• <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Faster R-CNN的無(wú)人機(jī)車輛目標(biāo)檢測(cè)

    2021-11-13 09:00:40劉子龍
    電子科技 2021年11期
    關(guān)鍵詞:特征提取閾值圖像

    張 瑩,劉子龍,萬(wàn) 偉

    (上海理工大學(xué) 光電信息與計(jì)算機(jī)工程學(xué)院,上海 200093)

    隨著計(jì)算機(jī)視覺(jué)技術(shù)的快速發(fā)展,民用和軍用方面的高精度目標(biāo)檢測(cè)研究需求逐漸增多,具有目標(biāo)檢測(cè)功能的無(wú)人機(jī)巡檢系統(tǒng)逐漸成為新的研究熱點(diǎn)。但是無(wú)人機(jī)視角下的車輛目標(biāo)中,小目標(biāo)數(shù)量較大,在車輛密集場(chǎng)景下會(huì)出現(xiàn)多重疊目標(biāo)、不完整目標(biāo),導(dǎo)致無(wú)人機(jī)車輛目標(biāo)檢測(cè)精度不高。本文以現(xiàn)階段目標(biāo)檢測(cè)算法為基礎(chǔ),提出一種基于無(wú)人機(jī)平臺(tái)的車輛目標(biāo)檢測(cè)解決方案,進(jìn)而實(shí)現(xiàn)多目標(biāo)發(fā)現(xiàn)、處理和檢測(cè)。

    近年來(lái),深度學(xué)習(xí)在計(jì)算機(jī)視覺(jué)領(lǐng)域得到了越來(lái)越多的關(guān)注。利用深度學(xué)習(xí)進(jìn)行目標(biāo)檢測(cè)與識(shí)別已經(jīng)成為主流方法[1]。常見(jiàn)的用于目標(biāo)檢測(cè)的算法包括以YOLO(You Only Look Once)[2-4]系列算法、SSD(Single Shot Multi Box Detector)[5]算法為代表的一階段檢測(cè)算法和以R-CNN(Regions with Convolutional Neural Network)[6-8]系列為代表的二階段檢測(cè)算法。一階段的檢測(cè)算法運(yùn)算速度較快,但檢測(cè)精度較差,尤其是對(duì)于小目標(biāo)的檢測(cè)精度較低,因此在小目標(biāo)較多的場(chǎng)景下的無(wú)人機(jī)車輛目標(biāo)檢測(cè)應(yīng)用中,該系列算法效果欠佳。二階段的檢測(cè)算法具有較高的檢測(cè)精度,更適于在多場(chǎng)景下的無(wú)人機(jī)車輛檢測(cè)任務(wù)。

    1 無(wú)人機(jī)車輛目標(biāo)檢測(cè)模型

    本文針對(duì)無(wú)人機(jī)物體檢測(cè)任務(wù),選擇Faster R-CNN(Faster Regions with Convolutional Neural Network)作為基礎(chǔ)檢測(cè)算法,并對(duì)其進(jìn)行優(yōu)化。本文選擇Faster R-CNN網(wǎng)絡(luò)模型為基礎(chǔ)算法的原因?yàn)椋?1) Faster R-CNN模型是高精度檢測(cè)算法的代表;(2)Faster R-CNN模型將Selective Search算法改進(jìn)為RPN(Region Proposal Network)網(wǎng)絡(luò),提升了檢測(cè)速度,且Fast R-CNN網(wǎng)絡(luò)和RPN網(wǎng)絡(luò)共享特征參數(shù),可進(jìn)一步提升檢測(cè)速度。

    本文的具體檢測(cè)過(guò)程為:無(wú)人機(jī)到達(dá)指定區(qū)域后進(jìn)行圖像采集,并通過(guò)無(wú)線網(wǎng)絡(luò)將所拍攝圖像回傳至地面站;之后采用目標(biāo)檢測(cè)算法進(jìn)行所需目標(biāo)的檢測(cè)工作。旋翼無(wú)人機(jī)物體檢測(cè)模型框架如圖1所示,旋翼無(wú)人機(jī)物體檢測(cè)算法流程如圖2所示。

    圖1 旋翼無(wú)人機(jī)物體檢測(cè)模型框架Figure 1. Rotor-wing UAV object detection model framework

    圖2 旋翼無(wú)人機(jī)物體檢測(cè)算法流程圖Figure 2. Rotor-wing UAV object detection algorithm flowchart

    2 數(shù)據(jù)準(zhǔn)備

    無(wú)人機(jī)采集的數(shù)據(jù)集,必須具有多樣性。對(duì)于深度學(xué)習(xí)網(wǎng)絡(luò)的訓(xùn)練來(lái)說(shuō),圖像越多樣,得到的模型越有效,魯棒性也越高。為了增強(qiáng)圖像的多樣性,本文控制無(wú)人機(jī)在不同飛行高度進(jìn)行拍攝,并使無(wú)人機(jī)搭載的云臺(tái)相機(jī)角度和拍攝姿勢(shì)處于不同狀態(tài),同時(shí)在多種場(chǎng)景下進(jìn)行圖像的采集,例如光線充足和光線較差場(chǎng)景、小區(qū)和道路場(chǎng)景等。由于時(shí)間限制,除了使用無(wú)人機(jī)采集到的車輛數(shù)據(jù)之外,本文還挑選了VisDrone數(shù)據(jù)集[9]中約2 000張包含車輛的圖像,并將其按照本文的標(biāo)注規(guī)則重新標(biāo)注,以便擴(kuò)充數(shù)據(jù)。本文采集到的無(wú)人機(jī)視角航拍圖像如圖3所示。本文數(shù)據(jù)集與相似類型的公開(kāi)數(shù)據(jù)集對(duì)比如表1所示。

    圖3 無(wú)人機(jī)視角航拍圖像示例Figure 3. Examples of aerial images from UAV perspective

    對(duì)已搜集到的數(shù)據(jù)采取隨機(jī)旋轉(zhuǎn)、反轉(zhuǎn)變換、添加顏色抖動(dòng)等幾種不影響模型檢測(cè)結(jié)果的數(shù)據(jù)增強(qiáng)方式來(lái)增加數(shù)據(jù)量。以上操作不僅減輕了模型的過(guò)擬合問(wèn)題,還使得數(shù)據(jù)具有較強(qiáng)的抗噪聲能力,進(jìn)而增強(qiáng)了模型的實(shí)用性和魯棒性。數(shù)據(jù)增強(qiáng)前后的效果示意圖如圖4所示。

    表1 本文數(shù)據(jù)集與相似類型公開(kāi)數(shù)據(jù)集對(duì)比

    數(shù)據(jù)集使用LabelImg來(lái)標(biāo)記,標(biāo)注文件格式為XML格式[15]。XML文件主要包含圖像的標(biāo)注信息,例如圖像名稱、圖像大小、object所屬類別以及目標(biāo)框左上頂點(diǎn)和右下頂點(diǎn)在當(dāng)前被標(biāo)注圖像上的像素坐標(biāo)信息。模型則根據(jù)標(biāo)注信息進(jìn)行分類和邊框回歸。

