• <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 ?

    基于極端學習機的人臉特征深度稀疏自編碼方法

    2018-12-14 05:26:24張歡歡袁玉波
    計算機應用 2018年11期
    關(guān)鍵詞:維數(shù)人臉準確率

    張歡歡,洪 敏,袁玉波

    (華東理工大學 信息科學與工程學院, 上海 200237)(*通信作者電子郵箱ybyuan@ecust.edu.cn)

    0 引言

    近年來,隨著電子移動設(shè)備的普及,生物特征識別技術(shù)已經(jīng)被廣泛應用于工業(yè)各個領(lǐng)域,其中人臉識別技術(shù)[1-2]以其易于接受和采集方便的特點成為身份識別的重要組成部分,在視頻監(jiān)控系統(tǒng)、銀行支付驗證、智能門禁系統(tǒng)等實際應用中有著顯著的優(yōu)勢,成為了目前身份識別的主流技術(shù)之一; 然而,人臉圖像樣本數(shù)據(jù)維度比較高并且混雜大量噪聲的特點極大地制約了人臉識別的準確率,因此從人臉圖像中提取有效人臉特征成為了人臉識別的重要問題。

    基于自編碼器(Auto-Encoder, AE)的深度神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)可以對人臉特征進行高層次的抽象表示,利用重構(gòu)的思想,逐步提取樣本的低維或高維特征,具有極強的特征表達能力,在人臉圖像混雜噪聲或受誤差干擾的情況下可以提取到重要的人臉特征。由于傳統(tǒng)的自編碼器模型[3-4]大部分采用反向傳播(Back Propagation, BP)算法,模型的收斂速度緩慢,需要大量的參數(shù)進行微調(diào),且易陷入局部最優(yōu)。而極端學習機(Extreme Learning Machine, ELM)算法不需要使用傳統(tǒng)的BP算法對網(wǎng)絡(luò)進行微調(diào),只需人工設(shè)置隱含層節(jié)點數(shù)即可實現(xiàn)網(wǎng)絡(luò)功能,減少了訓練網(wǎng)絡(luò)的成本。許多專家學者提出了很多關(guān)于ELM的變型算法[5],但其單隱層結(jié)構(gòu)具有局限性,導致其無法學習到有效的特征。2013年,Huang等[6]第一次將極端學習機與自動編碼器結(jié)合,提出基于極端學習機自編碼器(Extreme Learning Machine Auto-Encoder, ELM-AE)的多層極端學習機(Multi-layer Extreme Learning Machine based Auto-encoder, MLELM)算法,它是一種無監(jiān)督學習算法,將隨機生成的隱含層輸入權(quán)值和偏置參數(shù)正交化,并將原始數(shù)據(jù)空間映射到不同維度的特征空間,從而實現(xiàn)不同維度的特征表達。此外,還有許多基于ELM-AE的多層模型[7-9]研究,通過增加隱含層數(shù)量構(gòu)成深度學習模型,提取樣本更本質(zhì)的特征。

    隨著稀疏表示[10]和壓縮感知理論[11]的發(fā)展,稀疏表示被用于人臉識別領(lǐng)域并取得了較好的識別效果,眾多研究者提出了許多基于人臉特征的稀疏表示方法[12-14],從特征層面入手,將人臉識別看作是人臉圖像的稀疏特征表示問題。2015年,Hu等[15]提出了一種基于截斷式核范數(shù)正則化(Truncated Nuclear Norm Regularization, TNNR)[16]的可擴展的大規(guī)模多分類算法,雖然TNNR的提出主要用于圖像修復以及低秩矩陣補全,但是矩陣補全問題的核心在于獲取矩陣的未知低秩結(jié)構(gòu),即求解秩最小化的優(yōu)化問題,從而得到輸入圖像的稀疏表示。此外,為了高效求解此類凸優(yōu)化子問題,Zhang等[16]還提出基于加速的最近鄰梯度線性搜索算法(Accelerated Proximal Gradient Line Search, APGL)的截斷式核范數(shù)優(yōu)化算法(TNNR-APGL)。只要輸入的數(shù)據(jù)矩陣的確存在低秩結(jié)構(gòu),通過求解最小化截斷式核范數(shù)問題一定可以得到最優(yōu)的低秩解,輸入矩陣的低秩結(jié)構(gòu)就可以被更好地估計。

    對于人臉特征較少的圖像,MLELM算法相當有效,但該算法誤差模型的計算方式存在缺陷,沒有考慮數(shù)據(jù)內(nèi)在的結(jié)構(gòu),當人臉特征較多時會出現(xiàn)識別率降低的問題。為了解決高維人臉圖像的識別率降低的問題,提高模型對于噪聲數(shù)據(jù)的抗干擾能力,本文提出了一種新的方法來解決該問題。該方法的基礎(chǔ)是加入截斷式核范數(shù)正則化的誤差模型,通過最小化誤差模型得到人臉圖像映射到新空間的低秩結(jié)構(gòu);然后利用極端學習機進行人臉特征的自編碼,獲取人臉特征的稀疏表示;最后得到人臉圖像的識別結(jié)果。從文中的給出的實驗結(jié)果可看出,本文方法非常有效。

    1 基于極端學習機的深度稀疏自編碼器

    本章首先介紹了基于極端學習機的稀疏自編碼器模型,將截斷式核范數(shù)正則化理論與ELM-AE相結(jié)合,提出了稀疏自編碼器(Sparse Auto-Encoder based on Extreme Learning Machine, ELM-SAE)的方法; 然后利用深度學習的思想,將多個稀疏自編碼器棧式疊加構(gòu)成深度稀疏自編碼器(Deep Sparse Auto-Encoder, DSAE)模型。

