• <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 ?

    基于神經(jīng)網(wǎng)絡(luò)融合的司機(jī)違規(guī)行為識(shí)別

    2018-12-13 09:17:24李俊俊楊華民張澍裕李松江
    關(guān)鍵詞:圖像識(shí)別級(jí)聯(lián)司機(jī)

    李俊俊 楊華民 張澍裕 李松江

    1(北京航天控制儀器研究所研發(fā)中心物聯(lián)網(wǎng)與智能結(jié)構(gòu)室 北京 100854)2(長(zhǎng)春理工大學(xué)計(jì)算機(jī)科學(xué)技術(shù)學(xué)院 吉林 長(zhǎng)春 130022)

    0 引 言

    隨著經(jīng)濟(jì)的快速發(fā)展,人們逐漸過(guò)上了幸福的生活,轎車逐漸成為人們?nèi)粘I钪械闹饕煌üぞ?,轎車給人們生活帶來(lái)便利的同時(shí),也給不少人帶來(lái)了生命的危險(xiǎn)。交通事故的頻頻發(fā)生,使很多美好的家庭遭到沉重的打擊。在調(diào)查造成交通事故發(fā)生的原因時(shí),經(jīng)過(guò)統(tǒng)計(jì)發(fā)現(xiàn)司機(jī)的不規(guī)范行為,比如在行駛過(guò)程中抽煙、玩手機(jī)是造成交通事故的很重要原因。通過(guò)制約司機(jī)的不規(guī)范行為可以在一定程度上減少不必要的交通事故。因此如何快速有效地識(shí)別出司機(jī)的不規(guī)范行為成為眾多研究者關(guān)心和關(guān)注的問(wèn)題。

    司機(jī)駕駛違規(guī)檢測(cè)技術(shù)的發(fā)展,離不開圖像識(shí)別技術(shù)的發(fā)展,通過(guò)在汽車駕駛室里安裝攝像頭,來(lái)實(shí)時(shí)檢測(cè)司機(jī)的駕駛行為。近年來(lái)隨著深度學(xué)習(xí)的發(fā)展,把圖像識(shí)別技術(shù)推向了前所未有的高度。圖像識(shí)別是計(jì)算機(jī)視覺(jué)領(lǐng)域的重要研究方向之一,其主要是利用計(jì)算機(jī)對(duì)圖像進(jìn)行處理、分析和理解,從而能夠識(shí)別多種不同情況下的目標(biāo)及對(duì)象。在本文中主要利用圖像識(shí)別技術(shù)來(lái)發(fā)現(xiàn)司機(jī)在行駛過(guò)程中的不規(guī)范行為。

    深度學(xué)習(xí)作為近年來(lái)越來(lái)越熱門的技術(shù),其在圖像識(shí)別中表現(xiàn)出了極佳的效果。深度學(xué)習(xí)在2006年,由Geoffery Hinto和他的學(xué)生Ruslan Salakhutdinov在國(guó)際頂級(jí)學(xué)術(shù)期刊《Science》上發(fā)表的一篇文章[1]中第一次提出,隨后深度學(xué)習(xí)得到了迅速的發(fā)展。而作為深度學(xué)習(xí)中重量級(jí)的卷積神經(jīng)網(wǎng)絡(luò)CNN(Convolution neural network)則可以追溯到20世紀(jì)60年代初期,當(dāng)時(shí)是由兩位著名的生物學(xué)家Hubel和Wiesel在文獻(xiàn)[2]中提出了感受野的概念。到了20世紀(jì)80年代中期Fukushima在文獻(xiàn)[3]提出的基于感受野概念的神經(jīng)認(rèn)知機(jī),在目前看來(lái)可以作為卷積神經(jīng)網(wǎng)絡(luò)第一次真正的實(shí)現(xiàn)。本文主要通過(guò)對(duì)深度學(xué)習(xí)中經(jīng)典的模型-卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行改進(jìn),來(lái)檢測(cè)司機(jī)在駕駛過(guò)程中出現(xiàn)吸煙和玩手機(jī)這兩種行為,從而達(dá)到發(fā)出精準(zhǔn)警告信息的目的,進(jìn)而有效地降低交通事故的發(fā)生。因此司機(jī)違規(guī)行為識(shí)別研究就變得十分重要且有意義,本文正是基于此做的相關(guān)研究。

    1 相關(guān)工作

    司機(jī)違規(guī)檢測(cè)[25-27]研究也是因?yàn)殡S著人們出行車輛逐漸變多,導(dǎo)致交通事故頻發(fā)才逐漸引起研究人員的注意。近期學(xué)者對(duì)司機(jī)行為檢測(cè)大多還是采用傳統(tǒng)機(jī)器學(xué)習(xí)的算法。文獻(xiàn)[28]采用傳統(tǒng)的機(jī)器學(xué)習(xí)算法,提出一種基于自適應(yīng)特征聚類的特征檢測(cè)方法,該方法主要是將復(fù)雜環(huán)境下機(jī)車司機(jī)的操作行為特征提取出來(lái),并通過(guò)和標(biāo)準(zhǔn)的操作行為進(jìn)行比較,從而判斷機(jī)車司機(jī)的操作行為是否違規(guī)。該文獻(xiàn)提出的方法雖然表現(xiàn)出了一定的優(yōu)勢(shì),但僅限于小規(guī)模數(shù)據(jù)集,對(duì)于大場(chǎng)景大規(guī)模數(shù)據(jù)集表現(xiàn)一般,因此迫切需要采用最新的深度學(xué)習(xí)算法來(lái)解決司機(jī)行為檢測(cè)問(wèn)題。另外對(duì)于司機(jī)行為檢測(cè)另一個(gè)研究熱點(diǎn)是對(duì)于疲勞駕駛的研究,其中文獻(xiàn)[29]對(duì)目前司機(jī)疲勞駕駛檢測(cè)方法做了最新的綜述,從綜述中看出,迫切需要新的方法來(lái)應(yīng)用于司機(jī)行為檢測(cè)的研究。文獻(xiàn)[30]針對(duì)司機(jī)疲勞駕駛檢測(cè),設(shè)計(jì)了一種基于圖像處理DSP芯片DM6437的疲勞駕駛視覺(jué)檢測(cè)系統(tǒng),但采用硬件DSP來(lái)解決檢測(cè)問(wèn)題,在算法上創(chuàng)新較少。本文所做的研究是采用最新的深度學(xué)習(xí)算法來(lái)更好地解決司機(jī)違規(guī)行為識(shí)別檢測(cè)。

