• <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 ?

    改進YOLOv4算法的復(fù)雜視覺場景行人檢測方法

    2021-09-10 08:21:48康帥章堅武朱尊杰童國鋒
    電信科學(xué) 2021年8期
    關(guān)鍵詞:行人卷積特征

    康帥,章堅武,朱尊杰,童國鋒

    (1.杭州電子科技大學(xué),浙江 杭州 310018;2.紹興供電公司柯橋供電分公司,浙江 紹興 330600)

    1 引言

    行人檢測是近年來計算機視覺領(lǐng)域的研究熱點,同時也是目標檢測領(lǐng)域中的難點。其目的是識別和定位圖像中存在的行人,在許多領(lǐng)域中都有廣泛的應(yīng)用[1]。交通安全方面,無人駕駛汽車通過提前檢測到行人及時避讓來避免交通事故的發(fā)生;安防保護方面,通過行人檢測來防止可疑人員進入;公共場所管理方面,通過行人檢測統(tǒng)計人流量數(shù)據(jù),優(yōu)化人力物力等資源的分配[2]。

    傳統(tǒng)檢測方法利用的大部分特征都是通過手工設(shè)計的。Viola和 Jones[3]在 2001年采用Haar+AdaBoost的人臉檢測框架進行行人檢測。Dalal和 Triggs[4]在2005年提出了 HOG+SVM 的框架來檢測行人。隨后研究者將局部二值模式特征與方向梯度直方圖(histogram of oriented gradient,HOG)相結(jié)合,采用隨機森林作分類,構(gòu)建了能夠處理部分遮擋問題的行人檢測模型[5]。2014年有學(xué)者結(jié)合了積分直方圖、梯度直方圖和Haar-like等的特征,將聚合通道特征[6]用于行人檢測。雖然上述傳統(tǒng)的檢測方法對行人檢測都有了不同程度的改進,但是檢測效果的好壞取決于設(shè)計者的先驗知識,并沒有很好地利用大數(shù)據(jù)的優(yōu)勢,對于復(fù)雜場景下行人目標多樣性變化的情況算法魯棒性較差。

    隨著深度學(xué)習(xí)的發(fā)展,越來越多的研究者開始使用深度學(xué)習(xí)進行目標檢測?;谏疃葘W(xué)習(xí)的檢測方法比傳統(tǒng)方法的檢測性能更好,可以自主地從訓(xùn)練的數(shù)據(jù)集中學(xué)習(xí)不同層次的特征。該方法主要可以分成兩類:第一類是基于候選區(qū)域的方法,代表性的有2014年提出的基于區(qū)域的卷積神經(jīng)網(wǎng)絡(luò)(R-CNN)[7]目標檢測框架,以及在此基礎(chǔ)上改進的快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(Fast R-CNN)[8]、更快速區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(Faster R-CNN)[9]?;诤蜻x區(qū)域的檢測方法雖然準確率有所提高,但是檢測速度慢,很難達到實時性的要求。第二類是基于回歸的方法,如YOLO[10]、RetinaNet[11]、SSD[12]等方法,這類方法不再使用區(qū)域候選網(wǎng)絡(luò),而將檢測轉(zhuǎn)化為回歸問題,提高了網(wǎng)絡(luò)的檢測速度,但是沒有候選區(qū)域方法的檢測效果好。YOLOv4作為YOLO系列算法中較新的模型,在許多方面進行了優(yōu)化,實現(xiàn)了速度與精度的最佳平衡[13]。為了使YOLOv4算法更適用于特定目標的檢測,研究人員往往對通用的目標檢測算法進行改進。李彬等[14]針對航空發(fā)動機部件表面特征不明顯的問題,巧妙增加小卷積層來改進YOLOv4算法,提高了網(wǎng)絡(luò)對部件表面缺陷檢測的精度。Lee等[15]提出了一種兩階段時尚服裝檢測方法(YOLOv4 two-phase detection,YOLOv4-TPD)對服裝圖像進行檢測,效果優(yōu)于原始網(wǎng)絡(luò)模型。Wu等[16]為使采摘機器人能夠在復(fù)雜背景下快速準確地檢測蘋果,從數(shù)據(jù)增強和YOLOv4骨干網(wǎng)兩方面進行改進,在降低網(wǎng)絡(luò)計算復(fù)雜度的同時提高了檢測性能。Fu等[17]針對自建海洋目標數(shù)據(jù)集檢測效果差的問題,在YOLOv4模型中加入卷積注意力模塊,對海洋小目標、多目標有了更好的檢測效果。本文檢測的目標是行人,主要針對現(xiàn)實復(fù)雜視覺場景中檢測精度不高、行人漏檢嚴重的問題,對原始YOLOv4[18]算法做了改進。

    現(xiàn)實場景中行人檢測的難點:復(fù)雜的光照情況,過暗或者過曝導(dǎo)致無法檢測到行人;不同的天氣情況(如暴雨、霧霾等)影響視線,對檢測存在干擾;擁擠場景中,行人存在不同程度的遮擋,導(dǎo)致漏檢嚴重;行人姿態(tài)多變,大小尺寸差別大;圖像模糊、分辨率低等使檢測不準確。

    為了提高復(fù)雜視覺場景下行人的檢測性能,本文采用改進的YOLOv4算法進行行人檢測的研究。首先,收集不同復(fù)雜環(huán)境情況下的圖片來構(gòu)建行人數(shù)據(jù)集(包括復(fù)雜光照、不同天氣、不同程度遮擋、不同視角、低分辨率和模糊圖片等);其次,采用先驗框和聚類中心的交并比(intersection over union,IOU)作為K-means[19]算法參數(shù),對不同尺度的錨框重新聚類,獲得先驗框;再次,在原來的CSPDarkNet53特征提取網(wǎng)絡(luò)中加入混合空洞卷積(hybrid dilated convolution,HDC)[20]模塊,提高行人檢測的準確度。同時提出空間鋸齒空洞卷積(spatial jagged dilated convolution,SJDC)結(jié)構(gòu),代替原算法中的空間金字塔池化(spatial pyramid pooling,SPP)[21]結(jié)構(gòu),降低復(fù)雜視覺場景下行人檢測的漏檢率;最后,使用測試集檢測本文中兩種不同改進后算法的性能,并與參考文獻[14]改進的YOLOv4算法、原YOLOv4算法以及常用的YOLOv3[22]算法進行對比。

