• <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 ?

    結(jié)合注意力機(jī)制的車型檢測(cè)算法

    2022-01-09 06:26:32謝斌紅趙金朋張英俊
    關(guān)鍵詞:池化注意力車型

    謝斌紅,趙金朋,張英俊

    (太原科技大學(xué) 計(jì)算機(jī)科學(xué)與技術(shù)學(xué)院,山西 太原 030024)

    0 引 言

    隨著社會(huì)的發(fā)展,國(guó)內(nèi)的汽車數(shù)量不斷增加,種類也日益豐富,使用計(jì)算機(jī)技術(shù)對(duì)交通圖像中的車型進(jìn)行識(shí)別檢測(cè)已經(jīng)成為計(jì)算機(jī)視覺領(lǐng)域的一項(xiàng)重要應(yīng)用。在不同的場(chǎng)景中檢測(cè)不同的車型具有廣闊的應(yīng)用前景,例如:在無(wú)人駕駛領(lǐng)域,通過識(shí)別圖像中的車輛類型和位置,可以規(guī)避車輛的碰撞;在智能交通管理中,可以用于市區(qū)車輛的限行,也可以進(jìn)行更精準(zhǔn)的車流檢測(cè)等。

    近年來,由于深度卷積神經(jīng)網(wǎng)絡(luò)(DCNNs)的發(fā)展和計(jì)算機(jī)計(jì)算能力的提升,基于深度學(xué)習(xí)的車型檢測(cè)技術(shù)引起了人們的廣泛研究。Sengar[1]等人采用一種基于雙向光流塊的運(yùn)動(dòng)目標(biāo)檢測(cè)算法,該算法實(shí)驗(yàn)效果較好,但是需要對(duì)比前后兩幀圖像,需要輸入視頻,不適用于靜態(tài)檢測(cè)。孫皓澤等人[2]提出使用MobileNet網(wǎng)絡(luò)對(duì)裝甲車進(jìn)行檢測(cè)識(shí)別,該方法適用于計(jì)算資源受限場(chǎng)景,但在檢測(cè)精度上仍有待提高。為了能夠直接檢測(cè)圖像中的車輛類型,提高實(shí)時(shí)檢測(cè)準(zhǔn)確率,該文提出將深度學(xué)習(xí)的目標(biāo)檢測(cè)方法用于實(shí)時(shí)車型檢測(cè)任務(wù)中,解決實(shí)際場(chǎng)景應(yīng)用中車型的檢測(cè)精度和速度問題。

    目前,基于深度學(xué)習(xí)的目標(biāo)檢測(cè)方法主要分為兩類:基于候選區(qū)域的雙階段檢測(cè)器和基于回歸框的單階段檢測(cè)器。其中,雙階段檢測(cè)器的檢測(cè)過程分為兩個(gè)步驟,第一步從圖像中生成候選區(qū)域(可能存在目標(biāo)的區(qū)域),然后將候選區(qū)域作為輸入,輸入神經(jīng)網(wǎng)絡(luò)提取特征,進(jìn)行目標(biāo)的類別和回歸框位置的檢測(cè),典型的網(wǎng)絡(luò)有R-CNN[3]、Fast R-CNN[4]、Mask R-CNN[5]、PANet[6]、TridentNet[7]。而單階段檢測(cè)器省去了候選區(qū)域的生成過程,將目標(biāo)檢測(cè)任務(wù)視為回歸任務(wù),直接對(duì)輸入的圖像進(jìn)行回歸預(yù)測(cè)并輸出結(jié)果,典型的網(wǎng)絡(luò)有SSD[8]、YOLO[9-11]、ConerNet[12]、FSAF[13]、FCOS[14]。

    兩種方法相比較,雙階段檢測(cè)方法的精度略高于單階段檢測(cè)方法的精度,但是其在檢測(cè)速度方面表現(xiàn)不如單階段檢測(cè)方法,不足以滿足車型檢測(cè)的實(shí)時(shí)要求;而單階段檢測(cè)方法在檢測(cè)速度方面有著很好的表現(xiàn),故采用單階段的檢測(cè)方法進(jìn)行車型檢測(cè)。

    現(xiàn)在主流的基于單階段的車型檢測(cè)方法在檢測(cè)速度和精度方面都有著較好的表現(xiàn),但大多數(shù)方法是基于Anchor框的,需要人為預(yù)先設(shè)置Anchor的一些大小和比例等超參數(shù)。

    該方法存在以下不足:

    (1)算法對(duì)預(yù)先設(shè)定的圖像的大小、Anchor框的長(zhǎng)寬比和數(shù)量比較敏感;

