• <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
    午夜影院在线不卡| 国产精品成人在线| 国产亚洲91精品色在线| 亚洲国产色片| 亚洲av成人精品一区久久| 久久女婷五月综合色啪小说| 日韩伦理黄色片| 日韩强制内射视频| 99热6这里只有精品| 国产淫语在线视频| 中文天堂在线官网| 黑人猛操日本美女一级片| 夜夜骑夜夜射夜夜干| 亚洲图色成人| 欧美激情极品国产一区二区三区 | 一个人看视频在线观看www免费| 午夜日本视频在线| 一级二级三级毛片免费看| 一本一本综合久久| 女的被弄到高潮叫床怎么办| 成人亚洲精品一区在线观看| 桃花免费在线播放| 精品国产国语对白av| 中文字幕亚洲精品专区| 亚洲av二区三区四区| 久久精品国产自在天天线| 天堂8中文在线网| 99热全是精品| 内射极品少妇av片p| 精品人妻偷拍中文字幕| 久久午夜综合久久蜜桃| 亚洲精品456在线播放app| 久久亚洲国产成人精品v| 亚洲精品亚洲一区二区| 午夜免费鲁丝| 内地一区二区视频在线| 国产av码专区亚洲av| 草草在线视频免费看| 国产高清有码在线观看视频| 老熟女久久久| 制服丝袜香蕉在线| 国国产精品蜜臀av免费| 国产美女午夜福利| 亚洲欧美成人精品一区二区| 久久国产乱子免费精品| av卡一久久| 内地一区二区视频在线| 五月开心婷婷网| 美女主播在线视频| 王馨瑶露胸无遮挡在线观看| 久久久久久久亚洲中文字幕| 一级毛片黄色毛片免费观看视频| 国产亚洲91精品色在线| 久久精品国产亚洲网站| 尾随美女入室| 99热国产这里只有精品6| 黄色毛片三级朝国网站 | 日韩中文字幕视频在线看片| 欧美精品亚洲一区二区| 18+在线观看网站| 亚洲精品亚洲一区二区| 91在线精品国自产拍蜜月| 一级av片app| 久久精品国产亚洲av涩爱| 性高湖久久久久久久久免费观看| 五月伊人婷婷丁香| 精品少妇久久久久久888优播| 免费看av在线观看网站| 伦精品一区二区三区| 日本与韩国留学比较| 免费大片18禁| 高清毛片免费看| 久久久国产精品麻豆| 人人妻人人澡人人看| 嫩草影院入口| 国产色婷婷99| 欧美精品人与动牲交sv欧美| 亚洲情色 制服丝袜| 超碰97精品在线观看| 伦精品一区二区三区| 少妇人妻一区二区三区视频| 午夜福利视频精品| 十八禁高潮呻吟视频 | 亚洲人与动物交配视频| 国产精品人妻久久久久久| 午夜日本视频在线| 偷拍熟女少妇极品色| 国产精品伦人一区二区| 少妇高潮的动态图| 亚洲av男天堂| 国产成人aa在线观看| 国产精品不卡视频一区二区| 国产极品粉嫩免费观看在线 | 亚洲av电影在线观看一区二区三区| 51国产日韩欧美| 亚洲丝袜综合中文字幕| 免费高清在线观看视频在线观看| 久久ye,这里只有精品| a 毛片基地| 日本欧美视频一区| 永久免费av网站大全| 97超视频在线观看视频| 亚洲国产色片| 亚洲欧美成人精品一区二区| 街头女战士在线观看网站| 18禁在线播放成人免费| 女的被弄到高潮叫床怎么办| 久久女婷五月综合色啪小说| 99热网站在线观看| 亚洲av免费高清在线观看| tube8黄色片| 国产av精品麻豆| 国产成人91sexporn| 91久久精品国产一区二区成人| 免费看日本二区| 免费看光身美女| 国产精品福利在线免费观看| 在线观看免费高清a一片| 一级av片app| 日本黄色日本黄色录像| 精品国产乱码久久久久久小说| 国产免费视频播放在线视频| 青春草视频在线免费观看| 