• <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 ?

    基于相對索引特征回歸的人臉對齊算法*

    2018-04-09 07:26:15韜,軍,2
    傳感器與微系統(tǒng) 2018年4期
    關鍵詞:魯棒性像素點人臉

    楊 韜, 孔 軍,2

    (1.江南大學 輕工業(yè)先進過程控制重點實驗室,江蘇 無錫 214122;2.新疆大學 電氣工程學院, 新疆 烏魯木齊 830047)

    0 引 言

    人臉對齊的目的是從人臉圖像或視頻中定位出諸如眼睛、鼻子、嘴巴等面部特征點,具有廣泛的應用前景。但是在現實中,由于人臉形狀的多變性,及姿態(tài)、不同人臉檢測結果等因素的影響,人臉對齊問題仍然面臨巨大挑戰(zhàn)。

    近年,人臉對齊問題的研究取得了很大進步。在諸多算法中,級聯(lián)形狀回歸算法作為主流算法而不斷被研究改進。Cao X等人[1]提出的顯式形狀回歸(ESR),通過學習一系列人臉形狀回歸量,控制人臉由初始形狀逐步收斂于目標真實形狀,但該算法對噪聲十分敏感,且需要存儲大量的形狀回歸量。Ren S等人[2]隨后提出了對于每個面部特征點編碼局部二值特征(local binary feature,LBF),提高了對齊速度與精度,但該算法很容易受不同人臉檢測器的影響,同時對于較大人臉姿態(tài)的魯棒性不強。

    本文在原始LBF算法的基礎上進行改進。首先,在特征點相關子區(qū)域設計了一種相對索引特征代替形狀索引特征;同時提出了一種空間依賴假設,結合相對索引在每個依賴區(qū)域進行聯(lián)合線性回歸,最后以實驗的方式比較本文的算法與原始的LBF算法,包括對齊表現(精度比較)和算法的魯棒性(敏感性分析)。

    1 級聯(lián)形狀回歸

    給出一張人臉圖像I,人臉對齊問題可以看作由一個包含M個面部特征點的形狀S通過迭代的方式最終收斂到目標真實形狀的過程

    (1)

    級聯(lián)形狀回歸算法通常從一個初始形狀S0開始,可以是取自所有訓練樣本的平均形狀,然后通過T個回歸器(R1,R2,…,RT)以級聯(lián)的方式逐漸修正形狀估計?;貧w器Rt輸出形狀增量ΔSt結合上一級形狀估計St-1更新當前形狀估計St

    St=St-1+ΔSt

    (2)

    實際算法設計中,形狀增量ΔSt獲取可以解釋為

    ΔSt=WtΦt(I,St-1)

    (3)

    級聯(lián)形狀回歸算法:

    1:fort=1 toTdo

    2:Set ΔSt←0,Δt←-St-1

    3:ft=Φt(I,St-1) ? 獲得特征

    4:ΔSt=Rt(ft) ? 回歸

    5:St=St-1+ΔS?更新形狀估計

    6:end for

    輸出:最終估計ST

    LBF算法的創(chuàng)新在于在隨機森林的框架下編碼每個特征點周圍的局部紋理,將像素特征轉化成二值化稀疏特征矩陣。隨后結合這些局部二值化特征聯(lián)合學習一個全局線性回歸矩陣Wt

    (4)

    公式前半部分為回歸目標;后者為Wt的L2范數正則化矩陣;λ為一個自由收縮參數。實驗證明,這種編碼方式可使回歸更快地收斂,LBF也因此取得了目前對齊算法中最快的成績。

    但該算法很容易受不同人臉檢測器的影響。圖1給出了原始LBF算法在不同人臉檢測器下對齊效果。圖中第一列的人臉檢測結果來自于IBUG[3],后2列來自于目前最先進的人臉檢測器HeadHunter[4]和Dlib[5]。同時該算法對于較大人臉姿態(tài)的魯棒性不強??赡苁怯捎趩我坏男螤钏饕卣髋c全局線性回歸配合不足以有效解決現實中的人臉對齊問題。同時,由于人臉外部輪廓和五官各部分的定位難度不同,全局回歸共用一個損失函數會導致各個特征點在訓練損失函數中分布嚴重不平衡。

