• <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3D CNN的人體動作識別研究

    2020-09-23 08:06:20朱云鵬黃希黃嘉興
    現(xiàn)代電子技術(shù) 2020年18期
    關(guān)鍵詞:特征提取深度學(xué)習

    朱云鵬 黃希 黃嘉興

    摘? 要: 在現(xiàn)實的生活視頻中,檢測人體動作以及分類時,常常會出現(xiàn)視頻背景復(fù)雜、模糊,以及因人多導(dǎo)致多種動作行為同時出現(xiàn)的問題,而致使檢測和判別某種行為結(jié)果出現(xiàn)偏差。因此文中針對2D CNN對單個幀進行提取特征卻沒有包含實際視頻中連續(xù)多幀之間編碼的運動信息,提出一種基于三維卷積神經(jīng)網(wǎng)絡(luò)識別方法,旨在更好地捕獲視頻連續(xù)幀中隱藏的時間和空間信息。實驗結(jié)果表明,與現(xiàn)有的幾類方法相比,所提方法識別率得到較為明顯的提升,驗證了該方法的有效性和魯棒性。

    關(guān)鍵詞: 人體動作識別; 三維卷積神經(jīng)網(wǎng)絡(luò); 特征提取; 模型訓(xùn)練; 深度學(xué)習; 實驗對比

    中圖分類號: TN911.23?34; TP301? ? ? ? ? ? ? ? 文獻標識碼: A? ? ? ? ? ? ? ? ? ? ?文章編號: 1004?373X(2020)18?0150?03

    Abstract: In real?life video detection and classification, the video background is complex and fuzzy, as well as many people lead to a variety of action behavior problems at the same time, which causes the deviation of detection and discrimination of a certain behavior results. In allusion to the problem that feature extraction is conducted by 2D CNN from a single frame, but the motion information encoded between consecutive frames is not included, a neural network recognition method based on 3D convolution is proposed to better capture the hidden time and space information in consecutive frames of video. The experimental results show that, in comparison with the existing methods, the recognition rate of this method is significantly improved, and the effectiveness and robustness of the proposed method are verified.

    Keywords: human action recognition; 3D convolution neural network; feature extraction; model training; deep learning; experimental comparison

    0? 引? 言

    人體動作識別是計算機視覺研究中的一個分支,被廣泛地應(yīng)用于人機互動、交互式娛樂等多個領(lǐng)域[1]。隨著視頻采集設(shè)備和寬帶光纖整體科技水平的跳躍式發(fā)展,如今,“視頻”已經(jīng)成為信息的主要載體,特別是近些年來,4G的普及以及5G的問世,各色各類的長、短視頻數(shù)量以幾何速度爆炸式增加,面對如此龐大的視頻數(shù)據(jù),相關(guān)人員迫切需要穩(wěn)定高效的視頻信息自動處理系統(tǒng)。在此供求基礎(chǔ)上,人體動作識別技術(shù)近些年來一直是計算機領(lǐng)域內(nèi)一個充滿機遇和挑戰(zhàn)的課題。

    最常見的動作識別應(yīng)用是分類識別:給定一個視頻,系統(tǒng)將其準確分類為幾個已知的動作類別。綜合性的動作識別是視頻中不僅包含的多個動作類別,還存在復(fù)雜的背景干擾。動作識別的最終目標是分析人在視頻中場景的位置、狀態(tài)和行為。人體動作識別應(yīng)用于各行各業(yè),主要集中在智能視頻監(jiān)控、病人監(jiān)護系統(tǒng)、人機交互、虛擬現(xiàn)實、智能家居、智能安全、運動員輔助培訓(xùn)、基于情報的視頻檢索和智能圖像壓縮等[2]。隨著傳感器技術(shù)的不斷發(fā)展,人類行為識別研究受益于不同模態(tài)傳感器,如RGB攝像機、深度攝像機、加速度計和陀螺儀[3]。

    圖像和視頻的識別與描述是計算機視覺領(lǐng)域的一個基本挑戰(zhàn)[4]。而與圖像分類相比,視頻動作分類在運動和視角上存在著附加的難題[5]。視覺人體運動分析和識別的方法體系有很多種,如:Forsyth等人側(cè)重于將動作從視頻序列中人的姿態(tài)和運動信息恢復(fù)過來,這屬于一個回歸問題,而人體行為識別是一個分類問題。這2個問題有很多類似點,比如其特征的提取和描述很多方面是通用的。如果將人體運動識別的研究方向分為3個層次:移動識別、動作識別和行為識別,目前關(guān)于行為識別基本上還停留在第二個階段,即對生活中的一些簡單行為進行判斷和分類。與傳統(tǒng)的模式識別方法相比,基于深度學(xué)習的人體運動識別技術(shù)近年來發(fā)展迅速,它的研究結(jié)合自動訓(xùn)練,提取特征和分類,同時放寬了有關(guān)參數(shù)的數(shù)量,并且利用深度學(xué)習將人體動作識別的研究投入到新的應(yīng)用當中。

