• <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 ?

    融合運(yùn)動(dòng)特征和深度學(xué)習(xí)的跌倒檢測(cè)算法

    2021-03-07 05:16:50曹建榮呂俊杰武欣瑩楊紅娟
    計(jì)算機(jī)應(yīng)用 2021年2期
    關(guān)鍵詞:卷積人體噪聲

    曹建榮,呂俊杰,武欣瑩,張 旭,楊紅娟

    (1.山東建筑大學(xué)信息與電氣工程學(xué)院,濟(jì)南 250101;2.山東省智能建筑技術(shù)重點(diǎn)實(shí)驗(yàn)室(山東建筑大學(xué)),濟(jì)南 250101)

    (*通信作者電子郵箱junjielv123@163.com)

    0 引言

    跌倒是老人傷害死亡的首要因素,現(xiàn)階段對(duì)老人異常檢測(cè)的研究工作主要集中在跌倒檢測(cè)上?,F(xiàn)有的跌倒檢測(cè)方式主要有基于可穿戴式、基于環(huán)境式、基于計(jì)算機(jī)視覺三種。可穿戴式跌倒檢測(cè)使用的傳感器類型有加速度傳感器、壓力傳感器、音頻傳感器等,這種方法由于外界噪聲的各種干擾和系統(tǒng)本身的穩(wěn)定性等原因?qū)е抡`報(bào)警問題一直得不到很好解決;而且可穿戴式傳感器需要老人長(zhǎng)期佩戴,舒適感差?;诃h(huán)境式摔倒檢測(cè)系統(tǒng)需要預(yù)先把傳感器(紅外線、超聲波等非視覺傳感器)布置在人體活動(dòng)環(huán)境里,不需要隨身攜帶,可以解決舒適感差的問題,但是價(jià)格昂貴、干擾較大[1-4]。計(jì)算機(jī)視覺的跌倒檢測(cè)則無需穿戴,不會(huì)影響人體活動(dòng),具有實(shí)時(shí)性好、成本更低、檢測(cè)準(zhǔn)確度更高的特點(diǎn)。Foroughi 等[5]利用橢圓來近似表達(dá)人體,把橢圓的長(zhǎng)短軸的標(biāo)準(zhǔn)差作為特征,并把人體的投影直方圖與頭部位置作為一個(gè)特征,然后使用深度學(xué)習(xí)方法對(duì)這些特征分類,再根據(jù)特征判斷出人體的狀態(tài)。Miaou 等[6]利用全景相機(jī)來采集視頻圖像,利用背景差分法來提取目標(biāo)特征,利用最小外接矩形來包圍目標(biāo)人體,并利用矩形的寬度高度判斷是否跌倒。Rougier等[7]利用人體形狀來做跌倒檢測(cè),先利用混合高斯模型(Gaussian Mixture Model,GMM)算法進(jìn)行目標(biāo)檢測(cè),再利用閾值法進(jìn)行跌倒檢測(cè)。沈秉乾等[8]利用分級(jí)法進(jìn)行人體檢測(cè):第一級(jí)通過寬高比判斷是否為直立狀態(tài);第二級(jí)通過支持向量機(jī)(Support Vector Machine,SVM)分類判斷是蹲下還是跌倒?fàn)顟B(tài)。馬露等[9]提出一種改進(jìn)的FSSD(Feature Fusion Single Shot Multibox Detector)跌倒檢測(cè)方法。Gammulle 等[10]將卷積神經(jīng)網(wǎng)絡(luò)(Convolutional Neural Network,CNN)卷積層和全連接層學(xué)到的特征信息輸入長(zhǎng)短期記憶(Long Short-Term Memory,LSTM)網(wǎng)絡(luò)中,接著學(xué)習(xí)這些空間特征的時(shí)序相關(guān)性,最終輸出人體行為識(shí)別數(shù)據(jù)。Nú?ez-Marcos 等[11]利用RGB計(jì)算光流信息,并利用VGG16對(duì)光流信息進(jìn)行分類和跌倒檢測(cè)。申代友等[12]提取人體的多個(gè)關(guān)節(jié)點(diǎn)位置,根據(jù)多個(gè)連續(xù)幀之間人體關(guān)節(jié)點(diǎn)的運(yùn)動(dòng)變化特征判定老人是否發(fā)生跌倒行為。袁智等[13]提出了一種由兩路CNN 融合組成的雙流卷積神經(jīng)網(wǎng)絡(luò)(Two-Stream CNN)的跌倒識(shí)別方法。

    由以上可知,基于計(jì)算機(jī)視覺的檢測(cè)方法需要進(jìn)行兩步:1)目標(biāo)提?。?)對(duì)提取目標(biāo)進(jìn)行判斷。利用背景差分、高斯混合等前后景分離的方法對(duì)運(yùn)動(dòng)狀態(tài)目標(biāo)進(jìn)行提取具有一定的局限性,因?yàn)楫?dāng)人體運(yùn)動(dòng)緩慢或者人由運(yùn)動(dòng)狀態(tài)變?yōu)殪o止后會(huì)造成目標(biāo)丟失,而且當(dāng)有其他非人類運(yùn)動(dòng)時(shí)會(huì)造成目標(biāo)混淆,將非人體運(yùn)動(dòng)誤判為人體運(yùn)動(dòng)。利用閾值法或分級(jí)法進(jìn)行人體跌倒判斷只利用了人體的運(yùn)動(dòng)信息而沒有利用圖像本身的內(nèi)容特征,利用CNN 或SVM 分類進(jìn)行跌倒判斷雖然利用了圖像本身的信息,但丟失了運(yùn)動(dòng)信息,在光照變化時(shí)會(huì)對(duì)準(zhǔn)確性產(chǎn)生一定影響。針對(duì)上述問題,為了適應(yīng)在視頻監(jiān)控中的人體目標(biāo)檢測(cè),對(duì)YOLOv3 主干網(wǎng)絡(luò)進(jìn)行裁剪,根據(jù)全局密集殘差網(wǎng)絡(luò)特征提取的優(yōu)勢(shì)和人體跌倒視頻監(jiān)控中運(yùn)動(dòng)目標(biāo)分析的實(shí)際情況,提出了局部密集型殘差網(wǎng)絡(luò)結(jié)構(gòu),并將局部密集型殘差引入特征檢測(cè)主干網(wǎng)絡(luò);然后分析了跌倒過程中人體運(yùn)動(dòng)目標(biāo)在時(shí)間序列上的變化情況,提取了表示人體摔倒過程中的運(yùn)動(dòng)特征信息,接著針對(duì)視頻序列中的每一幀的運(yùn)動(dòng)圖像描述,設(shè)計(jì)了一個(gè)八層的CNN 自動(dòng)提取運(yùn)動(dòng)圖像描述特征信息,利用全連接層具有特征融合的特性,將運(yùn)動(dòng)特征信息引入到圖像描述特征信息中進(jìn)行融合。

    1 人體目標(biāo)檢測(cè)