    圖像識(shí)別屬于計(jì)算機(jī)視覺(jué)領(lǐng)域的一個(gè)主要研究方向,在過(guò)去的歲月里,很多學(xué)者都投身于圖像識(shí)別的領(lǐng)域中,也涌現(xiàn)出一批優(yōu)秀的圖像識(shí)別算法。

    最早的圖像識(shí)別技術(shù)可以追溯到20世紀(jì)60年代[4],不過(guò)當(dāng)時(shí)局限于硬件水平的發(fā)展,圖像識(shí)別技術(shù)一直處于低迷狀態(tài)。隨著科技的發(fā)展,計(jì)算機(jī)硬件的發(fā)展得到了空前的提高,尤其是GPU的快速發(fā)展,基于深度學(xué)習(xí)的圖像識(shí)別算法逐漸成為主流的算法。另外一個(gè)推動(dòng)圖像識(shí)別技術(shù)發(fā)展的是大規(guī)模數(shù)據(jù)集的發(fā)展,如ImageNet[5]、Places[6]、SUN397[7]等大規(guī)模數(shù)據(jù)集的出現(xiàn),其中ImageNet數(shù)據(jù)集主要集中于物體概念的圖像,當(dāng)然也包括少量的場(chǎng)景概念圖像,該數(shù)據(jù)集是推動(dòng)深度學(xué)習(xí)算法的重量級(jí)數(shù)據(jù)集。

    Krizhevsky等[8]在ImgeNet競(jìng)賽上取得了很好的成績(jī),而這是他們第一次在ImageNet上訓(xùn)練出了一個(gè)8層的深度模型。自此之后卷積神經(jīng)網(wǎng)絡(luò)在圖像分類與識(shí)別領(lǐng)域受到前所未有的認(rèn)可。后續(xù)很多學(xué)者獻(xiàn)身于卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)化與改良。Simonyan等[9]在原來(lái)Krizhevsky等[8]的模型基礎(chǔ)上,提出一個(gè)19層的CNN模型(VGG-19),VGG-19主要是通過(guò)增減卷積層來(lái)增加該模型的深度,同時(shí)采用較小的卷積濾波(3×3)。卷積神經(jīng)網(wǎng)絡(luò)能夠利用圖像的邊緣、角點(diǎn)、紋理等高層特征,對(duì)特定任務(wù)的有針對(duì)性的(specific)特征[10-11],通過(guò)逐層特征學(xué)習(xí)來(lái)模擬人腦分層處理信息機(jī)制。隨著ImageNet競(jìng)賽的推進(jìn),Szegedy等[12]受Hebbian原理和多尺度處理的啟發(fā),提出了一個(gè)22層的深度學(xué)習(xí)模型GoogleNet[12]。GoogleNet主要由多個(gè)Inception Model堆疊形成,它主要利用不寬的卷積核對(duì)前一層的輸出做卷積,最后合并形成后一層的輸入。Zhou等則在Places[6]上對(duì)于多場(chǎng)景分類訓(xùn)練出不錯(cuò)的深度模型,可以有效解決多場(chǎng)景分類問(wèn)題。Liu等[13]采用在MIT-67上提出一種采用跨卷積層池化技術(shù)將卷積層的特征作為通用特征的模型,表現(xiàn)出了不錯(cuò)的效果。Gong等[14]先使用卷積神經(jīng)網(wǎng)絡(luò)基于圖像塊提取特征,隨后使用主成分分析降低維度形成圖形特征,相比于直接從整幅圖上提取卷積神經(jīng)網(wǎng)絡(luò)特征,該方法提取的特征具有幾何不變性。

    以上這些模型都在通用數(shù)據(jù)集上表現(xiàn)出了不錯(cuò)的效果,但在特定領(lǐng)域的數(shù)據(jù)集上還不能完全適用。本文在解決特殊領(lǐng)域司機(jī)違規(guī)行為識(shí)別問(wèn)題時(shí),既要考慮性能問(wèn)題,同時(shí)也要考慮效率問(wèn)題。最終,本文提出了三級(jí)級(jí)聯(lián)的卷積神經(jīng)網(wǎng)絡(luò)并通過(guò)改進(jìn)激活函數(shù)的方法來(lái)有效地解決司機(jī)違規(guī)行為識(shí)別問(wèn)題。

    2 神經(jīng)網(wǎng)絡(luò)融合

    傳統(tǒng)的神經(jīng)網(wǎng)絡(luò)融合,通常是將兩個(gè)或多個(gè)網(wǎng)絡(luò)線性加權(quán)或者采用隨機(jī)梯度的方式進(jìn)行加權(quán)融合,而本文提出的神經(jīng)網(wǎng)絡(luò)融合是結(jié)合FCNN網(wǎng)絡(luò)與本文提出的三級(jí)級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)。首先我們使用FCNN網(wǎng)絡(luò)對(duì)訓(xùn)練數(shù)據(jù)集進(jìn)行數(shù)據(jù)處理,對(duì)圖像進(jìn)行分割,這樣分割后的圖像僅僅包含我們需要的任務(wù)信息,過(guò)濾邊緣多余的信息,再通過(guò)本文提出的三級(jí)級(jí)聯(lián)的神經(jīng)網(wǎng)絡(luò)進(jìn)行最終的處理。整體架構(gòu)圖如圖1所示。

    2.1 卷積神經(jīng)網(wǎng)絡(luò)

    卷積神經(jīng)網(wǎng)絡(luò)通常是由輸入層、卷積層、池化層、全連接層以及輸出層這五個(gè)部分組成,其中卷積層和池化層一般交替進(jìn)行,即一個(gè)卷積層鏈接一個(gè)池化層,池化層后再鏈接一個(gè)卷積層,依次類推。從中也可以清晰地看到由于卷積層中輸出特征面的每個(gè)神經(jīng)元與其輸入進(jìn)行局部鏈接,并通過(guò)對(duì)應(yīng)的連接權(quán)值與局部輸入進(jìn)行加權(quán)求和,再加上偏置值,得到該神經(jīng)元輸入值,該過(guò)程等同于卷積過(guò)程,CNN名稱也由此而來(lái)[15]。