    1.1 稀疏自編碼器

    如圖1所示,ELM-SAE的網(wǎng)絡(luò)結(jié)構(gòu)是與ELM-AE相同的三層神經(jīng)網(wǎng)絡(luò)。它是一種無監(jiān)督學習算法,其輸出與輸入一致,具備極端學習機輸入?yún)?shù)隨機賦值、無需迭代優(yōu)化等優(yōu)點,在盡可能復現(xiàn)輸入人臉圖像的同時,對人臉特征執(zhí)行自動編碼,從而得到人臉稀疏特征作為模型輸出。

    圖1 ELM-SAE網(wǎng)絡(luò)結(jié)構(gòu)

    假設(shè)ELM-SAE具有j個輸入層節(jié)點、L個隱含層節(jié)點和j個輸出層節(jié)點,隱含層上的激活函數(shù)是g(x),根據(jù)輸入人臉特征的隱層輸出可以將ELM-SAE分為如下三種情況:若j>L,壓縮表示,將特征向量從高維空間映射到低維度特征空間;若j=L,等維表示,實現(xiàn)等維度特征映射;若j

    ELM-AE的損失函數(shù)如下

    (1)

    其中:X= [x1T,x2T,…,xNT]T∈RN×j,β為輸出權(quán)值向量,H= [h(x1)T,h(x2)T,…,h(xN)T]T∈RN×L,C為訓練誤差的懲罰因子。因此ELM-AE的輸出權(quán)值向量β可由式(2)計算得到:

    (2)

    ELM-AE使用的最小化核范數(shù)問題并不能保證輸出矩陣具有低秩結(jié)構(gòu),其弊端在于所有的奇異值被同時要求最小化,導致核范數(shù)奇異值懲罰不平衡的問題,原始矩陣的秩不能很好地被估計。由于矩陣的大奇異值決定矩陣的主要性質(zhì),因此在設(shè)計低秩懲罰項時,需要對矩陣大的奇異值懲罰力度減小,小的奇異值懲罰力度加大。ELM-SAE與ELM-AE最大的不同之處在于輸出權(quán)值的計算方式不同:ELM-AE通過最小化最小二乘估計的損失函數(shù)求得,ELM-SAE在此基礎(chǔ)上加入截斷式核范數(shù)正則化項對損失函數(shù)進行約束,只懲罰值較小的奇異值,避免對較大奇異值的懲罰,即當輸入矩陣的秩為r時,其最大的r個非零奇異值并不能影響矩陣的秩,影響較大的反而是較小的奇異值。

    根據(jù)文獻[15]分析,給定矩陣X∈RN×j,假設(shè)UΣV是X的奇異值分解,參數(shù)r≤min(m,n),Σ∈RN×j,U=(u1,u2,…,uN)∈RN×N,V=(v1,v2,…,vj)∈Rj×j,則截斷式核范數(shù)與傳統(tǒng)核范數(shù)之間存在的聯(lián)系為:

    (3)

    其中:Ur=(u1,u2,…,ur)T∈Rr×N,Vr=(v1,v2,…,vr)T∈Rr×j。即等價于以下優(yōu)化問題

    (4)

    λ(‖W‖*-Tr(UrWVrT))

    (5)

    其中第一項和第二項的含義與ELM-AE相同;然后利用編碼結(jié)果的核范數(shù)和秩截斷項構(gòu)成了懲罰函數(shù),其中λ為懲罰因子,W為輸入矩陣X的低秩矩陣,Ur和Vr為X的奇異值向量。

    顯然式(5)是無法直接求解的凸問題,因此需要設(shè)計有效的迭代機制對輸出權(quán)值向量進行求解。上述最優(yōu)化問題的最小化損失函數(shù)(5)形如:

    (6)

    其中:g(·)為封閉的、可能不可微的凸函數(shù),f(·)為可微的凸函數(shù),因此本文采用TNNR-APGL優(yōu)化算法對最小化損失函數(shù)進行求解。令:

    (7)

    根據(jù)文獻[11]中定義4.1,在第k次迭代中,給定矩陣Yk+1和參數(shù)tk+1>0。式(8)推導出Wk+1的值。Yk+1和tk+1以相同的方式更新,見式(11)~(12):

    λDλtk(Yk+tk(λUrTVr+μX-μYk))

    (8)

    (9)

    (10)

    通過對式(5)的求解,則可得到輸出權(quán)值β為:

    (11)

    其中βTβ=I,W為輸入矩陣X的低秩矩陣。綜上所述,ELM-SAE首先隨機生成輸入層與隱含層之間的輸入權(quán)值和隱含層上的偏置并正交化, 將輸入人臉圖像映射到不同維度的特征空間,然后計算隱含層的輸出矩陣,最后計算隱含層與輸出層之間的輸出權(quán)值實現(xiàn)人臉特征的重新表述。

    1.2 深度稀疏自編碼器

    本節(jié)主要介紹基于極端學習機的深度稀疏自編碼器(DSAE)模型,其網(wǎng)絡(luò)結(jié)構(gòu)如圖2所示。

    圖2 DSAE模型網(wǎng)絡(luò)結(jié)構(gòu)

    DSAE利用無監(jiān)督學習算法ELM-SAE對各層參數(shù)進行訓練,將ELM-SAE作為基本學習單元,執(zhí)行逐層無監(jiān)督學習。首先用ELM-SAE訓練第一層網(wǎng)絡(luò),得到第一層隱含層的輸出,再將其作為第二層輸入訓練第二層網(wǎng)絡(luò),以此類推,第k個隱層的輸出和第(k-1)個隱層上的輸出的數(shù)值關(guān)系由式(12)表示:

    Hk=g((βk)THk-1)

    (12)

    其中:Hk表示第k個隱含層的輸出,當k=1時,Hk-1表示輸入層的輸出,βi表示ELM-SAE對第(k-1)個隱層和第k個隱層訓練時的權(quán)值矩陣。DSAE上的輸出權(quán)值β通過式(11)求得。

