• <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MobileNetV3-YOLOv4 的車型識別

    2022-01-07 01:23:38凌毓?jié)?/span>鄭錫聰李夏雨
    軟件導刊 2021年12期
    關(guān)鍵詞:特征提取卷積聚類

    萬 浪,凌毓?jié)?,鄭錫聰,李夏雨

    (華中師范大學物理科學與技術(shù)學院,湖北武漢 430079)

    0 引言

    近年來,我國機動車數(shù)量逐年增長,截至2020 年9 月已高達3.65 億輛,其中汽車占73.97%。汽車帶來了交通的便利,但也導致道路擁擠、交通事故等一系列問題[1]。監(jiān)控系統(tǒng)是輔助交通監(jiān)管的重要設(shè)施,如何利用監(jiān)控對道路上的車輛進行檢測與分類成為研究熱點。

    在計算機視覺領(lǐng)域,典型的車型識別方法分為形態(tài)學圖像處理與卷積神經(jīng)網(wǎng)絡(luò)(Convolution Neural Network,CNN)兩種。在形態(tài)學圖像處理方面,程麗霞等[2]提出一種基于灰度共生矩陣紋理特征的車型識別方法,該方法性能穩(wěn)定、可行性強,但適用范圍較窄,在光線較強或車身顏色較暗的情況下提取的車輛紋理特征并不清晰,會導致分類結(jié)果不準確。在CNN 方面,吳玉枝等[3]對SSD 目標檢測算法進行改進,對主干特征提取網(wǎng)絡(luò)VGG-16 增加一層卷積層,并將底層與頂層多層特征圖融合后進行預測,以獲取更全面的特征信息。該方法降低了模型誤檢率,提升了識別速度,但識別精度還有待提升。桑軍等[4]提出一種基于Faster-RCNN 的車型識別方法,研究Faster-RCNN 分別與ZF、VGG16 和ResNet-101 3種不同CNN相結(jié)合的識別能力,實驗結(jié)果表明Faster-RCNN 與ResNet-101 相結(jié)合的模型識別能力最強。該算法雖然精度較高,但模型參數(shù)量過大,訓練和識別速度較慢。

    YOLOv4 目標檢測算法在速度和精度方面均表現(xiàn)優(yōu)異,但同樣存在參數(shù)量過大、難以訓練的問題。為解決目前車輛檢測與分類算法的局限性,本文將MobileNet 輕量級網(wǎng)絡(luò)引入YOLOv4 目標檢測網(wǎng)絡(luò)中,得到MobileNetV3-YOLOv4 模型,大幅減少了目標檢測網(wǎng)絡(luò)的參數(shù)量,從而提升了檢測速度。此外,為消除減少參數(shù)量帶來的準確度不足問題,本文使用K-means 算法設(shè)置預選框用于提升模型最終識別精度,最終構(gòu)建了一種實用的車輛檢測與分類算法。

    1 MobileNet 簡介

    MobileNet 網(wǎng)絡(luò)是由谷歌提出的一種輕量級CNN。MobileNetV1 的卷積模型主要應用深度可分離卷積(Depthwise Separable Convolution)的方式替換普通卷積方式[5],深度可分離卷積流程如圖1 所示。其通過對每個輸入通道采用不同的卷積核分別進行卷積,然后再通過1× 1 大小的卷積核進行通道調(diào)整實現(xiàn),并在卷積層后加上BN(Batch Normalization)層和ReLU 激活函數(shù)。假設(shè)輸入特征圖的大小為DW×DH×M,輸出特征圖的大小為DW×DH×N,其中DW、DH分別為特征圖的寬和高,M、N分別為輸入和輸出特征圖的通道數(shù)。對于一個卷積核尺寸為DK×DK的標準卷積來說,共有N個DK×DK×M的卷積核,因此參數(shù)量PN的計算公式可表示為:

    Fig.1 Depthwise separable convolution structure圖1 深度可分離卷積結(jié)構(gòu)

    每個卷積核都要經(jīng)過DW×DH次計算,其計算量QN表示為:

    在深度可分離卷積中,一次標準卷積可分為深度卷積(Depthwise Convolution)和逐點卷積(Pointwise Convolution)兩步操作[6]。深度卷積只需要一個尺寸為DK×DK×M的卷積核;逐點卷積的卷積核尺寸為1× 1×M,共有N個,因此其參數(shù)量PD表示為:

    深度卷積和逐點卷積的每個參數(shù)都需要經(jīng)過DW×DH次運算,其計算量QD表示為:

    深度可分離卷積模塊與標準卷積參數(shù)量的比值RP表示為式(5)、計算量比值RQ表示為式(6)。

    由上式可知,深度可分離卷積的參數(shù)和計算量均減少為標準卷積的。

    MobileNetV1 網(wǎng)絡(luò)結(jié)構(gòu)在訓練過程中易出現(xiàn)深度卷積部分的卷積核失效,即出現(xiàn)卷積核的大部分參數(shù)為0 的情況,影響了特征提取效果。MobileNetV2 在V1 的基礎(chǔ)上使用Inverted residuals block[7]結(jié)構(gòu),具體如圖2 所示。首先使用逐點卷積進行特征升維,再通過深度卷積進行特征提取,最后通過逐點卷積進行降維,將ReLU 激活函數(shù)替換為ReLU6 激活函數(shù),使模型在低精度計算下具有更強的魯棒性,并去掉最后的ReLU 層。ReLU6 激活函數(shù)的公式表示為:

