• <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 ?

    基于邊緣感知的深度神經(jīng)網(wǎng)絡(luò)紅外裝甲目標(biāo)檢測

    2021-08-31 01:03:30盛大俊
    紅外技術(shù) 2021年8期
    關(guān)鍵詞:邊緣語義特征

    盛大俊,張 強(qiáng)

    基于邊緣感知的深度神經(jīng)網(wǎng)絡(luò)紅外裝甲目標(biāo)檢測

    盛大俊1,張 強(qiáng)2

    (1. 信陽學(xué)院 大數(shù)據(jù)與人工智能學(xué)院,河南 信陽 464000;2. 中國人民解放軍空軍第一航空學(xué)院,河南 信陽 464000)

    裝甲目標(biāo)自動檢測一直是紅外制導(dǎo)領(lǐng)域的研究熱點(diǎn)與難點(diǎn)。解決該問題的傳統(tǒng)方法是提取目標(biāo)的低層次特征,并對特征分類器進(jìn)行訓(xùn)練。然而,由于傳統(tǒng)的檢測算法不能覆蓋所有的目標(biāo)模式,在實(shí)際應(yīng)用中的檢測性能受到限制。本文受邊緣感知模型的啟發(fā),提出了一種基于邊緣感知的改進(jìn)深度網(wǎng)絡(luò),該網(wǎng)絡(luò)是通過邊緣感知融合模塊提升裝甲輪廓精度,利用特征提取模塊和上下文聚合模塊的優(yōu)勢,能夠更好地適應(yīng)目標(biāo)的形態(tài)變化,具有較高的檢測與識別的精度。驗證結(jié)果表明,本文提出的裝甲檢測網(wǎng)絡(luò)模型可以有效地提高紅外圖像中裝甲的檢測與定位精度。

    裝甲車輛;紅外圖像;目標(biāo)檢測;邊緣感知;自尋的導(dǎo)彈;金字塔池化

    0 引言

    自尋的導(dǎo)彈是指導(dǎo)彈能夠自主地搜索、捕獲、識別、跟蹤和攻擊目標(biāo),是一種發(fā)射后鎖定的制導(dǎo)方式[1]。由于紅外圖像對比度較低,目標(biāo)與背景灰度類似,很難直接采用傳統(tǒng)的檢測算法來定位目標(biāo)[2-3]。

    眾所周知,目標(biāo)的輪廓信息是實(shí)現(xiàn)目標(biāo)檢測與識別的關(guān)鍵。語義邊緣檢測常用于定位目標(biāo)輪廓并實(shí)現(xiàn)目標(biāo)分類。語義邊緣檢測是計算機(jī)視覺領(lǐng)域的熱門研究方向,也是更復(fù)雜、更高層次視覺任務(wù)的基礎(chǔ),如目標(biāo)定位,目標(biāo)檢測,記憶重捕等[4]。早期的邊緣檢測算法主要利用目標(biāo)像素及其局部區(qū)域之間的灰度差作為特征來確定像素的類型:邊緣或非邊緣,如Sobel、Canny等運(yùn)算符[5-6]。然而,僅僅通過使用局部梯度漸變很難識別目標(biāo)輪廓及其類別。因此,一些學(xué)者提出采用多尺度特征融合實(shí)現(xiàn)邊緣特征提取與分類。軍械工程學(xué)院的彭博采用局部多尺度特性融合,并結(jié)合邊緣檢測實(shí)現(xiàn)目標(biāo)精確檢測,降低了光照不均對目標(biāo)檢測與識別的影響[7]。此類改進(jìn)的算法都是需要提取人工設(shè)計的特征并將其作為后續(xù)分類或回歸模型的輸入,最后才實(shí)現(xiàn)目標(biāo)輪廓識別。人工設(shè)計的特征需要分析并結(jié)合目標(biāo)特有的先驗信息,其過程非常繁瑣,且也是一個啟發(fā)式過程。

    北方激光研究院唐中和研究員在彈箭技術(shù)科學(xué)家論壇中提出從海量數(shù)據(jù)中學(xué)習(xí)并理解數(shù)據(jù)是智能產(chǎn)品發(fā)展的驅(qū)動力,其本質(zhì)是解決人類大量的、重復(fù)性操作。因此,基于深度卷積網(wǎng)絡(luò)模型在海量數(shù)據(jù)驅(qū)動下實(shí)現(xiàn)端到端的目標(biāo)檢測,可應(yīng)用于智能產(chǎn)品研制。Xia等人[8]利用邊緣感知融合模塊有效地提取目標(biāo)的邊緣輪廓,同時利用輔助旁側(cè)輸出與金字塔池化層輸出的尺度融合,表征出目標(biāo)豐富的全局上下文信息,最終實(shí)現(xiàn)了復(fù)雜背景下的低對比度目標(biāo)檢測。隨著深度卷積網(wǎng)絡(luò)模型研究的深入,基于語義邊緣檢測的改進(jìn)深度網(wǎng)絡(luò)已經(jīng)應(yīng)用到視覺識別領(lǐng)域。但是,由于語義邊緣檢測是由邊緣定位和分類兩個子模塊組成,這需要提出目標(biāo)不同層次的特征。邊緣定位提供了用于分類的位置信息;分類有助于實(shí)現(xiàn)目標(biāo)的輪廓與其他邊緣有效鑒別。目標(biāo)的邊緣定位需要較低層次的特征,而這些特征并不能提升識別分類的精度。邊緣分類需要更高層次的抽象特征,這些特征有助于細(xì)粒度圖像分類。因此,利用多尺度深度特征進(jìn)行語義邊緣檢測是一個具有挑戰(zhàn)性的問題[9]。目前,主流的語義邊緣檢測算法包括CASENet及其變體算法[10],該類算法主要利用語義邊緣類別感知進(jìn)行目標(biāo)檢測,并取得了顯著的檢測精度,但對于低對比度,邊緣模糊的紅外圖像很難取得很好的檢測效果。因此,對于實(shí)時性、準(zhǔn)確性和有效性要求極高的武器裝備,基于深度學(xué)習(xí)模型的檢測與定位應(yīng)用仍然存在不足。

    針對紅外圖像復(fù)雜背景特點(diǎn),本文在多尺度深度模型的基礎(chǔ)上,提出了一種基于語義邊緣檢測的深度融合網(wǎng)絡(luò),旨在利用邊緣定位和分類子任務(wù)的不同要求以及它們的互補(bǔ)性,實(shí)現(xiàn)復(fù)雜背景下典型裝甲目標(biāo)的檢測與識別,該算法在高層次的上下文特征中逐步增強(qiáng)細(xì)節(jié)信息,同步提升邊緣定位和分類的精度。

