• <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 ?

    DS-YOLO網(wǎng)絡(luò)在遙感圖像中的飛機檢測算法研究

    2021-01-11 09:12:38赫立群李英超朱文濤
    計算機工程與應(yīng)用 2021年1期
    關(guān)鍵詞:分組卷積飛機

    吳 杰,段 錦,赫立群,李英超,朱文濤

    1.長春理工大學 電子信息工程學院,長春130022

    2.長春理工大學 空間光電技術(shù)研究所 基礎(chǔ)技術(shù)實驗室,長春130022

    隨著遙感技術(shù)與通信的發(fā)展,遙感圖像中所反應(yīng)的信息也越來越豐富,飛機在民用和軍事上都有著不可代替的作用,因此遙感圖像中飛機目標的檢測有著重要的價值。針對遙感飛機圖像存在的目標較小、背景復雜、曝光度高等問題,傳統(tǒng)的檢測方法例如尺度不變特征[1]、方向梯度直方圖[2]和DPM[3]存在較差的魯棒性。近幾年,深度學習在目標檢測領(lǐng)域有著非常好的效果,基于卷積神經(jīng)網(wǎng)絡(luò)(CNN)的目標檢測算法可以分為兩類:第一類是基于區(qū)域的目標檢測方法,主要有Faster RCNN[4]、Mask RCNN[5]等、這類方法優(yōu)勢在擁有較高的檢測精度,但是檢測速度慢。第二類是基于回歸的目標檢測方法,如SSD[6-7],YOLO[8]等,YOLO檢測自今已經(jīng)發(fā)展了三代,并衍生出很多針對特定場景的網(wǎng)絡(luò),YOLO 首先使用回歸的思想進行圖像目標分類,檢測速度達到45幀/s,缺點是對小目標的定位檢測度不高;YOLOv2 優(yōu)化了YOLO的模型結(jié)構(gòu),提升了檢測速度但是由于基礎(chǔ)結(jié)構(gòu)簡單,沒有對檢測精度提升[9];YOLOv3利用深度殘差網(wǎng)絡(luò)提取圖像特征,由于用于特征提取的最小特征圖偏大,造成檢測速度降低和對中等或較大尺寸物體檢測效果不佳;YOLOv3-tiny 版本將原網(wǎng)絡(luò)進行壓縮,沒有使用殘差層,只使用了兩個不同尺度的YOLO 輸出層,提升了檢測速度和對小目標檢測精度,由于遙感圖像目標飛機多為相對尺寸小于0.1 的小目標,且檢測速度要求較高,適合作為本此檢測的基礎(chǔ)網(wǎng)絡(luò)[10],它采用的是端到端的目標檢測,在保證準確度的同時,大大提高了檢測速度。

    本文使用的網(wǎng)絡(luò)是在YOLOv3-tiny[11]的基礎(chǔ)上進行的改進,針對遙感飛機圖像數(shù)據(jù)集,設(shè)計了一種帶有深度可分離卷積[12]的33 層神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)DS-YOLO,對層級結(jié)構(gòu)的參數(shù)進行調(diào)整,并增加一個尺度的邊界框預測,解決了YOLOv3-tiny 召回率低的問題,提高了對飛機目標的檢測準確度,同時深度可分離卷積替代了傳統(tǒng)的卷積,減少了模型的權(quán)重參數(shù),加速模型的收斂,提高了檢測的實時性。最后,通過分組卷積[13]和通道特征變換加強特征圖聯(lián)系,提高了損失精度。實驗在遙感數(shù)據(jù)集上進行,結(jié)果表明本網(wǎng)絡(luò)在對小目標、高曝光和復雜背景的檢測從精確度和召回率上分析都高于之前的網(wǎng)絡(luò)。

    1 YOLOv3-tiny網(wǎng)絡(luò)檢測原理

    YOLOv3-tiny 是YOLOv3[14]的簡化版本,主干網(wǎng)絡(luò)采用一個7層卷積網(wǎng)絡(luò)對輸入圖像進行特征提取,網(wǎng)絡(luò)在分辨率為13×13 和26×26 的特征圖上進行多尺度預測。YOLOv3-tiny的優(yōu)點主要是網(wǎng)絡(luò)結(jié)構(gòu)簡單,可以在嵌入式平臺運行,缺點為分類精度比較低。

    YOLOv3-tiny網(wǎng)絡(luò)在接收輸入圖像后,首先會把圖像調(diào)整為416×416大小的圖像,然后把整個圖像劃分成S×S個網(wǎng)絡(luò)。如圖1所示,每個網(wǎng)絡(luò)負責對落在其中心位置的目標進行檢測,最終輸出B個邊界框(圖中為3個)和C個置信度(屬于某種類別的概率)[15]。以圖1中白色矩形框為例,每個選框用(x,y)表示選框中心相對于單元格的坐標,w和h分別代表選框的真實寬度和高度,IOU 表示真實標注框與算法檢測框的交并比,如公式(1)所示,檢測框精準度與IOU大小成正比。

    圖1 DS-YOLO在7×7的網(wǎng)格中預測的邊界框

    式中,Bop為預測框與標注框的交集,Bgt表示預測框與標注框的并集。YOLOv3-tiny 的損失函數(shù)由3 部分組成,分別為坐標預測、置信度計算和目標分類。第一部分使用坐標x和y的誤差平方和來預測邊界框的中心坐標,如公式(2)所示:

    第三部分關(guān)于置信度和邊界框做一個最終類別預測,用判斷是否有飛機目標中心落在網(wǎng)格中,以IOU和置信度為檢測標準,為通過非極大值抑制從預測的邊界框中選出合適的預測框。