    Fig.2 Inverted residuals block structure圖2 Inverted residuals 結(jié)構(gòu)

    在輸入維度與輸出維度相同時,引入ResNet 中的殘差連接,將輸出與輸入直接相連。這種倒殘差結(jié)構(gòu)的特點為上層和下層特征維度低,中間層維度高,避免了Mobile-NetV1 在深度卷積過程中卷積核失效等問題,而且在高維特征層使用單深度卷積也不會增加太多參數(shù)量。此外,引入殘差連接可避免在加深網(wǎng)絡(luò)深度時出現(xiàn)梯度消失的現(xiàn)象。

    MobileNetV3[8]使用一個3×3的標準卷積和多個bneck 結(jié)構(gòu)提取特征,在特征提取層后使用1× 1 的卷積塊代替全連接層,并加入最大池化層得到最后的分類結(jié)果,進一步減少網(wǎng)絡(luò)參數(shù)量。MobileNetV3 包括Large 和Small兩種結(jié)構(gòu),本文使用Large 結(jié)構(gòu)。為適應車型識別任務(wù),將輸入圖片大小設(shè)為416×416。MobileNetV3_Large 結(jié)構(gòu)如表1 所示,其中SE 表示是否使用注意力模塊,NL 表示使用何種激活函數(shù),s 表示步長。

    Table 1 MobileNetV3_Large structure表1 MobileNetV3_Large 結(jié)構(gòu)

    bneck 結(jié)構(gòu)結(jié)合了V1 中的深度可分離卷積與V2 中的殘差結(jié)構(gòu),并在某些bneck 結(jié)構(gòu)中引入輕量級注意力模塊,增加了特征提取能力強的通道權(quán)重。bneck 結(jié)構(gòu)如圖3 所示。

    在主干模塊中使用h-swish 激活函數(shù)代替swish,在SE模塊中使用h-sigmoid 激活函數(shù)代替sigmoid,減少了網(wǎng)絡(luò)的計算量。h-sigmoid、h-swish 的計算公式如式(8)、式(9)所示。

    Fig.3 Benck block structure圖3 bneck 結(jié)構(gòu)

    2 輕量級車型識別模型MobileNetV3-YOLOv4 建立

    2.1 MobileNetv3-YOLOv4 整體框架

    YOLOv4[9]是一個基于回歸的單階段目標檢測算法,主要由CSPDarknet53特征提取結(jié)構(gòu)[10]、PAnet特征融合結(jié)構(gòu)[11]和進行回歸與分類的head 頭3 個部分組成,其可在檢測目標的同時對目標進行分類。

    Fig.4 MobileNetV3-YoloV4 network structure圖4 MobileNetV3-YoloV4 網(wǎng)絡(luò)結(jié)構(gòu)

    MobileNetV3-YOLOv4 網(wǎng)絡(luò)采用MobilenetV3 作為主干提取網(wǎng)絡(luò)代替原有的CSPDarknet53 網(wǎng)絡(luò),其結(jié)構(gòu)如圖4 所示。SPP(Spatial Pyramid Pooling)模塊分別使用4 個不同大小的卷積核對前層特征進行最大池化處理[12],卷積核的尺寸分別為13 × 13、9 × 9、5 × 5、1× 1,然后將4 個處理后的結(jié)果連接起來組成新的特征層,在增加網(wǎng)絡(luò)深度的同時保留了前層特征,以獲取更多局部特征信息。PANet 模塊對MobileNetV3 主干網(wǎng)絡(luò)特征提取的結(jié)果首先進行上采樣,再進行下采樣,加強了特征金字塔的信息提取能力。通過不同層的自適應池化,將特征網(wǎng)格與全部特征層直接融合在一起,在下采樣的過程中將融合的結(jié)果傳入Head 頭進行回歸與分類。

    通過PANet 結(jié)構(gòu)得到3 個特征層的預測結(jié)果,這3 個特征層的大小分別為52 × 52、26 × 26、13 × 13。Yolo Head 將輸入圖像劃分為對應大小的網(wǎng)絡(luò),例如對于13 × 13 大小的特征層,將其劃分為13 × 13 的網(wǎng)格,目標中心所在的網(wǎng)格負責該目標的預測,每個網(wǎng)格點會有3 個預設(shè)的先驗框,不同大小特征層網(wǎng)格點的先驗框大小也不相同。每個預設(shè)的先驗框經(jīng)過預測得到網(wǎng)格中心的偏移量x_offset 和y_offset、預測框的寬高h 和w,以及物體的置信度和分類結(jié)果。在預測過程中將每個網(wǎng)格加上其偏移量得到預測框的中心,然后通過先驗框結(jié)合h 和w 便可得到預測框的位置。本文模型將所有卷積核大小為3 × 3 的標準卷積替換為深度可分離卷積,進一步減少了模型參數(shù)量。

    2.2 損失函數(shù)

