• <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
    色视频www国产| 我要看日韩黄色一级片| 国产伦精品一区二区三区视频9| 少妇人妻久久综合中文| 永久免费av网站大全| 亚洲精品乱码久久久久久按摩| 一级毛片黄色毛片免费观看视频| 波野结衣二区三区在线| 大陆偷拍与自拍| 22中文网久久字幕| 天堂中文最新版在线下载| 国产在线免费精品| 国产免费福利视频在线观看| 欧美日韩一区二区视频在线观看视频在线| 在线天堂最新版资源| 夫妻性生交免费视频一级片| 国产欧美亚洲国产| 国产欧美亚洲国产| 国产成人精品福利久久| 欧美区成人在线视频| 伊人久久精品亚洲午夜| 亚洲中文av在线| 人妻制服诱惑在线中文字幕| kizo精华| 九九在线视频观看精品| av在线蜜桃| 熟女人妻精品中文字幕| a 毛片基地| 日本黄色片子视频| 亚洲精品乱码久久久v下载方式| 欧美 日韩 精品 国产| 欧美丝袜亚洲另类| 嘟嘟电影网在线观看| av女优亚洲男人天堂| 日韩 亚洲 欧美在线| 超碰97精品在线观看| 99热这里只有精品一区| 国产 一区 欧美 日韩| 免费人成在线观看视频色| 欧美+日韩+精品| 久久女婷五月综合色啪小说| 欧美xxⅹ黑人| 国产一区亚洲一区在线观看| 精品人妻熟女av久视频| 一级毛片aaaaaa免费看小| 国产av精品麻豆| 久久99热这里只有精品18| 一区二区三区四区激情视频| 久久久久久人妻| 国产在线免费精品| 最近最新中文字幕免费大全7| av卡一久久| 18禁动态无遮挡网站| 久久av网站| 这个男人来自地球电影免费观看 | 欧美最新免费一区二区三区| 色婷婷av一区二区三区视频| 18禁在线无遮挡免费观看视频| 日本黄色片子视频| 国产又色又爽无遮挡免| 婷婷色麻豆天堂久久| 九色成人免费人妻av| 免费观看的影片在线观看| 精品亚洲乱码少妇综合久久| 人人妻人人澡人人爽人人夜夜| 黄片wwwwww| 在线观看美女被高潮喷水网站| 能在线免费看毛片的网站| 一区二区三区四区激情视频| 久久国产精品大桥未久av | av黄色大香蕉| 蜜桃久久精品国产亚洲av| 亚洲国产精品国产精品| 日日啪夜夜爽| 高清毛片免费看| 亚洲国产毛片av蜜桃av| 成人亚洲欧美一区二区av| 日韩精品有码人妻一区| 亚洲精品国产av成人精品| 丝瓜视频免费看黄片| 久久久久国产网址| 成人国产麻豆网| 啦啦啦中文免费视频观看日本| 国产精品久久久久久精品古装| 中文资源天堂在线| 亚洲精品日韩av片在线观看| 91精品国产国语对白视频| 91精品国产九色| 色5月婷婷丁香| 国产极品天堂在线| 亚洲精品久久午夜乱码| 国产久久久一区二区三区| 国产成人精品福利久久| 一本—道久久a久久精品蜜桃钙片| 午夜福利影视在线免费观看| 久久精品熟女亚洲av麻豆精品| 身体一侧抽搐| 国产一区亚洲一区在线观看| 亚洲av免费高清在线观看| 97在线人人人人妻| 久久久久久久久久人人人人人人| 十分钟在线观看高清视频www | 日韩成人av中文字幕在线观看| 久久精品国产亚洲网站| 十八禁网站网址无遮挡 | 视频中文字幕在线观看| 特大巨黑吊av在线直播| 久久久久久久久久久免费av| 色婷婷av一区二区三区视频| 亚洲国产精品成人久久小说| 在线精品无人区一区二区三 | 直男gayav资源| 精品酒店卫生间| 亚洲熟女精品中文字幕| 中文字幕精品免费在线观看视频 | 大码成人一级视频| 韩国高清视频一区二区三区| 