    與其他深度模型相同的是,DSAE也使用無監(jiān)督學習算法對各層參數(shù)進行訓練,但不同之處是DSAE不需要對網(wǎng)絡(luò)參數(shù)反復迭代調(diào)整,對網(wǎng)絡(luò)模型的訓練速度快。

    2 算法設(shè)計

    本章首先介紹使用TNNR-APGL優(yōu)化算法對ELM-SAE模型的最小化損失函數(shù)進行迭代求解的過程,然后介紹了人臉特征DSAE分類算法的具體步驟。

    2.1 基于TNNR-APGL的迭代算法

    求解最小化截斷式核范數(shù)問題并不是一個凸優(yōu)化問題,本文采用TNNR-APGL算法對其迭代求解,首先固定其中一部分變量,得到剩余變量的封閉解;然后繼續(xù)固定剩余變量,通過求解凸優(yōu)化子問題更新之前固定的變量,交替執(zhí)行這兩個過程,就可以得到該凸優(yōu)化子問題的解。由于TNNR-APGL算法更適合處理帶噪聲的圖像,因此本文選用此優(yōu)化算法。

    算法1 基于TNNR-APGL的迭代算法

    輸入 人臉特征矩陣X,X的奇異值向量Ur和Vr,誤差參數(shù)ε,懲罰項系數(shù)λ和μ;

    輸出 輸入矩陣X的低秩矩陣W。

    1) TNNR_APGL(Ur,Vr,X,λ,μ,ε);

    2) Repeat

    3) 首先固定Yk和tk,式(8)更新Wk+1;

    4) 固定Wk+1和Yk,式(10)更新tk+1;

    5) 最后固定Wk+1和tk+1,式(9)更新Yk+1;

    6) Until ‖Wk+1-Wk‖F(xiàn)≤ε

    算法1是對式(5)中最小化損失函數(shù)進行迭代求解的過程,輸入為人臉特征數(shù)據(jù),輸出為人臉稀疏特征數(shù)據(jù),不斷循環(huán)執(zhí)行步驟3)~5),直到輸出誤差小于誤差參數(shù)則終止循環(huán)。由傳統(tǒng)APGL的收斂性質(zhì)得知,該迭代算法的收斂速度為O(1/n2),其中n是迭代的次數(shù)。

    2.2 人臉特征DSAE分類算法

    算法2是人臉特征DSAE分類算法的具體步驟,輸入為人臉圖像數(shù)據(jù)集,首先對原始人臉圖像進行預處理,將所有人臉圖像樣本處理為一個人臉數(shù)據(jù)矩陣,再使用主成分分析(Principle Component Analysis, PCA)對人臉數(shù)據(jù)矩陣進行壓縮降維處理,提取人臉數(shù)據(jù)中相對重要的特征即人臉特征數(shù)據(jù)作為DSAE模型的輸入;然后對DSAE神經(jīng)網(wǎng)絡(luò)結(jié)果進行初始化,選取合適的隱層節(jié)點數(shù)、模型深度以及初始化參數(shù),將人臉特征數(shù)據(jù)按照2 ∶1的比例劃分為訓練集和測試集。使用訓練集對模型進行訓練,每層進行訓練的過程都是對人臉特征數(shù)據(jù)進行不斷提取和再表示的過程,輸出人臉稀疏特征再進行下一層的訓練; 最后使用該模型在測試集上驗證分類算法的準確率,并計算循環(huán)s次算法的平均準確率。

    算法2 人臉特征DSAE分類算法。

    輸入 人臉特征數(shù)據(jù)集D={xi∈Rj,yi}(i=1,2,…,N),無標簽的訓練次數(shù)s,激活函數(shù)g(x),隱含層個數(shù)k,懲罰項系數(shù)λ和μ,隱含層節(jié)點數(shù)nhl(l=1,2,…,k)。

    輸出 測試集s次分類結(jié)果的平均值。

    1) 使用PCA對人臉特征數(shù)據(jù)集D進行預處理;

    2) 初始化DSAE神經(jīng)網(wǎng)絡(luò),將樣本分為訓練集Xtrain和測試集樣本Xtest,X1=Xtrain;

    3) forl=1:k

    4) 隨機產(chǎn)生ELM-SAE第l層的輸入權(quán)值ai和偏置bi;

    5) 計算第l層的輸出權(quán)值βl;

    6) 計算輸出Xl+1=g(XlβlT);

    7) end for

    8) 使用輸出權(quán)值β計算測試集Xtest的分類準確度,以上過程循環(huán)s次,計算分類結(jié)果的平均值

    3 實驗與結(jié)果

    為了證明本文算法的有效性,本文使用人臉數(shù)據(jù)集將本文提出的DSAE算法與經(jīng)典的隨機森林(Random Forest, RF)算法以及ELM、在線序列極端學習機(Online Squential Extreme Learning Machine, OS-ELM)和MLELM算法的分類效果進行比較(均采用Sigmoid激活函數(shù))。以上幾種方法都是在Intel Core i5-2450M CPU 2.5 GHz處理器、8 GB內(nèi)存、Windows10 64位操作系統(tǒng)和Matlab 2016a的環(huán)境中運行的。

    3.1 數(shù)據(jù)集

    本文將在ORL、IMM、Yale和UMIST 4個人臉數(shù)據(jù)集上測試本文所提方法。選取人臉數(shù)據(jù)集中每人的2/3張圖片作為訓練樣本,剩下的1/3張圖片作為測試樣本來進行實驗,每個實驗分別重復30次以獲取一個較為準確的識別率。實驗中使用的人臉數(shù)據(jù)集描述的詳細信息見表1。不同人臉庫的訓練集如圖3所示。

