• <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
    亚洲成人国产一区在线观看| 啪啪无遮挡十八禁网站| 久久久久亚洲av毛片大全| 亚洲国产欧美网| 法律面前人人平等表现在哪些方面| 久久久久九九精品影院| 日韩欧美一区二区三区在线观看| 午夜福利在线观看吧| videosex国产| 少妇被粗大的猛进出69影院| 999久久久国产精品视频| 美国免费a级毛片| 国产精品一区二区免费欧美| 免费av中文字幕在线| 啪啪无遮挡十八禁网站| 99热只有精品国产| 日韩欧美一区二区三区在线观看| 成人亚洲精品一区在线观看| 又大又爽又粗| 免费搜索国产男女视频| 午夜福利在线观看吧| 男人的好看免费观看在线视频 | 精品电影一区二区在线| 精品国产美女av久久久久小说| 天堂动漫精品| 99国产精品一区二区蜜桃av| 一进一出抽搐动态| 国产高清videossex| 不卡av一区二区三区| 中文字幕高清在线视频| 在线视频色国产色| 国产精品香港三级国产av潘金莲| 婷婷六月久久综合丁香| 可以在线观看毛片的网站| www.www免费av| 国产蜜桃级精品一区二区三区| 侵犯人妻中文字幕一二三四区| 成人影院久久| 女警被强在线播放| 天天添夜夜摸| 国产又色又爽无遮挡免费看| 在线十欧美十亚洲十日本专区| 国产欧美日韩综合在线一区二区| 人人妻,人人澡人人爽秒播| 欧美最黄视频在线播放免费 | 成熟少妇高潮喷水视频| 99热国产这里只有精品6| 国产成人精品无人区| 亚洲av电影在线进入| 免费少妇av软件| 三上悠亚av全集在线观看| 国产在线精品亚洲第一网站| 人人澡人人妻人| cao死你这个sao货| 国产高清激情床上av| 在线观看免费视频日本深夜| 一级毛片高清免费大全| 欧美日韩亚洲国产一区二区在线观看| 精品日产1卡2卡| 男女之事视频高清在线观看| 国产91精品成人一区二区三区| 国产高清视频在线播放一区| 两性午夜刺激爽爽歪歪视频在线观看 | 亚洲一卡2卡3卡4卡5卡精品中文| 国产在线观看jvid| 亚洲av成人一区二区三| 性欧美人与动物交配| 母亲3免费完整高清在线观看| 99久久人妻综合| 日日爽夜夜爽网站| 精品一区二区三区av网在线观看| 女性生殖器流出的白浆| 国产深夜福利视频在线观看| 中文字幕最新亚洲高清| www.www免费av| 在线观看免费视频网站a站| 国产一区二区三区视频了| 久久精品亚洲熟妇少妇任你| www国产在线视频色| 狠狠狠狠99中文字幕| 一本大道久久a久久精品| 国产精品 国内视频| 最好的美女福利视频网| 美女国产高潮福利片在线看| 国产高清videossex| 国产精品成人在线| 琪琪午夜伦伦电影理论片6080| 精品一区二区三卡| 国产深夜福利视频在线观看| 亚洲专区国产一区二区| 色综合婷婷激情| 最近最新中文字幕大全电影3 | 欧美激情高清一区二区三区| 悠悠久久av| netflix在线观看网站| 亚洲成国产人片在线观看| 日日干狠狠操夜夜爽| 亚洲第一av免费看| 动漫黄色视频在线观看| 757午夜福利合集在线观看| 老司机深夜福利视频在线观看| 中文字幕高清在线视频| 男男h啪啪无遮挡| 久久国产精品人妻蜜桃| 性欧美人与动物交配| 亚洲五月天丁香| 午夜福利免费观看在线| 欧美午夜高清在线| 在线观看一区二区三区激情| 欧美精品亚洲一区二区| 咕卡用的链子| 热re99久久国产66热| 亚洲欧美日韩高清在线视频| 黄片播放在线免费| 淫妇啪啪啪对白视频| 夜夜躁狠狠躁天天躁| 成人18禁在线播放| 亚洲精品国产一区二区精华液| 