    深度學(xué)習允許由多個處理層組成的計算模型來自動學(xué)習多維的抽象數(shù)據(jù)類型[6]。它的主要優(yōu)勢之一是其執(zhí)行端到端優(yōu)化的能力[7]。目前,使用深度學(xué)習執(zhí)行諸如人體運動識別、人體跟蹤和圖像高級處理之類的任務(wù)均得到了令人滿意的結(jié)果,如麻省理工學(xué)院媒體實驗室在將智能室以及在自然場景中的人體動作識別作為新的研究課題中取得了一些進展;CMU機器人研究所還開展了人體檢測與跟蹤、步態(tài)識別和行為識別等項目;同時,馬里蘭大學(xué)自動化研究控制中心對人體運動建模,對3D人體運動捕捉和異常事件檢測也進行了深入的研究?,F(xiàn)實的生活視頻中檢測人體動作及分類時,會出現(xiàn)視頻背景復(fù)雜、模糊,以及因人多導(dǎo)致多種動作行為同時出現(xiàn)的問題,致使檢測和判別某種行為結(jié)果出現(xiàn)偏差。 本文針對2D CNN對單個幀進行提取特征卻沒有包含實際視頻中連續(xù)多幀之間編碼的運動信息,提出一種基于改進三維卷積神經(jīng)網(wǎng)絡(luò)識別方法,旨在更好地捕獲視頻連續(xù)幀中隱藏的時間和空間信息,并且在多個動作識別視頻數(shù)據(jù)集實驗中得到了較高的準確率。

    1? 改進三維卷積神經(jīng)網(wǎng)絡(luò)模型

    1.1? 3D CNN網(wǎng)絡(luò)結(jié)構(gòu)組成

    受視覺神經(jīng)感受野的啟發(fā),卷積神經(jīng)網(wǎng)絡(luò)的神經(jīng)元之間通過稀疏鏈接的方式進行連接,具有較多的隱含層,每一隱含層有多個數(shù)據(jù)矩陣平面,每個數(shù)據(jù)矩陣平面的神經(jīng)元共享權(quán)值參數(shù)矩陣[8]。如圖1所示,在二維卷積神經(jīng)網(wǎng)絡(luò)中,卷積應(yīng)用于二維特征圖,并且僅根據(jù)空間維度計算特征。

    當使用視頻數(shù)據(jù)分析問題時,需要在多個連續(xù)幀中捕獲編碼的運動信息。 為此,提出三維卷積神經(jīng)網(wǎng)絡(luò)用于計算空間和時間維度特征。三維卷積是通過堆疊多個連續(xù)幀,然后在立方體中應(yīng)用三維卷積內(nèi)核來形成立方體。利用這種結(jié)構(gòu),卷積層中的特征映射連接到上層中的多個相鄰幀,從而捕獲運動信息。深度神經(jīng)網(wǎng)絡(luò)的優(yōu)勢主要在于學(xué)習訓(xùn)練數(shù)據(jù)的分布,并且可以在測試集上獲得良好的泛化效果。 然而如果每個批次輸入的數(shù)據(jù)都具有不同的分布,則會給神經(jīng)網(wǎng)絡(luò)的訓(xùn)練帶來困難,所以規(guī)范化每層神經(jīng)網(wǎng)絡(luò)的輸出顯然是不合理的。為了把每層神經(jīng)網(wǎng)絡(luò)任意神經(jīng)元輸入值的分布拉回到均值為0,方差為1的標準正態(tài)分布,本文神經(jīng)層中引入批量規(guī)范化(Batchnorm)。假設(shè)神經(jīng)層輸入數(shù)據(jù)是β= x1,x2,…,xm,共m個數(shù)據(jù),輸出是[yi=BNx],則批量規(guī)范化步驟如下:

    在sigmoid, tanh, softplus和ReLu中,選擇ReLu作為網(wǎng)絡(luò)的非線性激活函數(shù),ReLu的gradient大多數(shù)情況下是常數(shù),有助于解決深層網(wǎng)絡(luò)的收斂問題。ReLu的另一個優(yōu)勢是在生物維度上的合理性,它是單邊的,相比sigmoid和tanh,更符合生物神經(jīng)元的特征。為了確保特征的位置和旋轉(zhuǎn)不變性并減少過擬合問題,在網(wǎng)絡(luò)中添加最大池化層,從過濾器中提取一些特征值,并且僅獲取最大池化層作為保留值,丟棄所有其他功能值。在視頻領(lǐng)域,如果在足夠大的數(shù)據(jù)集上訓(xùn)練動作分類網(wǎng)絡(luò),在應(yīng)用于不同的時間任務(wù)或數(shù)據(jù)集時,是否會提供相應(yīng)的性能提升,這是一個懸而未決的問題[9],本文在網(wǎng)絡(luò)的訓(xùn)練階段加入Dropout技術(shù)來隨機地選擇部分神經(jīng)元并將其輸入設(shè)置為0,從而隨機變化地網(wǎng)絡(luò)的鏈接結(jié)構(gòu),提高網(wǎng)絡(luò)的泛化能力,使得網(wǎng)絡(luò)具有更好的適應(yīng)性[10]。