    表1 實驗中使用的人臉數(shù)據(jù)集

    圖3 人臉數(shù)據(jù)集

    3.2 實驗和結(jié)果分析

    本節(jié)主要對比了DSAE與ELM、RF、OS-ELM、MLELM分類算法的性能。為了實驗的公平性,本文中的懲罰參數(shù)值大小相同,ELM、OS-ELM的隱層節(jié)點數(shù)與MLELM、DSAE的第一層隱層節(jié)點數(shù)相同,MLELM與DSAE的隱層層數(shù)相同。對每個數(shù)據(jù)集,通過比較分類準確率確定隱層節(jié)點個數(shù)和樣本維數(shù)。

    圖4給出了ELM、RF、OS-ELM、MLELM和DSAE在ORL、IMM、Yale和UMIST數(shù)據(jù)集上隨著樣本維數(shù)的改變,五種算法的分類準確率的變化情況, 其中X軸表示樣本維數(shù),Y軸表示30次實驗的平均分類準確率。

    圖4(a)為五種分類算法在ORL人臉數(shù)據(jù)集上的分類準確率曲線。當樣本維數(shù)小于40時,五種分類算法的分類準確率曲線大致保持一致;樣本維數(shù)大于40時,RF算法和ELM算法的分類準確率呈下降趨勢;當維數(shù)為60時,OS-ELM算法的分類性能達到97%,但隨著維數(shù)的升高,其分類性能不斷降低。相比較之下,MLELM和DSAE算法受維數(shù)增加的影響較小,而當維數(shù)大于100后,DSAE的分類性能保持穩(wěn)定,明顯優(yōu)于對比算法。

    圖4(b)為五種分類算法在IMM數(shù)據(jù)集上的分類準確率曲線。當樣本維數(shù)小于50時,ELM相關(guān)算法的分類性能優(yōu)于隨機森林算法,當維數(shù)大于50時,RF的分類曲線在OS-ELM算法之上; 隨著維數(shù)的升高ELM的準確率不斷下降,當樣本維數(shù)大于80時,DSAE的分類準確率優(yōu)于其他四種算法。

    圖4(c)為五種分類算法在Yale數(shù)據(jù)集上的分類準確率曲線。當維數(shù)小于50時,OS-ELM算法的分類準確率高于其他算法;但當維數(shù)大于50后,分類性能明顯下降并且表現(xiàn)不穩(wěn)定,RF算法在此數(shù)據(jù)集上的分類效果較差。相比之下,MLELM與DSAE的分類性能明顯優(yōu)于其他算法。

    圖4(d)為五種分類算法在UMIST數(shù)據(jù)集上的分類準確率曲線。當樣本維數(shù)大于10時,五種算法的分類性能都較好,OS-ELM與RF的分類性能相差不大,相比之下,ELM、MLELM和DSAE的分類準確率更高。

    圖4 不同樣本維數(shù)的分類準確率變化

    由圖4可看出,隨著輸入人臉圖像特征的增多,ELM、RF、OS-ELM和MLELM算法的分類準確率會不斷降低,因此OS-ELM與RF算法不適合對高維數(shù)據(jù)進行分類,多層結(jié)構(gòu)MLELM雖受維度的影響較小,但分類準確率也明顯下降; 而DSAE算法的分類準確率雖然也有所降低,但整體上的分類效果受樣本維數(shù)的影響較小。因此DSAE算法能夠充分利用樣本的低秩信息,對于噪聲數(shù)據(jù)的抗干擾能力更強。

    圖5給出了ELM、OS-ELM、MLELM和DSAE在ORL、IMM、Yale和UMIST數(shù)據(jù)集上隨著隱層節(jié)點數(shù)的改變,四種算法的分類準確率的變化情況。其中X軸表示隱層節(jié)點數(shù),Y軸表示30次實驗的平均分類準確率。

    圖5 不同隱層節(jié)點數(shù)的分類準確率變化

    在圖5(a)中,對于ORL數(shù)據(jù)集,當樣本維數(shù)(dim)為140時,第一個隱層節(jié)點數(shù)大于300時,DSAE的分類準確率大于ELM、OS-ELM和MLELM算法。在圖5(b)中,對于IMM數(shù)據(jù)集,當樣本維數(shù)為130時,OS-ELM與ELM的分類效果較差,隱層節(jié)點數(shù)小于400時,MLELM與DSAE的分類效果大致相同,當節(jié)點數(shù)大于400時,DSAE的分類性能更好。在圖5(c)中,對于Yale數(shù)據(jù)集,當樣本維數(shù)為140時,ELM、MLELM和DASE的分類性能較好。在圖5(d)中,對于UMIST數(shù)據(jù)集,當樣本維數(shù)為40時,五種分類算法的分類性能都較好,當隱層節(jié)點數(shù)小于600時,MLELM算法的分類準確率高于DSAE和ELM。當節(jié)點數(shù)大于600時,ELM、MLELM與和DSAE的分類效果大致相同,其中,隱層節(jié)點數(shù)為1 000時,DSAE的分類效果最好。

    表2給出了ELM、RF、OS-ELM、MLELM、DSAE分別在四種數(shù)據(jù)集下30次實驗的平均分類準確率和標準偏差,當ORL、IMM和Yale數(shù)據(jù)集在維數(shù)分別為135、120、100、65的情況下,與MLELM相比,DSAE的分類準確率約提高3%,DSAE的整體分類性能好且偏差較小。

