• <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
    久久久久久久久久黄片| 亚洲avbb在线观看| 久久久久免费精品人妻一区二区| 国产高清视频在线播放一区| 婷婷六月久久综合丁香| cao死你这个sao货| 女警被强在线播放| 国产1区2区3区精品| 精品国产超薄肉色丝袜足j| 国产一区二区在线观看日韩 | 亚洲av电影不卡..在线观看| 熟妇人妻久久中文字幕3abv| 亚洲成人精品中文字幕电影| 亚洲欧美一区二区三区黑人| 99久久综合精品五月天人人| 亚洲av五月六月丁香网| 色综合亚洲欧美另类图片| 亚洲av熟女| 欧美日韩一级在线毛片| 午夜日韩欧美国产| 一级黄色大片毛片| 精品乱码久久久久久99久播| 国产av又大| 黑人欧美特级aaaaaa片| 每晚都被弄得嗷嗷叫到高潮| 久久久水蜜桃国产精品网| 毛片女人毛片| 啦啦啦韩国在线观看视频| 国产精品亚洲一级av第二区| 99精品欧美一区二区三区四区| 国产精品久久视频播放| 欧美国产日韩亚洲一区| 日本黄色视频三级网站网址| 老汉色av国产亚洲站长工具| 热99re8久久精品国产| 日日摸夜夜添夜夜添小说| 老司机靠b影院| 亚洲国产欧洲综合997久久,| 久久久久九九精品影院| 午夜免费激情av| 88av欧美| 久久久久久国产a免费观看| 性色av乱码一区二区三区2| 啪啪无遮挡十八禁网站| 听说在线观看完整版免费高清| 搡老妇女老女人老熟妇| 日韩av在线大香蕉| 亚洲精品久久国产高清桃花| 一本久久中文字幕| 亚洲色图 男人天堂 中文字幕| 夜夜夜夜夜久久久久| 伦理电影免费视频| 国产亚洲精品av在线| 国产精品98久久久久久宅男小说| 18禁观看日本| 18禁黄网站禁片免费观看直播| 亚洲,欧美精品.| 国产精品av久久久久免费| 麻豆av在线久日| 免费在线观看亚洲国产| 精品午夜福利视频在线观看一区| 啦啦啦观看免费观看视频高清| 久久久久久免费高清国产稀缺| www.999成人在线观看| 国产欧美日韩一区二区精品| 在线国产一区二区在线| 一级a爱片免费观看的视频| 亚洲七黄色美女视频| 成年女人毛片免费观看观看9| 国产免费男女视频| 久久久久久九九精品二区国产 | 国产av在哪里看| 三级国产精品欧美在线观看 | 亚洲va日本ⅴa欧美va伊人久久| 亚洲熟女毛片儿| 国产欧美日韩一区二区精品| 久久久久久亚洲精品国产蜜桃av| 欧美中文综合在线视频| 免费观看精品视频网站| 国产伦在线观看视频一区| 999久久久精品免费观看国产| 久久国产乱子伦精品免费另类| 欧美黄色片欧美黄色片| 欧美成人性av电影在线观看| 别揉我奶头~嗯~啊~动态视频| 美女扒开内裤让男人捅视频| 精品国产乱子伦一区二区三区| 亚洲国产中文字幕在线视频| 在线观看美女被高潮喷水网站 | 久久中文字幕一级| 中国美女看黄片| 国产视频内射| 国产精品一区二区免费欧美| 在线十欧美十亚洲十日本专区| 色哟哟哟哟哟哟| 亚洲成人中文字幕在线播放| 欧美日韩亚洲综合一区二区三区_| 热99re8久久精品国产| 伦理电影免费视频| 免费一级毛片在线播放高清视频| 又紧又爽又黄一区二区| www.