• <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 ?

    衛(wèi)星視頻中目標的快速檢測算法研究①

    2018-11-14 11:36:48劉貴陽李盛陽邵雨陽
    計算機系統應用 2018年11期
    關鍵詞:卷積圖像目標

    劉貴陽,李盛陽,邵雨陽

    1(中國科學院大學,北京 100049)

    2(中國科學院 太空應用重點實驗室,北京 100094)

    3(中國科學院 空間應用工程與技術中心,北京 100094)

    隨著我國空間技術的不斷發(fā)展,在視頻衛(wèi)星技術領域取得了長足的進步.在2015年10月,我國第一套自主研發(fā)的商用視頻衛(wèi)星“吉林一號”成功發(fā)射,其光學載荷對地成像的全色分辨率達到0.72米,成為我國首顆米級高清動態(tài)視頻衛(wèi)星.衛(wèi)星獲取的對地凝視數據可對工業(yè)、農業(yè)、交通等領域提供很多的基礎應用[1].針對于衛(wèi)星視頻數據,其中也存在著分辨率較低,畫面抖動,圖像周邊畸變較為嚴重等問題[2].這些問題都對大場景中目標的快速檢測帶來較大的影響.但同時針對視頻相鄰圖像幀之間的信息的互補特征也給算法設計提供了很多新穎的思路.

    隨著大數據和云計算的不斷發(fā)展,深度學習技術得到了長足的發(fā)展,視覺領域的機器學習模型不斷挑戰(zhàn)著人類在目標識別和目標檢測領域的能力[3].在目標分類領域,從 AlxeNet[4]、VGG[5]到 InceptionX[6]、ResNet[7],模型的深度不斷加深,但是運算速度不斷加快; 在目標檢測領域,從傳統的滑動窗技術到二階段檢測框架 RCNN[8]、Fast RCNN[9]、Faster RCNN[10]、SPPNet[11]、RPN[12],再到單階段檢測框架YOLO[13]、SSD[14],檢測的準確率和檢測效率也在不斷的提高.但是,深度學習存在需要目標的樣本量巨大,且需要很大的計算量這兩個問題,而在視頻衛(wèi)星數據中缺少大量對于特定目標的標注數據,要想利用深度學習技術解決視頻衛(wèi)星中目標檢測問題問題,目前必須另辟蹊徑.Tianshu Yu和Ruisheng Wang等在2016年使用圖像數據和雷達點云數據,同時輔助使用部分地理信息數據(GIS)通過改進圖匹配技術較好的實現了街景數據中的場景解析[15],雖然可以引入GIS信息進行遙感圖像場景匹配之后在對感興趣區(qū)域進行檢測,但融合GIS數據本身復雜度較高且場景中目標隨機存在,并不能較好的提高檢測效率和準確率.

    本文主要使用改進的YOLO[13]模型和內容一致性檢測模型,利用視頻數據中相鄰幀之間內容的相似性降低精確檢測的次數,通過內容一致性判斷確定當前幀是否需要再檢測的思路,在保證檢測精度的前提下,提高了視頻數據的檢測效率.

    1 檢測模型的改進

    目前,已有的目標檢測模型分為兩大類: 兩階段檢測網絡Fast RCNN[9]、Faster RCNN[10]和單階段檢測網絡YOLO[13]、SSD[14].兩階段檢測網絡訓練流程復雜,且檢測效率較低,而單階段網絡檢測網絡雖然速度較快但是檢測的準確率略低.本論文主要改進YOLO[13]模型,在保證檢測效率的前提下,提高檢測準確率.

    原始的YOLO[13]模型的設計主要是針對自然場景中的目標檢測和識別任務,自然場景中目標一般占據圖像的主體,且目標紋理較清晰,因此模型在設計時卷積核一般選擇成7×7和3×3大小,并且經過不斷的下采樣將最后的卷積特征圖固定為7×7這個尺寸,將原始圖像的尺寸(448×448)在寬和高的方向上同時各自縮小了64倍.在紋理信息豐富的數據集中可以提高計算效率,但是對于分辨率不高且經過壓縮的衛(wèi)星視頻數據來說這會丟失大量目標的重要特征.因此,如何對圖像做分割,如何設計可以增強小目標特征信息的基礎網絡就變得至關重要.

    1.1 多尺度網格分割策略

    由于衛(wèi)星圖像具有低分辨率、視野廣的特點,圖像中的目標會變的小且很模糊[1].若繼續(xù)按照原始模型的網格劃分,會導致多個目標在相同的網格中,導致模型檢測任務失敗.