    采用YOLOv4 模型的損失函數(shù),包含邊界框回歸(Bounding Box Regression)損失、置信度損失和類別損失3個部分,其中邊界框回歸損失中使用CIOU代替YOLOv3 中的MSE 損失,其他兩部分與YOLOv3[13]相同。

    IOU為兩個錨框之間的交并比,表示為:

    IOU對目標尺度不敏感,且當預測框與實際框沒有重疊時,IOU會出現(xiàn)無法優(yōu)化的情況。CIOU對IOU進行了改進,不僅考慮了錨框之間的交并比,還將尺度與懲罰項納入考慮,計算方式為:

    式中,ρ2(b,bgt)表示預測框與真實框中心的歐式距離,b和bgt分別為預測框和真實框的中心點,c表示預測框與真實框最小外接矩形的對角線距離。α和υ的計算公式為:

    式中,wgt、hgt分別為真實框的寬、高,w、h分別為預測框的寬、高。

    相應的損失Lciou表示為:

    置信度損失Lconf表示為:

    式中,S2表示分類特征層所劃分的網(wǎng)格數(shù),B表示每個網(wǎng)格點包含的先驗框個數(shù),表示預測框內(nèi)有無目標,為預測目標置信度,為實際置信度,λnoobj為預設(shè)參數(shù)。

    類別損失Lcls表示為:

    式中,c為檢測目標類別,為預測為此類的概率,為此類實際概率。

    總的損失Lobject表示為:

    2.3 遷移學習

    遷移學習是將已訓練完成網(wǎng)絡(luò)的權(quán)重遷移到一個未經(jīng)過訓練的網(wǎng)絡(luò)中[14]。大部分任務(wù)或數(shù)據(jù)都具有一定相關(guān)性,且在大數(shù)據(jù)集中訓練過的模型通常都具有很強的泛化能力,因此遷移學習可以將已經(jīng)學習到的特征提取能力通過設(shè)定預訓練權(quán)值的方式共享給新模型以加快其訓練速度。對于在相對較小的數(shù)據(jù)集上訓練的模型,遷移學習也能使其學習到預訓練模型在大數(shù)據(jù)集上訓練得到的特征提取能力,防止過擬合現(xiàn)象。為加快車型識別模型的訓練速度,本文使用遷移學習的方式將MobileNetV3 在ImageNet 數(shù)據(jù)集上訓練好的參數(shù)遷移到車型識別任務(wù)中。

    2.4 K-means 聚類方法重置先驗框

    在目標檢測算法中,通過預設(shè)不同大小的先驗框分別對每個網(wǎng)格中心進行預測,替換使用多尺度滑動窗口遍歷的方法,提升了模型的速度與精度,其中YOLOv4 的先驗框是通過對VOC 數(shù)據(jù)集的目標聚類所得。VOC 數(shù)據(jù)集上的目標尺寸差異很大,因此預設(shè)的先驗框差異也很大。在本文設(shè)定的車型識別任務(wù)中,車輛目標尺寸差異相對較小,因此通過K-means 聚類法[15]重設(shè)先驗框可得到更好的檢測效果。

    首先遍歷數(shù)據(jù)集中每個標簽的每個目標,隨機選取9個框作為聚類中心,劃分為9 個區(qū)域,計算其他所有框與這9 個聚類中心的距離。如果某個框距離某個聚類中心最近,則這個框就被劃分到該聚類中心所在區(qū)域,之后對9 個區(qū)域內(nèi)所有框取平均,重新作為聚類中心進行迭代,直至聚類中心不再改變?yōu)橹?。由于不同目標框的寬高各不相同,若使用目標框中心與聚類中心的歐式距離作為距離參數(shù)可能會導致更大誤差,因此選擇聚類中心與目標的IOU作為距離參數(shù),距離d表示為:

    3 實驗方法與結(jié)果分析

    3.1 實驗環(huán)境

    在Win10操作系統(tǒng),GPU 為GeForce RTX 2060的計算機上進行實驗。Cuda 版本為10.0,Cudnn 版本為7.4.1.5,使用Pytorch 框架進行模型的搭建與訓練。

    3.2 數(shù)據(jù)集

    使用BIT-vehicle 數(shù)據(jù)集,包含9 850 張車輛圖片,分為Bus、Microbus、Minivan、Sedan、SUV 和Truck 6 種車型[16],以7∶1∶2 的比例劃分訓練集、驗證集和測試集。K-Means 聚類得到的9 個聚類中心寬高分別為(70,140)、(91,201)、(136,172)、(136,251)、(147,194)、(158,219)、(172,264)、(222,231)、(242,282)。在訓練過程中,對送入模型的圖片進行數(shù)據(jù)增強,隨機對圖片進行翻轉(zhuǎn),對寬高進行扭曲,對亮度進行隨機調(diào)整,對圖片多余部分填充灰條,以增強模型的泛化能力。增強效果如圖5 所示。