    2 YOLOv4目標檢測算法

    YOLOv4算法在之前的算法基礎(chǔ)上增加了許多優(yōu)化方法,包括骨干網(wǎng)絡(luò)、激活函數(shù)、損失函數(shù)、網(wǎng)絡(luò)訓(xùn)練、數(shù)據(jù)處理等方面的優(yōu)化。YOLOv4的網(wǎng)絡(luò)結(jié)構(gòu)主要有 3個部分:骨干網(wǎng)絡(luò)(CSPDarkNet53)、頸部(neck)、頭部(head)[18]。

    · YOLOv4骨干網(wǎng)絡(luò)采用的 CSPDarkNet53是 DarkNet53的改進版本,不僅解決了梯度消失的問題,增強了模型的學(xué)習(xí)能力,還減少了網(wǎng)絡(luò)參數(shù),降低了模型訓(xùn)練的代價。CSPDarkNet53中使用的激活函數(shù)是Mish激活函數(shù),與傳統(tǒng)的負值硬零邊界的ReLU相比,Mish函數(shù)使網(wǎng)絡(luò)具有更好的泛化性和準確性。

    · 頸部采用路徑聚合網(wǎng)絡(luò) PANet[23],相比于YOLOv3中的特征金字塔網(wǎng)絡(luò)FPN增加了一個自底向上的特征金字塔,從主干網(wǎng)絡(luò)的不同層聚合不同的特征,增強網(wǎng)絡(luò)的特征提取能力。同時引入SPP作為附加模塊,增大了網(wǎng)絡(luò)的感受野,進一步將重要的上下文特征信息提取出來。

    · YOLOv4網(wǎng)絡(luò)的頭部還是沿用YOLOv3。損失函數(shù)方面,不再使用YOLOv3的均方誤差(mean square error,MSE)作為回歸框預(yù)測誤差,而是使用 CIOU(complete intersection over union)誤差,具體如式(1)~式(3):

    其中, I OU(a,b)是真實框和預(yù)測框的交并比,ρ2(actr,bctr)是真實框和預(yù)測框中心點的歐氏距離,d是包含真實框和預(yù)測框的最小框的對角線距離。wgt、w、hgt、h分別是真實框和預(yù)測框的寬、高。

    對于網(wǎng)絡(luò)訓(xùn)練的正則化方式,采用Dropblock的方式線性增加特征圖部分區(qū)域清零的比率,效果比傳統(tǒng)的 Dropout更好。對于數(shù)據(jù)集小、中、大目標數(shù)目不均衡的問題,YOLOv4引入了Mosaci數(shù)據(jù)增強的方式,這種方式隨機使用4張圖片進行縮放、拼接,極大地豐富了數(shù)據(jù)集。

    3 對YOLOv4算法的改進

    3.1 改進后的網(wǎng)絡(luò)框架

    與原YOLOv4網(wǎng)絡(luò)不同的是,本文在主干網(wǎng)CSPDarkNet53中加入HDC模塊,提高了網(wǎng)絡(luò)的特征提取能力。同時,提出 SJDC結(jié)構(gòu)代替 SPP結(jié)構(gòu),獲取更多的細節(jié)特征。改進后的 YOLOv4網(wǎng)絡(luò)結(jié)構(gòu)如圖1所示。

    圖1 改進后的YOLOv4網(wǎng)絡(luò)結(jié)構(gòu)

    3.2 HDC網(wǎng)絡(luò)結(jié)構(gòu)

    YOLOv4特征提取網(wǎng)絡(luò)在檢測時,淺層的網(wǎng)絡(luò)特征為模型提供目標的位置信息,深層的網(wǎng)絡(luò)特征為模型提供語義信息。淺層特征包含更多的位置信息,但感受野較深層特征更小一些。傳統(tǒng)的網(wǎng)絡(luò)中一般采用池化來增加感受野。但是采用池化的方式存在一個很大的缺點:在增加感受野的同時,往往會降低特征圖的分辨率。

    為了更好地提升模型的檢測能力,引入了空洞卷積(dilated convolution,DC)[24],通過空洞卷積來增大淺層特征圖的感受野,捕獲更多尺度的上下文信息??斩淳矸e與普通卷積的不同點在于卷積核中填充了0。根據(jù)空洞率的不同,填充0的個數(shù)也不同,感受野也不同,從而獲得更多不同尺度的特征信息。空洞卷積的感受野與卷積核的計算方法為:

    其中,xn是空洞卷積的卷積核大小,xk是原卷積核大小,Dr為空洞率。

    其中,ym為第m層每個點的感受野,ym-1是第m-1層每個點的感受野,xm是第m層卷積的卷積核大小,si是第i層卷積的步長。

    因為空洞卷積有著類似棋盤的計算方式,單加入一個尺度的空洞卷積會使局部的信息丟失,并且遠距離得到的信息之間沒有關(guān)聯(lián)性,如圖2所示。因此本文在CSPDarkNet53中引入HDC模塊,將不同空洞率的空洞卷積進行融合。在不增加訓(xùn)練參數(shù)以及損失特征圖分辨率的前提下,增大特征層的感受野,使特征提取網(wǎng)絡(luò)能夠獲得更豐富的特征信息,增強對行人目標的檢測效果。本文設(shè)計的HDC模塊如圖3所示。

    圖2 空洞率為2的空洞卷積

    圖3 HDC模塊

    當空洞系數(shù)為Dr時,即在卷積核中加入(Dr-1)個空洞。特征圖輸入空洞卷積模塊中,采用3×3的卷積核,當Dr=2時,感受野變?yōu)?×7。再進行Dr=3的空洞卷積將感受野變?yōu)?9×19。不同層的特征進行直接融合,以獲得更加廣泛的圖像特征,增強特征提取網(wǎng)絡(luò)對于行人目標的特征提取能力。改進后的骨干網(wǎng)如圖4所示。

    圖4 引入HDC后的骨干網(wǎng)結(jié)構(gòu)

    3.3 SJDC網(wǎng)絡(luò)結(jié)構(gòu)

    YOLOv4中從主干網(wǎng) CSPDarkNet53輸出的特征層經(jīng)過3次卷積后進入SPP結(jié)構(gòu)。在SPP結(jié)構(gòu)中利用4個不同尺度的最大池化1×1、5×5、9×9、13×13進行處理,增加感受野,分離出顯著的上下文特征。但是這樣會損失掉一些細節(jié)特征信息,使模型的漏檢率過高,漏檢的行人目標過多。SPP的結(jié)構(gòu)如圖5所示。

    圖5 SPP的結(jié)構(gòu)