    2 基于YOLOv3-tiny的網(wǎng)絡(luò)結(jié)構(gòu)改進

    為提高遙感數(shù)據(jù)集中飛機目標的檢測速度和精度,本實驗分別從網(wǎng)絡(luò)結(jié)構(gòu)中的卷積種類、卷積方式以及尺度檢測上做了三點改進。

    2.1 基于深度可分離卷積的網(wǎng)絡(luò)結(jié)構(gòu)改進

    針對遙感數(shù)據(jù)集中的單目標檢測可以適當減少網(wǎng)絡(luò)計算量,但是由于傳統(tǒng)卷積核過大,即便YOLOv3-tiny只有7層經(jīng)過上萬次迭代后還是會產(chǎn)生龐大的計算量。參考Mobilenet[6]中殘差網(wǎng)絡(luò)瓶頸結(jié)構(gòu),本文改進點之一是用深度可分離卷積代替?zhèn)鹘y(tǒng)卷積,摒棄傳統(tǒng)卷積同時考慮通道和空間區(qū)域的思想,而是實現(xiàn)了通道與空間區(qū)域的分離,深度可分離結(jié)構(gòu)示意圖如圖2所示。

    圖2 深度可分離卷積結(jié)構(gòu)圖

    從圖2 中可以看出深度可分離卷積的特征提取過程:假設(shè)輸入特征圖大小為B×B×M,輸出特征圖大小為B×B×N,卷積核大小為D×D,則傳統(tǒng)卷積計算量為C=B×B×M×N×D×D,深度可分離卷積計算的參數(shù)量為D=B×B×M+M×N×D×D,深度可分離卷積和傳統(tǒng)卷積的參數(shù)量之比為:

    深度可分離起到的作用相當于對一幅圖像的空間信息和深度信息進行去耦,將每個通道分別用一個3×3卷積來對空間區(qū)域進行特征提取,再用1×1標準卷積將所提取的特征圖從不同圖像通道上進行融合。

    本文引入深度可分離卷積代替?zhèn)鹘y(tǒng)卷積,減少訓練權(quán)重參數(shù),達到模型的輕量化,降低了算法的浮點數(shù)運算以提升檢測速度,并在此基礎(chǔ)上對分組卷積進行通道混洗,加強通道之間的聯(lián)系,防止過擬合。改進后的網(wǎng)絡(luò)結(jié)構(gòu)如圖3 所示。改進后的網(wǎng)絡(luò)為適應(yīng)單一目標的遙感飛機檢測,將輸入分辨率從原來的416×416增加到448×448以增大檢測的感受野,通過33組1×1的點卷積和3×3的空間卷積后用分類器進行進檢測分類。

    如圖3 所示,以第一個卷積塊為例,輸入圖像尺寸為224×224×32,輸出為224×224×64,傳統(tǒng)卷積計算量為:3×3×32×64×224×224=924 844 032,深度可分離分組卷積中(D=3)的參數(shù)計算量為:1×1×1×32×224×224+32×64×224×224=104 366 080。通過計算可知,加入深度可分離卷積可以有效地降低運算量和模型大小。

    2.2 結(jié)合分組卷積和通道變換的圖像特征提取

    1×1點卷積的引用可以減少參數(shù)計算量,然而大量的1×1 卷積會充斥有限的通道,減少損失精度,因此本文引入了分組卷積和通道特征變換來解決這個問題,在每個輸入通道上分別進行卷積的操作,組卷積的形式可以明顯的減少損失精度。分組卷積如圖4所示。

    設(shè)分組大小為gn,給定輸入大小為:m×m×h1,卷積核為:k×k,輸出特征圖的大小為:r×r×h2,普通卷積的參數(shù)計算量為:k×k×h1×r×r×h2,分組卷積的參數(shù)計算量為:k×k×h1/gn×r×r×h2/gn)×gn,可以看出加入分組卷積后的參數(shù)計算量是普通卷積的gn倍。

    通過確保每個卷積操作僅在對應(yīng)的輸入通道組上,組卷積可以顯著的降低計算損失。其中分組數(shù)gn與實驗設(shè)備性能和遙感圖像波段數(shù)有關(guān),針對本此實驗條件和數(shù)據(jù)集對gn大小設(shè)置幾組實驗,比較不同下模型的錯誤率,實驗結(jié)果見表1。

    圖3 DS-YOLO網(wǎng)絡(luò)結(jié)構(gòu)圖

    圖4 分組卷積原理圖

    表1 不同分組數(shù)下改進前后模型檢測的錯誤率 %

    由表1可知起初隨著分組數(shù)gn的增加,模型檢測的錯誤率降低,但是當組數(shù)大到一定程度,每個卷積濾波器的輸入通道數(shù)越來越少,損害模型性能使得錯誤率提高,所以分組數(shù)選擇gn=3。

    如果多個組卷積堆疊在一起,會有一個副作用:某個通道輸出僅從對應(yīng)分組輸入通道中導出,這樣輸入輸出通道會是全關(guān)聯(lián)的,分組卷積這樣的屬性降低了通道組之間的信息流通,降低了信息表示能力。

    因此本文實驗通過通道特征變換來重組分組之間的特征,通道特征變換如圖5所示。

    圖5 通道混洗步驟圖

    本文遙感圖像數(shù)據(jù)集通過圖像增強和輻射變換處理為三通道的圖像作為輸入,現(xiàn)將每組通道3等分并構(gòu)成3×3 的矩陣,通過“reshape”函數(shù)進行矩陣轉(zhuǎn)置操作,將卷積分組特征轉(zhuǎn)換位置后再平坦化,分回給各個組卷積作為下一層的輸出,增強了g1、g2和g3不同分組通道之間的信息流通和表示能力。

