• <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 ?

    基于路徑增強(qiáng)SSD的遺失物體檢測(cè)模型

    2020-01-05 07:00:06徐好好單志勇徐超
    軟件導(dǎo)刊 2020年11期
    關(guān)鍵詞:目標(biāo)檢測(cè)卷積神經(jīng)網(wǎng)絡(luò)

    徐好好 單志勇 徐超

    摘 要:在日常出行中,乘客經(jīng)常會(huì)將一些重要物品遺落在出租車后座上,而司機(jī)往往因?yàn)楹鲆暿钩丝统霈F(xiàn)損失。為對(duì)車內(nèi)遺失物體進(jìn)行檢測(cè),提出一種改進(jìn)的SSD目標(biāo)檢測(cè)模型。在主干網(wǎng)絡(luò)部分引入路徑增強(qiáng)的特征金字塔網(wǎng)絡(luò)(FPN),稱為PA-SSD。將PA-SSD應(yīng)用于常見遺失物品檢測(cè)實(shí)驗(yàn),結(jié)果表明,該算法檢測(cè)速度為12fps,在驗(yàn)證集上的mAP為98.6%?;赑A-SSD的檢測(cè)模型能高效且準(zhǔn)確地識(shí)別乘客遺失物體,方便通知領(lǐng)取,減少乘客不必要的損失。

    關(guān)鍵詞:目標(biāo)檢測(cè);卷積神經(jīng)網(wǎng)絡(luò);SSD;FPN;路徑增強(qiáng)

    DOI:10. 11907/rjdk. 201379

    中圖分類號(hào):TP306 ??? 文獻(xiàn)標(biāo)識(shí)碼:A?????? 文章編號(hào):1672-7800(2020)011-0017-04

    Lost Object Detector Based on PA-SSD

    XU Hao-hao1,SHAN Zhi-yong2,XU Chao1

    (1. School of Information Science and Technology, Donghua University;

    2. Ministry of Education, Digital Textile Research Center, Shanghai 201620, China)

    Abstract:In daily travel, passengers often leave some important items in the back seat of the taxi, and drivers often fail to notice that the loss of these items, which causes passengers property lose. In order to detect the lost objects in the car,this paper proposes an improved SSD detector which uses path augumented FPN in the backbone and it is called single shot multibox detection with path augumentation(PA-SSD). PA-SSD is applied to the detection of common lost items. The experimental results show that the detection speed of this detector is 12fps, and the mAP on the verification set is 98.6. PA-SSD can efficiently and accurately identify the lost objects, and it is easy to remind the passengers.

    Key Words:object detection; convolutional neural network; SSD; FPN; path augumentation

    0 引言

    隨著深度學(xué)習(xí)的發(fā)展,基于深度學(xué)習(xí)的目標(biāo)檢測(cè)模型研究成為熱點(diǎn)。Firshick[1]為解決R-CNN速度較慢問題提出Fast R-CNN,使特征提取過程可共享,加快了檢測(cè)速度,但提取RoI仍然會(huì)消耗大量時(shí)間;Ren等[2]提出Faster R-CNN并引入RPN,將獲取提議區(qū)域過程放入整個(gè)網(wǎng)絡(luò)一起訓(xùn)練以加快檢測(cè)速度;Dai等[3]提出R-FCN引入位置敏感得分圖使RoI具有較明確的位置信息,減輕Head結(jié)構(gòu)計(jì)算量從而提高檢測(cè)速度;Redmon等[4]提出在YOLO引入網(wǎng)格思想,在網(wǎng)格中做預(yù)測(cè);Liu等[5]在SSD中基于不同尺度特征圖生成錨框進(jìn)行預(yù)測(cè);Lin等[6]提出RetinaNet引入Focal loss作為分類損失函數(shù),避免樣本不平衡的影響;佘顥等[7]引入組歸一化和TReLU激活函數(shù)對(duì)SSD進(jìn)行改進(jìn);沈新烽等[8]使用輕量級(jí)MobileNetV3-Large作為SSD主干網(wǎng)絡(luò),并利用FPN[9]提升對(duì)小物體檢測(cè)效果;韓文軒等[10]采用深度可分離卷積代替卷積層加快SSD檢測(cè)速度。

    以上文獻(xiàn)均沒有考慮主干網(wǎng)絡(luò)輸出的較深層特征圖位置信息不明確這一因素。本文借鑒PANet[11]思想,基于Mask R-CNN[12]框架進(jìn)行改進(jìn),在主干網(wǎng)絡(luò)FPN結(jié)構(gòu)上添加一條自底向上的路徑增強(qiáng)分支,用于加強(qiáng)深層特征圖位置信息,針對(duì)PANet不便于實(shí)時(shí)性檢測(cè)問題提出PA-SSD。在遺失物體圖像數(shù)據(jù)集上進(jìn)行訓(xùn)練和測(cè)試,結(jié)果顯示mAP較SSD檢測(cè)率有顯著提升。

    1 SSD簡(jiǎn)介

    1.1 SSD整體框架

    SSD整體框架由一個(gè)主干網(wǎng)絡(luò)和若干個(gè)下采樣模塊連接而成,如圖1所示。使用VGG16[13]作為主干網(wǎng)絡(luò)只輸出一個(gè)特征圖,然后通過若干下采樣模塊將特征圖尺寸減半生成多尺度特征圖。因此,圖1中越靠近頂部的特征圖尺寸越小,像素感受野越大,越適合檢測(cè)尺寸較大目標(biāo)。針對(duì)不同尺度特征圖分別基于錨框機(jī)制進(jìn)行分類以及邊界框偏移量回歸,使檢測(cè)器適應(yīng)不同尺度物體。