    1.2? 方法實施過程

    1.2.1? 網(wǎng)絡(luò)結(jié)構(gòu)

    從圖2可以看出,該特征通過3次三維卷積和3次下采樣組合,最后通過完全連接層獲得最終輸出。

    1.2.2? 圖像大小的變化

    卷積過程中的尺寸變化如圖3所示。

    2? 實驗方法

    2.1? 實驗環(huán)境

    編程環(huán)境使用Python 3.6,而Numpy,Tensorflow和其他一些模塊也會被用到。 選擇UT交互數(shù)據(jù)集作為實驗研究數(shù)據(jù)集。UT交互數(shù)據(jù)集包含6類真實的人人交互行為,包括握手、指向、擁抱、推、踢和擊打。每個視頻每次互動至少包含1次執(zhí)行或2~3次執(zhí)行。 在第1~第4組中,場景中只出現(xiàn)2個相互作用的人。 在第5~8組中,場景中存在執(zhí)行其他動作的干擾人員。所有視頻中出現(xiàn)了超過15種不同服裝的參與者。本文選取數(shù)據(jù)集15人中的8人作為訓(xùn)練樣本,7人作為測試樣本。

    2.2? 實驗過程

    2.2.1? 特征提取

    對于每個實驗視頻,將其分成多組15個連續(xù)幀的塊,然后在這些塊上訓(xùn)練模型而不是在單獨每一幀上訓(xùn)練。在卷積層中,使用3D卷積濾波器來訓(xùn)練模型以檢測并學(xué)習時間運動信息。特征提取如圖4所示。

    2.2.2? 參數(shù)影響

    1) Learning rate

    學(xué)習率是深度學(xué)習中一個舉足輕重的超級參數(shù)。 能否選擇搭配網(wǎng)絡(luò)結(jié)構(gòu)的最優(yōu)學(xué)習率決定了模型塑造的質(zhì)量。文中,學(xué)習率調(diào)整到0.01的獲得最高準確率結(jié)果。

    2) Dropout

    Dropout是指在深度學(xué)習網(wǎng)絡(luò)的訓(xùn)練過程中,對于神經(jīng)網(wǎng)絡(luò)單元,按照一定的概率將其暫時從網(wǎng)絡(luò)中丟棄,是一種很有效的正則化手段[11],對于隨機梯度下降來說,由于是隨機丟棄,故每一個Mini?batch都在訓(xùn)練不同的網(wǎng)絡(luò),每次丟失時,都相當于從原始網(wǎng)絡(luò)中找到更薄的網(wǎng)絡(luò)。

    2.2.3? 實驗結(jié)果比較

    不同方法實驗結(jié)果比較如表1所示。

    UT數(shù)據(jù)集是人與人交互式類的行為數(shù)據(jù)集,即便該數(shù)據(jù)集的動作分類單一且動作本身不具備復(fù)雜性,但由于人與人之間交互時的遮擋和不確定性,導(dǎo)致識別難度提高,相似動作容易混淆,分類算法準確率浮動較大。例如表1所示:本文算法在此數(shù)據(jù)集上,“拳打”動作準確率最低,只有80%,原因在于“拳打”和“推人”動作近似,算法易發(fā)生誤判;除“握手”和“拳打”動作之外,其余動作識別準確性均在90%以上??梢?,本文算法在UT數(shù)據(jù)集上識別率得到了一定程度上的提高。

    3? 結(jié)? 論

    動作識別系統(tǒng)的性能在很大程度上取決于它是否能夠高效提取和利用相關(guān)信息[12]。而動態(tài)圖像是緊湊的,在將視頻轉(zhuǎn)換成動態(tài)圖像期間,時間信息在某種程度上不可避免地丟失[13]。本文通過基于改進三維卷積神經(jīng)網(wǎng)絡(luò)學(xué)習方法和其他實驗方法在UT數(shù)據(jù)集得到的相比較,更大程度上利用測試視頻包含的空間和時間信息,并且準確率得到了一定程度的提高,證明了該方法在短視頻交互動作識別中的可行性。

    注:本文通訊作者為黃希。

    參考文獻

    [1] 張孫培,孫懷江.關(guān)節(jié)信息和極限學(xué)習機的人體動作識別[J].現(xiàn)代電子技術(shù),2015,38(10):55?60.

    [2] 劉文婷.一種室內(nèi)人體行為識別方法:CN104866860A[P].2015?08?26.