    2.3 結(jié)合先驗框和結(jié)構(gòu)尺度的參數(shù)調(diào)整

    本文所設(shè)計的遙感飛機目標檢測算法將使用多尺度融合檢測這一優(yōu)秀的思想[16],結(jié)合K-means 維度聚類算法[17]和距離公式(6)對目標檢測數(shù)據(jù)集完成聚類分析:

    式(6)中controid表示簇的中心,box表示樣本,IOU(box,centroid)表示中心框和聚類框的交并比。最終得到的聚類結(jié)果圖如圖6 所示,其中橫坐標K為先驗框的個數(shù),縱坐標為平均交并比。

    圖6 聚類分析與檢測率的關(guān)系

    預測框的個數(shù)越多檢測速度越慢,由圖6 可以看出,當橫坐標K的個數(shù)也就是先驗框的個數(shù)大于6 后,縱坐標平均交并比Average IOU 的提升幅度就沒那么明顯了。所以本文選擇的先驗框的個數(shù)為6,這樣可以在保證檢測精度的情況下又使算法具有較快的檢測速度。當K=6 時,通過聚類算法所得到先驗框的大小分別為(13,20)、(21,32)、(27,49)、(31,54)、(34,65)、(47,90)。

    針對單一小目標的遙感飛機數(shù)據(jù)集,本文在YOLOv3-tiny 網(wǎng)絡(luò)的2 個尺度的基礎(chǔ)上擴展為3 個尺度,融合更多底層特征語義信息,實現(xiàn)更加準確的識別和定位。

    由圖7中可以看到,改進的多尺度融合網(wǎng)絡(luò)分別選擇7×7、14×14、28×28共3個分辨率進行預測,每個分辨率分配2 個候選框,圖7 中n×代表小尺度進行n倍上采樣操作。分辨率7×7 為尺度1,分辨率14×14 為尺度2,它不僅擁有自身的特征信息,還會融合尺度1的特征圖經(jīng)過2 倍上采樣后的信息。同理,增加的尺度3 包含的是28×28特征圖與尺度1和尺度2上采樣融合后的特征信息,可以獲得更多的特征信息,對復雜的背景、較小的目標有了更加細致的學習。

    圖7 DS-YOLO多尺度融合預測結(jié)構(gòu)圖

    3 實驗結(jié)果與分析

    3.1 數(shù)據(jù)集與實驗環(huán)境

    基于深度學習技術(shù)的目標檢測算法中,數(shù)據(jù)集的質(zhì)量將直接決定訓練好的模型的性能上限。本文選用西北工業(yè)大學的NWPU VHR-10數(shù)據(jù)集,由于不同衛(wèi)星拍攝出的遙感圖像質(zhì)量不同、飛機的角度不同、高度不同等因素,數(shù)據(jù)集中包括目標清晰、復雜背景、云霧遮擋、過度曝光、個別目標小等不同情況下的遙感飛機圖像。為了減少過擬合,改進模型的泛化性能,使用目標飛機和遙感圖像實例分割標的方法進行數(shù)據(jù)增廣,飛機目標數(shù)據(jù)集個別實例如圖8所示。用開源標注工具LabelImg對遙感圖像進行標注,使用此軟件可以將數(shù)據(jù)集中的圖像標注為.xml和.txt兩種文件。標注后的文件中會保存圖像中每個目標的類別、大小和位置等信息。

    圖8 遙感圖像中低質(zhì)量飛機數(shù)據(jù)集實例

    實驗硬件配置為Intel Core i7-6700 CPU 處理器,GeForce GTX 1060 顯卡的服務(wù)器,主要用來訓練網(wǎng)絡(luò)模型。

    軟件環(huán)境:操作系統(tǒng)為64位Ubuntu18.04;深度學習框架:Darknet;可視化軟件:OpenCV。

    本次實驗訓練迭代次數(shù)為100 000 次,學習率設(shè)為0.001,在訓練過程圖中每4 000次迭代保存一次此時的網(wǎng)絡(luò)模型。為了證明本章所設(shè)計的算法可以完成對目標數(shù)據(jù)集的學習,利用matlabplot 庫將訓練中的Loss、IOU數(shù)據(jù)可視化,最終得到如圖9所示的訓練過程中二者的變化曲線。

    圖9 DS-YOLO算法訓練中Loss與IOU變化圖

    從圖9可以看出,網(wǎng)絡(luò)在訓練過程中損失函數(shù)隨著迭代次數(shù)的增加而逐漸收斂,模型的精準度準建提高,從而說明DS-YOLO目標檢測網(wǎng)絡(luò)可以學習到遙感數(shù)據(jù)集中的飛機細節(jié)內(nèi)容。使用其他的深度學習算法Faster RCNN、SSD、RetinaNet等8種流行算法分別在本實驗的遙感數(shù)據(jù)集進行訓練,并用測試集進行檢測分析,得到圖10 算法間的mAP 和FPS 的對比圖。實驗表明,本文改進算法DS-YOLO 對遙感飛機圖像檢測精度以及速度上都明顯優(yōu)于其他算法。選擇圖10 中mAP 最高的RetinaNet 算法和速度最快的YOLOv3-tiny 算法作為本實驗的對比算法,接下來要對訓練過程中產(chǎn)生的多個權(quán)重進行選擇。