国产黄片美女视频| 日韩三级伦理在线观看| 国产视频内射| 99精国产麻豆久久婷婷| 国产男女内射视频| 欧美 日韩 精品 国产| av福利片在线观看| 日韩三级伦理在线观看| 美女视频免费永久观看网站| 免费观看在线日韩| 狂野欧美激情性xxxx在线观看| 亚洲精品中文字幕在线视频 | 成人毛片a级毛片在线播放| 夫妻午夜视频| 中文字幕亚洲精品专区| 国产男女超爽视频在线观看| 97在线视频观看| 天堂俺去俺来也www色官网| 国产成人精品福利久久| 2018国产大陆天天弄谢| 黄色一级大片看看| 五月玫瑰六月丁香| 青春草国产在线视频| 国产精品一区二区三区四区免费观看| 久久久久视频综合| 97精品久久久久久久久久精品| 小蜜桃在线观看免费完整版高清| 久久人妻熟女aⅴ| 亚洲欧美成人综合另类久久久| 青青草视频在线视频观看| 免费黄色在线免费观看| 国产日韩欧美在线精品| 国产熟女欧美一区二区| 精品一品国产午夜福利视频| 国产av一区二区精品久久 | 在线看a的网站| 婷婷色综合大香蕉| 舔av片在线| 久久精品国产亚洲网站| 中文字幕久久专区| 国产在线免费精品| 久久久久久九九精品二区国产| 久久久久久伊人网av| 一区二区三区免费毛片| 免费看日本二区| 欧美变态另类bdsm刘玥| 夜夜爽夜夜爽视频| 国产白丝娇喘喷水9色精品| 1000部很黄的大片| 日韩人妻高清精品专区| 黄片无遮挡物在线观看| 日本wwww免费看| 国产亚洲91精品色在线| 国产综合精华液| 色婷婷av一区二区三区视频| 国产男女内射视频| 日本爱情动作片www.在线观看| 欧美xxxx黑人xx丫x性爽| 午夜福利影视在线免费观看| 热re99久久精品国产66热6| 熟女av电影| 汤姆久久久久久久影院中文字幕| 91久久精品国产一区二区成人| 久久久久久久大尺度免费视频| 黄色配什么色好看| 亚洲精品色激情综合| 亚洲人与动物交配视频| 国产毛片在线视频| 一区在线观看完整版| 亚洲国产精品一区三区| 国产v大片淫在线免费观看| 成年女人在线观看亚洲视频| 亚洲色图av天堂| 亚洲精品日韩av片在线观看| 我要看日韩黄色一级片| 三级国产精品片| 亚洲图色成人| 久久国产精品男人的天堂亚洲 | 大香蕉97超碰在线| 国产精品不卡视频一区二区| 亚洲精品自拍成人| 中国国产av一级| 少妇人妻精品综合一区二区| a级一级毛片免费在线观看| 五月开心婷婷网| av网站免费在线观看视频| 国产精品免费大片| 国产人妻一区二区三区在| 亚洲第一av免费看| 两个人的视频大全免费| 九色成人免费人妻av| 老司机影院成人| 国产色婷婷99| 日产精品乱码卡一卡2卡三| 久久久久视频综合| 亚洲va在线va天堂va国产| 国产精品国产三级国产专区5o| 国产日韩欧美在线精品| 亚洲成人av在线免费| 看非洲黑人一级黄片| 大片电影免费在线观看免费| 高清欧美精品videossex| 韩国av在线不卡| 国产免费又黄又爽又色| 久久精品国产亚洲av涩爱| 日本黄色日本黄色录像| 我的老师免费观看完整版| 日本与韩国留学比较| 日本vs欧美在线观看视频 | 岛国毛片在线播放| 三级经典国产精品| 交换朋友夫妻互换小说| 中文字幕av成人在线电影| 深夜a级毛片| 视频区图区小说| 草草在线视频免费看| 男女下面进入的视频免费午夜| 国产精品一及| 国产精品欧美亚洲77777| 热99国产精品久久久久久7| 伊人久久国产一区二区| 全区人妻精品视频| 日韩中文字幕视频在线看片 | 国产在线视频一区二区| 