    3 遷移學(xué)習(xí)初始化模型

    遷移學(xué)習(xí)是將在一項(xiàng)任務(wù)中學(xué)習(xí)到的權(quán)重遷移到新的任務(wù)中,以提高新任務(wù)的泛化性。本文選擇數(shù)據(jù)集較大的PASCAL VOC數(shù)據(jù)集預(yù)訓(xùn)練模型來(lái)初始化模型參數(shù)。深度學(xué)習(xí)網(wǎng)絡(luò)淺層提取到的特征較泛化,深層提取到的特征與數(shù)據(jù)集的相關(guān)性更強(qiáng),因此,深度學(xué)習(xí)模型的訓(xùn)練過(guò)程由淺入深。本文在特征提取網(wǎng)絡(luò)初始化時(shí),不采用隨機(jī)初始化的方案,而是使用預(yù)訓(xùn)練獲得的參數(shù)來(lái)初始化模型,并在檢測(cè)訓(xùn)練時(shí)對(duì)無(wú)人機(jī)物體檢測(cè)網(wǎng)絡(luò)模型的參數(shù)進(jìn)行微調(diào)。

    4 模型評(píng)價(jià)指標(biāo)

    本文采用IoU來(lái)衡量目標(biāo)檢測(cè)模型定位的準(zhǔn)確性,定位準(zhǔn)確度越高則IoU值越高。IoU為真實(shí)框和預(yù)測(cè)框重疊部分與兩者形成圖形總面積比值,如圖5所示,其中G為Ground truth box,P為Proposal truth box,所以真實(shí)框和預(yù)測(cè)框的IoU值為

    IoU=(G∩P)/(G∪P)

    (1)

    圖5 IoU示意圖Figure 5. Schematic diagram of IoU

    當(dāng)?shù)玫降腎oU值超過(guò)一定閾值時(shí),說(shuō)明真實(shí)框被預(yù)測(cè)框命中。當(dāng)計(jì)算得到的IoU值小于等于一定閾值時(shí),提示遺漏了目標(biāo)或者可能并未命中真實(shí)框。可能發(fā)生的事件為如下4種:(1)真陽(yáng)性事件(TP)。模型在某位置處給出了預(yù)測(cè)框,且在該處有正樣本;(2)假陽(yáng)性事件(FP)。模型在某位置處給出了預(yù)測(cè)框,但在該處并沒(méi)有正樣本,即預(yù)測(cè)框處為背景;(3)真陰性事件(TN)。模型在某位置處沒(méi)有給出預(yù)測(cè)框,且該位置為背景;(4)假陰性事件(FN)。模型在某位置處沒(méi)有給出預(yù)測(cè)框,但是該位置處為前景。

    在檢測(cè)過(guò)程中,將上述4個(gè)事件發(fā)生次數(shù)加以統(tǒng)計(jì),即可計(jì)算模型準(zhǔn)確率P(Precision,表示模型預(yù)測(cè)正確的概率)和召回率R(Recall,表示所有目標(biāo)被模型檢測(cè)到的概率),計(jì)算式如下所示。

    (2)

    (3)

    準(zhǔn)確率P和召回率R為負(fù)相關(guān),即召回率升高準(zhǔn)確率會(huì)相應(yīng)下降,反之亦然。只用準(zhǔn)確率和召回率衡量模型整體性能并不科學(xué),理想情況是準(zhǔn)確率P和召回率R都盡可能高。為了使兩者得到權(quán)衡,引入P-R曲線。AP(Average Precision)值為P-R曲線與x軸和y軸圍成圖形的面積,其取值為0~1,可體現(xiàn)算法模型的綜合性能。AP值越高表明檢測(cè)效果越好,所以最終采用AP值來(lái)評(píng)價(jià)模型性能。

    5 模型優(yōu)化

    ResNet卷積神經(jīng)網(wǎng)絡(luò)[16]引入殘差學(xué)習(xí)的概念,解決了梯度消失的問(wèn)題。ResNet卷積神經(jīng)網(wǎng)絡(luò)通過(guò)讓卷積層學(xué)習(xí)殘差映射,簡(jiǎn)化目標(biāo)檢測(cè)問(wèn)題難度。在深度相同時(shí),ResNet卷積神經(jīng)網(wǎng)絡(luò)的性能優(yōu)于VGG卷積神經(jīng)網(wǎng)絡(luò)。為了使無(wú)人機(jī)目標(biāo)檢測(cè)具有更優(yōu)的性能,本文對(duì)Faster R-CNN網(wǎng)絡(luò)的特征提取網(wǎng)絡(luò)部分加以改進(jìn),棄用其默認(rèn)的VGG-16卷積神經(jīng)網(wǎng)絡(luò),選用ResNet卷積神經(jīng)網(wǎng)絡(luò)。

    本文分別采用ResNet-34、ResNet-50和ResNet-101作為特征提取網(wǎng)絡(luò),通過(guò)實(shí)驗(yàn)對(duì)比性能數(shù)據(jù),得到的實(shí)驗(yàn)結(jié)果如表2所示。由表2可知,在以上幾種特征提取網(wǎng)絡(luò)中,選擇ResNet-101作為本文的特征提取網(wǎng)絡(luò)效果最佳。

    表2 不同特征提取網(wǎng)絡(luò)模型AP值

    無(wú)人機(jī)飛行高度和角度會(huì)導(dǎo)致所要檢測(cè)目標(biāo)較小或者存在遮擋的情況。針對(duì)這些場(chǎng)景下的目標(biāo)檢測(cè),本文在調(diào)整特征提取網(wǎng)絡(luò)的基礎(chǔ)上進(jìn)一步改進(jìn),具體做法為:(1)將每個(gè)RPN產(chǎn)生的候選區(qū)域進(jìn)行ROI池化,將池化所得的結(jié)果映射至Conv2和Conv4的特征圖中,從而得到該候選區(qū)域在Conv2和Conv4中的特征信息;(2)將該特征信息進(jìn)行池化處理,得到固定維度的特征圖;(3)將所選擇的需合并的特征信息進(jìn)行歸一化處理,在通道上施行信息融合;(4)使用1×1的卷積進(jìn)行降維,然后將最終得到的特征圖送入全連接層做分類回歸處理,其結(jié)構(gòu)如圖6所示。

    圖6 改進(jìn)后的網(wǎng)絡(luò)結(jié)構(gòu)示意圖Figure 6. Schematic diagram of the improved network structure

    改進(jìn)后網(wǎng)絡(luò)除了使用特征提取網(wǎng)絡(luò)中最高卷積層輸出的特征,還將低層的Conv2輸出的特征和Conv4輸出的特征與高層特征相結(jié)合,達(dá)到填充小目標(biāo)和不完整目標(biāo)細(xì)節(jié)信息的目的,提高了網(wǎng)絡(luò)對(duì)小目標(biāo)和不完整目標(biāo)的檢測(cè)精度。采取此種措施是因?yàn)槟P偷蛯拥玫降膱D像特征語(yǔ)義信息較少,但目標(biāo)位置信息較準(zhǔn)確;模型高層得到的語(yǔ)義信息較多,但目標(biāo)位置信息準(zhǔn)確性較低,飛行高度較高時(shí)無(wú)人機(jī)目標(biāo)檢測(cè)效果欠佳。