    (2)由于與Anchor相關(guān)的超參數(shù)是預(yù)先設(shè)定的,使得算法無(wú)法自適應(yīng)檢測(cè)目標(biāo)的大小,且對(duì)變形較大的目標(biāo)檢測(cè)效果不太理想;

    (3)該類方法計(jì)算量和內(nèi)存開銷較大,因?yàn)樾枰驼鎸?shí)結(jié)果多次地計(jì)算IOU(intersection over union);

    (4)該方法會(huì)使得數(shù)據(jù)集的正負(fù)樣本不平衡,為了獲得較高的召回率,需要在特征圖上密集地部署Anchor,而其中大部分是負(fù)樣本,會(huì)加劇正負(fù)樣本的不平衡。

    針對(duì)上述不足,該文提出基于Anchor-Free的車型檢測(cè)方法。該方法減少了車型檢測(cè)模型的設(shè)計(jì)復(fù)雜度和超參數(shù)的設(shè)置難度,從而簡(jiǎn)化訓(xùn)練過程,提升模型檢測(cè)速度;取消了Anchor的設(shè)置,在減少計(jì)算量的同時(shí)可以更好地適應(yīng)不同尺寸的車輛特征。同時(shí),為了解決車型檢測(cè)過程中對(duì)車輛關(guān)鍵特征提取能力不足的問題,在CenterNet[15]的基礎(chǔ)上引入了混合注意力機(jī)制;此外為了更好地提取不同尺寸的車型特征,將不同尺度的特征圖進(jìn)行了融合。在增加了極少參數(shù)量的同時(shí)提升了檢測(cè)精度。

    1 相關(guān)工作

    1.1 注意力機(jī)制

    注意力機(jī)制(attention mechanism)源于人們對(duì)視覺的研究。人類視覺系統(tǒng)的一個(gè)重要特性是人們不會(huì)一次嘗試處理整個(gè)場(chǎng)景的信息,而是有選擇地聚焦于有重要特征信息的區(qū)域。Jaderberg等人[16]在Spatial Transformer Networks中提出了用于分類任務(wù)的空間注意力模塊,該模塊允許對(duì)特征數(shù)據(jù)進(jìn)行空間變換。Wang等[17]使用編碼器式注意模塊的殘差注意網(wǎng)絡(luò),通過細(xì)化特征圖,使得網(wǎng)絡(luò)在提升性能的同時(shí)增加了對(duì)噪聲的魯棒性。注意力機(jī)制已被廣泛地應(yīng)用于序列化標(biāo)注、圖像識(shí)別和目標(biāo)檢測(cè)等場(chǎng)景。使用注意力機(jī)制來提升卷積神經(jīng)網(wǎng)絡(luò)在大規(guī)模圖像分類、檢測(cè)任務(wù)中的效果,故該文使用注意力機(jī)制提升車型檢測(cè)效果。

    1.2 網(wǎng)絡(luò)結(jié)構(gòu)

    該方法是一種基于Anchor-Free的單階段目標(biāo)檢測(cè)算法,在速度和精度方面都有很好的表現(xiàn),并且在摒棄Anchor后,減少了人為設(shè)置超參的影響。本研究采用ResNet-34作為主干網(wǎng),其網(wǎng)絡(luò)結(jié)構(gòu)如表1所示,該網(wǎng)絡(luò)很好地解決了深度神經(jīng)網(wǎng)絡(luò)的退化問題。

    表1 主干網(wǎng)的結(jié)構(gòu)

    模型訓(xùn)練時(shí),首先使用ResNet-34進(jìn)行特征提取,然后對(duì)提取出來的特征經(jīng)過多層可變形卷積(deformable convolutional networks),將特征圖尺寸進(jìn)行四次下采樣,由512×512縮小到128×128,最后形成三個(gè)并行分支,分別預(yù)測(cè)車輛的類別損失Lk、邊框損失Lsize以及車輛中心偏移損失Loff。損失函數(shù)的計(jì)算公式如式(1)所示,其中λsize為0.1,λoff為1。

    Ldet=Lk+λsizeLsize+λoffLoff

    (1)

    Lk=

    (2)

    在分類損失中,α為2,β為4,N為關(guān)鍵點(diǎn)個(gè)數(shù),該超參的選擇依據(jù)Law[18]等人的實(shí)驗(yàn)。

    (3)

    (4)

    2 改進(jìn)網(wǎng)絡(luò)