    1.1 二分K-means提取候選框

    YOLOv3 中Grid cell 預(yù)測(cè)的三個(gè)初始候選錨框(anchor box)的維度(寬、高)通過K-means 聚類方法確定[14-16]。K-means 算法隨機(jī)選取K個(gè)質(zhì)心作為初始質(zhì)心的處理方式會(huì)使初始聚類中心選到同一個(gè)類別上,導(dǎo)致算法陷入局部最優(yōu)狀態(tài)。傳統(tǒng)K-means 算法度量函數(shù)采用歐幾里得距離,M維空間中兩個(gè)向量X、Y之間的歐氏距離公式如下:

    采用式(1)度量函數(shù)會(huì)影響模型對(duì)小框的預(yù)測(cè)結(jié)果,為此采用以下改良的度量函數(shù):

    其中:d表示候選框與真實(shí)框中心坐標(biāo)之間的距離;RIOU表示候選框與真實(shí)框兩者之間面積的交集與并集的比值,即交并比(Intersection over Union,IOU)。

    與K-means算法不同,二分K-means加入了用于度量聚類效果的誤差平方和(Sum of Squared Error,SSE)評(píng)價(jià)指標(biāo)作為分類依據(jù),能夠加速分類且收斂于全局最小點(diǎn),減小分類誤差,故本文用二分K-means 算法對(duì)樣本目標(biāo)框維度進(jìn)行聚類,步驟如下:

    步驟1 由式(4)初始化聚類中心C;由式(1)算出每個(gè)初始矩形框到初始聚類中心C的距離d;

    其中:N是樣本候選矩形框的數(shù)目,hi是第i個(gè)候選矩形框的高度,wi是第i個(gè)候選矩形框的寬度。初始距離中心C由所有視頻幀樣本候選框的長(zhǎng)寬求均值確定。

    步驟2 將初始樣本候選框利用K-means 算法分成兩個(gè)簇。

    步驟3 利用式(5)計(jì)算每個(gè)簇的誤差平方和(SSE),選取最大誤差平方和的那一簇利用K-means進(jìn)行二分類。

    其中:ki是第k個(gè)簇的第i個(gè)樣本,ck是第k個(gè)簇的聚類中心;表示第k個(gè)簇的聚類中心所表示的矩形框與第k個(gè)簇中第i個(gè)樣本所表示矩形框的面積比值。

    步驟4 重復(fù)步驟3直到達(dá)到所需K個(gè)類。

    圖1 是二分K-means 和K-means 算法的IOU 對(duì)比,橫坐標(biāo)K表示樣本集需要分為幾類(簇),縱坐標(biāo)表示IOU 變化。從圖1 中可以看出,K取不同值時(shí),二分K-means 聚類所得的交并比要優(yōu)于K-means聚類的交并比,利用二分K-means能夠更好地對(duì)目標(biāo)維度進(jìn)行聚類,獲得與真實(shí)框更加接近的IOU。

    1.2 特征提取

    1)YOLOv2 的主干網(wǎng)絡(luò)是darknet-19,由卷積層(19 層)和最大池化層(5 層)交替組成,網(wǎng)絡(luò)結(jié)構(gòu)簡(jiǎn)單,且算力資源消耗較少,但最大池化的加入使信息特征在前向傳遞時(shí)會(huì)逐層丟失,導(dǎo)致檢測(cè)精度下降。

    2)Huang 等[17]在CVPR2017 上對(duì)殘差網(wǎng)絡(luò)ResNet 進(jìn)行了改進(jìn),提出了一種具有密集連接的卷積神經(jīng)網(wǎng)絡(luò)DenseNet,該論文獲得了當(dāng)年的最佳論文。該方法將每一層與前面所有層進(jìn)行通道連接,并作為下一層的輸入。由于連接了前面所有層的信息,因此可以減輕梯度消失現(xiàn)象,網(wǎng)絡(luò)結(jié)構(gòu)變得越來越緊密,它的第n層輸出為:

    其中:xn表示[x0,x1,…,xn-1]將0 到n-1 層輸出的特征圖進(jìn)行級(jí)聯(lián),Hn表示網(wǎng)絡(luò)非線性變換。這樣的全局密集型連接方式會(huì)造成信息的冗余,因此本文將全局密集連接改為局部密集連接,即將每一層的前面三層直接連接輸入層與損失層而非連接前面所有層的輸入層與損失層。

    3)YOLOv3 主干網(wǎng)絡(luò)darknet-53 提取特征時(shí),網(wǎng)絡(luò)結(jié)構(gòu)較深,增加網(wǎng)絡(luò)深度即增加檢測(cè)時(shí)間,本文只檢測(cè)人體這一類目標(biāo),其檢測(cè)目標(biāo)明確且類別少。

    綜合以上三點(diǎn),本文設(shè)計(jì)了如圖2 所示的人體目標(biāo)檢測(cè)特征提取網(wǎng)絡(luò)。

    圖2 人體目標(biāo)檢測(cè)特征提取網(wǎng)絡(luò)Fig.2 Feature extraction network of human body object detection

    圖2 所示網(wǎng)絡(luò)以darknet-19 為基礎(chǔ),借鑒YOLOv3 網(wǎng)絡(luò)和DenseNet結(jié)構(gòu),在darknet-19主干網(wǎng)絡(luò)中引入局部密集型殘差結(jié)構(gòu),提出了darknet-21 主干網(wǎng)絡(luò),實(shí)現(xiàn)了網(wǎng)絡(luò)多層特征的復(fù)用和融合,避免了全局DenseNet 引起的特征冗余,滿足人體特征提取的快速性和精確性。去掉darknet-19 中的最大池化層,用卷積層進(jìn)行2 倍下采樣方法代替原最大池化層的下采樣,這樣能夠縮小特征圖尺度以提取細(xì)膩特征信息傳遞給后續(xù)卷積層。為了方便與檢測(cè)層相融合連接,去掉darknet-19最后一層卷積層,保留其余各卷積層;在darknet-19 的第2 層卷積層后添加兩層卷積層以構(gòu)建一個(gè)局部密集型殘差模塊,由此構(gòu)成由21 層卷積層順序連接的主干網(wǎng)絡(luò)。借鑒密集型殘差思想構(gòu)建局部密集殘差模塊,通過恒等映射、局部跳躍連接其前層卷積輸出特征信息,將其直接傳遞給后面某層輸出,以進(jìn)行信息融合。

    2 運(yùn)動(dòng)目標(biāo)特征分析

    本文提出了基于幾何運(yùn)動(dòng)特征與CNN 融合的人體跌倒分類器,結(jié)合人體運(yùn)動(dòng)形態(tài)學(xué)先驗(yàn)特征和CNN卷積特征進(jìn)行室內(nèi)人體跌倒檢測(cè)。

    2.1 運(yùn)動(dòng)目標(biāo)特征

    視頻幀中根據(jù)人體跌倒過程中的傾斜方向不同可分為橫向跌倒和縱向跌倒兩種情況,圖3和圖4分別為人體橫向和縱向跌倒過程的運(yùn)動(dòng)特征示意圖,圖(a)、(b)、(c)分別表示跌倒過程中的三個(gè)狀態(tài),圖中水平方向定義為X方向,垂直方向定義為Y方向,通過對(duì)跌倒過程中人體的不同姿態(tài)進(jìn)行分析得到矩形寬高比、質(zhì)心高度、軀干傾斜角三個(gè)運(yùn)動(dòng)狀態(tài)特征。