    Faster R-CNN模型使用的去除重疊檢測(cè)框的算法為NMS(Non-Maximum Suppression)算法[17]。NMS在處理過(guò)程中存在無(wú)法選擇相近框的情況,即在兩個(gè)目標(biāo)距離相近時(shí)存在漏檢問(wèn)題。為了提高目標(biāo)樣本在高密度情況下的召回率,對(duì)Faster R-CNN模型中的NMS進(jìn)行改進(jìn)。本文采用文獻(xiàn)[18]中的方式改進(jìn)Soft-NMS算法。

    根據(jù)Soft-NMS算法[19-20]移除檢測(cè)框的過(guò)程可以看出,如果Soft-NMS算法的閾值選取的恰當(dāng),F(xiàn)aster R-CNN算法的整體性能也會(huì)變好。然而在實(shí)際應(yīng)用中,選取使算法既有較高準(zhǔn)確率又有較高召回率的最優(yōu)閾值較為困難。因此,本文采用加入約束因子的Soft-NMS算法,其算法流程如下

    算法1改進(jìn)Soft-NMS算法

    Input:B={b1,b2,…,bn} //所有檢測(cè)框集合

    S={s1,s2,…,sn} //檢測(cè)框Score集合

    D={} //最優(yōu)檢測(cè)框集合,//初始化為空集合

    Begin:

    whileB≠ empty do

    bm=max{B} //Score最高的檢測(cè)框

    B=B-bm//移除Score最高檢測(cè)框bm(最優(yōu)框)

    D=D∪bm//將bm加入集合D

    forbiinBdo

    ci=cif(IoU(bm,bi))

    si=sici

    ifsi<σ

    B=B-bi

    end

    end

    returnD,S

    end

    其中,bi為第i個(gè)檢測(cè)框;si為第i個(gè)檢測(cè)框的Score;bm為當(dāng)前迭代Score最高的檢測(cè)框。

    Soft-NMS算法的計(jì)算式為

    (4)

    本論文中約束因子的計(jì)算方法為

    ci=α(1-IoU(bm,bi)2)[18]

    (5)

    ci=α(IoU(bm,bi)-1)2

    (6)

    式中,ci為檢測(cè)框i的約束因子;IoU(bm,bi)為最優(yōu)檢測(cè)框bm與每一檢測(cè)框bi的IoU值;α為權(quán)重因子。根據(jù)檢測(cè)框的IoU值計(jì)算檢測(cè)框?qū)?yīng)的約束因子大小,且由式(5)和式(6)可以看到檢測(cè)框IoU值越大對(duì)該框Score的約束因子越大。在對(duì)重疊檢測(cè)框處理時(shí)加入約束因子的Soft-NMS算法,每次迭代循環(huán)都將約束因子加入,從而不斷衰減檢測(cè)框的Score,經(jīng)過(guò)數(shù)次循環(huán)之后將分?jǐn)?shù)低于σ的檢測(cè)框丟棄。對(duì)NMS算法和Soft-NMS算法而言,T值的選取對(duì)這兩種算法的性能影響較大,但是改進(jìn)的Soft-NMS算法中參數(shù)σ的選取對(duì)算法性能的影響較T的選取要小很多。在時(shí)間復(fù)雜度方面與原算法相同,均為O(n2)。

    Faster R-CNN中使用的Anchor共包含3種尺寸{1282,2562,5122},3種比例1∶1、1∶2和2∶1。但是因?yàn)镕aster R-CNN模型是根據(jù)Anchor所包含區(qū)域的特征來(lái)實(shí)現(xiàn)分類和回歸的,因此,如果Anchor的尺寸和比例更加貼近數(shù)據(jù)集目標(biāo)則可提高分類和回歸效果。

    改變Faster R-CNN中原始設(shè)定的Anchor尺寸,相應(yīng)增加小尺寸的Anchor,將數(shù)據(jù)集所有目標(biāo)的面積和比例加以匯總統(tǒng)計(jì),得到圖7和圖8所示分布圖。由面積直方圖可以看到大部分目標(biāo)大小集中在0~340之間,比例集中在0.7左右。根據(jù)直方圖分布,本文擬采用的Anchor比例為{1∶2,1∶7,2∶1}。同時(shí)使用不同組合的Anchor,得到如表3所示結(jié)果。如果基準(zhǔn)Anchor設(shè)置過(guò)多則會(huì)增加模型計(jì)算量,設(shè)置過(guò)少則會(huì)使得匹配目標(biāo)的Anchor較少,Anchor和目標(biāo)真實(shí)框間損失值較大,需要較長(zhǎng)時(shí)間訓(xùn)練。因此,本文在兼顧計(jì)算量和性能的原則上選擇{162,322,642,962,1282}作為本文Anchor的尺寸。

    圖7 數(shù)據(jù)集Ground Truth面積直方圖Figure 7. The area histogram of dataset Ground Truth

    圖8 數(shù)據(jù)集Ground Truth比例直方圖Figure 8. The scale histogram of dataset Ground Truth

    表3 不同組合的Anchor下模型的性能

    6 實(shí)驗(yàn)分析

    6.1 基準(zhǔn)實(shí)驗(yàn)

    按照Faster R-CNN模型的原始結(jié)構(gòu),基準(zhǔn)實(shí)驗(yàn)選擇VGG-16作為其特征提取網(wǎng)絡(luò)。訓(xùn)練設(shè)定為60 000步,設(shè)置初始學(xué)習(xí)率為0.001,在模型訓(xùn)練達(dá)到50 000步時(shí),步進(jìn)式地衰減其學(xué)習(xí)率,將其下降為0.000 1。這樣設(shè)置有利于在模型訓(xùn)練到后期時(shí)尋找最優(yōu)解。在網(wǎng)絡(luò)訓(xùn)練到后期,需要調(diào)整的幅度會(huì)越來(lái)越小,如果設(shè)置的學(xué)習(xí)率過(guò)大,可能會(huì)產(chǎn)生震蕩,導(dǎo)致模型不收斂或者收斂的地方不是最優(yōu)解。

    模型訓(xùn)練具體操作步驟為:(1)隨機(jī)選取數(shù)據(jù)集中1 000張圖像組成小樣本集,在此小樣本集上驗(yàn)證是否過(guò)擬合,以確保代碼正確性。Faster R-CNN模型在小樣本集上的Loss曲線如圖9所示,模型在小樣本集上的損失下降明顯,其在小樣本集上過(guò)擬合,確定了代碼正確性;(2)在數(shù)據(jù)集上正式訓(xùn)練網(wǎng)絡(luò)。本文訓(xùn)練集、測(cè)試集和驗(yàn)證集的劃分比例為8∶1∶1,即訓(xùn)練集15 622張,測(cè)試集1 950張,驗(yàn)證集1 950張。在訓(xùn)練網(wǎng)絡(luò)的同時(shí)步進(jìn)地調(diào)整學(xué)習(xí)速率。若模型Loss曲線下降不明顯,可以通過(guò)衰減其學(xué)習(xí)速率調(diào)整,直到Loss基本上維持不變停止網(wǎng)絡(luò)訓(xùn)練;(3)將訓(xùn)練完成的模型在測(cè)試集上測(cè)試,并記錄測(cè)試數(shù)據(jù)及可視化測(cè)試結(jié)果。

