• <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 ?

    金字塔卷積和改進(jìn)鉸鏈損失的特征點檢測方法

    2021-12-04 06:00:14高永彬田方正盧俊鑫周意龍
    導(dǎo)航定位學(xué)報 2021年6期
    關(guān)鍵詞:里程計鉸鏈損失

    馬 碩,高永彬,田方正,盧俊鑫,顧 佳,周意龍

    金字塔卷積和改進(jìn)鉸鏈損失的特征點檢測方法

    馬 碩,高永彬,田方正,盧俊鑫,顧 佳,周意龍

    (上海工程技術(shù)大學(xué) 電子電氣工程學(xué)院,上海 201620)

    針對傳統(tǒng)的特征點檢測方法易受視角、光照、圖像質(zhì)量等影響,導(dǎo)致圖像的特征匹配不準(zhǔn)確,提出了一種基于金字塔卷積和改進(jìn)鉸鏈損失函數(shù)的特征點檢測方法用于圖像匹配。首先,將金字塔卷積核用于特征點檢測和描述子提取算法研究,使用多尺度的卷積核捕捉場景中不同級別的信息;其次,在下采樣過程中引入模糊濾波方法,提升平移不變性;然后,考慮到描述子信息對圖像的特征匹配起決定性作用,采用基于自定義優(yōu)化的鉸鏈損失函數(shù),在訓(xùn)練過程中給每一對描述子訓(xùn)練樣本增加可變權(quán)重;最后,在HPatches數(shù)據(jù)集上對提出算法的可重復(fù)性和單應(yīng)性估計能力進(jìn)行測試,在KITTI數(shù)據(jù)集上對所提算法的視覺里程計應(yīng)用進(jìn)行測試。實驗結(jié)果表明,提出的算法結(jié)果優(yōu)于其他方法,同時能有效提高視覺里程計的定位精度。

    自監(jiān)督學(xué)習(xí);特征點檢測;描述子;金字塔卷積核;模糊濾波;可變權(quán)重;可重復(fù)性

    0 引言

    很多計算機(jī)視覺的任務(wù)都是從尋找特征點開始的,比如圖像檢索、同時定位和建圖(simultaneous localization and mapping, SLAM)和三維重建等,因此基于描述子進(jìn)行圖像匹配是非常重要的。然而在尋找特征點在圖像中的二維位置時,很容易受到視角、光度和成像條件的影響,所以有必要設(shè)計對此類變化有較強(qiáng)魯棒性的特征點檢測和描述子提取模型。現(xiàn)在的特征點檢測和描述子提取算法主要分為傳統(tǒng)方法和基于學(xué)習(xí)的方法。早期的研究主要集中在傳統(tǒng)方法,如尺度不變特征轉(zhuǎn)換(scale-invariant feature transform, SIFT)[1]、加速穩(wěn)健特征(speeded up robust features,SURF)[2]和ORB(oriented FAST and rotated BRIEF)[3]特征點檢測器均是基于手工制作的描述子,其目的在于尋找灰度值具有強(qiáng)烈變化或者邊緣曲率較大的點。然而隨著深度學(xué)習(xí)的發(fā)展,很多計算機(jī)視覺的傳統(tǒng)任務(wù)受到影響,例如姿勢估計[4-5]、單應(yīng)性估計[6]、立體匹配[7]和視覺測距[8]等。這種情況下,基于深度學(xué)習(xí)的特征點檢測和描述子提取研究[9-14]得到發(fā)展,尤其是端到端的學(xué)習(xí)方法,在一些場景應(yīng)用中取得較好的效果。文獻(xiàn)[15]提出的超點(SuperPoint)把合成數(shù)據(jù)的角、交點、斑點和線段等定義為興趣點的真實數(shù)據(jù),訓(xùn)練出一個新的模型來預(yù)測興趣點并提取描述子。

    在基于深度學(xué)習(xí)的方法中,一般使用視覺幾何組(visual geometry group, VGG)[16]、殘差網(wǎng)絡(luò)(residual network, ResNet)[17]和GoogleNet[18]等編碼器網(wǎng)絡(luò)提取圖片的特征。在此類卷積神經(jīng)網(wǎng)絡(luò)中,卷積核起著至關(guān)重要的作用,通常使用3×3卷積核或者1×1的卷積核。本文將網(wǎng)絡(luò)中的卷積核設(shè)置為多尺度的卷積核,與文獻(xiàn)[19]所提出的方法不同,本文使用固定大小的金字塔卷積核擴(kuò)大感受野,捕捉不同級別的特征信息,讓卷積神經(jīng)網(wǎng)絡(luò)更有效地在復(fù)雜場景下提取特征。卷積神經(jīng)網(wǎng)絡(luò)為了減小特征尺寸,會采用最大池化(max-pooling)、跨步卷積或平均池化等降采樣方法,然而每種方法都不可避免地對平移過度敏感而產(chǎn)生鋸齒,這對于描述子信息匹配是非常不利的。受到文獻(xiàn)[20]的啟發(fā),在訓(xùn)練特征點檢測器和描述子過程中對最大池化做出改進(jìn),在中間特征圖增添模糊濾波器來抗鋸齒,保留平移不變性。針對描述子信息對圖像幾何匹配起決定性作用,改進(jìn)了文獻(xiàn)[15]中使用的鉸鏈損失,以提取更符合點周圍特征的描述子。結(jié)合圓損失(circle loss)函數(shù)[21],給訓(xùn)練的樣本對增添可變權(quán)重,使優(yōu)化效率更高。將改進(jìn)的鉸鏈損失函數(shù)與原鉸鏈損失函數(shù)、三元組損失函數(shù)[22]的結(jié)果進(jìn)行對比,改進(jìn)的鉸鏈損失函數(shù)的精度有顯著提高。

    本文的內(nèi)容主要有4個方面:①將金字塔卷積核應(yīng)用在特征點檢測和描述子提取任務(wù)中,在卷積神經(jīng)網(wǎng)絡(luò)中使用金字塔卷積核來代替單一的卷積核,從而捕捉場景中不同級別的信息,提取圖像的多尺度特征;②對最大池化做出改進(jìn),在下采樣的中間特征圖增添模糊濾波器來抗鋸齒,保留了平移不變性;③改進(jìn)了鉸鏈損失,給每一對描述子訓(xùn)練樣本增加可變權(quán)重屬性,使用自定義優(yōu)化的方式使梯度變化更符合損失下降的規(guī)律;④最后在HPatches數(shù)據(jù)集[23]上對本文算法的可重復(fù)性和單應(yīng)性匹配能力進(jìn)行測試,在KITTI數(shù)據(jù)集[24]上對提出算法在視覺里程計中的精度進(jìn)行測試。實驗結(jié)果表明,本文算法能夠有效提高可重復(fù)性和匹配精度。應(yīng)用于相機(jī)定位中,本文算法能有效提高定位精度。