九色成人免费人妻av| 色视频www国产| 日韩,欧美,国产一区二区三区| 久久久久精品久久久久真实原创| 青青草视频在线视频观看| 中文字幕人妻熟人妻熟丝袜美| 亚洲第一区二区三区不卡| 高清av免费在线| a级毛色黄片| 精品熟女少妇av免费看| 久久青草综合色| 一级爰片在线观看| 高清日韩中文字幕在线| 2022亚洲国产成人精品| 插阴视频在线观看视频| 色综合色国产| 久久久久人妻精品一区果冻| 国产高清三级在线| 免费人妻精品一区二区三区视频| 久久久久精品性色| 看十八女毛片水多多多| 天堂8中文在线网| 老女人水多毛片| 中文字幕av成人在线电影| 啦啦啦中文免费视频观看日本| 久热这里只有精品99| 观看av在线不卡| 中文字幕精品免费在线观看视频 | 最黄视频免费看| 性色avwww在线观看| 国产色婷婷99| 中文欧美无线码| 国产亚洲精品久久久com| 亚洲,欧美,日韩| 免费久久久久久久精品成人欧美视频 | 国产男人的电影天堂91| 18禁动态无遮挡网站| 制服丝袜香蕉在线| 91久久精品国产一区二区成人| 国产欧美日韩精品一区二区| 国产精品av视频在线免费观看| 免费在线观看成人毛片| 日本黄大片高清| 嫩草影院入口| 少妇的逼水好多| 最新中文字幕久久久久| 国产精品一区www在线观看| 岛国毛片在线播放| 久久久久人妻精品一区果冻| 欧美变态另类bdsm刘玥| 成人国产av品久久久| 十八禁网站网址无遮挡 | 国产久久久一区二区三区| 亚洲精品,欧美精品| 女性被躁到高潮视频| 亚洲欧美日韩东京热| 欧美另类一区| h视频一区二区三区| 亚洲成人中文字幕在线播放| 久久久久性生活片| 久久人妻熟女aⅴ| 免费观看性生交大片5| 国产 一区 欧美 日韩| 日韩精品有码人妻一区| 熟女人妻精品中文字幕| 国产有黄有色有爽视频| 天堂8中文在线网| 午夜视频国产福利| 99久久中文字幕三级久久日本| 欧美xxxx性猛交bbbb| 成人亚洲精品一区在线观看 | tube8黄色片| 国产黄色免费在线视频| 2021少妇久久久久久久久久久| 亚洲在久久综合| 在线观看国产h片| videos熟女内射| 国产午夜精品久久久久久一区二区三区| 亚洲精品久久午夜乱码| 青春草视频在线免费观看| 五月伊人婷婷丁香| 亚洲精品中文字幕在线视频 | 99精国产麻豆久久婷婷| 噜噜噜噜噜久久久久久91| av在线app专区| 在线观看免费日韩欧美大片 | 高清av免费在线| 18禁动态无遮挡网站| 国产爱豆传媒在线观看| 夜夜骑夜夜射夜夜干| 国产男女超爽视频在线观看| 激情五月婷婷亚洲| 亚洲第一av免费看| 99久久中文字幕三级久久日本| 99久久人妻综合| 男人舔奶头视频| 一区二区三区免费毛片| 少妇高潮的动态图| 天天躁日日操中文字幕| 亚洲,欧美,日韩| 大片电影免费在线观看免费| 亚洲av在线观看美女高潮| 日本色播在线视频| 精品久久久精品久久久| av福利片在线观看| 美女内射精品一级片tv| 国产一区二区三区综合在线观看 | 99热6这里只有精品| 国产白丝娇喘喷水9色精品| 久久6这里有精品| 国产精品人妻久久久久久| 精品午夜福利在线看| 丝瓜视频免费看黄片| 中文字幕av成人在线电影| 大香蕉97超碰在线| 亚洲精品aⅴ在线观看| 黄色怎么调成土黄色| 97超碰精品成人国产| 欧美精品国产亚洲| 免费人成在线观看视频色| 色吧在线观看| 国产色爽女视频免费观看| 久久久久精品久久久久真实原创| 内地一区二区视频在线| 国内揄拍国产精品人妻在线| 美女高潮的动态| 