    Yann LeCun教授在1998年提出了LeNet-5模型[15],LeNet-5目前被公認(rèn)為是第一個(gè)成功應(yīng)用于數(shù)據(jù)識(shí)別問(wèn)題的卷積神經(jīng)網(wǎng)絡(luò),LeNet-5模型可以達(dá)到大約99.2%的正確率。文獻(xiàn)[16-23]分別提出了針對(duì)特定領(lǐng)域內(nèi)的問(wèn)題設(shè)計(jì)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),得到了精度很高的實(shí)驗(yàn)結(jié)果。雖然LeNet-5在公開的數(shù)據(jù)集中已經(jīng)表現(xiàn)出了良好的性能,但是在特定領(lǐng)域的數(shù)據(jù)集中還存在一些不足。因此本文基礎(chǔ)的對(duì)比模型是LeNet-5典型的卷積神經(jīng)網(wǎng)絡(luò),但在LeNet-5的結(jié)構(gòu)基礎(chǔ)上采用了文獻(xiàn)[24]中的激活函數(shù)來(lái)改進(jìn)卷積神經(jīng)網(wǎng)絡(luò)中的激活函數(shù),從而更好地識(shí)別出司機(jī)的違規(guī)行為。

    2.2 FCNN網(wǎng)絡(luò)

    FCNN網(wǎng)絡(luò)使用Lonjong等在CVP2015中提出的對(duì)圖像進(jìn)行像素級(jí)的分類網(wǎng)絡(luò)模型,主要是為了更好地解決語(yǔ)義級(jí)別的圖像分割問(wèn)題。它與經(jīng)典的CNN網(wǎng)絡(luò)最大不同在于,經(jīng)典的CNN網(wǎng)絡(luò)在卷積層后通常使用全連接層得到固定長(zhǎng)度的特征向量進(jìn)行分類,也就是我們經(jīng)常用的全連接層后面緊跟著SoftMax進(jìn)行輸出,而FCNN網(wǎng)絡(luò)可以接受任意尺寸的輸入圖像,采用反卷積層對(duì)最后一個(gè)卷積層的feature map進(jìn)行上采樣,使它恢復(fù)到與輸入圖像相同的尺寸,從而對(duì)每個(gè)像素都產(chǎn)生一個(gè)預(yù)測(cè),同時(shí)保留了原始輸入圖像的空間信息,并在上采樣的特征圖上進(jìn)行逐像素分類。最后逐個(gè)像素計(jì)算softmax分類的損失,相當(dāng)于每一個(gè)像素對(duì)應(yīng)一個(gè)訓(xùn)練樣本。

    通過(guò)上面的描述,我們可以清晰地看到FCNN網(wǎng)絡(luò)主要應(yīng)用于圖像分類,而本文的主要任務(wù)是進(jìn)行圖像分類,那么如何利用FCNN網(wǎng)絡(luò)來(lái)提高分類性能,成為本文的主要工作點(diǎn)。本文采用FCNN網(wǎng)絡(luò)是在圖像預(yù)處理階段,對(duì)圖像先進(jìn)行語(yǔ)義分割,保留人物部分。之所以保留人物部分是因?yàn)槲覀儾杉膱D像,除了人物外還有很多車內(nèi)的其他物體,但我們主要是檢測(cè)司機(jī)的違規(guī)行為,因此只關(guān)注人物信息。在進(jìn)行分類之前首先對(duì)圖片進(jìn)行語(yǔ)義分割,可以有助于過(guò)濾掉其他無(wú)關(guān)特征,保留更加有效的特征。

    2.3 三級(jí)級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)

    在2.1節(jié)給出的神經(jīng)網(wǎng)絡(luò)是最基本的神經(jīng)網(wǎng)絡(luò),在大部分的識(shí)別任務(wù)中可以得到不錯(cuò)的效果,但是對(duì)于司機(jī)違規(guī)行為識(shí)別領(lǐng)域,則表現(xiàn)一般。其原因在于司機(jī)在開車過(guò)程中主要的違規(guī)行為表現(xiàn)在頭部與手臂部位,比如抽煙和玩手機(jī)這兩種行為。因此針對(duì)司機(jī)的違規(guī)行為識(shí)別,我們先利用2.2節(jié)提出的FCNN網(wǎng)絡(luò)對(duì)原始圖像進(jìn)行語(yǔ)義分割,再利用本文提出了三級(jí)級(jí)聯(lián)的深度卷積神經(jīng)網(wǎng)絡(luò)對(duì)其進(jìn)行識(shí)別,每一級(jí)都使用Tensorflow框架來(lái)實(shí)現(xiàn),整體架構(gòu)圖如圖2所示,框架包含三級(jí)。

    第一級(jí)是一個(gè)比較簡(jiǎn)單的二分類卷積神經(jīng)網(wǎng)絡(luò),它只包含一個(gè)卷積層和一個(gè)Softmax分類器,其中卷積層采用5×5大小的卷積核,池化層采用最大Pooling,最后通過(guò)Softmax輸出分類結(jié)果。第一級(jí)卷積神經(jīng)網(wǎng)絡(luò)主要是用于快速剔除大量明顯的正常司機(jī)行為,減少樣本量,因此在本級(jí)神經(jīng)網(wǎng)絡(luò)中學(xué)習(xí)率采用0.5,以使其快速收斂。通過(guò)實(shí)驗(yàn)證明,第一級(jí)神經(jīng)網(wǎng)絡(luò)能剔除大量正常的司機(jī)行為,從而保留大量的司機(jī)駕駛異常行為,為接下來(lái)的第二級(jí)神經(jīng)網(wǎng)絡(luò)做準(zhǔn)備。

    第二級(jí)神經(jīng)網(wǎng)絡(luò)是整個(gè)框架的中間層網(wǎng)絡(luò),它只包含三個(gè)卷積層和一個(gè)Softmax分類器,其中三個(gè)卷積層采用5×5大小的卷積核,第一個(gè)卷積層后采用最大Pooling,剩余的兩個(gè)卷積層后采用平均Polling。最后通過(guò)Softmax輸出分類結(jié)果。它的作用與第一層類似,主要是進(jìn)一步剔除司機(jī)的正常行為,由于第一級(jí)已經(jīng)剔除了一定規(guī)模的司機(jī)正常駕駛樣本,因此本級(jí)采用學(xué)習(xí)率為0.2,以使其能更好地剔除司機(jī)正常駕駛行為。如圖2所示,第二級(jí)神經(jīng)網(wǎng)絡(luò)有三個(gè)卷積層及一個(gè)Softmax分類器組成,從圖中可以明顯看出,它比第一級(jí)網(wǎng)絡(luò)要復(fù)雜一些,因此具有更高的區(qū)分力。