    圖9 在小樣本集上的Loss曲線Figure 9. Loss curve on a small sample set

    基礎(chǔ)Faster R-CNN檢測(cè)效果如圖10所示,圖10(a)為白天小目標(biāo)檢測(cè)效果,個(gè)別小目標(biāo)被漏檢;圖10(b)為白天非小目標(biāo)檢測(cè)效果,有些不完整目標(biāo)和被遮擋目標(biāo)被漏檢;圖10(c)為夜晚非小目標(biāo)檢測(cè)效果;圖10(d)為夜晚小目標(biāo)檢測(cè)效果,也存在小目標(biāo)漏檢和重疊目標(biāo)檢測(cè)效果欠佳的現(xiàn)象。圖11~圖13展示了幾種漏檢的情況。實(shí)驗(yàn)AP值為80.57%,AP值表征算法模型的整體綜合性能,也是本文之后優(yōu)化實(shí)驗(yàn)的基準(zhǔn)實(shí)驗(yàn)結(jié)果。

    (a)

    (b)

    (c)

    (d)圖10 Faster R-CNN基礎(chǔ)模型的測(cè)試效果(a)白天小目標(biāo)檢測(cè)效果 (b)白天非小目標(biāo)檢測(cè)效果 (c)夜晚非小目標(biāo)檢測(cè)效果 (d)夜晚小目標(biāo)檢測(cè)效果Figure 10. Test effect of Faster R-CNN basic model(a)Detection effect of daytime small targets(b)Detection effect of daytime non-small targets(c)Detection effect of nighttime non-small targets(d)Detection effect of nighttime small targets

    圖11 小目標(biāo)漏檢樣例Figure 11. Example of missed detection of small targets

    圖12 不完整目標(biāo)漏檢樣例Figure 12. Example of missed detection of incomplete targets

    圖13 檢測(cè)框重疊嚴(yán)重的目標(biāo)漏檢樣例Figure 13. Example of missed detection of targets with severe overlapping detection frames

    6.2 改進(jìn)模型實(shí)驗(yàn)

    為了驗(yàn)證加入約束因子的Soft-NMS算法不依賴于閾值T的選取,實(shí)驗(yàn)參數(shù)設(shè)置和基準(zhǔn)實(shí)驗(yàn)相同。首先,進(jìn)行NMS算法和Soft-NMS算法的測(cè)試實(shí)驗(yàn),以確認(rèn)不同閾值T對(duì)算法性能的影響,得到兩種算法在不同閾值T下,模型AP值及其變化,如圖14所示。

    圖14 不同閾值T對(duì)應(yīng)的NMS算法和Soft-NMS算法的AP值Figure 14. AP values of NMS algorithm and Soft-NMS algorithm corresponding to different thresholds T

    不同閾值T所對(duì)應(yīng)的模型AP值差值較大,在閾值T上升的過(guò)程中,AP值逐漸減小。產(chǎn)生這種現(xiàn)象的主要原因是,當(dāng)閾值T增大時(shí),一些本應(yīng)被抑制丟棄的檢測(cè)框,因閾值T過(guò)大沒(méi)有得到抑制。雖然閾值T的增加會(huì)降低重疊度高的檢測(cè)框被抑制的可能,但會(huì)導(dǎo)致真正目標(biāo)框的增加幅度低于假陽(yáng)性目標(biāo)框的增加幅度,進(jìn)而降低整體檢測(cè)精度。

    對(duì)加入約束因子Soft-NMS算法進(jìn)行測(cè)試實(shí)驗(yàn),設(shè)置同上,默認(rèn)σ取值為0.001,得到不同α下模型性能。如表4所示,表中改進(jìn)Soft-NMS算法1代表采用式(5)改進(jìn)算法;改進(jìn)Soft-NMS算法2代表采用式(6)改進(jìn)算法??梢钥吹讲煌寥≈迪翧P值變化較平穩(wěn),且精度也滿足需求,AP值在α為0.6時(shí)達(dá)到了91.81%。之后選取α值為0.6,測(cè)試不同σ值對(duì)模型性能的影響,得到如表5所示的AP值。σ為0.001時(shí)AP最高,且不同σ值對(duì)AP值的影響在小范圍內(nèi)平穩(wěn)波動(dòng)。該結(jié)果證明加入約束因子Soft-NMS算法在達(dá)到一定AP值的基礎(chǔ)上減小了閾值T對(duì)模型性能的影響。

    表4 不同α取值對(duì)應(yīng)的AP值

    表5 不同σ取值對(duì)應(yīng)的AP值

    表6 改進(jìn)NMS算法前后模型AP值

    表6為改進(jìn)NMS算法前后模型的評(píng)價(jià)指標(biāo)。NMS算法改進(jìn)之后AP值為91.81%,提高了1.17%。主要原因是NMS算法改進(jìn)之前相互重疊的目標(biāo)有一部分會(huì)被NMS算法抑制掉,而且閾值T選取不當(dāng)會(huì)降低模型整體精度。但是重疊的目標(biāo)在整個(gè)數(shù)據(jù)集中所占的比重相對(duì)來(lái)說(shuō)較小,故對(duì)于綜合性能的影響幅度較小。

    對(duì)改進(jìn)前后的Faster R-CNN模型進(jìn)行無(wú)人機(jī)車輛目標(biāo)檢測(cè)實(shí)驗(yàn),得到性能數(shù)據(jù)如表7所示。將各步改進(jìn)的Faster R-CNN模型和原Faster R-CNN模型性能指標(biāo)進(jìn)行對(duì)比。模型改進(jìn)前的AP值是80.57%,調(diào)整特征提取網(wǎng)絡(luò)后AP值上升了5.61%,改進(jìn)特征提取網(wǎng)絡(luò)后AP值再次上升1.89%。經(jīng)過(guò)之后的NMS算法改進(jìn)和Anchor改進(jìn),進(jìn)一步完善Faster R-CNN對(duì)于小目標(biāo)和重疊目標(biāo)的檢測(cè)精度。最終,經(jīng)過(guò)本文改進(jìn)后,模型的AP值為94.03%,整體提升了13.46%,指標(biāo)總體向好發(fā)展,表現(xiàn)出比原Faster R-CNN模型更佳的綜合性能,尤其在特征提取網(wǎng)絡(luò)改進(jìn)之后,模型AP值上升幅度大于其他改進(jìn)措施的幅度,說(shuō)明該改進(jìn)方案對(duì)于模型全局性能優(yōu)化具有較大的積極作用。特征提取網(wǎng)絡(luò)結(jié)構(gòu)的改進(jìn)主要針對(duì)小目標(biāo)和不完整目標(biāo)比較難以檢測(cè)的問(wèn)題,加之無(wú)人機(jī)視角下的車輛目標(biāo)存在小目標(biāo)占比較大、不完整目標(biāo)較多的特征,所以模型性能提升幅度較大。改進(jìn)后的Faster R-CNN模型對(duì)無(wú)人機(jī)車輛目標(biāo)檢測(cè)綜合性能有較顯著的提升。