男女啪啪激烈高潮av片| 国产av国产精品国产| 亚洲av在线观看美女高潮| 日本-黄色视频高清免费观看| 国产精品免费大片| 亚洲精品456在线播放app| 人人妻人人澡人人爽人人夜夜| 一级毛片 在线播放| 在线 av 中文字幕| 午夜福利,免费看| 少妇被粗大猛烈的视频| 老司机影院成人| 80岁老熟妇乱子伦牲交| 最新中文字幕久久久久| 国产 精品1| 亚洲无线观看免费| 日本vs欧美在线观看视频 | 深夜a级毛片| 国产精品久久久久久av不卡| 人妻 亚洲 视频| 亚洲精品,欧美精品| 免费观看无遮挡的男女| 一级毛片aaaaaa免费看小| 只有这里有精品99| 久久韩国三级中文字幕| 国产精品麻豆人妻色哟哟久久| 国内少妇人妻偷人精品xxx网站| 免费av中文字幕在线| 亚洲精品中文字幕在线视频 | 综合色丁香网| 少妇精品久久久久久久| 免费人妻精品一区二区三区视频| 国产爽快片一区二区三区| 精品国产露脸久久av麻豆| 日韩av免费高清视频| 热re99久久国产66热| 国产爽快片一区二区三区| 国产精品一区二区三区四区免费观看| 日产精品乱码卡一卡2卡三| 一区二区三区四区激情视频| 欧美一级a爱片免费观看看| 汤姆久久久久久久影院中文字幕| 能在线免费看毛片的网站| 久久婷婷青草| 99久久精品热视频| 99热全是精品| 免费观看在线日韩| 校园人妻丝袜中文字幕| 亚洲丝袜综合中文字幕| 国产一区二区在线观看av| 在现免费观看毛片| 国产精品.久久久| 777米奇影视久久| 免费在线观看成人毛片| 成年美女黄网站色视频大全免费 | 日韩一区二区三区影片| 久久人妻熟女aⅴ| 国产视频首页在线观看| 久久久a久久爽久久v久久| 亚洲精品亚洲一区二区| 夜夜骑夜夜射夜夜干| 久久亚洲国产成人精品v| 国产一区二区在线观看av| 日韩 亚洲 欧美在线| 看免费成人av毛片| 黑人猛操日本美女一级片| 国产91av在线免费观看| 免费高清在线观看视频在线观看| 亚洲av免费高清在线观看| 伦精品一区二区三区| 我的女老师完整版在线观看| 麻豆成人午夜福利视频| 美女中出高潮动态图| 我的老师免费观看完整版| 午夜激情久久久久久久| 亚洲国产精品成人久久小说| 成年女人在线观看亚洲视频| 亚洲精品亚洲一区二区| 91在线精品国自产拍蜜月| 十八禁高潮呻吟视频 | 婷婷色综合www| av一本久久久久| 国产免费一区二区三区四区乱码| 国产欧美日韩一区二区三区在线 | 久久久久国产网址| 欧美亚洲 丝袜 人妻 在线| 中文精品一卡2卡3卡4更新| 一区二区三区乱码不卡18| 久久精品国产a三级三级三级| 国产白丝娇喘喷水9色精品| av福利片在线| 校园人妻丝袜中文字幕| 晚上一个人看的免费电影| 久久精品国产亚洲av涩爱| 国产一区二区三区av在线| 成人漫画全彩无遮挡| 韩国av在线不卡| 亚洲,欧美,日韩| 国产黄频视频在线观看| 9色porny在线观看| 国产精品一二三区在线看| 国产伦在线观看视频一区| 日日啪夜夜撸| 免费久久久久久久精品成人欧美视频 | 国产91av在线免费观看| 三级经典国产精品| 少妇被粗大猛烈的视频| 日韩成人av中文字幕在线观看| 少妇人妻精品综合一区二区| 人人妻人人看人人澡| 免费人妻精品一区二区三区视频| 美女福利国产在线| 男人添女人高潮全过程视频| 一级,二级,三级黄色视频| 国产亚洲午夜精品一区二区久久| 亚洲国产色片| 国产精品不卡视频一区二区| 日韩精品有码人妻一区| 国产淫片久久久久久久久| 国产毛片在线视频| 中文欧美无线码| 