    1 自監(jiān)督特征點檢測算法

    1.1 系統(tǒng)架構(gòu)

    基于自監(jiān)督學(xué)習(xí)的特征點檢測和描述子算法總體網(wǎng)絡(luò)框架如圖1所示。輸入為原圖和經(jīng)過仿射變化的圖,孿生神經(jīng)網(wǎng)絡(luò)的分支和分支同時處理輸入的2種帶有標(biāo)簽的圖像。2個分支檢測特征點同時生成特征點的描述子信息,根據(jù)輸出的描述子的對應(yīng)關(guān)系,建立描述子正樣本對和負(fù)樣本對。根據(jù)損失函數(shù)懲罰樣本對之間的差異性,構(gòu)建出自監(jiān)督學(xué)習(xí)的網(wǎng)絡(luò)框架。其中孿生神經(jīng)網(wǎng)絡(luò)的單個分支PcsuperPoint是本文主要訓(xùn)練的特征點檢測模型。

    圖1 系統(tǒng)架構(gòu)示意圖

    1.2 PcsuperPoint網(wǎng)絡(luò)模型

    PcsuperPoint包括特征點檢測和描述子提取2項任務(wù)。圖2是特征點檢測器結(jié)構(gòu)總圖,主要包含編碼器、特征點解碼器、描述子解碼器。輸入的圖像通過編碼器網(wǎng)絡(luò)減少圖像維度并提取特征,編碼后的中間特征圖(feature map)分別送入特征點解碼器和描述子解碼器,輸出圖像的特征點及其描述子,其中、、分別代表高度、寬度和深度。通過該網(wǎng)絡(luò)輸出的特征點位置和描述子可以代替?zhèn)鹘y(tǒng)的特征點檢測器。

    圖2 網(wǎng)絡(luò)模型PcsuperPoint示意圖

    1.3 網(wǎng)絡(luò)編碼器

    本文的網(wǎng)絡(luò)編碼器采用的是類似VGG的卷積神經(jīng)網(wǎng)絡(luò),與之前不同的是在卷積過程中使用金字塔卷積核代替了原來的3×3的卷積核。具體表現(xiàn)為以3×3、5×5、7×7不同尺寸的卷積核來代替原來的單一尺寸的卷積核,并且保持原有的通道總數(shù)不變。較大感受野能夠提取更加抽象的特征信息,較小感受野可以提取更豐富的細(xì)節(jié)特征。兩者結(jié)合,同時捕捉到宏觀和微小特征信息。緊接著使用1×1的卷積將特征信息連接在一起。不同尺度的卷積核組合稱之為金字塔卷積核。圖3展現(xiàn)了一種金字塔卷積核的結(jié)構(gòu)和通道細(xì)節(jié)。

    圖3 金字塔卷積核結(jié)構(gòu)

    圖4 改進(jìn)的最大池化結(jié)構(gòu)

    1.4 特征點和描述子解碼器

    在描述子網(wǎng)絡(luò)中,首先對從編碼器網(wǎng)絡(luò)獲取的中間特征圖進(jìn)行操作。以尺寸為3×3、5×5、7×7、9×9卷積核捕獲特征信息,并應(yīng)用1×1的卷積進(jìn)行轉(zhuǎn)換,組合在不同內(nèi)核大小下提取的信息。值得注意的是,每次卷積之后都使用了標(biāo)準(zhǔn)的修正線性單元(rectified linear units,ReLU)激活函數(shù)。后續(xù)使用雙線性插值(bilinear interpolate)進(jìn)行上采樣,使用L2范式(L2-normalization)進(jìn)行批歸一化處理,最后得到固定維度的描述子。

    1.5 損失函數(shù)

    2 實驗結(jié)果與分析

    2.1 訓(xùn)練細(xì)節(jié)

    把金字塔卷積應(yīng)用到了各級網(wǎng)絡(luò)結(jié)構(gòu)中,使用通道數(shù)為16,大小分別為3×3、5×5、7×7、9×9的卷積核,取代原64通道的3×3卷積核;使用通道數(shù)為32的7×7和5×5卷積核以及通道數(shù)為64的3×3的卷積核,取代原128通道的3×3卷積核;使用通道數(shù)為64,大小分別為3×3、5×5、7×7、9×9的金字塔卷積核,取代原256通道的3×3卷積核。使用1×1卷積核組合不同尺度的特征信息,并緊跟ReLU激活函數(shù)和批量歸一化(batch normalization, BatchNorm)。

    使用COCO2014數(shù)據(jù)集[25],通過矩陣變換生成圖像對作為輸入,生成80106張240×320個像素的灰度圖像對用于訓(xùn)練。訓(xùn)練過程中加入了高斯噪聲、散斑噪聲、亮度變化等增強(qiáng)網(wǎng)絡(luò)模型的魯棒性。

    2.2 可重復(fù)性評估實驗結(jié)果與分析

    其中

    表1 可重復(fù)性評估

    從實驗結(jié)果來看,在光度變化的條件下,本文的特征點檢測方法可重復(fù)性比Shi、FAST、Harris和SuperPoint等檢測方法分別提高7.5%、8.4%、2.9%、1.8%,具有較好的表現(xiàn);在角度變化的條件下,本文方法可重復(fù)性比Shi、FAST和SuperPoint等檢測方法分別提高1.8%、2.2%、2.6%,但是低于Harris,這是因為Harris檢測使用特征點附近的區(qū)域灰度2階矩陣,具有旋轉(zhuǎn)不變性,對仿射變化并不敏感。圖5展示出了本文方法在相應(yīng)的場景圖像中檢測到的特征點,圖5(a)和圖5(c)是每對圖像的原圖,圖5(b)是經(jīng)過仿射變化后的圖,圖5(d)是經(jīng)過旋轉(zhuǎn)后的圖。

    圖5 不同場景圖像下的特征點檢測效果圖

    2.3 匹配能力評估

    匹配分?jǐn)?shù)評估方法:匹配分?jǐn)?shù)用于衡量2張圖片中正確的特征點匹配占所有點的比率;正確的匹配是描述子空間中最接近的2個點。特征點經(jīng)過單應(yīng)矩陣變換之后,每一對點都被轉(zhuǎn)換到同一視圖中,并且2個點的像素距離小于定義的閾值距離3,則是正確的匹配。