    對于現有的視頻衛(wèi)星數據,先對圖像中標注的目標的寬和高進行分別統計,判斷目標在尺度上的分布,進而指導圖像網格化策略: (1) 網格劃分的粒度以不能同時包含任意兩個或者多個目標為最佳; (2) 網格劃分的粒度不宜過密,否則會導致全聯接層參數量爆炸,模型難以學習; (3) 多尺度網格劃分時,不同尺度網格之間信息需要互補.

    統計目標的寬和高的分布情況,繪制分布散點圖如下圖所示.根據圖中可以得出,目標寬和高的分布近似一致,主體分布在30~60像素,且目標飛機的寬和高的比例近似在1:1.

    圖1 羅馬·菲烏米奇諾機場圖像飛機尺寸分布圖

    根據以上統計結果分析可以將圖像(512×512)網格化為13×13大小,但是圖像中目標的分布是隨機,當兩個目標按照一定的角度相鄰時,13×13的網格并不能很好的圈住某目標; 當目標恰好被某個網絡恰好分割成1/4時由于YOLO模型的機制不能很順利的檢測到目標,因此根據上述的指導規(guī)則(2),擬采用更小的尺度16×16對目標進行網格化.對于16×16的網格化的特征圖中每個單元的感受野較少,圖像的分辨率僅有0.72米,因此,再設計一層較大感受野的網格層,使其可以較好的和16×16的細網格做檢測的融合,采用9×9網格去分割圖像,該設計也符合規(guī)則(3),將這兩種網格化配合使用可以提高目標檢測的準確率.

    圖2 圖像的網格化策略示意圖

    1.2 超參結構增強上下文信息

    YOLO目標檢測模型反復使用卷積操作和最大池化操作將448×448的圖像采樣到7×7的特征圖,這種操作在衛(wèi)星數據中并不能起到好作用,批量的降采樣導致目標的上下文信息損失的很厲害,對于小目標的識別效果并不是很好[16],且在視頻數據中,每一幀圖像都是經過視頻壓縮編碼處理之后,單幀圖像會變得很模糊,更加不利于這種采樣方式.

    在2015年,何凱明等人[7]提出殘差網絡模型,不僅可以訓練更深的網絡模型,還將底層卷積特征跨層傳輸到上層,更加有利于目標的分類; 在2016年,清華大學人工智能實驗室提出HyerNet結構[12],證明利用反卷積[17]構造出來的超參卷積層對小目標的檢測有更好的效果; 在2017年,康奈爾大學、清華大學、Facebook人工智能研究院聯合發(fā)表了DenseNet網絡結構[18],不僅有效的解決了梯度消失問題,同時也強化了特征的傳播和特征的重用.

    圖3 反卷積操作示意圖

    本文采用跨層連接和反卷積操作整合出不同尺度的超參特征立方體,在不同尺度上強化小目標的細節(jié)特征,具體的設計結構如圖4所示.其中網絡的輸入尺寸是512×512,經過卷積層和池化層之后將尺寸變換到16×16,在經過卷積操作和池化操作之后得到4×4的特征圖,之后對該層數據進行反卷積操作得到和C5相同尺寸(9×9)的特征圖DC5,然后通過對這兩層特征做連接后進行反卷積變化得到特征圖DC4,同理得到特征圖DP3.其中符號P的含義是該層特征數據來自池化操作,C的含義是該層特征數據來自卷積操作,D的含義是該層特征數據來自反卷積操作.

    圖4 部分反卷積網絡結構示意圖

    2 內容一致性判別網路

    針對衛(wèi)星視頻數據而言,視頻場景很大,雖然地物場景復雜,但是整體內容的一致性較高,場景中的目標運動相對在地面觀察來說運動較慢[19].利用數據的這一特點,本論文以孿生網絡為主體,設計出內容一致性檢測網絡,跳過部分圖像幀的檢測,提高檢測的效率.

    孿生網絡(Siamese Network)是一種相似性度量網絡,核心思想是通過一組變換將輸入數據映射到目標空間,在目標空間使用簡單的距離度量進行相似度比較[20].算法主要關注連續(xù)圖像序列中相鄰的圖像內容的差異,如何定義內容差異程度,如何對序列圖像做標注等這些問題都會直接影響判別的結果.主動拍攝視頻數據大致分為固定鏡頭拍攝和運動鏡頭拍攝.在固定鏡頭拍攝情況下,往往更關注視野中內容的變化,需要對相鄰幀圖像之間做判斷; 在運動鏡頭拍攝情況下,需要同時兼顧視野內場景的變化和場景內目標的變化,這種變化往往來自場景的漸變和突變,這時需要假定出關鍵幀圖像,不斷的跟關鍵幀之間對比差異來判斷內容的一致性.本問題中衛(wèi)星相對所拍攝的區(qū)域做凝視拍攝,可以類比為攝像頭相對目標場景靜止,但是鏡頭本身需要根據軌道衛(wèi)星的狀態(tài)做相對運動,因此也會干擾到成像區(qū)域.