    圖1 LBF人臉對齊算法在不同人臉檢測器下的表現

    2 相對索引特征

    現實中的人臉對齊常受到較大形狀變化的挑戰(zhàn),為了解決這個問題,ESR算法利用形狀索引特征:以當前形狀St-1為基準,任意像素點在圖像中的位置可以由離其最近的特征點m到這個像素點的相對坐標索引,即(m,δx,δy)。這種索引方法相較于傳統(tǒng)的圖像全局坐標索引方式魯棒性更強。受啟發(fā)于ESR算法的成功,LBF在St-1的每個特征點周圍隨機采樣P個像素點,并使用形狀索引方式索引像素點。

    然而,單一的形狀索引特征在面對較大形狀變化或個體差異時魯棒性仍不夠強,如圖2(a)所示,相同形狀索引值對應的像素點在兩個人臉上位置差別很大。本文提出了一種更為魯棒的特征索引方式,稱為相對索引特征。對于每個目標特征點m,首先尋找與其具有依賴關系的特征點n。隨后在這兩個特征點之間采樣像素點,并通過二者距離比例r來索引像素點,即(m,n,r),如圖2(b)所示。從圖2中可以看出,在面對較大人臉形狀變化時,本文的相對索引特征魯棒性更強。

    圖2 相對索引特征對比形狀索引特征

    實際上,如果直接在任意兩個特征點之間采樣像素點,會出現一些采樣的像素點與目標特征點距離過遠,從而導致這些像素點失去了描述目標特征點周圍紋理信息的意義。將具有相互依賴關系的特征點歸為一組可以避免出現該問題。本文簡單地將所有特征點進行分組。如圖3所示,圖3(a)給出了本文作者手動將所有特征點劃分為K組,即St=(St,1,St,2,…,St,K);圖3(b)給出了原始LBF算法在以特征點為圓心的一個圓區(qū)域內采樣像素點;圖3(c)給出了本文算法在一個空間依賴假設的前提下,在相鄰特征點之間進行采樣。這種特征點間依賴假設在后續(xù)線性回歸中仍然使用到。

    圖3 空間依賴假設和特征采樣

    3 半全局線性學習

    (5)

    式中L和R分別為當前結點中訓練樣本經過分裂后分別落在左、右子結點的子樣本集合;D(L)和D(R)為左、右子結點樣本回歸目標的方差。訓練完成后,所有的葉子結點儲存了訓練樣本的特征信息。隨機森林的輸出為所有葉子結點的集合:樣本到達葉子結點處值為1;否則,為0。

    考慮到簡單結合所有的局部二值特征構成一個Φt并全局學習一個線性回歸矩陣Wt并未有效利用特征點之間的形狀約束,且會導致各個特征點在訓練損失函數中分布嚴重不平衡。本文將放棄原有的全局線性學習,在之前的空間依賴假設的前提下將特征映射函數分為K組,即{Φt,1,Φt,2,…,Φt,K} 。然后分別對每組特征點聯(lián)合學習,即半全局線性學習。對于每一組k,學習過程可以描述為

    (6)

    特征映射函數Φt,k具有以下特性:1)特征的維數很大;2)特征是高度稀疏的,因為大部分值為0。選擇使用支持向量回歸(SVR),同時采用雙坐標下降法處理該大規(guī)模稀疏線性系統(tǒng),即使用基于L2范數正則化的L2損失支持向量回歸[6]。

    4 實 驗

    實驗將本文算法與近幾年出現的幾種先進算法進行對比。實驗評估使用300-W[3]基準數據集,包含3 148個訓練樣本和689個測試樣本。實驗中所做的唯一預處理是圖像去均值操作。

    4.1 評估對齊精度

    實驗平臺為Ubuntu C++環(huán)境。實驗將本文算法與ESR,LBF,CLM[7,8]算法進行對比,實驗結果如圖4所示。首先比較了幾種算法的平均對齊誤差(AE),如圖4(a),誤差通過除以兩眼間距離的方式正規(guī)化。為了防止一些對齊誤差較大的樣本影響評估,舍去了對齊誤差最高的10個樣本后重新繪制了圖4(b)。對比2圖可以看出,盡管只去掉了10個樣本,平均對齊誤差的改變幅度卻有所差別,例如LBF算法降低了0.83,而本文的算法降低了0.79,相對更穩(wěn)定。

    圖4 算法表現對比

    繪制了累積誤差分布(cumulative error distribution,CED)曲線,如圖4(c)。本文采用了文獻[8]的設定,樣本對齊誤差大于0.1即為對齊失敗。由于使用平均對齊誤差的方式比較算法優(yōu)良容易受到較大對齊誤差樣本的影響,設計了一種新的評價機制,即曲線下面積(area under curve,AUC)

