• <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 ?

    視頻中動作識別任務綜述

    2020-07-04 02:27:37盧修生姚鴻勛
    智能計算機與應用 2020年3期
    關鍵詞:行為分析深度學習

    盧修生 姚鴻勛

    摘要:隨著移動通訊技術的發(fā)展,網(wǎng)絡上視頻數(shù)據(jù)呈爆炸性增長,對于智能視頻分析技術的需求日益增加。隨著深度學習技術的應用,視頻理解和分析領域近年來得到了快速發(fā)展。作為視頻分析領域的核心任務,對動作識別的研究不但能夠提供更好的視頻表達模型,也能夠促進其它視頻相關任務的進展。在本文中,首先給出了視頻中動作識別任務的定義,并區(qū)分了短時動作、動作、行為、事件等概念。其次,從傳統(tǒng)方法和深度學習方法兩方面介紹了動作識別任務的研究進展,其中傳統(tǒng)方法又包括了基于全局表示與局部表示的識別方法。最后,介紹了具有代表性的動作識別數(shù)據(jù)集,并著重闡述了數(shù)據(jù)集的發(fā)展趨勢。

    關鍵詞: 視頻理解; 動作識別; 行為分析; 深度學習

    【Abstract】 With the development of mobile communication technology, the online video data is exploding, and the demand for intelligent video analytics is increasing. With the application of deep learning technology, the field of video understanding and analysis has developed rapidly in recent years. As a core task in the field of video understanding, the research on action recognition not only provides better video representation, but also promotes the research of other video-related tasks. In this paper, the definition of action recognition task in videos is given and the four concepts of act, action, behavior, and event are distinguished. Secondly, the research progress of action recognition task is introduced from two aspects: the traditional methods and the deep learning based methods. The traditional methods include the recognition methods based on global representation and local representation. Finally, representative action recognition datasets and the development trend of these datasets are also described.

    【Key words】 ?video understanding; action recognition; event analysis; deep learning

    0 引 言

    人類社會過去幾十年的網(wǎng)絡化與數(shù)字化使得網(wǎng)絡數(shù)據(jù)呈現(xiàn)爆炸性增長,并逐漸步入了大數(shù)據(jù)時代[1]。隨著移動通訊技術的發(fā)展,人們明顯能夠感受到互聯(lián)網(wǎng)上傳輸數(shù)據(jù)的變化。在2G時代通過手機傳輸?shù)闹饕俏谋拘畔?,?G時代圖像信息成為移動數(shù)據(jù)的重要組成部分,而在4G時代長視頻、短視頻、直播等視頻流數(shù)據(jù)迎來了爆發(fā),并且隨著5G技術的革命,高清視頻、無人駕駛領域所獲取的視頻等數(shù)據(jù)的增多將會進一步加速這一趨勢。這些海量的視頻數(shù)據(jù)需要智能視頻分析技術的發(fā)展。

    近年來,隨著視覺領域迅猛發(fā)展,作為其子領域的研究成果也陸續(xù)涌現(xiàn)[2]。在Karpathy等人[3]首次將卷積神經(jīng)網(wǎng)絡用于動作識別任務上后:從理論上來看,雙流卷積網(wǎng)絡[4]和3D卷積網(wǎng)絡[5]等重要工作取得突破,由此創(chuàng)建針對動作識別任務新的神經(jīng)網(wǎng)絡框架;從數(shù)據(jù)集上來看,從2004年包含2 391段視頻的KTH動作數(shù)據(jù)集[6]到2018年包含大約50萬段視頻的Kinetics-600數(shù)據(jù)集[7]的提出,數(shù)據(jù)集包含視頻和動作種類的增加使得訓練更深網(wǎng)絡成為可能。而在動作識別研究的基礎上,對事件檢測[8]、動作檢測[9]、視頻標注[10]乃至視頻生成[11]等任務的研究現(xiàn)已成為當下學界的研究熱點。

    作為視頻分析領域的基礎任務,對于動作識別的研究有重要的理論和應用價值。本次研究中,首先通過對視頻數(shù)據(jù)的分析和網(wǎng)絡模型的設計,能夠構建更好的視頻表達模型,加深對視頻數(shù)據(jù)的理解;其次,動作識別研究能夠為動作檢測、事件識別等一系列相關任務提供理論基礎;此外,動作識別研究在視頻監(jiān)控、無人駕駛、游戲等領域還有著廣闊的應用前景?;诖?,本文將會探討視頻中動作識別任務的定義,接下來回顧了近年來動作識別領域的研究進展,最后介紹了一些常用的動作識別公開數(shù)據(jù)集。

    1 視頻中動作識別任務的定義

    在定義動作識別任務前,先要厘清短時動作(Act)、動作(Action)、行為(Activity)、事件(Event)這四個概念。研究對其并沒有嚴格的定義,主要通過運動時間跨度的長短以及運動的復雜度來進行區(qū)分。其中,短時動作是指類似于舉手、抬腿、往前走一步等這種時間跨度較短的運動,其實短時動作的概念與漢語中本身的動作概念很相似。動作是一種約定俗成的翻譯,是指由多個短時動作組成、時間跨度中等的運動,比如跑步,跳遠、騎馬等。而行為又是由多個動作組成的、時間跨度較長的運動,比動作更加復雜,是由多個動作按照時間先后,或者按照參與人數(shù)組合而成,比如多個人之間的互動、一個人走進屋子又走出去等。事件則是多個動作或者行為的組合,比如一場足球賽,一次交通事故等。在本文中綜述的對象是針對動作的識別,而其中提出的一些方法也可以被應用到行為或者事件分類問題中。

    在動作識別任務的研究中,除了基于視頻的動作識別之外,還有基于靜態(tài)圖像的動作識別、基于深度數(shù)據(jù)的動作識別等。總地來說,基于靜態(tài)圖像的動作識別一般基于SIFT描述子、HOG描述子、GIST描述子等底層特征或者基于人體[12]、人體部件[13]、與動作相關的物體[14]、人體與物體之間的交互關系[15]等高層信息。但是在靜態(tài)圖像中缺少時域信息,這限制了其動作識別的準確度?;谏疃葦?shù)據(jù)的動作識別主要思路之一是構建基于深度圖的時空特征,如Oreifej等人[16]提出了HON4D描述子,用直方圖來捕獲時間、深度、空間坐標組成的四維空間的表面法線方向的分布。但是由于深度數(shù)據(jù)獲取不易,基于深度數(shù)據(jù)的動作識別在應用上也有其局限性,所以目前基于視頻的動作識別是動作識別領域中的主要研究方向。而本文所研究的基于視頻的動作識別可以定義為給定動作視頻,通過動作識別算法處理后輸出視頻中動作類別標簽的過程。