    Fig.5 Vehicle image enhancement processing圖5 車輛圖像增強處理

    3.3 實驗結(jié)果與分析

    以精確率(Precision)、召回率(Recall)、平均精度均值(Mean Average Precision)作為評估模型識別效果的指標,以每秒傳輸幀數(shù)(Frames Per Second,F(xiàn)PS)作為評估算法速度的指標[17]。精確率與召回率的計算方法如式(19)、式(20)所示。式中TP(True Positives)表示目標被分為正類且分類正確的數(shù)量,TN(True Negatives)表示目標被分為負類且分類正確的數(shù)量,F(xiàn)P(False Positives)表示目標被分為正類但分類錯誤的數(shù)量,F(xiàn)T(False Negatives)表示目標被分為負類但分類錯誤的數(shù)量。

    采用不同置信度會得到不同的精確率和召回率,分別將Recall 和Precision 作為x、y軸,繪制P-R 曲線,該條曲線下覆蓋的面積即為此類AP(Average Precision)值。對所有分類的AP 值求平均,可得到該模型的mAP 值,計算方式為:

    共訓練100 個epoch,在前50 個epoch 凍結(jié)主干特征提取網(wǎng)絡(luò)的權(quán)重,學習率設(shè)置為0.001,在后50 個epoch 解凍,對全部網(wǎng)絡(luò)參數(shù)進行訓練,將學習率降為0.000 1。最后得到各個車型的P-R 曲線如圖6 所示,mAP 值為96.17%。

    為驗證本文方法的有效性,分別將數(shù)據(jù)集在YOLOv4和主干特提取網(wǎng)絡(luò)為ResNet-50 的Faster-RCNN 上進行訓練,訓練一個epoch 記錄一次損失值,各網(wǎng)絡(luò)的損失函數(shù)如圖7 所示。由損失函數(shù)的曲線可得,YOLOv4 和Faster-RCNN 的訓練誤差相較于MobileNetV3 收斂趨勢更快。總體來說,三者驗證誤差收斂速度均很快,但MobileNetV3-YOLOv4 在參數(shù)解凍前訓練一輪僅需約3min10s,解凍后需約4min50s;Faster-RCNN 參數(shù)解凍前訓練一輪需約19min,解凍后一輪需約28min;YOLOv4 參數(shù)解凍前訓練一輪需約9min,解凍后一輪需約21min25s。整體來看,MobileNetV3-YOLOv4 比其他兩種模型訓練速度更快。

    Fig.6 P-R curve圖6 P-R 曲線

    Fig.7 Loss function curve圖7 損失函數(shù)曲線

    由表2 可知,本文方法在精度達到96.17%的情況下,模型大小較原YOLOv4 降低了約80%,較Faster-RCNN 降低約50%,檢測速度較YOLOv4 提升了約26%,較Faster-RCNN 提升了約130%。

    Table 2 Test results of different models表2 不同模型測試結(jié)果

    網(wǎng)絡(luò)正確預測的圖像如圖8 所示,可以看到模型對不同車型均有不錯的檢測效果。

    Fig.8 Model prediction results圖8 模型預測結(jié)果

    4 結(jié)語

    本文將MobileNet 輕量級網(wǎng)絡(luò)引入YOLOv4 目標檢測網(wǎng)絡(luò)中,得到MobileNetV3-YOLOv4 模型,并使用K-means算法設(shè)置預選框提升了模型最終識別精度。通過BIT-vehicle 數(shù)據(jù)集下的車型識別實驗驗證MobileNetV3-YOLOv4網(wǎng)絡(luò)模型的有效性,實驗結(jié)果表明,本文算法較YOLOv4 整體識別速度提升了約26%,且模型參數(shù)量降為原來的1/5。但該數(shù)據(jù)集拍攝的車輛圖片角度較為單一,訓練后的模型對于側(cè)面拍攝的車輛圖片誤檢率較高。為進一步增強模型的泛化能力,使其對不同角度的車輛均有較好的識別效果,后續(xù)會嘗試將該模型運用于其他大型車輛數(shù)據(jù)集中進行訓練,并對其進行相應改進以保證識別精度。

