• <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
    观看免费一级毛片| 成人特级黄色片久久久久久久| 老女人水多毛片| 国产人妻一区二区三区在| 国产精品女同一区二区软件 | 精品人妻熟女av久视频| av天堂在线播放| 中文字幕久久专区| 老司机福利观看| 一边摸一边抽搐一进一小说| 69人妻影院| 日韩高清综合在线| 色播亚洲综合网| 久久久久九九精品影院| 久久久久九九精品影院| 亚洲精品久久国产高清桃花| 亚洲av熟女| 少妇丰满av| 22中文网久久字幕| 亚洲三级黄色毛片| av视频在线观看入口| 久久精品国产清高在天天线| 成人国产一区最新在线观看| 亚洲最大成人中文| 一本精品99久久精品77| 男人的好看免费观看在线视频| 欧美日韩中文字幕国产精品一区二区三区| 国产精品福利在线免费观看| 欧美成人免费av一区二区三区| 一个人免费在线观看电影| netflix在线观看网站| 国产精品一区www在线观看 | 日日夜夜操网爽| 国产人妻一区二区三区在| 国产视频内射| 欧美xxxx性猛交bbbb| 久久久久久久午夜电影| 国产av在哪里看| 国产免费男女视频| 赤兔流量卡办理| 亚洲人成网站在线播| 日本一二三区视频观看| 亚洲av成人av| 又粗又爽又猛毛片免费看| 国产探花极品一区二区| 麻豆国产av国片精品| 夜夜看夜夜爽夜夜摸| 我要搜黄色片| 日韩欧美精品v在线| 在线观看免费视频日本深夜| 亚洲成人久久爱视频| 亚洲性夜色夜夜综合| 高清日韩中文字幕在线| 国产成人福利小说| 久久99热这里只有精品18| 亚洲欧美日韩无卡精品| 亚洲成av人片在线播放无| 日日夜夜操网爽| 国产伦精品一区二区三区四那| 99热精品在线国产| 女人被狂操c到高潮| 18禁裸乳无遮挡免费网站照片| 女生性感内裤真人,穿戴方法视频| www.色视频.com| 精品久久久久久久久亚洲 | 一个人看视频在线观看www免费| 色综合婷婷激情| 老师上课跳d突然被开到最大视频| 真人一进一出gif抽搐免费| 国产真实乱freesex| 97热精品久久久久久| 一个人观看的视频www高清免费观看| 欧美一区二区亚洲| 日韩欧美免费精品| 在线观看美女被高潮喷水网站| 国产一区二区在线av高清观看| 久久久久久久久大av| 欧美日本亚洲视频在线播放| av在线蜜桃| 国产一级毛片七仙女欲春2| 精品久久久久久久人妻蜜臀av| 成人综合一区亚洲| 99热这里只有是精品50| 最近最新中文字幕大全电影3| 亚洲av不卡在线观看| 女人被狂操c到高潮| 国产成人aa在线观看| 欧美性猛交黑人性爽| 精品午夜福利在线看| 日本 av在线| 日韩欧美 国产精品| 大型黄色视频在线免费观看| 国国产精品蜜臀av免费| 久久久久九九精品影院| 女的被弄到高潮叫床怎么办 | 欧美不卡视频在线免费观看| 精华霜和精华液先用哪个| 午夜亚洲福利在线播放| 成年免费大片在线观看| 午夜免费男女啪啪视频观看 | 少妇人妻一区二区三区视频| 热99在线观看视频| 99久久中文字幕三级久久日本| 国产私拍福利视频在线观看| 久久久久久久久大av| 俄罗斯特黄特色一大片| 国产亚洲av嫩草精品影院| 国产单亲对白刺激| 真实男女啪啪啪动态图| 韩国av一区二区三区四区| 婷婷亚洲欧美| 成人国产一区最新在线观看| 精品一区二区免费观看| 狂野欧美激情性xxxx在线观看| 天美传媒精品一区二区| av女优亚洲男人天堂| 精品99又大又爽又粗少妇毛片 | 