    (7)

    式中e為對齊誤差;f(e)為累積誤差分布函數。圖4(d)給出了這種評價機制結果。從式(7)可以看出 不受對齊誤差大于0.1的樣本的影響,且相較于CED曲線可以更為直觀地評價算法的表現。本文統(tǒng)一采用平均形狀作為各個算法的初始形狀S0。從圖4中可以看出,本文的算法無論在對齊精度還是穩(wěn)定性上均優(yōu)于其他算法。

    4.2 人臉框敏感性分析

    4.2.1 人臉框中心偏移

    為了測試算法的魯棒性,實驗將繼續(xù)測試各個算法在人臉框中心出現偏移的情況下的表現。實驗中,將標準人臉框按照上下左右4個方向從0.01~0.1倍框大小共偏移40次。對于每個偏移半徑,計算4個方向上的平均對齊誤差,將得到10組檢測結果,并繪制AUC0.1曲線比較算法的魯棒性,如圖5所示。從圖中可以看出,當人臉框發(fā)生偏移時,各算法均會受到影響,其中CLM算法表現最為穩(wěn)定。到當偏移半徑超過0.04時,LBF算法變得十分敏感,AUC0.1值從0.451(原始) 到0.438(3 %偏移),到0.409(5 %偏移),到0.363(7 %偏移)。本文的算法較LBF和ESR算法更為穩(wěn)定。

    圖5 人臉框位移下各算法表現

    4.2.2 人臉框縮放

    實驗測試了各個算法在人臉框縮放情況下的表現。實驗中,將標準人臉框按0.9~1.1倍比例縮放,圖6給出了各個算法的表現。比較發(fā)現,本文算法與CLM算法對于人臉框縮放穩(wěn)定性較好,LBF算法對于人臉框縮放十分敏感,即使微小的縮放即極大影響算法的表現。

    圖6 人臉框縮放下各算法表現

    5 結束語

    提出了一種魯棒性更強的相對索引特征,并且依賴于特征點間的約束關系將所有特征點分組學習。實驗結果表明:本文算法加強了形狀約束,在人臉姿態(tài)或人臉框變化條件下具有更強的魯棒性。下一步將嘗試改進二值特征編碼方式,降低特征維度,提高特征的判決性。

    參考文獻:

    [1] Cao X,Wei Y,Wen F,et al.Face alignment by explicit shape regression[C]∥Computer Vision and Pattern Recognition,IEEE,2012:2887-2894.

    [2] Ren S,Cao X,Wei Y,et al.Face alignment at 3000 FPS via regressing local binary features[C]∥IEEE Conference on Computer Vision and Pattern Recognition,IEEE,2014:1685-1692.

    [3] Sagonas C,Tzimiropoulos G,Zafeiriou S,et al.300 Faces in-the-wild challenge:The first facial landmark localization challenge[C]∥IEEE International Conference on Computer Vision Workshops,IEEE,2013:397-403.

    [4] Mathias M,Benenson R,Pedersoli M,et al.Face detection without bells and whistles[M].Computer Vision,ECCV 2014,Springer International Publishing,2014:720-735.

    [5] King D E.Dlibml:A machine learning toolkit[J].Journal of Machine Learning Research,2009,10(3):1755-1758.

    [6] Fan R E,Chang K W,Hsieh C J,et al.LIBLINEAR:A library for large linear classification[J].Journal of Machine Learning Research,2008,9(9):1871-1874.

    [7] Wang Y,Lucey S,Cohn J F.Enforcing convexity for improved alignment with constrained local models[C]∥IEEE Conference on Computer Vision & Pattern Recognition,Proc of IEEE Comput Soc Conf on Comput Vis Pattern Recognit,2008:1.

    [8] Fanelli G,Gall J,Dantone M,et al.Real-time facial feature detection using conditional regression forests[C]∥IEEE Conference on Computer Vision and Pattern Recognition,IEEE Computer Society,2012:2578-2585.