    2.1 訓練樣本構造

    實驗對象是四段時間為30秒的“吉林一號”衛(wèi)星視頻數據[21],視頻中每幀圖像的尺寸為4096×3072,將每一幀圖像按照8×6的比例進行分割,使得每個區(qū)域的尺寸為512×512.針對每段視頻中相同的區(qū)域按照給定的規(guī)則進行標注: 當前幀圖像中的每個目標和前一幀中對應的每個目標之間有位置的重合,則判定這兩幀圖像的內容是一致的,否則內容不一致.圖5中當前幀中有四個標注目標,分別用四個色塊進行表示,圖(b),(c),(d)分別表示下一幀圖像內容,實心色塊表示目標在當前幀的位置,不同顏色的虛線表示圖(a)中相應目標的位置.其中圖(a)與(b)幀中內容標記為一致,圖(a)與(c)、(a)與(d)幀中內容均標記為不一致.

    圖5 內容一致判別標注示意圖

    2.2 網絡結構設計

    具體的網絡結構設計如圖6,其中卷積網絡是共用參數,將兩幀圖像輸入到網絡中,得到相同維度的全連接層輸出的特征,根據標簽信息去學習特征之間的相似性度量.其中,網絡的主體部分的參數是共享的,通過不同的輸入圖像,得到在相同變換空間的特征,再進行分類判別.

    圖6 內容一致性判別網絡結構示意圖

    3 系統檢測流程

    具備了對單幀圖像的精細檢測能力,也具備了對于兩幅圖像內容一致性的判斷能力,通過這兩個功能的配合使用,本文設計出整體檢測流程,如圖7.

    圖7 檢測系統流程示意圖

    系統分為四大部分: 圖像切割和圖像增強、內容一致性判別網絡、局部目標搜索模塊、神經網絡檢測模塊.每幀圖像按照512×512的尺寸進行切割,得到48張小圖像,然后對這些圖像進行增強變換,鏡像、裁減、形變、擴張這些操作按照一定的概率作用在每張圖像上,具體的流程如圖8所示.接著將當前幀圖像和關鍵幀(最近一次使用檢測網絡檢測的圖像)進行內容一致性檢測,根據判斷結果分別進行局部目標搜索和目標檢測網絡.其中局部目標搜索,主要以關鍵幀中目標的位置為核心,按照檢測出目標的尺度在周邊進行查找.

    4 實驗結果分析

    4.1 深度神經檢測網絡實驗

    圖8 圖像增強示意圖

    本實驗中共有四段標記數據,分別是意大利·菲烏米奇諾機場、印度·英迪拉·甘地國際機場、美國·明尼阿波利斯·圣保羅國際機場、突尼斯·迦太基國際機場.我們使用后三段標注數據進行訓練,使用第一段視頻作為測試,在Ubuntu 16.04的Linux系統,硬件信息為Intel(R) Xeon(R) CPU E5-2620 v3 @ 2.40 GHz,NVIDIA GeForce GTX TITAN X GPU,128 GB Memory中進行100輪(所有樣本訓練一次即為一輪)訓練.對于飛機這一目標的檢測的平均準確率是0.912,其中準確率和召回率的結果圖如圖9所示.

    圖9 檢測目標的準確率和召回率示意圖

    部分實驗結果圖如圖10所示,其中每張圖像中的目標都進行了檢測結果的標注,每個框的左上方標記出該框的置信度大小.紅顏色的框的置信度至少在0.8以上,綠顏色的框的置信度在0.7~0.8,藍顏色的框在0.6~0.7.

    圖10 模型檢測結果示意圖

    4.2 內容一致性判別實驗

    根據2.1中訓練樣本的構造規(guī)則,預先生成相應的成對的訓練樣本,設計了如下算法1.

    算法1.一致性判別網絡訓練樣本構造算法1) 先將視頻中的單幀圖像按照512×512的大小進行切割,并記錄切割出來的每個圖像的相對原圖像中的坐標和幀數;2) 在相同的視頻中,隨機抽取一幀作為關鍵幀,找到前后對應的圖像幀序列;3) 記錄出當前幀中某個切割區(qū)域的目標的位置,同時按照目標的寬和高生成目標的合理潛在區(qū)域;4) 將關鍵幀圖像信息和其前后幀圖像中對應的切割區(qū)域目標進行比較,根據2.1節(jié)中的規(guī)則進行標記.