    1.2 損失函數(shù)

    目標(biāo)檢測(cè)任務(wù)分為分類和邊界框偏移量回歸,最終損失函數(shù)定義為兩者各自損失函數(shù)的加權(quán)和。SSD損失函數(shù)如下:

    式(1)為模型最終損失函數(shù),是回歸損失和分類損失兩部分的加權(quán)和。其中[N]代表錨框數(shù)量,[Lconf(x,c)]和[Lloc(x,l,g)]分別代表分類和回歸損失,[x]為錨框,[c]為置信度,[l]為預(yù)測(cè)框,[g]為真實(shí)框,[α]代表權(quán)重系數(shù)。式(2)是回歸損失,使用光滑L1損失,只對(duì)正類錨框計(jì)算損失,[i,j,p]分別代表錨框、真實(shí)框和類別索引,[p=0]代表背景類,[m∈{cx,cy,w,h}]代表4個(gè)邊界框偏移量,[xpij={0,1}],取1時(shí)代表第[i]個(gè)錨框與第[j]個(gè)真實(shí)框交并比大于設(shè)定閾值,即關(guān)于類別[p]匹配,取0時(shí)即不匹配,不計(jì)算損失。式(3)是分類損失,為多元交叉熵?fù)p失,[cpi]代表第[i]個(gè)錨框預(yù)測(cè)為類別[p]的概率。

    2 PA-SSD

    使用如ResNet[14]等全卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)作為主干網(wǎng)絡(luò),輸出特征圖位置信息較少,通過下采樣模塊后生成的深層特征圖包含的位置信息更少,無法準(zhǔn)確預(yù)測(cè)目標(biāo)邊界框,這是SSD存在的主要問題。針對(duì)該問題,本文結(jié)合FPN以及路徑增強(qiáng)方法對(duì)SSD進(jìn)行改進(jìn),提出PA-SSD,使主干網(wǎng)絡(luò)輸出的多尺度特征圖同時(shí)具有較高的位置信息和語(yǔ)義信息,從而提升檢測(cè)精度。

    2.1 FPN簡(jiǎn)介

    深度卷積神經(jīng)網(wǎng)絡(luò)往往輸出具有明確語(yǔ)義信息的特征圖,但其位置信息不明確。FPN在基礎(chǔ)網(wǎng)絡(luò)上引入特征金字塔結(jié)構(gòu)提取多尺度特征圖,采用特征融合方式使得淺層特征圖也具有較明確的語(yǔ)義信息,其結(jié)構(gòu)如圖2所示,包括自底向上分支、自頂向下分支以及橫向連接3個(gè)部分。自底向上分支采用基礎(chǔ)卷積神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),以ResNet為例,輸出特征圖分別為[C1,C2,C3,C4,C5],C1由于尺度過大不參與特征融合。橫向連接利用1×1的卷積將這些特征圖通道數(shù)統(tǒng)一到256,得到[C2,C3,C4,C5]。自頂向下分支即特征融合計(jì)算,C5即M5,上采樣后與C4'作逐元素求和得到M4,同理得到M3和M2。為消除混疊效應(yīng)還需要將[M2,M3,M4,M5]通過3×3卷積得到的[P2,P3,P4,P5]作為FPN輸出。FPN結(jié)合錨框機(jī)制適用于檢測(cè)各種尺寸目標(biāo),但FPN輸出的頂層特征圖位置信息并未得到加強(qiáng),所以檢測(cè)器對(duì)大物體位置回歸不夠準(zhǔn)確。

    2.2 基于路徑增強(qiáng)FPN的主干網(wǎng)絡(luò)

    PANet為解決FPN深層特征圖位置信息不明確問題引入基于路徑增強(qiáng)的FPN作為主干網(wǎng)絡(luò),結(jié)構(gòu)如圖3所示。FPN輸出[P2,P3,P4,P5],此時(shí)深層特征圖位置信息仍然很弱,所以在FPN右側(cè)添加一條自底向上的特征融合分支。P2即N2,N2通過步幅為2的3×3卷積將尺寸減半后,與P3作逐元素求和后再經(jīng)過一個(gè)步幅為1的3×3卷積得到N3,同理得到N4和N5。本文為了檢測(cè)更大的目標(biāo)將N5通過一個(gè)最大池化層將尺寸減半得到N6。綜上,基于路徑增強(qiáng)的FPN由于進(jìn)行了兩次特征融合,使得特征圖同時(shí)具備較明確的語(yǔ)義信息與位置信息,能更好地執(zhí)行目標(biāo)檢測(cè)任務(wù)。

    2.3 PA-SSD整體框架

    PA-SSD目標(biāo)檢測(cè)流程如圖4所示。為減少計(jì)算量,主干網(wǎng)絡(luò)輸出的N2不參與預(yù)測(cè)。由于FPN結(jié)構(gòu)直接輸出多尺度特征圖,所以不需要額外的尺寸減半模塊和全局平均池化層,直接基于[N3,N4,N5,N6]生成錨框并基于這些錨框進(jìn)行分類與偏移量回歸。