    另外,圖6還展示了ORL人臉數(shù)據(jù)集中三張人臉圖像樣本的分類結(jié)果,DSAE模型皆將其分類正確,而ELM和MLELM都將其分類錯誤。

    表2 五種分類算法的分類準確率對比

    圖6 三個人臉圖像的分類結(jié)果

    與MLELM相比,DSAE對誤差模型采用截斷式核范數(shù)正則化進行約束,并采用極端學習機自編碼器的深層結(jié)構(gòu)將輸入的原始圖像數(shù)據(jù)一層一層地抽象,得到更能描述圖像本質(zhì)的稀疏特征,更好地提取輸入原始圖像中最重要的信息用于訓練模型,從而提高模型的分類性能。

    4 結(jié)語

    本文借助極端學習機和自編碼器提出一種用于人臉圖像的深度稀疏自編碼器方法。通過加入截斷式核范數(shù)正則化項對損失函數(shù)進行優(yōu)化,提取人臉圖像的主要信息和特征,摒棄噪聲數(shù)據(jù),將原始人臉圖像映射到一個新的稀疏特征表示空間。實驗結(jié)果表明,本文方法對于高維人臉圖像的識別率有明顯提高。

    猜你喜歡
    維數(shù)人臉準確率
    β-變換中一致丟番圖逼近問題的維數(shù)理論
    有特點的人臉
    乳腺超聲檢查診斷乳腺腫瘤的特異度及準確率分析
    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確率比較探討
    2015—2017 年寧夏各天氣預報參考產(chǎn)品質(zhì)量檢驗分析
    一類齊次Moran集的上盒維數(shù)
    三國漫——人臉解鎖
    動漫星空(2018年9期)2018-10-26 01:17:14
    高速公路車牌識別標識站準確率驗證法
    關(guān)于齊次Moran集的packing維數(shù)結(jié)果
    涉及相變問題Julia集的Hausdorff維數(shù)
    国产1区2区3区精品| 精品高清国产在线一区| 久久午夜综合久久蜜桃| 国产精品三级大全| 多毛熟女@视频| 青春草亚洲视频在线观看| 日日摸夜夜添夜夜爱| 亚洲中文字幕日韩| 免费看不卡的av| 大话2 男鬼变身卡| 国产成人欧美在线观看 | 男女无遮挡免费网站观看| 天天添夜夜摸| 最新在线观看一区二区三区 | 亚洲成人国产一区在线观看 | 久久久久久人人人人人| 午夜福利,免费看| 日韩人妻精品一区2区三区| 爱豆传媒免费全集在线观看| 欧美少妇被猛烈插入视频| 国产成人免费无遮挡视频| 免费看av在线观看网站| 在线天堂中文资源库| 免费人妻精品一区二区三区视频| 欧美国产精品一级二级三级| 亚洲欧美激情在线| 高清视频免费观看一区二区| 欧美日韩视频精品一区| 50天的宝宝边吃奶边哭怎么回事| 亚洲中文字幕日韩| 在线天堂中文资源库| 后天国语完整版免费观看| 国产精品一区二区免费欧美 | 国产91精品成人一区二区三区 | 狠狠婷婷综合久久久久久88av| 国产一区二区在线观看av| 国产一区二区 视频在线| 一级a爱视频在线免费观看| 巨乳人妻的诱惑在线观看| 中文字幕另类日韩欧美亚洲嫩草| 两人在一起打扑克的视频| 大片免费播放器 马上看| 晚上一个人看的免费电影| 欧美黄色片欧美黄色片| 久久精品亚洲av国产电影网| 日日夜夜操网爽| 久久久久久免费高清国产稀缺| 蜜桃在线观看..| 日韩人妻精品一区2区三区| 免费久久久久久久精品成人欧美视频| 男女高潮啪啪啪动态图| 在线观看www视频免费| 欧美老熟妇乱子伦牲交| 国产熟女午夜一区二区三区| 91精品国产国语对白视频| 飞空精品影院首页| 国产一卡二卡三卡精品| 最黄视频免费看| 日日夜夜操网爽| 国产爽快片一区二区三区| 国产欧美亚洲国产| 国产97色在线日韩免费| 曰老女人黄片| 午夜免费男女啪啪视频观看| 欧美精品一区二区免费开放| 丁香六月欧美| 天天躁夜夜躁狠狠躁躁| 精品久久久久久久毛片微露脸 | 久久久国产一区二区| 欧美性长视频在线观看| 日本欧美视频一区| 纵有疾风起免费观看全集完整版| 亚洲欧洲精品一区二区精品久久久| 九色亚洲精品在线播放| 99re6热这里在线精品视频| 免费人妻精品一区二区三区视频| 亚洲精品av麻豆狂野| 晚上一个人看的免费电影| 九草在线视频观看| 七月丁香在线播放| 精品福利观看| 在线精品无人区一区二区三| 国产成人av教育| 在线观看免费高清a一片| 999久久久国产精品视频| 女人久久www免费人成看片| 精品一区二区三区四区五区乱码 | 国产欧美日韩精品亚洲av| 波多野结衣一区麻豆| 一级毛片女人18水好多 | 精品欧美一区二区三区在线| www日本在线高清视频| 国产淫语在线视频| 十八禁人妻一区二区| 精品第一国产精品| 亚洲精品国产av蜜桃| av有码第一页| 大码成人一级视频| 亚洲欧美日韩另类电影网站| 黄色一级大片看看| 亚洲伊人久久精品综合| 