自偷自拍.com| 欧美在线黄色| 美女黄网站色视频| 少妇裸体淫交视频免费看高清 | 99热这里只有是精品50| 国产伦在线观看视频一区| 久久精品91蜜桃| 日本免费一区二区三区高清不卡| 99re在线观看精品视频| 国产精品九九99| 男女视频在线观看网站免费 | 神马国产精品三级电影在线观看 | 一级毛片女人18水好多| 一区二区三区高清视频在线| 一个人免费在线观看电影 | 色老头精品视频在线观看| 99久久精品热视频| bbb黄色大片| 国产亚洲精品一区二区www| 欧美在线黄色| 别揉我奶头~嗯~啊~动态视频| 亚洲成av人片在线播放无| 午夜福利18| 最近最新中文字幕大全免费视频| 高潮久久久久久久久久久不卡| 一进一出抽搐gif免费好疼| 九九热线精品视视频播放| 国产精品亚洲av一区麻豆| 亚洲色图av天堂| 精品乱码久久久久久99久播| 日本撒尿小便嘘嘘汇集6| 不卡av一区二区三区| 婷婷六月久久综合丁香| 久久这里只有精品19| 亚洲欧美日韩东京热| 国产免费av片在线观看野外av| 亚洲色图 男人天堂 中文字幕| 亚洲国产欧美网| av国产免费在线观看| 一级片免费观看大全| 亚洲人成网站高清观看| 国产野战对白在线观看| 久久天躁狠狠躁夜夜2o2o| 亚洲在线自拍视频| 人人妻,人人澡人人爽秒播| 亚洲av第一区精品v没综合| 国产av一区在线观看免费| 久久精品91蜜桃| 久久久久久久午夜电影| 日本在线视频免费播放| 两个人的视频大全免费| 1024香蕉在线观看| 亚洲 国产 在线| 成人av一区二区三区在线看| 日韩欧美三级三区| 青草久久国产| 欧美中文综合在线视频| 757午夜福利合集在线观看| 日韩 欧美 亚洲 中文字幕| 久久人妻福利社区极品人妻图片| 黄色片一级片一级黄色片| 熟妇人妻久久中文字幕3abv| 长腿黑丝高跟| 国产区一区二久久| 日本成人三级电影网站| 叶爱在线成人免费视频播放| 久久久久久久久免费视频了| 午夜影院日韩av| 欧美成人一区二区免费高清观看 | 又黄又爽又免费观看的视频| 国产欧美日韩精品亚洲av| av片东京热男人的天堂| 777久久人妻少妇嫩草av网站| 国产高清视频在线观看网站| 校园春色视频在线观看| 大型黄色视频在线免费观看| 日韩大码丰满熟妇| 无限看片的www在线观看| 国产欧美日韩一区二区三| 久99久视频精品免费| 超碰成人久久| 九色成人免费人妻av| 性欧美人与动物交配| 亚洲熟女毛片儿| 舔av片在线| 色尼玛亚洲综合影院| 999久久久国产精品视频| 两个人视频免费观看高清| 精品久久久久久久久久免费视频| 欧美在线黄色| 18禁黄网站禁片午夜丰满| 免费观看精品视频网站| 少妇熟女aⅴ在线视频| 欧美色欧美亚洲另类二区| 亚洲人成网站高清观看| 欧美精品亚洲一区二区| 亚洲国产看品久久| 麻豆成人午夜福利视频| 在线观看舔阴道视频| 亚洲av美国av| 亚洲人与动物交配视频| 熟女电影av网| 最近最新中文字幕大全免费视频| 岛国在线免费视频观看| 国产精品电影一区二区三区| 久久天堂一区二区三区四区| 特大巨黑吊av在线直播| 91字幕亚洲| 人成视频在线观看免费观看| 久久久久免费精品人妻一区二区| 九色成人免费人妻av| 精品久久久久久成人av| 99国产极品粉嫩在线观看| 久久天躁狠狠躁夜夜2o2o| 午夜日韩欧美国产| 老汉色av国产亚洲站长工具| 成年女人毛片免费观看观看9| 99精品在免费线老司机午夜| 成人国产一区最新在线观看| 黄频高清免费视频| 精品久久久久久久人妻蜜臀av| av在线播放免费不卡| 亚洲一卡2卡3卡4卡5卡精品中文| 变态另类成人亚洲欧美熟女| а√天堂www在线а√下载| 亚洲在线自拍视频| 国产精品久久久人人做人人爽| 操出白浆在线播放| 夜夜看夜夜爽夜夜摸| 国产精品自产拍在线观看55亚洲| 人妻丰满熟妇av一区二区三区| 男人舔奶头视频| 九九热线精品视视频播放| 亚洲avbb在线观看| 久久久久久九九精品二区国产 | 国产精品 欧美亚洲| 伊人久久大香线蕉亚洲五| 18美女黄网站色大片免费观看| 看黄色毛片网站| 免费电影在线观看免费观看| 