    2 視頻中動作識別任務的相關方法

    動作識別方法主要可以分為基于傳統(tǒng)方法的動作識別和基于深度學習的動作識別兩大類,其中基于傳統(tǒng)方法的動作識別又可以分為基于全局表示和局部表示的動作識別。對此擬展開研究論述如下。

    2.1 基于全局表示的動作識別

    與目標識別方法的發(fā)展軌跡類似,動作識別方法也是由初期的全局表示逐漸過渡到更魯棒的局部表示。全局表示是指直接從視頻中提取整個人體的某種表示(比如輪廓[17]或者光流[18]等)。在提取全局表示時先要將包含整個人體的感興趣區(qū)域定位出來,再提取感興趣區(qū)域的形狀、邊緣、光流等特征。全局表示刻畫了視頻中整個人體的運動情況,包含了全面而豐富的視覺信息,但是其缺點在于因為是在整個人體上提取特征,所以容易受到遮擋、視角變化、背景噪聲等影響。

    Bobick等人[19]提出的運動能量圖(Motion-energy image, MEI)和運動歷史圖(Motion-history image, MHI)是全局表示中的經(jīng)典工作。運動能量圖中像素值是二值化的,表示的是視頻序列中運動發(fā)生的位置和觀測視角。運動能量圖中像素值為標量,值的強度為此位置所發(fā)生歷史運動的函數(shù),其中運動發(fā)生越近的像素值越大。運動能量圖和運動歷史圖組合起來就形成了一個值為向量的特定視角時域模板圖,向量的每個元素都是此位置運動信息的函數(shù),這個時域模板也就是視頻中動作的全局表示。

    運動能量圖和運動歷史圖都是針對于特定視角的表示,對于動作的視角變化比較敏感。為了解決這個問題,多攝像機被用來采集不同視角的動作信息。在此基礎上,Weinland等人[20]基于只考慮圍繞人體中心垂直坐標軸的視角變化的假設,將運動歷史圖等二維運動模板拓展到三維并提出了運動歷史量(Motion-history volume, MHV)表示,隨后在圓柱坐標系下將傅里葉變換作用于運動歷史量從而得到了對于位置和旋轉(zhuǎn)具有不變性的最終表示。

    前述研究得到的全局表示都是一種二維圖結(jié)構,而視頻是由多幀圖像組成的序列,這些圖像沿時間維組合起來就會形成包括兩個空間維和一個時間維的三維時空結(jié)構。Blank等人[21]提取時空結(jié)構中動作的時空形狀(Space-time shape)來表示這些動作。相較于二維形狀,這些時空形狀一方面包含了人體姿態(tài)的空間信息(比如軀干的位置和方向),另一方面則包含了動態(tài)信息(比如身體運動以及四肢相對于身體的運動)。在得到時空形狀之后再利用泊松方程解的性質(zhì)來提取時空特征,比如局部時空顯著性、動作動態(tài)、形狀的結(jié)構和方向等后,將這些局部特征以加權平均的形式轉(zhuǎn)化為全局特征。Yilmaz等人[22]提出了另一種利用三維時空量的方法,研究中先通過使用一個兩步圖理論方法來解決相鄰幀中輪廓的對應問題從而生成三維時空量(Spatio-temporal volume, STV),再分析時空量表面的微分幾何特性來得到動作描述子,而這些描述子的集合就構成了對于攝像機具有視角不變性的動作草圖(Action sketch)特征,最終這些視角不變特征被用于進行動作分類。

    2.2 基于局部表示的動作識別

    不同于全局表示提取了整個人體的輪廓、運動等信息,局部表示更關注視頻中感興趣的局部區(qū)域,并在這些區(qū)域中提取局部描述子來刻畫人體動作。與圖像中目標識別的過程類似,計算視頻局部特征的步驟一般為先使用感興趣點檢測子(如Harris等人[23])或者密集采樣的方式來采樣視頻中的局部時空區(qū)域,而后在這些局部區(qū)域上計算3D SIFT等局部特征。與全局表示相比較,局部表示對視頻中的遮擋、視角變化等問題更加魯棒。

    Laptev[24]提出的動作識別方法是局部表示發(fā)展初期的重要工作。研究中,先將空間感興趣點的概念拓展到時空域,基于Harris感興趣點算子來檢測圖像幀的像素值在空間和時間方向上具有顯著局部變化的局部時空結(jié)構,也就是所謂的時空感興趣點(Space-time interest points, STIPs)。然后通過最大化在時空尺度上歸一化的時空拉普拉斯算子來估計所檢測到動作的時空范圍,以此來實現(xiàn)特征的尺度自適應。最后在時空感興趣點鄰域內(nèi)提取局部時空尺度不變的N-射流特征,并基于射流特征進行動作分類。之后動作識別領域局部表示的發(fā)展主要遵循2個思路,一是將圖像領域常用的二維描述子直接推廣到三維,比如3D SIFT描述子[25]、HOG3D描述子[26]等;二是將空域信息和時域信息分開來處理,空域信息由視頻幀得到,時域信息由光流幀得到,也就是說將時域上的運動信息由光流信息來代替。

    Wang等人提出了基于密集軌跡的DTF描述子[27]和其改進版本iDT描述子[28],這2個描述子都采用了空域信息和時域信息分開處理的思路,是基于局部表示的動作識別方法的集大成之作,其中DTF描述子的提取過程如圖1所示。當計算DTF描述子時,在對各幀進行密集采樣后,通過密集光流場得到的位移信息來對采樣點進行跟蹤。假設跟蹤L幀,那么就在這L幀軌跡的時空鄰域內(nèi)提取HOG、HOF和MBH描述子。其中,HOG和HOF描述子通過對梯度和光流的統(tǒng)計分別刻畫了視頻中的表觀和運動信息。而MBH描述子是由Dalal等人[29]在人體檢測任務中提出的運動邊界直方圖描述子,在本質(zhì)上刻畫了光流場的水平分量和垂直分量的梯度信息。與HOF描述子相比,MBH描述子在一定程度上抑制了背景中的相機運動造成的干擾同時突出了前景的運動,所以HOG、HOF和MBH這三種描述子能夠起到很好的互補作用。