五月伊人婷婷丁香| 亚洲综合色惰| 女生性感内裤真人,穿戴方法视频| 欧美性猛交╳xxx乱大交人| 欧美成人a在线观看| 免费在线观看成人毛片| 日本一本二区三区精品| 亚洲avbb在线观看| 精品人妻一区二区三区麻豆 | 少妇人妻精品综合一区二区 | 久久精品人妻少妇| 亚洲国产精品sss在线观看| 欧美黑人欧美精品刺激| 免费看美女性在线毛片视频| 午夜福利在线观看吧| 国内精品久久久久久久电影| 真实男女啪啪啪动态图| 成人永久免费在线观看视频| 悠悠久久av| 婷婷六月久久综合丁香| 丝袜美腿在线中文| 国产伦精品一区二区三区四那| 亚洲乱码一区二区免费版| 亚洲黑人精品在线| 国产伦精品一区二区三区四那| 三级国产精品欧美在线观看| 91午夜精品亚洲一区二区三区 | 桃色一区二区三区在线观看| 如何舔出高潮| 国产高清三级在线| 国产精品99久久久久久久久| 日本黄色视频三级网站网址| 99国产极品粉嫩在线观看| 亚洲熟妇熟女久久| 午夜福利在线观看吧| 美女高潮的动态| 99热精品在线国产| 日韩高清综合在线| 国产人妻一区二区三区在| 成人鲁丝片一二三区免费| 九色国产91popny在线| 亚洲精华国产精华液的使用体验 | 国产伦人伦偷精品视频| 久久九九热精品免费| 欧美成人免费av一区二区三区| 欧美潮喷喷水| 亚洲第一区二区三区不卡| 日韩精品有码人妻一区| 变态另类丝袜制服| 欧美成人性av电影在线观看| 亚洲成人久久爱视频| 老师上课跳d突然被开到最大视频| 欧美激情国产日韩精品一区| 亚洲中文字幕日韩| 亚洲精品成人久久久久久| eeuss影院久久| 国产黄a三级三级三级人| 免费搜索国产男女视频| 亚洲成人久久爱视频| 99久久精品一区二区三区| 国产精品一区二区三区四区免费观看 | 亚洲精华国产精华精| 美女cb高潮喷水在线观看| 成人无遮挡网站| 51国产日韩欧美| 人妻久久中文字幕网| 成人精品一区二区免费| 亚洲av二区三区四区| 少妇熟女aⅴ在线视频| av天堂中文字幕网| 日韩精品青青久久久久久| 91av网一区二区| 深夜精品福利| 国产精品国产三级国产av玫瑰| 高清日韩中文字幕在线| 国产精品精品国产色婷婷| 国产精华一区二区三区| 午夜爱爱视频在线播放| 亚洲第一电影网av| 免费观看精品视频网站| 精品一区二区三区人妻视频| 亚洲成人中文字幕在线播放| 亚洲成人中文字幕在线播放| 国产成人福利小说| 国产精品一区www在线观看 | 午夜福利18| 99在线人妻在线中文字幕| 日本欧美国产在线视频| 国产精品永久免费网站| 人妻制服诱惑在线中文字幕| 午夜影院日韩av| 国产精品av视频在线免费观看| 亚洲国产欧洲综合997久久,| 国产黄a三级三级三级人| 观看美女的网站| 日本 欧美在线| 国产视频内射| 中文字幕免费在线视频6| 黄色欧美视频在线观看| 国产在线精品亚洲第一网站| 看片在线看免费视频| 黄色配什么色好看| 日韩精品青青久久久久久| 男人舔女人下体高潮全视频| 亚洲狠狠婷婷综合久久图片| av女优亚洲男人天堂| 亚洲欧美日韩高清在线视频| 白带黄色成豆腐渣| 中文字幕av成人在线电影| 一进一出好大好爽视频| 亚洲欧美日韩卡通动漫| 乱系列少妇在线播放| 精品久久久久久久久久久久久| 中国美白少妇内射xxxbb| 1000部很黄的大片| 在线免费观看的www视频| 日韩高清综合在线| 免费黄网站久久成人精品| 成年版毛片免费区| 最新中文字幕久久久久| 国产高清有码在线观看视频| 欧美国产日韩亚洲一区| 国产毛片a区久久久久| 