    圖10 不同算法與本文算法的實驗結(jié)果對比圖

    3.2 最優(yōu)算法模型的選擇

    在NVIDIA 1060 顯卡上對相同遙感飛機數(shù)據(jù)集進行訓練。本文對訓練所得到的21 個算法模型(在訓練中每個4 000 次迭代保存一次模型),采用mAP(mean Average Precision)來進行目標檢測精度描述。為了計算mAP,首先要計算精確率(Precision)與召回率(Recall)兩個指標。精確率P如公式(7)所示是指檢測結(jié)果中檢測正確的目標個數(shù)所占的比例。

    召回率R是指正確的檢測結(jié)果個數(shù)在待檢測目標總數(shù)中所占的比例,計算公式(8):

    其中,TP表示檢測正確的飛機數(shù),F(xiàn)p表示未被檢測出的飛機數(shù),F(xiàn)N表示檢測錯誤的個數(shù)(例如把乘客通道等機場設(shè)施誤檢為飛機),對目標檢測任務(wù)中的所有類別的AP 值進行計算后,取得平均值即為算法的mAP,目標檢測算法的檢測精度隨著mAP變大而增高。

    在YOLOv3-tiny、RetinaNet 和DS-YOLO 這3 個算法中AP 最高的模型即認為它們是對應(yīng)算法的最優(yōu)模型,在訓練集上對3 個算法進行訓練,最終得到的迭代次數(shù)與AP值的變化關(guān)系曲線圖如圖11所示。

    圖11 迭代次數(shù)與AP值的變化關(guān)系曲線圖

    從圖11 中可以看出,在65 000 次迭代時YOLOv3-tiny 算法的AP 值達到峰值,在69 000 次迭代時得到的RetinaNet 算法模型的AP 值最高,在61 000 次迭代時得到的DS-YOLO 算法模型的AP 值最高,此時得到的訓練好的模型被認為是各自算法最優(yōu)網(wǎng)絡(luò)模型。下文,對算法檢測指標的對比都使用這3個算法的最優(yōu)模型。

    3.3 檢測結(jié)果與分析

    本節(jié)用YOLOv3-tiny算法、RetinaNet算法和本文的DS-YOLO算法對500張測試圖片進行測試,如圖12,主要列舉了在4組不同質(zhì)量的遙感圖像(云霧、高曝光、復雜背景、小目標)下的飛機檢測圖。

    圖12 YOLOv3-tiny、RetinaNet與DS-YOLO

    在數(shù)據(jù)集上的檢測結(jié)果圖(漏檢、誤檢飛機已經(jīng)標注)

    從實驗結(jié)果可以得出YOLOv3-tiny、RetinaNet 和DS-YOLO 算法在不同低質(zhì)量圖像種類下檢測指標,如表2~4 所示(表中加黑字體為每列(除清晰圖像)最優(yōu)值)。

    表2 YOLOv3-tiny算法在低質(zhì)量遙感圖像下檢測指標 %

    表3 RetinaNet算法在低質(zhì)量遙感圖像下檢測指標%

    表4 DS-YOLO算法在低質(zhì)量遙感圖像下檢測指標%

    從表2~4 中可以看出,改進后的DS-YOLO 算法在各個低質(zhì)量遙感圖像上的識別指標都有不同幅度的提升,在檢測準確度上,對于高曝光的遙感飛機數(shù)據(jù)集YOLOv3-tiny、RetinaNet 和DS-YOLO 算法都能成功檢測到飛機,但是檢測精度明顯后者較高,對于云霧遮擋的遙感數(shù)據(jù)集,檢測準確率上DS-YOLO 比YOLOv3-tiny高12.9%,在召回率上相差僅2.6%,說明此情況飛機都村子嚴重的漏檢問題;對于目標較小的遙感數(shù)據(jù)集,DS-YOLO 比YOLOv3-tiny 算法均高出10 個以上百分點,說明改進的基于3個預測框的網(wǎng)絡(luò)對小目標的檢測能力更強;在復雜背景下的識別指標提升不大,說明DS-YOLO算法在復雜背景下依然有改進空間。三者都出現(xiàn)誤檢的情況,云霧遮擋情況下對三者的mAP 和召回率影響最大,而高度曝光環(huán)境對三者的檢測結(jié)果影響最小。

    各種算法在測試集上的整體檢測指標如表5 所示。從表5 可以看出,本文算法DS-YOLO 的檢測速度相比YOLOv3-tiny算法,從每秒26幀提升到每秒29幀,說明深度可分離卷積的引用減少了模型參數(shù),提高模型運行速度。在檢測準確度上,對于高曝光的遙感飛機數(shù)據(jù)集RetinaNet 算法和本文的DS-YOLO 算法都能成功檢測到飛機,但是檢測精度明顯后者較高,對于其他低質(zhì)量的數(shù)據(jù)集,YOLOv3-tiny和RetinaNet算法明顯存在漏檢的情況,測試集的500張圖片共有3 723架飛機,使用這3種網(wǎng)絡(luò)分別在測試集上測試,分別計算準確率和召回率,得出YOLOv3-tiny網(wǎng)絡(luò)誤檢架數(shù)為276架,準確率為92.6%,漏檢架數(shù)為577架,召回率為84.5%;RetinaNe網(wǎng)絡(luò)誤檢架數(shù)為124 架,準確率為96.7%,漏檢架數(shù)為577 架,召回率為95.6%;DS_YOLO 網(wǎng)絡(luò)誤檢架數(shù)為78架,準確率為97.9%,漏檢架數(shù)為63架,召回率為98.3%。從表中可以看出,相比于改進前的YOLOv3-tiny 算法,DS-YOLO在測試集上mAP提升了5.3%,召回率提升了13.8%。相比于RetinaNet 算法,DS-YOLO 在測試集上mAP提升了1.2%,召回率提升了2.7%。