    表7 算法優(yōu)化前后測(cè)試指標(biāo)對(duì)比

    圖15 改進(jìn)前Faster R-CNN網(wǎng)絡(luò)Loss曲線Figure 15. Faster R-CNN network Loss curve before improvement

    圖16 改進(jìn)之后Faster R-CNN網(wǎng)絡(luò)Loss曲線Figure 16. Improved Faster R-CNN network Loss curve

    改進(jìn)前后模型的損失函數(shù)曲線如圖15和圖16所示。改進(jìn)前的Loss曲線可以看到整體趨勢(shì)是逐漸下降的,但是在下降過(guò)程中存在較多相較于均值來(lái)說(shuō)的“突變值”。造成這種現(xiàn)象的主要原因是原Faster R-CNN網(wǎng)絡(luò)設(shè)置的Anchor值相較于本文所檢測(cè)的車輛目標(biāo)來(lái)說(shuō)過(guò)大,當(dāng)Anchor映射至原圖時(shí),對(duì)于那些不完整目標(biāo)或小目標(biāo)來(lái)說(shuō),用于訓(xùn)練的圖像對(duì)這類目標(biāo)的標(biāo)記框與Faster R-CNN網(wǎng)絡(luò)模型生成的目標(biāo)框之間差異過(guò)大,導(dǎo)致模型損失函數(shù)值過(guò)大,所以出現(xiàn)“突變值”。在改進(jìn)之后的模型Loss曲線中可以看到,相較于改進(jìn)前,“突變值”明顯減少,原因?yàn)閷?duì)Anchor的生成加以改進(jìn)之后,Anchor大小和目標(biāo)真實(shí)框之間的差異減小。雖然還是會(huì)有一些“突變值”,但是這些“突變值”大小明顯小于改進(jìn)之前“突變值”的大小,這是因?yàn)楦倪M(jìn)后Anchor和真實(shí)目標(biāo)標(biāo)記框之間的差異減小。

    選取測(cè)試圖像,使用改進(jìn)后的Faster R-CNN模型進(jìn)行無(wú)人機(jī)車輛目標(biāo)檢測(cè)效果測(cè)試,效果如圖17所示。圖17(a)為白天小目標(biāo)檢測(cè)效果,相比較原Faster R-CNN模型檢測(cè)出了更多的目標(biāo),重疊目標(biāo)也可以被準(zhǔn)確地檢測(cè)出。圖17 (b)為白天非小目標(biāo)檢測(cè)效果,相比原Faster R-CNN模型檢測(cè)定位更加精確。圖17(c)為夜晚非小目標(biāo)檢測(cè)效果,在光線不足的情況下,也能大部分被正確檢測(cè)。圖17 (d)為夜晚小目標(biāo)檢測(cè)效果,在光線不足場(chǎng)景下小目標(biāo)檢測(cè)也較精準(zhǔn)。

    (a)

    (b)

    (c)

    (d)圖17 本文改進(jìn)Faster R-CNN模型在不同環(huán)境下的檢測(cè)效果圖(a)白天小目標(biāo)檢測(cè)效果 (b)白天非小目標(biāo)檢測(cè)效果 (c)夜晚非小目標(biāo)檢測(cè)效果 (d)夜晚小目標(biāo)檢測(cè)效果Figure 17. Detection effect diagrams of improved Faster R-CNN model in different environments(a)Detection effect of daytime small targets(b)Detection effect of daytime non-small targets(c)Detection effect of nighttime non-small targets(d)Detection effect of nighttime small targets

    6.3 與其他算法對(duì)比

    在公開(kāi)數(shù)據(jù)集VEDAI上進(jìn)行各算法的對(duì)比試驗(yàn),得到如圖18所示的各算法在數(shù)據(jù)集VEDAI上的實(shí)測(cè)效果和如表8所示的測(cè)試指標(biāo)對(duì)比。由于VEDAI數(shù)據(jù)集為衛(wèi)星拍攝圖像,目標(biāo)相較于本文的數(shù)據(jù)集在分辨率和尺度上會(huì)有一定的差距,所以一定程度上降低了檢測(cè)精度。但是由圖18和表8可知,本文算法的AP值最高、精度最好,實(shí)測(cè)效果中本文算法檢測(cè)框置信度較高,且誤檢的情況較其他算法也較少,所以本文算法在VEDAI數(shù)據(jù)集上的表現(xiàn)相較其他算法仍較優(yōu)。

    (a)

    (b)

    (c)

    (d)

    (e)圖18 各算法在VEDAI數(shù)據(jù)集上的實(shí)測(cè)效果(a)Faster R-CNN算法實(shí)測(cè)示例 (b)R-FCN算法實(shí)測(cè)示例 (c)YOLOv3算法實(shí)測(cè)示例 (d)SSD算法實(shí)測(cè)示例 (e)本文算法實(shí)測(cè)示例Figure 18. Measurement effect of each algorithm on the VEDAI dataset(a)Measurement example of Faster R-CNN algorithm(b)Measurement example of R-FCN algorithm(c)Measurement example of YOLOv3 algorithm(d)Measurement example of SSD algorithm(e)Measurement example of algorithm proposed in this study

    表8 5種車輛檢測(cè)算法在VEDAI數(shù)據(jù)集上的測(cè)試指標(biāo)對(duì)比

    7 結(jié)束語(yǔ)

    本文通過(guò)改進(jìn)網(wǎng)絡(luò)結(jié)構(gòu)、anchor生成和Soft-NMS算法,使得改進(jìn)后的Faster R-CNN算法的AP值達(dá)到94.03%,較原Faster R-CNN算法提升了13.46%,目標(biāo)檢測(cè)效果得到顯著優(yōu)化。與Faster R-CNN模型、YOLOv3模型、SSD模型、R-FCN模型相比,本文改進(jìn)的Faster R-CNN模型的實(shí)際檢測(cè)效果和性能數(shù)據(jù)更優(yōu),具有一定的實(shí)際應(yīng)用價(jià)值。雖然本檢測(cè)算法在檢測(cè)精度方面有較大提高,但是該算法為二階段檢測(cè)算法,檢測(cè)速度還有所欠缺,今后將在保證其高檢測(cè)精度的同時(shí)進(jìn)一步提高該算法的檢測(cè)速度。