    將本文方法與ORB[3]、SIFT[1]、LF-net[29]和SuperPoint[15]等方法創(chuàng)建了對比實驗。從同一場景的2幅圖像中選擇滿足特征點和描述子匹配的點,使用OpenCV執(zhí)行最近鄰匹配計算單應(yīng)矩陣。在實驗的過程中,480×640個像素的圖像最多計算 1000個點,閾值為3,極大值抑制設(shè)為8。在相同實驗場景下,對光度和角度不同的圖片進(jìn)行檢測,實驗結(jié)果如表2所示。

    不同閾值且亮度和視點同時改變的實驗結(jié)果和匹配分?jǐn)?shù)如表3所示。ORB和SIFT使用OpenCV實現(xiàn),Superpoint和LF-net方法使用作者公開的訓(xùn)練模型實現(xiàn)。

    表2 單應(yīng)性估計結(jié)果

    表3 光度、角度同時變化時單應(yīng)性估計準(zhǔn)確性和匹配分?jǐn)?shù)

    2.4 損失函數(shù)對比結(jié)果

    使用三元組損失、鉸鏈損失和本文改進(jìn)的鉸鏈損失函數(shù)進(jìn)行對比實驗,結(jié)果如表4所示。

    表4 采用不同損失函數(shù)時的對比實驗

    在優(yōu)化過程中,三元組損失函數(shù)和原鉸鏈損失函數(shù)對呈線性關(guān)系的正樣本和負(fù)樣本的懲罰力度是相等的,所以效率不高。本文改進(jìn)的鉸鏈損失函數(shù),主要考慮到描述子的正樣本與負(fù)樣本數(shù)量上的不同會導(dǎo)致優(yōu)化速度不同,因此給樣本的優(yōu)化項添加了可變權(quán)重,這意味著在優(yōu)化過程中正負(fù)樣本的梯度變化可以進(jìn)行自定義調(diào)整,從而使損失函數(shù)收斂更加高效。實驗結(jié)果證明,本文改進(jìn)的鉸鏈損失對訓(xùn)練產(chǎn)生了積極影響。

    2.5 特征點在相機(jī)定位中的應(yīng)用能力分析

    絕對軌跡誤差評估方法:使用絕對軌跡誤差(absolute trajectory error, ATE)直接計算相機(jī)位姿的真實值與視覺里程計系統(tǒng)的估計值之間的差。首先根據(jù)位姿的時間戳將真實值和估計值進(jìn)行對齊,然后計算位姿之間的差值。

    相機(jī)在未知環(huán)境下,同時進(jìn)行定位和建圖是SLAM的基本任務(wù)。本實驗采用開源的ORB-SLAM[30]算法做比對實驗,選擇KITTI公共數(shù)據(jù)集評估SLAM系統(tǒng)的精度和穩(wěn)定性。在ORB-SLAM系統(tǒng)中,使用ORB算法提取特征點,使用本文提出的PcsuperPoint檢測算法與其對比,將本文的特征點代替ORB-SLAM中的ORB特征點構(gòu)建SLAM系統(tǒng)??紤]到本文方法沒有閉環(huán)檢測、局部和全局優(yōu)化等模塊,因此對比時禁用SLAM系統(tǒng)的局部和全局映射等優(yōu)化部分,僅保留了視覺里程計(visual odometry,VO)功能。在本文視覺里程計與ORB-SLAM視覺里程計對比實驗中,選取了KITTI數(shù)據(jù)集中的序列03和序列05的結(jié)果作為展示效果圖,如圖6、圖7所示。

    圖6(a)和圖6(b)為2種視覺里程計方法在序列03和序列05上的絕對軌跡誤差圖,可以看出本文的算法相對于ORB-SLAM(VO)算法在同一時間下誤差更小。圖6(c)和圖6(d)為2種視覺里程計方法在序列03和序列05上的每一幀圖片中檢測到的特征點數(shù)量變化圖。根據(jù)特征點數(shù)量可以看出,ORB特征點在不同幀下特征點數(shù)量變化劇烈,會造成前后幀圖片匹配不穩(wěn)點;而本文的PcsuperPoint模型檢測到的特征點數(shù)量更為穩(wěn)定,具有更強(qiáng)的魯棒性。圖7(a)和圖7(b)為2種視覺里程計方法在序列03和序列05上的相機(jī)運(yùn)動軌跡,其中、表示相機(jī)運(yùn)動過程中偏離真實軌跡的距離,結(jié)果顯示本文方法在視覺里程計中的表現(xiàn)更靠近相機(jī)的真實軌跡。

    圖7 相機(jī)運(yùn)動軌跡

    表5為ORB-SLAM(VO)和本文(VO)在KITTI數(shù)據(jù)集11個序列中絕對軌跡誤差的實驗結(jié)果??梢钥闯?,本文方法所構(gòu)建的視覺里程計僅有3個序列表現(xiàn)低于ORB-SLAM(VO);在序列00、序列02和序列08中,ORB-SLAM(VO)表現(xiàn)更好。這3個序列的真實行駛軌跡中,圖像幀數(shù)較少且特征明顯。

    表5 相機(jī)定位結(jié)果

    圖8是序列02的運(yùn)行過程,使用灰度質(zhì)心法賦予方向信息的ORB特征點更為準(zhǔn)確且能保持較好的穩(wěn)定性,本文方法并沒有優(yōu)勢,因此表現(xiàn)出略高的誤差,可以看出傳統(tǒng)方法在該種情況下表現(xiàn)更好。然而在大多數(shù)序列上本文方法的結(jié)果都優(yōu)于ORB-SLAM(VO),尤其是在序列01和序列05中,圖片幀數(shù)較多,場景變化復(fù)雜的情況下,ORB-SLAM(VO)隨著時間偏移軌跡非常大。與之相比,本文方法的定位準(zhǔn)確性可以提高69%。總體來看,本文方法所構(gòu)建的視覺里程計表現(xiàn)更靠近相機(jī)的真實軌跡。

    圖8 序列02的運(yùn)行過程

    3 結(jié)束語

    本文使用自監(jiān)督框架構(gòu)建了特征點檢測和描述子提取模型。引入不同尺度的金字塔卷積核,確保了多尺度特征的提取,同時在下采樣過程中改進(jìn)最大池化,增添模糊濾波器來抗鋸齒。注重?fù)p失函數(shù)對訓(xùn)練起到的關(guān)鍵作用,從最大化類內(nèi)相似度和最小化類間相似度的角度出發(fā),給每一對描

    述子增加權(quán)重屬性,結(jié)果表明可變的權(quán)重項更有利于描述子的學(xué)習(xí)。通過實驗證明,本文提出的方法是有效的并優(yōu)于其他方法,可以更好地解決計算機(jī)視覺中的圖像匹配問題,在視覺SLAM中的表現(xiàn)也證明了該方法有一定的實用價值。在之后的工作中希望可以進(jìn)一步優(yōu)化特征點檢測方法,構(gòu)建更加完整的SLAM系統(tǒng)。

    [1] LOWE D G. Distinctive image features from scale-invariant keypoints[J]. International Journal of Computer Vision(IJCV), 2004, 60(2): 91-110.

