• <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 ?

    基于卷積神經(jīng)網(wǎng)絡(luò)的圖像驗(yàn)證碼識(shí)別①

    2018-11-14 11:36:44顧乃杰張孝慈林傳文
    關(guān)鍵詞:詞組分組準(zhǔn)確率

    秦 波,顧乃杰,張孝慈,林傳文

    (中國(guó)科學(xué)技術(shù)大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院 網(wǎng)絡(luò)計(jì)算與高效算法實(shí)驗(yàn)室,合肥 230027)

    (安徽省計(jì)算與通信軟件重點(diǎn)實(shí)驗(yàn)室,合肥 230027)

    (中國(guó)科學(xué)技術(shù)大學(xué) 先進(jìn)技術(shù)研究院,合肥 230027)

    1 引言

    驗(yàn)證碼(Completely Automated Public Turing test to tell Computers and Humans Apart,CAPTCHA)是一種用于區(qū)分人類行為與機(jī)器行為的算法.作為互聯(lián)網(wǎng)行業(yè)通用的基礎(chǔ)安全策略,驗(yàn)證碼擔(dān)負(fù)著保護(hù)網(wǎng)絡(luò)賬號(hào)安全體系的第一道防御,用以驗(yàn)證和防范機(jī)器程序的惡意行為,如何提升驗(yàn)證碼的安全性并防止自動(dòng)破解程序,已經(jīng)成為一個(gè)至關(guān)重要的問(wèn)題.

    作為深度神經(jīng)網(wǎng)絡(luò)的一種,卷積神經(jīng)網(wǎng)絡(luò)(Convolutionional Neural Networks,CNN)在圖像識(shí)別領(lǐng)域內(nèi)表現(xiàn)出優(yōu)異的性能[1],且大大優(yōu)于傳統(tǒng)的機(jī)器學(xué)習(xí)方法.較傳統(tǒng)方法而言,CNN的主要優(yōu)勢(shì)在于卷積層提取的圖像特征具有很強(qiáng)的表達(dá)能力,避免了傳統(tǒng)識(shí)別技術(shù)存在的數(shù)據(jù)預(yù)處理、人工設(shè)計(jì)特征等問(wèn)題.在具備足夠的標(biāo)注樣本的情況下,只需要定義一個(gè)合適的網(wǎng)絡(luò)模型,就能夠取得遠(yuǎn)高于傳統(tǒng)方法所取得的識(shí)別效果.

    本文設(shè)計(jì)了一種基于卷積神經(jīng)網(wǎng)絡(luò)的圖像驗(yàn)證碼識(shí)別方法,對(duì)傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)訓(xùn)練中存在的模型復(fù)雜、輸出層參數(shù)冗余等問(wèn)題進(jìn)行了改進(jìn).本文通過(guò)卷積層級(jí)聯(lián)、殘差學(xué)習(xí)、全局池化和分組卷積等技術(shù)手段,在保證網(wǎng)絡(luò)識(shí)別精度的前提下,壓縮了模型規(guī)模.

    2 相關(guān)工作

    鑒于驗(yàn)證碼在互聯(lián)網(wǎng)的廣泛應(yīng)用,國(guó)內(nèi)外學(xué)者對(duì)驗(yàn)證碼的設(shè)計(jì)和識(shí)別進(jìn)行了廣泛的研究.Zhang和Wang[2]利用傳統(tǒng)圖像處理方法并結(jié)合KNN算法進(jìn)行驗(yàn)證碼識(shí)別研究.李興國(guó)等人[3]提出一種滴水算法分割驗(yàn)證碼.Lu等人[4]分別提出了不同的字符分割算法并結(jié)合SVM分類算法及BP神經(jīng)網(wǎng)絡(luò)進(jìn)行字符識(shí)別.Yan等人[5]分析并研究了現(xiàn)有微軟驗(yàn)證碼的缺陷,并設(shè)計(jì)了虛擬問(wèn)答及基于情感方法對(duì)驗(yàn)證碼進(jìn)行識(shí)別.Mori和Malik[6]利用形狀上下文方法對(duì)驗(yàn)證碼進(jìn)行了識(shí)別研究.

    深度神經(jīng)網(wǎng)絡(luò)在科學(xué)研究中被廣泛使用,Yann LeCun等人[7]提出了基于CNN的文字識(shí)別系統(tǒng)LeNet-5.Hinton等人[8]提出的深度置信網(wǎng)絡(luò)(Deep Belief Network,DBN)可以更快地訓(xùn)練深度網(wǎng)絡(luò).在圖像應(yīng)用中,CNN采用隨機(jī)梯度下降(Stochastic Gradient Decent,SGD)和GPU (Graphics Processing Unit)加快了深度網(wǎng)絡(luò)的訓(xùn)練速率.IDSIA實(shí)驗(yàn)室[9]針對(duì)手寫(xiě)中文漢字識(shí)別提出一種多列CNN模型,通過(guò)訓(xùn)練多個(gè)CNN網(wǎng)絡(luò)并對(duì)結(jié)果進(jìn)行簡(jiǎn)單的平均集成實(shí)現(xiàn)并行訓(xùn)練.Zhong等人[10]提出一種HCCR-GoogLeNet模型,利用GoogLeNet的網(wǎng)絡(luò)結(jié)構(gòu)并引入手寫(xiě)漢字的多尺度多方向特征,完成脫機(jī)手寫(xiě)中文漢字識(shí)別.范望等人[11]構(gòu)造出卷積神經(jīng)網(wǎng)絡(luò)用于漢字驗(yàn)證碼識(shí)別.針對(duì)不分割的驗(yàn)證碼識(shí)別,Google研究人員[12]采用概率模型和卷積神經(jīng)網(wǎng)絡(luò)開(kāi)發(fā)了一種無(wú)需字符分割的街道門(mén)牌識(shí)別系統(tǒng),對(duì)門(mén)牌準(zhǔn)確率高達(dá)90%.Yann LeCun等人[13]采用空間位移神經(jīng)網(wǎng)絡(luò)(SDNN)和隱馬爾科夫模型(HMM)對(duì)帶有粘連的手寫(xiě)字符進(jìn)行識(shí)別.Shi等人[14]利用CNN和R N N結(jié)合思想,提出一種卷積循環(huán)神經(jīng)網(wǎng)絡(luò)(CRNN)完成驗(yàn)證碼的整體識(shí)別.