    第三級(jí)神經(jīng)網(wǎng)絡(luò)將采用更加復(fù)雜的結(jié)構(gòu),經(jīng)過(guò)實(shí)驗(yàn)檢測(cè),速度比較理想。這主要是因?yàn)榻?jīng)過(guò)第一級(jí)和第二級(jí)神經(jīng)網(wǎng)絡(luò)已經(jīng)剔除了大量的司機(jī)正常駕駛行為樣本,因此第三級(jí)神經(jīng)網(wǎng)絡(luò)在給出最終的識(shí)別結(jié)果時(shí)速度較快。同時(shí)由于第三級(jí)神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)更為復(fù)雜,層數(shù)也最多,因此在性能上也可以更好地識(shí)別出司機(jī)的異常駕駛行為,相比第二級(jí)神經(jīng)網(wǎng)絡(luò),第三級(jí)神經(jīng)網(wǎng)絡(luò)包括四層卷積層與一個(gè)Softmax層。其中四個(gè)卷積層采用5×5大小的卷積核,第一個(gè)卷積層后采用最大Pooling,剩余的三個(gè)卷積層后采用平均Polling。最后通過(guò)Softmax輸出分類結(jié)果,由于本級(jí)是最后一級(jí),是輸出最后結(jié)果的一級(jí),因此,本級(jí)學(xué)習(xí)率采用0.02,以使其達(dá)到更好的效果。

    上述的三級(jí)級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)的優(yōu)點(diǎn)是,前兩級(jí)網(wǎng)絡(luò)比較簡(jiǎn)單,可以快速去掉大量司機(jī)正常駕駛樣本,雖然第三級(jí)網(wǎng)絡(luò)復(fù)雜,但是由于前兩級(jí)已經(jīng)去掉大量的樣本,因此第三級(jí)網(wǎng)絡(luò)雖然復(fù)雜但整體速度還是比較快,相對(duì)于從始至終都采用第三級(jí)網(wǎng)絡(luò)速度要快很多。

    除了采用三級(jí)級(jí)聯(lián)的卷積神經(jīng)網(wǎng)絡(luò)外,在激活函數(shù)方面,本文直接采用了文獻(xiàn)[24]中改進(jìn)的激活函數(shù)。該文提出的激活函數(shù)述結(jié)合ReLUs函數(shù)的稀疏性以及Softplus函數(shù)的光滑性,激活函數(shù)的公式如下:

    (1)

    3 實(shí)驗(yàn)結(jié)果與分析

    3.1 實(shí)驗(yàn)數(shù)據(jù)

    為能夠確保數(shù)據(jù)的真實(shí)性,本文的實(shí)驗(yàn)數(shù)據(jù)通過(guò)真人模擬來(lái)采集,首先通過(guò)人工模擬吸煙與玩手機(jī)動(dòng)作后,通過(guò)車上安裝的攝像頭來(lái)采集本實(shí)驗(yàn)所需要的圖片素材,取幀軟件為Windows自帶的ffmpeg,采集到的圖片詳細(xì)數(shù)據(jù)如表1所示。為了防止模型容易訓(xùn)練過(guò)擬合,額外采集了5 000張正常司機(jī)行為的圖片,把這些司機(jī)正常的數(shù)據(jù)集與之前人工模擬采集的違規(guī)行為數(shù)據(jù)集混合在一起,然后把數(shù)據(jù)集分為訓(xùn)練集、測(cè)試集和驗(yàn)證集。實(shí)驗(yàn)獲取了吸煙、玩手機(jī)、正常3個(gè)類別的圖片,圖像為32(寬)×32(高)×3(RGB彩色通道),訓(xùn)練集15 000張,驗(yàn)證集圖片6 000張,測(cè)試集圖片9 000張。訓(xùn)練集、驗(yàn)證集和測(cè)試集中的司機(jī)行為類別個(gè)數(shù)始終保持相等,當(dāng)這兩個(gè)類別的概率都低于給定概率閥值時(shí),則為第三種既沒(méi)有吸煙也沒(méi)玩手機(jī)類別。為了保證實(shí)驗(yàn)的有效性,本文在數(shù)據(jù)集產(chǎn)生過(guò)程中使用了隨機(jī)采樣,即訓(xùn)練集是分別從正常數(shù)據(jù)(正常的司機(jī)行為)和異常數(shù)據(jù)(司機(jī)抽煙和玩手機(jī))中隨機(jī)抽取相應(yīng)數(shù)量的數(shù)據(jù)組成訓(xùn)練集,以同樣的方式形成測(cè)試集及驗(yàn)證集。

    表1 人工摸擬采集的數(shù)據(jù)集詳情

    下面給出實(shí)驗(yàn)中具體采集的圖片樣例:其中圖3是司機(jī)駕駛過(guò)程中玩手機(jī)的樣例圖,在我們的算法中主要檢測(cè)手機(jī)部分及相應(yīng)的位置,來(lái)判斷是否是在駕駛過(guò)程中使用手機(jī)。圖4是司機(jī)駕駛過(guò)程中抽煙樣例圖,算法檢測(cè)中主要檢測(cè)香煙及手部部分來(lái)判斷是否在駕駛過(guò)程中有抽煙行為。

    圖3 司機(jī)駕駛過(guò)程中使用手機(jī)樣例圖

    圖4 司機(jī)抽煙樣例圖

    3.2 實(shí)驗(yàn)結(jié)果與分析

    為了證明本文設(shè)計(jì)多級(jí)級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)在司機(jī)違規(guī)行為識(shí)別的有效性,進(jìn)行了以下六組實(shí)驗(yàn):

    (1) 只采用三級(jí)級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)模型與LeNet-5算法的對(duì)比;

    (2) 只采用三級(jí)級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)模型與AlexNet算法的對(duì)比;

    (3) 本文設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)融合模型與LeNet-5的對(duì)比;

    (4) 本文設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)融合模型與與AlexNet的對(duì)比;

    (5) 本文設(shè)計(jì)的神經(jīng)網(wǎng)絡(luò)融合模型與只采用三級(jí)級(jí)聯(lián)的神經(jīng)網(wǎng)絡(luò)算法對(duì)比;

    (6) 本身設(shè)計(jì)的算法在不同激活函數(shù)下的對(duì)比。

    下面將對(duì)實(shí)驗(yàn)進(jìn)行詳細(xì)分析:

    從圖5可以看出,只采用三級(jí)級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),隨著迭代次數(shù)的增加,當(dāng)?shù)? 000次左右能達(dá)到最大準(zhǔn)確率,而基于LeNet-5算法的結(jié)構(gòu)需要迭代4 000次左右準(zhǔn)確率才能達(dá)到最高,達(dá)到最大準(zhǔn)確率所需的迭代次數(shù)前者要小于后者。