    PA-SSD的Head結(jié)構(gòu)包含類別預(yù)測(cè)層和邊界框回歸層,損失函數(shù)與SSD保持一致。設(shè)預(yù)測(cè)物體類別數(shù)為C,加上背景類,每個(gè)錨框?qū)㈩A(yù)測(cè)C+1個(gè)類別,則對(duì)于一個(gè)高、寬分別為h、w的特征圖,每個(gè)單元生成a個(gè)錨框,一共生成ahw個(gè)錨框。分類預(yù)測(cè)層利用卷積層通道輸出類別預(yù)測(cè),將[N3,N4,N5,N6]分別進(jìn)行1×1的卷積使通道數(shù)變?yōu)閍(C+1),使輸出和輸入與特征圖上每個(gè)點(diǎn)的空間坐標(biāo)一一對(duì)應(yīng),最后使用Softmax函數(shù)作為激活函數(shù)輸出類別置信度。邊界框回歸層設(shè)計(jì)方法同類別預(yù)測(cè)層設(shè)計(jì)類似,同樣對(duì)[N3,N4,N5,N6]分別做1×1卷積。由于每個(gè)錨框需要預(yù)測(cè)4個(gè)偏移量,所以輸出通道數(shù)設(shè)為4a。

    3 實(shí)驗(yàn)結(jié)果與分析

    3.1 數(shù)據(jù)集

    本文使用自制數(shù)據(jù)集,包含1 000張圖像,其中訓(xùn)練集800張,驗(yàn)證和測(cè)試集各100張。數(shù)據(jù)集包含6類容易遺漏的物體,分別為筆記本電腦、身份證、水杯、手機(jī)、背包和錢包。加載數(shù)據(jù)集時(shí)需將輸入圖片尺寸轉(zhuǎn)換為1 024×???? 1 024×3,批量大小為4,所以一個(gè)批量輸入形狀為(4,3,?? 1 024,1 024),標(biāo)簽形狀為(批量大小,n,5),n代表單個(gè)圖像最多含有的邊界框個(gè)數(shù),本文設(shè)置n=10,而5代表物體類別及4個(gè)偏移量。

    3.2 實(shí)驗(yàn)流程

    PA-SSD損失函數(shù)與SSD保持一致,主干網(wǎng)絡(luò)使用ResNet50基于ImageNet預(yù)訓(xùn)練,整個(gè)模型使用SGD優(yōu)化器進(jìn)行訓(xùn)練,基礎(chǔ)學(xué)習(xí)率設(shè)置為1e-3,隨迭代次數(shù)逐漸降低,權(quán)重衰減系數(shù)設(shè)置為5e-4,共迭代20 000次。訓(xùn)練流程如圖5所示。

    將SSD、DSSD[15]、YOLO V3[16]以及本文提出的PA-SSD在數(shù)據(jù)集上進(jìn)行訓(xùn)練,并使用均值平均精確率(mean Average Precision, mAP)對(duì)4種檢測(cè)器進(jìn)行評(píng)估對(duì)比,mAP指每一類物體對(duì)應(yīng)P-R曲線下的面積平均值,能夠較好顯示檢測(cè)器質(zhì)量。

    3.3 實(shí)驗(yàn)結(jié)果

    4種檢測(cè)器在遺失物體數(shù)據(jù)集上對(duì)比實(shí)驗(yàn)如表1所示,分別記錄不同檢測(cè)器的主干網(wǎng)絡(luò)結(jié)構(gòu)、mAP以及識(shí)別速度。

    如表1所示,PA-SSD雖然較SSD和YOLOV3犧牲了一些識(shí)別速度,但是精度得到顯著提高,且精度和速度都優(yōu)于DSSD,證明PA-SSD在檢測(cè)遺失物體精度上優(yōu)于主流一階段目標(biāo)檢測(cè)框架。

    為了移除檢測(cè)器生成的多余邊界框,在測(cè)試階段使用非極大值抑制(non-maximum suppression,NMS)對(duì)檢測(cè)器結(jié)果進(jìn)行后處理,選取測(cè)試集中某張測(cè)試圖片,其預(yù)測(cè)結(jié)果如圖6所示,可以看到即使在光線較暗的場(chǎng)景下,PA-SSD也能準(zhǔn)確識(shí)別出遺漏的物體。

    4 結(jié)語(yǔ)

    本文基于SSD提出一種PA-SSD目標(biāo)檢測(cè)模型,主干網(wǎng)絡(luò)部分引入自底向上路徑增強(qiáng)的FPN,摒棄了下采樣模塊和全局平均池化層獲取多尺度特征圖方式,直接基于主干網(wǎng)絡(luò)輸出多尺度特征圖生成錨框,并進(jìn)行分類和邊界框回歸。使用本文模型在遺失物數(shù)據(jù)集上進(jìn)行訓(xùn)練實(shí)驗(yàn),結(jié)果表明,PA-SSD較主流一階段的檢測(cè)模型具有更高的mAP。但本文自制的數(shù)據(jù)集只包含6個(gè)類別,在更多類別上的檢測(cè)結(jié)果未知,泛化能力有待增強(qiáng),需在后續(xù)工作中繼續(xù)優(yōu)化。

    參考文獻(xiàn):

    [1] GIRSHICK R. Fast R-CNN[C].? Proceedings of the IEEE conference on computer vision and pattern recognition, 2015: 1440-1448.