    3 網(wǎng)絡(luò)模型設(shè)計(jì)

    本文提出的卷積神經(jīng)網(wǎng)絡(luò)模型主要由以下模塊組成: 級(jí)聯(lián)卷積層、殘差層以及分類池化層,如圖1所示,下面對(duì)這些結(jié)構(gòu)進(jìn)行具體介紹.

    圖1 本文網(wǎng)絡(luò)結(jié)構(gòu)

    3.1 級(jí)聯(lián)卷積層

    圖2 級(jí)聯(lián)卷積層

    (1) 參數(shù)量

    假設(shè)圖2中所有數(shù)據(jù)有C個(gè)通道,下面將比較3個(gè) 3 ×3卷積核和1個(gè)卷積核的參數(shù)量.

    由公式(1)和(2)可知,兩者的參數(shù)量倍數(shù)為:

    (2) 感受野

    感受野(Receptive Field)計(jì)算方法如下:

    3.2 殘差層

    隨著網(wǎng)絡(luò)深度的增加,網(wǎng)絡(luò)出現(xiàn)無(wú)法收斂、性能退化等問(wèn)題[16].主要原因在于經(jīng)典卷積神經(jīng)網(wǎng)絡(luò)參數(shù)梯度值等于所有前層參數(shù)梯度的乘積,當(dāng)淺層的參數(shù)梯度值過(guò)小就容易產(chǎn)生梯度消失的問(wèn)題,從而影響到網(wǎng)絡(luò)的表現(xiàn)性能.研究顯示,殘差結(jié)構(gòu)[17]不僅能夠解決網(wǎng)絡(luò)深度深而性能退化的問(wèn)題,而且也解決了梯度消失的問(wèn)題.

    下面將對(duì)殘差層進(jìn)行分析.為了不失一般性,從第l層到第L層的前向過(guò)程可表示為:

    可以看出,網(wǎng)絡(luò)參數(shù)學(xué)習(xí)過(guò)程實(shí)際上等價(jià)于對(duì)前面層的參數(shù)梯度的求和過(guò)程,即從是線性疊加的過(guò)程,因而允許網(wǎng)絡(luò)深度增加,而不會(huì)出現(xiàn)梯度消失的問(wèn)題.

    圖3 殘差模塊

    圖4 卷積分組

    假如輸入特征圖個(gè)數(shù)為N,該層的卷積核(kernel)個(gè)數(shù)為M,計(jì)算下一層特征圖是利用M個(gè)kernel和N個(gè)輸入特征圖.引入group后,計(jì)算下一層特征圖則利用M/group個(gè)kernel和N/group個(gè)輸入特征圖.

    3.3 分類池化層

    傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)中,卷積層和池化層等用于特征提取,隨后利用一到多個(gè)全連接層將學(xué)習(xí)到的特征空間隱式地映射到樣本標(biāo)記空間,最后在輸出層由softmax激活函數(shù)完成目標(biāo)分類任務(wù).全連接層的弊端在于參數(shù)過(guò)多,容易出現(xiàn)過(guò)擬合等情況.本文使用分類池化層來(lái)替代全連接層[18](圖5).這里分類池化層實(shí)際上是全局平均池化層(圖6),其沒(méi)有需要優(yōu)化的參數(shù),從而可以避免出現(xiàn)過(guò)擬合情況.同時(shí)其對(duì)空間信息求和,因而對(duì)空間變換更加健壯.

    圖5 分類池化層

    圖6 全局平均池化層

    圖6顯示是全局平均池化層,輸出特征圖的計(jì)算方法如下:

    3.4 網(wǎng)絡(luò)結(jié)構(gòu)

    本文結(jié)構(gòu)的具體網(wǎng)絡(luò)參數(shù)見(jiàn)表1.其中Conv1_x和Pool1是級(jí)聯(lián)卷積層,Conv2_x至Conv5_x是殘差層,Pool2是分類池化層.

    4 實(shí)驗(yàn)與分析

    4.1 平臺(tái)介紹

    本文在深度學(xué)習(xí)框架Caffe的基礎(chǔ)上,實(shí)現(xiàn)了基于卷積神經(jīng)網(wǎng)絡(luò)的圖像驗(yàn)證碼識(shí)別方法.

    實(shí)驗(yàn)平臺(tái)使用Intel XeonE5-2620 v2 2.1 GHZ CPU,126 GB 內(nèi)存,以及 NVIDIA Tesla K40m GPU.其中Tesla K40m GPU單精度峰值4.29 Tflops,顯存為12 GB GDDR5,顯存帶寬為288 Gbytes/sec.

    4.2 數(shù)據(jù)集介紹

    本文實(shí)驗(yàn)數(shù)據(jù)以鐵路購(gòu)票網(wǎng)站驗(yàn)證碼和正方教務(wù)系統(tǒng)驗(yàn)證碼為例.