    [2] BAY H, ESS A, TUYTELAARS T, et al. Speeded-up robust features[J]. Computer Vision and Image Understanding, 2008, 110(3): 346-359.

    [3] RUBLEE E, RABAUD V, KONOLIGE K, et al. ORB: an efficient alternative to SIFT or SURF[EB/OL].[2021-01-18].http://www.gwylab.com/download/ORB_2012.pdf.

    [5] KENDALL A, CIPOLLA R. Geometric loss functions for camera pose regression with deep learning[EB/OL].[2021-01-18].https://arxiv.org/pdf/1704.00390.pdf.

    [6] DETONE D, MALISIEWICZ T, RABINOVICH A. Deep image homography estimation[EB/OL]. [2021-01-18].https://arxiv. org/pdf/1606. 03798. pdf.

    [7] LUO W J, SCHWING A G, URTASUN R. Effiecient deep learning for stereo matching[EB/OL]. [2021-01-18]. https://www.cv-foundation.org/openaccess/content_cvpr_2016/papers/Luo_Efficient_Deep_Learning_CVPR_2016_ paper.pdf.

    [8] WANG S, CLARK R, WEN H K, et al. DeepVO: towards end-to-end visual odometry with deep recurrent convolutional neural networks[EB/OL].[2021-01-18]. https://www.cs.ox.ac.uk/files/9026/DeepVO.pdf.

    [9] TIAN Y R, FAN B, WU F C. L2-Net: deep learning of discriminative patch descriptor in Euclidean space[EB/OL].[2021-01-18].https://openaccess.thecvf.com/content_cvpr_2017/papers/Tian_L2-Net_Deep_Learning_ CVPR_2017_paper.pdf.

    [10] HAN X F, LEUNG T, JIA Y Q, et al. MatchNet: unifying feature and metric learning for patch-based matching[EB/OL].[2021-01-18].https://www.cv-foundation.org/openaccess/content_cvpr_2015/papers/Han_MatchNet_ Unifying_Feature_2015_CVPR_paper.pdf.

    [11] MATTHEW B, GANG H, SIMON W. GeoDesc: learning local descriptors by integrating geometry constraints[EB/OL].[2021-01-18].https://arxiv.org/pdf/1807.06294.pdf.

    [12] SIMO-SERRA E, TRULLS E, FERRAZ L, et al. Discriminative learning of deep convolutional feature point descriptors[EB/OL].[2021-01-18].https://sci-hub.se/10.1109/ICCV.2015.22.

    [13] SERGEY Z, NIKOS K. Learning to compare image patches via convolutional neural networks[EB/OL].[2021-01-18].https://arxiv.org/pdf/1504.03641.pdf.

    [14] BALNTAS V, JOHNS E, TANG L L, et al. PN-Net: conjoined triple deep network for learning local image descriptors[EB/OL].[2021-01-18].https://arxiv.org/pdf/1601.05030v1. pdf.

    [15] DETONE D, MALISIEWICZ T, RABINOVICH A. SuperPoint: self-supervised interest point detection and description[EB/OL].[2021-01-18]. https://openaccess.thecvf.com/content_cvpr_2018_workshops/papers/w9/ DeTone_SuperPoint_Self-Supervised_Interest_CVPR_2018_paper.pdf.

    [16] SIMONYAN K, ZISSERMAN A. Very deep convolutional networks for large-scale image recognition[EB/OL]. [2021-01-18].https://arxiv.org/pdf/1409.1556.pdf.

    [17] HE K M, ZHANG X Y, REN S Q. Deep residual learning for image recognition[EB/OL].[2021-01-18].https:// openaccess.thecvf.com/content_cvpr_2016/papers/He_Deep_Residual_Learning_CVPR_2016_paper.pdf.

    [18] SZEGEDY C, LIU W, JIA Y Q. Going deeper with convolutions[EB/OL].[2021-01-18].https://sci-hub.se/10.1109/ CVPR.2015.7298594.

    [19] DUTA I C, LIU L, ZHU F. Pyramidal convolution: rethinking convolutional neural networks for visual recognition[EBJ/OL]. [2021-01-18]. https: //arxiv. org/pdf/2006. 11538v1. pdf.

    [20] ZHANG R. Making convolutional networks shift-invariant again[EB/OL].[2021-01-18].http://proceedings.mlr. press/v97/zhang19a/zhang19a.pdf.

    [21] SUN Y F, CHENG C M, ZHANG Y H, et al. Circle loss: a unified perspective of pair similarity optimization[EB/OL].[2021-01-18].https://openaccess.thecvf.com/content_CVPR_2020/papers/Sun_Circle_Loss_ A_Unified_Perspective_of_Pair_Similarity_Optimization_CVPR_2020_paper.pdf.

    [22] BALNTAS V, RIBA E, PONSA D. Learning local feature descriptors with triplets and shallow convolutional neural networks[EB/OL].[2021-01-18]. http://www.bmva.org/bmvc/2016/papers/paper119/paper119.pdf.

    [23] BALNTAS V, LENC K, VEDALDI A, et al. HPatches: a benchmark and evaluation of handcrafted and learned local descriptors[EB/OL].[2021-01-18].https://arxiv.org/pdf/1704.05939.pdf.

    [24] GEIGER A, LENZ P, STILLER C, et al. Vision meets robotics: the KITTI dataset[J]. The International Journal of Robotics Research, 2013, 32(11): 1231-1237.

    [25] LIN T Y, MAIRE M, BELONGIE S, et al. Microsoft COCO: common objects in context[EB/OL].[2021-01-18].https://arxiv.org/pdf/1405.0312.pdf.