少妇裸体淫交视频免费看高清| 欧美丝袜亚洲另类| 亚洲经典国产精华液单| 国产精品免费大片| 国产视频内射| 国产伦理片在线播放av一区| 国产黄频视频在线观看| 久久精品久久精品一区二区三区| 又爽又黄a免费视频| 亚洲av日韩在线播放| 大片电影免费在线观看免费| 老司机影院成人| 熟女av电影| 极品人妻少妇av视频| 狂野欧美激情性bbbbbb| 伦精品一区二区三区| 我的女老师完整版在线观看| 午夜激情福利司机影院| 一个人看视频在线观看www免费| 亚洲欧美精品专区久久| 最近中文字幕高清免费大全6| 国产精品蜜桃在线观看| 欧美日韩一区二区视频在线观看视频在线| 国产日韩一区二区三区精品不卡 | 少妇人妻精品综合一区二区| kizo精华| 久久国产乱子免费精品| 久久国产亚洲av麻豆专区| 中文字幕久久专区| 五月伊人婷婷丁香| 女性被躁到高潮视频| www.av在线官网国产| 亚洲国产欧美在线一区| 国产 精品1| 亚洲无线观看免费| 3wmmmm亚洲av在线观看| 少妇猛男粗大的猛烈进出视频| 97在线人人人人妻| 国产精品熟女久久久久浪| 在线观看www视频免费| 国产伦理片在线播放av一区| 久久久午夜欧美精品| 国产高清有码在线观看视频| 晚上一个人看的免费电影| 久久久欧美国产精品| 国产一区二区三区av在线| 亚洲国产精品成人久久小说| 亚洲欧美一区二区三区黑人 | 欧美激情国产日韩精品一区| 国产视频首页在线观看| 久久久久久人妻| 国产一区二区三区av在线| 简卡轻食公司| 男女免费视频国产| 午夜福利影视在线免费观看| 亚洲成色77777| 激情五月婷婷亚洲| 晚上一个人看的免费电影| 国产精品一区二区性色av| 国产免费一区二区三区四区乱码| 看十八女毛片水多多多| 高清不卡的av网站| 精品人妻熟女毛片av久久网站| 欧美少妇被猛烈插入视频| 国产色爽女视频免费观看| 一区二区av电影网| 狠狠精品人妻久久久久久综合| 日本与韩国留学比较| 国产淫片久久久久久久久| av福利片在线观看| 校园人妻丝袜中文字幕| 日韩,欧美,国产一区二区三区| 国产亚洲最大av| 国产一区有黄有色的免费视频| 69精品国产乱码久久久| 秋霞在线观看毛片| 久久99精品国语久久久| 男人爽女人下面视频在线观看| 人人妻人人澡人人爽人人夜夜| 校园人妻丝袜中文字幕| 国产成人一区二区在线| 在线观看国产h片| 久热这里只有精品99| 黑人高潮一二区| 国产日韩欧美亚洲二区| 极品人妻少妇av视频| 亚洲人成网站在线播| 日本av免费视频播放| a级毛色黄片| 成人毛片a级毛片在线播放| 日本欧美国产在线视频| 日本免费在线观看一区| 日本欧美国产在线视频| 国产成人精品久久久久久| 最近手机中文字幕大全| .国产精品久久| 91精品伊人久久大香线蕉| 人妻一区二区av| 激情五月婷婷亚洲| 亚洲精品一二三| 夫妻午夜视频| 赤兔流量卡办理| 免费久久久久久久精品成人欧美视频 | 亚洲内射少妇av| av一本久久久久| 日本91视频免费播放| 99久久精品热视频| 十八禁高潮呻吟视频 | 人妻 亚洲 视频| 高清av免费在线| 一级爰片在线观看| 亚洲内射少妇av| 夜夜爽夜夜爽视频| 亚洲内射少妇av| 夜夜爽夜夜爽视频| 97在线视频观看| 国产欧美日韩精品一区二区| 黑人猛操日本美女一级片| 国产淫语在线视频| 欧美另类一区| 中国美白少妇内射xxxbb| 成人特级av手机在线观看| 欧美变态另类bdsm刘玥| 男女国产视频网站| 91精品一卡2卡3卡4卡| 夫妻午夜视频| 日韩欧美一区视频在线观看 | 伦精品一区二区三区| 成人18禁高潮啪啪吃奶动态图 | 看十八女毛片水多多多| 99久久综合免费| 老司机影院毛片| 毛片一级片免费看久久久久| 欧美最新免费一区二区三区| 日韩免费高清中文字幕av| 大陆偷拍与自拍| 亚洲婷婷狠狠爱综合网| 久久人妻熟女aⅴ| 国产精品久久久久成人av| 看十八女毛片水多多多| 亚洲精品国产av成人精品| 99视频精品全部免费 在线| 亚洲欧美清纯卡通| 久久99一区二区三区| 中文乱码字字幕精品一区二区三区| 国产免费福利视频在线观看| 亚洲人与动物交配视频| 自拍偷自拍亚洲精品老妇| 啦啦啦啦在线视频资源| 免费观看a级毛片全部| 狠狠精品人妻久久久久久综合| 99热国产这里只有精品6| 午夜精品国产一区二区电影| 久久久久久伊人网av| 又爽又黄a免费视频| 日韩三级伦理在线观看| 精品一品国产午夜福利视频| 亚洲欧洲精品一区二区精品久久久 | 亚洲av成人精品一区久久| 97超视频在线观看视频| 久久国产精品男人的天堂亚洲 | 亚洲国产精品专区欧美| 涩涩av久久男人的天堂| 国产精品国产三级国产av玫瑰| 乱码一卡2卡4卡精品| 女人精品久久久久毛片| 涩涩av久久男人的天堂| 亚洲一级一片aⅴ在线观看| 日韩视频在线欧美| 精品久久久久久久久av| 人人妻人人看人人澡| 国产综合精华液| 麻豆成人av视频| 久久人人爽av亚洲精品天堂| 欧美人与善性xxx| 91精品国产国语对白视频| 精品酒店卫生间| 91精品国产国语对白视频| 黄色一级大片看看| 插阴视频在线观看视频| 肉色欧美久久久久久久蜜桃| 色婷婷久久久亚洲欧美| 日日啪夜夜撸| 欧美成人精品欧美一级黄| 国产极品粉嫩免费观看在线 | 国产精品人妻久久久久久| 18禁在线播放成人免费| 久久鲁丝午夜福利片| 久久6这里有精品| 欧美最新免费一区二区三区| 国产精品熟女久久久久浪| 人妻夜夜爽99麻豆av| 午夜激情福利司机影院| 欧美精品一区二区免费开放| 香蕉精品网在线| 99久久精品热视频| 精品久久久噜噜| 我的女老师完整版在线观看| 精品99又大又爽又粗少妇毛片| 22中文网久久字幕| 午夜老司机福利剧场| 伦理电影大哥的女人| 国产综合精华液| 99国产精品免费福利视频| 大片免费播放器 马上看| 国产av精品麻豆| 国产淫片久久久久久久久| 亚洲精品视频女| 97精品久久久久久久久久精品| 91久久精品电影网| 免费观看性生交大片5| 国模一区二区三区四区视频| 80岁老熟妇乱子伦牲交| 十分钟在线观看高清视频www | 少妇的逼水好多| 国产高清国产精品国产三级| 人人妻人人爽人人添夜夜欢视频 | 亚洲人成网站在线观看播放| 日本爱情动作片www.在线观看| 国产精品.久久久| 一区二区三区免费毛片| 在线天堂最新版资源| 亚洲欧美一区二区三区国产| 欧美精品亚洲一区二区| 久久久午夜欧美精品| 超碰97精品在线观看| 日韩不卡一区二区三区视频在线| tube8黄色片| 免费久久久久久久精品成人欧美视频 | 青春草亚洲视频在线观看| 久久久久久久久久成人| 日韩欧美精品免费久久| 男的添女的下面高潮视频| 少妇熟女欧美另类| 精品国产一区二区久久| 欧美97在线视频| 有码 亚洲区| 久久精品国产亚洲av涩爱| 在线观看免费高清a一片| 插逼视频在线观看| 丝袜脚勾引网站| 久久99精品国语久久久| 亚洲精品乱码久久久v下载方式| 啦啦啦在线观看免费高清www| 人妻 亚洲 视频| 久久久久久久精品精品| 一级毛片黄色毛片免费观看视频| 精品人妻熟女av久视频| 国产 