    1 基于邊緣感知的改進(jìn)深度網(wǎng)絡(luò)裝甲目標(biāo)檢測算法

    眾所周知,裝甲目標(biāo)定位的關(guān)鍵是獲取裝甲的輪廓信息,然后通過特征建模,進(jìn)而實(shí)現(xiàn)裝甲區(qū)域的準(zhǔn)確定位[11]。邊緣輪廓檢測的相關(guān)工作大致可分為3類:邊緣檢測、物體輪廓檢測和語義邊緣檢測,其對應(yīng)特征大致可分為低、中、高3個層次[12]。低層次特征描述了目標(biāo)區(qū)域的細(xì)粒度局部變化;中層次特征則表征了較大的局部區(qū)域編碼模式;高層次特征包含目標(biāo)級的上下文信息。邊緣檢測僅使用局部低層次信息來定位相鄰像素強(qiáng)度急劇變化的邊緣;目標(biāo)輪廓檢測通常結(jié)合低層次和中層次特征信息來定位邊緣,同時抑制不屬于目標(biāo)輪廓的邊緣;語義邊緣檢測則利用類標(biāo)簽信息生成目標(biāo)輪廓。為了檢測語義邊緣,從低到高的特征提取與融合是必要的。因此,隨著深度學(xué)習(xí)網(wǎng)絡(luò)可以學(xué)習(xí)從低到高的深度特征學(xué)習(xí),結(jié)合邊緣檢測的目標(biāo)識別任務(wù)也變得相對活躍。

    本文提出了一種基于多尺度上下文深度網(wǎng)絡(luò)的語義邊緣檢測算法,該算法是采用一種級聯(lián)融合結(jié)構(gòu),通過逐步融合多尺度深度特征,有利于提升深度特征表征能力。與現(xiàn)有的逐步融合策略不同,該算法是將低層次特征分步抽象出高層次特征,以保留更多上下文信息,并增強(qiáng)目標(biāo)細(xì)節(jié),而不是像現(xiàn)有的逐步融合策略那樣將高層特征與低層特征融合在一起。此外,本文改進(jìn)的模型提出了一種位置感知融合模塊,由于每個模塊的融合都是位置自適應(yīng)的,它可以選擇性地集成較低層次特征的細(xì)節(jié)。為了進(jìn)一步豐富模型的特征表達(dá)能力,本文提出了一個上下文聚合模塊,并在每個特征提取和融合階段添加一個邊緣感知模塊。本文設(shè)計的整體結(jié)構(gòu)和兩個功能模塊能夠滿足不同子任務(wù)的功能要求,并利用它們的互補(bǔ)性,同時獲得高精度的目標(biāo)邊緣定位及其類別,所提的方法的網(wǎng)絡(luò)總體框架如圖1所示,該網(wǎng)絡(luò)采用了5層ResNet101作為骨干,CASENet網(wǎng)絡(luò)已經(jīng)證明了該方法對語義邊緣檢測是有效的。為了使最初設(shè)計用于圖像分類的ResNet101能夠適應(yīng)語義邊緣檢測,該結(jié)構(gòu)在高層次的上下文特征中逐步增強(qiáng)細(xì)節(jié)信息,同步提升邊緣定位和分類的精度,并在每個融合階段增加了一個位置感知的融合模塊,融合多個尺度的特征的同時,抑制了來自低層次特征的噪聲信息,使得網(wǎng)絡(luò)模型能夠聚焦于物體輪廓周圍的細(xì)節(jié)。

    1.1 語義特征提取模塊

    由于深度網(wǎng)絡(luò)編解碼模塊的前饋網(wǎng)絡(luò)層可以獲取裝甲目標(biāo)粗定位,但是空間上采樣操作并不能有效恢復(fù)空間信息和更精細(xì)的細(xì)節(jié)特征,所以不能很好地保留邊緣結(jié)構(gòu)[13]。為了準(zhǔn)確地定位目標(biāo)的輪廓,本文采用的語義邊緣檢測網(wǎng)絡(luò)是一種逐級自下而上的特征融合結(jié)構(gòu)。理論上,多尺度特征信息融合的基本結(jié)構(gòu)在功能上可以用于語義邊緣檢測,但這種結(jié)構(gòu)忽略了低層次特征,而這些特征對于邊緣定位至關(guān)重要。CASENet網(wǎng)絡(luò)直接將所有的側(cè)面特征層連接在一起,但這種結(jié)構(gòu)忽略了從低層次特征到高層次特征在邊緣定位和分類中的不同作用[14]。因此,本文采用了一種自上而下的逐步融合結(jié)構(gòu),它將從高層次特征到低層次特征的多尺度特征逐步融合,弱化了高層次特征在邊緣分類中的作用。該結(jié)構(gòu)采用自下而上的融合設(shè)計,逐漸融合了從低到高的多尺度特征,有利于利用互補(bǔ)特征獲取更有效的多尺度特征空間,并逐步增強(qiáng)高層次特征的語義識別能力,同時促進(jìn)邊緣分類和定位。

    圖1 基于邊緣感知的目標(biāo)檢測模型框架

    1.2 上下文聚合模塊

    由于邊緣特征分類需要目標(biāo)的上下文信息,本文引用了一種上下文聚合模塊來學(xué)習(xí)輸入特征的上下文特征,如圖2所示,該模塊以殘差網(wǎng)絡(luò)為基本結(jié)構(gòu),其第一個組件是1×1卷積層,旨在降低輸入特征圖的通道數(shù)以節(jié)省計算成本;后面兩個3×3卷積層有助于提取目標(biāo)的上下文信息,其輸出的特征與1×1卷積層生成的特征圖相加有助于表征能力更強(qiáng)的上下文特征映射。在實(shí)際應(yīng)用過程中,隨著空間維數(shù)逐漸減小,stage1到stage5中的信道數(shù)也相應(yīng)設(shè)置為32、64、128、256和512。在DeepLab網(wǎng)絡(luò)中,擴(kuò)張卷積可以在不增加參數(shù)數(shù)量的情況下增加感受野[15]。因此,為了提升目標(biāo)的上下文特征信息,本文在上下文聚合模塊中引入了擴(kuò)張卷積,通過多個擴(kuò)張率將擴(kuò)張卷積以級聯(lián)或融合方式來捕獲多尺度上下文特征。然而,語義邊緣檢測還需要細(xì)節(jié)信息來進(jìn)行邊緣定位。從這個角度來看,較大的擴(kuò)張率可能會造成負(fù)面影響。因此,有必要在邊緣感知先驗信息下逐層學(xué)習(xí)出最優(yōu)深度特征。

    圖2 上下文聚合模塊

    1.3 邊緣感知融合模塊

    本文采用的邊緣感知融合模塊的目的是學(xué)習(xí)從較低層次特征中選擇上下文細(xì)節(jié)來增強(qiáng)高層次特征的表征能力,其選擇過程依賴于高層次特征的指導(dǎo),如圖3所示。邊緣感知融合模塊將不同層次的特征映射作為輸入。首先,邊緣感知融合模塊對低層次特征進(jìn)行下采樣以獲得與高層次特征相同的尺寸;然后,邊緣感知融合模塊將不同層次的特征級聯(lián)在一起,并將級聯(lián)后的特征輸入到兩個1×1的卷積層?;诘蛯哟翁卣骱透邔哟翁卣髦g的對應(yīng)關(guān)系,這兩個卷積層被訓(xùn)練生成低層次特征的權(quán)重圖,其中權(quán)重映射的通道數(shù)與低層特征的通道數(shù)相同。接下來,將較低層次特征與權(quán)重映射相乘并增加到較高層次特征中。實(shí)際上,級聯(lián)操作可以忽略,以便只使用更高層次的特征映射來計算權(quán)重。在圖2中,本文使用4個邊緣感知融合模塊來逐步融合5個階段的特征。值得注意的是邊緣感知融合模塊中的下采樣結(jié)構(gòu)是步幅為2的1×1卷積層。理論上,步長為2的1×1卷積層比其他下采樣結(jié)構(gòu)所需的計算量要少。在Tensor Flow深度學(xué)習(xí)框架中ResNet101是整個網(wǎng)絡(luò)的主干,采用該結(jié)構(gòu)進(jìn)行下采樣。然而,這種下采樣結(jié)構(gòu)在效率上的優(yōu)勢在實(shí)踐中并不顯著,因為下采樣只占整個網(wǎng)絡(luò)結(jié)構(gòu)的一小部分。實(shí)際上,在Pythorch中實(shí)現(xiàn)的ResNet101采用3×3濾波器,步長為2。總之,本文提出的模型增加了邊緣感知融合模塊,可以提升裝甲目標(biāo)輪廓精度;利用多尺度特征融合捕獲紅外圖像的高層次語義特征,最終可以有效地提高紅外圖像裝甲目標(biāo)的檢測與定位精度。