    [26] SHI J B, TOMASI C. Good features to track[EB/OL].[2021-01-18].https://ecommons.cornell.edu/bitstream/handle/ 1813/6177/93-1399.ps?sequence=23.

    [27] EDWARD R, DRUMMOND T. Machine learning for high-speed corner detection[EB/OL].[2021-01-18].https:// link.springer.com/content/pdf/10.1007/11744023_34.pdf.

    [28] HARRIS C G, STEPHENS M J. A combined corner and edge detector[EB/OL].[2021-01-18].http://www.bmva.org/ bmvc/1988/avc-88-023.pdf.

    [29] ONO Y, TRULLS E, FUA P, et al. LF-Net: learning local features from images[EB/OL].[2021-01-18].https://proceedings.neurips.cc/paper/2018/file/f5496252609c43eb8a3d147ab9b9c006-Paper.pdf.

    [30] MURARTAL R, MONTIEL J M M, TARDOS J D. ORB-SLAM: a versatile and accurate monocular SLAM system[J].IEEE Transactions on Robotics, 2015, 31(5): 1147-1163.

    Feature point detection method using pyramid convolution and improved hinge loss

    MA Shuo, GAO Yongbin, TIAN Fangzheng, LU Junxin, GU Jia, ZHOU Yilong

    (School of Electronic and Electrical Engineering, Shanghai University of Engineering Science, Shanghai 201620, China)

    Aiming at traditional feature point detection methods that are easily affected by viewpoint, illumination, image quality, resulting in inaccurate image feature matching, a feature point detection method based on pyramid convolution and improved hinge loss function was proposed for image matching. Firstly, pyramid convolution kernel was used for feature point detection and descriptor extraction algorithm. Multi-scale convolution kernel was used to capture different levels of information in the scene. Then, a method of blur filter was introduced in the down-sampling process to improve shift-invariant. Aiming at the problem that descriptor information played a decisive role in image geometric matching, the hinge loss function was innovatively improved, and variable weights were added to each pair of descriptor training samples during the training process. Finally, the repeatability and homography estimation ability of the proposed algorithm was tested on the HPatches dataset, and the visual odometry application of the proposed algorithm was tested on the KITTI dataset. Experimental results showed that the proposed algorithm was better than other methods, and it could effectively improve the positioning accuracy of the visual odometer.

    self-supervised learning; feature point detection; descriptor; pyramid convolution kernel; blur filter; variable weight; repeatability

    P228; TP391

    A

    2095-4999(2021)06-0116-09

    馬碩,高永彬,田方正,等. 金字塔卷積和改進(jìn)鉸鏈損失的特征點檢測方法[J]. 導(dǎo)航定位學(xué)報, 2021, 9(6): 116-124.(MA Shuo, GAO Yongbin, TIAN Fangzheng, et al. Feature point detection method using pyramid convolution and improved hinge loss[J]. Journal of Navigation and Positioning, 2021, 9(6): 116-124.)

    10.16547/j.cnki.10-1096.20210618.

