天堂中文最新版在线下载| 国产男人的电影天堂91| 欧美日韩av久久| 少妇被粗大的猛进出69影院| 街头女战士在线观看网站| 国产一区二区 视频在线| 亚洲欧美激情在线| 亚洲,欧美,日韩| 国产精品无大码| 久久99热这里只频精品6学生| 美女视频免费永久观看网站| videosex国产| 自拍欧美九色日韩亚洲蝌蚪91| 国产精品熟女久久久久浪| 欧美在线黄色| 欧美亚洲 丝袜 人妻 在线| 9色porny在线观看| 亚洲成人一二三区av| 在线天堂中文资源库| 婷婷色综合大香蕉| 黄色毛片三级朝国网站| 国产乱人偷精品视频| 精品国产一区二区三区久久久樱花| e午夜精品久久久久久久| 夜夜骑夜夜射夜夜干| tube8黄色片| 在线看a的网站| 免费久久久久久久精品成人欧美视频| 狂野欧美激情性bbbbbb| 另类亚洲欧美激情| 国产精品成人在线| 啦啦啦视频在线资源免费观看| 亚洲av成人不卡在线观看播放网 | 日韩精品免费视频一区二区三区| 国产精品无大码| 一二三四中文在线观看免费高清| videos熟女内射| 久久精品国产亚洲av高清一级| 国产成人啪精品午夜网站| 在线免费观看不下载黄p国产| 宅男免费午夜| 又大又黄又爽视频免费| 精品国产国语对白av| 丁香六月天网| 中文天堂在线官网| 亚洲欧洲精品一区二区精品久久久 | 中文字幕制服av| 90打野战视频偷拍视频| 十分钟在线观看高清视频www| 2021少妇久久久久久久久久久| 男女无遮挡免费网站观看| 视频在线观看一区二区三区| 日日爽夜夜爽网站| 伊人久久大香线蕉亚洲五| 国产精品av久久久久免费| 亚洲av福利一区| 少妇人妻精品综合一区二区| 午夜福利在线免费观看网站| 欧美国产精品一级二级三级| 黑人巨大精品欧美一区二区蜜桃| 久久久久久久久久久久大奶| 美女福利国产在线| av线在线观看网站| 在线看a的网站| 国产精品一区二区在线不卡| 精品亚洲乱码少妇综合久久| 成人毛片60女人毛片免费| 国产精品 欧美亚洲| 蜜桃国产av成人99| 黑丝袜美女国产一区| 精品午夜福利在线看| 国产亚洲av高清不卡| 国产一区二区三区综合在线观看| 精品午夜福利在线看| 亚洲欧美激情在线| av有码第一页| 午夜久久久在线观看| 国产亚洲一区二区精品| 看十八女毛片水多多多| 精品午夜福利在线看| 青春草国产在线视频| 黄色一级大片看看| 亚洲av福利一区| 国产亚洲一区二区精品| 亚洲av电影在线进入| 日韩大片免费观看网站| 一二三四在线观看免费中文在| 成年人免费黄色播放视频| 一本色道久久久久久精品综合| 国产精品久久久久久精品电影小说| 蜜桃在线观看..| 精品国产乱码久久久久久小说| 又黄又粗又硬又大视频| 国产成人午夜福利电影在线观看| 国产麻豆69| 我要看黄色一级片免费的| 午夜免费男女啪啪视频观看| 性少妇av在线| 亚洲精品在线美女| 美女脱内裤让男人舔精品视频| 男女高潮啪啪啪动态图| 久久久久久久国产电影| 国产成人精品久久久久久| 青春草亚洲视频在线观看| 亚洲图色成人| 黄片无遮挡物在线观看| 一区二区三区乱码不卡18| 久久久久久久久久久久大奶| 99久久综合免费| 久久国产精品男人的天堂亚洲| 两性夫妻黄色片| 人妻人人澡人人爽人人| 久久毛片免费看一区二区三区| 亚洲欧美成人综合另类久久久| 一本大道久久a久久精品| 亚洲视频免费观看视频| 精品久久久久久电影网| 午夜激情av网站| 九草在线视频观看| 日韩中文字幕视频在线看片| 18禁观看日本| 欧美日韩成人在线一区二区| 亚洲四区av| 欧美黄色片欧美黄色片| av片东京热男人的天堂| 黄网站色视频无遮挡免费观看| 久久国产精品大桥未久av| 午夜久久久在线观看| 亚洲专区中文字幕在线 | 麻豆精品久久久久久蜜桃| 久久久久久久久久久免费av| 精品第一国产精品| 国产日韩欧美亚洲二区| 国产黄色免费在线视频| 