• <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
    午夜视频精品福利| 国产麻豆69| 欧美大码av| 色婷婷久久久亚洲欧美| videos熟女内射| 国产午夜精品久久久久久| 亚洲一区二区三区欧美精品| 老司机福利观看| 天天躁日日躁夜夜躁夜夜| 精品国产超薄肉色丝袜足j| 久久久精品免费免费高清| 免费女性裸体啪啪无遮挡网站| 黄色片一级片一级黄色片| 精品第一国产精品| av免费在线观看网站| 亚洲av成人不卡在线观看播放网| 日韩免费av在线播放| 久久精品国产99精品国产亚洲性色 | 夜夜夜夜夜久久久久| 中文字幕av电影在线播放| 一级a爱视频在线免费观看| 亚洲第一av免费看| 交换朋友夫妻互换小说| 国内久久婷婷六月综合欲色啪| 免费日韩欧美在线观看| 日韩成人在线观看一区二区三区| 亚洲国产精品一区二区三区在线| √禁漫天堂资源中文www| 老司机亚洲免费影院| 男女午夜视频在线观看| 亚洲国产精品一区二区三区在线| 成人18禁在线播放| 欧美成人午夜精品| 91精品三级在线观看| 男人的好看免费观看在线视频 | 又紧又爽又黄一区二区| 99热只有精品国产| 一级作爱视频免费观看| 精品卡一卡二卡四卡免费| 纯流量卡能插随身wifi吗| 中文字幕人妻丝袜一区二区| 视频区图区小说| 啦啦啦视频在线资源免费观看| 欧美 日韩 精品 国产| 一二三四社区在线视频社区8| 国产精品偷伦视频观看了| 91大片在线观看| 精品少妇一区二区三区视频日本电影| 亚洲成av片中文字幕在线观看| 亚洲五月婷婷丁香| 啦啦啦视频在线资源免费观看| 国产欧美日韩一区二区三区在线| 大陆偷拍与自拍| 精品一区二区三区四区五区乱码| 久久精品亚洲精品国产色婷小说| 国产高清激情床上av| 一级片免费观看大全| 国产男女内射视频| 亚洲一区中文字幕在线| 日韩欧美一区视频在线观看| a级毛片在线看网站| 夫妻午夜视频| 又紧又爽又黄一区二区| 国产午夜精品久久久久久| 国产极品粉嫩免费观看在线| 国产精品久久久久成人av| 无遮挡黄片免费观看| 国产有黄有色有爽视频| 成熟少妇高潮喷水视频| 欧美日韩瑟瑟在线播放| 亚洲成人国产一区在线观看| 欧美日韩福利视频一区二区| 韩国av一区二区三区四区| av天堂在线播放| 国产一区二区三区在线臀色熟女 | 午夜91福利影院| 99国产极品粉嫩在线观看| 精品久久久久久久毛片微露脸| 老司机午夜十八禁免费视频| 老司机在亚洲福利影院| 99精品欧美一区二区三区四区| 亚洲熟女精品中文字幕| 黑人操中国人逼视频| av中文乱码字幕在线| 俄罗斯特黄特色一大片| 日韩欧美在线二视频 | 日本一区二区免费在线视频| 免费在线观看视频国产中文字幕亚洲| 1024香蕉在线观看| 18禁黄网站禁片午夜丰满| 午夜日韩欧美国产| 国产精品香港三级国产av潘金莲| 91国产中文字幕| 午夜免费鲁丝| 国产在线一区二区三区精| 大陆偷拍与自拍| 精品欧美一区二区三区在线| 999久久久精品免费观看国产| 亚洲久久久国产精品| 国产av又大| 国精品久久久久久国模美| 大型黄色视频在线免费观看| 人妻一区二区av| 电影成人av| 成人国语在线视频| 一区二区三区国产精品乱码| 美女午夜性视频免费| 成人国语在线视频| 欧美精品啪啪一区二区三区| 亚洲av美国av| 亚洲成a人片在线一区二区| 高清欧美精品videossex| 欧美在线黄色| 一级,二级,三级黄色视频| 欧美精品av麻豆av| 亚洲伊人色综图| 久久中文字幕人妻熟女| 中文字幕最新亚洲高清| 三上悠亚av全集在线观看| 国产一区二区三区在线臀色熟女 | 又黄又爽又免费观看的视频| 亚洲精品美女久久av网站| 国产极品粉嫩免费观看在线| 精品福利观看| 欧美黑人精品巨大| 中亚洲国语对白在线视频| 久久国产精品人妻蜜桃| 涩涩av久久男人的天堂| 麻豆av在线久日| xxx96com| 国产亚洲精品第一综合不卡| 亚洲aⅴ乱码一区二区在线播放 | www.