    猜你喜歡
    魯棒性像素點人臉
    有特點的人臉
    荒漠綠洲區(qū)潛在生態(tài)網絡增邊優(yōu)化魯棒性分析
    基于確定性指標的弦支結構魯棒性評價
    中華建設(2019年7期)2019-08-27 00:50:18
    三國漫——人臉解鎖
    動漫星空(2018年9期)2018-10-26 01:17:14
    基于canvas的前端數據加密
    基于逐像素點深度卷積網絡分割模型的上皮和間質組織分割
    基于非支配解集的多模式裝備項目群調度魯棒性優(yōu)化
    非接觸移動供電系統(tǒng)不同補償拓撲下的魯棒性分析
    馬面部與人臉相似度驚人
    基于Node-Cell結構的HEVC幀內編碼
    電視技術(2014年11期)2014-12-02 02:43:28
    成人三级做爰电影| 韩国高清视频一区二区三区| 97精品久久久久久久久久精品| 如何舔出高潮| 国产伦理片在线播放av一区| 日韩av在线免费看完整版不卡| 成年女人毛片免费观看观看9 | 免费高清在线观看视频在线观看| 日韩中文字幕视频在线看片| 欧美国产精品va在线观看不卡| 18禁观看日本| 考比视频在线观看| av网站免费在线观看视频| 亚洲成国产人片在线观看| 久久韩国三级中文字幕| 女人被躁到高潮嗷嗷叫费观| 蜜桃在线观看..| 亚洲成人av在线免费| 哪个播放器可以免费观看大片| 久久午夜综合久久蜜桃| 超碰成人久久| 国产日韩欧美在线精品| 精品福利永久在线观看| 国产精品三级大全| 女性被躁到高潮视频| 极品少妇高潮喷水抽搐| 久久人妻熟女aⅴ| 少妇人妻 视频| av在线播放精品| 婷婷色av中文字幕| 亚洲成av片中文字幕在线观看| 亚洲精品日韩在线中文字幕| 高清av免费在线| 无限看片的www在线观看| 亚洲国产精品国产精品| av.在线天堂| 99久久精品国产亚洲精品| 国产成人a∨麻豆精品| 18禁动态无遮挡网站| 十八禁网站网址无遮挡| 男人操女人黄网站| 毛片一级片免费看久久久久| 97在线人人人人妻| 51午夜福利影视在线观看| 一级毛片 在线播放| 精品国产国语对白av| 伊人久久大香线蕉亚洲五| 大香蕉久久网| 国产成人免费观看mmmm| 国产老妇伦熟女老妇高清| 国产精品久久久av美女十八| 狠狠婷婷综合久久久久久88av| 七月丁香在线播放| 中文乱码字字幕精品一区二区三区| 欧美av亚洲av综合av国产av | 欧美日韩av久久| 日韩视频在线欧美| 亚洲精品视频女| 国产精品免费大片| 青春草国产在线视频| 亚洲精品一二三| 十八禁人妻一区二区| 国产亚洲最大av| 在线免费观看不下载黄p国产| 日韩一区二区视频免费看| 交换朋友夫妻互换小说| 国产高清国产精品国产三级| 黄色 视频免费看| 十八禁网站网址无遮挡| 69精品国产乱码久久久| 高清不卡的av网站| 国产在线一区二区三区精| 国产精品一区二区在线观看99| 人人妻人人澡人人看| 毛片一级片免费看久久久久| 极品少妇高潮喷水抽搐| 美女大奶头黄色视频| 国产精品免费大片| 亚洲精品中文字幕在线视频| 天天添夜夜摸| 别揉我奶头~嗯~啊~动态视频 | 国产人伦9x9x在线观看| 悠悠久久av| 19禁男女啪啪无遮挡网站| 欧美日韩一级在线毛片| av电影中文网址| 国产精品久久久av美女十八| 纵有疾风起免费观看全集完整版| 国产精品免费大片| 国产成人欧美| 看十八女毛片水多多多| 亚洲av福利一区| 男人爽女人下面视频在线观看| 一区福利在线观看| 只有这里有精品99| 王馨瑶露胸无遮挡在线观看| 青春草视频在线免费观看| 中文天堂在线官网| 亚洲国产精品一区三区| 韩国精品一区二区三区| 