    [2] REN S, HE K, GIRSHICK R, et al. Faster R-CNN: towards real-time object detection with region proposal networks[C].? Advances in Neural Information Processing Systems,2015: 91-99.

    [3] DAI J, LI Y, HE K, et al. R-FCN: object detection via region-based fully convolutional networks[C].? Advances in Neural Information Processing Systems,2016: 379-387.

    [4] REDMON J, DIVVALA S, GIRSHICK R, et al. You only look once: unified, real-time object detection[C].? Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition,2016:779-788.

    [5] LIU W, ANGUELOV D, ERHAN D, et al. Ssd: single shot multibox detector[C].? European Conference on Computer Vision. Springer, Cham, 2016:21-37.

    [6] LIN T Y, GOYAL P, GIRSHICK R, et al. Focal loss for dense object detection[J].? arXivpreprint:2017,1708(2),2002-2011.

    [7] 佘顥,吳伶,單魯泉. 基于SSD網(wǎng)絡(luò)模型改進(jìn)的水稻害蟲識(shí)別方法[J]. 鄭州大學(xué)學(xué)報(bào)(理學(xué)版): 2019,26(5):1-6.

    [8] 沈新烽,姜平,周根榮. 改進(jìn)SSD算法在零部件檢測(cè)中的應(yīng)用研究[J]. 計(jì)算機(jī)工程與應(yīng)用,2011,25(4):1-10.

    [9] LIN TY, DOLLAR P, GIRSHICK R,et al. Feature pyramid networks for object detection[J].? arXiv preprint, 2016,1612(1):31-44.

    [10] 韓文軒,阿里甫·庫(kù)爾班,黃梓桐. 基于改進(jìn)SSD算法的遙感影像小目標(biāo)快速檢測(cè)[J]. 新疆大學(xué)學(xué)報(bào)(自然科學(xué)版),2019,18(11):1-7.

    [11] LIU S,?QI L,?QIN H, et al.Path aggregation network for instance segmentation[J].? arXiv preprint, 2018,18(3):15-34.

    [12] HE K, GKIOXARI G, DOLLAR P, et al. Mask r-cnn[C].? Computer Vision (ICCV), 2017 IEEE International Conference on,IEEE, 2017:2980-2988.

    [13] SIMONYAN K, ZISSERMAN A. Very deep convolutional networks for large-scale image recognition[J].? arXiv preprint,2014(9):1409-1556.

    [14] HE K, ZHANG X, REN S, etal. Deep residual learningfor image recognition[C].? Proceedings of the IEEE conference on computer vision and pattern recognition, 2016: 770-778.

    [15] FU CY, LIU W, RANGA A, et al. Dssd: deconvolutional single shot detector[J].? arXiv preprint, 2017,1701(12):59-66.

    [16] REDMON J, FARHADI A. Yolov3: an incremental improvement[J]. arXiv preprint, 2018, 1804(9):27-67.

    (責(zé)任編輯:杜能鋼)

    收稿日期:2020-04-17

    基金項(xiàng)目:國(guó)家自然科學(xué)基金項(xiàng)目(61602110)

    作者簡(jiǎn)介:徐好好(1994-),男,東華大學(xué)信息科學(xué)與技術(shù)學(xué)院碩士研究生,研究方向?yàn)橛?jì)算機(jī)視覺;單志勇(1967-),男,博士,東華大學(xué)信息科學(xué)與技術(shù)學(xué)院副教授、碩士生導(dǎo)師,研究方向?yàn)殡姶艌?chǎng)與微波技術(shù)、無線通信、天線、人工智能;徐超(1994-),男,東華大學(xué)信息科學(xué)與技術(shù)學(xué)院碩士研究生,研究方向?yàn)槿褐悄軆?yōu)化算法。本文通訊作者:?jiǎn)沃居隆?/p>