自偷自拍.com| 人成视频在线观看免费观看| 精品第一国产精品| 无遮挡黄片免费观看| 老鸭窝网址在线观看| 久久影院123| 一进一出抽搐gif免费好疼 | 午夜成年电影在线免费观看| 精品少妇一区二区三区视频日本电影| 日韩 欧美 亚洲 中文字幕| 在线天堂中文资源库| 亚洲性夜色夜夜综合| 欧美成狂野欧美在线观看| 久久 成人 亚洲| 亚洲成人免费av在线播放| 69av精品久久久久久| 久久午夜综合久久蜜桃| 日韩成人在线观看一区二区三区| 后天国语完整版免费观看| 黑人操中国人逼视频| 亚洲国产看品久久| 91国产中文字幕| 亚洲成人手机| 国产欧美日韩一区二区三| 成人手机av| 日日摸夜夜添夜夜添小说| 午夜影院日韩av| 午夜福利在线观看吧| 亚洲精品久久午夜乱码| 日本欧美视频一区| 男人操女人黄网站| 欧美日韩精品网址| 国产精品自产拍在线观看55亚洲 | 国产欧美日韩精品亚洲av| 亚洲欧美激情综合另类| 国产亚洲av高清不卡| 国产欧美亚洲国产| 欧美中文综合在线视频| 欧美亚洲日本最大视频资源| 男女下面插进去视频免费观看| 黄片播放在线免费| 天天影视国产精品| 中文字幕人妻熟女乱码| 欧美日韩精品网址| 日韩视频一区二区在线观看| 人人澡人人妻人| 人人妻,人人澡人人爽秒播| 满18在线观看网站| 少妇猛男粗大的猛烈进出视频| 欧美精品高潮呻吟av久久| 国产黄色免费在线视频| 免费观看精品视频网站| 超碰97精品在线观看| 亚洲av成人av| 久久久精品国产亚洲av高清涩受| 91九色精品人成在线观看| 日本欧美视频一区| 最近最新免费中文字幕在线| av网站在线播放免费| 亚洲午夜精品一区,二区,三区| av在线播放免费不卡| 日本a在线网址| 老司机午夜福利在线观看视频| 精品国产国语对白av| 欧美在线一区亚洲| 91麻豆av在线| netflix在线观看网站| 精品电影一区二区在线| 精品人妻熟女毛片av久久网站| 久久精品成人免费网站| 黄色怎么调成土黄色| 波多野结衣av一区二区av| 这个男人来自地球电影免费观看| 亚洲va日本ⅴa欧美va伊人久久| 午夜福利,免费看| av片东京热男人的天堂| 国产精品久久久久久精品古装| 欧美激情高清一区二区三区| 亚洲色图综合在线观看| 国产不卡av网站在线观看| 黄色片一级片一级黄色片| 一二三四在线观看免费中文在| 欧美日韩中文字幕国产精品一区二区三区 | ponron亚洲| 叶爱在线成人免费视频播放| 中文字幕av电影在线播放| avwww免费| 国产精品美女特级片免费视频播放器 | 国产精品亚洲av一区麻豆| 在线观看www视频免费| 亚洲九九香蕉| 精品国产乱子伦一区二区三区| 国产一区有黄有色的免费视频| 成年人黄色毛片网站| 免费日韩欧美在线观看| 午夜福利在线免费观看网站| 午夜免费鲁丝| 91麻豆精品激情在线观看国产 | 99国产精品一区二区三区| 一二三四社区在线视频社区8| 精品午夜福利视频在线观看一区| 日韩制服丝袜自拍偷拍| 中文字幕另类日韩欧美亚洲嫩草| 青草久久国产| 电影成人av| 国产精品美女特级片免费视频播放器 | 成人亚洲精品一区在线观看| 午夜精品久久久久久毛片777| 国产aⅴ精品一区二区三区波| 欧美日韩av久久| 精品一区二区三卡| 狠狠狠狠99中文字幕| 