在线观看av片永久免费下载| 大香蕉97超碰在线| 国产女主播在线喷水免费视频网站| 国产免费一区二区三区四区乱码| 高清午夜精品一区二区三区| videossex国产| 人人妻人人澡人人爽人人夜夜| 国产黄片视频在线免费观看| 久久亚洲国产成人精品v| av一本久久久久| 在线观看一区二区三区激情| av播播在线观看一区| av女优亚洲男人天堂| 午夜福利在线观看免费完整高清在| 美女内射精品一级片tv| 国产精品久久久久久久电影| 欧美成人a在线观看| 精品酒店卫生间| 成人影院久久| a级一级毛片免费在线观看| 麻豆国产97在线/欧美| 免费少妇av软件| 99久久精品热视频| 国产精品精品国产色婷婷| 一级黄片播放器| 亚洲欧美一区二区三区黑人 | 色视频在线一区二区三区| 99热这里只有精品一区| 欧美bdsm另类| 啦啦啦啦在线视频资源| 女人久久www免费人成看片| 青青草视频在线视频观看| 欧美变态另类bdsm刘玥| 国产亚洲欧美精品永久| 国产日韩欧美在线精品| 成人特级av手机在线观看| 欧美97在线视频| 久久99热这里只有精品18| 欧美3d第一页| 国产成人精品久久久久久| 国产免费视频播放在线视频| 日韩,欧美,国产一区二区三区| 天堂8中文在线网| 99热这里只有是精品50| 最近最新中文字幕免费大全7| 欧美成人午夜免费资源| 日韩中字成人| a级毛色黄片| 亚洲精品视频女| 51国产日韩欧美| 天天躁夜夜躁狠狠久久av| 国产免费一区二区三区四区乱码| 黄色日韩在线| av不卡在线播放| 男的添女的下面高潮视频| 久久久久网色| 亚洲av中文av极速乱| 简卡轻食公司| 蜜臀久久99精品久久宅男| 少妇人妻精品综合一区二区| 精品人妻偷拍中文字幕| 国产视频内射| 少妇人妻一区二区三区视频| 熟妇人妻不卡中文字幕| 日韩不卡一区二区三区视频在线| 男人狂女人下面高潮的视频| 26uuu在线亚洲综合色| 男人狂女人下面高潮的视频| 美女主播在线视频| 美女高潮的动态| av在线观看视频网站免费| 极品教师在线视频| 最黄视频免费看| 亚洲精品中文字幕在线视频 | 99re6热这里在线精品视频| 丰满乱子伦码专区| 国产精品不卡视频一区二区| 天美传媒精品一区二区| 91精品一卡2卡3卡4卡| 欧美另类一区| 亚洲精华国产精华液的使用体验| 97在线视频观看| 亚洲无线观看免费| 久久影院123| h视频一区二区三区| 男女下面进入的视频免费午夜| 99热这里只有精品一区| 免费观看a级毛片全部| 久久国内精品自在自线图片| 肉色欧美久久久久久久蜜桃| 18禁裸乳无遮挡免费网站照片| 亚洲av日韩在线播放| 国产精品熟女久久久久浪| 日本黄大片高清| 亚洲欧美清纯卡通| 亚洲电影在线观看av| 久久久久精品性色| 午夜福利网站1000一区二区三区| av不卡在线播放| 制服丝袜香蕉在线| 精品一区二区三区视频在线| 欧美xxⅹ黑人| 99热全是精品| 欧美xxxx性猛交bbbb| h日本视频在线播放| 18禁在线无遮挡免费观看视频| 看免费成人av毛片| 久久国产亚洲av麻豆专区| 日韩,欧美,国产一区二区三区| 黄色怎么调成土黄色| 99国产精品免费福利视频| 91在线精品国自产拍蜜月| 国产av码专区亚洲av| 亚洲av免费高清在线观看| 国产精品一区二区性色av| 一本一本综合久久| 在线看a的网站| 国产精品一区www在线观看| 精品人妻视频免费看| 久热久热在线精品观看| av国产免费在线观看| 特大巨黑吊av在线直播| 免费播放大片免费观看视频在线观看| 