    圖5 LeNet-5算法和三級(jí)級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)隨迭代次數(shù)變化

    圖6為只采用三級(jí)級(jí)聯(lián)卷積神經(jīng)網(wǎng)絡(luò)算法在性能上與LeNet-5和AlexNet模型結(jié)構(gòu)算法的對(duì)比。從圖中可以看出,三級(jí)級(jí)聯(lián)的卷積神經(jīng)網(wǎng)絡(luò)在準(zhǔn)確率方面要好于LeNet-5與AlexNet,原因在于三級(jí)級(jí)聯(lián)的卷積神經(jīng)網(wǎng)絡(luò)中,前兩級(jí)神經(jīng)網(wǎng)絡(luò)已經(jīng)過(guò)濾掉大量的司機(jī)正常駕駛行為數(shù)據(jù),因此到第三級(jí)神經(jīng)網(wǎng)絡(luò)識(shí)別時(shí)就能很輕易地識(shí)別出異常司機(jī)駕駛行為,從而準(zhǔn)確率要優(yōu)于LetNet-5與AlexNet。

    圖6 各算法準(zhǔn)確率比較

    圖7為本文提出的神經(jīng)網(wǎng)絡(luò)融合模型與三級(jí)級(jí)聯(lián)的卷積神經(jīng)網(wǎng)絡(luò)對(duì)比,隨著迭代次數(shù)的增加,當(dāng)?shù)? 500次左右的時(shí)候本文提出的神經(jīng)網(wǎng)絡(luò)融合模型能達(dá)到最大準(zhǔn)確率,而三級(jí)級(jí)聯(lián)的神經(jīng)網(wǎng)絡(luò)要在3 000次左右。之所以神經(jīng)網(wǎng)絡(luò)融合的方法能更快收斂,是因?yàn)榻?jīng)過(guò)FCNN語(yǔ)義分割后,圖像變得更加簡(jiǎn)單,在隨后的分類中更加容易識(shí)別出任務(wù)特征。

    圖7 本文方法和三級(jí)級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò)隨迭代次數(shù)變化

    從圖8中可以看出本文提出的神經(jīng)網(wǎng)絡(luò)融合的方法相對(duì)于其他方法,在準(zhǔn)確率方便表現(xiàn)出明顯的優(yōu)勢(shì),證明了本文提出的神經(jīng)網(wǎng)絡(luò)融合的模型在司機(jī)違規(guī)行為識(shí)別方面是一個(gè)行之有效的模型。

    圖8 本文提出的模型與其他模型比較

    4 結(jié) 語(yǔ)

    本文通過(guò)使用神經(jīng)網(wǎng)絡(luò)融合的架構(gòu),結(jié)合FCNN網(wǎng)絡(luò)與三級(jí)級(jí)聯(lián)神經(jīng)網(wǎng)絡(luò),在每級(jí)卷積神經(jīng)網(wǎng)絡(luò)中采用更好的激活函數(shù),使用改進(jìn)后的卷積神經(jīng)網(wǎng)絡(luò)對(duì)司機(jī)駕駛行為如抽煙、玩手機(jī)進(jìn)行識(shí)別。通過(guò)對(duì)比實(shí)驗(yàn)可以看出,本文提出的方法相對(duì)于經(jīng)典的LetNet-5與AlexNet表現(xiàn)出了良好的性能。實(shí)驗(yàn)結(jié)果表明本文提出的方法較之對(duì)比實(shí)驗(yàn)中的方法更能有效地進(jìn)行司機(jī)違規(guī)行為識(shí)別。后續(xù)除了研究提高數(shù)據(jù)集的準(zhǔn)確率外,還需要優(yōu)化訓(xùn)練速度,比如充分利用多個(gè)GPU并行化訓(xùn)練模型或者使用分布式系統(tǒng)來(lái)部署TensorFlow以加快訓(xùn)練速度等。

