• <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
    男女国产视频网站| 97人妻天天添夜夜摸| 国产欧美日韩一区二区三 | 黑人猛操日本美女一级片| 搡老乐熟女国产| 五月开心婷婷网| 久久久久久人人人人人| 91精品伊人久久大香线蕉| 视频区图区小说| 91av网站免费观看| 久久精品熟女亚洲av麻豆精品| 高清欧美精品videossex| 国精品久久久久久国模美| 啪啪无遮挡十八禁网站| 天天影视国产精品| 97人妻天天添夜夜摸| 午夜福利视频精品| 少妇的丰满在线观看| 伊人亚洲综合成人网| 在线天堂中文资源库| 亚洲全国av大片| 丰满少妇做爰视频| 久久久国产一区二区| 色精品久久人妻99蜜桃| 国产91精品成人一区二区三区 | 人人澡人人妻人| 菩萨蛮人人尽说江南好唐韦庄| 美女高潮到喷水免费观看| 免费一级毛片在线播放高清视频 | 99久久国产精品久久久| 久久女婷五月综合色啪小说| 午夜福利视频在线观看免费| 久热爱精品视频在线9| 欧美少妇被猛烈插入视频| 最新的欧美精品一区二区| 午夜福利,免费看| 久久久久久人人人人人| 高清欧美精品videossex| av天堂久久9| 日本撒尿小便嘘嘘汇集6| 欧美精品人与动牲交sv欧美| 亚洲,欧美精品.| 日韩制服丝袜自拍偷拍| 又紧又爽又黄一区二区| 亚洲 欧美一区二区三区| 大片电影免费在线观看免费| 免费观看a级毛片全部| 老鸭窝网址在线观看| 欧美日本中文国产一区发布| 日本欧美视频一区| 亚洲专区中文字幕在线| 水蜜桃什么品种好| 欧美av亚洲av综合av国产av| 亚洲七黄色美女视频| 少妇的丰满在线观看| 一本大道久久a久久精品| 午夜免费成人在线视频| 美女高潮到喷水免费观看| 99香蕉大伊视频| xxxhd国产人妻xxx| 午夜视频精品福利| 国产精品一区二区在线观看99| 99香蕉大伊视频| 日日夜夜操网爽| 999精品在线视频| 麻豆乱淫一区二区| 久久av网站| 桃红色精品国产亚洲av| 看免费av毛片| 国产精品影院久久| 国产免费福利视频在线观看| 一级毛片电影观看| 国产一级毛片在线| 成在线人永久免费视频| 日韩中文字幕视频在线看片| a 毛片基地| 精品人妻在线不人妻| 亚洲精华国产精华精| 黑人猛操日本美女一级片| 一级a爱视频在线免费观看| 精品一品国产午夜福利视频| 亚洲精品久久久久久婷婷小说| 国产精品一区二区在线不卡| 丝袜在线中文字幕| 国产一区二区三区在线臀色熟女 | 91成人精品电影| 大陆偷拍与自拍| 性少妇av在线| 欧美激情久久久久久爽电影 | 伊人亚洲综合成人网| 亚洲第一欧美日韩一区二区三区 | 黄网站色视频无遮挡免费观看| kizo精华| 日本一区二区免费在线视频| 亚洲精品国产av成人精品| 免费黄频网站在线观看国产| 老鸭窝网址在线观看| 正在播放国产对白刺激| 中文字幕制服av| 女人久久www免费人成看片| 18禁黄网站禁片午夜丰满| 亚洲av成人一区二区三| 精品国产一区二区三区四区第35| 男女下面插进去视频免费观看| 老司机福利观看| a级毛片黄视频| 亚洲精品久久成人aⅴ小说| 老鸭窝网址在线观看| av天堂久久9| 啦啦啦啦在线视频资源| 久久久国产精品麻豆| 日本vs欧美在线观看视频| 亚洲欧美一区二区三区久久| 天天躁狠狠躁夜夜躁狠狠躁| 欧美激情高清一区二区三区| 欧美国产精品一级二级三级| 三上悠亚av全集在线观看| 女性生殖器流出的白浆| 欧美一级毛片孕妇| 妹子高潮喷水视频| 