亚洲精品一区蜜桃| 高清视频免费观看一区二区| 欧美国产精品一级二级三级| 日韩免费高清中文字幕av| 热99国产精品久久久久久7| 国产日韩欧美在线精品| av网站免费在线观看视频| 在线观看国产h片| 麻豆精品久久久久久蜜桃| 欧美黄色片欧美黄色片| 美女主播在线视频| 丰满迷人的少妇在线观看| 晚上一个人看的免费电影| 日韩熟女老妇一区二区性免费视频| 制服诱惑二区| √禁漫天堂资源中文www| av国产久精品久网站免费入址| 天堂俺去俺来也www色官网| 国产亚洲av片在线观看秒播厂| 久久久久精品人妻al黑| 丝袜人妻中文字幕| 大片电影免费在线观看免费| 亚洲综合精品二区| 午夜精品国产一区二区电影| 亚洲精品一二三| 老鸭窝网址在线观看| 日韩中文字幕视频在线看片| 丝袜美足系列| 久久久久久人妻| 久久久久精品人妻al黑| 一边亲一边摸免费视频| 伊人久久大香线蕉亚洲五| 婷婷色麻豆天堂久久| av电影中文网址| 欧美人与善性xxx| 18禁裸乳无遮挡动漫免费视频| 老汉色∧v一级毛片| 天天操日日干夜夜撸| 91精品国产国语对白视频| 日韩欧美一区视频在线观看| 精品午夜福利在线看| 男人舔女人的私密视频| 日韩大码丰满熟妇| 超碰成人久久| 老司机影院毛片| 欧美久久黑人一区二区| 日韩视频在线欧美| 久久这里只有精品19| 天堂俺去俺来也www色官网| 亚洲一码二码三码区别大吗| 中文字幕av电影在线播放| 久久久欧美国产精品| 少妇的丰满在线观看| 久久久久久人人人人人| 汤姆久久久久久久影院中文字幕| 水蜜桃什么品种好| 丝袜美腿诱惑在线| 久久精品久久精品一区二区三区| 午夜免费观看性视频| 国产精品一国产av| 亚洲av福利一区| 国产 一区精品| 免费av中文字幕在线| 国产精品久久久久久精品电影小说| 色94色欧美一区二区| 9色porny在线观看| 久久精品aⅴ一区二区三区四区| e午夜精品久久久久久久| 韩国高清视频一区二区三区| 赤兔流量卡办理| 久久精品aⅴ一区二区三区四区| 丝瓜视频免费看黄片| 欧美av亚洲av综合av国产av | 亚洲天堂av无毛| 黑人欧美特级aaaaaa片| 丰满饥渴人妻一区二区三| 黄片小视频在线播放| 亚洲精品自拍成人| 男女边吃奶边做爰视频| 美女国产高潮福利片在线看| 国产亚洲av片在线观看秒播厂| 老司机影院毛片| e午夜精品久久久久久久| 日韩免费高清中文字幕av| av线在线观看网站| 精品国产露脸久久av麻豆| av又黄又爽大尺度在线免费看| 亚洲美女搞黄在线观看| 国产精品国产三级专区第一集| 男人爽女人下面视频在线观看| 亚洲av日韩精品久久久久久密 | 黄片播放在线免费| 欧美黑人精品巨大| 成年女人毛片免费观看观看9 | 97在线人人人人妻| av福利片在线| 国产精品久久久久久久久免| 一区在线观看完整版| 免费黄色在线免费观看| 天天操日日干夜夜撸| 高清欧美精品videossex| 成人亚洲精品一区在线观看| 久久国产亚洲av麻豆专区| 熟女av电影| 国产精品欧美亚洲77777| 无遮挡黄片免费观看| 亚洲欧洲国产日韩| 精品国产超薄肉色丝袜足j| 天堂中文最新版在线下载| 亚洲成人手机| 国产免费现黄频在线看| 观看美女的网站| 久久久欧美国产精品| 国产激情久久老熟女| 久久久国产欧美日韩av| 国产成人精品无人区| 国产亚洲最大av| 女人被躁到高潮嗷嗷叫费观| 欧美最新免费一区二区三区| 亚洲国产看品久久| 99精国产麻豆久久婷婷| 18禁裸乳无遮挡动漫免费视频| 最近2019中文字幕mv第一页| 人人妻人人爽人人添夜夜欢视频| 99香蕉大伊视频| a级毛片黄视频| 免费在线观看完整版高清| 18在线观看网站| 搡老乐熟女国产| 国产爽快片一区二区三区| 成人亚洲精品一区在线观看| 国产精品人妻久久久影院| 国产黄色视频一区二区在线观看| 国产午夜精品一二区理论片| 两性夫妻黄色片| av不卡在线播放| 国产日韩欧美在线精品| 国产精品一国产av| 日韩免费高清中文字幕av| 国产一卡二卡三卡精品 | 夫妻午夜视频| 中文字幕制服av| 永久免费av网站大全| 久久综合国产亚洲精品| 免费少妇av软件| 日韩大码丰满熟妇| 中文字幕精品免费在线观看视频| 99re6热这里在线精品视频| 亚洲情色 制服丝袜| 亚洲,欧美精品.