    猜你喜歡
    圖像識(shí)別級(jí)聯(lián)司機(jī)
    畫與理
    老司機(jī)
    雜文月刊(2019年19期)2019-12-04 07:48:34
    基于Resnet-50的貓狗圖像識(shí)別
    電子制作(2019年16期)2019-09-27 09:34:50
    高速公路圖像識(shí)別技術(shù)應(yīng)用探討
    老司機(jī)
    圖像識(shí)別在物聯(lián)網(wǎng)上的應(yīng)用
    電子制作(2018年19期)2018-11-14 02:37:04
    圖像識(shí)別在水質(zhì)檢測(cè)中的應(yīng)用
    電子制作(2018年14期)2018-08-21 01:38:16
    級(jí)聯(lián)LDPC碼的STBC-OFDM系統(tǒng)
    電子制作(2016年15期)2017-01-15 13:39:09
    基于級(jí)聯(lián)MUSIC的面陣中的二維DOA估計(jì)算法
    不見司機(jī)
    少妇猛男粗大的猛烈进出视频 | 亚洲四区av| 国产成人a∨麻豆精品| 中国国产av一级| 乱人视频在线观看| 久久久精品94久久精品| 岛国在线免费视频观看| 欧美色视频一区免费| 又爽又黄无遮挡网站| 欧美一级a爱片免费观看看| 免费av观看视频| 亚洲成色77777| 国内精品一区二区在线观看| 国产爱豆传媒在线观看| 精品久久久久久电影网 | 国产亚洲av片在线观看秒播厂 | 亚洲天堂国产精品一区在线| 国产在线男女| 夜夜看夜夜爽夜夜摸| 91av网一区二区| 97在线视频观看| 国产成人a∨麻豆精品| 秋霞在线观看毛片| 国产精品蜜桃在线观看| 免费一级毛片在线播放高清视频| 久久久久久久久久久免费av| 人人妻人人澡欧美一区二区| 国产成人免费观看mmmm| av在线播放精品| 久99久视频精品免费| 直男gayav资源| 国产成人午夜福利电影在线观看| 最近中文字幕2019免费版| 2022亚洲国产成人精品| 伦精品一区二区三区| 亚洲国产精品成人综合色| 久久婷婷人人爽人人干人人爱| 九九久久精品国产亚洲av麻豆| 亚洲综合色惰| av播播在线观看一区| 日本黄色视频三级网站网址| 麻豆成人av视频| 色尼玛亚洲综合影院| 国产在视频线在精品| 搞女人的毛片| 国产三级中文精品| 七月丁香在线播放| 亚洲av熟女| 狂野欧美白嫩少妇大欣赏| 乱码一卡2卡4卡精品| 不卡视频在线观看欧美| 久久精品人妻少妇| 国产精品国产三级国产av玫瑰| 我要搜黄色片| 成人av在线播放网站| 99久久成人亚洲精品观看| 国产伦在线观看视频一区| 成人毛片60女人毛片免费| 亚洲怡红院男人天堂| 我要搜黄色片| 久久久久性生活片| 真实男女啪啪啪动态图| 看十八女毛片水多多多| 2021天堂中文幕一二区在线观| 少妇的逼好多水| 插阴视频在线观看视频| 午夜精品国产一区二区电影 | 少妇被粗大猛烈的视频| 嫩草影院精品99| 国产精品熟女久久久久浪| 日本三级黄在线观看| 国产伦一二天堂av在线观看| 免费无遮挡裸体视频| 精品人妻一区二区三区麻豆| 国产欧美另类精品又又久久亚洲欧美| 婷婷色综合大香蕉| 一级毛片电影观看 | 99久久人妻综合| 中文资源天堂在线| 日韩av不卡免费在线播放| 色吧在线观看| 一区二区三区四区激情视频| 麻豆精品久久久久久蜜桃| 亚洲人成网站高清观看| 亚洲av二区三区四区| 午夜日本视频在线| 久久人人爽人人爽人人片va| 日本一二三区视频观看| 免费黄网站久久成人精品| 国产精品99久久久久久久久| 国产av在哪里看| a级毛片免费高清观看在线播放| 我要看日韩黄色一级片| 国产亚洲精品久久久com| 日本三级黄在线观看| 亚洲国产精品合色在线| 汤姆久久久久久久影院中文字幕 | 国产精品伦人一区二区| 国产av一区在线观看免费| 天天一区二区日本电影三级| 久久99蜜桃精品久久| 国产高清国产精品国产三级 | 女的被弄到高潮叫床怎么办| 日韩欧美在线乱码| 欧美三级亚洲精品| av又黄又爽大尺度在线免费看 | 国产av码专区亚洲av| 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 | 18禁在线无遮挡免费观看视频| 晚上一个人看的免费电影| 免费无遮挡裸体视频| 高清日韩中文字幕在线| 好男人在线观看高清免费视频| 看片在线看免费视频| 久久久午夜欧美精品| 日本av手机在线免费观看| 亚洲av不卡在线观看| 国产白丝娇喘喷水9色精品| 免费看a级黄色片| 精华霜和精华液先用哪个| 精品少妇黑人巨大在线播放 | 床上黄色一级片| 成人漫画全彩无遮挡| 日韩欧美精品免费久久| 久99久视频精品免费| 亚洲在线自拍视频| 欧美不卡视频在线免费观看| 亚洲欧美精品自产自拍| 免费不卡的大黄色大毛片视频在线观看 | 日韩av不卡免费在线播放| 深爱激情五月婷婷| 女的被弄到高潮叫床怎么办| av天堂中文字幕网| 我的女老师完整版在线观看| 97热精品久久久久久| 级片在线观看| 国产极品精品免费视频能看的| 国产一区二区亚洲精品在线观看| 美女高潮的动态| 免费无遮挡裸体视频| 国产精品,欧美在线| 国产淫片久久久久久久久| 亚洲精华国产精华液的使用体验| 26uuu在线亚洲综合色| 春色校园在线视频观看| 看黄色毛片网站| 亚洲精品日韩av片在线观看| 亚洲欧美清纯卡通| 欧美变态另类bdsm刘玥| 哪个播放器可以免费观看大片| 久久韩国三级中文字幕| 最近最新中文字幕大全电影3| 午夜福利网站1000一区二区三区| 久久久精品欧美日韩精品| 啦啦啦啦在线视频资源| 精品酒店卫生间| 国产一区亚洲一区在线观看| 免费在线观看成人毛片| 伦理电影大哥的女人| 丰满人妻一区二区三区视频av| 国产精品一区www在线观看| 麻豆一二三区av精品| 亚洲自拍偷在线| 欧美成人一区二区免费高清观看| 成人一区二区视频在线观看| 中文欧美无线码| 欧美激情在线99| 国产又黄又爽又无遮挡在线| 日韩人妻高清精品专区| 免费大片18禁| 真实男女啪啪啪动态图| 蜜臀久久99精品久久宅男| 久久6这里有精品| 国产精品麻豆人妻色哟哟久久 | 天堂√8在线中文| 建设人人有责人人尽责人人享有的 | 少妇高潮的动态图| 亚洲精品色激情综合| 国产麻豆成人av免费视频| 天天一区二区日本电影三级| 亚洲av福利一区| 亚洲一区高清亚洲精品| 国产高清不卡午夜福利| 久久精品综合一区二区三区| 久热久热在线精品观看| 国产免费福利视频在线观看| 国产黄色小视频在线观看| 国产大屁股一区二区在线视频| 国产免费福利视频在线观看| 国产精品久久久久久精品电影| 最近最新中文字幕免费大全7| 老司机影院毛片| 午夜福利在线在线| 天堂√8在线中文| 日韩欧美精品免费久久| 日本三级黄在线观看| 九草在线视频观看| 只有这里有精品99| 18禁在线播放成人免费| 乱系列少妇在线播放| av在线老鸭窝| 最近中文字幕2019免费版| 搡女人真爽免费视频火全软件| 91在线精品国自产拍蜜月| 人妻系列 视频| 国产伦精品一区二区三区四那| 国内精品美女久久久久久| 丰满人妻一区二区三区视频av| 男女视频在线观看网站免费| 麻豆一二三区av精品| 精品国产三级普通话版| 热99re8久久精品国产| 久久久久久久久久久免费av| 综合色av麻豆| 国产又黄又爽又无遮挡在线| 日韩欧美精品v在线| 美女cb高潮喷水在线观看| 日日摸夜夜添夜夜添av毛片| 亚洲av.av天堂| 日韩一区二区三区影片| 岛国毛片在线播放| 丰满人妻一区二区三区视频av| 桃色一区二区三区在线观看| 日本-黄色视频高清免费观看| 听说在线观看完整版免费高清| 精品久久久久久成人av| 久久久亚洲精品成人影院| 狠狠狠狠99中文字幕| 十八禁国产超污无遮挡网站| 美女大奶头视频| 免费观看的影片在线观看| 日韩成人伦理影院| 精品一区二区免费观看| 亚洲欧美一区二区三区国产| 少妇熟女aⅴ在线视频| 国产成人精品婷婷| 精品久久久久久成人av| 亚洲真实伦在线观看| 日本一二三区视频观看| 亚洲国产精品合色在线| 久久久久久久午夜电影| 99久久成人亚洲精品观看| 亚洲精品,欧美精品| 美女cb高潮喷水在线观看| 国产免费男女视频| 亚洲欧洲日产国产| 尤物成人国产欧美一区二区三区| 国产精品无大码| 好男人在线观看高清免费视频| 精品酒店卫生间| 九九热线精品视视频播放| 国产亚洲av片在线观看秒播厂 | 欧美精品一区二区大全| 97热精品久久久久久| 国产伦一二天堂av在线观看| 国产亚洲91精品色在线| 免费黄网站久久成人精品| 汤姆久久久久久久影院中文字幕 | 中文字幕精品亚洲无线码一区| 人体艺术视频欧美日本| 嫩草影院新地址| 日韩一区二区视频免费看| 久久久久国产网址| 亚洲av.av天堂| 久热久热在线精品观看| 久久欧美精品欧美久久欧美| 日本一二三区视频观看| 看十八女毛片水多多多| 午夜亚洲福利在线播放| 欧美变态另类bdsm刘玥| 亚洲国产欧洲综合997久久,| 欧美高清性xxxxhd video| 午夜福利在线在线| 1024手机看黄色片| 九九在线视频观看精品| 欧美激情在线99| 久久亚洲国产成人精品v| 长腿黑丝高跟| 在线播放国产精品三级| 日本色播在线视频| 在现免费观看毛片| 一级毛片aaaaaa免费看小| 白带黄色成豆腐渣| 又黄又爽又刺激的免费视频.| 日本-黄色视频高清免费观看| 床上黄色一级片| 欧美丝袜亚洲另类| 亚洲无线观看免费| www日本黄色视频网| 一个人观看的视频www高清免费观看| 99久久人妻综合| 大话2 男鬼变身卡| 乱人视频在线观看| 国产精品蜜桃在线观看| 小说图片视频综合网站| 一边亲一边摸免费视频| 秋霞在线观看毛片| 九草在线视频观看| 99久久中文字幕三级久久日本| 午夜福利视频1000在线观看| 亚洲三级黄色毛片| 久久精品久久久久久噜噜老黄 | 波野结衣二区三区在线| 国产欧美另类精品又又久久亚洲欧美| 别揉我奶头 嗯啊视频| 国产精品一区二区性色av| 久久久久久大精品| 99热这里只有是精品50| 国产精品久久久久久精品电影| 午夜福利成人在线免费观看| 日本色播在线视频| 亚洲一区高清亚洲精品| 日韩人妻高清精品专区| av视频在线观看入口| 真实男女啪啪啪动态图| 国内精品宾馆在线| 欧美极品一区二区三区四区| 国产精品一区二区在线观看99 | 日本-黄色视频高清免费观看| 少妇的逼好多水| 免费看日本二区| 国产午夜福利久久久久久| 深爱激情五月婷婷| 老师上课跳d突然被开到最大视频| av.在线天堂| 国产精品日韩av在线免费观看| 午夜福利视频1000在线观看| 男女那种视频在线观看| 成人鲁丝片一二三区免费| 日韩国内少妇激情av| 99热网站在线观看| 在线免费十八禁| 日韩视频在线欧美| 五月玫瑰六月丁香| 真实男女啪啪啪动态图| 美女黄网站色视频| 国产 一区 欧美 日韩| 亚洲av成人精品一二三区| 亚洲国产成人一精品久久久| 亚洲成人中文字幕在线播放| 国产乱来视频区| 全区人妻精品视频| 国产精品久久久久久精品电影| 亚洲精品aⅴ在线观看| 变态另类丝袜制服| videossex国产| 国产日韩欧美在线精品| 中文欧美无线码| 大香蕉97超碰在线| 久久人妻av系列| 日韩欧美 国产精品| 有码 亚洲区| 狂野欧美白嫩少妇大欣赏| 久久久久免费精品人妻一区二区| 婷婷色综合大香蕉| 国产精品熟女久久久久浪| 小蜜桃在线观看免费完整版高清| 在线观看一区二区三区| 国产精品嫩草影院av在线观看| 久久久久免费精品人妻一区二区| 精品一区二区免费观看| 国产精华一区二区三区| 一级爰片在线观看| 2022亚洲国产成人精品| 少妇猛男粗大的猛烈进出视频 | 亚洲av.av天堂| 国产在线一区二区三区精 | 成人鲁丝片一二三区免费| 日韩av在线免费看完整版不卡| 97热精品久久久久久| 中国美白少妇内射xxxbb| 久久久久久久久大av| 亚洲最大成人手机在线| 午夜视频国产福利| 日韩中字成人| 免费观看的影片在线观看| 色5月婷婷丁香| 日韩三级伦理在线观看| 欧美3d第一页| 寂寞人妻少妇视频99o| 欧美性感艳星| 最近最新中文字幕大全电影3| 久久99蜜桃精品久久| videossex国产| 亚洲成av人片在线播放无| 精品一区二区免费观看| 久久久久性生活片| 国产熟女欧美一区二区| 欧美性感艳星| 中文字幕久久专区| 精品一区二区免费观看| 99热全是精品| 国产午夜精品论理片| 欧美一级a爱片免费观看看| 亚洲精品,欧美精品| 99久久无色码亚洲精品果冻| 