国产单亲对白刺激| 99国产精品一区二区三区| 国产又爽黄色视频| 国产成人精品无人区| 自拍欧美九色日韩亚洲蝌蚪91| 激情在线观看视频在线高清 | 亚洲在线自拍视频| 天天影视国产精品| 色婷婷av一区二区三区视频| 亚洲 国产 在线| 视频在线观看一区二区三区| 欧美国产精品va在线观看不卡| 天堂动漫精品| 黑人猛操日本美女一级片| 亚洲精品在线观看二区| 午夜精品久久久久久毛片777| av免费在线观看网站| 久久中文字幕人妻熟女| 精品卡一卡二卡四卡免费| 高清视频免费观看一区二区| 国产人伦9x9x在线观看| 久久亚洲精品不卡| 夜夜夜夜夜久久久久| 老司机靠b影院| 亚洲精品自拍成人| 国产精品乱码一区二三区的特点 | 12—13女人毛片做爰片一| 最新美女视频免费是黄的| 亚洲av第一区精品v没综合| 狂野欧美激情性xxxx| 亚洲国产欧美网| 精品亚洲成国产av| 亚洲欧美一区二区三区黑人| 国产亚洲欧美精品永久| 精品少妇一区二区三区视频日本电影| 久久天堂一区二区三区四区| 桃红色精品国产亚洲av| 精品少妇久久久久久888优播| 久久久久久久国产电影| 国产av精品麻豆| 亚洲免费av在线视频| 欧美激情久久久久久爽电影 | 午夜91福利影院| 欧美激情 高清一区二区三区| 熟女少妇亚洲综合色aaa.| 久久精品国产a三级三级三级| 欧美亚洲 丝袜 人妻 在线| 亚洲va日本ⅴa欧美va伊人久久| 一个人免费在线观看的高清视频| 真人做人爱边吃奶动态| 大香蕉久久网| 精品国内亚洲2022精品成人 | 老司机福利观看| 国产日韩欧美亚洲二区| 精品一区二区三区四区五区乱码| 日韩制服丝袜自拍偷拍| 三级毛片av免费| 久久婷婷成人综合色麻豆| 丝袜人妻中文字幕| 亚洲专区国产一区二区| 久久精品91无色码中文字幕| 国产激情欧美一区二区| 久久国产乱子伦精品免费另类| 亚洲欧美一区二区三区黑人| svipshipincom国产片| 麻豆乱淫一区二区| 男女床上黄色一级片免费看| 亚洲熟女精品中文字幕| 色综合婷婷激情| 国产成人系列免费观看| 老鸭窝网址在线观看| 黑人欧美特级aaaaaa片| 国产精品综合久久久久久久免费 | 亚洲精品久久午夜乱码| 亚洲全国av大片| 中文字幕另类日韩欧美亚洲嫩草| 欧洲精品卡2卡3卡4卡5卡区| 国产精品98久久久久久宅男小说| 少妇粗大呻吟视频| 妹子高潮喷水视频| 亚洲熟妇中文字幕五十中出 | 久久中文字幕人妻熟女| 色综合欧美亚洲国产小说| netflix在线观看网站| 一级a爱片免费观看的视频| 电影成人av| 在线观看免费高清a一片| 久久狼人影院| 超色免费av| 国产精品一区二区免费欧美| 亚洲专区国产一区二区| 久久精品aⅴ一区二区三区四区| 久久久久久久久久久久大奶| 国产精品亚洲av一区麻豆| 高潮久久久久久久久久久不卡| 亚洲欧美日韩另类电影网站| a级片在线免费高清观看视频| 亚洲国产欧美一区二区综合| 欧美久久黑人一区二区| 亚洲精品中文字幕在线视频| 亚洲av成人av| 成人国语在线视频| 欧美激情久久久久久爽电影 | 9色porny在线观看| 日韩欧美国产一区二区入口| 亚洲aⅴ乱码一区二区在线播放 | 无人区码免费观看不卡| 欧美性长视频在线观看| 宅男免费午夜| 国产成人av教育| 欧美日韩av久久| 国产一区二区激情短视频| 老司机午夜福利在线观看视频| 激情视频va一区二区三区| 高清视频免费观看一区二区| 国产成人精品久久二区二区91| 99国产极品粉嫩在线观看| 99在线人妻在线中文字幕 | 不卡一级毛片| 露出奶头的视频| 国内久久婷婷六月综合欲色啪| 欧美日韩亚洲高清精品| 一级片免费观看大全| 