    [3] CHEN Chen, ROOZBEH Jafari, NASSER Kehtarnavaz. UTD?MHAD: a multimodal dataset for human action recognition utilizing a depth camera and a wearable inertial sensor [C]// 2015 IEEE International Conference on Image Processing. Quebec City: IEEE, 2015: 168?172.

    [4] JEFFREY Donahue, LISA Anne Hendricks, SERGIO Guadarrama, et al. Long?term recurrent convolutional networks for visual recognition and description [C]// IEEE Conference on Computer Vision and Pattern Recognition. Boston: IEEE, 2015: 2625?2634.

    [5] CHRISTOPH Feichtenhofer, AXEL Pinz, ANDREW Zisserman. Convolutional two?stream network fusion for video action recognition [C]// Computer Vision and Pattern Recognition. Las Vegas: IEEE, 2016: 204?215.

    [6] ZHOU Bolei, AGATA Lapedriza, XIAO Jianxiong, et al. Learning deep features for scene recognition using places database [C]// Neural Information Processing Systems. Montreal: NIPS, 2014: 487?495.

    [7] DIOGO C Luvizon, DAVID Picard, HEDI Tabia. 2D/3D pose estimation and action recognition using multitask deep learning [C]// 2018 IEEE/CVF Conference on Computer Vision and Pattern Recognition. Salt Lake City: IEEE, 2018: 5137?5146.

    [8] 李軍鋒,何雙伯,馮偉夏,等.基于改進CNN的增強現(xiàn)實變壓器圖像識別技術(shù)[J].現(xiàn)代電子技術(shù),2018,41(7):29?32.

    [9] JOAO Carreira, ANDREW Zisserman. Quo vadis, action recognition? A new model and the kinetics dataset [C]// Conference on Computer Vision and Pattern Recognition. Honolulu: IEEE, 2017: 6299?6308.

    [10] 范曉杰,宣士斌,唐鳳.基于Dropout卷積神經(jīng)網(wǎng)絡(luò)的行為識別[J].廣西民族大學(xué)學(xué)報(自然科學(xué)版),2017,23(1):76?82.

    [11] 周永生.基于LSTM神經(jīng)網(wǎng)絡(luò)的PM2.5預(yù)測[D].長沙:湖南大學(xué),2018.

    [12] WANG Limin, XIONG Yuanjun, WANG Zhe, et al. Temporal segment networks: towards good practices for deep action recognition [C]// European Conference on Computer Vision. Amsterdam: Springer, 2016: 20?36.

    [13] WANG Huogen, WANG Pichao, SONG Zhanjie, et al. Large?scale multimodal gesture recognition using heterogeneous networks [C]// 2017 IEEE International Conference on Computer Vision Workshops. Venice: IEEE, 2017: 3129?3131.