男人操女人黄网站| av在线播放免费不卡| 精品福利观看| 日日爽夜夜爽网站| 亚洲欧美激情综合另类| 日韩av在线大香蕉| 免费搜索国产男女视频| 欧美黑人精品巨大| 精品福利观看| 好看av亚洲va欧美ⅴa在| 首页视频小说图片口味搜索| 交换朋友夫妻互换小说| 美女高潮喷水抽搐中文字幕| 精品国产美女av久久久久小说| 午夜福利欧美成人| 欧美在线黄色| 村上凉子中文字幕在线| 亚洲少妇的诱惑av| 亚洲欧美日韩无卡精品| 老熟妇仑乱视频hdxx| 精品少妇一区二区三区视频日本电影| 欧美性长视频在线观看| 人人妻,人人澡人人爽秒播| 亚洲午夜精品一区,二区,三区| 看片在线看免费视频| 男女高潮啪啪啪动态图| av片东京热男人的天堂| 午夜精品久久久久久毛片777| 精品福利永久在线观看| 国产一区二区三区在线臀色熟女 | 久9热在线精品视频| 久久精品成人免费网站| 中文字幕人妻丝袜制服| 女生性感内裤真人,穿戴方法视频| 在线永久观看黄色视频| 最好的美女福利视频网| 身体一侧抽搐| 中文亚洲av片在线观看爽| 亚洲精品在线美女| 国产高清视频在线播放一区| 久久国产乱子伦精品免费另类| 欧美在线黄色| 国产欧美日韩精品亚洲av| 一a级毛片在线观看| 欧美亚洲日本最大视频资源| 老熟妇乱子伦视频在线观看| 在线十欧美十亚洲十日本专区| 欧美性长视频在线观看| 亚洲一区中文字幕在线| 亚洲午夜理论影院| 91九色精品人成在线观看| 国产亚洲精品一区二区www| 精品福利观看| 999久久久精品免费观看国产| 欧美日韩亚洲高清精品| 村上凉子中文字幕在线| 久久精品aⅴ一区二区三区四区| 黄色女人牲交| 亚洲欧美日韩另类电影网站| 日韩精品中文字幕看吧| xxx96com| 校园春色视频在线观看| 亚洲一区高清亚洲精品| 成人手机av| 国产成人精品无人区| 久久人妻熟女aⅴ| 一二三四社区在线视频社区8| 午夜福利,免费看| 国产欧美日韩精品亚洲av| 亚洲人成77777在线视频| 久久久久久久精品吃奶| 亚洲五月婷婷丁香| 国产成人一区二区三区免费视频网站| 少妇的丰满在线观看| 在线播放国产精品三级| 亚洲av片天天在线观看| 欧美 亚洲 国产 日韩一| 又黄又粗又硬又大视频| 伦理电影免费视频| 性欧美人与动物交配| 久久久国产一区二区| 精品久久久久久电影网| 99在线视频只有这里精品首页| 一区在线观看完整版| 在线观看免费午夜福利视频| 精品一区二区三区四区五区乱码| 亚洲欧美激情综合另类| 久久精品国产99精品国产亚洲性色 | 黄色a级毛片大全视频| 麻豆一二三区av精品| 50天的宝宝边吃奶边哭怎么回事| 亚洲欧洲精品一区二区精品久久久| 桃色一区二区三区在线观看| 操美女的视频在线观看| 欧美日韩一级在线毛片| 久久久久九九精品影院| 成年人黄色毛片网站| 色婷婷av一区二区三区视频| 熟女少妇亚洲综合色aaa.| 精品熟女少妇八av免费久了| 在线观看日韩欧美| 91麻豆av在线| 日韩大尺度精品在线看网址 | 亚洲欧洲精品一区二区精品久久久| 国产熟女xx| 黄色毛片三级朝国网站| 淫妇啪啪啪对白视频| 人人澡人人妻人| 99国产精品一区二区三区| 亚洲成人免费电影在线观看| 欧美av亚洲av综合av国产av| 亚洲成人国产一区在线观看| 女生性感内裤真人,穿戴方法视频| 在线看a的网站| 久久中文字幕一级| 亚洲av成人av| 一边摸一边抽搐一进一小说| 日本一区二区免费在线视频| www.