    2021-02-18

    馬碩(1995—),男,江蘇徐州人,碩士研究生,研究方向為計算機(jī)視覺、機(jī)器學(xué)習(xí)。

    高永彬(1988—),男,上海人,博士,副教授,研究方向為人工智能、機(jī)器學(xué)習(xí)、圖像處理、模式識別。

    猜你喜歡
    里程計鉸鏈損失
    室內(nèi)退化場景下UWB雙基站輔助LiDAR里程計的定位方法
    少問一句,損失千金
    胖胖損失了多少元
    基于虛擬鉸鏈打開機(jī)構(gòu)的艙門提升機(jī)構(gòu)研究
    一種單目相機(jī)/三軸陀螺儀/里程計緊組合導(dǎo)航算法
    球鉸鏈防塵罩抱緊力優(yōu)化
    北京汽車(2019年6期)2019-02-12 05:19:50
    玉米抽穗前倒伏怎么辦?怎么減少損失?
    汽車連接器帶鉸鏈護(hù)殼產(chǎn)品的塑料模具設(shè)計改進(jìn)
    汽車電器(2018年10期)2018-11-01 01:17:26
    基于模板特征點提取的立體視覺里程計實現(xiàn)方法
    大角度斜置激光慣組與里程計組合導(dǎo)航方法
    日本a在线网址| 99久久国产精品久久久| 老司机靠b影院| 国产伦在线观看视频一区| 欧美性猛交╳xxx乱大交人| 大香蕉久久成人网| 久热爱精品视频在线9| 欧美一级a爱片免费观看看 | 欧美av亚洲av综合av国产av| 亚洲精品中文字幕在线视频| 成人国语在线视频| 国产欧美日韩精品亚洲av| 18禁观看日本| 亚洲成av人片免费观看| 亚洲人成电影免费在线| 欧美中文日本在线观看视频| 免费高清在线观看日韩| 国产精品香港三级国产av潘金莲| 国产99久久九九免费精品| 国产av一区二区精品久久| 久久久国产欧美日韩av| 看免费av毛片| 国产国语露脸激情在线看| а√天堂www在线а√下载| 亚洲人成伊人成综合网2020| 免费电影在线观看免费观看| 正在播放国产对白刺激| 国产单亲对白刺激| 免费看a级黄色片| 男女午夜视频在线观看| 夜夜看夜夜爽夜夜摸| 天天一区二区日本电影三级| 无限看片的www在线观看| 欧美性长视频在线观看| 精品卡一卡二卡四卡免费| 久久国产亚洲av麻豆专区| 脱女人内裤的视频| 一级毛片女人18水好多| 丁香六月欧美| 久久青草综合色| 黄色丝袜av网址大全| 国产欧美日韩一区二区三| 久久精品91蜜桃| 麻豆一二三区av精品| 51午夜福利影视在线观看| 亚洲精品在线观看二区| 黑人操中国人逼视频| 国产亚洲欧美98| 后天国语完整版免费观看| 欧美性猛交╳xxx乱大交人| 老汉色∧v一级毛片| 成人av一区二区三区在线看| 一区二区三区高清视频在线| 欧美激情久久久久久爽电影| 久久国产精品影院| 又黄又爽又免费观看的视频| 久热爱精品视频在线9| 色哟哟哟哟哟哟| 妹子高潮喷水视频| 国产成人啪精品午夜网站| 两个人免费观看高清视频| 欧美日韩亚洲国产一区二区在线观看| 亚洲国产精品999在线| 国产av一区在线观看免费| 欧美成人一区二区免费高清观看 | 午夜精品在线福利| 51午夜福利影视在线观看| 国产三级黄色录像| 男女做爰动态图高潮gif福利片| 亚洲va日本ⅴa欧美va伊人久久| svipshipincom国产片| 一卡2卡三卡四卡精品乱码亚洲| 麻豆av在线久日| 97人妻精品一区二区三区麻豆 | 在线十欧美十亚洲十日本专区| 国产精品乱码一区二三区的特点| 日韩精品中文字幕看吧| 欧美精品亚洲一区二区| 国产伦一二天堂av在线观看| 国语自产精品视频在线第100页| 夜夜看夜夜爽夜夜摸| 精品电影一区二区在线| 日韩欧美国产在线观看| 日本一区二区免费在线视频| 天天添夜夜摸| 国产私拍福利视频在线观看| netflix在线观看网站| 男女做爰动态图高潮gif福利片| 少妇的丰满在线观看| АⅤ资源中文在线天堂| 97碰自拍视频| 中文资源天堂在线| 老司机午夜福利在线观看视频| 午夜福利免费观看在线| 精品一区二区三区视频在线观看免费| svipshipincom国产片| 国产成人精品久久二区二区91| 久久亚洲精品不卡| 手机成人av网站| 国内毛片毛片毛片毛片毛片| 欧美性长视频在线观看| 欧美性猛交╳xxx乱大交人| 成人18禁高潮啪啪吃奶动态图| 国产av又大| 免费高清在线观看日韩| 最好的美女福利视频网| 又黄又粗又硬又大视频| 午夜福利成人在线免费观看| 精品国产乱码久久久久久男人| 满18在线观看网站| 淫秽高清视频在线观看| 精品久久久久久久毛片微露脸| 男女之事视频高清在线观看| 亚洲七黄色美女视频| 丝袜美腿诱惑在线| 日韩av在线大香蕉| 18美女黄网站色大片免费观看| 99在线视频只有这里精品首页| 欧美zozozo另类| 亚洲欧美日韩无卡精品| 又黄又爽又免费观看的视频| 最新美女视频免费是黄的| 国内毛片毛片毛片毛片毛片| 亚洲美女黄片视频| 国产视频一区二区在线看| 亚洲国产精品合色在线| 色播在线永久视频| 中文字幕av电影在线播放| 高潮久久久久久久久久久不卡| 99热这里只有精品一区 | 久久中文字幕一级| 悠悠久久av| 看片在线看免费视频| 国产激情久久老熟女| 久久久久精品国产欧美久久久| 亚洲在线自拍视频| 一级毛片精品| 少妇熟女aⅴ在线视频| 免费无遮挡裸体视频| 一进一出抽搐gif免费好疼| 精华霜和精华液先用哪个| 国产成年人精品一区二区| 欧美日韩亚洲综合一区二区三区_| 亚洲精品在线观看二区| 一二三四在线观看免费中文在| 午夜免费鲁丝| 中文字幕av电影在线播放| 国产精品乱码一区二三区的特点| 在线观看免费视频日本深夜| 在线国产一区二区在线| 久久国产亚洲av麻豆专区| 不卡av一区二区三区| 国产精品免费视频内射| 99久久久亚洲精品蜜臀av| 国产三级在线视频| 无遮挡黄片免费观看| 日韩 欧美 亚洲 中文字幕| 午夜影院日韩av| 日韩欧美一区视频在线观看| 久久久久久久久久黄片| 免费高清在线观看日韩| 天堂动漫精品| 男人舔奶头视频| 亚洲va日本ⅴa欧美va伊人久久| 国产成人欧美在线观看| 大香蕉久久成人网| 亚洲精品美女久久久久99蜜臀| 国产一区二区三区视频了| netflix在线观看网站| 午夜老司机福利片| 日本一区二区免费在线视频| 国产亚洲欧美精品永久| 最新美女视频免费是黄的| 脱女人内裤的视频| 