    猜你喜歡
    目標(biāo)檢測(cè)卷積神經(jīng)網(wǎng)絡(luò)
    基于卷積神經(jīng)網(wǎng)絡(luò)溫室智能大棚監(jiān)控系統(tǒng)的研究
    視頻中目標(biāo)檢測(cè)算法研究
    軟件(2016年4期)2017-01-20 09:38:03
    基于深度卷積神經(jīng)網(wǎng)絡(luò)的物體識(shí)別算法
    行為識(shí)別中的人體運(yùn)動(dòng)目標(biāo)檢測(cè)方法
    深度學(xué)習(xí)算法應(yīng)用于巖石圖像處理的可行性研究
    基于深度卷積網(wǎng)絡(luò)的人臉年齡分析算法與實(shí)現(xiàn)
    軟件工程(2016年8期)2016-10-25 15:47:34
    移動(dòng)機(jī)器人圖像目標(biāo)識(shí)別
    基于卷積神經(jīng)網(wǎng)絡(luò)的樹葉識(shí)別的算法的研究
    基于背景建模法的運(yùn)動(dòng)目標(biāo)檢測(cè)
    基于P3電位的目標(biāo)檢測(cè)研究
    科技視界(2016年4期)2016-02-22 13:09:19
    av福利片在线| 另类精品久久| 91麻豆精品激情在线观看国产 | 窝窝影院91人妻| 亚洲欧美精品综合一区二区三区| avwww免费| 国产男女超爽视频在线观看| 国产成人一区二区三区免费视频网站| 大片免费播放器 马上看| 激情视频va一区二区三区| 国产精品香港三级国产av潘金莲| 大陆偷拍与自拍| 男人操女人黄网站| 啦啦啦在线免费观看视频4| 国产亚洲一区二区精品| 亚洲久久久国产精品| 亚洲av国产av综合av卡| 青青草视频在线视频观看| 亚洲精品第二区| 精品一区二区三卡| 男女下面插进去视频免费观看| 免费不卡黄色视频| 9191精品国产免费久久| 在线观看人妻少妇| 亚洲国产精品一区二区三区在线| 婷婷丁香在线五月| 9热在线视频观看99| 日本欧美视频一区| 国产精品久久久久久人妻精品电影 | 一级,二级,三级黄色视频| 欧美一级毛片孕妇| av免费在线观看网站| avwww免费| 人成视频在线观看免费观看| 黑人猛操日本美女一级片| 女性被躁到高潮视频| 无遮挡黄片免费观看| 午夜福利在线免费观看网站| 亚洲精品乱久久久久久| 下体分泌物呈黄色| 宅男免费午夜| 成人黄色视频免费在线看| 天堂8中文在线网| 午夜两性在线视频| 久久久欧美国产精品| 天天添夜夜摸| 亚洲精品粉嫩美女一区| 久久久国产精品麻豆| 成人手机av| 亚洲avbb在线观看| 精品高清国产在线一区| 亚洲五月色婷婷综合| 国产亚洲精品第一综合不卡| 999久久久精品免费观看国产| 久热爱精品视频在线9| a级毛片黄视频| 激情视频va一区二区三区| 黄片小视频在线播放| 免费高清在线观看视频在线观看| 精品国内亚洲2022精品成人 | 国产成人av激情在线播放| 建设人人有责人人尽责人人享有的| 另类亚洲欧美激情| 后天国语完整版免费观看| 人人妻人人添人人爽欧美一区卜| 久久人人97超碰香蕉20202| 黄色视频不卡| 久久久久久亚洲精品国产蜜桃av| 日韩免费高清中文字幕av| 男女午夜视频在线观看| 亚洲黑人精品在线| 欧美国产精品一级二级三级| 蜜桃国产av成人99| 俄罗斯特黄特色一大片| 欧美日韩亚洲国产一区二区在线观看 | 人成视频在线观看免费观看| 久久人人爽av亚洲精品天堂| 丝瓜视频免费看黄片| 一个人免费在线观看的高清视频 | 女人被躁到高潮嗷嗷叫费观| 免费观看人在逋| 18禁裸乳无遮挡动漫免费视频| 欧美人与性动交α欧美软件| 欧美午夜高清在线| 免费在线观看黄色视频的| 精品国产乱子伦一区二区三区 | 中文字幕色久视频| 五月天丁香电影| 一区福利在线观看| 亚洲天堂av无毛| 一级毛片精品| 免费少妇av软件| 国产成人精品久久二区二区91| 亚洲国产中文字幕在线视频| 999久久久精品免费观看国产| 老汉色av国产亚洲站长工具| 极品人妻少妇av视频| 亚洲精品国产av成人精品| 国产精品久久久av美女十八| 亚洲人成电影观看| 男人舔女人的私密视频| 成年美女黄网站色视频大全免费| 婷婷丁香在线五月| 国产精品久久久久久精品古装| 深夜精品福利| 桃花免费在线播放| 久久久久国产精品人妻一区二区| 久久久水蜜桃国产精品网| 国产欧美日韩综合在线一区二区| 精品久久久精品久久久| 久久天堂一区二区三区四区| 三级毛片av免费| 亚洲精品国产av成人精品| 久久狼人影院| 精品熟女少妇八av免费久了| 色婷婷久久久亚洲欧美| www.999成人在线观看| 69精品国产乱码久久久| 亚洲va日本ⅴa欧美va伊人久久 | 