    本文提出SJDC結(jié)構(gòu)代替SPP結(jié)構(gòu),在保持特征圖大小不變的情況下,使網(wǎng)絡(luò)能獲得更多的特征信息提高目標檢測的效果。SJDC網(wǎng)絡(luò)的設(shè)計思想類似SPP,區(qū)別在于SJDC將輸入的特征層分為4路,其中3個分別進行系數(shù)為2、5、7的鋸齒狀的空洞卷積變換,獲得不同尺度的特征信息。

    同時采用Mish作為激活函數(shù),表達式見式(6),這種自正則的非單調(diào)性平滑的激活函數(shù)可以使模型得到更好的準確性和泛化性。

    考慮到如果直接將得到的多尺度信息進行融合會有許多重復(fù)的特征信息,增大了計算的成本,因此本文提出的 SJDC結(jié)構(gòu)在信息融合之前進行了一個冗余信息剔除的操作,剔除后進行融合得到特征的提取結(jié)果。這種網(wǎng)絡(luò)結(jié)構(gòu)的變化有效地降低了網(wǎng)絡(luò)的漏檢率,使復(fù)雜視覺場景下漏檢的行人人數(shù)大大減少。SJDC結(jié)構(gòu)如圖6所示。

    圖6 SJDC結(jié)構(gòu)

    3.4 K-means聚類

    考慮到初始的先驗框是在VOC數(shù)據(jù)集的標注框上聚類得到的,該數(shù)據(jù)集的物體種類有20種,而且物體長與寬的比例差別很大,與本文使用的行人數(shù)據(jù)集中的實際邊界框存在很大的差別。如果直接使用YOLOv4的先驗框會造成很大的漏檢率。因此,本文采用K-means聚類算法重新對訓(xùn)練集中標注的行人尺寸進行聚類分析,獲取最優(yōu)的聚類結(jié)果。本文自建的數(shù)據(jù)集中行人的尺寸大小差距大,使用框與框中心點的歐氏距離作為候選框和真實框之間的誤差會影響大尺寸標簽的聚類結(jié)果,所以采用先驗框和聚類中心的交并比IOU作為K-means聚類的參數(shù),反映真實框和候選框之間的差距。計算聚類距離的公式如下:

    其中,box為樣本的先驗框,center為行人類的聚類中心[25]。經(jīng)過實驗,得到本文改進的YOLOv4算法候選框的初始大小為[11 29, 16 47, 24 62, 31 97, 52 119, 66 204, 109 249, 184 316, 309 381]。將寬和高歸一化到 0~1,得到聚類結(jié)果如圖7所示。

    圖7 聚類結(jié)果分布

    4 模型訓(xùn)練與調(diào)整

    4.1 數(shù)據(jù)來源

    目前目標檢測常用的是 VOC2007和VOC2012[26]數(shù)據(jù)集,其中包含20個類別,從中挑選出包含行人目標的圖片。為了更符合真實復(fù)雜場景,從 USC Pedestrian Detection Test Set、Caltech Pedestrian Detection Benchmark[27]以及 CUHK Occusion Pedstrian[28]3個公開行人數(shù)據(jù)集中挑選出部分圖片加入本實驗數(shù)據(jù)集中進行擴充。USC Pedestrian Detection Test Set行人數(shù)據(jù)庫包括各種視角的行人、行人之間相互遮擋以及無相互遮擋的情況。Caltech Pedestrian Detection Benchmark行人數(shù)據(jù)庫是車載攝像頭視角下的數(shù)據(jù)集,不僅存在不同狀況的光照變化,同時行人之間也有不同程度的遮擋。CUHK Occusion Pedstrian數(shù)據(jù)集可用于擁擠場景中的行人目標檢測。對數(shù)據(jù)集進行篩選,構(gòu)建出本實驗所需的行人數(shù)據(jù)集,共5 329張。由于公開數(shù)據(jù)集中的標注存在漏標和標注不符合預(yù)期的情況,因此,使用labelimge工具對數(shù)據(jù)集重新進行標注獲得新的行人數(shù)據(jù)集。

    4.2 數(shù)據(jù)集增強

    本文所選的數(shù)據(jù)集中考慮了視角、遮擋、光照,但是并沒有將復(fù)雜的天氣因素考慮進去,如霧霾、暴雨等,這些因素也會影響模型的檢測效果。為了更好地適應(yīng)真實場景,本文從數(shù)據(jù)集中隨機挑選出500張圖片進行加霧、500張圖片進行加雨實現(xiàn)數(shù)據(jù)增強。圖8(a)、圖8(c)是未處理的圖片,圖8(b)是加霧處理后的圖片,圖8(d)是加雨處理后的圖片。將處理過后的圖片加入數(shù)據(jù)集中形成包含6 329張行人圖片的新數(shù)據(jù)集。行人數(shù)據(jù)集中各種情況分布如圖9所示。將該數(shù)據(jù)集以8:2的比例劃分,其中訓(xùn)練集包括5 063張圖片,測試集包括1 266張圖片。

    圖8 加霧加雨處理圖片對比

    圖9 自建行人數(shù)據(jù)集中復(fù)雜視覺場景分布情況

    4.3 模型的訓(xùn)練參數(shù)設(shè)置調(diào)整

    本文在Ubuntu16.04操作系統(tǒng)進行實驗,計算機內(nèi)存為24 GB、顯卡為TAITAN,采取從頭開始訓(xùn)練的方式。每個網(wǎng)絡(luò)訓(xùn)練 150 epochs,輸入分辨率為608 dpi×608 dpi,根據(jù)網(wǎng)絡(luò)參數(shù)和GPU內(nèi)存大小調(diào)整batch_size為8。為防止過擬合,采用余弦退火衰減來實現(xiàn)訓(xùn)練過程中學(xué)習(xí)率的變化。將原始的學(xué)習(xí)率設(shè)置為0.000 1,學(xué)習(xí)率的最高值設(shè)為0.001,當學(xué)習(xí)率線性增長到最高值后保持一段時間不變,然后將模擬余弦函數(shù)的下降趨勢進行衰減。余弦退火的衰減式如式(8):

    其中,λmax和λmin表示學(xué)習(xí)率的最大值和最小值,Tcur表示當前執(zhí)行了多少 epoch,Ti表示模型訓(xùn)練的總epoch數(shù)目。

    5 實驗結(jié)果與分析

    5.1 模型評估指標

    本文采用對數(shù)平均漏檢率(log-average miss rate,LAMR)、平均精度 A Pperson( average precision)對目標檢測網(wǎng)絡(luò)進行比較。