    猜你喜歡
    特征提取深度學(xué)習
    特征提取和最小二乘支持向量機的水下目標識別
    基于Gazebo仿真環(huán)境的ORB特征提取與比對的研究
    電子制作(2019年15期)2019-08-27 01:12:00
    基于Daubechies(dbN)的飛行器音頻特征提取
    電子制作(2018年19期)2018-11-14 02:37:08
    Bagging RCSP腦電特征提取算法
    有體驗的學(xué)習才是有意義的學(xué)習
    電子商務(wù)中基于深度學(xué)習的虛假交易識別研究
    MOOC與翻轉(zhuǎn)課堂融合的深度學(xué)習場域建構(gòu)
    大數(shù)據(jù)技術(shù)在反恐怖主義中的應(yīng)用展望
    深度學(xué)習算法應(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現(xiàn)
    軟件工程(2016年8期)2016-10-25 15:47:34
    91aial.com中文字幕在线观看| 国产成人免费观看mmmm| 中国国产av一级| 国产黄片视频在线免费观看| 乱系列少妇在线播放| 蜜桃久久精品国产亚洲av| 亚洲丝袜综合中文字幕| 国产精品久久久久久精品电影| 男女国产视频网站| 国产老妇伦熟女老妇高清| 成年免费大片在线观看| 国产高清三级在线| 欧美激情国产日韩精品一区| 日韩欧美 国产精品| 看非洲黑人一级黄片| 国产男女内射视频| 久久久久网色| 中文字幕亚洲精品专区| 在线播放无遮挡| 99久久九九国产精品国产免费| 午夜福利高清视频| 草草在线视频免费看| 亚洲av免费在线观看| 精品久久久久久电影网| 一级a做视频免费观看| 一二三四中文在线观看免费高清| 亚洲欧美日韩另类电影网站 | 亚洲av免费在线观看| 国产综合精华液| 热99国产精品久久久久久7| 国产精品久久久久久久久免| 免费av观看视频| 熟女电影av网| 久久久亚洲精品成人影院| 国产免费一级a男人的天堂| 欧美bdsm另类| 国产欧美另类精品又又久久亚洲欧美| 精品久久久久久久末码| 婷婷色av中文字幕| 国产探花在线观看一区二区| 美女脱内裤让男人舔精品视频| 亚洲一区二区三区欧美精品 | 亚洲不卡免费看| 直男gayav资源| 久久这里有精品视频免费| 亚洲av二区三区四区| 国产精品国产三级专区第一集| 亚洲av免费在线观看| 一二三四中文在线观看免费高清| 国产乱来视频区| 最近最新中文字幕大全电影3| 色视频www国产| 天美传媒精品一区二区| 亚洲精品日韩在线中文字幕| 日本熟妇午夜| 在线播放无遮挡| 18+在线观看网站| 99久久精品一区二区三区| 99热这里只有精品一区| kizo精华| 免费高清在线观看视频在线观看| 久久久久久久午夜电影| 国产精品一区www在线观看| 97在线人人人人妻| 欧美最新免费一区二区三区| 91aial.com中文字幕在线观看| 日本猛色少妇xxxxx猛交久久| videossex国产| 婷婷色av中文字幕| 日本熟妇午夜| av国产免费在线观看| 色哟哟·www| 午夜老司机福利剧场| 久热久热在线精品观看| 国产精品一区二区三区四区免费观看| 99久久中文字幕三级久久日本| 国产亚洲av嫩草精品影院| 国产高清三级在线| 国产精品国产三级专区第一集| 在线观看国产h片| 麻豆精品久久久久久蜜桃| 亚洲无线观看免费| 亚洲精品成人久久久久久| 国精品久久久久久国模美| 在线亚洲精品国产二区图片欧美 | 久久精品综合一区二区三区| 亚洲精品中文字幕在线视频 | 少妇人妻一区二区三区视频| 免费大片18禁| 狂野欧美白嫩少妇大欣赏| 日韩视频在线欧美| 老司机影院毛片| 看非洲黑人一级黄片| 在线观看美女被高潮喷水网站| 在线免费十八禁| 亚洲人成网站高清观看| 大陆偷拍与自拍| 免费观看a级毛片全部| 久久精品久久久久久噜噜老黄| 97人妻精品一区二区三区麻豆| a级毛色黄片| 亚洲最大成人手机在线| 黄色视频在线播放观看不卡| 欧美xxxx性猛交bbbb| 男插女下体视频免费在线播放| 亚洲最大成人手机在线| 最近2019中文字幕mv第一页| 建设人人有责人人尽责人人享有的 | 激情 狠狠 欧美| 欧美日韩视频高清一区二区三区二| 91在线精品国自产拍蜜月| 18禁裸乳无遮挡免费网站照片| 成年人午夜在线观看视频| 乱系列少妇在线播放| 蜜臀久久99精品久久宅男| 日本黄大片高清| 亚洲av中文av极速乱| 欧美亚洲 丝袜 人妻 在线| 亚洲欧洲国产日韩| 国产高清国产精品国产三级 | 韩国av在线不卡| 黄色日韩在线| 丰满少妇做爰视频| 