    將上述算法生成的訓練樣本在相同配置的服務器中進行訓練,得到了較好的效果.具體分析如下: 對地凝視的衛(wèi)星視頻數據中,場景內容近似一致,通過該模型,可以較好的跳過相近內容的檢測; 且場景中并非所有目標都在運動,很多靜止的目標可以很好的通過大圖像切割和內容一致性檢測策略直接確定相應的位置,提高了整體的檢測效率.

    表中的數據的測試環(huán)境和訓練環(huán)境一致(在TITAN X GPU,Tensorflow 1.4.1),測試數據是將視頻數據逐幀提取(每幀大小4096×3072),在內存中做8×6的切割后直接進行模型測試,數據IO時間和大圖像切分時間不在計算之內,但是后處理時間計算在內.通過表中對比可以看出內容判別網絡將系統的整體檢測效率提高了50%左右.

    表1 模型效率比較

    5 總結與展望

    通過對檢測模型的改進,反卷積網絡可以較好的對增強目標的上下文信息,同時,利用多個網格化的策略,可以較好的彌補對于近鄰目標檢測的準確率.結合內容一致性判別網絡實驗,可以得出,針對場景相對固定,且場景內目標很多,但運動目標一定的情況下,通過該策略可以將局部靜態(tài)信息過濾出去,提高對視頻整體的檢測效率.目前檢測模型的設計僅考慮單幀圖像,對于視頻而言,如何考慮相鄰幀信息,將更多的信息整合到單階段檢測網絡將成為下一步的研究熱點.