    圖3 邊緣感知融合模塊

    2 實(shí)驗結(jié)果及其性能分析

    2.1 實(shí)驗數(shù)據(jù)及其參數(shù)設(shè)置

    為了評估本文提出的裝甲檢測算法性能,訓(xùn)練集使用外場裝甲數(shù)據(jù)集作為訓(xùn)練圖像,其中6500張紅外圖像的裝甲被準(zhǔn)確標(biāo)注。90%的數(shù)據(jù)集用于訓(xùn)練,其余10%用于測試。自建裝甲數(shù)據(jù)集是從利用直升機(jī)外掛紅外成像設(shè)備在阿拉善戈壁環(huán)境下采集,其環(huán)境覆蓋了盡可能多姿態(tài)與角度的裝甲車輛,具有多種紋理背景與部分遮擋干擾。除目標(biāo)區(qū)域外,其余部分標(biāo)記為背景,也就是說標(biāo)注數(shù)據(jù)集可用于裝甲定位模型的訓(xùn)練和測試。這些數(shù)據(jù)包含大量復(fù)雜背景。需要說明的是,雖然非制冷紅外圖像不清晰,且數(shù)據(jù)集中存在一些邊緣高亮區(qū)域,但不影響對紅外圖像進(jìn)行標(biāo)注與定位。

    在深度卷積網(wǎng)絡(luò)中,需要手動設(shè)置的參數(shù)稱為超參數(shù),其參數(shù)設(shè)置沒有具體的方法,但大多可以根據(jù)網(wǎng)絡(luò)訓(xùn)練經(jīng)驗進(jìn)行調(diào)整。例如,學(xué)習(xí)率是控制模型更新速度的一個重要超參數(shù)。選擇一個好的學(xué)習(xí)率是很有挑戰(zhàn)性的,因為如果學(xué)習(xí)率太小,那么訓(xùn)練速度將非常慢且耗時,而且很可能會陷入局部最小值。反之,如果學(xué)習(xí)率過大,訓(xùn)練過程將不穩(wěn)定。本文提出的網(wǎng)絡(luò)模塊在TensorFlow深度學(xué)習(xí)框架下完成。為了提高優(yōu)化效率,采用小批量隨機(jī)梯度下降優(yōu)化算法,其超參數(shù)中基本學(xué)習(xí)率、權(quán)重衰減和動量分別設(shè)置為2×10-7,5×10-4和0.9。對于裝甲目標(biāo)輪廓檢測模塊,學(xué)習(xí)率設(shè)置為10-6,訓(xùn)練迭代次數(shù)為200k/次;訓(xùn)練樣本的大小調(diào)整為128×128并作為網(wǎng)絡(luò)的輸入。本實(shí)驗搭建的實(shí)驗環(huán)境均在戴爾工作站上進(jìn)行,該系統(tǒng)具有一個Intel Xeon CPU,最高頻率為3.2 GHz;英偉達(dá)GeForce GTX1050TI顯卡,以及64位操作系統(tǒng)Ubuntu 6.06。

    2.2 評價指標(biāo)

    目前,現(xiàn)有的識別算法對紅外圖像中的裝甲目標(biāo)存在較大漏檢與誤檢,主要?dú)w咎于目標(biāo)對比度低、邊緣模糊且不同視角下目標(biāo)外形差異較大。如何對復(fù)雜戰(zhàn)場環(huán)境下獲得的紅外目標(biāo)檢測結(jié)果進(jìn)行有效評估,降低主觀誤差對性能的影響,是評價算法性能的關(guān)鍵。為了更清楚地說明目標(biāo)檢測模型之間的差異,需要引入定量評估準(zhǔn)則。因此,本文采用評價標(biāo)準(zhǔn)是檢測率與誤檢率指標(biāo),側(cè)重考察漏檢出現(xiàn)的概率,如表1所示。

    表1 裝甲檢測結(jié)果統(tǒng)計

    為了實(shí)現(xiàn)對檢測結(jié)果進(jìn)行有效評估,對獲得的裝甲區(qū)域檢測矩形框的評價準(zhǔn)則是檢測率與誤檢率,其公式如下所示:

    其中參數(shù)定義參見文獻(xiàn)[8]。為了便于對比分析,實(shí)驗將選用的測試數(shù)據(jù)集分成6大類,其標(biāo)識及特點(diǎn)如表2所示。此外,為了評估裝甲檢測和定位結(jié)果的準(zhǔn)確性,本文還使用像素精度(Pixel accuracy,PA)和平均IoU(Mean intersection over union,MIoU)作為評價準(zhǔn)則。

    表2 不同測試子集的特點(diǎn)

    2.3 定性定量分析

    目前,已經(jīng)有許多針對自然圖像進(jìn)行目標(biāo)檢測的算法。然而,目前針對紅外圖像的裝甲目標(biāo)檢測的模型較少。本文目的是將目標(biāo)檢測作為自尋的導(dǎo)彈自主地搜索目標(biāo),實(shí)現(xiàn)發(fā)射后高精度鎖定目標(biāo),降低背景干擾的影響。由于基于深度學(xué)習(xí)的檢測算法在自然圖像領(lǐng)域已經(jīng)獲得了巨大的成果。為了定性定量分析紅外圖像領(lǐng)域的本文提出的裝甲目標(biāo)檢測的精度,實(shí)驗選用了對比算法分別是ConvNet[16]、YOLO-V2[17]、SSD[18]、DenseNet[19]與ResNet[20]。選用的所有對比算法都采用作者給出的源代碼進(jìn)行分析。雖然這些深度模型并不是針對紅外目標(biāo)檢測,但這些模型并不區(qū)分紅外圖像與自然圖像,只要給予充分的訓(xùn)練數(shù)據(jù),就能得到相應(yīng)的檢測結(jié)果。為了便于所有對比算法進(jìn)行公平公正地對比分析,所有的對比模型都用相同的訓(xùn)練集與測試集進(jìn)行實(shí)驗。

    2.3.1 檢測精度對比

    本文提出的算法是一種結(jié)合了語義邊緣先驗的目標(biāo)檢測模型,旨在利用邊緣定位和分類子任務(wù)對特征的不同要求以及它們的互補(bǔ)性,實(shí)現(xiàn)復(fù)雜背景下典型裝甲目標(biāo)的檢測與識別。眾所周知,不同的評價標(biāo)準(zhǔn)下的檢測精度存在較大差異。一般來說,目標(biāo)檢測精度與精度曲線密切相關(guān)。精確曲線是通過繪制每個目標(biāo)類的曲線來評估目標(biāo)檢測模型在置信度改變時的性能。如果目標(biāo)檢測模型的精確度隨著閾值的增加而保持較高的話,那么該模型的性能較好。