欧美一级毛片孕妇| 婷婷精品国产亚洲av在线| 又大又爽又粗| 亚洲国产欧美网| 国产在线观看jvid| 一边摸一边抽搐一进一小说| 天堂影院成人在线观看| 午夜两性在线视频| 欧美黑人欧美精品刺激| 一进一出抽搐动态| 国产午夜精品论理片| 日韩成人在线观看一区二区三区| 精品国产乱码久久久久久男人| 成人国语在线视频| 老司机深夜福利视频在线观看| 天天躁狠狠躁夜夜躁狠狠躁| 日本免费a在线| 亚洲avbb在线观看| av福利片在线观看| 久久天堂一区二区三区四区| 欧美成狂野欧美在线观看| 夜夜躁狠狠躁天天躁| 亚洲 国产 在线| 久久人妻福利社区极品人妻图片| 狂野欧美激情性xxxx| 亚洲午夜精品一区,二区,三区| 国产高清激情床上av| 青草久久国产| 757午夜福利合集在线观看| 久久久国产精品麻豆| 中文在线观看免费www的网站 | 国产又黄又爽又无遮挡在线| 日韩精品免费视频一区二区三区| 中出人妻视频一区二区| 久久国产乱子伦精品免费另类| 午夜精品久久久久久毛片777| 国语自产精品视频在线第100页| 极品教师在线免费播放| 99久久99久久久精品蜜桃| 波多野结衣高清作品| 国内久久婷婷六月综合欲色啪| 亚洲乱码一区二区免费版| 精品欧美国产一区二区三| av福利片在线观看| 九九热线精品视视频播放| 欧美一级毛片孕妇| 黑人巨大精品欧美一区二区mp4| 变态另类丝袜制服| 亚洲第一欧美日韩一区二区三区| 女人高潮潮喷娇喘18禁视频| 久久这里只有精品19| 麻豆久久精品国产亚洲av| 亚洲五月天丁香| 不卡av一区二区三区| or卡值多少钱| 99久久99久久久精品蜜桃| 亚洲熟妇熟女久久| 啦啦啦韩国在线观看视频| 国产私拍福利视频在线观看| 欧美黄色淫秽网站| 久久精品亚洲精品国产色婷小说| 50天的宝宝边吃奶边哭怎么回事| 色哟哟哟哟哟哟| АⅤ资源中文在线天堂| 国产亚洲欧美98| 老熟妇仑乱视频hdxx| 久久九九热精品免费| 婷婷精品国产亚洲av| 欧美成人性av电影在线观看| 国内精品一区二区在线观看| 51午夜福利影视在线观看| 91九色精品人成在线观看| 久久久久久国产a免费观看| 国产成人av激情在线播放| 他把我摸到了高潮在线观看| 精品久久久久久久久久久久久| 五月伊人婷婷丁香| 欧美3d第一页| 亚洲国产精品999在线| 中文字幕精品亚洲无线码一区| 人妻夜夜爽99麻豆av| 亚洲五月婷婷丁香| 999久久久精品免费观看国产| 中国美女看黄片| 免费无遮挡裸体视频| 一夜夜www| 国产伦在线观看视频一区| 亚洲人成77777在线视频| 天堂av国产一区二区熟女人妻 | 美女 人体艺术 gogo| 老司机靠b影院| 久久九九热精品免费| 黑人巨大精品欧美一区二区mp4| 99久久无色码亚洲精品果冻| 精品福利观看| a级毛片在线看网站| 亚洲国产精品合色在线| 亚洲黑人精品在线| 精品福利观看| 又大又爽又粗| 久久久久久免费高清国产稀缺| 黄片大片在线免费观看| 欧美日韩黄片免| 午夜免费激情av| 一边摸一边做爽爽视频免费| 日本一二三区视频观看| 老汉色∧v一级毛片| 香蕉国产在线看| 亚洲 欧美 日韩 在线 免费| 中国美女看黄片| 91九色精品人成在线观看| 亚洲精品久久成人aⅴ小说| 女警被强在线播放| 亚洲成人免费电影在线观看| 极品教师在线免费播放| 久久久精品大字幕| 久久久国产欧美日韩av| 国产亚洲av嫩草精品影院| 国产精品亚洲美女久久久| 岛国视频午夜一区免费看| 又爽又黄无遮挡网站| 国产97色在线日韩免费| 波多野结衣高清无吗| 精品无人区乱码1区二区| 大型黄色视频在线免费观看| aaaaa片日本免费| www.