亚洲国产中文字幕在线视频| 天堂俺去俺来也www色官网| 人妻 亚洲 视频| 亚洲精品中文字幕一二三四区 | 国产国语露脸激情在线看| 伦理电影免费视频| 国产成+人综合+亚洲专区| 老熟妇仑乱视频hdxx| 午夜免费观看性视频| 免费女性裸体啪啪无遮挡网站| 人人妻人人澡人人看| 久久久久久久久免费视频了| 老司机在亚洲福利影院| 天天躁狠狠躁夜夜躁狠狠躁| 视频区欧美日本亚洲| 菩萨蛮人人尽说江南好唐韦庄| 无限看片的www在线观看| 成年动漫av网址| 丝袜人妻中文字幕| 午夜日韩欧美国产| 另类亚洲欧美激情| 99久久精品国产亚洲精品| a级毛片黄视频| 亚洲av美国av| 女警被强在线播放| 老司机在亚洲福利影院| 久久精品人人爽人人爽视色| 多毛熟女@视频| 热re99久久精品国产66热6| 性高湖久久久久久久久免费观看| 免费久久久久久久精品成人欧美视频| 美女视频免费永久观看网站| 日本a在线网址| 亚洲欧洲精品一区二区精品久久久| 欧美 日韩 精品 国产| 国产一区二区三区在线臀色熟女 | 精品少妇黑人巨大在线播放| 亚洲成国产人片在线观看| 狂野欧美激情性bbbbbb| 亚洲av电影在线进入| 成人三级做爰电影| 亚洲熟女毛片儿| 女性生殖器流出的白浆| 亚洲精品国产色婷婷电影| 久久久久久人人人人人| 一级片免费观看大全| 久久久久久久精品精品| 国产淫语在线视频| 久久精品久久久久久噜噜老黄| 久久精品亚洲熟妇少妇任你| 国产91精品成人一区二区三区 | 人妻人人澡人人爽人人| 美女高潮喷水抽搐中文字幕| 成人国产av品久久久| 亚洲精品一区蜜桃| 欧美日韩成人在线一区二区| 欧美性长视频在线观看| 十八禁网站网址无遮挡| 大片电影免费在线观看免费| 18禁观看日本| 国产黄色免费在线视频| 国产成+人综合+亚洲专区| 久久天堂一区二区三区四区| 狂野欧美激情性xxxx| 麻豆乱淫一区二区| 免费女性裸体啪啪无遮挡网站| 欧美大码av| 天堂俺去俺来也www色官网| 国产不卡av网站在线观看| 国产精品自产拍在线观看55亚洲 | 男女午夜视频在线观看| 国产真人三级小视频在线观看| 91成年电影在线观看| 一区在线观看完整版| 久久久久久久久免费视频了| 午夜两性在线视频| 国产91精品成人一区二区三区 | 久久久国产成人免费| 亚洲欧美日韩高清在线视频 | 日韩制服丝袜自拍偷拍| 美女高潮到喷水免费观看| 国产熟女午夜一区二区三区| 久久影院123| 国产精品国产三级国产专区5o| 18禁国产床啪视频网站| 汤姆久久久久久久影院中文字幕| 在线观看免费高清a一片| 欧美97在线视频| 99精品久久久久人妻精品| 女人爽到高潮嗷嗷叫在线视频| 国产精品国产av在线观看| 黄色片一级片一级黄色片| 丝袜脚勾引网站| 成人免费观看视频高清| 中文字幕最新亚洲高清| 美女中出高潮动态图| 久久久国产成人免费| 老司机影院成人| 日韩,欧美,国产一区二区三区| 国产男人的电影天堂91| 精品人妻1区二区| 18在线观看网站| 色播在线永久视频| 99re6热这里在线精品视频| 桃花免费在线播放| 成年av动漫网址| 日韩人妻精品一区2区三区| 在线观看免费高清a一片| 80岁老熟妇乱子伦牲交| 一本—道久久a久久精品蜜桃钙片| 老司机在亚洲福利影院| 亚洲精品一二三| 99精品久久久久人妻精品| 午夜福利影视在线免费观看| 天天影视国产精品| 在线观看免费午夜福利视频| 日韩中文字幕欧美一区二区| 一级片免费观看大全| netflix在线观看网站| 国产免费av片在线观看野外av| 菩萨蛮人人尽说江南好唐韦庄| 国产精品国产三级国产专区5o| 精品国产乱码久久久久久男人| 久久综合国产亚洲精品| 国产又爽黄色视频| 日本一区二区免费在线视频| 久久久久久免费高清国产稀缺| 免费观看av网站的网址| 久久精品国产综合久久久| 久久亚洲国产成人精品v| 成人国语在线视频| 韩国精品一区二区三区| 一区在线观看完整版| 9热在线视频观看99| 国产精品一区二区在线观看99| 精品第一国产精品| 午夜福利乱码中文字幕| 国产男人的电影天堂91| av在线老鸭窝| 国产一区二区在线观看av| 性色av一级| 国产福利在线免费观看视频| 高清欧美精品videossex| www.999成人在线观看| 亚洲欧洲日产国产| 午夜影院在线不卡| 桃花免费在线播放| 人人妻,人人澡人人爽秒播| 在线观看免费日韩欧美大片| 黄色视频在线播放观看不卡| 亚洲av日韩在线播放| 久久国产亚洲av麻豆专区| 18禁国产床啪视频网站| 久久久久精品国产欧美久久久 | 国产成人av教育| 国产精品国产三级国产专区5o| 在线看a的网站| 国产成人精品久久二区二区免费| 岛国毛片在线播放| 色视频在线一区二区三区| 在线观看免费视频网站a站| av片东京热男人的天堂| 亚洲伊人色综图| 欧美成狂野欧美在线观看| a级毛片黄视频| 亚洲性夜色夜夜综合| 青青草视频在线视频观看| 久久亚洲精品不卡| 亚洲avbb在线观看| 日韩电影二区| 色综合欧美亚洲国产小说| 男人舔女人的私密视频| 日韩有码中文字幕| 在线亚洲精品国产二区图片欧美| 国产熟女午夜一区二区三区| 蜜桃国产av成人99| 欧美日韩视频精品一区| 动漫黄色视频在线观看| 超色免费av| 久久精品亚洲熟妇少妇任你| 男女之事视频高清在线观看| 国产成+人综合+亚洲专区| 国产精品.