    表3展示了不同對比算法對不同測試子集的檢測結(jié)果。實(shí)驗結(jié)果表明,大多數(shù)對比模型對背景復(fù)雜度的變化具有較強(qiáng)的魯棒性,對不同背景的檢測效果沒有明顯差異。然而,對于目標(biāo)尺度不大于10×10小目標(biāo)的檢測,SSD、DenseNet、ResNet與ConvNet具有局限性,這是由于這些深度模型都具有較深的網(wǎng)絡(luò)層,其生成的低層特征很少,但低層次特征對于弱小裝甲目標(biāo)的檢測貢獻(xiàn)很大。本文提出的模型無論是對單個還是多個、稀疏還是密集、大或小目標(biāo),都具有更好的性能,滿足了光電系統(tǒng)目標(biāo)精確檢測的要求。從表3的定量測試結(jié)果可以看出,本文所提的裝甲目標(biāo)檢測率是所有對比算法中最佳。數(shù)據(jù)集A中目標(biāo)模糊,對比度低,部分炮塔存在覆蓋物,但最終本文模型的檢測概率是90.06%;數(shù)據(jù)集B中裝甲目標(biāo)較小,背景中存在大量高亮區(qū)域,最終本文模型的檢測概率是77.14%;

    在數(shù)據(jù)集C中密集卷積網(wǎng)絡(luò)(DenseNet)的平均檢測率為73.22%,而本文算法的性能明顯優(yōu)于DenseNet。由于數(shù)據(jù)集E中的所有圖像都具有較大噪聲,且目標(biāo)內(nèi)部細(xì)節(jié)不均勻,很容易被當(dāng)成多個分離的實(shí)體,嚴(yán)重影響檢測精度。從表3的檢測率對比結(jié)果可以看出,數(shù)據(jù)集E上的裝甲檢測精度是最低的,僅僅59.58%,但也比其他對比模型的精度高。雖然DenseNet可以通過多通道特征級聯(lián)實(shí)現(xiàn)特征重用,有利于大大降低參數(shù)和計算成本,避免了加深加寬網(wǎng)絡(luò)導(dǎo)致實(shí)時性大大降低,但特征重用通道數(shù)依賴于的超參數(shù)中增長率的設(shè)置,需要根據(jù)圖像內(nèi)容自適應(yīng)調(diào)整,這就使得DenseNet泛化能力不足,對背景差異較大樣本的檢測性能較差。YOLO v2在網(wǎng)絡(luò)中取消了全連接層,添加了BN層,并利用錨點(diǎn)框進(jìn)行預(yù)測,其訓(xùn)練過程是在ImageNet數(shù)據(jù)集上進(jìn)行參數(shù)微調(diào)。從實(shí)驗結(jié)果可以看出,YOLO v2是所有對比算法中最優(yōu)的檢測結(jié)果,僅次于本文提出的模型。與對比檢測模型相比,本文提出的模型在6類數(shù)據(jù)集上具有最優(yōu)的檢測性能,同時,這表明了該方法的優(yōu)越性。從檢測結(jié)果可以看出,本文模型可以生成更可靠的檢測結(jié)果,更接近實(shí)際基準(zhǔn)情況。

    2.3.2 檢測框性能對比

    在目標(biāo)檢測應(yīng)用里,通常采用邊界框來描述目標(biāo)位置,一個較好的檢測結(jié)果是目標(biāo)的邊界框應(yīng)該與目標(biāo)的最小外接矩形重合。在我們的實(shí)驗中,如果獲取的目標(biāo)邊界框與其中一個目標(biāo)的基準(zhǔn)框的重疊區(qū)域超過0.5,則認(rèn)為檢測的結(jié)果是有效的。為了直觀地對比分析不同模型間的性能差異,實(shí)驗采用目標(biāo)的檢測率(detective rate DR)與誤檢率(false positives per-image,F(xiàn)PPI)的關(guān)系圖來描述裝甲目標(biāo)檢測算法在不同誤檢率下的統(tǒng)計結(jié)果,如圖4所示。也就是說,設(shè)置不同的誤檢率可以得到不同的檢測精度。從實(shí)驗結(jié)果可以看出,不同模型生成的對比曲線差異較大,且層次明顯。為了便于直觀地性能對比,一般可以選擇一個FPPI值來對比相應(yīng)的檢測率。當(dāng)FPPI=0.5時,本文所提裝甲檢測算法的檢測率是81%,而最優(yōu)對比算法YOLO v2檢測器的檢測率為76%,ResNet檢測器的檢測率為74%,相較YOLO v2檢測器提升了5%。對比結(jié)果表明本文所提模型在保證目標(biāo)檢測實(shí)時性的前提下有效地提高了目標(biāo)的檢測準(zhǔn)確率。

    表3 不同測試數(shù)據(jù)集下檢測精度

    圖4 檢測率與FPPI的關(guān)系曲線

    由于導(dǎo)彈制導(dǎo)系統(tǒng)中,中心位置精度決定了檢測結(jié)果是否滿足攻擊要求。為了便于定量分析,本實(shí)驗也比較了基于位置誤差度量的精確度圖和基于重疊度量的成功率圖,如圖5所示。圖5(a)是不同中心位置誤差閾值下的檢測精度,其誤差閾值越大,精度越接近1。圖5(b)是不同重疊率誤差閾值下的檢測成功率,其重疊率閾值越大,精度越接近0。在實(shí)際應(yīng)用中,中心位置誤差閾值與重疊率閾值分別設(shè)置為10與0.5??梢钥闯觯疚乃岬臋z測模型在10個像素閾值下的檢測精度是0.83,在重疊率閾值0.5下的檢測成功率是0.87,優(yōu)于最優(yōu)對比檢測網(wǎng)絡(luò)YOLO v2。定量分析結(jié)果表明,本文所提的深度融合網(wǎng)絡(luò)能夠利用語義特征提取模塊和上下文聚合模塊來實(shí)現(xiàn)復(fù)雜背景下典型裝甲目標(biāo)的檢測與識別,同步提升邊緣定位和分類的精度。尤其是對不同視角下裝甲圖像,我們能夠準(zhǔn)確地標(biāo)記出裝甲的位置,提高了打擊精度與效率。

    2.3.3 定性對比

    圖6是不同對比算法對不同紅外圖像的裝甲目標(biāo)檢測的結(jié)果,其中本文模型,SDD,DenseNet,ResNet,ConvNet與YOLO v2的結(jié)果分別采用不同邊界框表示。受制于篇幅的限制,本文只選用了比較具有代表性的6幅圖像來進(jìn)行測試。在圖6(a),6(b)和圖6(d) 裝甲的形態(tài)差異較大,尤其是裝甲目標(biāo)與背景的灰度相近,這就導(dǎo)致DenseNet常檢測到錯誤的目標(biāo)。SSD算法和DenseNet算法的結(jié)果雖然接近本文提出的算法,但由于反卷積恢復(fù)到原始尺寸時存在插值誤差,導(dǎo)致結(jié)果也存在偏差。根據(jù)響應(yīng)圖極大值分析,這些外觀變化無法獲取準(zhǔn)確的邊界,導(dǎo)致?lián)p失函數(shù)無法收斂,檢測差異較大。因此,所有對比網(wǎng)絡(luò)模型不準(zhǔn)確的定位目標(biāo)的位置,而本文模型結(jié)果則證明了對于形變,低對比度等干擾影響下的精度較低的問題,能夠通過輪廓感知網(wǎng)絡(luò)來解決。雖然YOLO v2能夠檢測到目標(biāo),但仍然易遭受復(fù)雜背景干擾,導(dǎo)致檢測中心存在偏差。圖6(e)中,目標(biāo)的對比度與旁邊地表的灰度類似,但又與道路灰度存在較大差異,容易出現(xiàn)地景干擾,影響檢測精度,而圖6(c)與6(f)中目標(biāo)邊界不明顯,且目標(biāo)尺度較小,邊界模糊。從檢測實(shí)驗結(jié)果可以看出,ConvNet檢測框已經(jīng)偏離目標(biāo)中心,而本文提出的目標(biāo)檢測網(wǎng)絡(luò)能夠結(jié)合語義特征提取模塊和上下文聚合模塊的優(yōu)勢,能夠更好地適應(yīng)目標(biāo)的形態(tài)變化,具有較高的檢測與識別的精度。