    猜你喜歡
    卷積圖像目標
    改進的LapSRN遙感圖像超分辨重建
    基于3D-Winograd的快速卷積算法設計及FPGA實現
    有趣的圖像詩
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    基于傅里葉域卷積表示的目標跟蹤算法
    我們的目標
    一種基于卷積神經網絡的性別識別方法
    電視技術(2014年19期)2014-03-11 15:38:20
    遙感圖像幾何糾正中GCP選取
    趣味數獨等4則
    意林(2011年10期)2011-05-14 07:44:00
    中學英語之友·上(2008年2期)2008-04-01 01:19:30
    亚洲,欧美,日韩| 色视频在线一区二区三区| 国语对白做爰xxxⅹ性视频网站| 国产无遮挡羞羞视频在线观看| 欧美一级a爱片免费观看看| 国产精品一区二区在线观看99| 午夜av观看不卡| 国产亚洲91精品色在线| 午夜老司机福利剧场| 免费看日本二区| kizo精华| 日韩av在线免费看完整版不卡| 在线观看三级黄色| 最近手机中文字幕大全| 日本91视频免费播放| 国产精品.久久久| 91aial.com中文字幕在线观看| 高清av免费在线| 插阴视频在线观看视频| videos熟女内射| 久久久久久久久久久免费av| 日韩不卡一区二区三区视频在线| 国产成人a∨麻豆精品| 香蕉精品网在线| 久久av网站| 汤姆久久久久久久影院中文字幕| 国产日韩一区二区三区精品不卡 | 国产老妇伦熟女老妇高清| 伊人久久国产一区二区| 人体艺术视频欧美日本| 免费不卡的大黄色大毛片视频在线观看| 亚洲高清免费不卡视频| 精品亚洲成a人片在线观看| 亚洲经典国产精华液单| 女人精品久久久久毛片| 欧美 亚洲 国产 日韩一| 日日啪夜夜爽| 美女脱内裤让男人舔精品视频| 亚洲伊人久久精品综合| 亚洲综合精品二区| av在线老鸭窝| 高清黄色对白视频在线免费看 | a级一级毛片免费在线观看| 大话2 男鬼变身卡| 高清av免费在线| 女性被躁到高潮视频| 成人美女网站在线观看视频| av网站免费在线观看视频| 午夜激情久久久久久久| 日韩 亚洲 欧美在线| 男女无遮挡免费网站观看| 中文字幕人妻丝袜制服| xxx大片免费视频| 99久久精品国产国产毛片| 乱码一卡2卡4卡精品| 成人亚洲欧美一区二区av| 搡女人真爽免费视频火全软件| 国精品久久久久久国模美| 亚洲国产欧美日韩在线播放 | 国语对白做爰xxxⅹ性视频网站| 国产乱人偷精品视频| 国产男女超爽视频在线观看| 日本vs欧美在线观看视频 | 22中文网久久字幕| 国产亚洲最大av| 日韩 亚洲 欧美在线| 国产在线男女| 国产精品成人在线| 日日摸夜夜添夜夜爱| 欧美日韩亚洲高清精品| 人人妻人人澡人人爽人人夜夜| 人人妻人人澡人人看| 少妇猛男粗大的猛烈进出视频| 中文字幕免费在线视频6| 不卡视频在线观看欧美| 如日韩欧美国产精品一区二区三区 | av网站免费在线观看视频| 亚洲欧洲日产国产| 秋霞在线观看毛片| 不卡视频在线观看欧美| 久久久久久久久大av| 亚洲综合精品二区| 亚洲国产毛片av蜜桃av| 天天躁夜夜躁狠狠久久av| 丰满乱子伦码专区| 国产69精品久久久久777片| 麻豆成人av视频| 国产一区二区三区av在线| 国产黄片视频在线免费观看| 97在线人人人人妻| 男女免费视频国产| 自拍欧美九色日韩亚洲蝌蚪91 | 亚洲熟女精品中文字幕| 在线观看免费高清a一片| 老熟女久久久| 高清黄色对白视频在线免费看 | 国产精品一区二区三区四区免费观看| 国产成人免费观看mmmm| 一本大道久久a久久精品| 99热这里只有是精品50| 免费高清在线观看视频在线观看| 久久99热这里只频精品6学生| 国产欧美日韩一区二区三区在线 | 少妇人妻久久综合中文| 成年人午夜在线观看视频| 日韩一区二区视频免费看| 男女啪啪激烈高潮av片| 国产一区亚洲一区在线观看| 日本猛色少妇xxxxx猛交久久| 九草在线视频观看| 大香蕉久久网| av天堂中文字幕网| 边亲边吃奶的免费视频| 国产黄频视频在线观看| 少妇人妻久久综合中文| 人人妻人人澡人人看| 各种免费的搞黄视频| 国产亚洲最大av| 国产在视频线精品| 建设人人有责人人尽责人人享有的| 99热这里只有是精品在线观看| 蜜桃久久精品国产亚洲av| 国产精品麻豆人妻色哟哟久久| 久久av网站| 欧美三级亚洲精品| 日本与韩国留学比较| 美女国产视频在线观看| 国产视频首页在线观看| 最后的刺客免费高清国语| 色婷婷久久久亚洲欧美| 色视频www国产| 亚洲国产精品成人久久小说| 国产精品一区www在线观看| 秋霞在线观看毛片| 亚洲美女搞黄在线观看| 久久久精品免费免费高清| .