    表5 YOLOv3-tiny、RetinaNet和DS-YOLO的檢測指標

    4 結(jié)論

    本文目的是基于YOLOv3-tiny 深度卷積神經(jīng)網(wǎng)絡(luò)設(shè)計一種檢測遙感圖像中飛機目標的網(wǎng)絡(luò)DS-YOLO。首先對本文實驗的數(shù)據(jù)集進行聚類分析,選出合適的候選框,并分配給不同尺度進行融合預測;其次結(jié)合分組卷積與深度可分離卷積,改進網(wǎng)絡(luò)的特征提取方式,減少網(wǎng)絡(luò)訓練時間和模型大?。蛔詈笸ㄟ^對YOLOv3-tiny、RetinaNet和DS-YOLO這3種網(wǎng)絡(luò)在遙感飛機數(shù)據(jù)集上進行訓練和測試,經(jīng)過分析表DS-YOLO 網(wǎng)絡(luò)在低質(zhì)量數(shù)據(jù)集上的mAP 和召回率都優(yōu)于其他網(wǎng)絡(luò),并可以達到實時性。

    猜你喜歡
    分組卷積飛機
    飛機失蹤
    基于3D-Winograd的快速卷積算法設(shè)計及FPGA實現(xiàn)
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    “拼座飛機”迎風飛揚
    當代陜西(2019年11期)2019-06-24 03:40:28
    分組搭配
    怎么分組
    基于傅里葉域卷積表示的目標跟蹤算法
    乘坐飛機
    分組
    神奇飛機變變變
    啦啦啦韩国在线观看视频| 午夜福利欧美成人| 亚洲av电影在线进入| 天天躁日日操中文字幕| 人妻久久中文字幕网| 亚洲中文日韩欧美视频| 亚洲精品在线观看二区| 国产精品精品国产色婷婷| 欧美色视频一区免费| 欧美极品一区二区三区四区| 亚洲欧美日韩东京热| 99国产极品粉嫩在线观看| 天堂√8在线中文| 一边摸一边抽搐一进一小说| 91麻豆av在线| 久久精品国产综合久久久| 亚洲一区二区三区色噜噜| 精品国产美女av久久久久小说| 亚洲七黄色美女视频| 99热6这里只有精品| 两个人看的免费小视频| av在线蜜桃| 亚洲,欧美精品.| 亚洲精品影视一区二区三区av| 少妇的丰满在线观看| 在线国产一区二区在线| 国产精品久久久久久亚洲av鲁大| 亚洲性夜色夜夜综合| 三级毛片av免费| 啦啦啦韩国在线观看视频| 欧美日韩黄片免| or卡值多少钱| 99精品久久久久人妻精品| 99热这里只有是精品50| 国内精品美女久久久久久| 岛国视频午夜一区免费看| 高清毛片免费观看视频网站| 国产成人a区在线观看| 99视频精品全部免费 在线| 男女做爰动态图高潮gif福利片| 亚洲黑人精品在线| 色av中文字幕| 免费av不卡在线播放| 男人舔女人下体高潮全视频| 欧美成人一区二区免费高清观看| 内地一区二区视频在线| 欧美精品啪啪一区二区三区| avwww免费| 成人午夜高清在线视频| 欧洲精品卡2卡3卡4卡5卡区| 亚洲人成网站在线播放欧美日韩| 国产国拍精品亚洲av在线观看 | 精品久久久久久成人av| 亚洲人成网站在线播放欧美日韩| 午夜免费观看网址| 俺也久久电影网| 成人18禁在线播放| 亚洲电影在线观看av| 高清日韩中文字幕在线| 最近在线观看免费完整版| 男女那种视频在线观看| 久久久久久人人人人人| 成人特级av手机在线观看| 欧美日韩一级在线毛片| 人妻丰满熟妇av一区二区三区| 午夜两性在线视频| 久久精品影院6| 精品欧美国产一区二区三| 亚洲av成人精品一区久久| 亚洲电影在线观看av| 中文字幕人妻丝袜一区二区| 国产麻豆成人av免费视频| 国产精品野战在线观看| 日本与韩国留学比较| 99国产综合亚洲精品| aaaaa片日本免费| 99久久99久久久精品蜜桃| 国产精品久久久久久亚洲av鲁大| 岛国在线免费视频观看| 亚洲精品乱码久久久v下载方式 | 男人和女人高潮做爰伦理| 日本一本二区三区精品| 我的老师免费观看完整版| 亚洲精品美女久久久久99蜜臀| 精品欧美国产一区二区三| 日日夜夜操网爽| 一区二区三区高清视频在线| 欧美性感艳星| 国产精品永久免费网站| 免费在线观看影片大全网站| 听说在线观看完整版免费高清| 国产视频内射| 欧美乱色亚洲激情| 搡老岳熟女国产| 91久久精品国产一区二区成人 | 午夜影院日韩av| 偷拍熟女少妇极品色| 亚洲一区高清亚洲精品| 波野结衣二区三区在线 | 成年女人毛片免费观看观看9| 内射极品少妇av片p| 美女免费视频网站| 嫁个100分男人电影在线观看| 国产色爽女视频免费观看| 成人特级黄色片久久久久久久| 日韩欧美三级三区| 99热6这里只有精品| 国产精品亚洲美女久久久| 亚洲国产精品999在线| 性色av乱码一区二区三区2| 欧美成人免费av一区二区三区| 