自偷自拍.com| 国产69精品久久久久777片 | 国产高清有码在线观看视频 | 一进一出好大好爽视频| 男女那种视频在线观看| 亚洲av成人av| 免费一级毛片在线播放高清视频| 亚洲人成77777在线视频| 亚洲成av人片在线播放无| 久久久精品欧美日韩精品| 欧美高清成人免费视频www| 天天添夜夜摸| 少妇熟女aⅴ在线视频| 亚洲一码二码三码区别大吗| 国内精品一区二区在线观看| 1024视频免费在线观看| 国产午夜福利久久久久久| 亚洲色图 男人天堂 中文字幕| 久久婷婷成人综合色麻豆| 99在线视频只有这里精品首页| 12—13女人毛片做爰片一| 欧美日韩一级在线毛片| av天堂在线播放| 成人国语在线视频| 国内揄拍国产精品人妻在线| 国产又黄又爽又无遮挡在线| 久久久水蜜桃国产精品网| 国产激情偷乱视频一区二区| 国产精品av久久久久免费| 又黄又粗又硬又大视频| 国产精品久久久久久人妻精品电影| 欧美不卡视频在线免费观看 | 好男人电影高清在线观看| 精品无人区乱码1区二区| 免费看a级黄色片| 成人国语在线视频| 亚洲美女视频黄频| 两个人看的免费小视频| 国产一区二区在线av高清观看| 久久 成人 亚洲| 午夜福利免费观看在线| 免费在线观看视频国产中文字幕亚洲| av有码第一页| 久久人妻av系列| 国产真人三级小视频在线观看| 可以在线观看的亚洲视频| 男人舔女人的私密视频| 欧美3d第一页| 男女做爰动态图高潮gif福利片| 成人18禁在线播放| 一二三四社区在线视频社区8| 男女那种视频在线观看| 国产精品av视频在线免费观看| 久久这里只有精品19| 精品国产亚洲在线| 色播亚洲综合网| 91九色精品人成在线观看| 久久久久久久午夜电影| 一本大道久久a久久精品| 69av精品久久久久久| 精品少妇一区二区三区视频日本电影| 欧美人与性动交α欧美精品济南到| 男人舔女人的私密视频| 成年女人毛片免费观看观看9| 国内揄拍国产精品人妻在线| 90打野战视频偷拍视频| 熟妇人妻久久中文字幕3abv| 精品久久久久久久末码| 两个人的视频大全免费| 国产亚洲欧美98| 男人舔女人下体高潮全视频| 国产精品一区二区免费欧美| 淫秽高清视频在线观看| 欧美激情久久久久久爽电影| 高清毛片免费观看视频网站| 91字幕亚洲| 国产精品亚洲av一区麻豆| 国内揄拍国产精品人妻在线| 亚洲欧美日韩高清在线视频| 一个人免费在线观看的高清视频| 又黄又爽又免费观看的视频| 青草久久国产| 国产av在哪里看| 成人亚洲精品av一区二区| 1024香蕉在线观看| 一区二区三区国产精品乱码| 狠狠狠狠99中文字幕| 女同久久另类99精品国产91| 日本一区二区免费在线视频| 巨乳人妻的诱惑在线观看| 日本在线视频免费播放| 黄色视频不卡| 欧美性长视频在线观看| 日本一二三区视频观看| 人人妻,人人澡人人爽秒播| 精品日产1卡2卡| 丰满人妻一区二区三区视频av | 国产av又大| 久久久久久免费高清国产稀缺| 18禁裸乳无遮挡免费网站照片| 国产精品一区二区三区四区免费观看 | 国产亚洲欧美在线一区二区| 99热这里只有是精品50| 亚洲美女视频黄频| 少妇的丰满在线观看| 亚洲精品在线美女| a在线观看视频网站| 欧美精品啪啪一区二区三区| 91成年电影在线观看| 亚洲av成人精品一区久久| 精品国产美女av久久久久小说| 欧美极品一区二区三区四区| 亚洲专区中文字幕在线| www.www免费av| av免费在线观看网站| 久久精品国产亚洲av高清一级| 久久 成人 亚洲| 国产精品一区二区三区四区久久| 久久久久精品国产欧美久久久| 国产一区在线观看成人免费| 