午夜福利在线在线| 变态另类丝袜制服| 午夜免费激情av| 久久久精品大字幕| 日本-黄色视频高清免费观看| 人人妻人人澡欧美一区二区| 国产精品av视频在线免费观看| 国产精品国产三级国产av玫瑰| 亚洲av一区综合| 韩国av在线不卡| 免费av观看视频| av天堂在线播放| 免费大片18禁| 亚洲欧美精品综合久久99| 亚洲色图av天堂| 精华霜和精华液先用哪个| 九九热线精品视视频播放| 夜夜爽天天搞| 高清在线国产一区| 免费av不卡在线播放| 亚洲精品色激情综合| 久9热在线精品视频| 欧美最黄视频在线播放免费| 国产亚洲精品久久久久久毛片| 亚洲欧美日韩无卡精品| АⅤ资源中文在线天堂| 日本一二三区视频观看| 免费黄网站久久成人精品| 亚洲av免费高清在线观看| 国产麻豆成人av免费视频| 老师上课跳d突然被开到最大视频| 黄色配什么色好看| 91午夜精品亚洲一区二区三区 | 国产精品久久视频播放| 特大巨黑吊av在线直播| 一个人看视频在线观看www免费| av在线观看视频网站免费| 亚洲无线在线观看| 久9热在线精品视频| 亚洲精品乱码久久久v下载方式| 少妇的逼水好多| 一区二区三区激情视频| 97人妻精品一区二区三区麻豆| 少妇的逼好多水| 欧美xxxx黑人xx丫x性爽| 精品一区二区三区视频在线| 在线播放国产精品三级| 网址你懂的国产日韩在线| 神马国产精品三级电影在线观看| 久久久久久久久大av| av视频在线观看入口| 亚洲欧美激情综合另类| 免费观看精品视频网站| 日韩精品中文字幕看吧| 亚洲 国产 在线| 久久中文看片网| 狠狠狠狠99中文字幕| 久99久视频精品免费| 国产高清三级在线| 尾随美女入室| 欧美日韩黄片免| 欧美bdsm另类| 亚洲国产欧美人成| 亚洲欧美清纯卡通| 99热6这里只有精品| 免费看av在线观看网站| 在线播放国产精品三级| 成人永久免费在线观看视频| 熟女电影av网| 精品人妻偷拍中文字幕| 精品国产三级普通话版| 偷拍熟女少妇极品色| 日韩亚洲欧美综合| 真实男女啪啪啪动态图| 国产精品一区二区三区四区免费观看 | 哪里可以看免费的av片| 久99久视频精品免费| 久久人妻av系列| 亚洲中文字幕日韩| 国产91精品成人一区二区三区| www.www免费av| 婷婷丁香在线五月| 亚洲最大成人中文| 国产一区二区在线观看日韩| 俄罗斯特黄特色一大片| 久99久视频精品免费| 又爽又黄a免费视频| 国内精品一区二区在线观看| 国产午夜精品久久久久久一区二区三区 | 色哟哟哟哟哟哟| 亚洲七黄色美女视频| 小蜜桃在线观看免费完整版高清| 美女黄网站色视频| 久久精品国产鲁丝片午夜精品 | 极品教师在线视频| 午夜福利在线在线| 免费在线观看成人毛片| 一进一出抽搐gif免费好疼| videossex国产| 老司机深夜福利视频在线观看| 国产黄a三级三级三级人| 免费黄网站久久成人精品| 国产av在哪里看| 毛片女人毛片| 免费无遮挡裸体视频| 欧美一区二区亚洲| 国产亚洲精品av在线| 国产亚洲91精品色在线| 老女人水多毛片| 午夜福利18| 免费在线观看成人毛片| 亚洲乱码一区二区免费版| 久久久久性生活片| 国产精品无大码| 美女高潮的动态| 欧美又色又爽又黄视频| 国产视频内射| 小说图片视频综合网站| 久久久久久久午夜电影| 国产麻豆成人av免费视频| 中文字幕久久专区| 人人妻,人人澡人人爽秒播| 成年女人永久免费观看视频| 久久久久性生活片| 亚洲最大成人中文| 免费不卡的大黄色大毛片视频在线观看 | 欧美成人免费av一区二区三区| netflix在线观看网站| av国产免费在线观看| 久久午夜亚洲精品久久| 国产探花在线观看一区二区| 人人妻人人澡欧美一区二区| 日韩欧美免费精品| 国产高清三级在线| 神马国产精品三级电影在线观看| 亚洲av熟女| 成人综合一区亚洲| 大型黄色视频在线免费观看| 欧美zozozo另类| 亚洲人成网站在线播| av.