    2.1 注意力模塊

    目前常見的注意力機(jī)制劃分方式有三種,按照關(guān)注區(qū)域可以分為軟注意力和硬注意力;按照輸入形式可以分為基于項(xiàng)的注意力和基于位置的注意力;如果按照注意力域(attention domain)分類,則包含三種注意力域:空間域(spatial domain)、通道域(channel domain)和混合域(mixed domain)。

    通道注意力的作用是通過對(duì)特征圖的各個(gè)通道之間的依賴性進(jìn)行建模以提高對(duì)于重要特征的表征能力。目前生成通道注意力的方式有以下幾種:平均池化、最大池化、結(jié)合平局池化和最大池化、方差池化。其生成過程類似,首先通過在各層特征圖上的池化獲得各個(gè)通道的全局信息,然后使用全連接層進(jìn)行特征提取,ReLU進(jìn)行非線性激活,最后使用Sigmoid進(jìn)行權(quán)重歸一化,通過該過程自適應(yīng)地對(duì)各通道特征的相關(guān)程度進(jìn)行建模,最后再將原特征通道的信息與自適應(yīng)學(xué)習(xí)建模后的權(quán)重進(jìn)行加權(quán)處理,實(shí)現(xiàn)特征響應(yīng)及特征重校準(zhǔn)的效果。

    使用注意力機(jī)制的網(wǎng)絡(luò)在前向傳播的過程中,重要的特征通道將會(huì)占有更大的比重,在最終所呈現(xiàn)的輸出圖像中也能更加明顯地表征車型檢測(cè)網(wǎng)絡(luò)所重點(diǎn)關(guān)注的部分,更加關(guān)注圖像的內(nèi)容特征,更好地分辨出車輛的類別。

    空間注意力需要為特征圖生成一個(gè)空間注意力圖,用于增強(qiáng)或抑制不同位置的特征。空間注意力的方式有兩種:最大池化和平均池化結(jié)合、標(biāo)準(zhǔn)卷積(1*1,S=1,不同卷積核大小)。通過空間注意力,能夠更好地展示網(wǎng)絡(luò)所要關(guān)注的重點(diǎn)位置,更加關(guān)注圖像的位置特征,更好地對(duì)車輛進(jìn)行定位。

    混合注意力,顧名思義就是將圖像的通道特征和空間特征引入到特征提取的過程。Convolutional Block Attention Module (CBAM)[19]就是使用了混合注意力機(jī)制,同時(shí)關(guān)注通道和空間的特征,以此來提高神經(jīng)網(wǎng)絡(luò)在類別以及位置的表征能力。

    本研究在ResNet[17]的殘差模塊中融入混合注意力機(jī)制,用于提升車型類別以及車輛位置的表征能力。圖1為引入注意力之后的殘差模塊結(jié)構(gòu)圖。從圖1可知,輸入圖像經(jīng)過卷積之后,首先將特征圖輸入到通道注意力模塊,經(jīng)過全局平均池化和全局最大池化操作后依次通過兩次全連接和Sigmoid;將通道注意力模塊輸出的特征圖輸入到空間注意力模塊中,經(jīng)過通道最大池化和通道平均池化后輸入到全連接和Sigmoid;最后再和殘差連接結(jié)合一并輸出。

    圖1 引入注意力的殘差模塊

    通道注意力輸入特征圖F∈Rc×h×w(c為通道數(shù),h、w為圖像的高寬),會(huì)生成一個(gè)一維的通道注意力圖Mc∈Rc×1×1。生成過程如圖2所示(圖中S代表Sigmoid)。具體注意力特征圖計(jì)算公式如式(5)所示。

    圖2 通道注意力結(jié)構(gòu)

    (5)

    其中,全局平均池化輸出為Avgout,全局最大池化輸出為Maxout,F(xiàn)c為全連接,ReLU為激活函數(shù)。

    空間注意力將通道注意力的輸出作為輸入,輸入到網(wǎng)絡(luò),運(yùn)算后生成一個(gè)二維的空間注意力圖Ms∈R1×h×w。具體注意力特征圖計(jì)算公式如式(6)所示,Avg為平均池化操作,Max為最大池化操作,Cat為張量拼接運(yùn)算。生成過程如圖3所示。

    圖3 空間注意力結(jié)構(gòu)

    F''=Ms(F')?F'

    Ms(F')=Sigmoid(conv(Cat(Avg(F')+

    Max(F'))))

    (6)