免费在线观看视频国产中文字幕亚洲| 国产精品98久久久久久宅男小说| 久久婷婷成人综合色麻豆| 在线永久观看黄色视频| 久久精品影院6| 91av网站免费观看| 久久性视频一级片| 国产区一区二久久| 淫妇啪啪啪对白视频| 中文资源天堂在线| 一级片免费观看大全| 国产精品二区激情视频| 欧美日本亚洲视频在线播放| 精品国产国语对白av| 一级作爱视频免费观看| 在线观看午夜福利视频| 这个男人来自地球电影免费观看| a级毛片在线看网站| 18美女黄网站色大片免费观看| www.www免费av| 一区二区三区精品91| 好男人在线观看高清免费视频 | 日日爽夜夜爽网站| 久久 成人 亚洲| 国产熟女xx| 好看av亚洲va欧美ⅴa在| 日韩欧美在线二视频| 亚洲第一电影网av| 精品熟女少妇八av免费久了| 男女下面进入的视频免费午夜 | 国产一区二区三区在线臀色熟女| 大型av网站在线播放| 免费在线观看成人毛片| 九色国产91popny在线| 欧美激情久久久久久爽电影| 亚洲中文字幕一区二区三区有码在线看 | 女同久久另类99精品国产91| 美女免费视频网站| 亚洲五月色婷婷综合| 色综合婷婷激情| 99国产精品99久久久久| 欧洲精品卡2卡3卡4卡5卡区| 国产精品永久免费网站| 精品一区二区三区四区五区乱码| 亚洲五月婷婷丁香| 午夜老司机福利片| 中文字幕人妻熟女乱码| 性欧美人与动物交配| 淫妇啪啪啪对白视频| 91九色精品人成在线观看| 精品国产超薄肉色丝袜足j| avwww免费| 嫩草影院精品99| 一区二区三区精品91| 精品午夜福利视频在线观看一区| 精品国内亚洲2022精品成人| 国产精品亚洲一级av第二区| 日本五十路高清| 亚洲国产欧洲综合997久久, | 久久香蕉激情| 99精品久久久久人妻精品| 国产日本99.免费观看| 一本一本综合久久| 日韩有码中文字幕| 女人被狂操c到高潮| 精品午夜福利视频在线观看一区| 欧美成人免费av一区二区三区| 欧美中文综合在线视频| 精品第一国产精品| 精品久久久久久久人妻蜜臀av| 欧美 亚洲 国产 日韩一| 亚洲熟女毛片儿| 麻豆久久精品国产亚洲av| 动漫黄色视频在线观看| 国产精品影院久久| 午夜a级毛片| 亚洲熟妇中文字幕五十中出| 香蕉av资源在线| 亚洲久久久国产精品| 亚洲一码二码三码区别大吗| 午夜精品久久久久久毛片777| 香蕉国产在线看| 老司机午夜福利在线观看视频| 国产99久久九九免费精品| 美女国产高潮福利片在线看| 午夜影院日韩av| 亚洲中文av在线| 亚洲五月婷婷丁香| 亚洲精品国产一区二区精华液| 人人妻人人看人人澡| 免费在线观看视频国产中文字幕亚洲| 亚洲国产精品合色在线| 色婷婷久久久亚洲欧美| 中文资源天堂在线| 一二三四在线观看免费中文在| 搡老岳熟女国产| 成在线人永久免费视频| 国产精品精品国产色婷婷| 欧美成人一区二区免费高清观看 | 欧美成狂野欧美在线观看| 久久久国产成人精品二区| 中文字幕久久专区| av免费在线观看网站| 国产男靠女视频免费网站| 一二三四社区在线视频社区8| 亚洲欧美一区二区三区黑人| 久9热在线精品视频| 亚洲在线自拍视频| 国语自产精品视频在线第100页| 日韩精品免费视频一区二区三区| 国产精品自产拍在线观看55亚洲| 久久天躁狠狠躁夜夜2o2o| 欧美色视频一区免费| 村上凉子中文字幕在线| 国产一卡二卡三卡精品| 人成视频在线观看免费观看| 好男人在线观看高清免费视频 | 日本三级黄在线观看| 国产伦在线观看视频一区| 国产高清视频在线播放一区| 亚洲成人国产一区在线观看| 久久精品成人免费网站| 亚洲男人的天堂狠狠| 又黄又爽又免费观看的视频| 久久伊人香网站| 亚洲专区字幕在线| 大型黄色视频在线免费观看| 国产蜜桃级精品一区二区三区| 久久久水蜜桃国产精品网| 精品久久久久久久末码| 丰满人妻熟妇乱又伦精品不卡| 一区二区三区激情视频| 亚洲精品色激情综合| 久久久久国内视频| 亚洲欧洲精品一区二区精品久久久| 黄色成人免费大全| 一a级毛片在线观看| 亚洲一码二码三码区别大吗| 亚洲精品国产一区二区精华液| 熟妇人妻久久中文字幕3abv| 波多野结衣高清无吗| 中文字幕人妻丝袜一区二区| 一本久久中文字幕| 级片在线观看| 国产成人欧美| 亚洲久久久国产精品| 夜夜爽天天搞| 色av中文字幕| 久久久久国产精品人妻aⅴ院| 天天躁狠狠躁夜夜躁狠狠躁| 99国产综合亚洲精品| 成人三级做爰电影| 又黄又爽又免费观看的视频| 精品国产一区二区三区四区第35| 久久久久久国产a免费观看| av超薄肉色丝袜交足视频| 国产精品美女特级片免费视频播放器 | 久久中文字幕一级| 91国产中文字幕| 国产v大片淫在线免费观看| 欧美最黄视频在线播放免费| 日日摸夜夜添夜夜添小说| 午夜激情av网站| 亚洲第一av免费看| av有码第一页| 高清毛片免费观看视频网站| 可以免费在线观看a视频的电影网站| 精品国产乱子伦一区二区三区| 午夜激情av网站| 美女午夜性视频免费| 日韩欧美免费精品| x7x7x7水蜜桃| 热re99久久国产66热| 亚洲专区中文字幕在线| 亚洲性夜色夜夜综合| www国产在线视频色| 两性午夜刺激爽爽歪歪视频在线观看 | 两性夫妻黄色片| 欧美大码av| 国产成人欧美| 欧美av亚洲av综合av国产av| 国产成人欧美| 国产免费av片在线观看野外av| 久9热在线精品视频| 丁香六月欧美| 男女做爰动态图高潮gif福利片| 欧美成狂野欧美在线观看| 国产亚洲精品一区二区www| 久久精品国产清高在天天线| 国产av又大| 黄片播放在线免费| 国内少妇人妻偷人精品xxx网站 | 国产麻豆成人av免费视频| 90打野战视频偷拍视频| 十八禁人妻一区二区| 窝窝影院91人妻| 韩国精品一区二区三区| 久久中文字幕人妻熟女| 国产97色在线日韩免费| 欧美日本视频| 一级a爱片免费观看的视频| 亚洲狠狠婷婷综合久久图片| 欧美中文日本在线观看视频| 国产精品一区二区精品视频观看| 国产精品,欧美在线| 操出白浆在线播放| 国产精品亚洲美女久久久| 精品人妻1区二区| 久久狼人影院| 51午夜福利影视在线观看| e午夜精品久久久久久久| 国产伦一二天堂av在线观看| 91字幕亚洲| 亚洲男人天堂网一区| 麻豆成人午夜福利视频| 亚洲国产欧美一区二区综合| 亚洲av熟女| 国产精品免费一区二区三区在线| 听说在线观看完整版免费高清| 亚洲第一欧美日韩一区二区三区| 曰老女人黄片| av有码第一页| 国产日本99.