在线天堂| 亚洲无线在线观看| 亚洲久久久久久中文字幕| 国产熟女欧美一区二区| 精品久久国产蜜桃| 极品教师在线视频| 三级国产精品欧美在线观看| 亚洲狠狠婷婷综合久久图片| 精品午夜福利视频在线观看一区| 成人特级黄色片久久久久久久| 国产精品,欧美在线| 日韩 亚洲 欧美在线| 搡老熟女国产l中国老女人| 精品国产三级普通话版| 国产精华一区二区三区| 男人和女人高潮做爰伦理| 99热精品在线国产| 日韩中字成人| 俺也久久电影网| 麻豆一二三区av精品| 日日啪夜夜撸| 午夜福利在线观看吧| 乱码一卡2卡4卡精品| 久久久午夜欧美精品| 亚洲av熟女| 精品久久久噜噜| 日韩人妻高清精品专区| 一区二区三区四区激情视频 | 久久人人精品亚洲av| а√天堂www在线а√下载| 联通29元200g的流量卡| 精品国产三级普通话版| 别揉我奶头~嗯~啊~动态视频| 少妇熟女aⅴ在线视频| 99久久精品热视频| 毛片女人毛片| 亚洲,欧美,日韩| 波多野结衣高清无吗| 日韩av在线大香蕉| 淫妇啪啪啪对白视频| 日韩国内少妇激情av| 亚洲经典国产精华液单| 99久久中文字幕三级久久日本| 亚洲一区高清亚洲精品| 亚洲中文字幕日韩| 一个人免费在线观看电影| 久久人妻av系列| 国产午夜精品久久久久久一区二区三区 | 又黄又爽又刺激的免费视频.| 日韩人妻高清精品专区| 免费看美女性在线毛片视频| 一本精品99久久精品77| 中文字幕av成人在线电影| 午夜老司机福利剧场| 午夜免费男女啪啪视频观看 | 国产真实伦视频高清在线观看 | 尾随美女入室| 99热只有精品国产| 亚洲国产色片| 亚洲最大成人中文| 国产欧美日韩精品亚洲av| 日本欧美国产在线视频| 久久久精品大字幕| 一级a爱片免费观看的视频| 国内精品宾馆在线| 少妇的逼水好多| 久久精品国产清高在天天线| 中文字幕精品亚洲无线码一区| 免费看光身美女| 国产国拍精品亚洲av在线观看| 午夜福利在线在线| 女人十人毛片免费观看3o分钟| 成人一区二区视频在线观看| 久久精品国产自在天天线| 精品无人区乱码1区二区| 日韩欧美 国产精品| 女人十人毛片免费观看3o分钟| 真人做人爱边吃奶动态| 日韩精品有码人妻一区| 乱系列少妇在线播放| 网址你懂的国产日韩在线| 亚洲国产欧洲综合997久久,| 极品教师在线视频| 精品人妻偷拍中文字幕| 欧美黑人巨大hd| 亚洲午夜理论影院| 他把我摸到了高潮在线观看| 桃色一区二区三区在线观看| 国产熟女欧美一区二区| 嫩草影院新地址| 日韩在线高清观看一区二区三区 | 亚洲性夜色夜夜综合| 蜜桃久久精品国产亚洲av| 久久精品人妻少妇| 91久久精品国产一区二区成人| 在线国产一区二区在线| 欧美精品国产亚洲| 色尼玛亚洲综合影院| ponron亚洲| 欧美成人一区二区免费高清观看| 欧美人与善性xxx| 有码 亚洲区| 国产精品久久电影中文字幕| 亚洲精品在线观看二区| 乱系列少妇在线播放| 又紧又爽又黄一区二区| 久久亚洲真实| 国产免费男女视频| 精品久久久久久久久av| 久久精品国产鲁丝片午夜精品 | a在线观看视频网站| 亚洲av二区三区四区| 