超碰成人久久| kizo精华| 99精品久久久久人妻精品| 美女福利国产在线| 精品一区二区三卡| 国产色视频综合| 日日爽夜夜爽网站| tube8黄色片| 国产成人精品久久久久久| 又粗又硬又长又爽又黄的视频| 亚洲精品一卡2卡三卡4卡5卡 | 成人免费观看视频高清| xxx大片免费视频| 日韩 亚洲 欧美在线| kizo精华| 女警被强在线播放| 777久久人妻少妇嫩草av网站| 亚洲视频免费观看视频| 亚洲欧洲国产日韩| 水蜜桃什么品种好| 19禁男女啪啪无遮挡网站| 中文字幕人妻熟女乱码| 女性被躁到高潮视频| 国产精品久久久人人做人人爽| 国产成人影院久久av| 高潮久久久久久久久久久不卡| 亚洲专区中文字幕在线| 国产福利在线免费观看视频| 国产精品欧美亚洲77777| 国产亚洲一区二区精品| 你懂的网址亚洲精品在线观看| 婷婷丁香在线五月| 热re99久久精品国产66热6| www.av在线官网国产| 午夜老司机福利片| 久久精品亚洲熟妇少妇任你| 久久亚洲精品不卡| 一区二区三区精品91| av国产精品久久久久影院| 亚洲av在线观看美女高潮| 中文字幕另类日韩欧美亚洲嫩草| 欧美国产精品一级二级三级| 每晚都被弄得嗷嗷叫到高潮| 久久精品国产亚洲av高清一级| 亚洲精品国产色婷婷电影| 久久精品aⅴ一区二区三区四区| 亚洲一码二码三码区别大吗| 国产视频首页在线观看| 老熟女久久久| 最新的欧美精品一区二区| av国产精品久久久久影院| 极品少妇高潮喷水抽搐| 国产黄色免费在线视频| 99九九在线精品视频| 男人添女人高潮全过程视频| 91国产中文字幕| 国产免费视频播放在线视频| 在线观看免费视频网站a站| 国产精品国产三级专区第一集| 脱女人内裤的视频| 国产亚洲精品第一综合不卡| 成人手机av| 少妇猛男粗大的猛烈进出视频| 国产亚洲av片在线观看秒播厂| cao死你这个sao货| 中文字幕av电影在线播放| 在线观看一区二区三区激情| 国产黄频视频在线观看| 又黄又粗又硬又大视频| 男女床上黄色一级片免费看| 中文字幕色久视频| 欧美 日韩 精品 国产| 一级毛片黄色毛片免费观看视频| 91老司机精品| 欧美精品高潮呻吟av久久| 日韩av在线免费看完整版不卡| 久久99热这里只频精品6学生| 丁香六月天网| 成人手机av| 99九九在线精品视频| 亚洲精品久久成人aⅴ小说| 亚洲美女黄色视频免费看| 国产av国产精品国产| 日本91视频免费播放| a级毛片在线看网站| 亚洲色图综合在线观看| 亚洲欧美色中文字幕在线| 久久精品成人免费网站| 热re99久久国产66热| 久久国产精品男人的天堂亚洲| 只有这里有精品99| 精品久久久精品久久久| 日本黄色日本黄色录像| 国产精品三级大全| 精品亚洲成a人片在线观看| 国产精品 国内视频| 欧美日韩视频高清一区二区三区二| av天堂在线播放| 中国美女看黄片| 久久国产亚洲av麻豆专区| 天天影视国产精品| 人人妻人人澡人人看| 手机成人av网站| 在线天堂中文资源库| xxx大片免费视频| 国产精品久久久久久精品古装| 叶爱在线成人免费视频播放| 91老司机精品| 国产精品麻豆人妻色哟哟久久| 久久性视频一级片| 五月天丁香电影| 亚洲,欧美,日韩| 国产成人免费观看mmmm| 女人被躁到高潮嗷嗷叫费观| 男女下面插进去视频免费观看| 国产99久久九九免费精品| 欧美97在线视频| 亚洲一卡2卡3卡4卡5卡精品中文| 在现免费观看毛片| 国产亚洲欧美在线一区二区| 两个人看的免费小视频| av欧美777| 亚洲欧洲国产日韩| 妹子高潮喷水视频| 伊人亚洲综合成人网| av在线播放精品| 欧美在线黄色| 性少妇av在线| 欧美成人午夜精品| 国产成人精品久久二区二区91| 日日摸夜夜添夜夜爱| 国产主播在线观看一区二区 | 巨乳人妻的诱惑在线观看| 男人操女人黄网站| 男人爽女人下面视频在线观看| 亚洲成av片中文字幕在线观看| 精品欧美一区二区三区在线| 精品亚洲乱码少妇综合久久| 日韩伦理黄色片| 亚洲欧美一区二区三区国产| 男女之事视频高清在线观看 | 又紧又爽又黄一区二区| 久久亚洲精品不卡| 伊人亚洲综合成人网| 中文字幕av电影在线播放| 免费少妇av软件| a级毛片在线看网站| 国产视频首页在线观看| 黄色视频在线播放观看不卡| 日韩 欧美 亚洲 中文字幕| 国产成人精品无人区| 中文精品一卡2卡3卡4更新| 婷婷色综合www| 亚洲国产看品久久| 天天操日日干夜夜撸| 男女边吃奶边做爰视频| 亚洲专区国产一区二区| 宅男免费午夜| 久久九九热精品免费| 午夜免费鲁丝| 久久久久久免费高清国产稀缺| 久久亚洲精品不卡| 91国产中文字幕| 亚洲精品日本国产第一区| 亚洲av日韩精品久久久久久密 | 亚洲第一av免费看| 亚洲免费av在线视频| 丝袜在线中文字幕| 成人手机av| 老司机在亚洲福利影院| 精品免费久久久久久久清纯 | 大型av网站在线播放| 