    圖3 橫向(水平)跌倒運(yùn)動(dòng)特征示意圖Fig.3 Schematic diagram of horizontal fall motion features

    圖4 縱向(垂直)跌倒運(yùn)動(dòng)特征示意圖Fig.4 Schematic diagram of vertical fall motion features

    1)矩形寬高比。

    將目標(biāo)框的四個(gè)頂點(diǎn)按順時(shí)針方向依次命名為R1(x,y),R2(x,y),R3(x,y),R4(x,y),利用四個(gè)頂點(diǎn)的坐標(biāo)由歐氏距離公式可以計(jì)算出目標(biāo)框的寬度W和高度H:

    不同的照射數(shù)目,90%等劑量線所覆蓋PTV劑量分布狀況一樣,靶區(qū)劑量的分布受照射野數(shù)目的影響不大,90%體積的PTV接受最低劑量是50 Gy。靶區(qū)以外卷入正常組織的5野布野比9、7野布野多,其中9野布野最少,脊髓保護(hù)5野低于7、9野。

    無論是橫向跌倒還是縱向跌倒,當(dāng)視頻幀中的人體正常站立時(shí),W<H;當(dāng)人體由站立逐漸跌倒時(shí),W的值會(huì)逐漸增大,H的值會(huì)逐漸減小,如圖3(c)所示,當(dāng)人體橫向跌倒時(shí),W>H;如圖4(c)所示,當(dāng)人體縱向跌倒時(shí),目標(biāo)框?qū)挾萕小于等于目標(biāo)框高度H。為了更好地描述不同傾斜方向?qū)е碌惯^程中目標(biāo)框?qū)挾扰c高度的變化情況,本文用目標(biāo)框?qū)挾萕與高度H的比值Q作為人體跌倒(橫向、縱向)判斷的一個(gè)特征:

    2)人體質(zhì)心高度。

    當(dāng)人體由站立狀態(tài)逐漸摔倒的過程中,人體的質(zhì)心是逐漸變化的,將人體目標(biāo)框的對(duì)角線進(jìn)行連接,則交點(diǎn)即為人體的質(zhì)心Z,如圖3、4 所示,找出R3(x,y)和R4(x,y)橫縱坐標(biāo)的較大值,經(jīng)過較大值在水平方向畫一下水平線L,將質(zhì)心Z與水平線L的垂直距離記ZL,用ZL來描述人體質(zhì)心的變化情況。當(dāng)人體由站立狀態(tài)逐漸摔倒時(shí),ZL的值會(huì)逐漸減小,因此,運(yùn)動(dòng)質(zhì)心高ZL的變化可以作為人體跌倒判斷特征。

    3)人體軀干傾斜角。

    如圖3、4 所示,當(dāng)人體處于不同的狀態(tài)時(shí),人體軀干與視頻幀圖像水平方向會(huì)呈現(xiàn)不同的角度,對(duì)于目標(biāo)框頂點(diǎn)R3(x,y)和R4(x,y),由幾何關(guān)系可以確定人體軀干傾斜角θ:

    為了更好地說明以上三個(gè)特征的運(yùn)動(dòng)變化情況,從跌倒檢測(cè)公開數(shù)據(jù)集Le2i中分別提取橫向、縱向跌倒各90 幀片段進(jìn)行分析,圖5(a)表示橫向跌倒各運(yùn)動(dòng)特征的變化情況,圖5(b)表示縱向跌倒各運(yùn)動(dòng)特征的變化情況,圖中橫軸對(duì)應(yīng)視頻片段的視頻幀序列號(hào),其中0~29幀表示站立,30~59幀表示下蹲,60~89 幀表示跌倒,縱軸分別代表對(duì)應(yīng)視頻序列號(hào)的各個(gè)運(yùn)動(dòng)特征的值。

    圖5 橫、縱向跌倒運(yùn)動(dòng)特征變化Fig.5 Changes of horizontal and vertical motion features

    由圖5 可以看出,無論是橫向跌倒還是縱向跌倒,站立與跌倒動(dòng)作之間人體矩形寬高比、人體質(zhì)心高度、人體軀干傾斜角都具有很好的區(qū)分度,人體下蹲曲線處于站立、跌倒兩個(gè)動(dòng)作之間,與站立、跌倒兩個(gè)動(dòng)作有明顯的區(qū)別,因此下蹲與站立、下蹲與跌倒都能較好地進(jìn)行區(qū)別。綜上分析,矩形寬高比、質(zhì)心高度、軀干傾斜角三個(gè)運(yùn)動(dòng)狀態(tài)特征能夠表征人體運(yùn)動(dòng)姿態(tài)變化。

    4)運(yùn)動(dòng)特征向量。

    通過上述分析可知,人體軀干傾斜角θ、質(zhì)心高度ZL和人體寬高比Q可作為人體運(yùn)動(dòng)狀態(tài)識(shí)別的特征,基于這三個(gè)特征構(gòu)建人體運(yùn)動(dòng)狀態(tài)向量M=[θ,ZL,Q]。為了與CNN 特征提取后的特征進(jìn)行更好的融合,將人體運(yùn)動(dòng)特征向量重復(fù)一次變?yōu)? 維特征M'=[θ,ZL,Q,θ,ZL,Q],為了避免特征融合后參數(shù)過擬合,利用Sigmoid 激活函數(shù)將特征向量變?yōu)? 到1之間的數(shù)值,變化后的特征向量為:

    其中,σ為Sigmoid激活函數(shù)。

    2.2 運(yùn)動(dòng)目標(biāo)特征

    1)網(wǎng)絡(luò)結(jié)構(gòu)。

    手工提取的人體運(yùn)動(dòng)特征能夠表示運(yùn)動(dòng)信息,CNN 能夠自動(dòng)提取圖像的靜態(tài)特征,本文將人工提取的運(yùn)動(dòng)特征與CNN 特征進(jìn)行融合,將兩種不同維度的特征映射到同一特征空間。圖6 所示為融合運(yùn)動(dòng)特征CNN 算法的流程:特征融合網(wǎng)絡(luò)首先利用CNN 從輸入視頻幀中提取圖像顏色、紋理、輪廓等特征進(jìn)行全面學(xué)習(xí);然后加入手工提取的人體運(yùn)動(dòng)特征,利用全連接層將這兩種維度的特征進(jìn)行融合,在網(wǎng)絡(luò)參數(shù)反向傳播優(yōu)化過程中,人工運(yùn)動(dòng)特征能夠優(yōu)化CNN 參數(shù)的學(xué)習(xí),在CNN 中融入運(yùn)動(dòng)特征成分,最終形成一個(gè)全面的特征表達(dá),以便能夠更好地對(duì)目標(biāo)行為進(jìn)行描述。