亚洲性夜色夜夜综合| 首页视频小说图片口味搜索| 五月天丁香电影| 在线观看免费视频网站a站| 亚洲人成电影观看| 国产精品一区二区免费欧美 | 在线av久久热| 国产精品一区二区精品视频观看| www.999成人在线观看| 99热国产这里只有精品6| 大片免费播放器 马上看| 十八禁高潮呻吟视频| 国产亚洲精品久久久久5区| 国产男女内射视频| 欧美日韩黄片免| 国产精品九九99| 亚洲免费av在线视频| 成年人午夜在线观看视频| 欧美变态另类bdsm刘玥| 99精品久久久久人妻精品| 久久精品国产综合久久久| 韩国精品一区二区三区| 国产欧美亚洲国产| 日本vs欧美在线观看视频| 国产老妇伦熟女老妇高清| 少妇被粗大的猛进出69影院| 18禁黄网站禁片午夜丰满| 欧美人与性动交α欧美软件| 日韩欧美一区二区三区在线观看 | 日韩,欧美,国产一区二区三区| 一区二区av电影网| 黑人巨大精品欧美一区二区mp4| 99精品欧美一区二区三区四区| 操出白浆在线播放| 亚洲国产欧美网| 亚洲国产成人一精品久久久| 999久久久精品免费观看国产| 免费一级毛片在线播放高清视频 | 亚洲色图 男人天堂 中文字幕| 久久ye,这里只有精品| 成年人午夜在线观看视频| av欧美777| av网站免费在线观看视频| 一本色道久久久久久精品综合| 国产99久久九九免费精品| 啦啦啦啦在线视频资源| 欧美午夜高清在线| 国产有黄有色有爽视频| 亚洲熟女精品中文字幕| 可以免费在线观看a视频的电影网站| 色视频在线一区二区三区| 欧美性长视频在线观看| 老司机靠b影院| 午夜福利乱码中文字幕| 黄色视频,在线免费观看| 亚洲 国产 在线| 丁香六月天网| 岛国毛片在线播放| 人成视频在线观看免费观看| 亚洲人成电影免费在线| 丰满人妻熟妇乱又伦精品不卡| 丝袜脚勾引网站| 91成人精品电影| 久久久水蜜桃国产精品网| 男女之事视频高清在线观看| 亚洲五月婷婷丁香| 狂野欧美激情性xxxx| 久久综合国产亚洲精品| 夜夜骑夜夜射夜夜干| 久热爱精品视频在线9| 亚洲国产毛片av蜜桃av| 在线精品无人区一区二区三| 永久免费av网站大全| 日本撒尿小便嘘嘘汇集6| 久久午夜综合久久蜜桃| 国产老妇伦熟女老妇高清| 国产精品影院久久| 国产亚洲欧美在线一区二区| 欧美日韩成人在线一区二区| 国产精品免费大片| 精品卡一卡二卡四卡免费| 久久久久久久大尺度免费视频| 亚洲国产精品999| 电影成人av| 99久久国产精品久久久| 亚洲欧美日韩高清在线视频 | 丁香六月欧美| 狂野欧美激情性bbbbbb| 国产老妇伦熟女老妇高清| 一本大道久久a久久精品| 中文字幕高清在线视频| 免费一级毛片在线播放高清视频 | 女性生殖器流出的白浆| 亚洲天堂av无毛| 亚洲精品av麻豆狂野| 乱人伦中国视频| 免费观看人在逋| 亚洲综合色网址| 少妇 在线观看| 欧美午夜高清在线| 国产一区二区在线观看av| 亚洲av成人一区二区三| 另类亚洲欧美激情| 欧美精品一区二区免费开放| 亚洲自偷自拍图片 自拍| 午夜福利乱码中文字幕| 日本wwww免费看| 美女国产高潮福利片在线看| 黄色视频不卡| 欧美少妇被猛烈插入视频| 免费在线观看影片大全网站| 99国产精品一区二区蜜桃av | 一本色道久久久久久精品综合| 国产成+人综合+亚洲专区| 巨乳人妻的诱惑在线观看| 叶爱在线成人免费视频播放| 在线av久久热| 每晚都被弄得嗷嗷叫到高潮| 亚洲一码二码三码区别大吗| 久久久久久久精品精品| 亚洲精品久久成人aⅴ小说| 国产色视频综合| 精品卡一卡二卡四卡免费| 