    猜你喜歡
    特征提取卷積聚類
    基于3D-Winograd的快速卷積算法設(shè)計及FPGA實現(xiàn)
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    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
    基于傅里葉域卷積表示的目標跟蹤算法
    基于DBSACN聚類算法的XML文檔聚類
    電子測試(2017年15期)2017-12-18 07:19:27
    Bagging RCSP腦電特征提取算法
    基于改進的遺傳算法的模糊聚類算法
    一種層次初始的聚類個數(shù)自適應的聚類方法研究
    基于MED和循環(huán)域解調(diào)的多故障特征提取
    一種基于卷積神經(jīng)網(wǎng)絡(luò)的性別識別方法
    男女下面插进去视频免费观看| 亚洲在久久综合| 老汉色∧v一级毛片| 嫩草影院入口| 人妻 亚洲 视频| 男人爽女人下面视频在线观看| 日韩成人av中文字幕在线观看| 久久热在线av| 精品第一国产精品| 人人妻人人添人人爽欧美一区卜| xxxhd国产人妻xxx| 亚洲色图综合在线观看| 嫩草影院入口| 热99国产精品久久久久久7| 国产老妇伦熟女老妇高清| 一级黄片播放器| 老司机靠b影院| 中文字幕制服av| 日韩视频在线欧美| 免费观看av网站的网址| 99热网站在线观看| 久久韩国三级中文字幕| 亚洲国产欧美日韩在线播放| 深夜精品福利| 国产精品偷伦视频观看了| 国产精品欧美亚洲77777| av电影中文网址| 黑人巨大精品欧美一区二区蜜桃| 日本黄色日本黄色录像| 两性夫妻黄色片| av一本久久久久| 国产精品久久久久成人av| 一级毛片电影观看| 国产乱来视频区| 我的亚洲天堂| 大片电影免费在线观看免费| 亚洲国产av影院在线观看| 你懂的网址亚洲精品在线观看| 亚洲视频免费观看视频| 1024香蕉在线观看| 免费在线观看完整版高清| 日韩,欧美,国产一区二区三区| 丝袜美腿诱惑在线| 男女边摸边吃奶| 午夜日本视频在线| 久久这里只有精品19| 午夜激情久久久久久久| 制服人妻中文乱码| 国产精品久久久久久精品电影小说| 国产深夜福利视频在线观看| 成人亚洲欧美一区二区av| 国产欧美日韩综合在线一区二区| av在线播放精品| 飞空精品影院首页| 国产欧美亚洲国产| 免费在线观看黄色视频的| 啦啦啦中文免费视频观看日本| 亚洲国产欧美日韩在线播放| 国产一区二区激情短视频 | 亚洲精品久久成人aⅴ小说| 亚洲精品aⅴ在线观看| 欧美日韩亚洲国产一区二区在线观看 | 2018国产大陆天天弄谢| 美女国产高潮福利片在线看| 成人午夜精彩视频在线观看| 色精品久久人妻99蜜桃| 久久久久精品国产欧美久久久 | 青春草亚洲视频在线观看| 久久久久国产精品人妻一区二区| 亚洲视频免费观看视频| 青草久久国产| 色视频在线一区二区三区| 久久精品久久久久久久性| 欧美黄色片欧美黄色片| 国产熟女午夜一区二区三区| 久久久久久久久免费视频了| 黄色 视频免费看| 久久鲁丝午夜福利片| 精品国产乱码久久久久久小说| 免费观看性生交大片5| 久久久久久人人人人人| 性高湖久久久久久久久免费观看| 亚洲国产av新网站| 女人爽到高潮嗷嗷叫在线视频| tube8黄色片| 国产免费福利视频在线观看| 国产成人啪精品午夜网站| 777久久人妻少妇嫩草av网站| 80岁老熟妇乱子伦牲交| 亚洲美女黄色视频免费看| 日本av手机在线免费观看| 欧美 日韩 精品 国产| 日韩熟女老妇一区二区性免费视频| 亚洲国产av新网站| 最近手机中文字幕大全| 国产淫语在线视频| 又大又爽又粗| 久久99热这里只频精品6学生| 国产欧美日韩一区二区三区在线| 看十八女毛片水多多多| 少妇的丰满在线观看| 丰满乱子伦码专区| 国产 精品1| 亚洲视频免费观看视频| 日本午夜av视频| 男男h啪啪无遮挡| videos熟女内射| 亚洲第一区二区三区不卡| 国产男人的电影天堂91| 97精品久久久久久久久久精品| 欧美激情 高清一区二区三区| 国产 一区精品| 在线观看免费高清a一片| 伊人久久国产一区二区| 亚洲欧美一区二区三区黑人| 欧美少妇被猛烈插入视频| 五月天丁香电影| 在线亚洲精品国产二区图片欧美| 综合色丁香网| 又大又爽又粗| 亚洲免费av在线视频| 2018国产大陆天天弄谢| 国产1区2区3区精品| 日韩一区二区三区影片| 国产免费又黄又爽又色| 亚洲av日韩精品久久久久久密 | 人妻一区二区av| 男的添女的下面高潮视频| 国产97色在线日韩免费| 看免费av毛片| 亚洲三区欧美一区| 