亚洲色图综合在线观看| 极品少妇高潮喷水抽搐| 亚洲国产欧美一区二区综合| 国产1区2区3区精品| 80岁老熟妇乱子伦牲交| 日韩有码中文字幕| 在线十欧美十亚洲十日本专区| 欧美黑人欧美精品刺激| 久久久国产成人精品二区 | 国产不卡一卡二| 可以免费在线观看a视频的电影网站| 男女午夜视频在线观看| 自拍欧美九色日韩亚洲蝌蚪91| 美女午夜性视频免费| 大片电影免费在线观看免费| 国产精品国产av在线观看| 男女高潮啪啪啪动态图| 欧美黑人欧美精品刺激| 啦啦啦在线免费观看视频4| 日韩三级视频一区二区三区| 亚洲国产欧美网| 99国产综合亚洲精品| 亚洲一区二区三区不卡视频| 日本a在线网址| 国产精品国产高清国产av | 国产成人欧美| 三级毛片av免费| 十八禁高潮呻吟视频| 亚洲免费av在线视频| 欧美精品高潮呻吟av久久| 成人三级做爰电影| 国产免费av片在线观看野外av| 成人影院久久| 亚洲熟妇熟女久久| 精品国产国语对白av| 欧美日韩亚洲综合一区二区三区_| 无限看片的www在线观看| 狠狠狠狠99中文字幕| 老司机在亚洲福利影院| 黄色视频,在线免费观看| 亚洲在线自拍视频| netflix在线观看网站| 女同久久另类99精品国产91| 日韩熟女老妇一区二区性免费视频| 黑人猛操日本美女一级片| 99国产极品粉嫩在线观看| 久久久久久久精品吃奶| 啦啦啦在线免费观看视频4| 精品视频人人做人人爽| 人人妻人人澡人人看| 欧美不卡视频在线免费观看 | 亚洲欧美日韩另类电影网站| 日韩欧美免费精品| 欧美大码av| 美女午夜性视频免费| 精品久久久久久电影网| 丰满饥渴人妻一区二区三| 久久人妻福利社区极品人妻图片| 亚洲成人手机| 99精国产麻豆久久婷婷| 欧美精品啪啪一区二区三区| 99riav亚洲国产免费| 久久婷婷成人综合色麻豆| 午夜老司机福利片| 国产xxxxx性猛交| www.熟女人妻精品国产| 人人妻人人爽人人添夜夜欢视频| 亚洲中文日韩欧美视频| 免费女性裸体啪啪无遮挡网站| 激情在线观看视频在线高清 | 黑人巨大精品欧美一区二区蜜桃| 精品久久蜜臀av无| 国产91精品成人一区二区三区| 精品少妇久久久久久888优播| 成人亚洲精品一区在线观看| 欧美日韩瑟瑟在线播放| 在线观看免费日韩欧美大片| 老熟女久久久| 欧美另类亚洲清纯唯美| 天堂动漫精品| 精品久久久精品久久久| av网站免费在线观看视频| 国产亚洲av高清不卡| 亚洲一卡2卡3卡4卡5卡精品中文| 十八禁高潮呻吟视频| 久久久国产一区二区| 热99久久久久精品小说推荐| 免费一级毛片在线播放高清视频 | 视频区欧美日本亚洲| 欧美人与性动交α欧美软件| 18在线观看网站| ponron亚洲| 久久久国产成人精品二区 | 国产成人影院久久av| 亚洲精品中文字幕在线视频| 女人精品久久久久毛片| 黄色女人牲交| 欧美最黄视频在线播放免费 | av网站免费在线观看视频| 一边摸一边抽搐一进一出视频| 少妇裸体淫交视频免费看高清 | 国产区一区二久久| 九色亚洲精品在线播放| 一个人免费在线观看的高清视频| 高潮久久久久久久久久久不卡| 人妻 亚洲 视频| 少妇的丰满在线观看| av天堂在线播放| 国产精品秋霞免费鲁丝片| 飞空精品影院首页| 久久午夜亚洲精品久久| 日本黄色视频三级网站网址 | 国产精品亚洲一级av第二区| av超薄肉色丝袜交足视频| 手机成人av网站| 亚洲精品中文字幕一二三四区| 搡老熟女国产l中国老女人| 精品久久久久久久毛片微露脸| 99国产精品99久久久久| 国产一区二区三区综合在线观看| 夜夜躁狠狠躁天天躁| 亚洲av美国av| 两个人看的免费小视频| 