免费观看| 99国产精品一区二区三区| 91麻豆精品激情在线观看国产| 夜夜爽天天搞| 中文字幕久久专区| 在线观看舔阴道视频| 精品久久久久久久人妻蜜臀av| 999久久久国产精品视频| 极品教师在线免费播放| 亚洲国产中文字幕在线视频| 黑人巨大精品欧美一区二区mp4| 黄色视频不卡| 精品久久蜜臀av无| 熟女电影av网| 国产黄a三级三级三级人| 两人在一起打扑克的视频| 麻豆成人av在线观看| 久久精品国产亚洲av香蕉五月| 老鸭窝网址在线观看| 久久久久国产一级毛片高清牌| 成人永久免费在线观看视频| 欧美日本亚洲视频在线播放| 色综合站精品国产| 日韩有码中文字幕| 真人做人爱边吃奶动态| 久久久久久九九精品二区国产 | 免费在线观看视频国产中文字幕亚洲| 午夜a级毛片| a在线观看视频网站| svipshipincom国产片| 一边摸一边做爽爽视频免费| 哪里可以看免费的av片| 亚洲免费av在线视频| 777久久人妻少妇嫩草av网站| 国产私拍福利视频在线观看| 国产精品美女特级片免费视频播放器 | 麻豆成人av在线观看| 国产三级黄色录像| 法律面前人人平等表现在哪些方面| 老司机靠b影院| 日韩三级视频一区二区三区| aaaaa片日本免费| 国产乱人伦免费视频| 老汉色av国产亚洲站长工具| 国产精品亚洲av一区麻豆| 欧美成人午夜精品| 中文字幕另类日韩欧美亚洲嫩草| 亚洲欧洲精品一区二区精品久久久| 一进一出抽搐gif免费好疼| 中文在线观看免费www的网站 | 午夜老司机福利片| 色综合婷婷激情| 日韩成人在线观看一区二区三区| 满18在线观看网站| 欧美中文综合在线视频| 国产亚洲av高清不卡| 亚洲av成人av| 美女 人体艺术 gogo| 国产亚洲精品av在线| 国产高清激情床上av| 午夜福利视频1000在线观看| 窝窝影院91人妻| 午夜福利18| 一级片免费观看大全| 精品卡一卡二卡四卡免费| 亚洲久久久国产精品| 欧美另类亚洲清纯唯美| 久久精品人妻少妇| 免费看美女性在线毛片视频| 91麻豆av在线| 中文亚洲av片在线观看爽| 久久久久久久午夜电影| xxxwww97欧美| 在线十欧美十亚洲十日本专区| 在线永久观看黄色视频| 在线观看免费午夜福利视频| 亚洲一区中文字幕在线| 久久久水蜜桃国产精品网| 人妻久久中文字幕网| 91字幕亚洲| 中亚洲国语对白在线视频| 成人一区二区视频在线观看| 啦啦啦免费观看视频1| 久久久久九九精品影院| 欧美绝顶高潮抽搐喷水| 日韩三级视频一区二区三区| 欧美色欧美亚洲另类二区| 久久国产精品影院| 日韩三级视频一区二区三区| 欧美日韩亚洲国产一区二区在线观看| 麻豆久久精品国产亚洲av| 宅男免费午夜| 久久久国产成人精品二区| 动漫黄色视频在线观看| 成在线人永久免费视频| 丰满人妻熟妇乱又伦精品不卡| www.自偷自拍.com| www.www免费av| 亚洲自偷自拍图片 自拍| 宅男免费午夜| 成人国语在线视频| 亚洲中文字幕一区二区三区有码在线看 | 午夜亚洲福利在线播放| 亚洲在线自拍视频| 在线观看一区二区三区| 精品无人区乱码1区二区| 一级a爱视频在线免费观看| 亚洲精品美女久久久久99蜜臀| aaaaa片日本免费| 变态另类成人亚洲欧美熟女| 一夜夜www| 久久草成人影院| 亚洲中文字幕一区二区三区有码在线看 | 听说在线观看完整版免费高清| 欧美国产日韩亚洲一区| 伊人久久大香线蕉亚洲五| 人成视频在线观看免费观看| 99精品在免费线老司机午夜| 国产在线观看jvid| 国产黄色小视频在线观看| 两个人看的免费小视频| 亚洲 国产 在线| 十八禁人妻一区二区| 免费在线观看视频国产中文字幕亚洲| 美女高潮喷水抽搐中文字幕| 成年女人毛片免费观看观看9| 日韩精品青青久久久久久| 亚洲成人久久爱视频| 妹子高潮喷水视频| 中国美女看黄片| av免费在线观看网站| 日日干狠狠操夜夜爽| 黑人操中国人逼视频| 国产一区二区在线av高清观看| 人人澡人人妻人| 男女做爰动态图高潮gif福利片| 性欧美人与动物交配| 韩国精品一区二区三区| 麻豆国产av国片精品| 国产亚洲精品久久久久久毛片| 夜夜爽天天搞| 久久久久国产精品人妻aⅴ院| 久久人妻福利社区极品人妻图片| 久久久久久久久中文| 草草在线视频免费看| 女警被强在线播放| 天天一区二区日本电影三级| 国产精品爽爽va在线观看网站 | 老司机在亚洲福利影院| 少妇裸体淫交视频免费看高清 | 日本一区二区免费在线视频| 999精品在线视频| 亚洲国产欧美一区二区综合| av电影中文网址| 长腿黑丝高跟| 黄片播放在线免费| 黄片小视频在线播放| √禁漫天堂资源中文www| 国产av在哪里看| 欧美色视频一区免费| 久久香蕉精品热| 久久久久国内视频| 黄色成人免费大全| 男女视频在线观看网站免费 | 色综合婷婷激情| 国产精品日韩av在线免费观看| 精品国内亚洲2022精品成人| 亚洲男人天堂网一区| 色尼玛亚洲综合影院| 国产又爽黄色视频| 午夜激情福利司机影院| 欧美绝顶高潮抽搐喷水| 琪琪午夜伦伦电影理论片6080| 九色国产91popny在线| 午夜a级毛片| 首页视频小说图片口味搜索| 男人舔女人的私密视频| 给我免费播放毛片高清在线观看| 国产乱人伦免费视频| 免费女性裸体啪啪无遮挡网站| 亚洲av中文字字幕乱码综合 | 日本撒尿小便嘘嘘汇集6| 黄色 视频免费看| 这个男人来自地球电影免费观看| 超碰成人久久| 极品教师在线免费播放| 久久国产亚洲av麻豆专区| 波多野结衣高清作品| 国产精品永久免费网站| 99re在线观看精品视频| 十分钟在线观看高清视频www| 午夜视频精品福利| 亚洲成av人片免费观看| 少妇 在线观看| 99久久无色码亚洲精品果冻| 无限看片的www在线观看| 19禁男女啪啪无遮挡网站| 淫妇啪啪啪对白视频| 免费电影在线观看免费观看| 日本在线视频免费播放| 一级a爱片免费观看的视频| 18禁黄网站禁片午夜丰满| 在线观看www视频免费| 夜夜爽天天搞| 日本熟妇午夜| 国产精品av久久久久免费| 亚洲av片天天在线观看| 欧美性猛交黑人性爽| 丁香六月欧美| 国产精品日韩av在线免费观看| 欧美最黄视频在线播放免费| 亚洲国产欧洲综合997久久, | 久久人人精品亚洲av| 中文字幕人妻熟女乱码| 少妇粗大呻吟视频| 可以在线观看的亚洲视频| 身体一侧抽搐| 精品欧美国产一区二区三| 丝袜在线中文字幕|