    2.2 特征融合

    在特征提取過程中,ResNet-34進(jìn)行了四次下采樣,將圖像原始尺寸進(jìn)行了四次縮放,因此,圖像中的一些小目標(biāo)在進(jìn)行特征提取時(shí),其分辨率逐漸下降,在網(wǎng)絡(luò)的末端小目標(biāo)的特征信息可能就會(huì)丟失,從而影響小目標(biāo)的檢測(cè)精度。所以為了提高車輛目標(biāo)檢測(cè)效果,更好地提取圖像中車型的細(xì)粒度特征,通過引入特征融合,將可以更好地保留上層的特征,減少特征信息的損失,從而提升識(shí)別精度,具體過程如下。

    首先,將殘差網(wǎng)絡(luò)中C3層的特征進(jìn)行下采樣操作,并通過1×1卷積改變通道數(shù),與C5層的特征進(jìn)行融合,然后將融合之后的特征一并進(jìn)行后續(xù)運(yùn)算。圖4為引入特征融合的整體網(wǎng)絡(luò)結(jié)構(gòu),加粗連接線為引入的特征融合。

    圖4 網(wǎng)絡(luò)結(jié)構(gòu)

    2.3 圖像增強(qiáng)

    數(shù)據(jù)增強(qiáng)也稱為數(shù)據(jù)增廣,目的是增加數(shù)據(jù)集的規(guī)模,更好地訓(xùn)練模型,讓模型有更好的檢測(cè)能力,防止模型過擬合。為了提升車型檢測(cè)模型的泛化能力,提升檢測(cè)性能,從而更好地進(jìn)行車型檢測(cè),該文首先對(duì)實(shí)驗(yàn)數(shù)據(jù)集進(jìn)行了翻轉(zhuǎn)增強(qiáng),然后再使用增強(qiáng)后數(shù)據(jù)集進(jìn)行訓(xùn)練。

    3 實(shí)驗(yàn)結(jié)果與分析

    3.1 數(shù)據(jù)集

    文中使用的數(shù)據(jù)集為KITTI車型數(shù)據(jù)集和BIT-Vehicle數(shù)據(jù)集。其中,KITTI數(shù)據(jù)集是由豐田美國(guó)技術(shù)研究院同德國(guó)卡爾斯魯厄理工學(xué)院聯(lián)合創(chuàng)建,該數(shù)據(jù)集是目前國(guó)際上最大的數(shù)據(jù)集,主要用于自動(dòng)駕駛場(chǎng)景下的計(jì)算機(jī)視覺算法評(píng)測(cè)。

    KITTI車型數(shù)據(jù)集一共有7 481張圖像,包含小汽車(Car)、廂式貨車(Van)、卡車(Truck)和電車(Tram)四種車型。實(shí)驗(yàn)中將數(shù)據(jù)集劃分為兩部分,其中5 000張作為訓(xùn)練集,2 481作為測(cè)試集,訓(xùn)練標(biāo)簽總共有17 637個(gè),測(cè)試標(biāo)簽有15 627個(gè),具體每類車型標(biāo)簽數(shù)如圖5所示。

    圖5 KITTI數(shù)據(jù)集

    另一個(gè)數(shù)據(jù)集是BIT-Vehicle車型數(shù)據(jù)集,它包含了公共汽車(Bus)、越野車(SUV)、轎車(Sedan)、小貨車(Minivan)、中巴(Microbus)和卡車(Truck)6種車型,共9 850張圖像。本次實(shí)驗(yàn)將數(shù)據(jù)集劃分為兩部分,6 000張用于訓(xùn)練,3 850張用于測(cè)試,詳細(xì)類別的標(biāo)簽數(shù)如圖6所示,該數(shù)據(jù)集中的圖像均采自于實(shí)際的交通高清攝像頭。

    圖6 BIT-Vehicle數(shù)據(jù)集

    實(shí)驗(yàn)中的數(shù)據(jù)集格式為COCO,所以需要對(duì)原始標(biāo)簽進(jìn)行數(shù)據(jù)格式的轉(zhuǎn)化。具體步驟如下:

    (1)將KITTI轉(zhuǎn)化為txt格式;

    (2)從txt中篩選車輛類別;

    (3)txt格式標(biāo)簽轉(zhuǎn)化為XML格式;

    (4)將XML格式標(biāo)簽轉(zhuǎn)化為Json格式用于訓(xùn)練和測(cè)試。

    3.2 評(píng)價(jià)指標(biāo)