    圖5 不同對比算法的性能對比

    圖6 不同對比算法對不同紅外圖像的裝甲檢測的結(jié)果,其中(a)-(f)分別代表不同圖像

    3 結(jié)論

    目標(biāo)檢測在現(xiàn)代武器系統(tǒng)中得到了廣泛的應(yīng)用,能夠自主識別目標(biāo),并實(shí)現(xiàn)目標(biāo)的跟蹤與打擊。由于紅外圖像對比度較低,目標(biāo)與背景灰度類似,很難直接采用傳統(tǒng)的檢測算法來檢測目標(biāo)。為了提升裝甲目標(biāo)檢測中的抗干擾能力差的問題,本文結(jié)合深度特征提取模塊和上下文聚合模塊,提出了一種表征能力更強(qiáng)的多尺度耦合模型。與對比檢測模型相比,本文提出的模型在6類數(shù)據(jù)集上具有最優(yōu)的檢測性能,從檢測結(jié)果可以看出,本文模型可以生成更可靠的檢測結(jié)果,更接近實(shí)際基準(zhǔn)情況,可以有效地提高紅外圖像中裝甲的檢測與定位精度。

    [1] 陳國勝, 胡福東, 周成寶, 等. 基于BIRD網(wǎng)絡(luò)的智能紅外全景識別系統(tǒng)[J]. 紅外技術(shù), 2018, 40(8): 765-770.

    CHEN Guosheng, HU Fudong, ZHOU Chenbao, et al. Intelligent infrared panoramic recognition system based on BIRD network[J]., 2018, 40(8): 765-770.

    [2] 劉博文, 戴永壽, 金久才, 等. 基于空間分布與統(tǒng)計特性的海面遠(yuǎn)景目標(biāo)檢測方法[J]. 海洋科學(xué), 2018, 42(1): 88-92.

    LIU B, DAI Y, JIN J, et al. Long-range object detection on sea surface based on spatial distribution and statistical characteristics[J]., 2018, 42 (1): 88-92

    [3] 駱清國, 趙耀, 俞長賀, 等. 某型裝甲車輛紅外輻射信號的建模與仿真[J]. 裝甲兵工程學(xué)院學(xué)報, 2019, 33(1): 31-36.

    LUO Q, ZHAO Y, YUC, et al. Modeling and simulation of infrared radiation signal of an armored vehicle[J]., 2019, 33(1): 31-36.

    [4] DONG X, HUANG X, ZHENG Y, et al. A novel infrared small moving target detection method based on tracking interest points under complicated background[J].., 2014, 65: 36-42.

    [5] HE Y, LI M, ZHANG J, et al. Small infrared target detection based on low-rank and sparse representation[J]., 2015, 68: 98-109.

    [6] GUO J, Hsia C, LIU Y, et al. Fast background subtraction based on a multilayer codebook model for moving object detection[C]//, 2013, 23(10): 1809-1821.

    [7] 彭博, 臧笛. 基于深度學(xué)習(xí)的紅外車輛識識別方法研究[J]. 計算機(jī)科學(xué), 2015, 42(4): 268-273.

    PENG Bo, ZANG Di. Vehicle logo recognition based on deep learning[J]., 2015, 42(4): 268-273.

    [8] XIA K J , CHENG J , TAO D , et al. Liver detection algorithm based on an improved deep network combined with edge perception[J]., 2019, 12: 175135-17514.

    [9] Redmon J, Farhadi A. YOLO9000: Better, Faster, Stronger[C]//, 2017: 6517-6525.

    [10] YU Z, FENG C, LIU M Y, et al. CASENet: Deep category-aware semantic edge detection[C]//, 2017: 1761-1770(doi: 10.1109/CVPR.2017.191).

    [11] Neubeck A, Gool L V. Efficient non-maximum suppression[C]//, IEEE Computer Society, 2006: 850-855.

    [12] 焦安波, 何淼, 羅海波. 一種改進(jìn)的HED網(wǎng)絡(luò)及其在邊緣檢測中的應(yīng)用[J]. 紅外技術(shù), 2019, 41(1): 72-77. JIAO Anbo, HE Miao, LUO Haibo. Research on significant edge detection of infrared image based on deep learning[J]., 2019, 41(1): 72-77.

    [13] 楊眷玉. 基于卷積神經(jīng)網(wǎng)絡(luò)的物體識別研究與實(shí)現(xiàn)[D]. 西安: 西安電子科技大學(xué), 2016.

    YANG J. Research and Implementation of Object Detection Based on Convolutional Neural Networks[D]. Xi’an: Xidian University, 2016.

    [14] 丁文秀, 孫悅, 閆曉星. 基于分層深度學(xué)習(xí)的魯棒行人分類[J]. 光電工程, 2015, 42(9): 21-27.

    DING W, SUN Y, YAN Xiaoxing. Robust pedestrian classification based on hierarchical deep learning[J]., 2015, 42(9): 21-27.

    [15] CHEN S, CHEN Z, XU X, et al. Nv-Net: efficient infrared image segmentation with convolutional neural networks in the low illumination environment[J]., 2020, 105: 103184.

    [16] HOSANG J, BENENSON R, SCHIELE B. A convnet for non-maximum suppression[C]//, Cham: Springer, 2016: 192-204.

    [17] REDMON J, FARHADI A. YOLO9000: Better, faster, stronger[C]//, New York: IEEE Press, 2017: 7263-7271.

    [18] LIU W, ANGUELOV D, ERHAN D, et al. SSD: single shot multibox detector[C]//. Cham: Springer, 2016: 21-37.

    [19] HUANG G, LIU Z, VAN DER MAATEN L, et al. Densely connected convolutional networks[C]//, 2017: 4700-4708.

    [20] HE K, ZHANG X, REN S, et al. Deep residual learning for image recognition[C]//, 2016: 770-778.

    Infrared Armored Target Detection Based on Edge-perception in Deep Neural Network

    SHENG Dajun1,ZHANG Qiang2

    (1.,,464000,; 2.,,464000,)

    Automatic detection of armored targets has always been the most challenging problem in the field of infrared guidance. Traditional models address this problem by extracting the low-level features of an object and then training the feature classifier. However, because traditional detection algorithms can not cover all object patterns, the detection performance in practical applications is limited. Inspired by the edge-aware model, this study proposes an improved deep network based on edge perception. The network improves the accuracy of the armored contour through an edge-aware fusion module. By exploiting he advantages of the feature extraction module and context aggregation module, it can better adapt to thechanges of objects and has high detection and recognition accuracy. The results show that the proposed armored detection network model can effectively improve the accuracy of detection and positioning in infrared images.

    armored vehicle, infrared image, target detection, edge perception, homing missile, pyramid pooling

    TP753

    A

    1001-8891(2021)06-0784-08

    2020-05-10;

    2020-09-03.