    2.3 基于深度學習的動作識別

    在深度學習前,動作識別領域已經(jīng)有一些基于淺層神經(jīng)網(wǎng)絡的工作。比如Le等人[30]將獨立子空間分析算法(ISA)進行拓展,并從無標簽的視頻數(shù)據(jù)中學習得到不變的時空特征。而Karpathy等人[3]首次將融入了數(shù)據(jù)增強、ReLU激活函數(shù)、Dropout方法等現(xiàn)代神經(jīng)網(wǎng)絡技巧的卷積神經(jīng)網(wǎng)絡模型應用到動作識別領域。研究過程中先將以單視頻幀作為輸入的卷積網(wǎng)絡作為基準網(wǎng)絡,并將卷積網(wǎng)絡中的連接拓展到時域、從而提出了早融合、晚融合、慢融合等多種框架來利用視頻幀間的局部時空信息。

    從如何處理視頻中時空信息的角度,基于深度學習的動作識別方法可以分為2種。一種是基于雙流卷積網(wǎng)絡框架[4],如圖2所示。該研究的核心思想使用空間流網(wǎng)絡和時間流網(wǎng)絡來分開處理視頻中的空域和時域信息,其中空間流網(wǎng)絡的輸入為視頻幀,時間流網(wǎng)絡的輸入為光流幀,雙流卷積網(wǎng)絡延續(xù)了局部表示中將空域信息和時域信息分開處理的思路。Feichtenhofer等人[31]在雙流卷積網(wǎng)絡的基礎上探索了多種空域和時域的信息融合方式。在空間信息融合方面,比較了加和、取最大值、連接、卷積、雙線性等多種融合方式;在融合位置方面,比較了單層融合和多層融合等不同融合位置;在時間信息融合方面,探討了3D卷積和3D池化的作用。Wang等人[32]則將稀疏采樣策略與雙流卷積網(wǎng)絡相結(jié)合提出了時域分割網(wǎng)絡,來對視頻中長時時域結(jié)構進行建模。

    另一種基于深度學習的動作識別方法是基于三維卷積神經(jīng)網(wǎng)絡框架[5],其思想在于將視頻作為時空立方體來處理,即將空域上的2D卷積操作增加時間維自然拓展到時空域的3D卷積操作。三維卷積神經(jīng)網(wǎng)絡框架與局部表示中將二維描述子直接拓展到三維的思路相一致。三維卷積網(wǎng)絡較大的參數(shù)量限制了可訓練網(wǎng)絡的層數(shù),針對此問題Qiu等人[33]使用了空域上的3*3*1卷積和時域上的1*1*3卷積組成的P3D模塊來近似3*3*3時空卷積,并提出了P3D ResNet網(wǎng)絡,這樣就在模型略小于C3D網(wǎng)絡[5]的同時構建了極深的卷積網(wǎng)絡。

    3 具有代表性的動作識別數(shù)據(jù)集

    回顧近年來動作識別數(shù)據(jù)集的變化,在動作表現(xiàn)上從演員表演到越來越貼近自然條件,在動作種類上從幾類發(fā)展到數(shù)百類動作,在視頻數(shù)據(jù)量上從幾百發(fā)展到百萬量級視頻,動作數(shù)據(jù)集的快速發(fā)展促使了動作識別方法的不斷進步。近年來一些具有代表性的動作識別數(shù)據(jù)集見表1。

    在動作識別研究的初期識別算法尚未成熟,所以只能分類一些簡單的動作,制作的數(shù)據(jù)集一般是由研究人員設計好動作、場景后招募演員來進行表演,這一時期比較著名的數(shù)據(jù)集有KTH和Weizmann數(shù)據(jù)集等。KTH數(shù)據(jù)集[6]中研究者設計了走路、慢跑、跑步、拳擊、揮手、拍手等6種單人動作,室外、室外帶有尺度變化、室外帶有服飾變化、室內(nèi)等4種場景,分別由25個表演者表演而成,總共包含了600個視頻,經(jīng)過時間段劃分后得到2 391個序列。Weizmann數(shù)據(jù)集[21]中則包含了跑步、走路、向前雙腿跳、原地雙腿跳、揮動雙手、揮動單手等10類動作,由9個表演者表演而成,所以一共包含了90個低分辨率180*144的視頻。

    隨著動作識別算法的發(fā)展初期數(shù)據(jù)集已經(jīng)難以滿足需求,研究人員就轉(zhuǎn)向研發(fā)互聯(lián)網(wǎng)上的視頻以及電影中包含著的大量動作片段,與初期的數(shù)據(jù)集相比則更加貼近自然條件下的動作,比如常常包含相機運動、遮擋與視角變換、雜亂背景等,這一時期較為知名的有YouTube action與Hollywood2數(shù)據(jù)集等。其中,YouTube action數(shù)據(jù)集[34]來源于YouTube網(wǎng)站上的一些在非受控條件下采集的視頻,包含投籃、騎自行車、跳水、顛球等11類動作,數(shù)據(jù)集中一共包含了大約1 160段視頻。Hollywood2數(shù)據(jù)集[35]是從69部電影中采集得到的視頻片段,在內(nèi)容上包含了一個動作數(shù)據(jù)集和一個場景數(shù)據(jù)集。在動作數(shù)據(jù)集中共有12類動作,包括接電話、握手、擁抱、接吻等有較為復雜語意的動作,總共有1 707段有干凈動作標簽的視頻。

    由于YouTube action與Hollywood2數(shù)據(jù)集中包含的動作種類有限,就使其不再適用于訓練和評估更新的識別算法。隨即在2010年后相繼推出了動作識別領域最具有影響力的2個數(shù)據(jù)集,即:HMDB51和UCF101數(shù)據(jù)集,這兩個數(shù)據(jù)集不但包括更多類動作,而且由于相機運動、光照條件、視角和尺度、目標表觀和姿態(tài)等變化所帶來的類內(nèi)差距使其充滿挑戰(zhàn)。其中,HMDB51數(shù)據(jù)集[36]內(nèi)的動作視頻主要來自于電影,少部分來自于YouTube和Google上面的視頻。整個數(shù)據(jù)集包括6 849段視頻,共有51類動作并且每類動作至少包含101段視頻。UCF101數(shù)據(jù)集[37]是從YouTube網(wǎng)站上采集得來,包含著101類動作,共有13 320個視頻。