精华液| 国产成人精品久久二区二区免费| 激情在线观看视频在线高清| 日韩免费av在线播放| 一进一出好大好爽视频| 日韩欧美三级三区| 男女做爰动态图高潮gif福利片 | 免费不卡黄色视频| 自拍欧美九色日韩亚洲蝌蚪91| 极品人妻少妇av视频| 在线观看日韩欧美| 精品无人区乱码1区二区| 69精品国产乱码久久久| 伦理电影免费视频| 日日爽夜夜爽网站| 热99国产精品久久久久久7| 麻豆久久精品国产亚洲av | 国产国语露脸激情在线看| 久久午夜综合久久蜜桃| 又黄又粗又硬又大视频| 黄色 视频免费看| 国产高清激情床上av| 久久久精品欧美日韩精品| 这个男人来自地球电影免费观看| 欧美日韩一级在线毛片| 一级片免费观看大全| 久久午夜亚洲精品久久| 性欧美人与动物交配| 狂野欧美激情性xxxx| 在线播放国产精品三级| 日日夜夜操网爽| 免费日韩欧美在线观看| 国产视频一区二区在线看| 日韩精品青青久久久久久| 国产真人三级小视频在线观看| 欧美黄色片欧美黄色片| 午夜福利在线免费观看网站| 18美女黄网站色大片免费观看| 国产欧美日韩一区二区精品| 欧美中文日本在线观看视频| 夫妻午夜视频| 免费在线观看视频国产中文字幕亚洲| 国产一区二区三区视频了| 男女午夜视频在线观看| 亚洲第一av免费看| 亚洲,欧美精品.| 淫秽高清视频在线观看| 男人的好看免费观看在线视频 | 久久人妻熟女aⅴ| 桃色一区二区三区在线观看| 50天的宝宝边吃奶边哭怎么回事| 中文字幕精品免费在线观看视频| 国产亚洲av高清不卡| 91成人精品电影| 99国产精品免费福利视频| 国产精品久久视频播放| 性欧美人与动物交配| 亚洲欧美精品综合久久99| 国产1区2区3区精品| 一级a爱视频在线免费观看| 亚洲成人免费av在线播放| 视频区欧美日本亚洲| 嫁个100分男人电影在线观看| 亚洲国产中文字幕在线视频| 亚洲自偷自拍图片 自拍| 日本免费一区二区三区高清不卡 | 欧美亚洲日本最大视频资源| 三上悠亚av全集在线观看| 日韩精品青青久久久久久| 日韩成人在线观看一区二区三区| 国产欧美日韩一区二区三| 亚洲第一青青草原| 大型av网站在线播放| 18美女黄网站色大片免费观看| 国产熟女午夜一区二区三区| 久久久精品国产亚洲av高清涩受| 久久久久国产一级毛片高清牌| 成人18禁高潮啪啪吃奶动态图| 搡老熟女国产l中国老女人| 亚洲专区中文字幕在线| 久久久水蜜桃国产精品网| 欧美日韩福利视频一区二区| 免费一级毛片在线播放高清视频 | 欧美国产精品va在线观看不卡| 嫩草影视91久久| 人人妻人人爽人人添夜夜欢视频| 国产精品久久视频播放| 国产精品久久电影中文字幕| 热99国产精品久久久久久7| 成人三级黄色视频| 国产一区二区三区综合在线观看| 久久九九热精品免费| 91大片在线观看| 99久久99久久久精品蜜桃| 女性被躁到高潮视频| 男人舔女人的私密视频| 精品国产美女av久久久久小说| 大陆偷拍与自拍| 亚洲色图 男人天堂 中文字幕| 多毛熟女@视频| 超碰成人久久| 精品人妻1区二区| 久久伊人香网站| 国产高清国产精品国产三级| 亚洲五月色婷婷综合| 亚洲精品久久成人aⅴ小说| 亚洲七黄色美女视频| 久久精品国产99精品国产亚洲性色 | 国产精品免费视频内射| 亚洲美女黄片视频| 国内毛片毛片毛片毛片毛片| 免费看十八禁软件| 成人影院久久| 9热在线视频观看99| av中文乱码字幕在线| 亚洲久久久国产精品| 丝袜人妻中文字幕| 黄色a级毛片大全视频| 老司机靠b影院| 亚洲精品粉嫩美女一区| 免费在线观看黄色视频的| 可以免费在线观看a视频的电影网站| 丁香六月欧美| 大型黄色视频在线免费观看| 成年人免费黄色播放视频| 国产精品免费一区二区三区在线| 欧美激情高清一区二区三区| 