| av天堂久久9| 亚洲精华国产精华液的使用体验| 亚洲av电影在线观看一区二区三区| 1024香蕉在线观看| 国产亚洲最大av| 国产不卡av网站在线观看| 欧美少妇被猛烈插入视频| 日韩欧美一区视频在线观看| av天堂久久9| 欧美老熟妇乱子伦牲交| 亚洲情色 制服丝袜| 一本一本久久a久久精品综合妖精| 亚洲av电影在线观看一区二区三区| 国产午夜精品一二区理论片| 人人澡人人妻人| 免费在线观看完整版高清| 丰满迷人的少妇在线观看| 亚洲国产精品999| 精品一区二区三区av网在线观看 | av一本久久久久| 国产精品久久久人人做人人爽| 黑人猛操日本美女一级片| 午夜福利一区二区在线看| 欧美国产精品一级二级三级| 久久亚洲国产成人精品v| 两个人看的免费小视频| 久久精品国产亚洲av涩爱| 国产成人av激情在线播放| 捣出白浆h1v1| 男男h啪啪无遮挡| 天天添夜夜摸| 国产老妇伦熟女老妇高清| 99精国产麻豆久久婷婷| 中国国产av一级| 欧美中文综合在线视频| 久久青草综合色| 美女视频免费永久观看网站| 老司机影院毛片| 久久人人爽av亚洲精品天堂| 男女床上黄色一级片免费看| 国产av国产精品国产| 久久久久久久久久久免费av| 高清欧美精品videossex| 男女免费视频国产| 99久久99久久久精品蜜桃| 80岁老熟妇乱子伦牲交| 十八禁高潮呻吟视频| 18禁国产床啪视频网站| 国产 一区精品| 下体分泌物呈黄色| 色精品久久人妻99蜜桃| 黄网站色视频无遮挡免费观看| 亚洲色图 男人天堂 中文字幕| 晚上一个人看的免费电影| 亚洲欧美成人综合另类久久久| 亚洲少妇的诱惑av| 午夜激情久久久久久久| 精品人妻在线不人妻| 久久久久精品国产欧美久久久 | netflix在线观看网站| 狠狠婷婷综合久久久久久88av| a级毛片黄视频| 午夜日本视频在线| 国产一级毛片在线| 国产一区二区在线观看av| tube8黄色片| 欧美中文综合在线视频| 一本一本久久a久久精品综合妖精| av在线播放精品| 国产高清不卡午夜福利| 女性被躁到高潮视频| 亚洲激情五月婷婷啪啪| 亚洲精品中文字幕在线视频| 日本wwww免费看| 亚洲欧美色中文字幕在线| 男女边吃奶边做爰视频| 男女床上黄色一级片免费看| 亚洲国产毛片av蜜桃av| 在线观看三级黄色| 亚洲精品一二三| 亚洲色图综合在线观看| 日韩熟女老妇一区二区性免费视频| 我的亚洲天堂| 亚洲精品一二三| 国产精品一区二区在线观看99| 免费不卡黄色视频| 久久精品久久久久久久性| 国产av码专区亚洲av| 丁香六月欧美| 美女高潮到喷水免费观看| 欧美乱码精品一区二区三区| 国产精品 国内视频| 另类精品久久| 日本vs欧美在线观看视频| 亚洲国产看品久久| 国产成人av激情在线播放| 亚洲av电影在线进入| 久久久久网色| 制服诱惑二区| 免费黄频网站在线观看国产| 国产亚洲最大av| 九草在线视频观看| 久久精品亚洲熟妇少妇任你| 一区二区三区精品91| 欧美日韩亚洲高清精品| 七月丁香在线播放| 国产精品久久久人人做人人爽| 久久99热这里只频精品6学生| 亚洲成人av在线免费| 国产精品嫩草影院av在线观看| 亚洲精品久久久久久婷婷小说| 午夜精品国产一区二区电影| 国产男人的电影天堂91| 男女床上黄色一级片免费看| 美国免费a级毛片| 日韩一本色道免费dvd| 欧美 日韩 精品 国产| 女人精品久久久久毛片| 国产不卡av网站在线观看| 黄色毛片三级朝国网站| 国产成人精品无人区| 在线观看www视频免费| 又大又黄又爽视频免费| 男女无遮挡免费网站观看| 青青草视频在线视频观看| 亚洲av电影在线进入| 老司机在亚洲福利影院| 精品国产乱码久久久久久小说| 国产精品久久久av美女十八| 国产一区二区 视频在线| 夫妻性生交免费视频一级片| 久热爱精品视频在线9| 少妇被粗大猛烈的视频| 男人添女人高潮全过程视频| 久久99热这里只频精品6学生| av.