    猜你喜歡
    特征提取閾值圖像
    改進(jìn)的LapSRN遙感圖像超分辨重建
    有趣的圖像詩(shī)
    小波閾值去噪在深小孔鉆削聲發(fā)射信號(hào)處理中的應(yīng)用
    基于自適應(yīng)閾值和連通域的隧道裂縫提取
    基于Daubechies(dbN)的飛行器音頻特征提取
    電子制作(2018年19期)2018-11-14 02:37:08
    比值遙感蝕變信息提取及閾值確定(插圖)
    河北遙感(2017年2期)2017-08-07 14:49:00
    Bagging RCSP腦電特征提取算法
    室內(nèi)表面平均氡析出率閾值探討
    基于MED和循環(huán)域解調(diào)的多故障特征提取
    遙感圖像幾何糾正中GCP選取
    亚洲色图av天堂| 人人妻人人澡欧美一区二区| 99久久中文字幕三级久久日本| 亚洲精品456在线播放app | 亚洲av熟女| 久久中文看片网| 十八禁网站免费在线| 变态另类成人亚洲欧美熟女| 欧美潮喷喷水| 亚洲国产日韩欧美精品在线观看| 午夜福利高清视频| 久久精品国产亚洲av香蕉五月| 亚洲最大成人av| 国产精品精品国产色婷婷| 毛片一级片免费看久久久久 | 99久久精品一区二区三区| 能在线免费观看的黄片| 久久久久久久久大av| 国语自产精品视频在线第100页| 亚洲av免费在线观看| 蜜桃久久精品国产亚洲av| 在线观看美女被高潮喷水网站| 小蜜桃在线观看免费完整版高清| 丝袜美腿在线中文| 亚洲专区国产一区二区| 亚洲成a人片在线一区二区| 国产伦人伦偷精品视频| 天天一区二区日本电影三级| 3wmmmm亚洲av在线观看| 在线免费十八禁| 国产熟女欧美一区二区| 99国产精品一区二区蜜桃av| 我的老师免费观看完整版| 伦精品一区二区三区| 18禁裸乳无遮挡免费网站照片| 大型黄色视频在线免费观看| 国产精品女同一区二区软件 | 国产一区二区在线观看日韩| 欧美不卡视频在线免费观看| 真实男女啪啪啪动态图| 美女高潮喷水抽搐中文字幕| 成人毛片a级毛片在线播放| 日日摸夜夜添夜夜添小说| 99精品久久久久人妻精品| 在线观看午夜福利视频| 国产一区二区在线av高清观看| 精品久久久久久久人妻蜜臀av| 国产精品爽爽va在线观看网站| 欧美激情国产日韩精品一区| 日韩欧美在线二视频| 欧美成人a在线观看| 少妇裸体淫交视频免费看高清| 听说在线观看完整版免费高清| 男女下面进入的视频免费午夜| 22中文网久久字幕| 国产av在哪里看| 日韩欧美在线乱码| 美女cb高潮喷水在线观看| 好男人在线观看高清免费视频| 亚洲av免费在线观看| 午夜视频国产福利| 免费观看的影片在线观看| 日韩欧美免费精品| 久久精品影院6| 欧美一区二区精品小视频在线| 啦啦啦观看免费观看视频高清| 日本一二三区视频观看| 99热网站在线观看| 免费观看在线日韩| 99精品在免费线老司机午夜| 成年人黄色毛片网站| 日本精品一区二区三区蜜桃| 午夜福利高清视频| 日本撒尿小便嘘嘘汇集6| 日韩亚洲欧美综合| 丰满的人妻完整版| 日本色播在线视频| 亚洲,欧美,日韩| 亚洲va日本ⅴa欧美va伊人久久| 一区二区三区四区激情视频 | 91久久精品国产一区二区成人| 欧美日韩中文字幕国产精品一区二区三区| 久久精品国产自在天天线| 午夜视频国产福利| 成人一区二区视频在线观看| 久久久久久久久中文| 国产精品不卡视频一区二区| 国产精品一区二区三区四区免费观看 | 我的女老师完整版在线观看| 亚洲一级一片aⅴ在线观看| 国产黄片美女视频| 国产精品乱码一区二三区的特点| 亚洲人成网站在线播| 黄色一级大片看看| 我的女老师完整版在线观看| 久99久视频精品免费| 国产精品电影一区二区三区| 亚洲美女黄片视频| 综合色av麻豆| 中文字幕免费在线视频6| 成年版毛片免费区| 我的女老师完整版在线观看| 国产精品一区www在线观看 | 欧美zozozo另类| 亚洲av不卡在线观看| 色综合色国产| 免费不卡的大黄色大毛片视频在线观看 | www.www免费av| 一本精品99久久精品77| 国产一区二区三区视频了| 日本精品一区二区三区蜜桃| 韩国av在线不卡| 在线观看舔阴道视频| 无遮挡黄片免费观看| 午夜亚洲福利在线播放| 精品久久久久久成人av| 全区人妻精品视频| 久久精品综合一区二区三区| 日本黄色片子视频| 黄色一级大片看看| 国产精品一区二区三区四区久久| 少妇人妻精品综合一区二区 | 成年免费大片在线观看| 国产白丝娇喘喷水9色精品| 九九久久精品国产亚洲av麻豆| 最近最新免费中文字幕在线| 中文字幕久久专区| 国产一区二区三区av在线 | 亚洲精品国产成人久久av| 中文字幕精品亚洲无线码一区| 小蜜桃在线观看免费完整版高清| 国产一区二区在线观看日韩| 一本一本综合久久| 国产亚洲精品av在线| 久久人人精品亚洲av| 国产精品精品国产色婷婷| 蜜桃亚洲精品一区二区三区| 成年女人看的毛片在线观看| 国产精品精品国产色婷婷| 亚洲精品456在线播放app | 在线免费十八禁| 久久久久久久久中文| 国产精品无大码| 欧美激情在线99| 99久久成人亚洲精品观看| 日本成人三级电影网站| 十八禁网站免费在线| 在线免费观看不下载黄p国产 | 久久天躁狠狠躁夜夜2o2o| 国产 一区 欧美 日韩| 99视频精品全部免费 在线| 亚洲一级一片aⅴ在线观看| 国产精品一区www在线观看 | 麻豆国产av国片精品| 美女被艹到高潮喷水动态| 神马国产精品三级电影在线观看| 中亚洲国语对白在线视频| 国产色爽女视频免费观看| 两个人的视频大全免费| 成人午夜高清在线视频| 99精品在免费线老司机午夜| 久久精品国产自在天天线| 亚洲va在线va天堂va国产| 亚洲av成人精品一区久久| 成人国产一区最新在线观看| 久久亚洲真实| 成人精品一区二区免费| 精品国产三级普通话版| 可以在线观看的亚洲视频| 欧美日本视频| 我的女老师完整版在线观看| 亚洲一区高清亚洲精品| 国产精品久久久久久久电影| 日韩强制内射视频| 精品人妻一区二区三区麻豆 | av在线观看视频网站免费| 亚洲av熟女| 国产在线精品亚洲第一网站| 欧美日本亚洲视频在线播放| 国产亚洲av嫩草精品影院| 中文在线观看免费www的网站| av在线亚洲专区| 婷婷色综合大香蕉| 亚洲aⅴ乱码一区二区在线播放| 国产日本99.