精品一品国产午夜福利视频| 99香蕉大伊视频| 色老头精品视频在线观看| 美女高潮喷水抽搐中文字幕| 亚洲国产av影院在线观看| 色老头精品视频在线观看| 在线天堂中文资源库| 欧美一级毛片孕妇| 欧美日韩亚洲高清精品| 久久天躁狠狠躁夜夜2o2o| 国产av国产精品国产| 亚洲第一av免费看| 99久久国产精品久久久| 日韩中文字幕欧美一区二区| 满18在线观看网站| 亚洲成人手机| 18禁国产床啪视频网站| 老司机福利观看| 国产成人欧美| 十八禁人妻一区二区| 99九九在线精品视频| 他把我摸到了高潮在线观看 | 亚洲中文日韩欧美视频| 久久中文看片网| 亚洲成国产人片在线观看| 动漫黄色视频在线观看| 啪啪无遮挡十八禁网站| 人妻人人澡人人爽人人| 999久久久精品免费观看国产| 国产精品一区二区精品视频观看| 啦啦啦视频在线资源免费观看| 啦啦啦视频在线资源免费观看| 欧美乱码精品一区二区三区| 久久久久久久久免费视频了| 欧美日韩亚洲国产一区二区在线观看 | 91大片在线观看| 午夜久久久在线观看| 国产成人免费观看mmmm| 国产麻豆69| 波多野结衣一区麻豆| 亚洲精品自拍成人| 99国产综合亚洲精品| 欧美激情高清一区二区三区| 久久久水蜜桃国产精品网| 婷婷成人精品国产| av电影中文网址| 啦啦啦中文免费视频观看日本| 最新在线观看一区二区三区| 男女边摸边吃奶| 肉色欧美久久久久久久蜜桃| 免费观看av网站的网址| 欧美激情高清一区二区三区| 美女高潮到喷水免费观看| 久久天堂一区二区三区四区| 18禁黄网站禁片午夜丰满| 中文字幕av电影在线播放| 国产成人系列免费观看| 99香蕉大伊视频| 精品福利观看| videosex国产| 亚洲第一欧美日韩一区二区三区 | 精品久久久精品久久久| 18禁国产床啪视频网站| 亚洲国产中文字幕在线视频| 少妇精品久久久久久久| 国产成人一区二区三区免费视频网站| 另类精品久久| 亚洲一区二区三区欧美精品| 亚洲一区中文字幕在线| 天堂中文最新版在线下载| 少妇猛男粗大的猛烈进出视频| h视频一区二区三区| 日韩制服骚丝袜av| 久久久久久人人人人人| 嫁个100分男人电影在线观看| 麻豆av在线久日| 国产亚洲精品一区二区www | 亚洲精品一二三| 欧美一级毛片孕妇| 亚洲成人免费av在线播放| 男人操女人黄网站| 亚洲成人免费电影在线观看| 国产成人精品无人区| 丝袜美足系列| 国产三级黄色录像| av国产精品久久久久影院| 日韩欧美一区视频在线观看| 大码成人一级视频| 少妇粗大呻吟视频| 青草久久国产| 亚洲精品一二三| 欧美另类亚洲清纯唯美| 亚洲全国av大片| 久久99热这里只频精品6学生| 精品人妻一区二区三区麻豆| 日韩有码中文字幕| 免费在线观看影片大全网站| 超色免费av| 男人爽女人下面视频在线观看| 亚洲人成77777在线视频| 50天的宝宝边吃奶边哭怎么回事| 久久中文看片网| svipshipincom国产片| 波多野结衣av一区二区av| 99热国产这里只有精品6| 亚洲中文字幕日韩| 亚洲精品日韩在线中文字幕| 黄色视频在线播放观看不卡| 大型av网站在线播放| 黑人操中国人逼视频| 国产亚洲欧美在线一区二区| 国产av国产精品国产| 男女床上黄色一级片免费看| 黄色a级毛片大全视频| 国产一卡二卡三卡精品| 法律面前人人平等表现在哪些方面 | 男女边摸边吃奶| 亚洲一区中文字幕在线| 69av精品久久久久久 | 九色亚洲精品在线播放| 波多野结衣av一区二区av| 久久国产精品人妻蜜桃| 日韩精品免费视频一区二区三区| 