    (1) 購(gòu)票網(wǎng)站驗(yàn)證碼

    購(gòu)票網(wǎng)站驗(yàn)證碼共收集109 900張,包含圖形302類,訓(xùn)練圖片數(shù)112 599張; 包含中文詞組302類,訓(xùn)練圖片數(shù)39 931張.對(duì)于驗(yàn)證碼識(shí)別之前,首先需要對(duì)驗(yàn)證碼進(jìn)行預(yù)處理操作,分割成單獨(dú)子圖和中文漢字或詞組.具體購(gòu)票網(wǎng)站驗(yàn)證碼如圖7所示.

    表1 網(wǎng)絡(luò)參數(shù)

    圖7 購(gòu)票網(wǎng)站驗(yàn)證碼

    (2) 正方教務(wù)系統(tǒng)驗(yàn)證碼

    正方教務(wù)系統(tǒng)驗(yàn)證碼由字母和數(shù)字構(gòu)成,共包含33類,訓(xùn)練驗(yàn)證碼數(shù)5950張.對(duì)于驗(yàn)證碼識(shí)別之前,需要對(duì)驗(yàn)證碼進(jìn)行預(yù)處理,包含去噪以及分割等步驟.該驗(yàn)證碼如圖8所示.

    圖8 正方教務(wù)系統(tǒng)驗(yàn)證碼

    4.3 鐵路購(gòu)票驗(yàn)證碼實(shí)驗(yàn)

    鐵路購(gòu)票網(wǎng)站驗(yàn)證碼包含圖形驗(yàn)證碼和中文驗(yàn)證碼.

    (1) 圖形驗(yàn)證碼

    對(duì)于圖形分割部分,由于驗(yàn)證碼中八張子圖尺寸與位置均固定,故考慮直接設(shè)置分割點(diǎn)實(shí)現(xiàn)分割.同時(shí),對(duì)于圖片數(shù)較少的類別,采取數(shù)據(jù)增強(qiáng)方式來(lái)擴(kuò)充訓(xùn)練數(shù)據(jù)集,主要包括圖像縮放、旋轉(zhuǎn)和顏色變換等.

    對(duì)于圖形識(shí)別部分,圖形驗(yàn)證碼共302類,訓(xùn)練集圖片82 599張,測(cè)試集圖片30 000張.實(shí)驗(yàn)參數(shù)如下:訓(xùn)練mini-batch大小設(shè)置為32,訓(xùn)練最大迭代為250 000次.訓(xùn)練過(guò)程中前100 000次迭代的學(xué)習(xí)率為0.01,后面每隔40 000次學(xué)習(xí)率衰減1/10,梯度更新方法為Momentum,值設(shè)置為0.9.本文測(cè)試傳統(tǒng)卷積神經(jīng)網(wǎng)絡(luò)模型,包含AlexNet[1],GoogLeNet[19]以及ResNet50[17],并與本文方法進(jìn)行比較,實(shí)驗(yàn)結(jié)果如表2.

    表2 模型在圖形驗(yàn)證碼上的準(zhǔn)確率和模型大小

    (2) 中文驗(yàn)證碼

    對(duì)于字符分割部分,本文利用垂直投影算法分割出單個(gè)詞組,而并非是中文字符.該方法好處是盡可能避免切分單字帶來(lái)的誤差.下面是中文詞組分割的算法.

    算法1 基于中文詞組分割算法

    1) 從驗(yàn)證碼中截取出中文漢字部分ChiWords;

    2) 對(duì)ChiWords進(jìn)行灰度化、二值化處理,得到BChiWords;

    3) 從BChiWords中依次統(tǒng)計(jì)出每列黑色像素點(diǎn)個(gè)數(shù)BNP;

    4) 設(shè)置閾值T1,T2.如果BNP小于閾值T1,則說(shuō)明此位置有可能是分割點(diǎn),記連續(xù)分割點(diǎn)的起止位置s和t.如果時(shí),保存s和t.

    5) 根據(jù)結(jié)果切分中文詞組,并獲取下一張驗(yàn)證碼,返回第1)步.

    6) 直至終止條件滿足,結(jié)束.

    對(duì)于字符識(shí)別部分,中文驗(yàn)證碼包含中文詞組302類,訓(xùn)練集圖片數(shù)27 982張,測(cè)試集圖片11 949張.基于字符分割識(shí)別實(shí)驗(yàn),本文利用開(kāi)源Tesseract軟件實(shí)驗(yàn)和基于AlexNet模型的中文識(shí)別實(shí)驗(yàn),實(shí)驗(yàn)記為SplitAlexNet; 基于詞組分割識(shí)別實(shí)驗(yàn),主要考慮AlexNet,GoogLeNet,ResNet50和本文方法.實(shí)驗(yàn)結(jié)果見(jiàn)表3.

    表3 模型在中文驗(yàn)證碼上的準(zhǔn)確率和模型大小

    (3) 整體驗(yàn)證碼

    實(shí)驗(yàn)數(shù)據(jù)為購(gòu)票網(wǎng)站驗(yàn)證碼,測(cè)試驗(yàn)證碼988張,與上述實(shí)驗(yàn)使用的數(shù)據(jù)集不同.

    整體驗(yàn)證碼識(shí)別過(guò)程: 首先對(duì)驗(yàn)證碼預(yù)處理,然后對(duì)中文詞組和子圖識(shí)別.中文詞組識(shí)別結(jié)果與詞組標(biāo)注結(jié)果進(jìn)行比對(duì),如果詞組識(shí)別無(wú)誤,將符合詞組的子圖識(shí)別結(jié)果下標(biāo)與標(biāo)簽文件進(jìn)行比較(圖9).實(shí)驗(yàn)結(jié)果見(jiàn)表4.