    隨著深度學習的進一步發(fā)展,HMDB51和UCF101數(shù)據(jù)集等以萬為量級的視頻量不能滿足深度網(wǎng)絡訓練的需求,因而Sports-1M與Kinetics-600這兩個十萬乃至百萬量級的數(shù)據(jù)集應運而生。Sports-1M數(shù)據(jù)集[3]是第一個大規(guī)模的動作識別數(shù)據(jù)集,包含了多達1 M的YouTube視頻,共有487個動作類別,每類有1 000~3 000個視頻。Kinetics-600數(shù)據(jù)集[7]最初提出時包含400類動作類型,后來又擴展到600類,每類動作包括至少600個視頻,整個數(shù)據(jù)集擁有大約50萬個視頻片段。

    4 結(jié)束語

    視頻中動作識別任務是視頻理解領域的核心任務,對其進行研究能夠深化研究者對于視頻數(shù)據(jù)的認識,為事件檢測、視頻標注等視頻任務提供指導,并且在智能安防、暴恐檢測等領域具有巨大的應用價值。在本文中,先闡述了視頻中動作識別任務的簡要定義,繼而梳理了動作識別任務的研究進展,最后給出了相關的動作識別公開數(shù)據(jù)集。本文希望通過對動作識別任務的綜述為視頻領域相關及后續(xù)研究發(fā)揮有益的參考與借鑒作用。

    參考文獻

    [1] CHEN M, MAO S, LIU Y. Big data: A survey[J]. Mobile networks and applications, 2014, 19(2): 171.

    [2] POPPE R. A survey on vision-based human action recognition[J]. Image and vision computing, 2010, 28(6): 976.

    [3]KARPATHY A, TODERICI G, SHETTY S, et al. Large-scale video classification with convolutional neural networks[C]//Proceedings of the IEEE conference on Computer Vision and Pattern Recognition. Wachingtm DC:IEEE, 2014: 1725.

    [4]SIMONYAN K, ZISSERMAN A. Two-stream convolutional networks for action recognition in videos[J]. Computational Linguistics, 2014,1(4): 568.

    [5]TRAN D, BOURDEV L, FERGUS R, et al. Learning spatiotemporal features with 3d convolutional networks[C]//Proceedings of the IEEE International Conference on Computer Vision. Santiago, Chile:IEEE, 2015: 4489.

    [6]SCHLDT C, LAPTEV I, CAPUTO B. Recognizing human actions: A local SVM approach[C]//Proceedings of the 17th ?International Conference on Pattern Recognition(ICPR 2004). Cambridge, UK :IEEE, 2004: 32.

    [7]KAY W, CARREIRA J, SIMONYAN K, et al. The kinetics human action video dataset[J]. arXiv preprint arXiv:1705.06950, 2017.

    [8]XU Z, YANG Y, HAUPTMANN A G. A discriminative CNN video representation for event detection[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Boston:IEEE, 2015: 1798.

    [9]PENG X, SCHMID C. Multi-region two-stream R-CNN for action detection[C]//European Conference on Computer Vision. Cham: Springer, 2016: 744.

    [10]GAO L, GUO Zhao, ZHANG Hanwang, et al. Video captioning with attention-based LSTM and semantic consistency[J]. IEEE Transactions on Multimedia, 2017, 19(9): 2045.

    [11]TULYAKOV S, LIU Mingyu, YANG Xiaodong, et al. MoCoGAN: Decomposing motion and content for video generation[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Salt Lake City: IEEE, 2018: 1526.

    [12]IKIZLER N, CINBIS R G, PEHLIVAN S, et al. Recognizing actions from still images[C]//2008 19th International Conference on Pattern Recognition.Anchorage, Alaska: IEEE, 2008: 1.

    [13]YANG W, WANG Y, MORI G. Recognizing human actions from still images with latent poses[C]//2010 IEEE Computer Society Conference on Computer Vision and Pattern Recognition.San Francisco, CA:IEEE, 2010: 2030.

    [14]LI Lijia, LI Feifei. What, where and who? classifying events by scene and object recognition[C]//2007 IEEE 11th International Conference on Computer Vision. Rio de Janeiro, Brazil:IEEE,2007: 1.

    [15]DESAI C, RAMANAN D, FOWLKES C. Discriminative models for static human-object interactions[C]//2010 IEEE Computer Society Conference on Computer Vision and Pattern Recognition-Workshops. San Francisco, CA, USA :IEEE, 2010: 9.

    [16]OREIFEJ O, LIU Z. Hon4d: Histogram of oriented 4d normals for activity recognition from depth sequences[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition. Portland, Oregon, USA:IEEE,2013: 716.

    [17]VEERARAGHAVAN A, CHOWDHURY A R, CHELLAPPA R. Role of shape and kinematics in human movement analysis[C]//Proceedings of the 2004 IEEE Computer Society Conference on Computer Vision and Pattern Recognition, 2004( CVPR 2004). Washington DC, USA:IEEE, 2004: 1730.

    [18]EFROS A A, BERG A C, MORI G, et al. Recognizing action at a distance[C]//Proc. International Conference on Computer Vision. Nice, France:IEEE, 2003: 726.

    [19]BOBICK A F, DAVIS J W. The recognition of human movement using temporal templates[J]. IEEE Transactions on Pattern Analysis & Machine Intelligence, 2001,23 (3): 257.

    [20]WEINLAND D, RONFARD R, BOYER E. Free viewpoint action recognition using motion history volumes[J]. Computer Vision and Image Understanding, 2006, 104(2-3): 249.

    [21]BLANK M, GORELICK L, SHECHTMAN E, et al. Actions as space-time shapes[C]// Proceedings of the IEEE International Conference on Computer Vision. Beijing, China:Institute of Electrical and Electronics Engineers Inc, 2005, 2: 1395.

    [22]YILMAZ A, SHAH M. Actions as objects: A novel action representation[C]//Proc. IEEE Conference on Computer Vision and Pattern Recognition. San Diego, California:IEEE, 2005:984.

    [23]HARRIS C G, STEPHENS M. A combined corner and edge detector[C]//Proceedings of 4th Alvey Vision Conference.Alvey, UK:[s.n.], 1988, 15(50): 10.