    CNN 網(wǎng)絡(luò)特征提取的具體過程為:將視頻幀輸入到CNN模型中,經(jīng)過卷積層1,卷積層1 為64 個(gè)3×3 的卷積核,維度(3,3,3,64);接著進(jìn)入到2×2 的池化層1,其維度為(1,2,2,1);之后進(jìn)入第二個(gè)卷積層,卷積層2 為96 個(gè)3×3 的卷積核,維度為(3,3,64,960),再進(jìn)入第二層池化,維度為(1,2,2,1);之后進(jìn)入第三個(gè)卷積層,卷積層3 為256 個(gè)3×3 的卷積核,維度為(3,3,96,256);再進(jìn)入第三層池化,維度為(1,2,2,1);之后進(jìn)入第四個(gè)卷積層,卷積層4為64個(gè)3×3 的卷積核,維度為(3,3,256,64);再進(jìn)入第四層池化,維度為(1,2,2,1);之后進(jìn)入第五個(gè)卷積層,卷積層5 為32 個(gè)3×3 的卷積核,維度為(3,3,64,32);卷積層6 為32 個(gè)1×1 的卷積核,維度為(1,1,32,1),經(jīng)過拉伸操作,進(jìn)入CNN 全連接層1得到169維的CNN 特征向量,然后經(jīng)過CNN 全連接層2得到6維的CNN 特征向量;將6 維的CNN 特征向量與經(jīng)過Sigmoid 激活后的6 維人體運(yùn)動(dòng)特征進(jìn)行拼接得到1 個(gè)12 維的向量;然后將12 維的特征向量經(jīng)過一個(gè)具有3 個(gè)節(jié)點(diǎn)的全連接神經(jīng)網(wǎng)絡(luò)進(jìn)行特征融合,最后輸出分類預(yù)測(cè)結(jié)果。

    圖6 融合運(yùn)動(dòng)特征CNN算法流程Fig.6 Flowchart of CNN algorithm fusing with motion features

    2)代價(jià)函數(shù)。

    上述融合CNN 跌倒檢測(cè)模型輸出有3 個(gè)節(jié)點(diǎn),分別代表站立、跌倒中、跌倒三個(gè)類別。交叉熵是分類問題中比較經(jīng)典的代價(jià)函數(shù),它刻畫了兩個(gè)概率分布之間的距離,但是原始神經(jīng)網(wǎng)絡(luò)的輸出并不符合概率分布,因此為了使用交叉熵作為評(píng)價(jià)函數(shù),本文將原始神經(jīng)網(wǎng)絡(luò)輸出的最后一層加入Softmax函數(shù),用Softmax 函數(shù)作為輸出結(jié)果的類別置信度,這樣就會(huì)生成符合概率分布的輸出結(jié)果。

    式中:m為訓(xùn)練中每次batch的大小,n為輸出類別數(shù)。

    為了增加輸出不同類別之間的距離,對(duì)傳統(tǒng)代價(jià)函數(shù)進(jìn)行了優(yōu)化,定義了輸出類間代價(jià)函數(shù):

    式中:λ表示類間損失因子,xi表示全連接層輸出的第i個(gè)樣本,cyi表示所有同一類別yi的所有樣本的中心值。

    綜上,本文定義的總目標(biāo)優(yōu)化函數(shù)L是:

    3 實(shí)驗(yàn)結(jié)果分析

    本文訓(xùn)練過程在GPU 服務(wù)器上完成,操作系統(tǒng)為Ubuntu16.04;硬件平臺(tái)CPU E5-2630 V4@2.2 GHz,兩個(gè)顯卡為GTX1080TI(11 GB×2),內(nèi)存128 GB;軟件平臺(tái)采用OPENCV3.4.3、Python3.6.3、CUDA、cuDNN、Pycharm,使用TensorFlow深度學(xué)習(xí)框架進(jìn)行訓(xùn)練。

    從公開數(shù)據(jù)集Le2i選取10 段人體跌倒的視頻,每段視頻包含約240 幀圖像(分辨率為320 × 240,視頻速率為每秒24幀),將白天光照充足下的視頻片段編號(hào)為1~5,將夜晚室內(nèi)燈光干擾情況下的視頻片段編號(hào)為6~10,每段視頻均包含實(shí)驗(yàn)者正常站立、下蹲和跌倒的三種姿態(tài)。首先將視頻幀送入改進(jìn)的YOLOv3 模型中進(jìn)行人體目標(biāo)檢測(cè);然后提取人體運(yùn)動(dòng)目標(biāo)特征(軀干傾斜角、人體質(zhì)心高度、矩形寬高比),將人體目標(biāo)圖像與人體運(yùn)動(dòng)目標(biāo)特征向量輸入到本文融合運(yùn)動(dòng)特征的網(wǎng)絡(luò)模型中輸出識(shí)別結(jié)果;最后對(duì)跌倒行為的識(shí)別結(jié)果視頻幀進(jìn)行保存,作為跌倒檢測(cè)準(zhǔn)確度的判斷標(biāo)準(zhǔn)。圖7 為融合運(yùn)動(dòng)特征CNN 檢測(cè)結(jié)果,可以看出,在不同光照影響下,人體從不同方向跌倒,本文算法都能較好地完成跌倒任務(wù)的檢測(cè)。

    圖7 融合運(yùn)動(dòng)特征的CNN跌倒檢測(cè)結(jié)果Fig.7 Fall detection results of CNN fusing with motion features

    3.1 不同跌倒檢測(cè)方案對(duì)比實(shí)驗(yàn)

    為了檢測(cè)本文方案的準(zhǔn)確性,設(shè)計(jì)對(duì)比檢測(cè)實(shí)驗(yàn),分析改進(jìn)YOLOv3 進(jìn)行人體檢測(cè)的優(yōu)越性和融合人體運(yùn)動(dòng)特征神經(jīng)網(wǎng)絡(luò)跌倒檢測(cè)方案的準(zhǔn)確性。實(shí)驗(yàn)結(jié)果如表1所示,分析表1的實(shí)驗(yàn)數(shù)據(jù)可知,當(dāng)人體在視頻中由運(yùn)動(dòng)變?yōu)殪o止?fàn)顟B(tài)時(shí),背景差分、混合高斯、VIBE 方法對(duì)目標(biāo)檢測(cè)產(chǎn)生丟失,會(huì)導(dǎo)致跌倒檢測(cè)幀數(shù)較低;HOG 檢測(cè)能夠檢測(cè)到靜止的人體,但基于方向梯度信息進(jìn)行人工特征提取需要人工進(jìn)行Gamma 校正,Gamma取值不具有普適性,因此HOG 平均跌倒檢測(cè)幀數(shù)雖然比前背景分類方法好,但是跌倒檢測(cè)幀數(shù)仍不理想?;陂撝档牡古袛喾椒ㄖ灰獫M足一個(gè)條件就判斷為跌倒,基于分級(jí)的跌倒判斷方法是對(duì)多個(gè)判斷條件進(jìn)行靈敏度分級(jí),按照靈敏度級(jí)別由高到低依次根據(jù)條件進(jìn)行跌倒判斷,這兩種方法雖然判別簡(jiǎn)單,但誤判率較高。SVM 與CNN 方法進(jìn)行跌倒判斷的誤判率能夠較全面提取到圖像的特征信息,檢測(cè)效果優(yōu)于分級(jí)法與閾值法,但是丟失了圖像人體運(yùn)動(dòng)信息??傮w來說,基于融合運(yùn)動(dòng)特征CNN 方案的檢測(cè)準(zhǔn)確率平均值達(dá)到98.3%,誤判率為1.7%,這種方案能夠滿足老人跌倒檢測(cè)的需要。