婷婷精品国产亚洲av| 日韩欧美一区二区三区在线观看| 国产真实乱freesex| 午夜视频国产福利| 亚洲自拍偷在线| 91在线精品国自产拍蜜月 | 亚洲内射少妇av| 国产麻豆成人av免费视频| 国产成+人综合+亚洲专区| 美女大奶头视频| 日韩 欧美 亚洲 中文字幕| 亚洲精品影视一区二区三区av| 九色国产91popny在线| 日本黄大片高清| 麻豆国产97在线/欧美| 一级黄片播放器| 欧美+日韩+精品| 欧美bdsm另类| 中国美女看黄片| 亚洲人成网站高清观看| 亚洲av成人不卡在线观看播放网| 免费搜索国产男女视频| 国产精品电影一区二区三区| 亚洲美女黄片视频| 一本久久中文字幕| 搡老熟女国产l中国老女人| 欧美av亚洲av综合av国产av| 国模一区二区三区四区视频| 日日夜夜操网爽| 亚洲美女黄片视频| 欧美成狂野欧美在线观看| 一级毛片高清免费大全| 成人三级黄色视频| 成人无遮挡网站| 高潮久久久久久久久久久不卡| 精品人妻偷拍中文字幕| 免费人成视频x8x8入口观看| 怎么达到女性高潮| 国产一区在线观看成人免费| 国产真实乱freesex| 国产伦一二天堂av在线观看| 精品乱码久久久久久99久播| 成年免费大片在线观看| 欧美不卡视频在线免费观看| 国产成人福利小说| 精品久久久久久成人av| 色哟哟哟哟哟哟| or卡值多少钱| 国产在线精品亚洲第一网站| 美女大奶头视频| 中国美女看黄片| 国产欧美日韩精品一区二区| av欧美777| 美女cb高潮喷水在线观看| 免费一级毛片在线播放高清视频| av欧美777| 精品一区二区三区视频在线 | 国产精品99久久久久久久久| 国产成年人精品一区二区| 日韩 亚洲 欧美在线| 国产成人freesex在线| 一级毛片 在线播放| 国产成人aa在线观看| 99re6热这里在线精品视频| 99久久精品热视频| 国产亚洲一区二区精品| 永久网站在线| 午夜亚洲福利在线播放| 天堂网av新在线| 亚洲真实伦在线观看| 亚洲精品影视一区二区三区av| 日韩电影二区| 最新中文字幕久久久久| 亚洲欧美一区二区三区国产| 免费无遮挡裸体视频| 国产精品人妻久久久影院| 久久人人爽人人片av| 看十八女毛片水多多多| 床上黄色一级片| 女的被弄到高潮叫床怎么办| 国产乱人视频| 亚洲va在线va天堂va国产| 日韩在线高清观看一区二区三区| 免费电影在线观看免费观看| 亚洲精品中文字幕在线视频 | 久久久久久久久久成人| 亚洲av福利一区| 三级国产精品片| 亚洲av二区三区四区| 一级片'在线观看视频| 欧美丝袜亚洲另类| 免费观看av网站的网址| 久久综合国产亚洲精品| 日韩电影二区| 一级毛片 在线播放| 青春草国产在线视频| 成人亚洲精品一区在线观看 | 亚洲av中文av极速乱| 六月丁香七月| 国产伦精品一区二区三区四那| 亚洲精品成人久久久久久| 99久久精品国产国产毛片| 久久久久久久久久成人| 色综合站精品国产| 又爽又黄a免费视频| 蜜臀久久99精品久久宅男| 亚洲精品影视一区二区三区av| 赤兔流量卡办理| 国产成人91sexporn| 少妇人妻精品综合一区二区| 日本免费在线观看一区| 毛片一级片免费看久久久久| 欧美变态另类bdsm刘玥| 菩萨蛮人人尽说江南好唐韦庄| 亚洲精品第二区| 99久久九九国产精品国产免费| 亚洲国产欧美在线一区| 久久精品国产亚洲av天美| 久久久午夜欧美精品| 国产精品久久视频播放| 亚洲无线观看免费| 国产成人福利小说| 亚洲av成人精品一区久久| 国产一区二区三区av在线| 精品欧美国产一区二区三| 国产毛片a区久久久久| 国产精品三级大全| 真实男女啪啪啪动态图| 男女下面进入的视频免费午夜| 久久久久精品性色| 午夜福利在线观看免费完整高清在| 一级二级三级毛片免费看| 国产成人a区在线观看| 国产一区二区在线观看日韩| 久久精品久久久久久久性| 夜夜看夜夜爽夜夜摸| av在线天堂中文字幕| 免费少妇av软件| 亚洲欧洲国产日韩| 国产单亲对白刺激| 蜜臀久久99精品久久宅男| 国产亚洲精品久久久com| 免费大片黄手机在线观看| 国产精品日韩av在线免费观看| 亚洲美女搞黄在线观看| 少妇人妻一区二区三区视频| 免费黄色在线免费观看| 三级国产精品欧美在线观看| 在线观看免费高清a一片| 91精品一卡2卡3卡4卡| 国产精品人妻久久久影院| 狠狠精品人妻久久久久久综合| 国产黄色免费在线视频| 五月天丁香电影| h日本视频在线播放| 国产亚洲最大av| 老女人水多毛片| 精华霜和精华液先用哪个| 国产黄色视频一区二区在线观看| 一级毛片黄色毛片免费观看视频| videossex国产| 国产成人一区二区在线| 成人特级av手机在线观看| av在线老鸭窝| 七月丁香在线播放| 伊人久久国产一区二区| 男人舔女人下体高潮全视频| 成年免费大片在线观看| 国产精品国产三级专区第一集| 亚洲精品国产av成人精品| 