    盛大?。?981-),男,講師,研究方向:制導(dǎo)測試技術(shù),計算機(jī)視覺應(yīng)用

    張強(qiáng)(1975-),男,高工,研究方向:光電系統(tǒng)維修與測試,紅外制導(dǎo)技術(shù)等,E-mail:x0376y@163.com。

    裝備預(yù)研基金資助課題。

    猜你喜歡
    邊緣語義特征
    語言與語義
    如何表達(dá)“特征”
    不忠誠的四個特征
    抓住特征巧觀察
    一張圖看懂邊緣計算
    “上”與“下”語義的不對稱性及其認(rèn)知闡釋
    認(rèn)知范疇模糊與語義模糊
    線性代數(shù)的應(yīng)用特征
    河南科技(2014年23期)2014-02-27 14:19:15
    語義分析與漢俄副名組合
    在邊緣尋找自我
    雕塑(1999年2期)1999-06-28 05:01:42
    最近最新中文字幕大全电影3| 日韩av在线大香蕉| 特大巨黑吊av在线直播| 日本熟妇午夜| 无遮挡黄片免费观看| 久久久久久大精品| 免费观看的影片在线观看| 欧美极品一区二区三区四区| 欧美日本视频| av中文乱码字幕在线| 男女边吃奶边做爰视频| 一本一本综合久久| 日韩一区二区视频免费看| 精品一区二区三区视频在线观看免费| 久久久久久久久久黄片| 99在线视频只有这里精品首页| 乱码一卡2卡4卡精品| 国产精品98久久久久久宅男小说| 久久久久久伊人网av| 久久久久久久精品吃奶| 亚洲图色成人| 小说图片视频综合网站| www.色视频.com| 天天躁日日操中文字幕| 最近最新中文字幕大全电影3| av福利片在线观看| 久久久久久久久大av| 免费人成视频x8x8入口观看| 中文字幕免费在线视频6| 一个人看视频在线观看www免费| 亚洲av中文av极速乱 | 美女被艹到高潮喷水动态| 在线观看免费视频日本深夜| 欧美黑人欧美精品刺激| 国产人妻一区二区三区在| 亚洲人成网站高清观看| 欧美一区二区精品小视频在线| 深夜精品福利| 99久久精品国产国产毛片| 午夜久久久久精精品| 免费av不卡在线播放| 美女免费视频网站| 一区二区三区免费毛片| 国产精品一区二区免费欧美| 一区二区三区激情视频| 亚洲内射少妇av| 麻豆国产av国片精品| 啦啦啦观看免费观看视频高清| 亚洲国产高清在线一区二区三| 九九久久精品国产亚洲av麻豆| 免费人成视频x8x8入口观看| 国产久久久一区二区三区| 内射极品少妇av片p| 午夜福利18| a级毛片a级免费在线| 午夜激情福利司机影院| 国产伦一二天堂av在线观看| 人人妻,人人澡人人爽秒播| 国产一区二区激情短视频| 99在线视频只有这里精品首页| 国产色婷婷99| 亚洲 国产 在线| 丰满乱子伦码专区| 干丝袜人妻中文字幕| netflix在线观看网站| 嫩草影视91久久| 中文字幕熟女人妻在线| 最新在线观看一区二区三区| 国产精品国产高清国产av| 婷婷色综合大香蕉| 97热精品久久久久久| 国内久久婷婷六月综合欲色啪| 国产精品98久久久久久宅男小说| 国产高清视频在线观看网站| 久9热在线精品视频| 亚洲三级黄色毛片| 日本五十路高清| 日韩欧美免费精品| 久久久久精品国产欧美久久久| 亚洲人成网站在线播放欧美日韩| 国国产精品蜜臀av免费| 国产精品久久久久久久久免| 99久久九九国产精品国产免费| 久久亚洲精品不卡| 亚洲欧美清纯卡通| 午夜免费男女啪啪视频观看 | 国产精品爽爽va在线观看网站| 亚洲人成伊人成综合网2020| 成年版毛片免费区| 国产精品人妻久久久影院| 欧美色视频一区免费| 日韩一区二区视频免费看| 嫩草影视91久久| 18禁在线播放成人免费| 九九爱精品视频在线观看| 变态另类成人亚洲欧美熟女| 国产大屁股一区二区在线视频| 小说图片视频综合网站| 国产精品三级大全| 欧美日韩亚洲国产一区二区在线观看| 在线观看66精品国产| 国产精品免费一区二区三区在线| 亚洲人与动物交配视频| 亚洲最大成人中文| 精品乱码久久久久久99久播| 久久精品国产亚洲网站| 国产亚洲精品av在线| 成人三级黄色视频| 午夜免费激情av| 中文字幕久久专区| 亚洲专区中文字幕在线| 欧美激情在线99| 国产精品永久免费网站| 久久久久久九九精品二区国产| 亚洲精品国产成人久久av| 男人和女人高潮做爰伦理| 国产精品电影一区二区三区| 精华霜和精华液先用哪个| 亚洲精华国产精华精| 亚洲人成网站高清观看| 村上凉子中文字幕在线| 99久久精品国产国产毛片| 美女被艹到高潮喷水动态| 国产av在哪里看| 亚洲七黄色美女视频| 日本在线视频免费播放| 一区二区三区高清视频在线| 嫩草影院精品99| 老司机午夜福利在线观看视频| 亚洲色图av天堂| 国产精品久久久久久精品电影| 嫁个100分男人电影在线观看| 免费在线观看日本一区| 一级a爱片免费观看的视频| 国产精品久久视频播放| 人人妻人人看人人澡| 国产真实伦视频高清在线观看 | 成人av一区二区三区在线看| 日本爱情动作片www.在线观看 | 变态另类成人亚洲欧美熟女| 麻豆国产97在线/欧美| 国产亚洲欧美98| 看免费成人av毛片| 九色成人免费人妻av| 色视频www国产| 少妇熟女aⅴ在线视频| 免费av毛片视频| 99在线视频只有这里精品首页| 91在线观看av| 亚洲av免费在线观看| x7x7x7水蜜桃| 熟女电影av网| 极品教师在线免费播放| 男女那种视频在线观看| 美女大奶头视频| 午夜福利在线观看吧| 亚洲欧美日韩高清在线视频| 嫩草影视91久久| 亚洲av熟女| 最近最新中文字幕大全电影3| 日本免费一区二区三区高清不卡| 丝袜美腿在线中文| 日韩欧美国产在线观看| 亚洲真实伦在线观看| 国产精品久久久久久av不卡| 午夜日韩欧美国产| 在线免费观看的www视频| 一进一出抽搐动态| 女同久久另类99精品国产91| 制服丝袜大香蕉在线| 欧洲精品卡2卡3卡4卡5卡区| 国内少妇人妻偷人精品xxx网站| 国产伦人伦偷精品视频| 99精品在免费线老司机午夜| 3wmmmm亚洲av在线观看| 国产美女午夜福利| 女同久久另类99精品国产91| 在线观看美女被高潮喷水网站| 