    表1 不同跌倒檢測(cè)方案結(jié)果對(duì)比Tab.1 Comparison of results of different fall detection schemes

    3.2 光照干擾對(duì)比實(shí)驗(yàn)

    由上述分析可知基于改進(jìn)YOLOv3 人體檢測(cè)融合運(yùn)動(dòng)特征的CNN跌倒檢測(cè)具有較好的檢測(cè)效果。在實(shí)際環(huán)境中由于天氣或燈光等客觀原因會(huì)使攝像環(huán)境發(fā)生變化,為了驗(yàn)證光照對(duì)檢測(cè)效果的影響,分別在正常光和干擾光條件下進(jìn)行了5組對(duì)比實(shí)驗(yàn),結(jié)果如表2所示。其中光照條件為正常光是指白天室內(nèi)正常天氣光照下錄制條件,燈光干擾條件是晚上室內(nèi)打開白熾燈進(jìn)行干擾的錄制條件。從實(shí)驗(yàn)結(jié)果可知,加入燈光干擾后,跌倒檢測(cè)的準(zhǔn)確率、誤判率并沒有很大的影響,在不穩(wěn)定光照影響下,本文方法進(jìn)行跌倒檢測(cè)并不會(huì)產(chǎn)生太大的誤差,不會(huì)對(duì)最終跌倒檢測(cè)的準(zhǔn)確率和誤判率產(chǎn)生影響,說明本文跌倒檢測(cè)算法對(duì)光照干擾的影響具有較高的魯棒性。

    表2 光照干擾對(duì)比實(shí)驗(yàn)Tab.2 Comparison experiment of lighting interference

    3.3 噪聲干擾實(shí)驗(yàn)

    上述實(shí)驗(yàn)的跌倒檢測(cè)視頻幀只有跌倒過程一類運(yùn)動(dòng),但是在實(shí)際監(jiān)控視頻中往往會(huì)有其他的日常運(yùn)動(dòng)、類跌倒運(yùn)動(dòng)干擾跌倒檢測(cè),這些日常活動(dòng)和類跌倒運(yùn)動(dòng)對(duì)于跌倒檢測(cè)任務(wù)而言屬于噪聲運(yùn)動(dòng)。為了驗(yàn)證本文算法在有噪聲運(yùn)動(dòng)下的準(zhǔn)確率和誤判率,選取六種常見的噪聲運(yùn)動(dòng):日常運(yùn)動(dòng)(行走、上樓、下樓),類跌倒運(yùn)動(dòng)(彎腰撿東西、坐下起立、蹲下起立)進(jìn)行了相關(guān)實(shí)驗(yàn)。

    本文首先從Le2i數(shù)據(jù)集中選取一段120 幀的跌倒視頻序列;然后由3 名志愿者依次完成上述6 種噪聲運(yùn)動(dòng),共得到18個(gè)噪聲運(yùn)動(dòng)視頻幀;分別從18 個(gè)噪聲運(yùn)動(dòng)視頻幀中選取有代表性的30 幀噪聲幀,將選取的18 種噪聲運(yùn)動(dòng)視頻幀分別與Le2i 選取的120 幀跌倒運(yùn)動(dòng)混合,共得到18 組帶有噪聲幀的混合數(shù)據(jù),每組混合數(shù)據(jù)的總幀數(shù)是150幀。表3為未加入噪聲幀與加入噪聲干擾幀的對(duì)比實(shí)驗(yàn)結(jié)果。由實(shí)驗(yàn)結(jié)果可知,加入日常運(yùn)動(dòng)干擾噪聲幀后,準(zhǔn)確率并沒有受到太大影響;但是誤判率增加,特別是對(duì)于混入上下樓梯、彎腰撿東西等噪聲尤為明顯,彎腰撿東西的三次實(shí)驗(yàn)中有兩次誤判率達(dá)到5.4%;噪聲干擾檢測(cè)平均準(zhǔn)確率為97.1%,誤判率為3.25%,相比無噪聲干擾的準(zhǔn)確率與誤判率都有所下降,但檢測(cè)結(jié)果依然能夠滿足老人跌倒檢測(cè)的需要。

    表3 噪聲干擾對(duì)比實(shí)驗(yàn)Tab.3 Comparison experiment of noise interference

    4 結(jié)語

    本文提出了一種融合運(yùn)動(dòng)特征的CNN 跌倒檢測(cè)方法,首先利用改進(jìn)的YOLOv3 進(jìn)行人體目標(biāo)提取,有效解決傳統(tǒng)前背景分離方法對(duì)視頻幀中靜止目標(biāo)產(chǎn)生的目標(biāo)追蹤消失、目標(biāo)混淆等問題;接著分析了人體運(yùn)動(dòng)特征,并將人體運(yùn)動(dòng)特征融入CNN,與不同的跌倒檢測(cè)方案進(jìn)行了對(duì)比實(shí)驗(yàn),并且在光照、混合日常運(yùn)動(dòng)干擾下進(jìn)行了實(shí)驗(yàn)。實(shí)驗(yàn)結(jié)果表明,本文提出的融合人體運(yùn)動(dòng)特征的CNN 檢測(cè)方法對(duì)人體跌倒行為的判斷具有較高的準(zhǔn)確率,且對(duì)光照影響、日常常見的噪聲干擾運(yùn)動(dòng)具有較高的魯棒性。

    目前,本文實(shí)驗(yàn)只是針對(duì)已經(jīng)錄制好的視頻進(jìn)行檢測(cè),而且檢測(cè)背景環(huán)境比較簡(jiǎn)單,在實(shí)際檢測(cè)中人體的運(yùn)動(dòng)狀態(tài)千變?nèi)f化更為復(fù)雜,下一步的工作是把本文的方法移植到NVIDIA 嵌入式板卡Jetson Nano中,分析其在實(shí)際情況下的檢測(cè)結(jié)果,并進(jìn)行優(yōu)化改進(jìn)。