    圖9 整體識(shí)別過(guò)程

    表4 模型在整體驗(yàn)證碼上的準(zhǔn)確率和模型大小

    從表2可知,本文方法參數(shù)量最少,大小為24.96 MB.且在測(cè)試集的top1準(zhǔn)確率最高,比AlexNet,GoogLeNet,ResNet50分別高1.24%,0.44%,0.06%.

    表3的結(jié)果顯示,基于字符分割識(shí)別的方法,詞組識(shí)別準(zhǔn)確率較低,其中較好的模型是SplitAlexNet,其top1準(zhǔn)確率達(dá)到75.20%; 基于中文詞組識(shí)別的方法,本文方法準(zhǔn)確率達(dá)到99.14%,高于傳統(tǒng)的AlexNet,GoogLeNet,ResNet50神經(jīng)網(wǎng)絡(luò)模型準(zhǔn)確率.與此同時(shí)本文方法參數(shù)量最少,分別比傳統(tǒng)神經(jīng)網(wǎng)絡(luò)參數(shù)量降低9.40倍,23.25倍,1.26倍和3.32倍.

    從表4可知,本文提出的整體驗(yàn)證碼識(shí)別準(zhǔn)確率要比其它網(wǎng)絡(luò)模型高,且模型更小.

    4.4 正方教務(wù)系統(tǒng)驗(yàn)證碼實(shí)驗(yàn)

    該驗(yàn)證碼訓(xùn)練集圖片4630張,測(cè)試集圖片1320張.本文測(cè)試傳統(tǒng)的卷積神經(jīng)網(wǎng)絡(luò)模型,包含AlexNet,GoogLeNet,ResNet50,并與本文方法進(jìn)行對(duì)比.

    實(shí)驗(yàn)參數(shù)如下: 訓(xùn)練mini-batch大小設(shè)置為32,訓(xùn)練最大迭代30 000次.訓(xùn)練過(guò)程中前8 000次學(xué)習(xí)率為0.001,后面每隔6 000次學(xué)習(xí)率衰減1/10,梯度更新方法為Momentum,值設(shè)置為0.9.

    通過(guò)表5和表6可知,準(zhǔn)確率方面,本文方法的準(zhǔn)確率不低于傳統(tǒng)神經(jīng)網(wǎng)絡(luò)模型; 模型大小方面,本文方法參數(shù)量比AlexNet,GoogLeNet和ResNet50要少.

    表5 模型在字符上的準(zhǔn)確率及模型大小

    表6 模型在正方驗(yàn)證碼上的準(zhǔn)確率及模型大小

    4.5 實(shí)驗(yàn)分析

    本文重點(diǎn)考慮在不影響模型準(zhǔn)確率的前提下,進(jìn)一步減少模型的參數(shù)量,即模型規(guī)模.通過(guò)上述實(shí)驗(yàn)可以看到,本文網(wǎng)絡(luò)結(jié)構(gòu)是基準(zhǔn)模型中參數(shù)量最少的,同時(shí)驗(yàn)證碼的識(shí)別效果比其它網(wǎng)絡(luò)要好.接下來(lái)將具體分析原因.

    一是模型參數(shù)量縮減方面.本文利用級(jí)聯(lián)卷積層減少了網(wǎng)絡(luò)參數(shù),增加了網(wǎng)絡(luò)的非線性.同時(shí)在殘差層調(diào)整卷積分組個(gè)數(shù),利用全連接層替換.這幾個(gè)方面的改進(jìn)能夠很明顯地看出網(wǎng)絡(luò)規(guī)模變小.

    本文調(diào)整卷積分組的個(gè)數(shù),一方面使得卷積層計(jì)算加快,模型參數(shù)量減少,同時(shí)也影響識(shí)別的準(zhǔn)確率,下面將實(shí)驗(yàn)說(shuō)明卷積分組對(duì)網(wǎng)絡(luò)結(jié)構(gòu)準(zhǔn)確率的影響.

    (1) 卷積分組實(shí)驗(yàn)

    卷積分組不僅能夠降低網(wǎng)絡(luò)的規(guī)模,同時(shí)卷積分組個(gè)數(shù)也影響著網(wǎng)絡(luò)的識(shí)別率.本文將對(duì)分組個(gè)數(shù)進(jìn)行實(shí)驗(yàn),考慮在不同的分組下,本文方法的準(zhǔn)確率變化情況.

    為了說(shuō)明卷積分組對(duì)實(shí)驗(yàn)準(zhǔn)確率的影響,將在圖形驗(yàn)證碼和中文驗(yàn)證碼上進(jìn)行實(shí)驗(yàn)分析.通過(guò)表7和表8容易看出,對(duì)于不同數(shù)據(jù)集最優(yōu)的group選擇也不同.

    表7 卷積分組對(duì)圖形驗(yàn)證碼準(zhǔn)確率影響

    表8 卷積分組對(duì)中文驗(yàn)證碼準(zhǔn)確率影響

    (2) 特征圖可視化

    通過(guò)特征圖可視化能夠更好地理解網(wǎng)絡(luò)的特征學(xué)習(xí)過(guò)程,下圖是利用本文方法識(shí)別的最后層可視化結(jié)果.

    圖10顯示的是本文方法在最后層特征圖的激活程度.可以看出無(wú)論是中文詞組還是圖形驗(yàn)證碼,相同類別的圖片在最后層的激活程度相似,而不同類別之間的激活程度卻迥然不同.