    (1)對數(shù)平均漏檢率LAMR

    LAMR可以表明數(shù)據(jù)集中測試集的漏檢情況。LAMR越大,漏檢行人數(shù)量越多,LAMR越小,漏檢行人數(shù)量越少。

    (2)平均精度 A Pperson

    用 A Pperson來表示行人類檢測的平均精度。N( TP)person表示正確檢測出行人的數(shù)量,N(Object)person表示該圖片中實際的行人數(shù)量,N(Images)person表示測試圖片中含有的行人數(shù)量。APperson越大,模型的誤檢和漏檢就越少。

    5.2 不同算法的檢測效果對比

    5.2.1 HDC-YOLOv4

    針對復(fù)雜視覺場景下,行人檢測中模型檢測出的目標準確度不高的問題,本文在骨干網(wǎng)中加入HDC網(wǎng)絡(luò)提高目標置信度。使用一階目標檢測領(lǐng)域常用的網(wǎng)絡(luò)YOLOv3、YOLOv4原網(wǎng)絡(luò)與本文加入HDC之后的YOLOv4進行對比。分別設(shè)置閾值IOU為0.5、0.6、0.7、0.8,得到相應(yīng)的 A Pperson值,見表1。相比于原來的YOLOv4模型,改進HDC-YOLOv4在閾值為0.5、0.6、0.7、0.8時, A Pperson值分別提高了2.07%、2.50%、2.98%、2.44%。在不同閾值的情況下,相比YOLOv3以及原來的網(wǎng)絡(luò)都有了提高。主要原因是加入 HDC后更有利于行人特征的提取,能夠提高該算法對復(fù)雜場景下行人特征的識別度。

    表1 3種網(wǎng)絡(luò)模型在不同閾值下的APperson對比

    為驗證其有效性,將IOU設(shè)置為0.5,從測試集中選取2個特殊情況下的圖片進行測試,圖10和圖11是3個檢測網(wǎng)絡(luò)的對比。商場服裝店前的模糊圖片檢測效果對比如圖10所示,圖片比較模糊且行人與店內(nèi)懸掛的衣服有很大的相似性,導(dǎo)致YOLOv3和YOLOv4都產(chǎn)生了誤檢,本文改進的 HDC-YOLOv4在復(fù)雜環(huán)境下精確地檢測出了右側(cè)的2個行人,并且置信度較高。雨天圖片過暗檢測效果對比如圖11所示,圖片光照過暗并且做了模擬下雨的圖像增強操作,對視線產(chǎn)生了干擾,行人幾乎與背景融為一體很難被識別檢測到,YOLOv3和YOLOv4均無法檢測出該復(fù)雜場景下的行人,改進的HDC-YOLOv4檢測出了1個行人,但距離較遠、目標更小、更模糊的也未能檢測出。因此,本文改進的算法仍然有提升的空間??傮w看來,在一些特殊復(fù)雜場景下,加入HDC的YOLOv4網(wǎng)絡(luò)對行人檢測的準確度都有很大的提高。

    圖10 服裝店前的模糊圖片檢測效果對比

    圖11 雨天圖片過暗檢測效果對比

    5.2.2 SJDC-YOLOv4

    除了檢測準確度不高的問題以外,復(fù)雜視覺場景下行人檢測還存在嚴重的漏檢問題,本文提出SJDC結(jié)構(gòu)代替SPP結(jié)構(gòu)來解決行人的漏檢問題。在本文制作的數(shù)據(jù)集上使用 YOLOv3、YOLOv4和改進SJDC-YOLOv4模型進行對比,實驗結(jié)果見表2。結(jié)果表明,對于復(fù)雜情況下的行人檢測,加入SJDC結(jié)構(gòu)改進后的SJDC-YOLOv4比YOLOv3、YOLOv4兩個模型的LAMR都低,相比于YOLOv4原來網(wǎng)絡(luò)LAMR降低了9.7%,行人目標的漏檢情況有了很大的改善。

    表2 3種網(wǎng)絡(luò)在性能檢測漏檢情況上的對比

    從數(shù)據(jù)集中分別選取行人存在嚴重遮擋和光照嚴重不足的特殊場景的圖片,分別采用YOLOv3、YOLOv4和SJDC-YOLOv4模型進行檢測,結(jié)果如圖12和圖13所示。圖12中行人之間存在嚴重遮擋并且服裝非常相似,存在“雙重錯覺”效應(yīng),容易產(chǎn)生漏檢。YOLOv3只檢測到了8人(漏檢4人),YOLOv4檢測到了9人(漏檢3人),SJDC-YOLOv4幾乎全部檢測出來(漏檢1人)。從右邊數(shù)第2、4、6個行人由于衣服顏色與遮擋者的完全一樣,只露出很小部分的頭部,YOLOv3和 YOLOv4對這種情況存在嚴重的漏檢,改進SJDC-YOLOv4檢測出了其中的2人。光照不足情況檢測效果對比如圖13所示,圖13中右側(cè)的陰影區(qū)中光線較暗,存在建筑物的遮擋,其中一個行人距離較遠,尺寸很小并且?guī)缀跖c背景融為一體很難被檢測到。YOLOv3只檢測到最左邊的行人,YOLOv4檢測到了 2個行人。SJDC-YOLOv4不僅能夠檢測到距離較近的兩人,而且還檢測到了圖中與背景幾乎融為一體的小尺寸行人。從圖13中的結(jié)果可以看出,SJDC-YOLOv4在復(fù)雜情況下,能夠有效減少網(wǎng)絡(luò)的漏檢情況。

    圖12 行人重疊遮擋檢測效果對比

    圖13 光照不足情況檢測效果對比

    5.2.3 改進的YOLOv4算法與其他算法比較

    本文針對復(fù)雜視覺場景下行人檢測的準確度不高、漏檢嚴重2個問題進行改進,在YOLOv4主干網(wǎng) CSPDarkNet53中加入 DHC,以及提出SJDC結(jié)構(gòu)來代替SPP提升模型的檢測性能。將本文改進的檢測模型與原YOLOv4模型、參考文獻[14]改進的YOLOv4模型以及其他典型的一階檢測模型YOLOv3網(wǎng)絡(luò)進行對比,使用自建行人數(shù)據(jù)集進行實驗,具體結(jié)果見表3。從測試集中選取行人存在嚴重遮擋的圖片并模擬霧霾天氣進行加霧處理,將處理后的圖片分別采用 YOLOv3、YOLOv4、參考文獻[14]改進的 YOLOv4模型以及本文改進后的YOLOv4模型進行檢測,結(jié)果如圖14~圖15所示。