    猜你喜歡
    卷積人體噪聲
    人體“修補(bǔ)匠”
    人體冷知識(shí)(一)
    基于3D-Winograd的快速卷積算法設(shè)計(jì)及FPGA實(shí)現(xiàn)
    排便順暢,人體無毒一身輕
    噪聲可退化且依賴于狀態(tài)和分布的平均場(chǎng)博弈
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    奇妙的人體止咳點(diǎn)
    特別健康(2018年3期)2018-07-04 00:40:10
    基于傅里葉域卷積表示的目標(biāo)跟蹤算法
    控制噪聲有妙法
    一種基于白噪聲響應(yīng)的隨機(jī)載荷譜識(shí)別方法
    夫妻午夜视频| 免费观看av网站的网址| 亚洲丝袜综合中文字幕| 国产精品伦人一区二区| 国产免费一区二区三区四区乱码| 久久久久久久精品精品| 亚洲av免费在线观看| 亚洲怡红院男人天堂| 亚洲精品,欧美精品| 久久热精品热| av.在线天堂| 人人妻人人澡人人爽人人夜夜| 免费大片黄手机在线观看| 高清视频免费观看一区二区| 国产色婷婷99| 国产 一区 欧美 日韩| 别揉我奶头 嗯啊视频| 91精品国产九色| 啦啦啦啦在线视频资源| 日韩亚洲欧美综合| 成人无遮挡网站| av国产久精品久网站免费入址| 亚洲aⅴ乱码一区二区在线播放| 久久综合国产亚洲精品| 天美传媒精品一区二区| 美女xxoo啪啪120秒动态图| 国产av不卡久久| 亚洲av免费在线观看| 少妇的逼好多水| 国产精品一及| 3wmmmm亚洲av在线观看| 亚洲av国产av综合av卡| 边亲边吃奶的免费视频| 欧美精品一区二区大全| 日本黄大片高清| 1000部很黄的大片| 亚洲av国产av综合av卡| 亚洲精品自拍成人| 22中文网久久字幕| 制服丝袜香蕉在线| 国产免费福利视频在线观看| 国产成人精品久久久久久| 永久网站在线| 全区人妻精品视频| 国产精品久久久久久久电影| 国产男女超爽视频在线观看| 纵有疾风起免费观看全集完整版| 联通29元200g的流量卡| 午夜精品一区二区三区免费看| 男女无遮挡免费网站观看| 欧美一级a爱片免费观看看| 亚洲丝袜综合中文字幕| 久久这里有精品视频免费| 国产成人午夜福利电影在线观看| 99re6热这里在线精品视频| 在线播放无遮挡| av在线亚洲专区| 在线播放无遮挡| 国产成人一区二区在线| 欧美激情国产日韩精品一区| 日日摸夜夜添夜夜添av毛片| 中国美白少妇内射xxxbb| 一级毛片aaaaaa免费看小| 午夜视频国产福利| 内射极品少妇av片p| 亚洲欧美日韩东京热| 亚洲无线观看免费| 一个人看的www免费观看视频| 白带黄色成豆腐渣| 亚洲色图av天堂| 久久久久久久久久人人人人人人| 高清视频免费观看一区二区| 亚洲在久久综合| 97超碰精品成人国产| 日日摸夜夜添夜夜添av毛片| 内射极品少妇av片p| 成人高潮视频无遮挡免费网站| av福利片在线观看| av在线蜜桃| 男女边摸边吃奶| 91久久精品电影网| 久久99精品国语久久久| 自拍偷自拍亚洲精品老妇| 亚洲成人中文字幕在线播放| 在线观看一区二区三区| 亚洲综合色惰| 18禁裸乳无遮挡动漫免费视频 | 嫩草影院新地址| 99九九线精品视频在线观看视频| 久久人人爽av亚洲精品天堂 | 深爱激情五月婷婷| 午夜亚洲福利在线播放| 91精品伊人久久大香线蕉| 国语对白做爰xxxⅹ性视频网站| 亚洲欧美中文字幕日韩二区| 免费黄色在线免费观看| 美女高潮的动态| 熟妇人妻不卡中文字幕| 国产 一区 欧美 日韩| 欧美97在线视频| 99久久精品一区二区三区| 色5月婷婷丁香| 人人妻人人澡人人爽人人夜夜| 国产有黄有色有爽视频| 精品人妻偷拍中文字幕| 纵有疾风起免费观看全集完整版| 2021天堂中文幕一二区在线观| 男女下面进入的视频免费午夜| 我的女老师完整版在线观看| 免费不卡的大黄色大毛片视频在线观看| 在线观看三级黄色| 国产精品三级大全| 偷拍熟女少妇极品色| 亚洲aⅴ乱码一区二区在线播放| 日韩免费高清中文字幕av| 麻豆成人午夜福利视频| 久久人人爽人人片av| 色视频www国产| 久热久热在线精品观看| 欧美高清性xxxxhd video| 亚洲av成人精品一区久久| 国产成人午夜福利电影在线观看| 精品酒店卫生间| 男的添女的下面高潮视频| 日本色播在线视频| 亚洲精品乱久久久久久| 国产视频首页在线观看| 亚洲aⅴ乱码一区二区在线播放| 日本一二三区视频观看| 国产69精品久久久久777片| 亚洲精品日本国产第一区| 国产中年淑女户外野战色| 香蕉精品网在线| 老女人水多毛片| 人妻 亚洲 视频| 日韩在线高清观看一区二区三区| 看十八女毛片水多多多| 国产免费一级a男人的天堂| 视频区图区小说| av在线天堂中文字幕| 毛片一级片免费看久久久久| 国产精品熟女久久久久浪| 又爽又黄无遮挡网站| 亚洲图色成人| 男人添女人高潮全过程视频| 色5月婷婷丁香| 大陆偷拍与自拍| 亚洲真实伦在线观看| 在线观看一区二区三区| 男女边吃奶边做爰视频| 亚洲色图综合在线观看| 午夜福利视频1000在线观看| 色视频www国产| 国产高清三级在线| 内射极品少妇av片p| 成年女人看的毛片在线观看| 婷婷色麻豆天堂久久| 99热国产这里只有精品6| 综合色av麻豆| 日本一二三区视频观看| 99热这里只有是精品在线观看| 欧美成人午夜免费资源| 午夜免费观看性视频| 网址你懂的国产日韩在线| 男女啪啪激烈高潮av片| 国产 一区精品| 在线观看三级黄色| 综合色丁香网| 欧美成人a在线观看| 国产片特级美女逼逼视频| 女人被狂操c到高潮| 最近最新中文字幕大全电影3| 久久这里有精品视频免费| 黄色配什么色好看| 夜夜看夜夜爽夜夜摸| 神马国产精品三级电影在线观看| 国产伦精品一区二区三区视频9| av又黄又爽大尺度在线免费看| 国产成人a∨麻豆精品| 少妇 在线观看| 久久精品国产a三级三级三级| 亚洲精品一二三| 九九在线视频观看精品| 日本与韩国留学比较| 大片电影免费在线观看免费| 亚洲欧美日韩卡通动漫| 