99久久成人亚洲精品观看| 午夜福利欧美成人| 亚洲av一区综合| 国产av一区在线观看免费| 99久久久亚洲精品蜜臀av| 我要搜黄色片| 啦啦啦观看免费观看视频高清| 亚洲精品一区av在线观看| 亚洲黑人精品在线| a级一级毛片免费在线观看| 自拍偷自拍亚洲精品老妇| 色精品久久人妻99蜜桃| 国产精品不卡视频一区二区| 一a级毛片在线观看| 久久九九热精品免费| 亚洲午夜理论影院| 欧美精品国产亚洲| 成熟少妇高潮喷水视频| 日日啪夜夜撸| videossex国产| 亚洲中文日韩欧美视频| 亚州av有码| 欧美3d第一页| 国产高潮美女av| 欧美激情在线99| 99热精品在线国产| 他把我摸到了高潮在线观看| 成年女人毛片免费观看观看9| 国产视频一区二区在线看| 国产精品三级大全| 久久人妻av系列| 欧美日本亚洲视频在线播放| 久久九九热精品免费| 色尼玛亚洲综合影院| 国产亚洲精品久久久久久毛片| 色吧在线观看| 天天躁日日操中文字幕| 国产成人一区二区在线| 精品久久国产蜜桃| 午夜久久久久精精品| 国产av在哪里看| 嫁个100分男人电影在线观看| 中国美白少妇内射xxxbb| 国产91精品成人一区二区三区| 午夜激情欧美在线| 永久网站在线| 欧美成人一区二区免费高清观看| 欧美精品啪啪一区二区三区| 淫秽高清视频在线观看| 黄色欧美视频在线观看| 97人妻精品一区二区三区麻豆| 毛片女人毛片| 国产精品1区2区在线观看.| 欧美日韩中文字幕国产精品一区二区三区| 国产高清三级在线| 婷婷六月久久综合丁香| 亚洲欧美精品综合久久99| 国产免费一级a男人的天堂| 一区二区三区四区激情视频 | 国产综合懂色| 搡老岳熟女国产| 成人性生交大片免费视频hd| 99视频精品全部免费 在线| 国产精品女同一区二区软件 | 我要搜黄色片| 看黄色毛片网站| 国产高清激情床上av| 午夜激情欧美在线| 国内精品美女久久久久久| 99riav亚洲国产免费| 看黄色毛片网站| 国产精品一及| 欧美另类亚洲清纯唯美| 精品人妻1区二区| 99久久精品国产国产毛片| 亚洲最大成人中文| 免费大片18禁| 久久久久久久久中文| 国产精品免费一区二区三区在线| 亚洲久久久久久中文字幕| 国产三级中文精品| 精品久久久久久久末码| 婷婷亚洲欧美| 最近中文字幕高清免费大全6 | 美女黄网站色视频| 国内久久婷婷六月综合欲色啪| 色在线成人网| 午夜爱爱视频在线播放| 身体一侧抽搐| 一级毛片久久久久久久久女| 啦啦啦韩国在线观看视频| 国产蜜桃级精品一区二区三区| 亚洲最大成人中文| 99久久中文字幕三级久久日本| 国产精品久久久久久久久免| 午夜免费成人在线视频| 日韩 亚洲 欧美在线| 国产精品久久久久久久电影| 精品久久久久久久末码| 白带黄色成豆腐渣| 男女之事视频高清在线观看| 91在线观看av| 噜噜噜噜噜久久久久久91| 淫妇啪啪啪对白视频| 草草在线视频免费看| 国产69精品久久久久777片| 国产精品综合久久久久久久免费| 亚洲最大成人手机在线| 一级黄色大片毛片| 女人十人毛片免费观看3o分钟| 看黄色毛片网站| 十八禁网站免费在线| 又爽又黄a免费视频| 五月伊人婷婷丁香| 欧美丝袜亚洲另类 | 成年免费大片在线观看| 又粗又爽又猛毛片免费看| 亚洲va在线va天堂va国产| 黄色配什么色好看| 国产精品精品国产色婷婷| 国产探花在线观看一区二区| 国产私拍福利视频在线观看| 国产在视频线在精品| 午夜福利欧美成人| 成熟少妇高潮喷水视频| 3wmmmm亚洲av在线观看| 色av中文字幕| 午夜福利18| 在线免费观看不下载黄p国产 | 成年女人毛片免费观看观看9| 日韩精品青青久久久久久| 国产欧美日韩一区二区精品| 国产一区二区三区视频了| 亚洲国产精品成人综合色| 国产免费男女视频| 舔av片在线| 欧美潮喷喷水| 国产一区二区激情短视频| 精品一区二区三区av网在线观看| 亚洲自偷自拍三级| 级片在线观看| 日日撸夜夜添| 真实男女啪啪啪动态图| 久久中文看片网| 直男gayav资源| 婷婷色综合大香蕉| 色av中文字幕| 成人国产麻豆网| 极品教师在线视频| 18禁黄网站禁片免费观看直播| 夜夜夜夜夜久久久久| 亚洲精品亚洲一区二区| 精品人妻熟女av久视频| 嫩草影视91久久| 国产人妻一区二区三区在| 亚洲一区二区三区色噜噜| 午夜免费激情av| 国产高清不卡午夜福利| 18禁裸乳无遮挡免费网站照片| 成年版毛片免费区| 色精品久久人妻99蜜桃| 在线观看免费视频日本深夜| 嫁个100分男人电影在线观看| 欧美最新免费一区二区三区| 亚洲五月天丁香| 国产精品一区二区三区四区免费观看 | 欧美性感艳星| 国产精品99久久久久久久久| 国产黄色小视频在线观看| 国产精品不卡视频一区二区| 亚洲av一区综合| 色5月婷婷丁香| a级毛片a级免费在线| 成人精品一区二区免费| 久久久久久大精品| 亚洲无线观看免费| 日本免费a在线| 国产免费男女视频| 99国产精品一区二区蜜桃av| 成年版毛片免费区| 国模一区二区三区四区视频| 亚洲国产高清在线一区二区三| a在线观看视频网站| 在线a可以看的网站| 中国美女看黄片| 看十八女毛片水多多多| 在线观看午夜福利视频| 在线天堂最新版资源| 午夜免费激情av| 欧美三级亚洲精品| 在线免费十八禁| 老熟妇仑乱视频hdxx| 成人性生交大片免费视频hd| 波多野结衣高清无吗| bbb黄色大片| 悠悠久久av| 人妻少妇偷人精品九色| 久久久午夜欧美精品| 亚洲人成伊人成综合网2020| 亚洲欧美日韩无卡精品| 久久久国产成人精品二区| 亚洲成人精品中文字幕电影| 欧美中文日本在线观看视频| 最新中文字幕久久久久| 国产在视频线在精品| 高清日韩中文字幕在线| 黄色欧美视频在线观看| a级毛片免费高清观看在线播放| 亚洲av中文字字幕乱码综合| 亚洲最大成人av| 在线观看舔阴道视频| 免费看美女性在线毛片视频| 欧美激情久久久久久爽电影| 在线观看午夜福利视频| 三级国产精品欧美在线观看| 午夜激情欧美在线| 深夜a级毛片| 老司机福利观看| 黄片wwwwww| 亚洲国产精品久久男人天堂| 亚洲av美国av| 成人欧美大片| 乱人视频在线观看| 欧美人与善性xxx| 天美传媒精品一区二区| 一个人看的www免费观看视频| 精品久久久久久久末码| 国产一级毛片七仙女欲春2| 国产欧美日韩一区二区精品| 久久久午夜欧美精品| 国产69精品久久久久777片| 美女免费视频网站| 又爽又黄a免费视频| 亚洲av免费在线观看| 免费观看精品视频网站| 亚洲狠狠婷婷综合久久图片| 久久精品国产亚洲av涩爱 | av在线天堂中文字幕| 成人永久免费在线观看视频| 夜夜爽天天搞| 精品一区二区三区视频在线观看免费| 熟女人妻精品中文字幕| 村上凉子中文字幕在线| 亚洲美女搞黄在线观看 | 久久九九热精品免费| 成人av一区二区三区在线看| 国产日本99.