国产精品久久| a级毛片在线看网站| 草草在线视频免费看| 成人18禁高潮啪啪吃奶动态图 | 国产黄频视频在线观看| xxx大片免费视频| 午夜免费鲁丝| 国产深夜福利视频在线观看| av.在线天堂| 免费av中文字幕在线| 在线观看www视频免费| 九草在线视频观看| 精品久久久久久久久av| 丰满饥渴人妻一区二区三| 日韩成人伦理影院| 亚洲在久久综合| 天堂俺去俺来也www色官网| 三上悠亚av全集在线观看 | 亚洲精品乱码久久久久久按摩| 亚洲美女视频黄频| 国产亚洲精品久久久com| 两个人免费观看高清视频 | 欧美日韩视频高清一区二区三区二| 妹子高潮喷水视频| 五月开心婷婷网| 黑人高潮一二区| 一级黄片播放器| 国产欧美亚洲国产| 又粗又硬又长又爽又黄的视频| 免费在线观看成人毛片| 久久鲁丝午夜福利片| 国产伦精品一区二区三区视频9| 女性被躁到高潮视频| 国产成人一区二区在线| 国产欧美另类精品又又久久亚洲欧美| 韩国高清视频一区二区三区| 美女脱内裤让男人舔精品视频| 黑人猛操日本美女一级片| 一级av片app| 色网站视频免费| 有码 亚洲区| 嘟嘟电影网在线观看| 久久人妻熟女aⅴ| 亚洲国产精品一区三区| 国产日韩欧美在线精品| 91aial.com中文字幕在线观看| 成人无遮挡网站| 99久久精品一区二区三区| 成人黄色视频免费在线看| 婷婷色综合www| 国产精品国产av在线观看| 国产极品粉嫩免费观看在线 | 妹子高潮喷水视频| 欧美xxⅹ黑人| 中文字幕av电影在线播放| 99热这里只有是精品50| 国产精品无大码| 一级毛片我不卡| 国产精品国产av在线观看| 人人妻人人澡人人看| 人妻少妇偷人精品九色| 久久女婷五月综合色啪小说| 成人18禁高潮啪啪吃奶动态图 | 久久婷婷青草| 精品一区二区免费观看| 国产精品一二三区在线看| 黑丝袜美女国产一区| 国产精品欧美亚洲77777| 三上悠亚av全集在线观看 | 特大巨黑吊av在线直播| 国产免费福利视频在线观看| 黄色毛片三级朝国网站 | av在线播放精品| 久久国产精品男人的天堂亚洲 | 亚洲精品自拍成人| 亚洲综合精品二区| 99国产精品免费福利视频| 我的女老师完整版在线观看| 香蕉精品网在线| 国产免费一级a男人的天堂| 人人妻人人添人人爽欧美一区卜| 日韩一区二区视频免费看| 免费播放大片免费观看视频在线观看| 99热全是精品| 国产免费一级a男人的天堂| 久久97久久精品| av专区在线播放| 久久精品国产自在天天线| 国产精品久久久久久精品电影小说| 国产探花极品一区二区| 一级毛片电影观看| 国产日韩欧美在线精品| 99久久精品热视频| 国产精品蜜桃在线观看| 最新的欧美精品一区二区| 一区二区三区乱码不卡18| 欧美老熟妇乱子伦牲交| 国产成人免费观看mmmm| 自线自在国产av| 亚洲激情五月婷婷啪啪| 国语对白做爰xxxⅹ性视频网站| 久久av网站| 亚洲自偷自拍三级| 又爽又黄a免费视频| av播播在线观看一区| 春色校园在线视频观看| 国产精品.久久久| 亚洲精品国产色婷婷电影| 91成人精品电影| 哪个播放器可以免费观看大片| 国产老妇伦熟女老妇高清| 少妇高潮的动态图| 9色porny在线观看| 成人午夜精彩视频在线观看| www.色视频.com| 99热这里只有是精品在线观看| 午夜福利在线观看免费完整高清在| 视频中文字幕在线观看| 久久毛片免费看一区二区三区| 十分钟在线观看高清视频www | 最新的欧美精品一区二区| 亚洲欧美清纯卡通| 久久国产精品大桥未久av | 女性生殖器流出的白浆| 校园人妻丝袜中文字幕| 国产淫语在线视频| 亚洲一级一片aⅴ在线观看| 亚洲精品中文字幕在线视频 | 日韩免费高清中文字幕av| 国产一区二区三区综合在线观看 | 七月丁香在线播放| 国产深夜福利视频在线观看| 国产一区二区在线观看日韩| 色视频www国产| 国产女主播在线喷水免费视频网站| 91精品国产国语对白视频| 中文资源天堂在线| 黑人猛操日本美女一级片| av在线老鸭窝| 色吧在线观看| 久久精品国产a三级三级三级| av在线观看视频网站免费| 热99国产精品久久久久久7| 女性生殖器流出的白浆| 亚洲情色 制服丝袜| 久久久久久久亚洲中文字幕| 久久久久久久久大av| 久久久久久久大尺度免费视频| 日韩一本色道免费dvd| 夜夜骑夜夜射夜夜干| 欧美日本中文国产一区发布| 久久午夜综合久久蜜桃| 欧美97在线视频| 日韩制服骚丝袜av| 亚洲精品乱码久久久v下载方式| 日本av免费视频播放| 欧美精品亚洲一区二区| 