热re99久久国产66热| 国产成人一区二区在线| 欧美精品av麻豆av| 80岁老熟妇乱子伦牲交| 亚洲精品国产一区二区精华液| 亚洲少妇的诱惑av| 久久精品久久久久久噜噜老黄| 国产视频一区二区在线看| 国产三级黄色录像| 婷婷色综合大香蕉| 欧美日韩视频高清一区二区三区二| 黑人巨大精品欧美一区二区蜜桃| 精品国产一区二区三区久久久樱花| av片东京热男人的天堂| 亚洲欧美一区二区三区久久| 免费少妇av软件| 中国美女看黄片| 我的亚洲天堂| 99久久人妻综合| 大话2 男鬼变身卡| 欧美精品av麻豆av| 丝袜在线中文字幕| 国产av精品麻豆| 亚洲综合色网址| 咕卡用的链子| 丰满饥渴人妻一区二区三| 捣出白浆h1v1| 麻豆av在线久日| 欧美国产精品一级二级三级| 国产又爽黄色视频| 爱豆传媒免费全集在线观看| 天天躁狠狠躁夜夜躁狠狠躁| 少妇人妻久久综合中文| 成人国产一区最新在线观看 | 亚洲少妇的诱惑av| 日本vs欧美在线观看视频| 婷婷成人精品国产| 如日韩欧美国产精品一区二区三区| 欧美日韩精品网址| 精品福利永久在线观看| 9热在线视频观看99| 免费观看人在逋| 亚洲av片天天在线观看| 夫妻性生交免费视频一级片| 国产免费视频播放在线视频| 亚洲av日韩精品久久久久久密 | 考比视频在线观看| 狂野欧美激情性xxxx| 秋霞在线观看毛片| 国产成人一区二区在线| 精品久久久久久电影网| 国产精品久久久久成人av| 人妻 亚洲 视频| 亚洲色图 男人天堂 中文字幕| 亚洲成人手机| 日韩视频在线欧美| 大香蕉久久成人网| 国产1区2区3区精品| 国产真人三级小视频在线观看| 中国美女看黄片| 国产成人免费无遮挡视频| 国产真人三级小视频在线观看| 久久性视频一级片| 一级毛片我不卡| 另类亚洲欧美激情| 菩萨蛮人人尽说江南好唐韦庄| 国产老妇伦熟女老妇高清| 欧美黄色片欧美黄色片| 最黄视频免费看| 2021少妇久久久久久久久久久| 午夜免费男女啪啪视频观看| 国产熟女午夜一区二区三区| 亚洲欧美清纯卡通| 在线精品无人区一区二区三| 欧美少妇被猛烈插入视频| 涩涩av久久男人的天堂| 免费看十八禁软件| 精品少妇内射三级| 亚洲国产精品国产精品| 国产女主播在线喷水免费视频网站| 又粗又硬又长又爽又黄的视频| 9热在线视频观看99| 成年美女黄网站色视频大全免费| 五月天丁香电影| 在线看a的网站| 五月天丁香电影| 国产免费福利视频在线观看| 亚洲欧美中文字幕日韩二区| 中国美女看黄片| 一级黄色大片毛片| 91国产中文字幕| 精品国产超薄肉色丝袜足j| 超色免费av| 麻豆乱淫一区二区| 在线观看免费日韩欧美大片| 韩国高清视频一区二区三区| 观看av在线不卡| 国产高清视频在线播放一区 | 黄色毛片三级朝国网站| 亚洲av电影在线进入| 久久国产亚洲av麻豆专区| 国产三级黄色录像| 亚洲国产最新在线播放| 亚洲欧美一区二区三区黑人| 一边摸一边抽搐一进一出视频| 天天操日日干夜夜撸| 黄色视频在线播放观看不卡| 免费高清在线观看视频在线观看| 婷婷成人精品国产| 午夜老司机福利片| 无遮挡黄片免费观看| 亚洲免费av在线视频| av在线老鸭窝| 午夜激情久久久久久久| 精品一区二区三卡| 亚洲欧洲精品一区二区精品久久久| 国产不卡av网站在线观看| 精品一区在线观看国产| 人人妻人人爽人人添夜夜欢视频| 我的亚洲天堂| 色94色欧美一区二区| 亚洲国产欧美网| 天天添夜夜摸| 亚洲精品日本国产第一区| av网站免费在线观看视频| 天天躁日日躁夜夜躁夜夜| 一本一本久久a久久精品综合妖精| 国产麻豆69| 在线 av 中文字幕| 老司机影院毛片| 王馨瑶露胸无遮挡在线观看| 51午夜福利影视在线观看| 女性被躁到高潮视频| cao死你这个sao货| 亚洲成人免费电影在线观看 | 亚洲国产精品国产精品| xxx大片免费视频| 欧美在线黄色| 欧美精品av麻豆av| 亚洲精品美女久久av网站| 久久久久久久精品精品| 成人亚洲精品一区在线观看| 夜夜骑夜夜射夜夜干| 成年美女黄网站色视频大全免费| a 毛片基地| 1024视频免费在线观看| 婷婷成人精品国产| 日韩一卡2卡3卡4卡2021年| 国产野战对白在线观看| 亚洲欧洲日产国产| 欧美人与善性xxx| 国产99久久九九免费精品| 视频区欧美日本亚洲| 亚洲精品国产av成人精品| 最近最新中文字幕大全免费视频 | 亚洲人成电影免费在线| 国产亚洲精品第一综合不卡| www.