久久久| 国产一区二区 视频在线| 久热这里只有精品99| 成人国产av品久久久| 宅男免费午夜| 欧美大码av| 欧美黑人精品巨大| 国产男女内射视频| 久久亚洲精品不卡| 国产精品欧美亚洲77777| 波多野结衣av一区二区av| 一进一出抽搐动态| 欧美+亚洲+日韩+国产| 两性夫妻黄色片| 久久人人爽人人片av| 在线看a的网站| 日韩免费高清中文字幕av| 久久精品人人爽人人爽视色| 大片免费播放器 马上看| 国产欧美亚洲国产| 免费一级毛片在线播放高清视频 | 亚洲一卡2卡3卡4卡5卡精品中文| 亚洲国产欧美日韩在线播放| av福利片在线| 亚洲 国产 在线| 波多野结衣一区麻豆| 建设人人有责人人尽责人人享有的| 最近最新免费中文字幕在线| 亚洲五月色婷婷综合| 电影成人av| 老司机影院成人| 男女之事视频高清在线观看| 老司机影院成人| 亚洲欧美精品自产自拍| 色老头精品视频在线观看| 性色av乱码一区二区三区2| 女人爽到高潮嗷嗷叫在线视频| 久久精品人人爽人人爽视色| 国产免费一区二区三区四区乱码| 亚洲人成77777在线视频| 男男h啪啪无遮挡| 亚洲国产日韩一区二区| 日日爽夜夜爽网站| 色94色欧美一区二区| 中文字幕av电影在线播放| 亚洲国产日韩一区二区| 少妇猛男粗大的猛烈进出视频| 在线天堂中文资源库| 50天的宝宝边吃奶边哭怎么回事| 日韩,欧美,国产一区二区三区| 午夜免费鲁丝| 美女高潮到喷水免费观看| 一区二区三区四区激情视频| 女性生殖器流出的白浆| 黑人操中国人逼视频| 精品久久久久久久毛片微露脸 | www.999成人在线观看| 精品一区二区三区av网在线观看 | 午夜影院在线不卡| 最新的欧美精品一区二区| 免费在线观看日本一区| 日韩视频在线欧美| 亚洲精华国产精华精| 王馨瑶露胸无遮挡在线观看| 欧美老熟妇乱子伦牲交| 久久久久久亚洲精品国产蜜桃av| 国产成人欧美| 国内毛片毛片毛片毛片毛片| 欧美一级毛片孕妇| 欧美日韩亚洲高清精品| 亚洲欧美一区二区三区黑人| 精品一区二区三区av网在线观看 | 妹子高潮喷水视频| 少妇裸体淫交视频免费看高清 | 一进一出抽搐动态| 97人妻天天添夜夜摸| 欧美日韩中文字幕国产精品一区二区三区 | 好男人电影高清在线观看| 亚洲人成电影免费在线| 人人妻,人人澡人人爽秒播| 老司机午夜十八禁免费视频| 无遮挡黄片免费观看| 成年女人毛片免费观看观看9 | 国产老妇伦熟女老妇高清| 免费观看人在逋| 99国产精品一区二区三区| 男女之事视频高清在线观看| 欧美 亚洲 国产 日韩一| 肉色欧美久久久久久久蜜桃| 女性被躁到高潮视频| 欧美精品一区二区大全| 亚洲专区国产一区二区| 香蕉国产在线看| 老司机靠b影院| 欧美日韩福利视频一区二区| 99国产极品粉嫩在线观看| 亚洲免费av在线视频| 午夜影院在线不卡| 久久久久国内视频| 999久久久精品免费观看国产| 后天国语完整版免费观看| 少妇粗大呻吟视频| 人人妻人人澡人人看| 亚洲少妇的诱惑av| 国产男人的电影天堂91| 热99久久久久精品小说推荐| 人人澡人人妻人| 久久久水蜜桃国产精品网| 91精品伊人久久大香线蕉| 天天添夜夜摸| 男人爽女人下面视频在线观看| 永久免费av网站大全| 欧美精品亚洲一区二区| 成年人黄色毛片网站| 亚洲国产成人一精品久久久| 老司机午夜十八禁免费视频| 美女午夜性视频免费| 多毛熟女@视频| 久久中文看片网| 国产日韩一区二区三区精品不卡| 国产在线视频一区二区| 久久精品国产综合久久久| 性色av乱码一区二区三区2| 曰老女人黄片| 一区二区三区精品91| 悠悠久久av| 一进一出抽搐动态| 国产精品麻豆人妻色哟哟久久| av网站在线播放免费| 欧美黑人精品巨大| 午夜免费鲁丝| 国产av精品麻豆| 免费在线观看视频国产中文字幕亚洲 | 精品高清国产在线一区| 国产有黄有色有爽视频| 日韩 亚洲 欧美在线| 国产精品成人在线| av线在线观看网站| 777米奇影视久久| av视频免费观看在线观看| 黄片播放在线免费| 老司机影院毛片| 一本大道久久a久久精品| 高清黄色对白视频在线免费看| 亚洲精品第二区| 成人黄色视频免费在线看| 久久精品国产a三级三级三级| 国产成人欧美在线观看 | 亚洲成人免费av在线播放| 日韩三级视频一区二区三区| 久久国产精品人妻蜜桃| 