    圖10 最后層特征圖可視化結(jié)果

    5 總結(jié)

    本文利用卷積層級(jí)聯(lián)、殘差學(xué)習(xí)、全局池化、卷積分組等方法,提出了一種基于卷積神經(jīng)網(wǎng)絡(luò)的驗(yàn)證碼識(shí)別方法.實(shí)驗(yàn)表明該方法較傳統(tǒng)網(wǎng)絡(luò)模型具有參數(shù)量少的特點(diǎn),而且有著更高的識(shí)別準(zhǔn)確率.此外,本文還討論了卷積分組對(duì)準(zhǔn)確率的影響,并通過(guò)實(shí)驗(yàn)選出性能最優(yōu)的卷積分組.接下來(lái)的工作將繼續(xù)優(yōu)化網(wǎng)絡(luò)模型結(jié)構(gòu),同時(shí)也將根據(jù)本文的實(shí)驗(yàn)結(jié)果分析如何提升驗(yàn)證碼的安全性.

    猜你喜歡
    詞組分組準(zhǔn)確率
    乳腺超聲檢查診斷乳腺腫瘤的特異度及準(zhǔn)確率分析
    健康之家(2021年19期)2021-05-23 11:17:39
    不同序列磁共振成像診斷脊柱損傷的臨床準(zhǔn)確率比較探討
    2015—2017 年寧夏各天氣預(yù)報(bào)參考產(chǎn)品質(zhì)量檢驗(yàn)分析
    分組搭配
    怎么分組
    高速公路車(chē)牌識(shí)別標(biāo)識(shí)站準(zhǔn)確率驗(yàn)證法
    分組
    副詞和副詞詞組
    欧美xxxx性猛交bbbb| 乱码一卡2卡4卡精品| 国产成人aa在线观看| 卡戴珊不雅视频在线播放| 欧美高清性xxxxhd video| АⅤ资源中文在线天堂| 欧美日韩精品成人综合77777| 永久网站在线| 亚洲成色77777| 小说图片视频综合网站| 九草在线视频观看| 国产精品一区二区在线观看99 | 国产欧美另类精品又又久久亚洲欧美| 女人十人毛片免费观看3o分钟| 成人av在线播放网站| 国产精品久久电影中文字幕| 国产毛片a区久久久久| 男人舔奶头视频| 尾随美女入室| 成人毛片60女人毛片免费| 久久久久精品久久久久真实原创| 69av精品久久久久久| 国产精品1区2区在线观看.| 人人妻人人澡欧美一区二区| or卡值多少钱| 国产真实乱freesex| 亚洲天堂国产精品一区在线| 在线观看66精品国产| 91av网一区二区| 男女国产视频网站| 非洲黑人性xxxx精品又粗又长| 国产高清三级在线| 国产熟女欧美一区二区| 国产私拍福利视频在线观看| 丰满少妇做爰视频| av黄色大香蕉| 国产黄片美女视频| 国内揄拍国产精品人妻在线| 一个人免费在线观看电影| 最近2019中文字幕mv第一页| 午夜精品一区二区三区免费看| 久久久久久久久久久免费av| 国产一区二区亚洲精品在线观看| 男人的好看免费观看在线视频| 九九爱精品视频在线观看| 伦精品一区二区三区| 国产乱人视频| 淫秽高清视频在线观看| 少妇熟女欧美另类| 在线天堂最新版资源| 亚洲成人精品中文字幕电影| 狂野欧美激情性xxxx在线观看| 国产片特级美女逼逼视频| 国产大屁股一区二区在线视频| 国产精品国产高清国产av| 国产精品无大码| 国产精品爽爽va在线观看网站| 精品人妻熟女av久视频| 18+在线观看网站| 成人毛片a级毛片在线播放| 97超视频在线观看视频| 1024手机看黄色片| 一级爰片在线观看| 国产女主播在线喷水免费视频网站 | 高清毛片免费看| 国产伦一二天堂av在线观看| 日产精品乱码卡一卡2卡三| 亚洲欧洲日产国产| 国产成人aa在线观看| 成人一区二区视频在线观看| 亚洲av中文av极速乱| 变态另类丝袜制服| 免费黄色在线免费观看| 啦啦啦韩国在线观看视频| 亚洲欧美精品自产自拍| 床上黄色一级片| 国内精品宾馆在线| 久久久精品大字幕| 国产极品精品免费视频能看的| 精品久久久久久电影网 | 中文亚洲av片在线观看爽| 草草在线视频免费看| av视频在线观看入口| 成人二区视频| 人妻制服诱惑在线中文字幕| 亚洲怡红院男人天堂| 色播亚洲综合网| 免费黄网站久久成人精品| 岛国毛片在线播放| 美女国产视频在线观看| 国产亚洲av嫩草精品影院| 亚洲精品乱码久久久v下载方式| 久久鲁丝午夜福利片| 中文字幕精品亚洲无线码一区| 最近最新中文字幕大全电影3| 在线a可以看的网站| 精品熟女少妇av免费看| 草草在线视频免费看| 又粗又硬又长又爽又黄的视频| 日韩成人av中文字幕在线观看| 国产亚洲一区二区精品| 少妇高潮的动态图| 国产欧美另类精品又又久久亚洲欧美| 久久精品夜色国产| 伦精品一区二区三区| 国产 一区精品| 日本免费a在线| 啦啦啦啦在线视频资源| 国产伦一二天堂av在线观看| 村上凉子中文字幕在线| 久久韩国三级中文字幕| 亚洲精品乱码久久久v下载方式| 波野结衣二区三区在线| 一本久久精品| 级片在线观看| 九九在线视频观看精品| 色吧在线观看| 国内精品宾馆在线| 国产精品不卡视频一区二区| 成人国产麻豆网| 男女视频在线观看网站免费| 又黄又爽又刺激的免费视频.