欧美一级毛片孕妇| 亚洲精华国产精华精| 我要看黄色一级片免费的| 成人亚洲精品一区在线观看| 啦啦啦视频在线资源免费观看| 国产精品二区激情视频| 欧美精品av麻豆av| 国产又色又爽无遮挡免| 丰满人妻熟妇乱又伦精品不卡| 午夜影院在线不卡| 日韩大片免费观看网站| 精品人妻一区二区三区麻豆| 女人精品久久久久毛片| 久久久国产欧美日韩av| 最新在线观看一区二区三区| 丁香六月天网| 久久久久视频综合| 日韩视频在线欧美| 色综合欧美亚洲国产小说| 亚洲成人免费av在线播放| 两人在一起打扑克的视频| 韩国精品一区二区三区| 精品久久久久久电影网| 亚洲伊人色综图| 日韩制服骚丝袜av| videos熟女内射| 夜夜夜夜夜久久久久| 女人高潮潮喷娇喘18禁视频| 一本—道久久a久久精品蜜桃钙片| 99国产极品粉嫩在线观看| 18禁黄网站禁片午夜丰满| 亚洲精品国产av蜜桃| 日韩有码中文字幕| 国产精品影院久久| e午夜精品久久久久久久| 日本五十路高清| 亚洲av男天堂| 国产日韩欧美在线精品| 成人三级做爰电影| av视频免费观看在线观看| 免费av中文字幕在线| 午夜福利乱码中文字幕| 国产高清videossex| 精品人妻在线不人妻| 一区二区av电影网| 日本五十路高清| 女人精品久久久久毛片| 丝袜喷水一区| 大码成人一级视频| 精品人妻在线不人妻| 丰满人妻熟妇乱又伦精品不卡| 国产精品久久久人人做人人爽| 多毛熟女@视频| 考比视频在线观看| 久久综合国产亚洲精品| 十八禁网站免费在线| 我的亚洲天堂| 亚洲中文av在线| 99久久99久久久精品蜜桃| 久久女婷五月综合色啪小说| 亚洲欧美一区二区三区久久| 国产伦人伦偷精品视频| 曰老女人黄片| 国产黄色免费在线视频| 国产亚洲一区二区精品| 美女主播在线视频| 新久久久久国产一级毛片| 国产成人免费观看mmmm| 欧美97在线视频| 高清av免费在线| 欧美变态另类bdsm刘玥| 国产成人av激情在线播放| 黄片小视频在线播放| 制服人妻中文乱码| 一二三四社区在线视频社区8| 亚洲精品久久午夜乱码| av有码第一页| 美国免费a级毛片| 肉色欧美久久久久久久蜜桃| 老司机在亚洲福利影院| 十八禁人妻一区二区| 亚洲精品中文字幕在线视频| 热99re8久久精品国产| 人人妻,人人澡人人爽秒播| 亚洲第一av免费看| 亚洲av片天天在线观看| 久久青草综合色| 精品一区二区三区av网在线观看 | 免费日韩欧美在线观看| 老司机靠b影院| 欧美变态另类bdsm刘玥| 中文字幕人妻丝袜制服| videos熟女内射| 国产精品影院久久| 亚洲成国产人片在线观看| 久久狼人影院| 丰满迷人的少妇在线观看| 亚洲精品美女久久av网站| 王馨瑶露胸无遮挡在线观看| 满18在线观看网站| 亚洲中文字幕日韩| 黄色片一级片一级黄色片| 99国产极品粉嫩在线观看| 91麻豆av在线| 另类亚洲欧美激情| 日日爽夜夜爽网站| 男女之事视频高清在线观看| 日韩 亚洲 欧美在线| 桃红色精品国产亚洲av| 成人国产一区最新在线观看| 国产男人的电影天堂91| 亚洲国产精品999| 91精品国产国语对白视频| 99精国产麻豆久久婷婷| 亚洲午夜精品一区,二区,三区| 免费高清在线观看视频在线观看| 伊人久久大香线蕉亚洲五| 中文字幕色久视频| 日韩欧美一区二区三区在线观看 | 国产有黄有色有爽视频| 老熟妇乱子伦视频在线观看 | 国产精品一区二区精品视频观看| 亚洲熟女精品中文字幕| 人人妻,人人澡人人爽秒播| 久久久国产一区二区| kizo精华| 