水蜜桃什么品种好| 国产久久久一区二区三区| 午夜免费男女啪啪视频观看| 精品国产一区二区三区久久久樱花 | 亚洲欧美日韩无卡精品| 久久久国产一区二区| 国产高清有码在线观看视频| 水蜜桃什么品种好| 直男gayav资源| 在线播放无遮挡| 国产免费福利视频在线观看| 久久久久精品久久久久真实原创| 精品久久久久久久久av| 日韩成人av中文字幕在线观看| 毛片女人毛片| 亚洲国产成人一精品久久久| 天堂网av新在线| 久久鲁丝午夜福利片| 欧美精品人与动牲交sv欧美| 免费播放大片免费观看视频在线观看| 午夜激情久久久久久久| 久久6这里有精品| 建设人人有责人人尽责人人享有的 | 日日啪夜夜撸| 一边亲一边摸免费视频| 天天躁日日操中文字幕| 超碰97精品在线观看| 午夜免费观看性视频| 亚洲色图av天堂| 国产精品偷伦视频观看了| 国产国拍精品亚洲av在线观看| 国模一区二区三区四区视频| 香蕉精品网在线| 亚洲人成网站在线观看播放| 夜夜看夜夜爽夜夜摸| 黄片wwwwww| 国产亚洲午夜精品一区二区久久 | 国产伦理片在线播放av一区| 身体一侧抽搐| 99久久精品热视频| 青青草视频在线视频观看| 国产精品久久久久久精品电影小说 | 日本爱情动作片www.在线观看| 亚洲成人久久爱视频| 久久久久久久亚洲中文字幕| 成人免费观看视频高清| av在线观看视频网站免费| av又黄又爽大尺度在线免费看| 国产免费视频播放在线视频| 啦啦啦啦在线视频资源| 日韩电影二区| 欧美日韩一区二区视频在线观看视频在线 | 国产v大片淫在线免费观看| 亚洲在线观看片| 精品国产一区二区三区久久久樱花 | 亚洲精品日本国产第一区| 午夜精品国产一区二区电影 | 久久热精品热| 一本色道久久久久久精品综合| 丝袜美腿在线中文| 国产精品伦人一区二区| 人妻 亚洲 视频| 一级毛片黄色毛片免费观看视频| 亚洲成人精品中文字幕电影| 91久久精品国产一区二区三区| 久久国内精品自在自线图片| 国产91av在线免费观看| 亚洲人成网站在线观看播放| av在线蜜桃| 久久韩国三级中文字幕| 1000部很黄的大片| 免费av毛片视频| 最近中文字幕高清免费大全6| 亚洲欧美一区二区三区国产| 丝袜喷水一区| 夫妻性生交免费视频一级片| 男女下面进入的视频免费午夜| 性插视频无遮挡在线免费观看| 91精品国产九色| 内射极品少妇av片p| 亚洲精品亚洲一区二区| 精品午夜福利在线看| 午夜老司机福利剧场| 亚洲av在线观看美女高潮| 在线播放无遮挡| 亚洲欧美精品自产自拍| 日韩不卡一区二区三区视频在线| 欧美少妇被猛烈插入视频| 国产亚洲精品久久久com| 日本三级黄在线观看| 欧美激情国产日韩精品一区| av网站免费在线观看视频| 国产成人91sexporn| 日本爱情动作片www.在线观看| 精品人妻熟女av久视频| 国产精品麻豆人妻色哟哟久久| 国产精品.久久久| 免费看a级黄色片| 久久久国产一区二区| 老司机影院成人| 国产综合懂色| 大陆偷拍与自拍| 3wmmmm亚洲av在线观看| 一级毛片久久久久久久久女| 亚洲欧美一区二区三区国产| 观看免费一级毛片| 人妻制服诱惑在线中文字幕| 亚洲精品久久久久久婷婷小说| 国产亚洲91精品色在线| 在线观看免费高清a一片| 亚洲国产色片| 日本三级黄在线观看| 黄色日韩在线| 国产黄色免费在线视频| 爱豆传媒免费全集在线观看| 性插视频无遮挡在线免费观看| 日本黄色片子视频| 免费av观看视频| 欧美精品人与动牲交sv欧美| 97超视频在线观看视频| 亚洲高清免费不卡视频| 一级av片app| 午夜免费观看性视频| 日韩欧美精品v在线| 久久久精品94久久精品| 国产中年淑女户外野战色| av在线亚洲专区| 日韩中字成人| 少妇的逼好多水| 欧美成人一区二区免费高清观看| 国产精品伦人一区二区| 亚洲人成网站在线观看播放| av网站免费在线观看视频| 国产精品秋霞免费鲁丝片| 欧美一区二区亚洲| 男人狂女人下面高潮的视频| 免费大片黄手机在线观看| 只有这里有精品99| 日日撸夜夜添| av国产免费在线观看| 国产精品一及| 色视频在线一区二区三区| 成人无遮挡网站| 王馨瑶露胸无遮挡在线观看| 丰满少妇做爰视频| 狂野欧美激情性xxxx在线观看| 能在线免费看毛片的网站| 人妻系列 视频| 最近最新中文字幕大全电影3| 在线播放无遮挡| 亚洲精品aⅴ在线观看| 最新中文字幕久久久久| 一边亲一边摸免费视频| 日本一二三区视频观看| 国产一区有黄有色的免费视频| 欧美三级亚洲精品| 五月玫瑰六月丁香| 建设人人有责人人尽责人人享有的 | 人妻一区二区av| 免费观看a级毛片全部| 久久人人爽av亚洲精品天堂 | 国产中年淑女户外野战色| 内射极品少妇av片p| 街头女战士在线观看网站| 久久97久久精品| 免费看av在线观看网站| 国产高清三级在线| 亚洲色图av天堂| 久久久久久久久大av| 少妇猛男粗大的猛烈进出视频 | 亚洲电影在线观看av| 99久久中文字幕三级久久日本| 嫩草影院入口| 直男gayav资源| 亚洲国产日韩一区二区| 亚洲av国产av综合av卡| 亚洲最大成人av| 在线亚洲精品国产二区图片欧美 | 国产欧美亚洲国产| 看非洲黑人一级黄片| 少妇猛男粗大的猛烈进出视频 | 精品久久久久久久久亚洲| 亚洲aⅴ乱码一区二区在线播放| 亚洲美女搞黄在线观看| 成人美女网站在线观看视频| 1000部很黄的大片| 欧美另类一区| 熟女人妻精品中文字幕| 国产一区二区三区综合在线观看 | 午夜免费观看性视频| 中文天堂在线官网| 国产精品人妻久久久影院| 亚洲欧美中文字幕日韩二区| 别揉我奶头 嗯啊视频| 国产有黄有色有爽视频| 国产男人的电影天堂91| 简卡轻食公司| 91精品一卡2卡3卡4卡| 欧美日韩在线观看h| 天天躁日日操中文字幕| 亚洲精品一区蜜桃| 亚洲电影在线观看av| 欧美精品国产亚洲| 韩国av在线不卡| 久久女婷五月综合色啪小说 | 久久久久久久精品精品| 久久精品国产亚洲网站| 亚洲人成网站在线观看播放| 人妻夜夜爽99麻豆av| 激情 狠狠 欧美| 热re99久久精品国产66热6| 色5月婷婷丁香| 