欧美xxⅹ黑人| 搡老乐熟女国产| 激情视频va一区二区三区| 精品少妇黑人巨大在线播放| 国产一区二区在线观看av| 精品久久久精品久久久| 两个人免费观看高清视频| 一级片免费观看大全| 精品一区在线观看国产| 亚洲精品国产av蜜桃| 夫妻性生交免费视频一级片| 国产精品亚洲av一区麻豆 | 久久性视频一级片| 国产99久久九九免费精品| 伊人久久大香线蕉亚洲五| 99精国产麻豆久久婷婷| 日本猛色少妇xxxxx猛交久久| 少妇 在线观看| 人人妻人人爽人人添夜夜欢视频| 最新在线观看一区二区三区 | 久久久久久免费高清国产稀缺| 国产伦理片在线播放av一区| 国产成人91sexporn| 免费在线观看视频国产中文字幕亚洲 | 国产av精品麻豆| 久久久久精品久久久久真实原创| 一区二区三区乱码不卡18| 亚洲第一av免费看| 欧美最新免费一区二区三区| 久久精品久久久久久噜噜老黄| 午夜日韩欧美国产| 在线观看www视频免费| 国产精品久久久人人做人人爽| 国产精品国产三级专区第一集| 黄色怎么调成土黄色| 自线自在国产av| 国产伦人伦偷精品视频| 精品第一国产精品| 乱人伦中国视频| 肉色欧美久久久久久久蜜桃| 成人漫画全彩无遮挡| 悠悠久久av| 99精国产麻豆久久婷婷| av天堂久久9| 日韩一区二区三区影片| 午夜福利免费观看在线| 欧美中文综合在线视频| 晚上一个人看的免费电影| 90打野战视频偷拍视频| 欧美国产精品一级二级三级| 狠狠精品人妻久久久久久综合| 国产有黄有色有爽视频| 国产一区二区 视频在线| 三上悠亚av全集在线观看| 天天添夜夜摸| 国产日韩一区二区三区精品不卡| 女人高潮潮喷娇喘18禁视频| 电影成人av| 久久人人爽av亚洲精品天堂| 天天躁狠狠躁夜夜躁狠狠躁| 在线观看免费日韩欧美大片| av卡一久久| 亚洲欧美色中文字幕在线| 日韩一本色道免费dvd| 日韩成人av中文字幕在线观看| 自线自在国产av| 高清黄色对白视频在线免费看| 成人18禁高潮啪啪吃奶动态图| 欧美成人精品欧美一级黄| 99精国产麻豆久久婷婷| 欧美久久黑人一区二区| 日本91视频免费播放| 欧美在线一区亚洲| 中文字幕高清在线视频| 久久久精品免费免费高清| 制服诱惑二区| 美女国产高潮福利片在线看| 国产探花极品一区二区| 国产成人啪精品午夜网站| 国产无遮挡羞羞视频在线观看| 亚洲av电影在线进入| av网站在线播放免费| 免费看av在线观看网站| 国产成人精品久久二区二区91 | avwww免费| 亚洲色图 男人天堂 中文字幕| 好男人视频免费观看在线| 在线观看免费视频网站a站| 午夜av观看不卡| 久久精品国产综合久久久| 男女无遮挡免费网站观看| 91国产中文字幕| av国产久精品久网站免费入址| 久热这里只有精品99| 欧美日韩视频精品一区| 成年人午夜在线观看视频| 中文字幕人妻丝袜一区二区 | 国产不卡av网站在线观看| 看非洲黑人一级黄片| av不卡在线播放| 国产一卡二卡三卡精品 | 在线观看www视频免费| 欧美日韩综合久久久久久| xxx大片免费视频| 在线观看www视频免费| 精品国产露脸久久av麻豆| 一级毛片电影观看| 精品亚洲成国产av| av在线观看视频网站免费| 精品卡一卡二卡四卡免费| 一区二区日韩欧美中文字幕| 日韩一卡2卡3卡4卡2021年| 国产精品99久久99久久久不卡 | 国产老妇伦熟女老妇高清| 91精品三级在线观看| 中文字幕色久视频| 亚洲精品国产av蜜桃| 伊人亚洲综合成人网| 亚洲色图综合在线观看| 国产午夜精品一二区理论片| 日韩制服骚丝袜av| 蜜桃国产av成人99| 色精品久久人妻99蜜桃| 高清欧美精品videossex| 久久av网站| 一本—道久久a久久精品蜜桃钙片| 