    圖14 霧霾天氣行人嚴重重疊檢測效果對比

    圖15 模糊圖片下行人尺寸差距大且存在遮擋情況檢測效果對比

    通過表3可知,在自建的行人數(shù)據(jù)集包含多種復(fù)雜環(huán)境的情況下,改進后的YOLOv4模型比原 YOLOv4模型的 APperson的值高了 7.20%,LAMR降低了13.69%。與參考文獻[14]中改進的YOLOv4算法比較APperson提高了6.08%,LAMR降低了10.64%。說明本文的改進措施可以有效地提高模型對復(fù)雜視覺場景下行人的檢測性能。

    表3 4種網(wǎng)絡(luò)在復(fù)雜視覺場景下的行人檢測效果對比

    在圖14中,首先,加霧處理對行人檢測造成了一定的困難;其次,圖片中的行人存在非常嚴重的遮擋,這種場景下很容易檢測不準確,產(chǎn)生漏檢。從圖14可看出,本文改進后的YOLOv4在檢測的準確度和漏檢情況上的表現(xiàn)都明顯優(yōu)于其他3個網(wǎng)絡(luò)。圖15中行人尺寸大小差距大,遠距離的行人目標尺寸小且非常模糊,同時被前面的行人遮擋,在該場景下,改進后的YOLOv4檢測出了全部的行人,并且準確度較高。YOLOv3網(wǎng)絡(luò)存在漏檢,YOLOv4原網(wǎng)絡(luò)和參考文獻[14]中改進的YOLOv4網(wǎng)絡(luò)雖然檢測到了全部的行人,但是檢測出的行人置信度沒有改進后的YOLOv4高。

    為驗證改進后的網(wǎng)絡(luò)對非復(fù)雜視覺場景的行人檢測是否有效,本文另外選取了2 000張非復(fù)雜場景下的行人圖片制作成數(shù)據(jù)集,并在YOLOv3、YOLOv4、參考文獻[14]改進的YOLOv4模型以及本文改進后的YOLOv4模型上重新訓(xùn)練并進行實驗對比,結(jié)果見表4。

    表4 4種網(wǎng)絡(luò)在非復(fù)雜視覺場景下的行人檢測效果對比

    由表4可知,在非復(fù)雜視覺場景下,本文改進的YOLOv4檢測效果仍比其他3個網(wǎng)絡(luò)好,但是相較于復(fù)雜視覺場景下 APperson的提升和LAMR的降低沒有那么明顯,也更加說明了本文改進的網(wǎng)絡(luò)對復(fù)雜視覺場景行人檢測的有效性。

    6 結(jié)束語

    本文提出了一種基于改進YOLOv4算法的復(fù)雜視覺場景行人檢測方法。使用先驗框和聚類中心的交并比作為K-means算法參數(shù)對行人數(shù)據(jù)進行聚類得到先驗框,在主干網(wǎng)CSPDarkNet53中加入HDC結(jié)構(gòu),提高網(wǎng)絡(luò)對復(fù)雜視覺環(huán)境下行人特征的提取能力,增加模型檢測的準確度。同時,提出 SJDC網(wǎng)絡(luò)模塊,用來代替SPP結(jié)構(gòu),獲取更多的細節(jié)特征信息,降低模型漏檢率。實驗結(jié)果表明,改進后的方法在復(fù)雜環(huán)境下具有較好的檢測效果,行人的平均精度APperson達到了90.08%,LAMR相比原網(wǎng)絡(luò)降低了 13.69%,F(xiàn)PS為 25.84 f/s。改進后的YOLOv4網(wǎng)絡(luò)在滿足實時條件的情況下,檢測準確度有所提高,漏檢率大幅降低。