久久毛片免费看一区二区三区| e午夜精品久久久久久久| 男人舔女人的私密视频| 日本av免费视频播放| 黑人巨大精品欧美一区二区mp4| 丝袜美腿诱惑在线| 我的亚洲天堂| 日韩精品免费视频一区二区三区| 最新在线观看一区二区三区| 国产精品99久久99久久久不卡| 最近中文字幕2019免费版| 精品少妇内射三级| 亚洲一码二码三码区别大吗| 天堂俺去俺来也www色官网| 久久精品久久久久久噜噜老黄| 久久久国产欧美日韩av| 国产精品欧美亚洲77777| 99国产精品免费福利视频| netflix在线观看网站| 男女下面插进去视频免费观看| 国产精品国产三级国产专区5o| 女警被强在线播放| 精品一区二区三卡| 我的亚洲天堂| 欧美激情高清一区二区三区| 久久久久国产精品人妻一区二区| 日本一区二区免费在线视频| 日韩 欧美 亚洲 中文字幕| 久久国产精品人妻蜜桃| 老司机影院毛片| 欧美日韩av久久| 成人黄色视频免费在线看| 国产亚洲精品第一综合不卡| 亚洲欧洲精品一区二区精品久久久| 黄色视频不卡| av不卡在线播放| 免费人妻精品一区二区三区视频| 久久精品国产a三级三级三级| 熟女少妇亚洲综合色aaa.| 久久av网站| 精品国产国语对白av| 母亲3免费完整高清在线观看| 免费在线观看影片大全网站| 久久久久视频综合| 美女高潮喷水抽搐中文字幕| av电影中文网址| 又大又爽又粗| 精品亚洲乱码少妇综合久久| 欧美另类一区| 女性生殖器流出的白浆| 丝袜脚勾引网站| 美女主播在线视频| 男人添女人高潮全过程视频| 久久青草综合色| 51午夜福利影视在线观看| 麻豆乱淫一区二区| 老司机午夜十八禁免费视频| 久久久欧美国产精品| 国产成人a∨麻豆精品| 精品福利永久在线观看| 欧美亚洲日本最大视频资源| 亚洲第一欧美日韩一区二区三区 | 午夜福利在线免费观看网站| 久久国产精品影院| 国产精品秋霞免费鲁丝片| 久热这里只有精品99| 国产免费视频播放在线视频| 母亲3免费完整高清在线观看| 久久久久久人人人人人| 亚洲精品国产一区二区精华液| 日本黄色日本黄色录像| 亚洲va日本ⅴa欧美va伊人久久 | 又紧又爽又黄一区二区| 久久久精品国产亚洲av高清涩受| 国产精品久久久人人做人人爽| 国产成人精品久久二区二区免费| 男女边摸边吃奶| 黑人巨大精品欧美一区二区蜜桃| 欧美少妇被猛烈插入视频| av有码第一页| 老熟妇乱子伦视频在线观看 | 午夜两性在线视频| 亚洲免费av在线视频| 精品乱码久久久久久99久播| 一本大道久久a久久精品| 久久九九热精品免费| av在线app专区| 国产一区二区 视频在线| 中文字幕另类日韩欧美亚洲嫩草| 国产无遮挡羞羞视频在线观看| 中文字幕色久视频| 国产欧美日韩精品亚洲av| 国产亚洲精品一区二区www | 电影成人av| 嫩草影视91久久| av一本久久久久| 免费高清在线观看日韩| 日韩中文字幕欧美一区二区| 中文字幕色久视频| 日韩,欧美,国产一区二区三区| 亚洲一区中文字幕在线| 国产国语露脸激情在线看| 国产免费av片在线观看野外av| netflix在线观看网站| 欧美日韩成人在线一区二区| 少妇精品久久久久久久| 久久青草综合色| 国产精品久久久久久人妻精品电影 | 91成人精品电影| 亚洲精品国产色婷婷电影| 国产精品av久久久久免费| 国产精品一二三区在线看| 狂野欧美激情性xxxx| 国产欧美亚洲国产| 亚洲精品一卡2卡三卡4卡5卡 | 久久久久久久大尺度免费视频| 欧美中文综合在线视频| 国产男女超爽视频在线观看| 动漫黄色视频在线观看| av网站在线播放免费| 欧美日韩中文字幕国产精品一区二区三区 | 一本大道久久a久久精品| 亚洲熟女精品中文字幕| h视频一区二区三区| 精品少妇内射三级| 免费人妻精品一区二区三区视频| 国产在线观看jvid| 国产成人免费无遮挡视频| 这个男人来自地球电影免费观看| 一个人免费看片子| 日日爽夜夜爽网站| 视频在线观看一区二区三区| 少妇精品久久久久久久| 丁香六月欧美| 18在线观看网站| 在线观看一区二区三区激情| 啦啦啦视频在线资源免费观看| 这个男人来自地球电影免费观看| 天天躁狠狠躁夜夜躁狠狠躁| 日日爽夜夜爽网站| 久久久久国内视频| 搡老岳熟女国产| 91精品伊人久久大香线蕉| 黄片大片在线免费观看| 啦啦啦免费观看视频1| 精品少妇内射三级| 中文欧美无线码| 啦啦啦免费观看视频1| 亚洲中文日韩欧美视频| 免费人妻精品一区二区三区视频| 国产真人三级小视频在线观看| 精品少妇内射三级| 香蕉国产在线看| 久久精品国产亚洲av香蕉五月 | 丁香六月欧美| 十八禁人妻一区二区| 精品国产一区二区三区四区第35| 美女福利国产在线| 久久九九热精品免费| 久热这里只有精品99| 我要看黄色一级片免费的| 18禁黄网站禁片午夜丰满| 欧美激情 高清一区二区三区|