亚洲精品一二三| av天堂久久9| 欧美老熟妇乱子伦牲交| 国产片内射在线| 日韩欧美一区视频在线观看| 黄色a级毛片大全视频| 欧美日韩中文字幕国产精品一区二区三区 | 90打野战视频偷拍视频| 老司机在亚洲福利影院| 免费在线观看黄色视频的| 欧美精品高潮呻吟av久久| 国产日韩一区二区三区精品不卡| 99精国产麻豆久久婷婷| 一二三四在线观看免费中文在| 欧美日韩福利视频一区二区| av在线播放免费不卡| 免费观看精品视频网站| 满18在线观看网站| 每晚都被弄得嗷嗷叫到高潮| av网站在线播放免费| 亚洲精品美女久久久久99蜜臀| 欧美乱色亚洲激情| 欧美精品一区二区免费开放| av中文乱码字幕在线| 正在播放国产对白刺激| 成在线人永久免费视频| 亚洲熟女毛片儿| 两人在一起打扑克的视频| 国产免费av片在线观看野外av| 国产成人免费无遮挡视频| 天天操日日干夜夜撸| 久久久久久人人人人人| 免费久久久久久久精品成人欧美视频| 亚洲精品粉嫩美女一区| 老司机在亚洲福利影院| 无人区码免费观看不卡| 他把我摸到了高潮在线观看| 亚洲精品一卡2卡三卡4卡5卡| 亚洲国产欧美一区二区综合| 自线自在国产av| 美女扒开内裤让男人捅视频| 啦啦啦 在线观看视频| a级毛片黄视频| 亚洲人成电影免费在线| avwww免费| 免费一级毛片在线播放高清视频 | 欧美日韩亚洲综合一区二区三区_| 老熟妇乱子伦视频在线观看| 69精品国产乱码久久久| av在线播放免费不卡| 中文字幕av电影在线播放| 国产精品久久久久久人妻精品电影| 国产欧美日韩一区二区三区在线| 午夜成年电影在线免费观看| 露出奶头的视频| 精品少妇一区二区三区视频日本电影| 操美女的视频在线观看| 亚洲男人天堂网一区| 成人永久免费在线观看视频| 欧美乱妇无乱码| 日本欧美视频一区| 久久久久久久久免费视频了| 国产伦人伦偷精品视频| 飞空精品影院首页| 午夜成年电影在线免费观看| 午夜福利在线免费观看网站| 亚洲熟女毛片儿| 久久久久视频综合| 亚洲熟妇熟女久久| 国产精品一区二区精品视频观看| 老司机午夜十八禁免费视频| 国产一卡二卡三卡精品| 香蕉久久夜色| 国产色视频综合| 国产真人三级小视频在线观看| 一级毛片精品| 日韩人妻精品一区2区三区| 人人妻,人人澡人人爽秒播| 久久国产精品人妻蜜桃| 亚洲七黄色美女视频| 12—13女人毛片做爰片一| 午夜久久久在线观看| 老司机影院毛片| 在线观看www视频免费| 色综合欧美亚洲国产小说| 国产亚洲欧美在线一区二区| 女同久久另类99精品国产91| 狂野欧美激情性xxxx| 啦啦啦 在线观看视频| 亚洲欧美精品综合一区二区三区| 亚洲成a人片在线一区二区| 中文字幕人妻丝袜一区二区| 欧美不卡视频在线免费观看 | 一本综合久久免费| 麻豆国产av国片精品| 日韩欧美一区视频在线观看| 韩国av一区二区三区四区| tocl精华| 久久久精品免费免费高清| 好看av亚洲va欧美ⅴa在| 亚洲色图 男人天堂 中文字幕| 精品一品国产午夜福利视频| 黑人操中国人逼视频| tocl精华| 两个人免费观看高清视频| 9191精品国产免费久久| 国产av又大| 久久久精品免费免费高清| 日韩免费高清中文字幕av| 一级作爱视频免费观看| 日韩欧美一区二区三区在线观看 | 色94色欧美一区二区| 亚洲欧美激情在线| 成年女人毛片免费观看观看9 | 淫妇啪啪啪对白视频| 啪啪无遮挡十八禁网站| 亚洲伊人色综图| 人妻丰满熟妇av一区二区三区 | 亚洲专区字幕在线| 日韩有码中文字幕| 黄片小视频在线播放| 美女国产高潮福利片在线看| 操美女的视频在线观看| 久久久水蜜桃国产精品网| 又紧又爽又黄一区二区|