| 夜夜看夜夜爽夜夜摸| 国产欧美另类精品又又久久亚洲欧美| 国产中年淑女户外野战色| 91精品一卡2卡3卡4卡| 汤姆久久久久久久影院中文字幕 | 日日干狠狠操夜夜爽| 精品99又大又爽又粗少妇毛片| 国产毛片a区久久久久| 草草在线视频免费看| 性色avwww在线观看| 老师上课跳d突然被开到最大视频| 九九在线视频观看精品| 综合色av麻豆| 国产精品久久电影中文字幕| 国产老妇女一区| 爱豆传媒免费全集在线观看| 成人性生交大片免费视频hd| 亚洲在久久综合| 国内揄拍国产精品人妻在线| 成人av在线播放网站| 国产一区二区亚洲精品在线观看| 18禁动态无遮挡网站| 国产精品一区二区在线观看99 | 日本一二三区视频观看| 国产精品久久电影中文字幕| 一区二区三区高清视频在线| 一个人免费在线观看电影| 亚洲av电影不卡..在线观看| 国产精品一区二区在线观看99 | av在线观看视频网站免费| 国产亚洲最大av| 三级毛片av免费| 久久亚洲国产成人精品v| 日产精品乱码卡一卡2卡三| 观看美女的网站| 蜜桃久久精品国产亚洲av| 国产老妇女一区| 一边亲一边摸免费视频| 非洲黑人性xxxx精品又粗又长| 国产伦一二天堂av在线观看| 男女下面进入的视频免费午夜| 一区二区三区乱码不卡18| 国产免费又黄又爽又色| 精品酒店卫生间| 在线a可以看的网站| 欧美色视频一区免费| 久久人人爽人人片av| 级片在线观看| 成年版毛片免费区| 日本免费一区二区三区高清不卡| 亚洲精品色激情综合| av卡一久久| 国产视频内射| av黄色大香蕉| 久久亚洲国产成人精品v| 亚洲第一区二区三区不卡| 黄片wwwwww| 成人漫画全彩无遮挡| 亚洲欧美中文字幕日韩二区| 亚洲精品一区蜜桃| 亚洲国产精品合色在线| 波多野结衣高清无吗| 国产一区亚洲一区在线观看| 丝袜美腿在线中文| 美女高潮的动态| 久久久久网色| 亚洲天堂国产精品一区在线| 黄色配什么色好看| 亚洲精品日韩av片在线观看| 精品一区二区三区视频在线| 两性午夜刺激爽爽歪歪视频在线观看| 久久久久精品久久久久真实原创| 国产亚洲av嫩草精品影院| 午夜免费男女啪啪视频观看| 菩萨蛮人人尽说江南好唐韦庄 | 国产高清三级在线| 五月伊人婷婷丁香| 毛片女人毛片| 亚洲人成网站在线观看播放| 久久久久久伊人网av| 欧美xxxx性猛交bbbb| 亚洲最大成人中文| 国产黄a三级三级三级人| 啦啦啦啦在线视频资源| 亚洲av二区三区四区| 精品午夜福利在线看| 干丝袜人妻中文字幕| 最近中文字幕2019免费版| 97在线视频观看| 久热久热在线精品观看| 大又大粗又爽又黄少妇毛片口| 一级黄色大片毛片| 久久婷婷人人爽人人干人人爱| 我要搜黄色片| 极品教师在线视频| 久久久久国产网址| 色噜噜av男人的天堂激情| 青春草亚洲视频在线观看| 亚洲四区av| 欧美成人精品欧美一级黄| 国产日韩欧美在线精品| 三级国产精品欧美在线观看| 久久精品影院6| 国产成年人精品一区二区| 国产精品一区二区三区四区久久| 可以在线观看毛片的网站| 国产精品久久视频播放| 亚洲欧美日韩卡通动漫| 偷拍熟女少妇极品色| 国产精品1区2区在线观看.| 日韩国内少妇激情av| 日韩国内少妇激情av| 看片在线看免费视频| 亚洲av中文字字幕乱码综合| 免费av观看视频| 日韩成人伦理影院| 免费观看在线日韩| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 精品人妻熟女av久视频| 欧美一级a爱片免费观看看| 亚洲av二区三区四区| 99久久精品热视频| 69av精品久久久久久| 久久久久久久国产电影| 国产免费福利视频在线观看| 日韩av在线大香蕉| 欧美高清成人免费视频www| 亚洲国产精品专区欧美| 女人被狂操c到高潮| 伊人久久精品亚洲午夜| 久久久亚洲精品成人影院| 青春草视频在线免费观看| 在线a可以看的网站| 99热网站在线观看| 最后的刺客免费高清国语| 国产久久久一区二区三区| 大香蕉久久网| 91av网一区二区| 亚洲av熟女| 欧美高清性xxxxhd video| 成年女人看的毛片在线观看| 久久久久久大精品| 中文字幕亚洲精品专区| 最近中文字幕2019免费版| 亚洲国产欧美人成| 一卡2卡三卡四卡精品乱码亚洲| 三级经典国产精品| 有码 亚洲区| 男人狂女人下面高潮的视频| 女人久久www免费人成看片 | 大香蕉97超碰在线| 亚洲精华国产精华液的使用体验| 亚洲国产精品sss在线观看| 亚洲五月天丁香| 国产又黄又爽又无遮挡在线| 亚洲精品aⅴ在线观看| 成人漫画全彩无遮挡| 