国产av一区二区精品久久| 国产福利在线免费观看视频| 七月丁香在线播放| 欧美 亚洲 国产 日韩一| 国产精品香港三级国产av潘金莲 | 国产精品女同一区二区软件| 伊人久久大香线蕉亚洲五| 在线天堂最新版资源| 男女边吃奶边做爰视频| 如何舔出高潮| 国产熟女欧美一区二区| 男女高潮啪啪啪动态图| 欧美日韩亚洲高清精品| 天堂中文最新版在线下载| 国产精品欧美亚洲77777| 蜜桃国产av成人99| 美女脱内裤让男人舔精品视频| 精品午夜福利在线看| 秋霞在线观看毛片| 国产免费现黄频在线看| 啦啦啦在线观看免费高清www| 成年人午夜在线观看视频| 少妇精品久久久久久久| 免费黄频网站在线观看国产| 97精品久久久久久久久久精品| 久久天堂一区二区三区四区| 丝袜人妻中文字幕| 免费av中文字幕在线| 国产一区二区 视频在线| 在线免费观看不下载黄p国产| 国产精品久久久人人做人人爽| 欧美在线一区亚洲| 国产片内射在线| 亚洲精品中文字幕在线视频| 国产在线免费精品| 丝袜人妻中文字幕| 国产一区二区 视频在线| 晚上一个人看的免费电影| 欧美日本中文国产一区发布| 老鸭窝网址在线观看| √禁漫天堂资源中文www| 一本久久精品| 亚洲成人免费av在线播放| 叶爱在线成人免费视频播放| 别揉我奶头~嗯~啊~动态视频 | 99精国产麻豆久久婷婷| av片东京热男人的天堂| 国产1区2区3区精品| 999久久久国产精品视频| 午夜福利在线免费观看网站| 亚洲国产av影院在线观看| 少妇猛男粗大的猛烈进出视频| 纯流量卡能插随身wifi吗| 亚洲中文av在线| 久久久精品国产亚洲av高清涩受| 久久97久久精品| 成年av动漫网址| 叶爱在线成人免费视频播放| 国产亚洲午夜精品一区二区久久| 侵犯人妻中文字幕一二三四区| 国产av一区二区精品久久| 香蕉国产在线看| 国产亚洲欧美精品永久| 久久久久网色| 国产xxxxx性猛交| 日韩人妻精品一区2区三区| 国产激情久久老熟女| 一二三四在线观看免费中文在| kizo精华| 亚洲色图 男人天堂 中文字幕| 观看美女的网站| 欧美日韩亚洲高清精品| 黑丝袜美女国产一区| 一本色道久久久久久精品综合| 热99国产精品久久久久久7| 久热这里只有精品99| 欧美亚洲 丝袜 人妻 在线| 18禁裸乳无遮挡动漫免费视频| 精品卡一卡二卡四卡免费| 熟妇人妻不卡中文字幕| 国产av精品麻豆| 精品国产一区二区久久| 国产成人免费无遮挡视频| 极品少妇高潮喷水抽搐| 精品亚洲乱码少妇综合久久| 最近最新中文字幕大全免费视频 | 99热网站在线观看| 日本爱情动作片www.在线观看| 久久人人爽人人片av| 亚洲精品久久成人aⅴ小说| 亚洲av电影在线进入| 两性夫妻黄色片| www.精华液| 国产在视频线精品| 亚洲av在线观看美女高潮| 最新的欧美精品一区二区| 视频区图区小说| 男女国产视频网站| 超碰成人久久| 中文字幕亚洲精品专区| 亚洲中文av在线| 又大又黄又爽视频免费| 人人妻人人添人人爽欧美一区卜| 欧美 日韩 精品 国产| 黄片小视频在线播放| 免费人妻精品一区二区三区视频| 成人三级做爰电影| 国产精品一区二区精品视频观看| 另类亚洲欧美激情| 精品免费久久久久久久清纯 | 人人妻人人澡人人爽人人夜夜| 日本vs欧美在线观看视频| 老司机深夜福利视频在线观看 | 日韩欧美精品免费久久| 欧美av亚洲av综合av国产av | 日韩 亚洲 欧美在线| 久久精品aⅴ一区二区三区四区| 午夜日本视频在线| 亚洲欧美一区二区三区久久| 99国产精品免费福利视频| 成人三级做爰电影| 精品人妻一区二区三区麻豆| 丝袜人妻中文字幕| 99久国产av精品国产电影| 少妇精品久久久久久久| 免费在线观看黄色视频的| 亚洲精品成人av观看孕妇| 一级毛片黄色毛片免费观看视频| 一区二区三区四区激情视频| 18禁国产床啪视频网站| 亚洲精品国产一区二区精华液| 亚洲美女搞黄在线观看| 欧美日韩视频精品一区| 最近的中文字幕免费完整| 在线天堂最新版资源| 啦啦啦在线免费观看视频4| 久久毛片免费看一区二区三区| 最近最新中文字幕免费大全7| 妹子高潮喷水视频| 你懂的网址亚洲精品在线观看| 久久午夜综合久久蜜桃| 成年动漫av网址| 女人精品久久久久毛片| 国产欧美日韩一区二区三区在线| 街头女战士在线观看网站| 五月天丁香电影| 免费高清在线观看日韩| 观看美女的网站| 久热这里只有精品99| 一本—道久久a久久精品蜜桃钙片| 黄色 视频免费看| 这个男人来自地球电影免费观看 | 日本av免费视频播放| 亚洲自偷自拍图片 自拍| 91精品三级在线观看| 丰满乱子伦码专区| 国产精品香港三级国产av潘金莲 | 人妻人人澡人人爽人人| 看十八女毛片水多多多| 