    [24]LAPTEV I. On space-time interest points[J]. International Journal of Computer Vision, 2005, 64(2-3): 107.

    [25]SCOVANNER P, ALI S, SHAH M. A 3-dimensional sift descriptor and its application to action recognition[C]//Proceedings of the 15th ACM International Conference on Multimedia. Augsburg, Germany:ACM, 2007: 357.

    [26]KLASER A, MARSZAEK M, SCHMID C. A spatio-temporal descriptor based on 3D-gradients[C]//BMVC 2008 19th British Machine Vision Conference. Leeds, UK:British Machine Vision Association, 2008: 275.

    [27]WANG H, KLSER A, SCHMID C, et al. Action recognition by dense trajectories[C]//IEEE Conference on Computer Vision & Pattern Recognition(CVPR 2011). Colorado Springs, Colorado, USA:IEEE, 2011: 3169.

    [28]WANG H, SCHMID C. Action recognition with improved trajectories[C]//Proceedings of the IEEE International Conference on Computer Vision. Sydney, NSW, Australia:IEEE, 2013: 3551.

    [29]DALAL N, TRIGGS B, SCHMID C. Human detection using oriented histograms of flow and appearance[M]//LEONARDIS A, BISCHOF H, PINZ A. Computer Vision-ECCV 2006. ECCV 2006. Lecture Notes in Computer Science. Berlin/Heidelberg:Springer, 2006,3952:428.

    [30]LE Q V, ZOU W Y, YEUNG S Y, et al. Learning hierarchical invariant spatio-temporal features for action recognition with independent subspace analysis[C]//IEEE Conference on Computer Vision and Pattern Recognition. Washington, D.C:IEEE Computer Society, 2011:3361.

    [31]FEICHTENHOFER C, PINZ A, ZISSERMAN A. Convolutional two-stream network fusion for video action recognition[C]//Proceedings of the IEEE Conference on Computer Vision and Pattern Recognition(CVPR). Las Vegas, NV, USA:IEEE, 2016: 1933.

    [32]WANG Limin, XIONG Yuanjun, WANG Zhe, et al. Temporal segment networks: Towards good practices for deep action recognition[C]//European Conference on Computer Vision. Cham:Springer, 2016: 20.

    [33]QIU Zhaofan, YAO Ting, MEI Tao. Learning spatio-temporal representation with pseudo-3D residual networks[C]//Proceedings of the IEEE International Conference on Computer Vision. Venice, Italy:IEEE, 2017: 5533.

    [34]LIU Jingen, LUO Jiebo, SHAH M. Recognizing realistic actions from videos in the wild[C]// 2009 IEEE Computer Society Conference on Computer Vision and Pattern Recognition (CVPR 2009). Miami, Florida, USA:IEEE,2009:1.

    [35]MARSZAEK M, LAPTEV I, SCHMID C. Actions in context[C]//IEEE Conference on Computer Vision & Pattern Recognition(CVPR 2009). Miami Beach, Florida:IEEE Computer Society, 2009: 2929.

    [36]KUEHNE H, JHUANG H, GARROTE E, et al. HMDB: A large video database for human motion recognition[C]//2011 IEEE International Conference on Computer Vision. Barcelone, Spain:IEEE, 2011: 2556.

    [37]SOOMRO K, ZAMIR A R, SHAH M. UCF101: A dataset of 101 human actions classes from videos in the wild[J]. arXiv preprint arXiv:1212.0402, 2012.