国产精品久久久久久久久免| 人人妻人人看人人澡| 久久鲁丝午夜福利片| 亚洲精品乱久久久久久| 精品一区二区三区视频在线| 97超碰精品成人国产| 五月伊人婷婷丁香| 亚洲综合精品二区| 免费观看精品视频网站| 亚洲精品自拍成人| 日日干狠狠操夜夜爽| 如何舔出高潮| 亚洲中文字幕一区二区三区有码在线看| 国产男人的电影天堂91| 久久精品国产亚洲网站| 欧美日本视频| 免费播放大片免费观看视频在线观看 | 女人十人毛片免费观看3o分钟| 直男gayav资源| 国产老妇女一区| 国产国拍精品亚洲av在线观看| 91久久精品国产一区二区成人| 欧美成人免费av一区二区三区| 伦精品一区二区三区| 麻豆久久精品国产亚洲av| 亚洲欧洲日产国产| 久久久久性生活片| 男女那种视频在线观看| 国产白丝娇喘喷水9色精品| 国产成年人精品一区二区| 非洲黑人性xxxx精品又粗又长| 久久久久久久久久久免费av| 亚洲内射少妇av| 精品人妻熟女av久视频| 欧美高清成人免费视频www| 午夜日本视频在线| 性色avwww在线观看| 麻豆一二三区av精品| 国产真实伦视频高清在线观看| 国产高清国产精品国产三级 | 2021少妇久久久久久久久久久| 久久久久久久久中文| 五月伊人婷婷丁香| 一本久久精品| 亚洲无线观看免费| 久久久久久伊人网av| 美女高潮的动态| 精品熟女少妇av免费看| 久久99热这里只频精品6学生 | 两性午夜刺激爽爽歪歪视频在线观看| 国产精品一及| 麻豆av噜噜一区二区三区| 欧美激情久久久久久爽电影| 亚洲18禁久久av| 国产单亲对白刺激| av福利片在线观看| 少妇人妻一区二区三区视频| 国产精品三级大全| videossex国产| 久久草成人影院| 国产精品伦人一区二区| 国产精品野战在线观看| 成人亚洲欧美一区二区av| 午夜福利在线观看免费完整高清在| 中文天堂在线官网| 久久久午夜欧美精品| 亚洲av.av天堂| 日本av手机在线免费观看| 国产片特级美女逼逼视频| 九九爱精品视频在线观看| 欧美日韩国产亚洲二区| 身体一侧抽搐| 九九久久精品国产亚洲av麻豆| av在线天堂中文字幕| 成人av在线播放网站| 大又大粗又爽又黄少妇毛片口| 2021天堂中文幕一二区在线观| 男女视频在线观看网站免费| 一级毛片aaaaaa免费看小| 看非洲黑人一级黄片| 欧美色视频一区免费| av.在线天堂| 精品久久久久久久末码| 亚洲经典国产精华液单| 亚洲aⅴ乱码一区二区在线播放| 久久精品国产亚洲av涩爱| 噜噜噜噜噜久久久久久91| 可以在线观看毛片的网站| 亚洲av福利一区| 午夜久久久久精精品| 亚洲伊人久久精品综合 | 男人舔奶头视频| 国产精品美女特级片免费视频播放器| 国产爱豆传媒在线观看| 免费黄色在线免费观看| 久久99精品国语久久久| 久久久国产成人精品二区| av在线观看视频网站免费| 99热6这里只有精品| 91久久精品电影网| 在线免费观看不下载黄p国产| 久久久亚洲精品成人影院| 国产真实乱freesex| 我的老师免费观看完整版| 2021少妇久久久久久久久久久| 夜夜看夜夜爽夜夜摸| 一本久久精品| 大话2 男鬼变身卡| 乱系列少妇在线播放| 纵有疾风起免费观看全集完整版 | 三级国产精品片| 国内少妇人妻偷人精品xxx网站| 1024手机看黄色片| 久久热精品热| 国产成人aa在线观看| 国产乱人视频| 国产精品久久久久久精品电影小说 | 直男gayav资源| 九九久久精品国产亚洲av麻豆| 国产久久久一区二区三区| 国产精品av视频在线免费观看| 国产久久久一区二区三区| 日韩一本色道免费dvd| 男人和女人高潮做爰伦理| 三级国产精品欧美在线观看| 亚洲国产色片| 久久久亚洲精品成人影院| 一区二区三区免费毛片| 亚洲欧美成人精品一区二区| 日韩精品青青久久久久久| 国语自产精品视频在线第100页| a级毛片免费高清观看在线播放| 免费黄网站久久成人精品| ponron亚洲| 一级二级三级毛片免费看| 亚洲久久久久久中文字幕| 亚洲精品亚洲一区二区| 久久午夜福利片| kizo精华| 久久久久精品久久久久真实原创| 久久久色成人| 欧美激情国产日韩精品一区| av又黄又爽大尺度在线免费看 | 级片在线观看| 91aial.com中文字幕在线观看| 男人和女人高潮做爰伦理| www.av在线官网国产| 男女国产视频网站| 乱码一卡2卡4卡精品| 亚洲成人精品中文字幕电影| 久久久久网色| 波野结衣二区三区在线| 免费看美女性在线毛片视频| 一级爰片在线观看| 亚洲欧美成人综合另类久久久 | 久久99精品国语久久久| 国产精品熟女久久久久浪| 色综合色国产| 日日撸夜夜添| 亚洲欧美精品综合久久99| 成人午夜精彩视频在线观看| 亚洲国产欧美在线一区| 日本爱情动作片www.在线观看| 欧美成人一区二区免费高清观看| www.