麻豆成人av视频| 亚洲成人一二三区av| 国产成人精品婷婷| 男的添女的下面高潮视频| 欧美+日韩+精品| av在线app专区| 亚洲av免费高清在线观看| 亚洲精品乱久久久久久| 亚洲电影在线观看av| 日韩视频在线欧美| 别揉我奶头 嗯啊视频| 国产美女午夜福利| 精品一区二区三区视频在线| 欧美zozozo另类| 国产一区二区亚洲精品在线观看| 制服丝袜香蕉在线| 波多野结衣巨乳人妻| 狠狠精品人妻久久久久久综合| 国产精品女同一区二区软件| 菩萨蛮人人尽说江南好唐韦庄| 国产亚洲5aaaaa淫片| 一个人看的www免费观看视频| 国产 一区 欧美 日韩| 国产精品久久久久久精品电影小说 | 久久久久久九九精品二区国产| 欧美激情国产日韩精品一区| 嘟嘟电影网在线观看| 99久国产av精品国产电影| 免费观看无遮挡的男女| 欧美国产精品一级二级三级 | 99久久精品一区二区三区| 国产乱来视频区| 六月丁香七月| 成人国产麻豆网| 少妇裸体淫交视频免费看高清| 亚洲怡红院男人天堂| 亚洲精品久久久久久婷婷小说| 白带黄色成豆腐渣| 18+在线观看网站| 国产伦精品一区二区三区四那| 亚洲精品第二区| 大香蕉97超碰在线| 国产精品99久久99久久久不卡 | 黄色日韩在线| 黄色配什么色好看| 天堂俺去俺来也www色官网| 天堂俺去俺来也www色官网| 欧美3d第一页| 韩国高清视频一区二区三区| 男人狂女人下面高潮的视频| 女的被弄到高潮叫床怎么办| 精品亚洲乱码少妇综合久久| 日本一本二区三区精品| 国产又色又爽无遮挡免| 日韩国内少妇激情av| 日韩av在线免费看完整版不卡| 亚洲自偷自拍三级| 一本久久精品| 久久久久久久久久久丰满| 女人久久www免费人成看片| 男的添女的下面高潮视频| 久久热精品热| 2021天堂中文幕一二区在线观| www.色视频.com| 午夜激情久久久久久久| 狂野欧美激情性xxxx在线观看| 91精品伊人久久大香线蕉| 午夜老司机福利剧场| 下体分泌物呈黄色| 特大巨黑吊av在线直播| 亚洲在线观看片| 在线精品无人区一区二区三 | 国产精品一区二区三区四区免费观看| 久久久久久久久久人人人人人人| 亚洲欧美一区二区三区黑人 | 国产精品一及| 91久久精品国产一区二区三区| 欧美日韩视频高清一区二区三区二| 在线观看免费高清a一片| 国产亚洲av嫩草精品影院| 99热全是精品| 内地一区二区视频在线| 99热这里只有是精品50| 亚洲精华国产精华液的使用体验| 国产欧美亚洲国产| 1000部很黄的大片| 91aial.com中文字幕在线观看| 精品国产乱码久久久久久小说| 欧美精品国产亚洲| 少妇裸体淫交视频免费看高清| 免费观看的影片在线观看| 欧美成人午夜免费资源| 欧美高清成人免费视频www| 伦精品一区二区三区| 亚洲电影在线观看av| 亚洲成人中文字幕在线播放| 国产av不卡久久| 久久99热这里只频精品6学生| 国产亚洲av嫩草精品影院| 国产69精品久久久久777片| 亚洲av成人精品一区久久| 亚洲欧美成人精品一区二区| 波野结衣二区三区在线| 亚洲av国产av综合av卡| 欧美日韩精品成人综合77777| 国产男人的电影天堂91| 天美传媒精品一区二区| 春色校园在线视频观看| 人妻系列 视频| 在线观看人妻少妇| 日韩在线高清观看一区二区三区| 日本黄大片高清| 精品人妻视频免费看| 777米奇影视久久| 日本av手机在线免费观看| 少妇人妻精品综合一区二区| 亚洲国产精品国产精品| 免费av观看视频| 最近中文字幕2019免费版| 国产精品福利在线免费观看| 各种免费的搞黄视频| 久久人人爽av亚洲精品天堂 | 欧美日韩国产mv在线观看视频 | 久久精品夜色国产| 99久久人妻综合| 久久久精品免费免费高清| 人人妻人人澡人人爽人人夜夜| 久久精品人妻少妇| 精品一区二区免费观看| 欧美一区二区亚洲| 久久久久网色| 熟妇人妻不卡中文字幕| 黄色日韩在线| 亚洲自偷自拍三级| 国产黄片视频在线免费观看| 熟女人妻精品中文字幕| 国产精品麻豆人妻色哟哟久久| 99re6热这里在线精品视频| 国产高潮美女av| 一区二区三区精品91| 国产精品一及| 亚洲色图综合在线观看| a级毛色黄片| 男女无遮挡免费网站观看| 日日摸夜夜添夜夜添av毛片| 久久久久国产网址| 三级经典国产精品| 两个人的视频大全免费| 久久国产乱子免费精品| 久久久成人免费电影| 国产黄a三级三级三级人| 欧美高清成人免费视频www| 九草在线视频观看| 国产免费一级a男人的天堂| 国产真实伦视频高清在线观看| 亚洲国产精品专区欧美| 91久久精品国产一区二区三区| 一个人观看的视频www高清免费观看| 中文乱码字字幕精品一区二区三区| 亚洲成人久久爱视频| 免费黄网站久久成人精品| 