一区精品| videos熟女内射| 国产男女内射视频| 一个人看视频在线观看www免费| 精品久久久精品久久久| 欧美精品人与动牲交sv欧美| 丝袜在线中文字幕| 亚洲国产欧美在线一区| 男女无遮挡免费网站观看| av一本久久久久| 九草在线视频观看| 午夜91福利影院| 成人毛片a级毛片在线播放| 97精品久久久久久久久久精品| 欧美精品一区二区免费开放| 中文字幕人妻熟人妻熟丝袜美| 久久久精品94久久精品| 久久久久国产网址| 国产亚洲精品久久久com| 2022亚洲国产成人精品| 18禁动态无遮挡网站| 中文精品一卡2卡3卡4更新| 欧美高清成人免费视频www| 国国产精品蜜臀av免费| 亚洲无线观看免费| 能在线免费看毛片的网站| 欧美精品一区二区大全| 亚洲精品国产av蜜桃| 在线观看三级黄色| 人人妻人人看人人澡| 六月丁香七月| 成人毛片a级毛片在线播放| 嘟嘟电影网在线观看| 国产精品国产三级国产av玫瑰| 人妻 亚洲 视频| 亚洲色图综合在线观看| 欧美精品一区二区大全| 亚洲国产成人一精品久久久| 自拍欧美九色日韩亚洲蝌蚪91 | 国语对白做爰xxxⅹ性视频网站| 亚洲av中文av极速乱| 久久精品久久久久久久性| 男的添女的下面高潮视频| 下体分泌物呈黄色| 自拍偷自拍亚洲精品老妇| 色视频www国产| 3wmmmm亚洲av在线观看| 中文字幕制服av| 亚洲熟女精品中文字幕| 亚洲国产欧美日韩在线播放 | 久久精品夜色国产| a级毛片在线看网站| 91精品国产九色| 中国三级夫妇交换| 在线观看一区二区三区激情| 亚洲自偷自拍三级| 人妻一区二区av| 国内精品宾馆在线| 国产精品成人在线| 国产免费又黄又爽又色| 视频中文字幕在线观看| 国产免费一级a男人的天堂| 国产无遮挡羞羞视频在线观看| 免费播放大片免费观看视频在线观看| h视频一区二区三区| 久久韩国三级中文字幕| 日韩av不卡免费在线播放| 亚洲精品一区蜜桃| 国产精品一区二区在线不卡| 在线天堂最新版资源| 一本一本综合久久| 国内少妇人妻偷人精品xxx网站| 97精品久久久久久久久久精品| 亚洲真实伦在线观看| 99热这里只有精品一区| 黑人猛操日本美女一级片| 人人妻人人澡人人爽人人夜夜| 免费在线观看成人毛片| 99久久中文字幕三级久久日本| 尾随美女入室| 性色avwww在线观看| 国产真实伦视频高清在线观看| 国产免费又黄又爽又色| 久久6这里有精品| 亚洲精品亚洲一区二区| 极品少妇高潮喷水抽搐| 天美传媒精品一区二区| 两个人的视频大全免费| 蜜桃久久精品国产亚洲av| 久久久久人妻精品一区果冻| 成人亚洲欧美一区二区av| 另类精品久久| 大片电影免费在线观看免费| 成人亚洲精品一区在线观看| 久久99热6这里只有精品| 亚洲精品色激情综合| 国产精品一区二区三区四区免费观看| 在现免费观看毛片| 亚洲精品日韩av片在线观看| 久久久国产欧美日韩av| 国精品久久久久久国模美| 交换朋友夫妻互换小说| 亚洲精品国产av蜜桃| 激情五月婷婷亚洲| 亚洲成色77777| 欧美丝袜亚洲另类| av又黄又爽大尺度在线免费看| 黄色一级大片看看| 精品人妻熟女av久视频| 亚洲国产精品专区欧美| 精品人妻熟女毛片av久久网站| 简卡轻食公司| 菩萨蛮人人尽说江南好唐韦庄| 蜜桃在线观看..| 国产老妇伦熟女老妇高清| 看非洲黑人一级黄片| 国产高清三级在线| 9色porny在线观看| 亚洲第一区二区三区不卡| 在线亚洲精品国产二区图片欧美 | 99热6这里只有精品| 女人精品久久久久毛片| 免费看光身美女|