免费观看| 国产精品亚洲美女久久久| 国产伦精品一区二区三区视频9| 美女cb高潮喷水在线观看| 日韩一区二区视频免费看| 无遮挡黄片免费观看| 日韩欧美精品免费久久| 亚洲va日本ⅴa欧美va伊人久久| 97超视频在线观看视频| 欧美成人免费av一区二区三区| 夜夜看夜夜爽夜夜摸| 99九九线精品视频在线观看视频| 男女那种视频在线观看| 嫩草影视91久久| 少妇猛男粗大的猛烈进出视频 | 久久精品国产亚洲av天美| 日韩欧美 国产精品| 91久久精品国产一区二区三区| 欧美极品一区二区三区四区| 两个人的视频大全免费| 国模一区二区三区四区视频| 国产免费男女视频| a级毛片免费高清观看在线播放| 亚洲久久久久久中文字幕| 成人av一区二区三区在线看| 成人精品一区二区免费| 亚洲av免费在线观看| 欧美3d第一页| 久久久久久九九精品二区国产| 国内毛片毛片毛片毛片毛片| 99久久精品一区二区三区| 日本 av在线| 国产精品美女特级片免费视频播放器| 女同久久另类99精品国产91| 两个人视频免费观看高清| 欧美最黄视频在线播放免费| 久久精品久久久久久噜噜老黄 | 成人三级黄色视频| 51国产日韩欧美| 婷婷精品国产亚洲av| a级毛片a级免费在线| 亚洲第一电影网av| av国产免费在线观看| 亚洲欧美日韩高清专用| 国产高清不卡午夜福利| 国产精品女同一区二区软件 | 国内毛片毛片毛片毛片毛片| 国产激情偷乱视频一区二区| 国产 一区精品| 99在线视频只有这里精品首页| 天天一区二区日本电影三级| 少妇的逼好多水| 蜜桃久久精品国产亚洲av| 嫩草影视91久久| 日韩欧美精品免费久久| 久久精品国产亚洲av涩爱 | 99久久中文字幕三级久久日本| 久久99热6这里只有精品| 日本-黄色视频高清免费观看| a级毛片免费高清观看在线播放| 蜜桃久久精品国产亚洲av| 亚洲精品亚洲一区二区| 春色校园在线视频观看| 亚洲av二区三区四区| 噜噜噜噜噜久久久久久91| 乱码一卡2卡4卡精品| 亚洲美女黄片视频| 一级黄片播放器| 国产精品久久久久久久电影| 色精品久久人妻99蜜桃| 国产毛片a区久久久久| 女生性感内裤真人,穿戴方法视频| 内地一区二区视频在线| 97人妻精品一区二区三区麻豆| 麻豆国产av国片精品| 亚洲经典国产精华液单| 亚洲欧美日韩卡通动漫| 欧美绝顶高潮抽搐喷水| 极品教师在线免费播放| 美女被艹到高潮喷水动态| 免费av毛片视频| 国产69精品久久久久777片| 日本黄大片高清| 99久久无色码亚洲精品果冻| 欧美精品啪啪一区二区三区| 欧美一区二区亚洲| 国产精品不卡视频一区二区| 亚洲无线在线观看| 成人欧美大片| 免费高清视频大片| 亚洲在线自拍视频| 亚洲一级一片aⅴ在线观看| 老司机福利观看| 97碰自拍视频| 麻豆国产av国片精品| 亚洲色图av天堂| 露出奶头的视频| 亚洲在线自拍视频| 久久久久久久久久黄片| 精品久久久久久久久久久久久| 无遮挡黄片免费观看| 成人av在线播放网站| 精品不卡国产一区二区三区| 岛国在线免费视频观看| 亚洲无线观看免费| 91久久精品国产一区二区三区| 久久久久久久亚洲中文字幕| 久久中文看片网| 亚洲久久久久久中文字幕| 欧美日本亚洲视频在线播放| 国产麻豆成人av免费视频| 亚洲国产高清在线一区二区三| 成人午夜高清在线视频| 国产精品人妻久久久久久| 亚洲18禁久久av| 久久久久精品国产欧美久久久| 五月伊人婷婷丁香| 亚洲精品456在线播放app | 成年女人毛片免费观看观看9| 22中文网久久字幕| 精品人妻熟女av久视频| 国内少妇人妻偷人精品xxx网站| 日韩高清综合在线| 婷婷精品国产亚洲av| 最近中文字幕高清免费大全6 | 99热只有精品国产| 久久国产精品人妻蜜桃| 丰满人妻一区二区三区视频av| 婷婷丁香在线五月| 日韩中字成人| 免费看av在线观看网站| 村上凉子中文字幕在线| 亚洲人与动物交配视频| 国内少妇人妻偷人精品xxx网站| 给我免费播放毛片高清在线观看| 一级黄色大片毛片| 极品教师在线免费播放| 国产精品野战在线观看| 亚州av有码| 亚洲不卡免费看| 搡老岳熟女国产| 97超级碰碰碰精品色视频在线观看| 精品人妻偷拍中文字幕| 日韩 亚洲 欧美在线| 欧美日韩黄片免| videossex国产| 国产毛片a区久久久久| 少妇裸体淫交视频免费看高清| 人人妻人人看人人澡| 国产黄a三级三级三级人| 久久人妻av系列| 精品一区二区免费观看| 亚洲久久久久久中文字幕| 五月伊人婷婷丁香| 午夜福利成人在线免费观看| 3wmmmm亚洲av在线观看| 精品久久久久久成人av| 国产高清激情床上av| 校园春色视频在线观看| 亚洲精品日韩av片在线观看| 精品日产1卡2卡| 午夜精品在线福利| 永久网站在线| 成年人黄色毛片网站| 夜夜看夜夜爽夜夜摸| 性色avwww在线观看| 国产精品1区2区在线观看.| 欧美激情在线99| 亚洲va日本ⅴa欧美va伊人久久| 我要搜黄色片| 欧美日韩瑟瑟在线播放| 欧美激情在线99| 又黄又爽又免费观看的视频| 69av精品久久久久久| 国产精品乱码一区二三区的特点| 女人十人毛片免费观看3o分钟| 日韩国内少妇激情av| 国产黄色小视频在线观看| 国产午夜精品论理片| 中文字幕熟女人妻在线| 久久久久免费精品人妻一区二区| 我要搜黄色片| 亚洲国产精品合色在线| 中亚洲国语对白在线视频| 亚洲经典国产精华液单| 午夜老司机福利剧场| 波野结衣二区三区在线| 午夜免费激情av| 全区人妻精品视频| 亚洲欧美日韩高清专用| 一区二区三区高清视频在线| 国产精品爽爽va在线观看网站| 日韩欧美在线乱码| 日韩欧美免费精品| 国产精品一区二区三区四区免费观看 | 久久精品国产亚洲av天美| 少妇丰满av| 蜜桃久久精品国产亚洲av| 日韩精品有码人妻一区| 国产在视频线在精品| 日日撸夜夜添| 久久久精品大字幕| 国产精品一区二区三区四区久久| 日日摸夜夜添夜夜添小说| 成人特级av手机在线观看| 午夜日韩欧美国产| 国产伦人伦偷精品视频| 国语自产精品视频在线第100页| 中亚洲国语对白在线视频| 欧美日韩综合久久久久久 | 少妇高潮的动态图| 一区二区三区免费毛片| 