日本一本二区三区精品| 看黄色毛片网站| 大陆偷拍与自拍| 免费看a级黄色片| 亚洲精品乱久久久久久| 国产综合精华液| 婷婷色综合www| 成人二区视频| 国产淫语在线视频| 免费大片黄手机在线观看| 肉色欧美久久久久久久蜜桃 | 91精品伊人久久大香线蕉| 人妻少妇偷人精品九色| 嘟嘟电影网在线观看| 精品视频人人做人人爽| 亚洲国产日韩一区二区| 国产精品一区二区在线观看99| 亚洲精品自拍成人| 亚洲欧美成人综合另类久久久| 国产精品一及| 欧美国产精品一级二级三级 | 日韩电影二区| 欧美日本视频| 大陆偷拍与自拍| av在线蜜桃| 黄片无遮挡物在线观看| av在线播放精品| 韩国高清视频一区二区三区| 成人午夜精彩视频在线观看| 欧美精品一区二区大全| xxx大片免费视频| 在线 av 中文字幕| 精品一区二区三卡| 日韩欧美 国产精品| 国产成年人精品一区二区| 18禁裸乳无遮挡免费网站照片| av在线app专区| 熟女电影av网| 丰满人妻一区二区三区视频av| 性插视频无遮挡在线免费观看| 女的被弄到高潮叫床怎么办| 国产欧美亚洲国产| 国产精品人妻久久久影院| 国产亚洲av嫩草精品影院| av线在线观看网站| 亚洲av二区三区四区| 日韩精品有码人妻一区| 免费观看性生交大片5| 99热这里只有是精品在线观看| 成人午夜精彩视频在线观看| 精品人妻偷拍中文字幕| 97在线视频观看| 亚洲成人久久爱视频| 人妻 亚洲 视频| 午夜日本视频在线| 精品一区在线观看国产| 最近的中文字幕免费完整| 久久久欧美国产精品| 日产精品乱码卡一卡2卡三| a级毛片免费高清观看在线播放| 亚洲欧美一区二区三区国产| 赤兔流量卡办理| 亚洲精品亚洲一区二区| 一级毛片电影观看| 99热这里只有是精品在线观看| 亚洲无线观看免费| 亚洲欧美日韩无卡精品| 免费观看无遮挡的男女| 久久精品国产鲁丝片午夜精品| 制服丝袜香蕉在线| 国产视频首页在线观看| 如何舔出高潮| 高清午夜精品一区二区三区| 日韩av免费高清视频| 亚洲成人久久爱视频| 中文资源天堂在线| 亚洲av中文av极速乱| 精品久久久久久久久av| av女优亚洲男人天堂| 联通29元200g的流量卡| 永久免费av网站大全| 九色成人免费人妻av| 在线免费十八禁| 秋霞伦理黄片| 婷婷色麻豆天堂久久| 青春草亚洲视频在线观看| 久久精品国产亚洲网站| 日日摸夜夜添夜夜添av毛片| 亚洲欧美日韩无卡精品| 久久97久久精品| 亚洲不卡免费看| 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 | 亚洲国产精品成人综合色| 久久精品国产a三级三级三级| 三级男女做爰猛烈吃奶摸视频| 久久久成人免费电影| 高清欧美精品videossex| 夜夜爽夜夜爽视频| 男女啪啪激烈高潮av片| 26uuu在线亚洲综合色| 欧美一区二区亚洲| 51国产日韩欧美| 九九爱精品视频在线观看| 美女脱内裤让男人舔精品视频| 国产精品人妻久久久影院| 丝袜脚勾引网站| 亚洲无线观看免费| 亚洲精品日韩av片在线观看| 男男h啪啪无遮挡| 久久久色成人| 欧美潮喷喷水| 日韩欧美 国产精品| 成人漫画全彩无遮挡| 国产久久久一区二区三区| 精品国产一区二区三区久久久樱花 | 日韩亚洲欧美综合| 人人妻人人看人人澡| 国产精品偷伦视频观看了| 日本av手机在线免费观看| 亚洲美女搞黄在线观看| 国产熟女欧美一区二区| 有码 亚洲区| 三级国产精品片| 久久久久国产网址| 看非洲黑人一级黄片| 午夜福利视频1000在线观看| 真实男女啪啪啪动态图| 日韩av不卡免费在线播放| 色视频在线一区二区三区| 直男gayav资源| 日本黄大片高清| 亚洲国产欧美人成| 色视频www国产| 久久鲁丝午夜福利片| 丰满人妻一区二区三区视频av| 亚洲成人久久爱视频| 日韩国内少妇激情av| 亚洲一级一片aⅴ在线观看| 午夜爱爱视频在线播放| 国产精品99久久久久久久久| 日韩制服骚丝袜av| 好男人在线观看高清免费视频| 久久亚洲国产成人精品v| 少妇被粗大猛烈的视频| 毛片女人毛片| 中文资源天堂在线| 久久99热这里只有精品18| 国产精品久久久久久精品电影小说 | 国产精品久久久久久精品电影小说 | 亚洲国产精品成人综合色| 97在线人人人人妻| 午夜福利在线观看免费完整高清在| 欧美精品国产亚洲| 韩国av在线不卡| 九草在线视频观看| 七月丁香在线播放| 在线免费十八禁| 国产成人一区二区在线| 少妇被粗大猛烈的视频| 亚洲va在线va天堂va国产| 真实男女啪啪啪动态图| 久久热精品热| 久久99热这里只频精品6学生| 久久精品国产鲁丝片午夜精品| 大话2 男鬼变身卡| 久久久精品欧美日韩精品| 