午夜日韩欧美国产| 国产福利在线免费观看视频| 啦啦啦啦在线视频资源| 99热网站在线观看| 少妇被粗大的猛进出69影院| 日日摸夜夜添夜夜添小说| 人人妻人人澡人人爽人人夜夜| 亚洲欧美清纯卡通| 亚洲精华国产精华精| 国产精品免费视频内射| 亚洲精品自拍成人| 国产精品一二三区在线看| 国产麻豆69| 在线观看免费视频网站a站| 9色porny在线观看| 国产一区二区三区在线臀色熟女 | 久久精品久久久久久噜噜老黄| 国产又爽黄色视频| 久久青草综合色| 日本a在线网址| 动漫黄色视频在线观看| 亚洲精品乱久久久久久| 午夜福利,免费看| 午夜福利影视在线免费观看| 亚洲精品久久久久久婷婷小说| 99久久人妻综合| 亚洲欧洲日产国产| 新久久久久国产一级毛片| 成人国语在线视频| 91麻豆精品激情在线观看国产 | 久久精品成人免费网站| 丝瓜视频免费看黄片| 亚洲欧洲日产国产| 国产精品一区二区在线观看99| 一二三四在线观看免费中文在| av福利片在线| 久久狼人影院| 99国产精品99久久久久| 麻豆av在线久日| 精品亚洲乱码少妇综合久久| 正在播放国产对白刺激| 99精品欧美一区二区三区四区| 精品一区二区三区av网在线观看 | 女人精品久久久久毛片| 午夜精品国产一区二区电影| 黄色片一级片一级黄色片| 99久久人妻综合| 国产熟女午夜一区二区三区| 女人被躁到高潮嗷嗷叫费观| 国产成人一区二区三区免费视频网站| av在线app专区| 成年女人毛片免费观看观看9 | 精品久久久久久电影网| 亚洲国产毛片av蜜桃av| 成人三级做爰电影| 亚洲成人国产一区在线观看| 亚洲 欧美一区二区三区| 国产三级黄色录像| 亚洲欧美清纯卡通| 国产精品 国内视频| 妹子高潮喷水视频| 99香蕉大伊视频| 男女午夜视频在线观看| 自拍欧美九色日韩亚洲蝌蚪91| 国产主播在线观看一区二区| av一本久久久久| 久久av网站| 精品少妇内射三级| 久久人妻福利社区极品人妻图片| 777久久人妻少妇嫩草av网站| 国产精品久久久久久人妻精品电影 | 满18在线观看网站| 一级毛片精品| 91精品三级在线观看| 国精品久久久久久国模美| 俄罗斯特黄特色一大片| 美女国产高潮福利片在线看| 国产黄频视频在线观看| 亚洲中文字幕日韩| 欧美日韩一级在线毛片| 女人高潮潮喷娇喘18禁视频| 色综合欧美亚洲国产小说| 考比视频在线观看| 脱女人内裤的视频| 国产精品一区二区在线观看99| 中文字幕高清在线视频| 亚洲av日韩精品久久久久久密| 女人爽到高潮嗷嗷叫在线视频| 亚洲黑人精品在线| 在线观看www视频免费| 午夜精品久久久久久毛片777| av天堂在线播放| 大片电影免费在线观看免费| 在线观看免费视频网站a站| 久久久久精品国产欧美久久久 | 超色免费av| 男人舔女人的私密视频| e午夜精品久久久久久久| 美女午夜性视频免费| 高清在线国产一区| 国产一区二区三区综合在线观看| 久久国产亚洲av麻豆专区| 国产精品自产拍在线观看55亚洲 | 18禁黄网站禁片午夜丰满| 丝袜喷水一区| 久久ye,这里只有精品| 国产精品九九99| 不卡av一区二区三区| 麻豆av在线久日| 久久久久久人人人人人| 各种免费的搞黄视频| 宅男免费午夜| 啦啦啦在线免费观看视频4| 亚洲人成77777在线视频| 美女国产高潮福利片在线看| 国产精品成人在线| 亚洲 国产 在线| 精品欧美一区二区三区在线| a级片在线免费高清观看视频| 啦啦啦视频在线资源免费观看| 免费观看av网站的网址| 秋霞在线观看毛片| 精品熟女少妇八av免费久了|