亚洲熟女毛片儿| 欧美日韩综合久久久久久| 久久久久人妻精品一区果冻| 美女午夜性视频免费| 国产精品一国产av| 亚洲欧美一区二区三区国产| 狠狠婷婷综合久久久久久88av| 人人澡人人妻人| 天天影视国产精品| 久久这里只有精品19| 国产亚洲av高清不卡| 色网站视频免费| 男女高潮啪啪啪动态图| 国产成人系列免费观看| 男女免费视频国产| 日韩成人av中文字幕在线观看| 国产又爽黄色视频| 色婷婷av一区二区三区视频| 在线亚洲精品国产二区图片欧美| 亚洲精品久久久久久婷婷小说| 国语对白做爰xxxⅹ性视频网站| 18禁国产床啪视频网站| 午夜久久久在线观看| 国产在线一区二区三区精| 超色免费av| av不卡在线播放| 九草在线视频观看| 国产人伦9x9x在线观看| 亚洲精品久久成人aⅴ小说| 久久这里只有精品19| 黄网站色视频无遮挡免费观看| 国产有黄有色有爽视频| 亚洲成人手机| 老汉色av国产亚洲站长工具| 国产精品欧美亚洲77777| 亚洲av在线观看美女高潮| 国产极品天堂在线| 九色亚洲精品在线播放| 大话2 男鬼变身卡| 国语对白做爰xxxⅹ性视频网站| 91精品三级在线观看| 亚洲国产中文字幕在线视频| 97在线人人人人妻| 亚洲av成人精品一二三区| 秋霞在线观看毛片| 欧美精品一区二区大全| 王馨瑶露胸无遮挡在线观看| 91精品三级在线观看| 午夜久久久在线观看| 欧美av亚洲av综合av国产av | 一级爰片在线观看| 日韩精品有码人妻一区| 丝袜在线中文字幕| 久久性视频一级片| 亚洲欧美激情在线| 国产精品 国内视频| 一本久久精品| 成人亚洲精品一区在线观看| 久久精品久久精品一区二区三区| 欧美黑人欧美精品刺激| 国产日韩一区二区三区精品不卡| 国产成人午夜福利电影在线观看| 国产精品三级大全| 久久狼人影院| e午夜精品久久久久久久| 婷婷色av中文字幕| 久久性视频一级片| 日韩中文字幕欧美一区二区 | 国产男女内射视频| 国产又爽黄色视频| 中文字幕色久视频| 一个人免费看片子| 色吧在线观看| 韩国精品一区二区三区| 国产熟女午夜一区二区三区| 亚洲精品在线美女| 国产精品国产三级专区第一集| 国产老妇伦熟女老妇高清| 久久国产精品大桥未久av| 最近中文字幕高清免费大全6| 午夜福利一区二区在线看| 国产成人欧美在线观看 | 午夜福利,免费看| 亚洲国产中文字幕在线视频| 日韩电影二区| 18禁裸乳无遮挡动漫免费视频| 成年av动漫网址| 如日韩欧美国产精品一区二区三区| 亚洲欧美中文字幕日韩二区| 男女免费视频国产| 女性被躁到高潮视频| 亚洲成人av在线免费| 丁香六月欧美| 亚洲国产日韩一区二区| 日韩成人av中文字幕在线观看| 久久久欧美国产精品| 久久久国产一区二区| 在线观看人妻少妇| 亚洲av男天堂| 日韩制服丝袜自拍偷拍| 精品国产一区二区久久| 天天躁夜夜躁狠狠躁躁| 在线观看免费午夜福利视频| 亚洲精品在线美女| 欧美日韩视频精品一区| 亚洲国产欧美日韩在线播放| 美女主播在线视频| 纯流量卡能插随身wifi吗| 欧美精品一区二区免费开放| 另类精品久久| 久久性视频一级片| 亚洲精品国产区一区二| 欧美人与性动交α欧美精品济南到| 麻豆乱淫一区二区| 只有这里有精品99| 亚洲av综合色区一区| 国产极品天堂在线| 精品国产超薄肉色丝袜足j| 1024视频免费在线观看| 国产日韩欧美视频二区| 国产极品天堂在线| 在线免费观看不下载黄p国产| 男的添女的下面高潮视频| 色婷婷久久久亚洲欧美| 欧美精品一区二区大全| 97人妻天天添夜夜摸| 国产福利在线免费观看视频| 久久久久精品性色| 天天躁夜夜躁狠狠久久av| 中文乱码字字幕精品一区二区三区| 久久人妻熟女aⅴ| 人妻人人澡人人爽人人| 