    猜你喜歡
    行為分析深度學習
    基于K?均值與AGNES聚類算法的校園網(wǎng)行為分析系統(tǒng)研究
    基于北斗衛(wèi)星導航的罪犯行為分析方法
    有體驗的學習才是有意義的學習
    電子商務中基于深度學習的虛假交易識別研究
    MOOC與翻轉(zhuǎn)課堂融合的深度學習場域建構
    大數(shù)據(jù)技術在反恐怖主義中的應用展望
    物理教師課堂教學板書與媒體呈現(xiàn)行為的分析與策略
    基于行為分析的木馬檢測系統(tǒng)設計與實現(xiàn)
    深度學習算法應用于巖石圖像處理的可行性研究
    軟件導刊(2016年9期)2016-11-07 22:20:49
    基于深度卷積網(wǎng)絡的人臉年齡分析算法與實現(xiàn)
    軟件工程(2016年8期)2016-10-25 15:47:34
    日本与韩国留学比较| 久久99精品国语久久久| 免费观看a级毛片全部| 高清av免费在线| 欧美zozozo另类| 免费看av在线观看网站| 国产又色又爽无遮挡免| 亚洲欧美一区二区三区黑人 | 中国国产av一级| 国语对白做爰xxxⅹ性视频网站| 日本黄色片子视频| 国产在线男女| 男女啪啪激烈高潮av片| 国产高清国产精品国产三级 | av国产免费在线观看| 搡老乐熟女国产| 水蜜桃什么品种好| 欧美变态另类bdsm刘玥| 2022亚洲国产成人精品| 免费大片18禁| 乱系列少妇在线播放| 亚洲av电影在线观看一区二区三区| 国产在线男女| 亚洲第一av免费看| 黄色欧美视频在线观看| 蜜桃久久精品国产亚洲av| 久久久久久久国产电影| 亚洲精品成人av观看孕妇| 亚洲人与动物交配视频| 2021少妇久久久久久久久久久| 亚洲国产欧美人成| 国产成人免费观看mmmm| 只有这里有精品99| 亚洲色图av天堂| 中文字幕久久专区| 午夜视频国产福利| 精品亚洲成国产av| 国产一区有黄有色的免费视频| 国产精品嫩草影院av在线观看| 美女福利国产在线 | 高清日韩中文字幕在线| 五月伊人婷婷丁香| 国产黄色免费在线视频| 成人黄色视频免费在线看| 中文天堂在线官网| 赤兔流量卡办理| 欧美3d第一页| 国产中年淑女户外野战色| 妹子高潮喷水视频| 蜜桃亚洲精品一区二区三区| 乱系列少妇在线播放| 2021少妇久久久久久久久久久| 久久人人爽人人片av| 成人高潮视频无遮挡免费网站| 久久毛片免费看一区二区三区| 97超碰精品成人国产| 亚洲人成网站在线观看播放| 欧美日韩亚洲高清精品| 国产精品久久久久久精品电影小说 | 久久久久久久久久人人人人人人| 久热这里只有精品99| 高清毛片免费看| 亚洲人与动物交配视频| 久久99热6这里只有精品| 国产一级毛片在线| 久久精品国产a三级三级三级| 99热6这里只有精品| 大香蕉97超碰在线| 久久午夜福利片| 王馨瑶露胸无遮挡在线观看| 久久韩国三级中文字幕| 天天躁日日操中文字幕| 日韩免费高清中文字幕av| 欧美日韩国产mv在线观看视频 | 国产 一区 欧美 日韩| 伊人久久国产一区二区| 欧美极品一区二区三区四区| 国产精品久久久久久久久免| 韩国高清视频一区二区三区| 麻豆成人午夜福利视频| 亚洲婷婷狠狠爱综合网| 亚洲精品色激情综合| 日产精品乱码卡一卡2卡三| 五月开心婷婷网| 亚洲无线观看免费| 午夜老司机福利剧场| 女人十人毛片免费观看3o分钟| 国产精品爽爽va在线观看网站| 精品久久久久久久久av| 22中文网久久字幕| 在线看a的网站| 精品国产露脸久久av麻豆| 欧美xxⅹ黑人| 久久久午夜欧美精品| 成人毛片60女人毛片免费| 中文字幕久久专区| 欧美3d第一页| 国产乱来视频区| 在现免费观看毛片| 久久精品久久久久久久性| 嘟嘟电影网在线观看| 亚洲国产精品国产精品| 久久久a久久爽久久v久久| 久久久久久久亚洲中文字幕| 中文在线观看免费www的网站| 亚洲国产精品国产精品| 伊人久久国产一区二区| 国产免费又黄又爽又色| 人人妻人人看人人澡| 18禁动态无遮挡网站| 久久精品夜色国产| 久久久久性生活片| 精品一区二区三区视频在线| 国精品久久久久久国模美| 色哟哟·www| 嫩草影院入口| 亚洲人成网站高清观看| 天天躁夜夜躁狠狠久久av| 免费大片18禁| 一级爰片在线观看| 国产精品无大码| 91久久精品国产一区二区成人| 亚洲不卡免费看| 99视频精品全部免费 在线| 又粗又硬又长又爽又黄的视频| 丝袜脚勾引网站| 国产又色又爽无遮挡免| 久久久成人免费电影| 久久久色成人| 久久鲁丝午夜福利片| 久久久久久久久大av| 国内精品宾馆在线| 成年女人在线观看亚洲视频| 亚洲性久久影院| 日韩,欧美,国产一区二区三区| 久久久久国产网址| 国产在线视频一区二区| 欧美变态另类bdsm刘玥| 国产精品蜜桃在线观看| 老师上课跳d突然被开到最大视频| 色5月婷婷丁香| 男女边摸边吃奶| 日韩精品有码人妻一区| 高清av免费在线| 国产黄片视频在线免费观看| 热re99久久精品国产66热6| 人妻一区二区av| 精品人妻偷拍中文字幕| 欧美精品国产亚洲| 99九九线精品视频在线观看视频| 高清不卡的av网站| 深爱激情五月婷婷| 亚洲欧美日韩另类电影网站 | 亚洲天堂av无毛| 18禁在线无遮挡免费观看视频| 青春草国产在线视频| 国产色婷婷99| 国产真实伦视频高清在线观看| 久久韩国三级中文字幕| 人人妻人人看人人澡| 国产精品无大码| 日韩欧美精品免费久久| 尾随美女入室| 日韩中文字幕视频在线看片 | 少妇丰满av| 夜夜骑夜夜射夜夜干| 国产又色又爽无遮挡免| 爱豆传媒免费全集在线观看| 国产精品久久久久久精品古装| 麻豆成人av视频| 日日撸夜夜添| 成人二区视频| 边亲边吃奶的免费视频| 嫩草影院入口| 久久av网站| 日韩制服骚丝袜av| 亚洲成人一二三区av| 欧美最新免费一区二区三区| 青青草视频在线视频观看| av在线app专区| 91午夜精品亚洲一区二区三区| 免费观看无遮挡的男女| 蜜桃在线观看..