两个人视频免费观看高清| 99精品在免费线老司机午夜| 色吧在线观看| 欧美另类亚洲清纯唯美| 欧美日本亚洲视频在线播放| 中国美女看黄片| 国产亚洲精品综合一区在线观看| 天堂√8在线中文| 天堂影院成人在线观看| 91av网一区二区| 能在线免费观看的黄片| 色哟哟哟哟哟哟| 99riav亚洲国产免费| 亚洲色图av天堂| 免费观看人在逋| 联通29元200g的流量卡| 我的女老师完整版在线观看| 亚洲精品乱码久久久v下载方式| 两个人的视频大全免费| а√天堂www在线а√下载| 成人永久免费在线观看视频| 听说在线观看完整版免费高清| 日日摸夜夜添夜夜添小说| 99在线人妻在线中文字幕| 免费在线观看日本一区| 久久精品影院6| 淫妇啪啪啪对白视频| 久久精品影院6| 美女被艹到高潮喷水动态| 九色成人免费人妻av| 99热这里只有是精品50| 国产国拍精品亚洲av在线观看| 久久精品国产亚洲av涩爱 | 亚洲av日韩精品久久久久久密| 老熟妇乱子伦视频在线观看| 人妻少妇偷人精品九色| 久久精品夜夜夜夜夜久久蜜豆| 国内精品久久久久精免费| 一夜夜www| 国产午夜福利久久久久久| 久久久国产成人精品二区| 免费不卡的大黄色大毛片视频在线观看 | 小蜜桃在线观看免费完整版高清| 久久亚洲真实| 此物有八面人人有两片| 精品人妻一区二区三区麻豆 | 啪啪无遮挡十八禁网站| 悠悠久久av| 校园春色视频在线观看| 国产精品日韩av在线免费观看| 亚洲色图av天堂| 18禁黄网站禁片午夜丰满| 日韩精品有码人妻一区| 少妇的逼水好多| 中国美女看黄片| 国产av在哪里看| 久久国产精品人妻蜜桃| 深爱激情五月婷婷| 999久久久精品免费观看国产| 一级av片app| 国产欧美日韩精品亚洲av| 欧美精品啪啪一区二区三区| 国产人妻一区二区三区在| 日韩精品有码人妻一区| 看黄色毛片网站| 欧美xxxx黑人xx丫x性爽| 精品人妻1区二区| 一本精品99久久精品77| 观看美女的网站| 三级国产精品欧美在线观看| 校园春色视频在线观看| 亚洲无线在线观看| 国产精品1区2区在线观看.| x7x7x7水蜜桃| 国产精品国产三级国产av玫瑰| 国产成人一区二区在线| 亚洲aⅴ乱码一区二区在线播放| 欧美日韩综合久久久久久 | 日韩中文字幕欧美一区二区| 国内精品宾馆在线| 男人舔奶头视频| 老司机午夜福利在线观看视频| 亚洲熟妇熟女久久| 国产精品98久久久久久宅男小说| 欧美色欧美亚洲另类二区| 99热只有精品国产| 人妻制服诱惑在线中文字幕| 亚洲成人久久爱视频| 日韩欧美一区二区三区在线观看| 国产午夜精品论理片| 精品欧美国产一区二区三| 3wmmmm亚洲av在线观看| 午夜视频国产福利| 一本久久中文字幕| 久久国产乱子免费精品| 99精品在免费线老司机午夜| 久久午夜福利片| 色在线成人网| 成人一区二区视频在线观看| 精品久久久久久久末码| 国产精品无大码| 可以在线观看毛片的网站| 一个人观看的视频www高清免费观看| 国产乱人视频| 精品久久久久久久久久久久久| 我要搜黄色片| 成人av一区二区三区在线看| 内地一区二区视频在线| 国产精品精品国产色婷婷| 色哟哟哟哟哟哟| 国产久久久一区二区三区| 嫩草影院精品99| 国产精品一区二区性色av| 日本在线视频免费播放| 俄罗斯特黄特色一大片| 日韩欧美 国产精品| av黄色大香蕉| 日本a在线网址| 日本免费一区二区三区高清不卡| 亚洲天堂国产精品一区在线| 欧美成人性av电影在线观看| 久久久午夜欧美精品| 人妻丰满熟妇av一区二区三区|