久久精品久久精品一区二区三区| h视频一区二区三区| 桃花免费在线播放| 男人爽女人下面视频在线观看| 亚洲成人av在线免费| 天美传媒精品一区二区| 欧美黄色片欧美黄色片| 久久ye,这里只有精品| 国产xxxxx性猛交| 极品人妻少妇av视频| 晚上一个人看的免费电影| 超色免费av| 欧美精品亚洲一区二区| 久久99一区二区三区| 亚洲欧美一区二区三区久久| 久久久国产精品麻豆| 色视频在线一区二区三区| 国产成人午夜福利电影在线观看| 夫妻午夜视频| 青春草视频在线免费观看| 国产97色在线日韩免费| 亚洲少妇的诱惑av| 久久久精品国产亚洲av高清涩受| 亚洲精品国产av蜜桃| 如日韩欧美国产精品一区二区三区| 侵犯人妻中文字幕一二三四区| 成人毛片60女人毛片免费| 国语对白做爰xxxⅹ性视频网站| 国产在线视频一区二区| 亚洲情色 制服丝袜| 另类亚洲欧美激情| 丰满乱子伦码专区| 国产av一区二区精品久久| 又粗又硬又长又爽又黄的视频| 午夜福利视频在线观看免费| 国产成人91sexporn| 狠狠精品人妻久久久久久综合| 欧美精品一区二区免费开放| 国产精品国产三级国产专区5o| 亚洲国产欧美一区二区综合| 欧美日韩精品网址| 一级片免费观看大全| 在线 av 中文字幕| 亚洲国产精品一区二区三区在线| 免费日韩欧美在线观看| 成年美女黄网站色视频大全免费| 我要看黄色一级片免费的| 黑丝袜美女国产一区| 热re99久久国产66热| av有码第一页| 精品少妇内射三级| 亚洲人成77777在线视频| 国产成人免费无遮挡视频| 国产一区二区三区综合在线观看| av国产精品久久久久影院| 中文字幕人妻丝袜一区二区 | 叶爱在线成人免费视频播放| 日韩免费高清中文字幕av| 99精国产麻豆久久婷婷| 国产在视频线精品| 51午夜福利影视在线观看| 高清欧美精品videossex| 99国产综合亚洲精品| 久久精品国产综合久久久| 国产成人精品福利久久| 精品少妇内射三级| 精品国产一区二区三区久久久樱花| 大片免费播放器 马上看| 不卡视频在线观看欧美| 久久 成人 亚洲| 亚洲精品一二三| 中国国产av一级| 亚洲成人国产一区在线观看 | 免费看av在线观看网站| av免费观看日本| 999精品在线视频| 国产精品无大码| 婷婷色av中文字幕| 婷婷色综合大香蕉| 纯流量卡能插随身wifi吗| 免费在线观看黄色视频的| 久久久久久久国产电影| 精品一区二区三区四区五区乱码 | 两个人免费观看高清视频| svipshipincom国产片| 久热这里只有精品99| 欧美国产精品一级二级三级| 蜜桃在线观看..| 国产亚洲午夜精品一区二区久久| 久久精品aⅴ一区二区三区四区| 高清av免费在线| 精品国产一区二区三区四区第35| 99久久精品国产亚洲精品| 新久久久久国产一级毛片| 中国三级夫妇交换| 男人添女人高潮全过程视频| 欧美亚洲 丝袜 人妻 在线| 一区二区三区激情视频| 国产熟女午夜一区二区三区| 韩国精品一区二区三区| 亚洲精品乱久久久久久| 日韩视频在线欧美| 一级毛片电影观看| 欧美人与善性xxx| 精品第一国产精品| 欧美激情极品国产一区二区三区| 国产成人a∨麻豆精品| 久久精品人人爽人人爽视色| 国产1区2区3区精品| 欧美最新免费一区二区三区| 高清欧美精品videossex| 亚洲国产精品一区二区三区在线| 久久久久国产精品人妻一区二区| 国产精品无大码| 欧美日韩亚洲高清精品| 99热网站在线观看| 日韩电影二区| 成人漫画全彩无遮挡| 国产成人一区二区在线| 91精品国产国语对白视频| 久久精品人人爽人人爽视色| 免费在线观看视频国产中文字幕亚洲 | 国产欧美日韩一区二区三区在线| 久久久久精品久久久久真实原创| 91成人精品电影| 777米奇影视久久| 欧美黑人精品巨大| 精品一区二区三区av网在线观看 | 中文字幕最新亚洲高清| 看免费成人av毛片| 咕卡用的链子| 中文天堂在线官网| 亚洲欧美激情在线| 少妇被粗大猛烈的视频| av在线老鸭窝| 精品一区在线观看国产| 日本黄色日本黄色录像| 一级毛片我不卡| 男女免费视频国产| 国产精品国产三级国产专区5o| 午夜av观看不卡| 久久人人97超碰香蕉20202| 最新在线观看一区二区三区 | 不卡视频在线观看欧美| 亚洲国产最新在线播放| 亚洲精品aⅴ在线观看| 一边摸一边做爽爽视频免费| 午夜av观看不卡| 亚洲国产精品一区二区三区在线| 国产精品一区二区精品视频观看| 日本av免费视频播放| 亚洲美女搞黄在线观看| 国产男人的电影天堂91| 亚洲国产精品999| 高清不卡的av网站| av.