久久国产乱子免费精品| 青青草视频在线视频观看| 成人二区视频| 夜夜看夜夜爽夜夜摸| 国国产精品蜜臀av免费| 日本黄色片子视频| 伊人久久精品亚洲午夜| 国产成人91sexporn| 日韩欧美精品免费久久| 国产亚洲av片在线观看秒播厂| 免费观看在线日韩| 色哟哟·www| 少妇熟女欧美另类| 精品酒店卫生间| 亚洲一级一片aⅴ在线观看| 国产淫片久久久久久久久| 另类亚洲欧美激情| 亚洲精品久久久久久婷婷小说| av在线播放精品| 国产久久久一区二区三区| 身体一侧抽搐| 99九九线精品视频在线观看视频| 晚上一个人看的免费电影| 国产黄片美女视频| 最近最新中文字幕免费大全7| 亚洲va在线va天堂va国产| 尤物成人国产欧美一区二区三区| 五月开心婷婷网| 一级毛片 在线播放| 日韩亚洲欧美综合| 午夜免费男女啪啪视频观看| 深夜a级毛片| 亚洲婷婷狠狠爱综合网| 欧美潮喷喷水| 街头女战士在线观看网站| 亚洲欧美日韩卡通动漫| 日日啪夜夜爽| 欧美精品一区二区大全| 亚洲最大成人av| 国产v大片淫在线免费观看| 美女脱内裤让男人舔精品视频| 亚洲自偷自拍三级| 麻豆乱淫一区二区| 尾随美女入室| 国产精品av视频在线免费观看| 一区二区三区免费毛片| 成人综合一区亚洲| 国产亚洲5aaaaa淫片| 女人十人毛片免费观看3o分钟| 亚洲天堂国产精品一区在线| 日韩欧美 国产精品| 国产综合精华液| 极品教师在线视频| 国产午夜福利久久久久久| 男女国产视频网站| 在线亚洲精品国产二区图片欧美 | 精品人妻视频免费看| www.色视频.com| 中文乱码字字幕精品一区二区三区| 久久亚洲国产成人精品v| 国产精品人妻久久久影院| 欧美 日韩 精品 国产| 在线看a的网站| 久久精品久久精品一区二区三区| 免费黄频网站在线观看国产| 亚洲精品自拍成人| 毛片一级片免费看久久久久| 成年女人在线观看亚洲视频 | 最近的中文字幕免费完整| 国产精品一区二区在线观看99| 久久人人爽人人爽人人片va| 人妻系列 视频| 国产有黄有色有爽视频| 亚洲内射少妇av| 丰满少妇做爰视频| 中文字幕免费在线视频6| 国产精品不卡视频一区二区| 亚洲精品乱码久久久久久按摩| 亚洲最大成人av| 国产美女午夜福利| 日韩视频在线欧美| 精品熟女少妇av免费看| 久久久久精品久久久久真实原创| 深爱激情五月婷婷| 建设人人有责人人尽责人人享有的 | 22中文网久久字幕| 啦啦啦在线观看免费高清www| 久久午夜福利片| 国产一区有黄有色的免费视频| 亚洲激情五月婷婷啪啪| 国产高清有码在线观看视频| 国产乱人偷精品视频| 一级毛片黄色毛片免费观看视频| 少妇丰满av| 69人妻影院| 尤物成人国产欧美一区二区三区| 亚洲av中文av极速乱| 日韩欧美精品免费久久| 国产毛片在线视频| 国产成人精品婷婷| 久热久热在线精品观看| 国产免费福利视频在线观看| 69人妻影院| 99久久精品一区二区三区| 亚洲怡红院男人天堂| 久久久久精品性色| 三级经典国产精品| 精品一区在线观看国产| 国产乱人偷精品视频| 国产精品福利在线免费观看| 婷婷色综合www| 一个人看视频在线观看www免费| 啦啦啦在线观看免费高清www| 欧美成人精品欧美一级黄| 纵有疾风起免费观看全集完整版| 亚洲欧美日韩卡通动漫| 久久精品熟女亚洲av麻豆精品| 亚洲欧洲国产日韩| 秋霞在线观看毛片| 夜夜看夜夜爽夜夜摸| 亚洲色图综合在线观看| 特级一级黄色大片| 日韩伦理黄色片| 久久精品久久久久久久性| 亚洲精品久久久久久婷婷小说| 人妻系列 视频| 亚洲av日韩在线播放| 69av精品久久久久久| 另类亚洲欧美激情| 高清日韩中文字幕在线| 亚洲精品456在线播放app| 亚洲精品aⅴ在线观看| 国产免费一区二区三区四区乱码| av在线亚洲专区| 2018国产大陆天天弄谢| 高清在线视频一区二区三区| 国产午夜精品久久久久久一区二区三区| 国产精品久久久久久av不卡| 欧美日本视频| 国产男人的电影天堂91| 97在线视频观看| 搡老乐熟女国产| 欧美成人a在线观看| 亚洲av成人精品一区久久| 美女主播在线视频| 亚洲精品第二区| 三级经典国产精品| 亚洲欧美成人精品一区二区| 国产亚洲91精品色在线| 涩涩av久久男人的天堂| 日韩中字成人| 天堂俺去俺来也www色官网| 91狼人影院| 少妇丰满av| 99热全是精品| 天堂中文最新版在线下载 | 特级一级黄色大片| 国产精品人妻久久久影院| 日韩 亚洲 欧美在线| 亚洲成色77777| 91在线精品国自产拍蜜月| 91精品一卡2卡3卡4卡| 大片电影免费在线观看免费| 又黄又爽又刺激的免费视频.| 99久久精品热视频| 久久精品国产a三级三级三级| 亚洲国产精品专区欧美| 国产爽快片一区二区三区| 亚洲欧美精品专区久久| 免费黄色在线免费观看| 欧美精品人与动牲交sv欧美| 禁无遮挡网站| 免费av不卡在线播放| 色播亚洲综合网| 三级经典国产精品| 六月丁香七月| av天堂中文字幕网| 卡戴珊不雅视频在线播放| 国产探花极品一区二区| 国产高清国产精品国产三级 | 免费看av在线观看网站| 国产精品偷伦视频观看了| 久久精品久久久久久久性| 2022亚洲国产成人精品| 水蜜桃什么品种好| 两个人的视频大全免费| 亚洲国产色片| 久久精品人妻少妇| 在线免费十八禁| 在线观看av片永久免费下载| 黄色视频在线播放观看不卡| 亚洲精品aⅴ在线观看| 国产精品久久久久久精品电影小说 | 麻豆乱淫一区二区| 男人舔奶头视频| 久久久久国产精品人妻一区二区| 亚洲精品aⅴ在线观看| 国产老妇伦熟女老妇高清| 一级毛片黄色毛片免费观看视频| 18禁在线无遮挡免费观看视频| 亚洲色图av天堂| 一区二区三区四区激情视频| 亚洲欧美日韩东京热| 久久综合国产亚洲精品| 国产伦理片在线播放av一区| 久久人人爽av亚洲精品天堂 | 美女被艹到高潮喷水动态| 国产男女内射视频| 联通29元200g的流量卡| 日韩强制内射视频| 精品少妇黑人巨大在线播放| 日本av手机在线免费观看| 亚洲最大成人中文| 毛片一级片免费看久久久久| 国产男女超爽视频在线观看| 免费观看的影片在线观看| 成人漫画全彩无遮挡|