    猜你喜歡
    行人卷積特征
    基于3D-Winograd的快速卷積算法設(shè)計及FPGA實現(xiàn)
    毒舌出沒,行人避讓
    意林(2021年5期)2021-04-18 12:21:17
    如何表達“特征”
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    不忠誠的四個特征
    當代陜西(2019年10期)2019-06-03 10:12:04
    路不為尋找者而設(shè)
    揚子江(2019年1期)2019-03-08 02:52:34
    基于傅里葉域卷積表示的目標跟蹤算法
    抓住特征巧觀察
    我是行人
    一種基于卷積神經(jīng)網(wǎng)絡(luò)的性別識別方法
    免费高清视频大片| 97超级碰碰碰精品色视频在线观看| 国产精品1区2区在线观看.| 757午夜福利合集在线观看| 757午夜福利合集在线观看| 老司机在亚洲福利影院| 脱女人内裤的视频| 亚洲av片天天在线观看| 国产亚洲精品一区二区www| 91老司机精品| 中文字幕av在线有码专区| 国产精品电影一区二区三区| 黑人操中国人逼视频| 亚洲自偷自拍图片 自拍| 精品久久久久久久久久免费视频| 久久国产精品人妻蜜桃| 午夜久久久久精精品| 高潮久久久久久久久久久不卡| 看免费av毛片| 国产亚洲精品综合一区在线观看 | 此物有八面人人有两片| av国产免费在线观看| 亚洲av片天天在线观看| 在线观看免费午夜福利视频| 国产成人av教育| 成年女人毛片免费观看观看9| 亚洲第一欧美日韩一区二区三区| 熟女少妇亚洲综合色aaa.| 久久人妻av系列| 久久久久久久久中文| 99国产精品一区二区三区| 夜夜看夜夜爽夜夜摸| 悠悠久久av| 免费看a级黄色片| 日韩精品青青久久久久久| 国产精品久久久久久精品电影| 欧美日韩乱码在线| 欧美成狂野欧美在线观看| 99精品久久久久人妻精品| 亚洲成人久久爱视频| 久久久久久亚洲精品国产蜜桃av| 天堂影院成人在线观看| 天堂av国产一区二区熟女人妻 | 久久久精品大字幕| 精品久久久久久久久久免费视频| 日日爽夜夜爽网站| 叶爱在线成人免费视频播放| 久久久国产精品麻豆| 亚洲乱码一区二区免费版| 国产黄片美女视频| 亚洲一区中文字幕在线| 在线观看66精品国产| 亚洲 欧美一区二区三区| 日日爽夜夜爽网站| 夜夜躁狠狠躁天天躁| 淫妇啪啪啪对白视频| 精品第一国产精品| 久久午夜综合久久蜜桃| 色综合欧美亚洲国产小说| 最新美女视频免费是黄的| 国产69精品久久久久777片 | 又黄又粗又硬又大视频| 亚洲欧美日韩无卡精品| 啪啪无遮挡十八禁网站| 欧美国产日韩亚洲一区| 亚洲精品中文字幕在线视频| 欧美日韩中文字幕国产精品一区二区三区| 国产单亲对白刺激| 国产精品98久久久久久宅男小说| 亚洲男人天堂网一区| 91国产中文字幕| 九色国产91popny在线| 夜夜看夜夜爽夜夜摸| 男女床上黄色一级片免费看| 在线看三级毛片| 亚洲成av人片在线播放无| 男人舔女人的私密视频| 一夜夜www| 可以免费在线观看a视频的电影网站| 欧美绝顶高潮抽搐喷水| www日本黄色视频网| 久久久久久久精品吃奶| 久久热在线av| 男人舔奶头视频| 国产黄a三级三级三级人| 精品欧美国产一区二区三| 午夜精品久久久久久毛片777| 日本撒尿小便嘘嘘汇集6| 亚洲,欧美精品.| 午夜激情av网站| 久久久国产成人精品二区| 日韩高清综合在线| 欧美黑人欧美精品刺激| 国产欧美日韩精品亚洲av| 国产一区二区三区在线臀色熟女| 叶爱在线成人免费视频播放| 久久久精品欧美日韩精品| 亚洲熟妇熟女久久| 国产精品自产拍在线观看55亚洲| 一二三四社区在线视频社区8| 十八禁网站免费在线| 免费高清视频大片| 亚洲国产欧美人成| 日本a在线网址| 高清毛片免费观看视频网站| 男女视频在线观看网站免费 | 啦啦啦观看免费观看视频高清| 亚洲av中文字字幕乱码综合| 啦啦啦观看免费观看视频高清| 看片在线看免费视频| 嫩草影视91久久| 欧美在线黄色| 中文字幕熟女人妻在线| 国产黄色小视频在线观看| 国产欧美日韩一区二区精品| 又爽又黄无遮挡网站| 亚洲欧美日韩高清在线视频| 欧美日韩精品网址| 三级男女做爰猛烈吃奶摸视频| 久久久久精品国产欧美久久久| 久久精品综合一区二区三区| 亚洲五月婷婷丁香| 亚洲第一电影网av| 日本a在线网址| 老汉色∧v一级毛片| 亚洲国产精品999在线| 国产精品一区二区三区四区久久| 男女视频在线观看网站免费 | 久9热在线精品视频| 一本精品99久久精品77| 日韩大尺度精品在线看网址| 777久久人妻少妇嫩草av网站| 欧美av亚洲av综合av国产av| 国产av不卡久久| 亚洲狠狠婷婷综合久久图片| 久久久久久国产a免费观看| 久久香蕉激情| netflix在线观看网站| 国产精品国产高清国产av| 99久久久亚洲精品蜜臀av| 国产午夜精品久久久久久| 欧美黑人巨大hd| 精品午夜福利视频在线观看一区| 国产v大片淫在线免费观看| 最近最新中文字幕大全电影3| 中文字幕av在线有码专区| 欧美日韩黄片免| 99久久久亚洲精品蜜臀av| 亚洲国产欧洲综合997久久,| 两性夫妻黄色片| 亚洲欧洲精品一区二区精品久久久| 日本三级黄在线观看| 亚洲av中文字字幕乱码综合| 亚洲国产欧美网| 午夜福利免费观看在线| 日韩三级视频一区二区三区| 人成视频在线观看免费观看| 亚洲aⅴ乱码一区二区在线播放 | 国产高清激情床上av| 91大片在线观看| 久久精品成人免费网站| 午夜福利视频1000在线观看| 国产69精品久久久久777片 | 亚洲午夜精品一区,二区,三区| 别揉我奶头~嗯~啊~动态视频| 久久久久久久久免费视频了| 亚洲精品一卡2卡三卡4卡5卡| 国产一区二区三区视频了| 免费看a级黄色片| 美女大奶头视频| 欧美在线一区亚洲| 国产精品久久视频播放| 嫁个100分男人电影在线观看| 91国产中文字幕| e午夜精品久久久久久久| 最新美女视频免费是黄的| 欧美绝顶高潮抽搐喷水| av中文乱码字幕在线| 一二三四社区在线视频社区8| 日韩av在线大香蕉| 午夜老司机福利片| 色综合婷婷激情| 国产精品综合久久久久久久免费| 国产成人系列免费观看| 