国产精品亚洲av一区麻豆| av天堂在线播放| 久久久精品国产亚洲av高清涩受| 不卡一级毛片| 毛片女人毛片| 三级男女做爰猛烈吃奶摸视频| 啪啪无遮挡十八禁网站| 国产一级毛片七仙女欲春2| 欧美色欧美亚洲另类二区| 久久精品aⅴ一区二区三区四区| 精品国产乱子伦一区二区三区| 久久中文字幕一级| 亚洲中文字幕日韩| 免费在线观看亚洲国产| 他把我摸到了高潮在线观看| 久久久久久久久中文| 69av精品久久久久久| 亚洲精品中文字幕在线视频| 亚洲一区高清亚洲精品| 99热只有精品国产| 韩国av一区二区三区四区| 中国美女看黄片| 嫩草影视91久久| 一卡2卡三卡四卡精品乱码亚洲| 日本精品一区二区三区蜜桃| 搞女人的毛片| 制服诱惑二区| 欧美av亚洲av综合av国产av| 国产成人av激情在线播放| 我要搜黄色片| 亚洲熟女毛片儿| 久久久久性生活片| 欧美午夜高清在线| 亚洲国产欧美网| 免费看十八禁软件| av中文乱码字幕在线| 高清在线国产一区| 天天添夜夜摸| 日韩中文字幕欧美一区二区| 成人国语在线视频| 亚洲18禁久久av| 不卡av一区二区三区| 久久午夜亚洲精品久久| 欧美又色又爽又黄视频| 亚洲一区高清亚洲精品| 午夜福利欧美成人| 亚洲男人的天堂狠狠| 丰满的人妻完整版| 亚洲人成网站高清观看| 久久精品影院6| 久久久久久久久中文| 久久人妻福利社区极品人妻图片| 精品福利观看| 国产成人一区二区三区免费视频网站| 两个人免费观看高清视频| 一区二区三区国产精品乱码| 午夜亚洲福利在线播放| 国产乱人伦免费视频| 美女黄网站色视频| 国产精品久久视频播放| 久热爱精品视频在线9| 18禁裸乳无遮挡免费网站照片| 夜夜看夜夜爽夜夜摸| 麻豆国产av国片精品| 一区二区三区高清视频在线| 中文字幕精品亚洲无线码一区| 国产亚洲精品第一综合不卡| 亚洲免费av在线视频| 国产亚洲欧美在线一区二区| 国产片内射在线| 国产精品,欧美在线| 欧美久久黑人一区二区| 欧美黑人欧美精品刺激| 亚洲av中文字字幕乱码综合| 欧美性猛交╳xxx乱大交人| 亚洲最大成人中文| 69av精品久久久久久| 小说图片视频综合网站| 在线观看免费午夜福利视频| 国产精品av视频在线免费观看| 国产亚洲精品综合一区在线观看 | 欧美日韩瑟瑟在线播放| 给我免费播放毛片高清在线观看| 欧美在线黄色| 精品高清国产在线一区| 一本久久中文字幕| 精华霜和精华液先用哪个| 日日摸夜夜添夜夜添小说| 麻豆av在线久日| 村上凉子中文字幕在线| 中文字幕久久专区| 日本 欧美在线| 最好的美女福利视频网| 人妻丰满熟妇av一区二区三区| 色播亚洲综合网| 午夜免费成人在线视频| 日本一本二区三区精品| 99国产精品一区二区蜜桃av| www.自偷自拍.com| 黑人欧美特级aaaaaa片| 岛国在线免费视频观看| 嫩草影视91久久| 欧美久久黑人一区二区| 99国产精品一区二区蜜桃av| 国产精品久久久久久亚洲av鲁大| 国产在线精品亚洲第一网站| 人成视频在线观看免费观看| 日本五十路高清| 啦啦啦观看免费观看视频高清| 一个人观看的视频www高清免费观看 | 一二三四在线观看免费中文在| 两人在一起打扑克的视频| 亚洲国产欧洲综合997久久,| 777久久人妻少妇嫩草av网站| 国产亚洲欧美98| 床上黄色一级片| 久热爱精品视频在线9| 欧美日韩一级在线毛片| 亚洲自拍偷在线| 国产片内射在线| 久久精品综合一区二区三区| 老司机深夜福利视频在线观看| 高清毛片免费观看视频网站| 中文字幕人成人乱码亚洲影| 亚洲午夜理论影院| 好男人在线观看高清免费视频| 国产精品久久久人人做人人爽| 欧美性长视频在线观看|