99热这里只有精品一区| 国产精品秋霞免费鲁丝片| 欧美极品一区二区三区四区| 日韩中字成人| 99久久人妻综合| 97超视频在线观看视频| 免费黄频网站在线观看国产| 亚洲精品国产色婷婷电影| 国产毛片在线视频| 国产综合精华液| 少妇高潮的动态图| 国产成人免费无遮挡视频| 身体一侧抽搐| 少妇熟女欧美另类| 街头女战士在线观看网站| 在线 av 中文字幕| 久久99精品国语久久久| 久久午夜福利片| 亚洲第一区二区三区不卡| 老司机影院成人| 久久久亚洲精品成人影院| 久久精品夜色国产| 亚洲av成人精品一二三区| 亚洲精品一区蜜桃| 爱豆传媒免费全集在线观看| 小蜜桃在线观看免费完整版高清| 欧美成人a在线观看| 色网站视频免费| 免费观看的影片在线观看| 午夜福利高清视频| 亚洲欧美日韩另类电影网站 | 成人漫画全彩无遮挡| 久久久久久久久久久免费av| 99久国产av精品国产电影| 我的老师免费观看完整版| 精品人妻熟女av久视频| 午夜福利在线在线| 国产亚洲一区二区精品| 黑丝袜美女国产一区| 又粗又硬又长又爽又黄的视频| 久久99热6这里只有精品| 国产成人午夜福利电影在线观看| 亚洲天堂av无毛| 老司机影院成人| 另类亚洲欧美激情| 亚洲美女视频黄频| 在线 av 中文字幕| 亚洲国产精品999| 一本—道久久a久久精品蜜桃钙片| 啦啦啦啦在线视频资源| 免费观看av网站的网址| 国国产精品蜜臀av免费| 亚洲图色成人| 欧美亚洲 丝袜 人妻 在线| 99久国产av精品国产电影| 国产成人精品福利久久| 激情五月婷婷亚洲| 中文字幕制服av| 国产精品国产三级专区第一集| 国产精品久久久久久av不卡| 日日摸夜夜添夜夜添av毛片| 国产精品国产三级国产av玫瑰| 日韩亚洲欧美综合| 不卡视频在线观看欧美| 麻豆国产97在线/欧美| 久久毛片免费看一区二区三区| 免费观看性生交大片5| 亚洲色图av天堂| 久久国内精品自在自线图片| 国产极品天堂在线| 免费黄频网站在线观看国产| 国产亚洲最大av| 一个人看视频在线观看www免费| 欧美成人a在线观看| 成人毛片60女人毛片免费| 丝袜脚勾引网站| 美女主播在线视频| 一级爰片在线观看| 国产视频首页在线观看| 亚洲中文av在线| 一区二区三区免费毛片| 亚洲av国产av综合av卡| 国产一级毛片在线| 亚洲av.av天堂| 成人美女网站在线观看视频| 欧美一区二区亚洲| 国产精品.久久久| 大香蕉97超碰在线| 国产精品福利在线免费观看| 97在线人人人人妻| 人人妻人人添人人爽欧美一区卜 | 3wmmmm亚洲av在线观看| 日韩电影二区| 天堂8中文在线网| 成人亚洲欧美一区二区av| 日韩 亚洲 欧美在线| 亚洲欧美日韩无卡精品| 免费黄频网站在线观看国产| 激情 狠狠 欧美| 国产精品不卡视频一区二区| 亚洲四区av| 久久99蜜桃精品久久| 成人美女网站在线观看视频| 91精品国产国语对白视频| 久久久午夜欧美精品| 亚洲av成人精品一区久久| 啦啦啦视频在线资源免费观看| 亚洲一区二区三区欧美精品| 久久久a久久爽久久v久久| 亚洲欧美日韩卡通动漫| 午夜日本视频在线| 中文在线观看免费www的网站| 日本av手机在线免费观看| 国产免费一级a男人的天堂| av线在线观看网站| 久久影院123| 国产免费一级a男人的天堂| 直男gayav资源| 人人妻人人添人人爽欧美一区卜 | 久久午夜福利片| 深夜a级毛片| 80岁老熟妇乱子伦牲交| 一本久久精品| 少妇丰满av| 亚洲性久久影院|