宅男免费午夜| 哪里可以看免费的av片| 国产一区二区三区在线臀色熟女| 男女视频在线观看网站免费 | 亚洲欧美精品综合一区二区三区| 人妻夜夜爽99麻豆av| 日韩欧美 国产精品| 999久久久国产精品视频| 亚洲18禁久久av| av超薄肉色丝袜交足视频| 国产成人av教育| 制服人妻中文乱码| 最新美女视频免费是黄的| 国语自产精品视频在线第100页| 午夜福利18| 视频区欧美日本亚洲| 国产av又大| 国产在线精品亚洲第一网站| 国产免费男女视频| 伊人久久大香线蕉亚洲五| 床上黄色一级片| 久久久精品国产亚洲av高清涩受| 日本三级黄在线观看| 黄色 视频免费看| 久久久久久久久久黄片| 久久九九热精品免费| 亚洲 欧美一区二区三区| 大型黄色视频在线免费观看| 哪里可以看免费的av片| 啦啦啦免费观看视频1| 亚洲一码二码三码区别大吗| 在线播放国产精品三级| 久久 成人 亚洲| 国产探花在线观看一区二区| 精品一区二区三区视频在线观看免费| 国产亚洲精品久久久久久毛片| 日本在线视频免费播放| 99国产精品一区二区三区| av天堂在线播放| 亚洲欧美一区二区三区黑人| 日韩高清综合在线| 欧美成人一区二区免费高清观看 | 国产视频内射| 搡老熟女国产l中国老女人| 国产蜜桃级精品一区二区三区| 最近在线观看免费完整版| 一本一本综合久久| 又大又爽又粗| 亚洲五月天丁香| 俺也久久电影网| 国产成人av教育| 女人被狂操c到高潮| 国产69精品久久久久777片 | 日韩av在线大香蕉| 亚洲avbb在线观看| 一本大道久久a久久精品| 婷婷精品国产亚洲av| 一区二区三区高清视频在线| 全区人妻精品视频| 18禁国产床啪视频网站| 俺也久久电影网| 欧美大码av| 麻豆成人av在线观看| 精品久久久久久,| 免费看美女性在线毛片视频| 久久草成人影院| 欧美乱码精品一区二区三区| 精品久久久久久,| 狠狠狠狠99中文字幕| 国产97色在线日韩免费| 一边摸一边做爽爽视频免费| 一进一出好大好爽视频| bbb黄色大片| 亚洲自偷自拍图片 自拍| 一级作爱视频免费观看| 看免费av毛片| 国产精品影院久久| 欧美在线一区亚洲| 国内精品久久久久精免费| 国产精品久久电影中文字幕| 国产精品一区二区精品视频观看| 亚洲美女黄片视频| 久久中文字幕人妻熟女| 久久久精品国产亚洲av高清涩受| 正在播放国产对白刺激| 最新美女视频免费是黄的| 欧美不卡视频在线免费观看 | 毛片女人毛片| 午夜福利在线观看吧| 天堂av国产一区二区熟女人妻 | 免费在线观看完整版高清| 香蕉国产在线看| 可以在线观看毛片的网站| 久久久久久九九精品二区国产 | 真人做人爱边吃奶动态| 久久久久久九九精品二区国产 | 国产成人av激情在线播放| 亚洲中文字幕一区二区三区有码在线看 | 精品久久久久久久毛片微露脸| 亚洲免费av在线视频| 欧美激情久久久久久爽电影| 亚洲成人免费电影在线观看| 在线观看一区二区三区| 久久午夜亚洲精品久久| 人人妻人人看人人澡| 在线视频色国产色| 免费搜索国产男女视频| 欧美国产日韩亚洲一区| 波多野结衣高清无吗| 国产黄色小视频在线观看| 久久草成人影院| 好看av亚洲va欧美ⅴa在| 最好的美女福利视频网| 99在线视频只有这里精品首页| 三级男女做爰猛烈吃奶摸视频| 免费观看人在逋| 精品高清国产在线一区| 午夜福利免费观看在线| 中文字幕av在线有码专区| 免费高清视频大片| 国产在线精品亚洲第一网站| 亚洲男人天堂网一区| 久久久久精品国产欧美久久久| 午夜福利欧美成人| 亚洲欧美激情综合另类| 亚洲成av人片在线播放无| 久久久久久免费高清国产稀缺| 成人手机av| 高潮久久久久久久久久久不卡| 不卡一级毛片| 亚洲av日韩精品久久久久久密| 久久性视频一级片| 亚洲中文日韩欧美视频| 亚洲国产精品sss在线观看| 久久亚洲真实| 欧美大码av| 此物有八面人人有两片| 国产成人精品久久二区二区91| 亚洲男人的天堂狠狠| netflix在线观看网站| 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| 国内久久婷婷六月综合欲色啪| 国产午夜福利久久久久久| 天堂√8在线中文| 国产69精品久久久久777片 | 成人国产综合亚洲| 深夜精品福利| 可以免费在线观看a视频的电影网站| 亚洲中文字幕日韩| 亚洲中文av在线| 亚洲avbb在线观看| 天天躁夜夜躁狠狠躁躁| 免费人成视频x8x8入口观看| 丰满人妻熟妇乱又伦精品不卡| 999久久久国产精品视频| 亚洲一码二码三码区别大吗| 97超级碰碰碰精品色视频在线观看| 精品不卡国产一区二区三区| 十八禁网站免费在线| 欧美乱妇无乱码| 91在线观看av| 国产亚洲欧美在线一区二区| 久久久久久久久中文| 久久久久久久午夜电影| 久久精品国产综合久久久| 九色成人免费人妻av| 免费观看精品视频网站| 女生性感内裤真人,穿戴方法视频| 免费观看精品视频网站| 亚洲中文av在线| 国产1区2区3区精品| 亚洲精品国产精品久久久不卡| 脱女人内裤的视频| 国产亚洲欧美在线一区二区| 麻豆一二三区av精品| 亚洲国产欧洲综合997久久,| 国产探花在线观看一区二区| 视频区欧美日本亚洲| 成人精品一区二区免费| 欧美性猛交╳xxx乱大交人| 国产成人精品久久二区二区免费| 叶爱在线成人免费视频播放| 亚洲欧美日韩东京热| 日日干狠狠操夜夜爽| 岛国在线观看网站| a级毛片在线看网站| 亚洲色图av天堂| 久久亚洲真实| 国产精品久久久久久久电影 | 欧美在线一区亚洲| 麻豆成人av在线观看| 这个男人来自地球电影免费观看| 中文亚洲av片在线观看爽| 亚洲五月婷婷丁香| 老汉色∧v一级毛片| 亚洲一卡2卡3卡4卡5卡精品中文| 嫩草影视91久久| 三级毛片av免费| 嫩草影视91久久| 国内精品久久久久久久电影| 精品久久久久久,| 久久久久国产一级毛片高清牌| 欧美av亚洲av综合av国产av| 国产成人啪精品午夜网站| 国产主播在线观看一区二区| 国产高清videossex| 一进一出好大好爽视频| 精品国产乱子伦一区二区三区| 一二三四社区在线视频社区8| 免费在线观看日本一区| 亚洲国产欧美人成| 国产亚洲精品综合一区在线观看 | 一边摸一边做爽爽视频免费| 国产欧美日韩一区二区精品| 午夜福利在线在线| 91麻豆av在线| 男女做爰动态图高潮gif福利片| 级片在线观看| 天堂动漫精品| 亚洲av中文字字幕乱码综合| 我要搜黄色片| 国产黄片美女视频| 91国产中文字幕| 国产高清视频在线播放一区| av片东京热男人的天堂| 男人舔女人下体高潮全视频| 国产又黄又爽又无遮挡在线| 亚洲精品色激情综合| 窝窝影院91人妻| or卡值多少钱| 超碰成人久久| 亚洲精品久久国产高清桃花| 人妻夜夜爽99麻豆av| 三级毛片av免费| 国产三级在线视频| 亚洲av电影不卡..