| 国产精品av视频在线免费观看| 丝袜脚勾引网站| 日韩,欧美,国产一区二区三区| 亚洲自偷自拍三级| 高清毛片免费看| 22中文网久久字幕| 国产在视频线精品| 久久鲁丝午夜福利片| 亚洲av福利一区| 超碰97精品在线观看| 99精国产麻豆久久婷婷| 国产黄片视频在线免费观看| 亚洲人成网站在线观看播放| av又黄又爽大尺度在线免费看| 欧美3d第一页| 精品人妻偷拍中文字幕| 中文字幕精品免费在线观看视频 | 嫩草影院入口| 欧美激情国产日韩精品一区| 久久久成人免费电影| 午夜免费鲁丝| 国产在视频线精品| 成年免费大片在线观看| 少妇精品久久久久久久| 亚洲性久久影院| 国产伦在线观看视频一区| 成人毛片a级毛片在线播放| 亚洲自偷自拍三级| 国内精品宾馆在线| 中文字幕久久专区| av在线观看视频网站免费| 成人无遮挡网站| 夜夜爽夜夜爽视频| 草草在线视频免费看| 丝袜脚勾引网站| 看十八女毛片水多多多| 一级二级三级毛片免费看| 精品亚洲成国产av| 欧美bdsm另类| 99热这里只有是精品在线观看| 熟女电影av网| 国产精品99久久99久久久不卡 | 亚洲av国产av综合av卡| 亚洲欧美一区二区三区国产| 久久国内精品自在自线图片| 亚洲精品成人av观看孕妇| 特大巨黑吊av在线直播| 看免费成人av毛片| 久久久久精品久久久久真实原创| 91精品伊人久久大香线蕉| 99久久人妻综合| 黄色日韩在线| 亚洲色图综合在线观看| 人妻一区二区av| 国产成人精品婷婷| 又爽又黄a免费视频| 黄片无遮挡物在线观看| 97精品久久久久久久久久精品| 亚洲av二区三区四区| 噜噜噜噜噜久久久久久91| 国产 一区 欧美 日韩| 欧美日韩视频精品一区| 国产精品熟女久久久久浪| 亚洲av中文字字幕乱码综合| 国产精品无大码| 校园人妻丝袜中文字幕| 日韩亚洲欧美综合| 在线观看免费视频网站a站| 国产永久视频网站| 国产精品爽爽va在线观看网站| 日本黄色片子视频| 国产精品久久久久久久电影| 久久久久久久精品精品| kizo精华| 日韩三级伦理在线观看| 中文在线观看免费www的网站| 亚洲精品亚洲一区二区| 午夜免费鲁丝| 亚洲成人一二三区av| 欧美 日韩 精品 国产| 成人综合一区亚洲| 亚洲第一区二区三区不卡| 亚洲av福利一区| 水蜜桃什么品种好| 欧美+日韩+精品| av国产免费在线观看| 色婷婷久久久亚洲欧美| 免费观看在线日韩| 18禁裸乳无遮挡免费网站照片| 精品少妇黑人巨大在线播放| 久久久久人妻精品一区果冻| 亚洲av中文字字幕乱码综合| 日韩av免费高清视频| 直男gayav资源| 欧美精品一区二区免费开放| 少妇人妻精品综合一区二区| 我的老师免费观看完整版| 99久久综合免费| 中文资源天堂在线| 久久久久人妻精品一区果冻| 国产精品国产av在线观看| 五月玫瑰六月丁香| 国产精品麻豆人妻色哟哟久久| 日韩不卡一区二区三区视频在线| 中文字幕亚洲精品专区| 五月伊人婷婷丁香| 晚上一个人看的免费电影| 国产极品天堂在线| 最近的中文字幕免费完整| 精品熟女少妇av免费看| 国产亚洲最大av| 直男gayav资源| 国产免费福利视频在线观看| 欧美bdsm另类| 亚洲va在线va天堂va国产| 亚洲人成网站高清观看| 少妇猛男粗大的猛烈进出视频| 久久久久久久国产电影| 日本与韩国留学比较| 熟女人妻精品中文字幕| 我的老师免费观看完整版| 最后的刺客免费高清国语| 日本黄色日本黄色录像| 午夜免费鲁丝| 久久亚洲国产成人精品v| 永久免费av网站大全| 国产男女内射视频| 国产免费视频播放在线视频| 97精品久久久久久久久久精品| 国产av一区二区精品久久 | 制服丝袜香蕉在线| 国产精品一区二区在线不卡| 晚上一个人看的免费电影| av.在线天堂| 91久久精品国产一区二区三区| 亚洲欧美中文字幕日韩二区| 免费观看性生交大片5| 建设人人有责人人尽责人人享有的 | 欧美xxxx性猛交bbbb| 国产精品99久久久久久久久| 久久久成人免费电影| 黄色视频在线播放观看不卡| 欧美高清成人免费视频www| 看非洲黑人一级黄片| 国产淫片久久久久久久久| 久久综合国产亚洲精品| 国产在视频线精品| 久久久欧美国产精品| av国产免费在线观看| 美女cb高潮喷水在线观看| 欧美日本视频| 美女国产视频在线观看| 国产中年淑女户外野战色| 亚洲性久久影院| 日本vs欧美在线观看视频 | 国产精品一二三区在线看| 一个人看的www免费观看视频| 久久人人爽人人爽人人片va| 国产一级毛片在线| 黄片wwwwww| 欧美 日韩 精品 国产| 亚洲美女黄色视频免费看| 国产视频内射| 日韩av在线免费看完整版不卡| 王馨瑶露胸无遮挡在线观看| 中文资源天堂在线| 久久久久精品久久久久真实原创| 日本欧美国产在线视频| 久久av网站| 大码成人一级视频| 亚洲av综合色区一区| 亚洲电影在线观看av| 午夜免费鲁丝| 久久精品熟女亚洲av麻豆精品| 一区在线观看完整版| 男男h啪啪无遮挡| 秋霞伦理黄片| 精品国产三级普通话版| 亚洲欧美一区二区三区国产| 亚洲经典国产精华液单| 97在线视频观看| 内地一区二区视频在线| 这个男人来自地球电影免费观看 | 中国美白少妇内射xxxbb| 男女边吃奶边做爰视频| 蜜桃在线观看..| 噜噜噜噜噜久久久久久91| 欧美高清成人免费视频www| 噜噜噜噜噜久久久久久91| 国产精品人妻久久久久久| 国产视频首页在线观看| 久久久久久久久久成人| 免费观看无遮挡的男女| 色网站视频免费| 午夜福利影视在线免费观看| 1000部很黄的大片| 久久精品夜色国产| 中文欧美无线码| 国产一级毛片在线| 亚洲av成人精品一二三区| 亚洲av在线观看美女高潮| 免费人妻精品一区二区三区视频| av不卡在线播放| 欧美人与善性xxx| 18禁裸乳无遮挡动漫免费视频| 狂野欧美激情性bbbbbb| 亚洲经典国产精华液单| 免费av中文字幕在线| 亚洲精品国产av蜜桃| 国产高潮美女av| 毛片一级片免费看久久久久| 精品一品国产午夜福利视频| 只有这里有精品99| 插阴视频在线观看视频| 日韩欧美一区视频在线观看 | 国产精品秋霞免费鲁丝片| 精品99又大又爽又粗少妇毛片| 国产精品av视频在线免费观看| 伊人久久国产一区二区| 777米奇影视久久| 