在线天堂| 国产精品一区二区精品视频观看| 亚洲色图 男人天堂 中文字幕| 国产深夜福利视频在线观看| 大片电影免费在线观看免费| 1024香蕉在线观看| 久久韩国三级中文字幕| 最近最新中文字幕大全免费视频 | 亚洲,欧美,日韩| 久久国产亚洲av麻豆专区| 肉色欧美久久久久久久蜜桃| 秋霞在线观看毛片| 亚洲欧洲国产日韩| 国产色婷婷99| 丰满迷人的少妇在线观看| 啦啦啦 在线观看视频| 99九九在线精品视频| 国产有黄有色有爽视频| 少妇 在线观看| 青草久久国产| 亚洲精品国产av蜜桃| 亚洲天堂av无毛| 久久精品久久久久久久性| 少妇人妻 视频| 十八禁高潮呻吟视频| 少妇人妻 视频| 成年av动漫网址| 在线观看三级黄色| 国产伦理片在线播放av一区| 国产免费一区二区三区四区乱码| 亚洲国产欧美一区二区综合| 18禁动态无遮挡网站| 日日撸夜夜添| 日韩一区二区视频免费看| 天堂8中文在线网| 免费高清在线观看日韩| 亚洲欧美一区二区三区国产| 最黄视频免费看| 无遮挡黄片免费观看| 精品一区在线观看国产| 成人亚洲精品一区在线观看| 久久久久精品性色| 亚洲色图 男人天堂 中文字幕| 女人高潮潮喷娇喘18禁视频| 一级毛片电影观看| 久久久久久久久久久免费av| 欧美日韩av久久| 亚洲熟女精品中文字幕| 午夜福利视频在线观看免费| 国产日韩一区二区三区精品不卡| 黑丝袜美女国产一区| 日韩 亚洲 欧美在线| av福利片在线| 精品一区二区三卡| 日本爱情动作片www.在线观看| 你懂的网址亚洲精品在线观看| 国产亚洲av高清不卡| 亚洲美女视频黄频| 国产日韩欧美在线精品| 亚洲情色 制服丝袜| 99精国产麻豆久久婷婷| 麻豆乱淫一区二区| 国产成人免费观看mmmm| 18禁国产床啪视频网站| 欧美日韩国产mv在线观看视频| 久久久亚洲精品成人影院| 亚洲专区中文字幕在线 | 国产在线视频一区二区| 色婷婷久久久亚洲欧美| 亚洲一卡2卡3卡4卡5卡精品中文| 天天躁狠狠躁夜夜躁狠狠躁| 两个人看的免费小视频| 美女脱内裤让男人舔精品视频| 精品少妇一区二区三区视频日本电影 | 日本爱情动作片www.在线观看| 狠狠婷婷综合久久久久久88av| 一级黄片播放器| 国产一区二区在线观看av| av视频免费观看在线观看| 中文字幕高清在线视频| 麻豆av在线久日| 免费黄网站久久成人精品| 国产成人啪精品午夜网站| av有码第一页| 狂野欧美激情性bbbbbb| 日韩一卡2卡3卡4卡2021年| 考比视频在线观看| 天堂8中文在线网| 美女高潮到喷水免费观看| 99九九在线精品视频| 欧美xxⅹ黑人| 久久久久国产精品人妻一区二区| 男女边摸边吃奶| 激情视频va一区二区三区| 哪个播放器可以免费观看大片| 国产精品蜜桃在线观看| 波多野结衣一区麻豆| 在线亚洲精品国产二区图片欧美| 国产欧美日韩综合在线一区二区| 丝瓜视频免费看黄片| 国产97色在线日韩免费| 国产又爽黄色视频| 国产精品免费大片| 国产精品国产av在线观看| 制服人妻中文乱码| 精品人妻熟女毛片av久久网站| 国产1区2区3区精品| 99精国产麻豆久久婷婷| 热99国产精品久久久久久7| 电影成人av| 天堂俺去俺来也www色官网| 亚洲熟女精品中文字幕| 自线自在国产av| 亚洲一级一片aⅴ在线观看| 亚洲国产看品久久| 国产视频首页在线观看| 精品少妇黑人巨大在线播放| 亚洲色图综合在线观看| 国产男女超爽视频在线观看| 欧美 亚洲 国产 日韩一| 亚洲av欧美aⅴ国产| 建设人人有责人人尽责人人享有的| 中文字幕人妻熟女乱码| 日日啪夜夜爽| 色吧在线观看| 免费少妇av软件| www.熟女人妻精品国产| 深夜精品福利| 亚洲精品av麻豆狂野| 美女脱内裤让男人舔精品视频| 亚洲一区中文字幕在线| 这个男人来自地球电影免费观看 | 久久性视频一级片| 亚洲国产成人一精品久久久| 亚洲免费av在线视频| avwww免费| 人人澡人人妻人| 午夜福利在线免费观看网站| 久久精品亚洲熟妇少妇任你| 日韩av不卡免费在线播放| 999精品在线视频| 极品人妻少妇av视频| 欧美97在线视频| 亚洲国产精品一区三区| 亚洲中文av在线| 99久国产av精品国产电影| 两个人看的免费小视频| av有码第一页| 国语对白做爰xxxⅹ性视频网站| 国产精品久久久久久人妻精品电影 | 1024视频免费在线观看| 无遮挡黄片免费观看| 国精品久久久久久国模美| 亚洲av中文av极速乱| 久久久国产欧美日韩av| 高清不卡的av网站| 亚洲人成电影观看| 日韩视频在线欧美| 热re99久久国产66热| 两性夫妻黄色片| 日韩一区二区视频免费看| 一本久久精品| 操出白浆在线播放| 欧美激情 高清一区二区三区| 女性被躁到高潮视频| 久久久精品国产亚洲av高清涩受| 一本一本久久a久久精品综合妖精| 下体分泌物呈黄色| 最近最新中文字幕免费大全7| 国产欧美亚洲国产|