国产成人精品福利久久| 国产综合精华液| 久久久精品免费免费高清| 国产精品国产三级国产av玫瑰| 亚洲精品456在线播放app| 91午夜精品亚洲一区二区三区| 亚洲va在线va天堂va国产| 国产精品一区二区三区四区免费观看| 激情五月婷婷亚洲| 欧美潮喷喷水| 国产成人福利小说| 一级毛片aaaaaa免费看小| 免费电影在线观看免费观看| 午夜久久久久精精品| 精华霜和精华液先用哪个| 久久精品国产亚洲网站| 22中文网久久字幕| 精品欧美国产一区二区三| 久久久久久久久久人人人人人人| 亚洲国产精品成人综合色| 国产精品不卡视频一区二区| 国产精品日韩av在线免费观看| 国产精品麻豆人妻色哟哟久久 | 日韩欧美一区视频在线观看 | 99re6热这里在线精品视频| 成人特级av手机在线观看| 黄色欧美视频在线观看| 亚洲熟妇中文字幕五十中出| 欧美一级a爱片免费观看看| 国产精品久久久久久精品电影| 免费看日本二区| av在线观看视频网站免费| 人妻少妇偷人精品九色| 22中文网久久字幕| 在线 av 中文字幕| 纵有疾风起免费观看全集完整版 | 不卡视频在线观看欧美| 超碰av人人做人人爽久久| 日韩一区二区视频免费看| 美女黄网站色视频| 国产精品麻豆人妻色哟哟久久 | 国产午夜精品一二区理论片| 男女国产视频网站| 亚洲精品一二三| 亚洲内射少妇av| 成人美女网站在线观看视频| 国产成人精品婷婷| 国产免费又黄又爽又色| 国产欧美另类精品又又久久亚洲欧美| 国产淫语在线视频| 97超视频在线观看视频| 亚洲精品一区蜜桃| 国产精品一及| 亚洲人成网站高清观看| 777米奇影视久久| videos熟女内射| 免费播放大片免费观看视频在线观看| 午夜福利成人在线免费观看| 亚洲欧洲国产日韩| 伊人久久国产一区二区| 最近最新中文字幕免费大全7| 亚洲久久久久久中文字幕| 亚洲欧美日韩无卡精品| 国产精品蜜桃在线观看| 日韩伦理黄色片| 免费看日本二区| 中文欧美无线码| 麻豆乱淫一区二区| 亚洲成人精品中文字幕电影| 免费看av在线观看网站| 日韩中字成人| 别揉我奶头 嗯啊视频| 看非洲黑人一级黄片| 国产精品蜜桃在线观看| av免费观看日本| 国产v大片淫在线免费观看| 2021天堂中文幕一二区在线观| 久久精品国产亚洲网站| 免费看a级黄色片| 国内精品宾馆在线| 91久久精品电影网| 亚洲成人久久爱视频| 麻豆久久精品国产亚洲av| 精品欧美国产一区二区三| 大话2 男鬼变身卡| 麻豆成人午夜福利视频| 亚洲精品视频女| 在线免费观看不下载黄p国产| 一区二区三区高清视频在线| 乱系列少妇在线播放| 亚洲精品aⅴ在线观看| 免费观看的影片在线观看| 精品国产露脸久久av麻豆 | 色综合色国产| 天天躁日日操中文字幕| 国产精品久久久久久久电影| 在现免费观看毛片| 欧美精品一区二区大全| 久久精品国产亚洲网站| 亚洲精品日韩av片在线观看| 欧美高清性xxxxhd video| 男人舔女人下体高潮全视频| 日日啪夜夜爽| av免费在线看不卡| 国产成人a区在线观看| 亚洲av福利一区| 久久精品熟女亚洲av麻豆精品 | 亚洲天堂国产精品一区在线| 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 | 中文字幕久久专区| 国产精品三级大全| 尾随美女入室| 久久6这里有精品| 国内精品一区二区在线观看| 男女视频在线观看网站免费| 精品国产一区二区三区久久久樱花 | 十八禁网站网址无遮挡 | 成年女人看的毛片在线观看| 在现免费观看毛片| 亚洲精品视频女| a级毛色黄片| 国产真实伦视频高清在线观看| 如何舔出高潮| 午夜亚洲福利在线播放| 国产成人午夜福利电影在线观看| 一个人免费在线观看电影| 亚洲性久久影院| 欧美性感艳星| 亚洲色图av天堂| 一区二区三区免费毛片| 欧美三级亚洲精品| 亚洲人与动物交配视频| 国产一区二区三区av在线| 女的被弄到高潮叫床怎么办| 七月丁香在线播放| 亚洲丝袜综合中文字幕| 国产精品女同一区二区软件| 国内精品一区二区在线观看| 国语对白做爰xxxⅹ性视频网站| 在线天堂最新版资源| 亚洲精品日本国产第一区| 男女啪啪激烈高潮av片| 欧美丝袜亚洲另类| 少妇丰满av| 色尼玛亚洲综合影院| 色综合亚洲欧美另类图片| 久久久a久久爽久久v久久| 欧美精品国产亚洲| 中国美白少妇内射xxxbb| 国产精品爽爽va在线观看网站| 亚洲国产日韩欧美精品在线观看| 免费观看无遮挡的男女| 精品国产一区二区三区久久久樱花 | 亚洲精品自拍成人| 又爽又黄无遮挡网站| 五月伊人婷婷丁香| 直男gayav资源| 色综合亚洲欧美另类图片| 欧美一级a爱片免费观看看| 男女边吃奶边做爰视频| 国产精品不卡视频一区二区| 91精品伊人久久大香线蕉| 最近中文字幕2019免费版| 一级毛片久久久久久久久女| 91狼人影院| 久久99热这里只频精品6学生| 国产毛片a区久久久久| 最后的刺客免费高清国语| 永久免费av网站大全| 三级毛片av免费| 亚洲精品日韩av片在线观看| 中文在线观看免费www的网站| 国产欧美另类精品又又久久亚洲欧美| 久久久欧美国产精品| 日本av手机在线免费观看| 夫妻性生交免费视频一级片| 亚洲欧美中文字幕日韩二区| 亚洲国产精品sss在线观看| 99久久人妻综合| 免费不卡的大黄色大毛片视频在线观看 | 国产一区二区在线观看日韩| 又黄又爽又刺激的免费视频.