精华液| 国产伦理片在线播放av一区| 久久 成人 亚洲| 久久久国产精品麻豆| 一区二区三区乱码不卡18| 亚洲欧美一区二区三区黑人| 秋霞在线观看毛片| 亚洲人成电影免费在线| 波多野结衣av一区二区av| 久久久久国产一级毛片高清牌| 久久亚洲精品不卡| 黄色怎么调成土黄色| 久久久国产精品麻豆| 又黄又粗又硬又大视频| 视频在线观看一区二区三区| 飞空精品影院首页| 超碰97精品在线观看| 欧美人与性动交α欧美精品济南到| 亚洲av成人不卡在线观看播放网 | 一区二区三区乱码不卡18| 男女下面插进去视频免费观看| 国产亚洲av高清不卡| 如日韩欧美国产精品一区二区三区| 成年av动漫网址| 爱豆传媒免费全集在线观看| 国产不卡av网站在线观看| 午夜免费鲁丝| 叶爱在线成人免费视频播放| 一二三四在线观看免费中文在| 欧美日韩视频精品一区| 国产亚洲精品第一综合不卡| 久久久精品94久久精品| 国产一区二区三区综合在线观看| 丰满少妇做爰视频| 色精品久久人妻99蜜桃| 少妇粗大呻吟视频| 桃花免费在线播放| 午夜免费男女啪啪视频观看| 日日摸夜夜添夜夜爱| 免费观看av网站的网址| 99热全是精品| 一区二区av电影网| 一区福利在线观看| 国产99久久九九免费精品| 亚洲九九香蕉| 亚洲欧美精品综合一区二区三区| 超色免费av| 三上悠亚av全集在线观看| av片东京热男人的天堂| 国产午夜精品一二区理论片| 亚洲色图综合在线观看| 国产免费福利视频在线观看| 精品国产超薄肉色丝袜足j| 久久久精品国产亚洲av高清涩受| 国产精品香港三级国产av潘金莲 | 亚洲九九香蕉| 秋霞在线观看毛片| 日本wwww免费看| 久久精品熟女亚洲av麻豆精品| 丰满迷人的少妇在线观看| 午夜福利在线免费观看网站| 九色亚洲精品在线播放| 免费在线观看黄色视频的| 国产又爽黄色视频| 午夜免费鲁丝| 免费女性裸体啪啪无遮挡网站| 欧美成人午夜精品| 少妇人妻 视频| 搡老岳熟女国产| 久久国产精品人妻蜜桃| 久久女婷五月综合色啪小说| 一边摸一边抽搐一进一出视频| 亚洲色图 男人天堂 中文字幕| 国产亚洲精品第一综合不卡| 国产精品一区二区在线不卡| 成人亚洲欧美一区二区av| 国产精品99久久99久久久不卡| 久9热在线精品视频| 亚洲欧美色中文字幕在线| 久久国产精品人妻蜜桃| 丝袜美腿诱惑在线| 亚洲精品成人av观看孕妇| 欧美日韩福利视频一区二区| avwww免费| 精品少妇久久久久久888优播| 中文字幕人妻丝袜制服| 久久久久久免费高清国产稀缺| 国产97色在线日韩免费| 免费在线观看完整版高清| 天天躁日日躁夜夜躁夜夜| 一级,二级,三级黄色视频| 午夜精品国产一区二区电影| 成人三级做爰电影| 黄色视频不卡| 欧美日韩精品网址| 亚洲欧洲国产日韩| 国产主播在线观看一区二区 | 人妻一区二区av| 亚洲欧美日韩高清在线视频 | 国产精品免费视频内射| 中国美女看黄片| 午夜两性在线视频| 久久九九热精品免费| 免费在线观看影片大全网站 | 国产免费一区二区三区四区乱码| 夫妻性生交免费视频一级片| 91九色精品人成在线观看| 中文字幕另类日韩欧美亚洲嫩草| 免费在线观看视频国产中文字幕亚洲 | 国产欧美日韩一区二区三区在线| 操出白浆在线播放| 亚洲精品一区蜜桃| 最新在线观看一区二区三区 | a级毛片在线看网站| 欧美成人午夜精品| 一区在线观看完整版| 嫩草影视91久久| 两人在一起打扑克的视频| 国产在线观看jvid| 两个人看的免费小视频| 欧美xxⅹ黑人| 欧美亚洲日本最大视频资源| av网站在线播放免费| 欧美日本中文国产一区发布| 在线 av 中文字幕| bbb黄色大片| 少妇被粗大的猛进出69影院| 亚洲成人手机| 国产精品国产三级专区第一集| 精品亚洲成国产av| 50天的宝宝边吃奶边哭怎么回事| 久久99一区二区三区| 老司机靠b影院| 国产精品免费大片| 国产成人精品在线电影| 午夜两性在线视频| 中文字幕色久视频| 九草在线视频观看| 一二三四在线观看免费中文在| 日韩一卡2卡3卡4卡2021年| 欧美激情 高清一区二区三区| 欧美人与性动交α欧美软件| 99精品久久久久人妻精品| 精品人妻在线不人妻| 亚洲欧美一区二区三区久久| 两性夫妻黄色片| 国产精品久久久av美女十八| 丁香六月欧美| 丝袜人妻中文字幕| 韩国精品一区二区三区| 可以免费在线观看a视频的电影网站| 80岁老熟妇乱子伦牲交| 人人妻人人添人人爽欧美一区卜| 女人久久www免费人成看片| 亚洲欧美清纯卡通| 久久久久久久久久久久大奶| 亚洲成人免费电影在线观看 | 国产午夜精品一二区理论片| 夜夜骑夜夜射夜夜干| 99香蕉大伊视频| 考比视频在线观看| 夜夜骑夜夜射夜夜干| av福利片在线| 国产不卡av网站在线观看| 超碰成人久久| 国产精品成人在线| 人人妻,人人澡人人爽秒播 | 久久人人爽人人片av| 观看av在线不卡| av在线老鸭窝| 高清av免费在线| 欧美老熟妇乱子伦牲交| 国产av国产精品国产| 免费观看人在逋| 亚洲五月色婷婷综合| 欧美成狂野欧美在线观看| 亚洲伊人色综图| 欧美日韩亚洲国产一区二区在线观看 | 亚洲成人免费电影在线观看 | 亚洲av在线观看美女高潮| 中文精品一卡2卡3卡4更新| 国产91精品成人一区二区三区 | 国产黄频视频在线观看| 亚洲av在线观看美女高潮| 日本猛色少妇xxxxx猛交久久|