久久人妻熟女aⅴ| 制服诱惑二区| 日日夜夜操网爽| 女人被躁到高潮嗷嗷叫费观| 老汉色av国产亚洲站长工具| 久久精品91无色码中文字幕| 多毛熟女@视频| 久久国产精品影院| 国产91精品成人一区二区三区| 亚洲人成电影观看| 国产在线精品亚洲第一网站| 成人特级黄色片久久久久久久| 日韩欧美三级三区| 麻豆国产av国片精品| 在线观看免费高清a一片| 国产男靠女视频免费网站| 国产亚洲精品久久久久5区| 欧美另类亚洲清纯唯美| 欧美日韩精品网址| 亚洲精品在线观看二区| 丝袜美腿诱惑在线| 麻豆国产av国片精品| 国产激情久久老熟女| 一本大道久久a久久精品| 亚洲成人久久性| 亚洲男人天堂网一区| 狠狠狠狠99中文字幕| 97超级碰碰碰精品色视频在线观看| 久久热在线av| 亚洲成人精品中文字幕电影 | 人成视频在线观看免费观看| 欧洲精品卡2卡3卡4卡5卡区| av免费在线观看网站| 午夜福利一区二区在线看| 中文欧美无线码| 亚洲中文日韩欧美视频| 啦啦啦免费观看视频1| 18禁裸乳无遮挡免费网站照片 | 欧美日韩精品网址| 欧美午夜高清在线| 日韩有码中文字幕| 欧美 亚洲 国产 日韩一| 久久狼人影院| 久久久久九九精品影院| 久久久久久亚洲精品国产蜜桃av| 亚洲色图综合在线观看| av天堂在线播放| а√天堂www在线а√下载| 国产欧美日韩综合在线一区二区| 国产人伦9x9x在线观看| 亚洲熟女毛片儿| 国产精品一区二区三区四区久久 | 欧美丝袜亚洲另类 | 欧美日韩亚洲国产一区二区在线观看| 脱女人内裤的视频| 亚洲一区二区三区不卡视频| 免费少妇av软件| 国产精品久久久久久人妻精品电影| 校园春色视频在线观看| 亚洲专区国产一区二区| 亚洲精品久久成人aⅴ小说| 中亚洲国语对白在线视频| 高潮久久久久久久久久久不卡| 成人国产一区最新在线观看| 男女下面插进去视频免费观看| 最新美女视频免费是黄的| 嫩草影视91久久| 69av精品久久久久久| 黄色怎么调成土黄色| 巨乳人妻的诱惑在线观看| 欧美乱妇无乱码| 午夜福利,免费看| 18禁黄网站禁片午夜丰满| 国产区一区二久久| 欧美激情久久久久久爽电影 | 精品福利观看| 国产精品一区二区三区四区久久 | 欧美色视频一区免费| 99久久99久久久精品蜜桃| 91字幕亚洲| 欧美日韩乱码在线| av片东京热男人的天堂| 91九色精品人成在线观看| av中文乱码字幕在线| 国产精品av久久久久免费| www.精华液| 在线观看www视频免费| 99国产综合亚洲精品| 午夜成年电影在线免费观看| 老汉色∧v一级毛片| 国产亚洲精品久久久久5区| 国产人伦9x9x在线观看| 亚洲av成人不卡在线观看播放网| 电影成人av| 日日摸夜夜添夜夜添小说| 啦啦啦免费观看视频1| 欧美成狂野欧美在线观看| 一本大道久久a久久精品| 国产一卡二卡三卡精品| 在线av久久热| 变态另类成人亚洲欧美熟女 | 国产精品综合久久久久久久免费 | 亚洲精品国产区一区二| 日本黄色日本黄色录像| 久久久久久亚洲精品国产蜜桃av| 99国产精品一区二区三区| 久久天堂一区二区三区四区| 国产欧美日韩综合在线一区二区| 欧美人与性动交α欧美软件| 1024香蕉在线观看| 日本wwww免费看| 午夜激情av网站| 99在线人妻在线中文字幕| 国产成人欧美在线观看| 国产亚洲av高清不卡| 成人亚洲精品一区在线观看| 久久久久国产一级毛片高清牌| 国产亚洲精品久久久久久毛片| 久久久久久久午夜电影 | 国产精品综合久久久久久久免费 | 999久久久国产精品视频| 最近最新中文字幕大全免费视频| 精品久久久久久久久久免费视频 | 岛国视频午夜一区免费看| 99久久精品国产亚洲精品| 麻豆成人av在线观看| 免费高清在线观看日韩| 欧美久久黑人一区二区| 亚洲美女黄片视频| 大香蕉久久成人网| 免费在线观看视频国产中文字幕亚洲| 亚洲,欧美精品.