在线天堂| 黄网站色视频无遮挡免费观看| 日韩制服骚丝袜av| 一区二区日韩欧美中文字幕| 久久国产亚洲av麻豆专区| 最近最新中文字幕大全免费视频 | av不卡在线播放| 丝袜人妻中文字幕| 亚洲av在线观看美女高潮| 男女边吃奶边做爰视频| av有码第一页| 一本久久精品| 欧美日韩成人在线一区二区| av在线app专区| 男女边吃奶边做爰视频| 国产精品.久久久| 美女国产高潮福利片在线看| 日本色播在线视频| 欧美97在线视频| 日韩成人av中文字幕在线观看| 久久女婷五月综合色啪小说| 一边摸一边抽搐一进一出视频| 中文欧美无线码| videos熟女内射| 国产日韩一区二区三区精品不卡| 19禁男女啪啪无遮挡网站| 在线 av 中文字幕| 欧美人与性动交α欧美精品济南到| 涩涩av久久男人的天堂| 黑人欧美特级aaaaaa片| 国产伦人伦偷精品视频| 激情视频va一区二区三区| 中国三级夫妇交换| 亚洲男人天堂网一区| 中文字幕精品免费在线观看视频| 国产精品无大码| 午夜影院在线不卡| 国产99久久九九免费精品| 亚洲七黄色美女视频| 丝袜在线中文字幕| 久久久国产一区二区| 精品人妻熟女毛片av久久网站| 免费日韩欧美在线观看| 69精品国产乱码久久久| 在线观看免费视频网站a站| 久久国产亚洲av麻豆专区| 电影成人av| 老熟女久久久| 成人影院久久| 欧美日韩一区二区视频在线观看视频在线| 久久久久久免费高清国产稀缺| 精品久久蜜臀av无| 19禁男女啪啪无遮挡网站| 黄色视频在线播放观看不卡| 亚洲国产av影院在线观看| 亚洲精华国产精华液的使用体验| 亚洲精品国产av成人精品| 亚洲美女黄色视频免费看| 国产又爽黄色视频| 久久 成人 亚洲| 久久天躁狠狠躁夜夜2o2o | av.在线天堂| 老汉色∧v一级毛片| 国产亚洲欧美精品永久| 久久久国产精品麻豆| 免费黄色在线免费观看| 成人国产av品久久久| 在线观看国产h片| 在线天堂最新版资源| 黄网站色视频无遮挡免费观看| 中文字幕色久视频| 成年人免费黄色播放视频| 777久久人妻少妇嫩草av网站| 久久久精品国产亚洲av高清涩受| 宅男免费午夜| 免费日韩欧美在线观看| 久久久久精品久久久久真实原创| 欧美变态另类bdsm刘玥| 国产在视频线精品| 观看av在线不卡| 日韩精品免费视频一区二区三区| 亚洲婷婷狠狠爱综合网| 亚洲人成电影观看| 国产成人系列免费观看| 久久99热这里只频精品6学生| 美女大奶头黄色视频| 国产深夜福利视频在线观看| 亚洲国产精品一区三区| 国产福利在线免费观看视频| 在线亚洲精品国产二区图片欧美| 久久久久精品国产欧美久久久 | 成年动漫av网址| av国产久精品久网站免费入址| 两性夫妻黄色片| 精品一品国产午夜福利视频| 嫩草影院入口| 国产精品无大码| 日韩一区二区视频免费看| 日韩欧美精品免费久久| av免费观看日本| 另类亚洲欧美激情| 欧美 亚洲 国产 日韩一| bbb黄色大片| 亚洲国产精品999| 亚洲国产精品成人久久小说| 国产成人91sexporn| 亚洲在久久综合| 一级a爱视频在线免费观看| 亚洲精品乱久久久久久| 欧美人与善性xxx| 精品久久久精品久久久| 久久久亚洲精品成人影院| 啦啦啦啦在线视频资源| 人人妻人人澡人人看| 国产精品麻豆人妻色哟哟久久| 一级毛片电影观看| 亚洲,欧美,日韩| 丰满少妇做爰视频|