国产精品电影一区二区三区| 亚洲美女视频黄频| 最近2019中文字幕mv第一页| 夫妻性生交免费视频一级片| 成人漫画全彩无遮挡| 老女人水多毛片| 国产午夜精品久久久久久一区二区三区| 大香蕉97超碰在线| 99久久九九国产精品国产免费| 色综合站精品国产| 直男gayav资源| 久久99蜜桃精品久久| 日本欧美国产在线视频| 看免费成人av毛片| 国产精品三级大全| 99热这里只有是精品50| 亚洲国产欧美人成| 伦精品一区二区三区| 久久精品久久精品一区二区三区| av天堂中文字幕网| 精品欧美国产一区二区三| 国内少妇人妻偷人精品xxx网站| 51国产日韩欧美| 日产精品乱码卡一卡2卡三| 久久99热6这里只有精品| 免费观看a级毛片全部| 亚洲美女搞黄在线观看| 国产成年人精品一区二区| 99热精品在线国产| 成人漫画全彩无遮挡| 亚洲欧美日韩东京热| 91久久精品国产一区二区成人| 一个人看的www免费观看视频| 18禁裸乳无遮挡免费网站照片| 国产成人精品久久久久久| 一区二区三区免费毛片| 亚洲欧美日韩东京热| 亚洲国产精品专区欧美| 国产精品久久久久久精品电影| 中文字幕精品亚洲无线码一区| 美女脱内裤让男人舔精品视频| 日韩欧美三级三区| 极品教师在线视频| 在线观看av片永久免费下载| 99国产精品一区二区蜜桃av| 国产探花在线观看一区二区| 亚洲国产精品专区欧美| 久热久热在线精品观看| 国产精品av视频在线免费观看| 建设人人有责人人尽责人人享有的 | 在线免费十八禁| 午夜福利高清视频| 日本黄色片子视频| 成人国产麻豆网| 国产亚洲av片在线观看秒播厂 | 精品免费久久久久久久清纯| 精品国产一区二区三区久久久樱花 | 亚洲精品乱码久久久v下载方式| 美女国产视频在线观看| 国产欧美日韩精品一区二区| 国产黄色小视频在线观看| 亚洲经典国产精华液单| 毛片女人毛片| 国产精品国产三级专区第一集| 免费看日本二区| 免费av毛片视频| 免费人成在线观看视频色| 美女xxoo啪啪120秒动态图| 大香蕉久久网| 日韩亚洲欧美综合| 国产精品国产三级专区第一集| 国产精品蜜桃在线观看| 免费不卡的大黄色大毛片视频在线观看 | 国产在线男女| 国产高清有码在线观看视频| 99视频精品全部免费 在线| 精品人妻熟女av久视频| av国产免费在线观看| 老司机福利观看| 国产精品无大码| 又爽又黄无遮挡网站| 伊人久久精品亚洲午夜| 只有这里有精品99| 简卡轻食公司| 国产午夜福利久久久久久| av视频在线观看入口| 人人妻人人看人人澡| 校园人妻丝袜中文字幕| 精品国产一区二区三区久久久樱花 | 18禁裸乳无遮挡免费网站照片| 麻豆久久精品国产亚洲av| 麻豆精品久久久久久蜜桃| 亚洲av成人精品一二三区| 中文字幕久久专区| 日韩成人av中文字幕在线观看| 免费av不卡在线播放| av女优亚洲男人天堂| 国产三级在线视频| 午夜久久久久精精品| 久久久精品94久久精品| 久久久久久久久久久免费av| 成人性生交大片免费视频hd| 黄片wwwwww| 国产免费又黄又爽又色| 日本av手机在线免费观看| 国产精品久久久久久久电影| 狂野欧美白嫩少妇大欣赏| 国产不卡一卡二| 午夜精品一区二区三区免费看| 国产精品女同一区二区软件| 中文亚洲av片在线观看爽| 少妇熟女欧美另类| 婷婷六月久久综合丁香| 波多野结衣巨乳人妻| 色播亚洲综合网| 91久久精品电影网| 欧美另类亚洲清纯唯美| 国产av不卡久久| 久久精品国产亚洲av涩爱| 性色avwww在线观看| 日日啪夜夜撸| 99久久人妻综合| 色综合站精品国产| 黄色日韩在线| 精品人妻熟女av久视频| 国内揄拍国产精品人妻在线| 国产激情偷乱视频一区二区| 国产精品久久久久久av不卡| 22中文网久久字幕| 国内精品宾馆在线| 亚洲欧美日韩无卡精品| 亚洲在线观看片| 综合色丁香网| 三级国产精品欧美在线观看| 如何舔出高潮| 国产成人精品婷婷| www.av在线官网国产| 亚洲国产色片| 男女下面进入的视频免费午夜| 国产精品电影一区二区三区| 91久久精品国产一区二区成人| 国产精品综合久久久久久久免费| 99热这里只有精品一区| 日本猛色少妇xxxxx猛交久久| 九草在线视频观看| 国产成人aa在线观看| 久久这里只有精品中国| 久久久久久久久中文| videossex国产| 国产精品国产三级专区第一集| 日韩欧美国产在线观看| 偷拍熟女少妇极品色| av.在线天堂| 男人狂女人下面高潮的视频| 在线免费观看的www视频| 波多野结衣巨乳人妻| videossex国产| 只有这里有精品99| 国产成人a区在线观看| 最近中文字幕高清免费大全6| 国产极品精品免费视频能看的| 国产精品伦人一区二区| 高清av免费在线| 精品酒店卫生间| 亚洲成人久久爱视频| 婷婷六月久久综合丁香| 亚洲国产日韩欧美精品在线观看| 日韩高清综合在线| 亚洲成人精品中文字幕电影| 成人综合一区亚洲| 岛国在线免费视频观看| 久久精品人妻少妇| 欧美另类亚洲清纯唯美| 欧美一区二区国产精品久久精品| 欧美日韩综合久久久久久| 成人性生交大片免费视频hd| 日本wwww免费看| 国产成人午夜福利电影在线观看| 18禁裸乳无遮挡免费网站照片| 黄片无遮挡物在线观看| 大又大粗又爽又黄少妇毛片口| av视频在线观看入口| 日韩av不卡免费在线播放| 精品人妻一区二区三区麻豆| 亚洲av一区综合| 亚洲欧美日韩东京热| 欧美xxxx黑人xx丫x性爽| 国产色婷婷99| 日韩欧美 国产精品| 久久99热6这里只有精品| 精品久久久久久电影网 | 中文字幕av成人在线电影| 亚洲国产精品成人久久小说| 神马国产精品三级电影在线观看| 国产精品一二三区在线看| 婷婷色综合大香蕉| 国产av一区在线观看免费| 97超视频在线观看视频| 亚洲在线观看片| 男女国产视频网站| av在线亚洲专区| av在线播放精品| 青春草国产在线视频| 欧美一区二区精品小视频在线| 国产精品永久免费网站| 综合色丁香网| 国内少妇人妻偷人精品xxx网站| 精品久久久久久成人av| 国产男人的电影天堂91| 在线播放无遮挡| 日本免费a在线| 黄色一级大片看看| 性色avwww在线观看| 中文天堂在线官网| 国产精品国产三级国产专区5o | 国产乱来视频区| 3wmmmm亚洲av在线观看| 久久人妻av系列| 亚洲精品国产成人久久av|