| 久久久久久久午夜电影| 亚洲,欧美,日韩| 久久6这里有精品| 你懂的网址亚洲精品在线观看| av女优亚洲男人天堂| 亚洲av中文av极速乱| 18禁动态无遮挡网站| 日韩大片免费观看网站| 成人午夜精彩视频在线观看| 免费观看无遮挡的男女| 精品一区二区三区人妻视频| 三级国产精品片| 热99在线观看视频| 亚洲丝袜综合中文字幕| 免费观看性生交大片5| 黄色日韩在线| 亚洲成人久久爱视频| 日本午夜av视频| 最近最新中文字幕大全电影3| 国产黄a三级三级三级人| 亚洲精华国产精华液的使用体验| 性插视频无遮挡在线免费观看| 国产成人精品久久久久久| 青春草国产在线视频| 国产精品av视频在线免费观看| 国产精品麻豆人妻色哟哟久久 | .国产精品久久| av女优亚洲男人天堂| 国产 一区精品| 老女人水多毛片| 日韩强制内射视频| 免费无遮挡裸体视频| 国产老妇伦熟女老妇高清| 蜜臀久久99精品久久宅男| 九九爱精品视频在线观看| 一级片'在线观看视频| 欧美激情国产日韩精品一区| 美女cb高潮喷水在线观看| 汤姆久久久久久久影院中文字幕 | 亚洲熟女精品中文字幕| 久久久久久久亚洲中文字幕| 亚洲最大成人av| 人人妻人人澡人人爽人人夜夜 | 精品熟女少妇av免费看| 日本黄色片子视频| 美女黄网站色视频| 人妻一区二区av| 一区二区三区乱码不卡18| 22中文网久久字幕| 蜜桃久久精品国产亚洲av| 国产黄a三级三级三级人| 免费看光身美女| 最近手机中文字幕大全| 亚洲乱码一区二区免费版| 亚洲美女搞黄在线观看| 久久久久久久午夜电影| 亚洲av二区三区四区| 国产黄色视频一区二区在线观看| 日韩不卡一区二区三区视频在线| 国产成人a∨麻豆精品| 午夜福利网站1000一区二区三区| 晚上一个人看的免费电影| 欧美精品国产亚洲| 亚洲欧美日韩东京热| 日韩亚洲欧美综合| 亚洲成人精品中文字幕电影| 亚洲av成人精品一区久久| 欧美日韩视频高清一区二区三区二| 色网站视频免费| 人妻系列 视频| 日韩制服骚丝袜av| 久久久久久久久中文| 国产精品久久视频播放| 汤姆久久久久久久影院中文字幕 | 日韩伦理黄色片| 美女被艹到高潮喷水动态| 啦啦啦中文免费视频观看日本| 久久久久久久久久人人人人人人| 一级黄片播放器| 久久久久久久久大av| 看黄色毛片网站| videossex国产| 国产亚洲5aaaaa淫片| 亚洲天堂国产精品一区在线| 深爱激情五月婷婷| 国产一级毛片七仙女欲春2| 免费看av在线观看网站| 亚洲熟妇中文字幕五十中出| 岛国毛片在线播放| 人妻少妇偷人精品九色| 精品人妻视频免费看| 夜夜爽夜夜爽视频| 一二三四中文在线观看免费高清| 日韩av不卡免费在线播放| 免费黄网站久久成人精品| 有码 亚洲区| 亚洲成色77777| 人妻系列 视频| 免费不卡的大黄色大毛片视频在线观看 | 久久久国产一区二区| 国产一区二区三区综合在线观看 | 一本一本综合久久| 少妇被粗大猛烈的视频| 亚洲av中文字字幕乱码综合| av卡一久久| 国产av在哪里看| videos熟女内射| 日韩成人av中文字幕在线观看| 人妻夜夜爽99麻豆av| 特大巨黑吊av在线直播| 欧美另类一区| 国产熟女欧美一区二区| 国产一级毛片在线| 亚洲国产欧美人成| 国产老妇女一区| 亚洲成人一二三区av| 2018国产大陆天天弄谢| 免费无遮挡裸体视频| 少妇熟女欧美另类| 亚州av有码| 精品酒店卫生间| 久久人人爽人人片av| 亚州av有码| 少妇高潮的动态图| 久久久久性生活片| 五月玫瑰六月丁香| 久久久久久久久久久免费av| 在线免费观看不下载黄p国产| 最近最新中文字幕免费大全7| 日韩国内少妇激情av| 国产精品美女特级片免费视频播放器| 精品国产三级普通话版| 中国美白少妇内射xxxbb| 久久久久网色| 精品一区二区免费观看| 尾随美女入室| 在线免费十八禁| 亚洲av成人精品一二三区| kizo精华| 成年人午夜在线观看视频 | 极品教师在线视频| 有码 亚洲区| 国产有黄有色有爽视频| 99久国产av精品| 国产亚洲最大av| 国内精品美女久久久久久| 国产久久久一区二区三区| 亚洲av电影在线观看一区二区三区 | 亚洲精品,欧美精品| 国产探花在线观看一区二区| 国模一区二区三区四区视频| av免费观看日本|