如何舔出高潮| 日本免费在线观看一区| a级毛片免费高清观看在线播放| 一级av片app| 免费av不卡在线播放| 各种免费的搞黄视频| 国产精品一区www在线观看| 日日摸夜夜添夜夜添av毛片| 大片电影免费在线观看免费| 丝瓜视频免费看黄片| 日韩欧美精品v在线| 91在线精品国自产拍蜜月| 一级毛片aaaaaa免费看小| 九九久久精品国产亚洲av麻豆| 99久国产av精品国产电影| 99久久九九国产精品国产免费| 日本av手机在线免费观看| 亚洲人成网站在线播| 午夜福利网站1000一区二区三区| 69人妻影院| a级一级毛片免费在线观看| 少妇被粗大猛烈的视频| 男人爽女人下面视频在线观看| 不卡视频在线观看欧美| 2018国产大陆天天弄谢| 欧美日韩亚洲高清精品| 22中文网久久字幕| 天天躁日日操中文字幕| 午夜视频国产福利| 中国三级夫妇交换| 嘟嘟电影网在线观看| 国产女主播在线喷水免费视频网站| 免费观看性生交大片5| 免费av观看视频| 国产一区亚洲一区在线观看| 久久久久久久久久久丰满| 欧美日韩精品成人综合77777| 麻豆精品久久久久久蜜桃| av在线蜜桃| 亚洲综合精品二区| 国产白丝娇喘喷水9色精品| 激情 狠狠 欧美| 青春草视频在线免费观看| 七月丁香在线播放| 国产久久久一区二区三区| 91aial.com中文字幕在线观看| 午夜激情福利司机影院| 亚洲国产高清在线一区二区三| 91久久精品国产一区二区成人| 中国美白少妇内射xxxbb| 九色成人免费人妻av| 直男gayav资源| 亚洲熟女精品中文字幕| 97精品久久久久久久久久精品| 大陆偷拍与自拍| 国产高清有码在线观看视频| 久久这里有精品视频免费| 一级毛片 在线播放| 18禁动态无遮挡网站| av在线观看视频网站免费| 国内精品宾馆在线| 天天一区二区日本电影三级| 日韩中字成人| 乱系列少妇在线播放| 黄色一级大片看看| 成人国产麻豆网| 黄色视频在线播放观看不卡| 一级毛片黄色毛片免费观看视频| 校园人妻丝袜中文字幕| 日韩一区二区视频免费看| 亚洲国产av新网站| 91精品国产九色| 欧美亚洲 丝袜 人妻 在线| 午夜福利视频1000在线观看| 日日啪夜夜爽| 国产一区二区三区av在线| 国产中年淑女户外野战色| av在线蜜桃| 男插女下体视频免费在线播放| 黄色配什么色好看| 视频中文字幕在线观看| a级一级毛片免费在线观看| 亚洲精品乱久久久久久| 亚洲人成网站在线播| 国产精品福利在线免费观看| 简卡轻食公司| 国产精品一区二区在线观看99| 综合色丁香网| 18+在线观看网站| 国产亚洲午夜精品一区二区久久 | 国产极品天堂在线| 水蜜桃什么品种好| 国产免费一级a男人的天堂| 春色校园在线视频观看| 国产男女超爽视频在线观看| 国产免费视频播放在线视频| 天天一区二区日本电影三级| 欧美一区二区亚洲| 国产精品不卡视频一区二区| 亚洲精品国产色婷婷电影| 国产伦精品一区二区三区四那| 亚洲av福利一区| 国产综合懂色| 国产成人免费观看mmmm| 国产在线一区二区三区精| 精品国产三级普通话版| 蜜桃亚洲精品一区二区三区| 亚洲欧美日韩无卡精品| 在线 av 中文字幕| 麻豆久久精品国产亚洲av| 国语对白做爰xxxⅹ性视频网站| .国产精品久久| 视频中文字幕在线观看| 麻豆成人av视频| 欧美日韩视频高清一区二区三区二| 91精品一卡2卡3卡4卡| 噜噜噜噜噜久久久久久91| 国产精品国产av在线观看| 日韩三级伦理在线观看| 久久久a久久爽久久v久久| 一级毛片 在线播放| 性色av一级| 自拍偷自拍亚洲精品老妇| 久久99热6这里只有精品| 日日啪夜夜撸| 国产视频内射| 街头女战士在线观看网站| 免费看av在线观看网站| 久久99蜜桃精品久久| 97精品久久久久久久久久精品| 男的添女的下面高潮视频| 国产片特级美女逼逼视频| 三级国产精品欧美在线观看| 亚洲四区av| 欧美xxⅹ黑人| 好男人在线观看高清免费视频| 国产午夜福利久久久久久| 亚洲最大成人手机在线| 全区人妻精品视频| 毛片一级片免费看久久久久| 成人免费观看视频高清| 午夜福利视频精品| 色综合色国产| 久久6这里有精品| 国产精品一区二区三区四区免费观看| 啦啦啦中文免费视频观看日本| 在线精品无人区一区二区三 | 国产亚洲最大av| 亚洲精品一二三| 天美传媒精品一区二区| 国产精品99久久久久久久久| 国产高清有码在线观看视频| 岛国毛片在线播放| 欧美zozozo另类| 一个人看的www免费观看视频| 性插视频无遮挡在线免费观看| 亚洲成色77777| 插阴视频在线观看视频| 亚洲电影在线观看av| 久久久色成人| 亚洲av国产av综合av卡| 成人鲁丝片一二三区免费| 日韩中字成人| 欧美成人午夜免费资源|