午夜福利在线观看免费完整高清在| av卡一久久| 伦精品一区二区三区| a级毛片免费高清观看在线播放| tube8黄色片| 久久久久精品久久久久真实原创| 国产精品蜜桃在线观看| 69精品国产乱码久久久| 国产一级毛片在线| 成人黄色视频免费在线看| 99热6这里只有精品| 亚洲欧美精品自产自拍| 免费观看的影片在线观看| 久久女婷五月综合色啪小说| 六月丁香七月| 亚洲成色77777| 天堂8中文在线网| 少妇的逼水好多| 777米奇影视久久| 伊人久久国产一区二区| 色婷婷av一区二区三区视频| 久久久久久久久久久丰满| 精品久久久久久久久亚洲| 久久精品国产亚洲网站| 黄色日韩在线| 黄色毛片三级朝国网站 | 亚洲精品国产av成人精品| 亚洲经典国产精华液单| 国产精品久久久久久av不卡| 亚洲国产日韩一区二区| 日日爽夜夜爽网站| 性高湖久久久久久久久免费观看| 91精品伊人久久大香线蕉| 精品人妻熟女毛片av久久网站| 亚洲欧洲精品一区二区精品久久久 | 亚洲人成网站在线播| 日本av免费视频播放| 韩国av在线不卡| 三级国产精品欧美在线观看| 我要看黄色一级片免费的| 久久久久久久久久人人人人人人| 能在线免费看毛片的网站| 国产黄片美女视频| 美女福利国产在线| 国产精品一区二区在线观看99| 视频中文字幕在线观看| 伊人久久精品亚洲午夜| 高清不卡的av网站| 九草在线视频观看| 国产成人a∨麻豆精品| 国产精品一区二区三区四区免费观看| 久久韩国三级中文字幕| 色94色欧美一区二区| 国产免费视频播放在线视频| 女性生殖器流出的白浆| 精品国产国语对白av| 亚洲中文av在线| 日本av手机在线免费观看| 中文资源天堂在线| 日本av手机在线免费观看| 国产伦在线观看视频一区| 亚洲国产精品一区三区| 一个人看视频在线观看www免费| 我要看日韩黄色一级片| 欧美激情国产日韩精品一区| av在线播放精品| 亚洲国产日韩一区二区| 国产精品久久久久久av不卡| 国产av精品麻豆| 午夜老司机福利剧场| 99视频精品全部免费 在线| 欧美日韩国产mv在线观看视频| 成人免费观看视频高清| 美女内射精品一级片tv| 插逼视频在线观看| 久久国内精品自在自线图片| 国产免费福利视频在线观看| 精品人妻熟女av久视频| 久久久午夜欧美精品| 秋霞在线观看毛片| 如日韩欧美国产精品一区二区三区 | 精品一区二区三区视频在线| 成人毛片a级毛片在线播放| 老司机影院成人| 久久99一区二区三区| 亚洲国产色片| 91午夜精品亚洲一区二区三区| 国产美女午夜福利| 91午夜精品亚洲一区二区三区| 免费黄色在线免费观看| 91aial.com中文字幕在线观看| 婷婷色av中文字幕| 免费播放大片免费观看视频在线观看| 日日啪夜夜爽| 精品午夜福利在线看| 美女中出高潮动态图| 少妇的逼好多水| 久热这里只有精品99| 男女边吃奶边做爰视频| 97超碰精品成人国产| 18禁在线播放成人免费| 不卡视频在线观看欧美| 啦啦啦视频在线资源免费观看| 91精品一卡2卡3卡4卡| 精品一区二区免费观看| 久久久久人妻精品一区果冻| 校园人妻丝袜中文字幕| 自线自在国产av| 亚洲国产精品一区二区三区在线| 自拍欧美九色日韩亚洲蝌蚪91 | 99re6热这里在线精品视频| 亚洲精品,欧美精品| 自拍偷自拍亚洲精品老妇| av国产精品久久久久影院| 一级爰片在线观看| 欧美精品一区二区大全| 热99国产精品久久久久久7| 成人毛片60女人毛片免费| 亚洲国产色片| 一区二区三区精品91| 久久精品久久久久久久性| 国产精品福利在线免费观看| 久久久久久久大尺度免费视频| 草草在线视频免费看| 乱码一卡2卡4卡精品| 自拍欧美九色日韩亚洲蝌蚪91 | 国产男人的电影天堂91| 国产成人午夜福利电影在线观看| 久久99热这里只频精品6学生| 女性生殖器流出的白浆| 欧美 亚洲 国产 日韩一| 交换朋友夫妻互换小说| 久久精品久久久久久久性| 3wmmmm亚洲av在线观看| 精品亚洲成国产av| 国产精品欧美亚洲77777| 日日摸夜夜添夜夜添av毛片| 免费观看无遮挡的男女| 免费观看av网站的网址| 国产成人aa在线观看| 这个男人来自地球电影免费观看 | 亚洲国产精品一区三区| 不卡视频在线观看欧美| 午夜老司机福利剧场| 亚洲av日韩在线播放| 免费黄色在线免费观看| 最黄视频免费看| 新久久久久国产一级毛片| 中文精品一卡2卡3卡4更新| 99久久精品一区二区三区| 成人漫画全彩无遮挡| 看免费成人av毛片| 美女cb高潮喷水在线观看| 两个人的视频大全免费| 在线观看www视频免费| 国产极品粉嫩免费观看在线 | 久久亚洲国产成人精品v| 校园人妻丝袜中文字幕| 欧美老熟妇乱子伦牲交| 久久久久久久久大av| 搡老乐熟女国产| 在线观看一区二区三区激情| 精品一区二区免费观看| 亚洲av不卡在线观看| 91aial.com中文字幕在线观看| 久久精品夜色国产| 国产永久视频网站| 国产淫片久久久久久久久| av.