色视频.com| 看片在线看免费视频| 一个人看视频在线观看www免费| 国产不卡一卡二| 99久国产av精品国产电影| 麻豆乱淫一区二区| av福利片在线观看| 男女国产视频网站| 国产久久久一区二区三区| 身体一侧抽搐| 欧美一区二区亚洲| 精品人妻一区二区三区麻豆| 小说图片视频综合网站| 激情 狠狠 欧美| av在线老鸭窝| 婷婷色综合大香蕉| 人人妻人人澡欧美一区二区| 少妇的逼好多水| 麻豆精品久久久久久蜜桃| www.av在线官网国产| 成年女人永久免费观看视频| 国产精品蜜桃在线观看| 男的添女的下面高潮视频| 18禁裸乳无遮挡免费网站照片| 欧美人与善性xxx| 国产成人福利小说| 精品久久久久久久久久久久久| av播播在线观看一区| 久久久国产成人免费| 欧美日韩综合久久久久久| 日韩成人av中文字幕在线观看| 国产精品电影一区二区三区| 久久99热这里只有精品18| 成人鲁丝片一二三区免费| 亚洲中文字幕一区二区三区有码在线看| 欧美成人a在线观看| 日本熟妇午夜| 深爱激情五月婷婷| 亚洲欧美成人精品一区二区| 亚洲熟妇中文字幕五十中出| 亚洲久久久久久中文字幕| 久久精品久久久久久噜噜老黄 | 国产精品一区二区三区四区久久| 看黄色毛片网站| 一夜夜www| 老司机影院毛片| 亚洲国产成人一精品久久久| 精品一区二区免费观看| 欧美97在线视频| 青春草亚洲视频在线观看| 岛国毛片在线播放| 日日干狠狠操夜夜爽| 麻豆成人av视频| 一级毛片电影观看 | 在线观看av片永久免费下载| 春色校园在线视频观看| 大香蕉久久网| 美女xxoo啪啪120秒动态图| 成人欧美大片| 免费电影在线观看免费观看| 精品99又大又爽又粗少妇毛片| 精品一区二区三区人妻视频| 亚洲国产最新在线播放| 成年版毛片免费区| 69人妻影院| 色5月婷婷丁香| 91久久精品国产一区二区三区| 欧美一级a爱片免费观看看| 亚洲伊人久久精品综合 | av.在线天堂| 一区二区三区乱码不卡18| 欧美日韩一区二区视频在线观看视频在线 | 欧美不卡视频在线免费观看| 国产一区二区在线av高清观看| 成年av动漫网址| 日本-黄色视频高清免费观看| 久久精品综合一区二区三区| 精品人妻熟女av久视频| 高清视频免费观看一区二区 | 亚洲真实伦在线观看| 一区二区三区乱码不卡18| 麻豆成人av视频| АⅤ资源中文在线天堂| 99热这里只有精品一区| 亚洲精品日韩在线中文字幕| 一区二区三区乱码不卡18| 久久久久国产网址| 久久久久久大精品| 一级爰片在线观看| 国产伦精品一区二区三区视频9| 日韩一区二区三区影片| 日本黄色视频三级网站网址| 色播亚洲综合网| 国产伦在线观看视频一区| 麻豆国产97在线/欧美| 亚洲国产精品国产精品| 免费播放大片免费观看视频在线观看 | 一级黄色大片毛片| 最近的中文字幕免费完整| 久久精品国产自在天天线| 午夜精品一区二区三区免费看| 国产视频首页在线观看| 亚洲av二区三区四区| 国产精品一区www在线观看| av播播在线观看一区| 级片在线观看| 久久久精品94久久精品| 白带黄色成豆腐渣| 成人av在线播放网站| 久久久久精品久久久久真实原创| 免费观看精品视频网站| 91在线精品国自产拍蜜月| 天堂中文最新版在线下载 | 精品免费久久久久久久清纯| 天堂中文最新版在线下载 | 欧美zozozo另类| 国产成人精品久久久久久| 又爽又黄无遮挡网站| 免费不卡的大黄色大毛片视频在线观看 | 人人妻人人澡人人爽人人夜夜 | 久久久久久久国产电影| 少妇的逼好多水| 久久久久久久久久久免费av| 国产成人aa在线观看| 国产伦精品一区二区三区视频9| 18+在线观看网站| 亚洲精品国产成人久久av| 如何舔出高潮| 国产在线一区二区三区精 | 亚洲成人精品中文字幕电影| 简卡轻食公司| 成人毛片a级毛片在线播放| 校园人妻丝袜中文字幕| 色尼玛亚洲综合影院| 国产高潮美女av| 我要看日韩黄色一级片| 成人综合一区亚洲| 亚洲精品久久久久久婷婷小说 | 国产精品伦人一区二区| 人妻夜夜爽99麻豆av| 亚洲va在线va天堂va国产| 一个人看的www免费观看视频| av视频在线观看入口| 国产午夜精品论理片| 久久久久久国产a免费观看| 亚洲在线自拍视频| av免费在线看不卡| 又爽又黄a免费视频| 亚洲av男天堂| 亚洲精品一区蜜桃| 亚洲伊人久久精品综合 | 亚洲经典国产精华液单| 亚洲国产精品成人综合色| 久久久久国产网址| 天天躁日日操中文字幕| av在线亚洲专区| 国产黄片视频在线免费观看| 成人毛片60女人毛片免费| 午夜精品国产一区二区电影 | 天天一区二区日本电影三级| 日本猛色少妇xxxxx猛交久久| 偷拍熟女少妇极品色| 免费观看精品视频网站| 亚洲国产精品sss在线观看| 国产真实乱freesex| 国内精品美女久久久久久| 性色avwww在线观看| 岛国毛片在线播放| 校园人妻丝袜中文字幕| 免费看光身美女| 成人午夜高清在线视频| av在线亚洲专区|