在线观看| 男女下面进入的视频免费午夜| 亚洲第一电影网av| 一二三四社区在线视频社区8| 精品久久久久久久人妻蜜臀av| 最近视频中文字幕2019在线8| 久久精品国产综合久久久| 精品免费久久久久久久清纯| 黑人巨大精品欧美一区二区mp4| 香蕉国产在线看| 91字幕亚洲| 亚洲一区高清亚洲精品| 久久精品国产亚洲av香蕉五月| 黑人欧美特级aaaaaa片| 久久久久久国产a免费观看| 香蕉久久夜色| 国产精品 国内视频| 国产精品亚洲一级av第二区| 久99久视频精品免费| 国产av在哪里看| 欧美一级毛片孕妇| 他把我摸到了高潮在线观看| 亚洲精品av麻豆狂野| 欧美性猛交╳xxx乱大交人| 岛国在线观看网站| 国产精品电影一区二区三区| 亚洲av成人一区二区三| 国产蜜桃级精品一区二区三区| 一本久久中文字幕| 白带黄色成豆腐渣| 69av精品久久久久久| 中文在线观看免费www的网站 | 亚洲avbb在线观看| 搡老岳熟女国产| 97超级碰碰碰精品色视频在线观看| 日韩欧美 国产精品| 男插女下体视频免费在线播放| 免费在线观看视频国产中文字幕亚洲| 欧美日韩乱码在线| 国产精品乱码一区二三区的特点| 淫秽高清视频在线观看| 国产亚洲精品综合一区在线观看 | 中文字幕高清在线视频| videosex国产| 波多野结衣巨乳人妻| 女生性感内裤真人,穿戴方法视频| 国产激情欧美一区二区| 黄色视频不卡| 国产在线精品亚洲第一网站| 18禁国产床啪视频网站| 亚洲精品美女久久久久99蜜臀| 精品欧美国产一区二区三| 激情在线观看视频在线高清| 亚洲av熟女| 成人永久免费在线观看视频| 制服丝袜大香蕉在线| 亚洲精品av麻豆狂野| 亚洲熟妇熟女久久| 黄色a级毛片大全视频| 亚洲av熟女| 天堂影院成人在线观看| 久久国产精品人妻蜜桃| 国产爱豆传媒在线观看 | 精品国内亚洲2022精品成人| avwww免费| 欧美日韩亚洲国产一区二区在线观看| 国产亚洲精品第一综合不卡| 精品无人区乱码1区二区| 男人舔奶头视频| 美女 人体艺术 gogo| 麻豆久久精品国产亚洲av| 给我免费播放毛片高清在线观看| 中文亚洲av片在线观看爽| 午夜福利视频1000在线观看| 亚洲中文字幕日韩| 日本一二三区视频观看| 欧美成人午夜精品| 高清毛片免费观看视频网站| 亚洲人成网站在线播放欧美日韩| 18禁国产床啪视频网站| 亚洲黑人精品在线| 超碰成人久久| 大型av网站在线播放| 欧美性长视频在线观看| cao死你这个sao货| 亚洲成人免费电影在线观看| 成人手机av| 18禁观看日本| 女人被狂操c到高潮| 国产精品香港三级国产av潘金莲| 午夜久久久久精精品| 在线免费观看的www视频| 亚洲精品av麻豆狂野| 精品久久久久久久毛片微露脸| 成人一区二区视频在线观看| 视频区欧美日本亚洲| 无限看片的www在线观看| 免费搜索国产男女视频| 亚洲熟女毛片儿| 久久久国产成人免费| 91字幕亚洲| 桃色一区二区三区在线观看| 搡老岳熟女国产| 中出人妻视频一区二区| 久久精品夜夜夜夜夜久久蜜豆 | 日韩欧美在线乱码| 国产亚洲欧美在线一区二区| 在线观看美女被高潮喷水网站 | 亚洲九九香蕉| 一进一出抽搐动态| 日本免费一区二区三区高清不卡| 91av网站免费观看| 一本精品99久久精品77| 香蕉av资源在线| 欧美国产日韩亚洲一区| 久久精品国产清高在天天线| 九色国产91popny在线| 国产精品一区二区三区四区久久| 夜夜躁狠狠躁天天躁| 哪里可以看免费的av片| 亚洲中文日韩欧美视频| 久久人妻福利社区极品人妻图片| 超碰成人久久| 欧美在线一区亚洲| 亚洲人成网站在线播放欧美日韩| 亚洲成av人片免费观看| 一区二区三区高清视频在线| 99久久精品国产亚洲精品| 色噜噜av男人的天堂激情| 精品久久久久久久久久久久久| 美女高潮喷水抽搐中文字幕| 精品国内亚洲2022精品成人| 欧美一区二区国产精品久久精品 | 欧美日韩一级在线毛片| 欧美日韩精品网址| 亚洲五月天丁香| 国产精品一区二区精品视频观看| a在线观看视频网站| 亚洲人成网站在线播放欧美日韩| 老鸭窝网址在线观看| 亚洲一区二区三区色噜噜| 1024手机看黄色片| 大型黄色视频在线免费观看| 老司机午夜十八禁免费视频| 亚洲国产精品999在线| 亚洲av电影不卡..在线观看| 国产免费av片在线观看野外av| 亚洲欧美日韩高清在线视频| 欧美性猛交╳xxx乱大交人| 成年版毛片免费区| 欧美色视频一区免费| av中文乱码字幕在线| √禁漫天堂资源中文www| 亚洲熟妇中文字幕五十中出| 真人做人爱边吃奶动态| 亚洲精品中文字幕一二三四区| 亚洲人成网站在线播放欧美日韩| 免费在线观看黄色视频的| 在线视频色国产色| 中文在线观看免费www的网站 | 欧美乱码精品一区二区三区| 中亚洲国语对白在线视频| 欧美一区二区精品小视频在线| 老司机午夜福利在线观看视频| 亚洲av美国av| 亚洲av成人一区二区三| 亚洲黑人精品在线| 不卡一级毛片| 女人被狂操c到高潮| 国产精品免费一区二区三区在线| 成人国语在线视频| 亚洲精品久久成人aⅴ小说| 精品国产乱子伦一区二区三区| 一个人免费在线观看的高清视频| 中文资源天堂在线| 51午夜福利影视在线观看| 亚洲 欧美 日韩 在线 免费| 免费在线观看成人毛片| 亚洲专区中文字幕在线| 欧美极品一区二区三区四区| 深夜精品福利| 又黄又粗又硬又大视频| 18美女黄网站色大片免费观看| 天天躁夜夜躁狠狠躁躁| 校园春色视频在线观看| 亚洲精品色激情综合| 亚洲国产欧美网| 日韩av在线大香蕉| 999精品在线视频| 亚洲成a人片在线一区二区| 两个人免费观看高清视频| 国产av一区在线观看免费| 长腿黑丝高跟| 欧美性长视频在线观看| 男人的好看免费观看在线视频 |