| 老司机福利观看| 亚洲专区中文字幕在线| 免费看十八禁软件| 亚洲一区二区三区不卡视频| 成人免费观看视频高清| 一级毛片高清免费大全| 成人免费观看视频高清| 日日爽夜夜爽网站| 亚洲精品美女久久av网站| 国产99久久九九免费精品| 国产高清激情床上av| 婷婷丁香在线五月| 久久国产精品男人的天堂亚洲| 首页视频小说图片口味搜索| 好男人电影高清在线观看| 99riav亚洲国产免费| 欧美乱色亚洲激情| 老汉色av国产亚洲站长工具| 欧美中文综合在线视频| 国产精品影院久久| 亚洲人成电影观看| 色婷婷久久久亚洲欧美| 十八禁网站免费在线| 久久久国产成人精品二区 | 欧美午夜高清在线| 女人精品久久久久毛片| ponron亚洲| 制服诱惑二区| 一边摸一边做爽爽视频免费| 国产亚洲精品久久久久5区| 亚洲精品av麻豆狂野| 一区福利在线观看| 精品无人区乱码1区二区| 中文亚洲av片在线观看爽| 满18在线观看网站| 欧美精品啪啪一区二区三区| 亚洲欧美一区二区三区黑人| 国产精品久久久久成人av| 一夜夜www| 亚洲va日本ⅴa欧美va伊人久久| 久久久久久久午夜电影 | 国产男靠女视频免费网站| 久久久国产成人免费| 欧美精品亚洲一区二区| 久久香蕉国产精品| 国产亚洲欧美98| 美女国产高潮福利片在线看| 欧美日本中文国产一区发布| 99久久国产精品久久久| 中文字幕精品免费在线观看视频| 亚洲久久久国产精品| 国产高清videossex| 99re在线观看精品视频| 亚洲免费av在线视频| 精品电影一区二区在线| tocl精华| 亚洲精品成人av观看孕妇| 中国美女看黄片| 水蜜桃什么品种好| 成在线人永久免费视频| 中文字幕av电影在线播放| 免费在线观看完整版高清| svipshipincom国产片| 精品一区二区三卡| 大码成人一级视频| 国产成人系列免费观看| 日韩有码中文字幕| 亚洲欧美日韩另类电影网站| 中文字幕另类日韩欧美亚洲嫩草| 男男h啪啪无遮挡| 久久中文看片网| 成熟少妇高潮喷水视频| 久久国产乱子伦精品免费另类| 中亚洲国语对白在线视频| 国产熟女xx| 淫秽高清视频在线观看| 淫妇啪啪啪对白视频| 一区二区日韩欧美中文字幕| 欧美丝袜亚洲另类 | 50天的宝宝边吃奶边哭怎么回事| 久久亚洲精品不卡| 手机成人av网站| 免费高清在线观看日韩| 久久国产亚洲av麻豆专区| 日本黄色日本黄色录像| 人人澡人人妻人| 午夜福利,免费看| 欧美久久黑人一区二区| 午夜免费观看网址| 国产高清国产精品国产三级| 80岁老熟妇乱子伦牲交| 国产精品久久电影中文字幕| 亚洲国产看品久久| 成人三级做爰电影| 天天影视国产精品| 高清av免费在线| 欧美在线黄色| 自拍欧美九色日韩亚洲蝌蚪91| 村上凉子中文字幕在线| 最新在线观看一区二区三区| 精品人妻1区二区| av片东京热男人的天堂| 婷婷精品国产亚洲av在线| 亚洲人成伊人成综合网2020| 91字幕亚洲| 免费在线观看黄色视频的| 老熟妇仑乱视频hdxx| 在线观看免费午夜福利视频| 一进一出抽搐gif免费好疼 | 人人妻人人添人人爽欧美一区卜| 午夜福利,免费看| 久久久久久久久免费视频了| 岛国视频午夜一区免费看| xxx96com| 亚洲av美国av| 黄色怎么调成土黄色| 天堂√8在线中文| 亚洲精品av麻豆狂野| 成人免费观看视频高清| 午夜日韩欧美国产|