在线天堂| 大片免费播放器 马上看| 亚洲在久久综合| 在线观看免费高清a一片| 免费观看av网站的网址| 国产日韩欧美视频二区| 人人妻人人澡人人看| 99热这里只有是精品50| 亚洲国产精品一区三区| 国产精品一区二区在线观看99| 在现免费观看毛片| 国产亚洲5aaaaa淫片| 99热这里只有精品一区| 国产亚洲91精品色在线| 内射极品少妇av片p| 亚洲成人手机| 国内少妇人妻偷人精品xxx网站| 韩国高清视频一区二区三区| 国产成人91sexporn| 亚洲丝袜综合中文字幕| 国产高清有码在线观看视频| 国产有黄有色有爽视频| 99热6这里只有精品| 最新中文字幕久久久久| 日韩视频在线欧美| 黄色怎么调成土黄色| 国产高清不卡午夜福利| 精品人妻熟女av久视频| 看非洲黑人一级黄片| 亚洲第一av免费看| 18禁在线播放成人免费| 九九在线视频观看精品| 麻豆乱淫一区二区| 国产成人91sexporn| 久久久精品免费免费高清| 一区二区三区四区激情视频| 日日摸夜夜添夜夜爱| 永久网站在线| 国产乱来视频区| 国产欧美日韩综合在线一区二区 | 91午夜精品亚洲一区二区三区| 特大巨黑吊av在线直播| 国产男人的电影天堂91| 十八禁网站网址无遮挡 | 久久久午夜欧美精品| 中文字幕免费在线视频6| 国产亚洲91精品色在线| 亚洲欧美日韩东京热| 最近手机中文字幕大全| 日本与韩国留学比较| 极品少妇高潮喷水抽搐| 黑人猛操日本美女一级片| 亚洲中文av在线| av女优亚洲男人天堂| 日本午夜av视频| 又黄又爽又刺激的免费视频.| 国产日韩一区二区三区精品不卡 | 这个男人来自地球电影免费观看 | 永久网站在线| 狂野欧美激情性bbbbbb| 日本wwww免费看| 成人午夜精彩视频在线观看| 毛片一级片免费看久久久久| 日韩av在线免费看完整版不卡| 内地一区二区视频在线| 一级毛片电影观看| av福利片在线观看| 最近的中文字幕免费完整| 99热国产这里只有精品6| 国产免费又黄又爽又色| 精品久久国产蜜桃| 久久毛片免费看一区二区三区| 成人18禁高潮啪啪吃奶动态图 | 纯流量卡能插随身wifi吗| 看非洲黑人一级黄片| 日韩电影二区| 日日爽夜夜爽网站| 美女大奶头黄色视频| 99热这里只有精品一区| 欧美少妇被猛烈插入视频| 亚洲经典国产精华液单| 亚洲欧美日韩另类电影网站| 亚洲av男天堂| 久久av网站| 久久国内精品自在自线图片| 亚洲熟女精品中文字幕| 青春草视频在线免费观看| 青青草视频在线视频观看| 成年美女黄网站色视频大全免费 | 一个人看视频在线观看www免费| 亚洲av免费高清在线观看| 亚洲熟女精品中文字幕| 免费人成在线观看视频色| 国产免费视频播放在线视频| 亚洲精品亚洲一区二区| videos熟女内射| 人人澡人人妻人| 亚洲欧美精品自产自拍| 国产欧美日韩一区二区三区在线 | 国产中年淑女户外野战色| 精品国产一区二区久久| 国产精品不卡视频一区二区| 亚洲va在线va天堂va国产| 国产精品无大码| 亚洲三级黄色毛片| 卡戴珊不雅视频在线播放| 亚洲精品乱码久久久久久按摩| 高清在线视频一区二区三区| 一级毛片久久久久久久久女| 高清黄色对白视频在线免费看 | 少妇的逼好多水| h日本视频在线播放| 韩国av在线不卡| 亚州av有码| 黄色配什么色好看| 亚洲欧美一区二区三区国产| 日日撸夜夜添| 国产在线视频一区二区| 国产美女午夜福利| 日日撸夜夜添| 伊人久久精品亚洲午夜| 国产精品99久久99久久久不卡 | 男人和女人高潮做爰伦理| 免费观看a级毛片全部| 99久久精品一区二区三区| 国模一区二区三区四区视频| 91aial.com中文字幕在线观看| 久久狼人影院| 好男人视频免费观看在线| av播播在线观看一区| 国产淫语在线视频| av国产久精品久网站免费入址| 国产精品无大码| 国产欧美日韩精品一区二区| 日韩欧美精品免费久久| 中文欧美无线码| 亚洲丝袜综合中文字幕| 亚洲国产最新在线播放| 一区在线观看完整版| 国产在线男女| 美女cb高潮喷水在线观看| 日韩伦理黄色片| kizo精华| 国产老妇伦熟女老妇高清| 亚洲国产av新网站| 国产毛片在线视频| 曰老女人黄片| 精品一区二区免费观看| 不卡视频在线观看欧美| 免费黄色在线免费观看| 亚洲自偷自拍三级| 亚洲成色77777| 成人二区视频| a级毛片免费高清观看在线播放|