免费观看人在逋| av国产久精品久网站免费入址| 90打野战视频偷拍视频| 丰满少妇做爰视频| 叶爱在线成人免费视频播放| 一区二区三区乱码不卡18| 欧美日韩综合久久久久久| 王馨瑶露胸无遮挡在线观看| 香蕉丝袜av| 国产在视频线精品| 满18在线观看网站| 最近2019中文字幕mv第一页| 亚洲精品久久久久久婷婷小说| 亚洲精品成人av观看孕妇| 男女边摸边吃奶| 最近2019中文字幕mv第一页| 亚洲人成电影观看| 国产亚洲一区二区精品| 男人操女人黄网站| 18禁动态无遮挡网站| 99精品久久久久人妻精品| 久久久久久久大尺度免费视频| 国产精品成人在线| 亚洲精品中文字幕在线视频| 精品国产乱码久久久久久小说| 国产精品蜜桃在线观看| 看非洲黑人一级黄片| 在线亚洲精品国产二区图片欧美| 久久这里只有精品19| 国产在线一区二区三区精| 菩萨蛮人人尽说江南好唐韦庄| 老熟女久久久| 桃花免费在线播放| 巨乳人妻的诱惑在线观看| 精品午夜福利在线看| 精品国产一区二区三区四区第35| 一级毛片电影观看| 一本一本久久a久久精品综合妖精| 黑人猛操日本美女一级片| 日韩一区二区视频免费看| 久久久精品94久久精品| 国产毛片在线视频| av国产精品久久久久影院| 黄色视频不卡| 99九九在线精品视频| 美女脱内裤让男人舔精品视频| 婷婷色综合www| 男女之事视频高清在线观看 | 建设人人有责人人尽责人人享有的| av在线观看视频网站免费| 超碰97精品在线观看| 日本午夜av视频| 纯流量卡能插随身wifi吗| 日韩不卡一区二区三区视频在线| 日本91视频免费播放| 自拍欧美九色日韩亚洲蝌蚪91| 日韩精品免费视频一区二区三区| 久久久久人妻精品一区果冻| 亚洲国产日韩一区二区| 咕卡用的链子| 亚洲欧美精品自产自拍| 亚洲欧美精品综合一区二区三区| 1024视频免费在线观看| 老司机靠b影院| 人人妻人人澡人人看| 亚洲少妇的诱惑av| 成人三级做爰电影| 宅男免费午夜| 国产1区2区3区精品| 国产欧美亚洲国产| 一本久久精品| 久久久亚洲精品成人影院| 青春草国产在线视频| 日本午夜av视频| 国产深夜福利视频在线观看| 亚洲国产欧美在线一区| 国产不卡av网站在线观看| 观看美女的网站| 日韩,欧美,国产一区二区三区| 啦啦啦视频在线资源免费观看| 成人亚洲精品一区在线观看| 2021少妇久久久久久久久久久| 免费观看av网站的网址| 狂野欧美激情性bbbbbb| 欧美日韩视频精品一区| 高清在线视频一区二区三区| 午夜激情久久久久久久| 熟女av电影| 日本av手机在线免费观看| 色94色欧美一区二区| 高清欧美精品videossex| 久久久久久久久久久久大奶| 婷婷色av中文字幕| 99热网站在线观看| 在线观看免费视频网站a站| 青春草亚洲视频在线观看| 国产毛片在线视频| 好男人视频免费观看在线| 久久精品国产亚洲av高清一级| 国产精品一区二区精品视频观看| 国产 一区精品| 一边亲一边摸免费视频| 亚洲视频免费观看视频| 久久国产亚洲av麻豆专区| 日韩熟女老妇一区二区性免费视频| 日韩一卡2卡3卡4卡2021年| 国产又爽黄色视频| 欧美久久黑人一区二区| 亚洲人成77777在线视频| 美女福利国产在线| 国产成人精品福利久久| 91精品国产国语对白视频| 精品国产乱码久久久久久男人| 在现免费观看毛片| 国产黄频视频在线观看| 亚洲精品一区蜜桃| 成人三级做爰电影| 日韩视频在线欧美| 中文精品一卡2卡3卡4更新| 日韩视频在线欧美| 人人澡人人妻人| 欧美激情 高清一区二区三区| 国产精品 欧美亚洲| 国产成人午夜福利电影在线观看| 国产免费视频播放在线视频| 亚洲七黄色美女视频| 国产精品国产三级国产专区5o| 