亚洲丝袜综合中文字幕| 99九九线精品视频在线观看视频| 免费大片黄手机在线观看| 高清不卡的av网站| 国产av码专区亚洲av| 毛片女人毛片| 精品人妻偷拍中文字幕| 啦啦啦啦在线视频资源| 少妇被粗大猛烈的视频| 国产亚洲av片在线观看秒播厂| 亚洲精品乱久久久久久| a级一级毛片免费在线观看| 狂野欧美激情性xxxx在线观看| 色5月婷婷丁香| av在线播放精品| 波野结衣二区三区在线| 99久国产av精品国产电影| 1000部很黄的大片| 国产视频内射| 成人国产麻豆网| 中文在线观看免费www的网站| 亚洲精品色激情综合| 国产伦精品一区二区三区四那| 在线观看国产h片| 日本黄色日本黄色录像| 一级毛片我不卡| 天堂中文最新版在线下载| a 毛片基地| 免费人妻精品一区二区三区视频| 中文字幕免费在线视频6| 久久久久久久久大av| 国产高清三级在线| 亚洲精品国产色婷婷电影| 久久av网站| 亚洲aⅴ乱码一区二区在线播放| 黑丝袜美女国产一区| 国产精品嫩草影院av在线观看| 日韩一本色道免费dvd| 麻豆精品久久久久久蜜桃| 久久国产乱子免费精品| 中文字幕人妻熟人妻熟丝袜美| 国产亚洲91精品色在线| 尾随美女入室| 美女内射精品一级片tv| 看免费成人av毛片| 欧美日韩视频高清一区二区三区二| 久久国产亚洲av麻豆专区| 人妻少妇偷人精品九色| 在线 av 中文字幕| 午夜免费观看性视频| 精品一区二区免费观看| 国产亚洲一区二区精品| 汤姆久久久久久久影院中文字幕| 能在线免费看毛片的网站| av视频免费观看在线观看| 久久久成人免费电影| 亚洲成人一二三区av| 婷婷色av中文字幕| 免费观看在线日韩| 搡老乐熟女国产| 亚洲精品一二三| 免费观看性生交大片5| 亚洲成人av在线免费| 在现免费观看毛片| 国产午夜精品久久久久久一区二区三区| 午夜日本视频在线| 久久久久久人妻| 国产一区亚洲一区在线观看| 欧美变态另类bdsm刘玥| 啦啦啦视频在线资源免费观看| 全区人妻精品视频| 少妇人妻精品综合一区二区| 黄片wwwwww| 国产精品麻豆人妻色哟哟久久| 91久久精品国产一区二区三区| 成人高潮视频无遮挡免费网站| 日韩免费高清中文字幕av| 亚洲欧美日韩卡通动漫| 国产精品一区二区在线观看99| 五月天丁香电影| 国产精品福利在线免费观看| 日日啪夜夜爽| 国国产精品蜜臀av免费| 色综合色国产| 国产精品嫩草影院av在线观看| 自拍偷自拍亚洲精品老妇| 直男gayav资源| 丰满人妻一区二区三区视频av| 久久毛片免费看一区二区三区| 国产av国产精品国产| 欧美三级亚洲精品| 国产69精品久久久久777片| 亚洲伊人久久精品综合| 少妇的逼水好多| 久久国产亚洲av麻豆专区| 身体一侧抽搐| 久热久热在线精品观看| 在线观看三级黄色| 久久国产精品男人的天堂亚洲 | 内射极品少妇av片p| 久久久国产一区二区| 新久久久久国产一级毛片| 91aial.com中文字幕在线观看| 51国产日韩欧美| 久久久亚洲精品成人影院| 国产淫片久久久久久久久| 制服丝袜香蕉在线| 2021少妇久久久久久久久久久| 最近中文字幕2019免费版| 天天躁日日操中文字幕| 五月开心婷婷网| 啦啦啦视频在线资源免费观看| 国产探花极品一区二区| 毛片女人毛片| 亚洲天堂av无毛| 成人美女网站在线观看视频| 免费大片18禁| 欧美xxⅹ黑人| 如何舔出高潮| 九色成人免费人妻av| 免费大片黄手机在线观看| 成年人午夜在线观看视频| 免费观看a级毛片全部| 日本欧美视频一区| 国产综合精华液| 在线天堂最新版资源| 国产视频内射| 97超视频在线观看视频| 国产精品99久久久久久久久| 亚洲av免费高清在线观看| 少妇人妻一区二区三区视频| 久久国产精品男人的天堂亚洲 | 在线天堂最新版资源| 国产精品国产三级国产专区5o| 久久久久久伊人网av| 97超碰精品成人国产| 能在线免费看毛片的网站| 日产精品乱码卡一卡2卡三| 国产日韩欧美亚洲二区| 偷拍熟女少妇极品色| 免费观看在线日韩| 蜜桃亚洲精品一区二区三区| 高清av免费在线| 少妇高潮的动态图| 97精品久久久久久久久久精品| 菩萨蛮人人尽说江南好唐韦庄| 国产在线男女| 亚洲成人手机| 精品熟女少妇av免费看| 国产精品嫩草影院av在线观看| 午夜福利网站1000一区二区三区| 我要看黄色一级片免费的| 国产免费福利视频在线观看| av女优亚洲男人天堂| 交换朋友夫妻互换小说| 51国产日韩欧美| 中文欧美无线码| 亚洲av不卡在线观看| 久久久久精品久久久久真实原创| 欧美极品一区二区三区四区| 男女下面进入的视频免费午夜| 国产久久久一区二区三区| 日本wwww免费看| 国产日韩欧美亚洲二区| 97超视频在线观看视频| 国产免费又黄又爽又色| 九色成人免费人妻av| 精品一品国产午夜福利视频| 男女边吃奶边做爰视频| 久久久欧美国产精品| 午夜免费鲁丝| 国产白丝娇喘喷水9色精品| 美女内射精品一级片tv| 亚洲电影在线观看av| 国产老妇伦熟女老妇高清| 午夜福利高清视频| 韩国高清视频一区二区三区| 99热国产这里只有精品6| 熟妇人妻不卡中文字幕| 久久久成人免费电影| 亚洲国产毛片av蜜桃av| 国产国拍精品亚洲av在线观看| 国产欧美日韩精品一区二区| 日韩中字成人| 精品99又大又爽又粗少妇毛片| 99久久精品热视频| 久久久a久久爽久久v久久| 免费久久久久久久精品成人欧美视频 | 91久久精品国产一区二区三区| 成人午夜精彩视频在线观看| 成人特级av手机在线观看| 中文资源天堂在线| 国产成人免费无遮挡视频| 高清午夜精品一区二区三区| 亚洲精品日本国产第一区| 国产精品国产三级专区第一集| 国产精品伦人一区二区| 菩萨蛮人人尽说江南好唐韦庄| 联通29元200g的流量卡| 久久久国产一区二区| 亚洲国产精品999| 国产成人免费无遮挡视频| 国产熟女欧美一区二区| 中文乱码字字幕精品一区二区三区| 午夜福利网站1000一区二区三区| 狂野欧美激情性bbbbbb| 久久99蜜桃精品久久| 纯流量卡能插随身wifi吗| 久久久久久伊人网av| 久久久久久久亚洲中文字幕| 国产精品三级大全| 久久亚洲国产成人精品v|