免费观看| 99国产极品粉嫩在线观看| 国产单亲对白刺激| 久久99热这里只有精品18| 国产综合懂色| 国国产精品蜜臀av免费| 搞女人的毛片| 成人无遮挡网站| 不卡一级毛片| 亚洲人成伊人成综合网2020| 久久精品国产自在天天线| 国产av一区在线观看免费| 国产成年人精品一区二区| 国产精品电影一区二区三区| 国内毛片毛片毛片毛片毛片| 日韩中字成人| 欧美高清性xxxxhd video| 色吧在线观看| 小蜜桃在线观看免费完整版高清| 超碰av人人做人人爽久久| 国产毛片a区久久久久| 亚洲精品影视一区二区三区av| 精品不卡国产一区二区三区| 在线免费十八禁| av天堂在线播放| 亚洲av不卡在线观看| 亚洲美女视频黄频| 午夜精品一区二区三区免费看| 亚洲无线在线观看| 成人高潮视频无遮挡免费网站| 免费搜索国产男女视频| 日本黄大片高清| 18禁黄网站禁片午夜丰满| 国产 一区精品| 日本一本二区三区精品| 久久精品影院6| 亚洲成av人片在线播放无| 欧美日韩乱码在线| 国产老妇女一区| 国产淫片久久久久久久久| 国产男靠女视频免费网站| 老司机福利观看| 丰满人妻一区二区三区视频av| 99久久精品一区二区三区| 国产精品女同一区二区软件 | 简卡轻食公司| 亚洲精品日韩av片在线观看| 九色国产91popny在线| 国产精品日韩av在线免费观看| 内射极品少妇av片p| videossex国产| 欧美一区二区精品小视频在线| 干丝袜人妻中文字幕| www.色视频.com| 欧美潮喷喷水| 两个人视频免费观看高清| 99视频精品全部免费 在线| 乱系列少妇在线播放| 亚洲成人精品中文字幕电影| 中文字幕人妻熟人妻熟丝袜美| 女生性感内裤真人,穿戴方法视频| 欧美激情国产日韩精品一区| 久久久久国内视频| 大型黄色视频在线免费观看| 中文字幕免费在线视频6| 日本精品一区二区三区蜜桃| 中国美白少妇内射xxxbb| 最近最新免费中文字幕在线| 中文字幕av成人在线电影| 特大巨黑吊av在线直播| 波多野结衣高清作品| 欧美日韩国产亚洲二区| 国产成人影院久久av| 成人国产一区最新在线观看| 国产精品久久电影中文字幕| 99在线人妻在线中文字幕| 一个人看视频在线观看www免费| 性色avwww在线观看| 97碰自拍视频| 色尼玛亚洲综合影院| 国产一区二区在线av高清观看| 国产精品乱码一区二三区的特点| 久久国内精品自在自线图片| 99国产极品粉嫩在线观看| 别揉我奶头 嗯啊视频| 国产一区二区激情短视频| 久久久久国产精品人妻aⅴ院| 午夜精品在线福利| 精品久久久久久,| 老女人水多毛片| 最近视频中文字幕2019在线8| .国产精品久久| 国产精品美女特级片免费视频播放器| 在线观看一区二区三区| av专区在线播放| 一区二区三区四区激情视频 | 国产视频一区二区在线看| 在线免费观看不下载黄p国产 | 日韩一区二区视频免费看| 成人午夜高清在线视频| 色哟哟哟哟哟哟| 国产精品伦人一区二区| 免费不卡的大黄色大毛片视频在线观看 | 成年版毛片免费区| 精品人妻熟女av久视频| 热99在线观看视频| 真人做人爱边吃奶动态| 免费人成视频x8x8入口观看| 久久热精品热| 日本在线视频免费播放| 中文字幕熟女人妻在线| 国产熟女欧美一区二区| 免费看av在线观看网站| 亚洲一级一片aⅴ在线观看| 搡老熟女国产l中国老女人| 高清毛片免费观看视频网站| 色在线成人网| 欧美一级a爱片免费观看看| 精品免费久久久久久久清纯| 悠悠久久av| 亚洲avbb在线观看| 欧美日韩中文字幕国产精品一区二区三区| 国产精品1区2区在线观看.| 非洲黑人性xxxx精品又粗又长| 日韩欧美一区二区三区在线观看| 亚洲成av人片在线播放无| 18禁裸乳无遮挡免费网站照片| 最好的美女福利视频网| 九色国产91popny在线| 日本免费a在线| av在线蜜桃| 成人亚洲精品av一区二区| 女生性感内裤真人,穿戴方法视频| 亚洲色图av天堂| 国产中年淑女户外野战色| 黄色女人牲交| 欧美日本视频| 亚洲av免费高清在线观看| www日本黄色视频网| 国产av麻豆久久久久久久| 亚洲五月天丁香| 精品人妻1区二区| 十八禁国产超污无遮挡网站| 亚洲av第一区精品v没综合| 国产一区二区三区视频了| 国产精品久久久久久久久免| 国产精品三级大全| 一级黄色大片毛片| 干丝袜人妻中文字幕| 国产亚洲91精品色在线| 亚洲国产精品合色在线| 51国产日韩欧美| 一进一出好大好爽视频| 五月玫瑰六月丁香| av在线亚洲专区| 在现免费观看毛片| 成人国产麻豆网| 91在线观看av| 成年人黄色毛片网站| 婷婷色综合大香蕉| 小蜜桃在线观看免费完整版高清| 国产成人影院久久av| 亚洲精品日韩av片在线观看| 美女被艹到高潮喷水动态| 中国美女看黄片| 少妇人妻一区二区三区视频| 日韩大尺度精品在线看网址| 久久亚洲真实| 国产男靠女视频免费网站| 午夜精品一区二区三区免费看| 色播亚洲综合网| av中文乱码字幕在线| 亚洲欧美日韩高清在线视频| 久久亚洲真实| 男女啪啪激烈高潮av片| 亚洲欧美精品综合久久99| 丰满人妻一区二区三区视频av| 国产伦一二天堂av在线观看| 别揉我奶头~嗯~啊~动态视频| 国产 一区精品| 最近最新中文字幕大全电影3| 久久久久久大精品| 在线a可以看的网站| 久久草成人影院| 成人特级av手机在线观看| 免费观看在线日韩| 精品久久久久久成人av| 黄色视频,在线免费观看| 99久久久亚洲精品蜜臀av| 中文字幕人妻熟人妻熟丝袜美| 狠狠狠狠99中文字幕|