欧美日韩福利视频一区二区| 巨乳人妻的诱惑在线观看| av天堂久久9| 五月开心婷婷网| 热99国产精品久久久久久7| 国产黄色免费在线视频| 在线亚洲精品国产二区图片欧美| 国产精品人妻久久久影院| kizo精华| av国产久精品久网站免费入址| 人成视频在线观看免费观看| 丝袜在线中文字幕| 成年女人毛片免费观看观看9 | 在线天堂中文资源库| 丝袜美足系列| 国产福利在线免费观看视频| 亚洲精品国产区一区二| 国产精品亚洲av一区麻豆 | 91精品伊人久久大香线蕉| 亚洲七黄色美女视频| 国产亚洲一区二区精品| e午夜精品久久久久久久| 考比视频在线观看| 久久韩国三级中文字幕| 国产精品久久久久久人妻精品电影 | 五月开心婷婷网| 老司机亚洲免费影院| 黄片无遮挡物在线观看| 丁香六月天网| 成人18禁高潮啪啪吃奶动态图| 人人妻人人澡人人爽人人夜夜| 国产老妇伦熟女老妇高清| 国产一区二区三区av在线| 亚洲少妇的诱惑av| 久久ye,这里只有精品| 成人免费观看视频高清| 亚洲一区中文字幕在线| 别揉我奶头~嗯~啊~动态视频 | 18禁观看日本| 欧美中文综合在线视频| av有码第一页| 9热在线视频观看99| 国产一区二区三区av在线| 丝袜喷水一区| 两个人看的免费小视频| 欧美日韩综合久久久久久| 少妇人妻精品综合一区二区| 亚洲欧美成人综合另类久久久| 精品视频人人做人人爽| 高清不卡的av网站| 男的添女的下面高潮视频| 国产欧美日韩一区二区三区在线| 色综合欧美亚洲国产小说| 国产精品久久久人人做人人爽| av卡一久久| 日韩一本色道免费dvd| 自线自在国产av| 免费av中文字幕在线| 大香蕉久久网| 国产精品99久久99久久久不卡 | 久久狼人影院| 啦啦啦视频在线资源免费观看| 人成视频在线观看免费观看| 999久久久国产精品视频| 欧美日韩亚洲国产一区二区在线观看 | 亚洲成人免费av在线播放| 777米奇影视久久| 国产探花极品一区二区| 一边摸一边抽搐一进一出视频| 日本色播在线视频| 久久狼人影院| 91精品伊人久久大香线蕉| 色精品久久人妻99蜜桃| 国产乱人偷精品视频| 亚洲国产精品一区三区| 国产伦人伦偷精品视频| 老司机靠b影院| 亚洲精品国产一区二区精华液| 日韩,欧美,国产一区二区三区| 一本久久精品| 国产一区二区三区av在线| 日本欧美视频一区| 黄色毛片三级朝国网站| 日韩av在线免费看完整版不卡| 精品亚洲乱码少妇综合久久| 成人漫画全彩无遮挡| 免费观看av网站的网址| 晚上一个人看的免费电影| 国产精品免费大片| 国产精品一区二区在线观看99| 韩国av在线不卡| 国产精品亚洲av一区麻豆 | 高清欧美精品videossex| 国产 一区精品| 男女无遮挡免费网站观看| 午夜福利视频精品| 亚洲人成电影观看| 午夜影院在线不卡| 日日摸夜夜添夜夜爱| a级毛片在线看网站| 韩国精品一区二区三区| 久久影院123| 国产免费福利视频在线观看| 999久久久国产精品视频| 久久ye,这里只有精品| 中文字幕人妻丝袜制服| 悠悠久久av| 欧美少妇被猛烈插入视频| 欧美最新免费一区二区三区| 国产亚洲av高清不卡| 日本wwww免费看| 国产毛片在线视频| av不卡在线播放| 午夜av观看不卡| 久热这里只有精品99| 一区二区三区乱码不卡18| 免费观看a级毛片全部| 80岁老熟妇乱子伦牲交| 天天躁日日躁夜夜躁夜夜| 如日韩欧美国产精品一区二区三区| 国产精品香港三级国产av潘金莲 | 国产在线一区二区三区精| 久久综合国产亚洲精品| 在线看a的网站| 黑人巨大精品欧美一区二区蜜桃| 久久影院123| 国产女主播在线喷水免费视频网站| 国产在线一区二区三区精| 我的亚洲天堂| 日韩人妻精品一区2区三区|