免费观看在线日韩| 精品人妻熟女av久视频| 欧美日本亚洲视频在线播放| 色av中文字幕| 国产伦精品一区二区三区视频9| 高清在线国产一区| 国产精品一区二区三区四区久久| 精品久久久久久久人妻蜜臀av| 国产精品爽爽va在线观看网站| 日日摸夜夜添夜夜添av毛片 | 亚洲中文字幕日韩| 99精品久久久久人妻精品| 91午夜精品亚洲一区二区三区 | 欧美bdsm另类| 黄色丝袜av网址大全| 日本与韩国留学比较| 亚洲欧美日韩高清专用| 欧美一区二区精品小视频在线| 久99久视频精品免费| 小说图片视频综合网站| 欧美在线一区亚洲| 女同久久另类99精品国产91| av女优亚洲男人天堂| 此物有八面人人有两片| 男人狂女人下面高潮的视频| 一区福利在线观看| 久久人妻av系列| 美女高潮喷水抽搐中文字幕| 永久网站在线| 精品一区二区三区视频在线| 91午夜精品亚洲一区二区三区 | 搡女人真爽免费视频火全软件 | 国产探花在线观看一区二区| 91久久精品国产一区二区三区| 91狼人影院| 午夜亚洲福利在线播放| av天堂中文字幕网| 欧美色视频一区免费| 日韩人妻高清精品专区| 欧美中文日本在线观看视频| 久久精品夜夜夜夜夜久久蜜豆| 又爽又黄a免费视频| 国产精品一区二区三区四区久久| 久久久久久久久中文| 观看美女的网站| 日韩精品中文字幕看吧| 午夜福利视频1000在线观看| 中文字幕av成人在线电影| 两人在一起打扑克的视频| 亚洲精品成人久久久久久| 亚洲avbb在线观看| 美女黄网站色视频| 赤兔流量卡办理| 在线观看美女被高潮喷水网站| 又黄又爽又免费观看的视频| 99久久精品国产国产毛片| 12—13女人毛片做爰片一| 在线看三级毛片| 一a级毛片在线观看| 级片在线观看| 国国产精品蜜臀av免费| 国产免费男女视频| 午夜免费激情av| 日韩人妻高清精品专区| 国产v大片淫在线免费观看| 精品一区二区免费观看| 99久久精品一区二区三区| 免费看美女性在线毛片视频| h日本视频在线播放| 久久九九热精品免费| 悠悠久久av| 色视频www国产| 国产一区二区在线观看日韩| 淫妇啪啪啪对白视频| 九九热线精品视视频播放| 国产伦在线观看视频一区| 日本 欧美在线| 麻豆久久精品国产亚洲av| 亚洲欧美激情综合另类| 欧美日韩精品成人综合77777| av黄色大香蕉| 久久久久久大精品| 国产毛片a区久久久久| 日本一二三区视频观看| 婷婷精品国产亚洲av在线| 婷婷丁香在线五月| 深夜精品福利| 尾随美女入室| 中国美女看黄片| ponron亚洲| 久久久国产成人精品二区| 他把我摸到了高潮在线观看| 99久久精品一区二区三区| 亚洲av第一区精品v没综合| 欧美最新免费一区二区三区| 可以在线观看的亚洲视频| 美女免费视频网站| 老女人水多毛片| 亚洲熟妇熟女久久| 在线观看舔阴道视频| 中亚洲国语对白在线视频| 两个人的视频大全免费| 蜜桃亚洲精品一区二区三区| 亚洲一级一片aⅴ在线观看| 成人一区二区视频在线观看| 欧美成人性av电影在线观看| 欧美日韩综合久久久久久 | 亚洲电影在线观看av| 一进一出抽搐动态| 国产一区二区在线观看日韩| 免费观看精品视频网站| 69人妻影院| 九九在线视频观看精品| 国产中年淑女户外野战色| 欧美日本亚洲视频在线播放| 99久久成人亚洲精品观看| 亚洲av日韩精品久久久久久密| 久久久久国产精品人妻aⅴ院| 毛片女人毛片| 亚洲,欧美,日韩| 91久久精品国产一区二区成人| 1000部很黄的大片| 91麻豆av在线| 国产av不卡久久| 日韩,欧美,国产一区二区三区 | 免费在线观看影片大全网站| 性欧美人与动物交配| 日韩欧美三级三区| 欧美人与善性xxx| 最后的刺客免费高清国语| 国产一区二区三区视频了| 成人鲁丝片一二三区免费| 美女黄网站色视频| 伦精品一区二区三区| 午夜免费激情av| 国产精品福利在线免费观看| 最近最新中文字幕大全电影3| 亚洲国产欧美人成| 国产白丝娇喘喷水9色精品| 精品人妻熟女av久视频| 国内揄拍国产精品人妻在线| 国产久久久一区二区三区| 色哟哟·www| 亚洲欧美日韩东京热| 听说在线观看完整版免费高清| 女同久久另类99精品国产91| 日本撒尿小便嘘嘘汇集6| 91麻豆精品激情在线观看国产| 波多野结衣巨乳人妻| 欧美成人a在线观看| 亚洲精品亚洲一区二区| 精品午夜福利视频在线观看一区| 日韩精品有码人妻一区| 亚洲av中文字字幕乱码综合| 精品久久久久久久末码| 波多野结衣高清无吗| 国产人妻一区二区三区在| 日本 av在线| 免费一级毛片在线播放高清视频| 我要搜黄色片| 两个人的视频大全免费| 成人亚洲精品av一区二区| 男女边吃奶边做爰视频| 网址你懂的国产日韩在线| 久久精品国产99精品国产亚洲性色| 国产精品,欧美在线| 搡老熟女国产l中国老女人| 久久国内精品自在自线图片| 精品久久久久久,| 欧美一级a爱片免费观看看| 久久6这里有精品| 亚洲中文字幕日韩| 一级av片app| 变态另类丝袜制服| 国产精品1区2区在线观看.| 很黄的视频免费| 91麻豆精品激情在线观看国产| 亚洲无线观看免费| www.www免费av| 午夜影院日韩av| 人妻丰满熟妇av一区二区三区| 69av精品久久久久久| 日本免费一区二区三区高清不卡| 蜜桃亚洲精品一区二区三区| 国产一区二区在线av高清观看| 国产黄片美女视频| 国产视频内射| 亚洲av美国av| 黄色一级大片看看| 国内精品久久久久久久电影| 久久99热这里只有精品18| 欧美日韩国产亚洲二区| 亚洲欧美日韩高清专用| 搡女人真爽免费视频火全软件 | 日韩精品中文字幕看吧| 亚洲人与动物交配视频| 香蕉av资源在线| 色5月婷婷丁香| 1024手机看黄色片| 国产主播在线观看一区二区| 中文资源天堂在线| 一本久久中文字幕| 少妇被粗大猛烈的视频| 真人做人爱边吃奶动态| 99riav亚洲国产免费| 成人三级黄色视频| 麻豆一二三区av精品| 国产成人影院久久av| eeuss影院久久| 中文字幕久久专区| 一区二区三区免费毛片| 亚洲国产精品sss在线观看| 亚洲欧美日韩高清在线视频| 毛片一级片免费看久久久久 | 国产人妻一区二区三区在| 精品一区二区免费观看| 精品久久久久久久人妻蜜臀av| 国产成人影院久久av| 午夜福利欧美成人|