    實(shí)驗(yàn)使用各車型類別AP的平均值(mean average precision,mAP)和每秒檢測(cè)幀數(shù)(frames per second,fps)作為評(píng)價(jià)指標(biāo)。mAP通過計(jì)算IOU=0.5時(shí)的精度precision和召回率recall得到每類車型的PR(precision-recall)曲線,然后計(jì)算PR曲線與其下的面積得到該類別的平均精度AP,最后,計(jì)算所有類別AP的平均值得到mAP。而fps則是首先通過計(jì)算出檢測(cè)一張圖片所消耗的時(shí)間,然后計(jì)算每秒可以檢測(cè)多少?gòu)垐D計(jì)算而來。

    3.3 實(shí)驗(yàn)設(shè)置

    本研究中使用的實(shí)驗(yàn)配置如下:CPU:Inteli7 8700K;RAM:16 G;GPU加速庫(kù):CUDA 10.0,CUDNN 7.5.0;GPU:Nvidia GTX1080Ti;實(shí)驗(yàn)平臺(tái)的操作系統(tǒng)為Ubuntu16.04,實(shí)驗(yàn)程序開發(fā)使用了基于Python機(jī)器學(xué)習(xí)庫(kù)的Pytorch框架。

    網(wǎng)絡(luò)訓(xùn)練過程中,首先在ImageNet數(shù)據(jù)集上進(jìn)行預(yù)訓(xùn)練,然后在車型數(shù)據(jù)集上進(jìn)行微調(diào)。訓(xùn)練參數(shù)設(shè)置如下:batch_size為32,epoch為120,初始學(xué)習(xí)率0.000 125,并在第75個(gè)和100個(gè)epoch時(shí)分別下調(diào)學(xué)習(xí)率,每次下調(diào)為原來的1/10。

    3.4 實(shí)驗(yàn)結(jié)果及分析

    為驗(yàn)證文中方法的有效性,與現(xiàn)有的方法進(jìn)行對(duì)比,在BIT-Vehicle數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果如圖7所示。

    由圖7可知,文中方法與Yolov3相比,在Truck、SUV、Microbus三種車型數(shù)據(jù)集上識(shí)別精度有比較明顯的提升,同時(shí)速度也由35 fps提升至43 fps,能夠更好地應(yīng)用于實(shí)時(shí)車型檢測(cè)。

    圖7 BIT-Vehicle數(shù)據(jù)集實(shí)驗(yàn)結(jié)果

    文中方法與其他方法在KITTI數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果如表2所示。分析表中數(shù)據(jù)可知,文中方法與原CenterNet[15]方法相比mAP提升了2.3%,而檢測(cè)速度基本不受影響。這就說明混合注意力的引入能夠很好地提升車型檢測(cè)的精度;并且與現(xiàn)在主流的方法相比,能夠在速度與精度之間達(dá)到了一個(gè)很好的平衡。和DF-YOLOv3[22]相比,雖然速度慢了2 fps,但精度提升接近1%。

    表2 KITTI數(shù)據(jù)集實(shí)驗(yàn)結(jié)果

    通過對(duì)上述實(shí)驗(yàn)結(jié)果的分析,證明了通過融入注意力模塊,對(duì)車輛的空間信息以及通道信息進(jìn)行權(quán)重劃分,同時(shí)進(jìn)一步融合了不同尺度的車型特征,雖然增加了模型參數(shù),但檢測(cè)速度不受較大影響,同時(shí)提升了車輛檢測(cè)的精度,從而驗(yàn)證了文中方法的有效性。

    此外,為了更好地分析文中方法,對(duì)車型中心點(diǎn)檢測(cè)結(jié)果進(jìn)行可視化展示。圖8為該方法在BIT-Vehicle數(shù)據(jù)集上的檢測(cè)結(jié)果,其中第一行為原始輸入圖像,第二行為預(yù)測(cè)的關(guān)鍵點(diǎn)效果圖,最后一行為檢測(cè)結(jié)果圖。從圖中可以看出該方法能夠很好地預(yù)測(cè)車輛的中心位置。此外,通過觀察檢測(cè)結(jié)果發(fā)現(xiàn),在光照充足的情況下,圖像中會(huì)有車的陰影,這會(huì)一定程度上影響檢測(cè)效果。

    圖8 檢測(cè)結(jié)果

    4 結(jié)束語(yǔ)

    針對(duì)當(dāng)前車型檢測(cè)方法存在精度、速度較低和數(shù)據(jù)集少的問題,首先使用圖像增強(qiáng)對(duì)車型數(shù)據(jù)集進(jìn)行數(shù)據(jù)增強(qiáng),為車型檢測(cè)模型提供了規(guī)模更大的數(shù)據(jù)集。同時(shí)為了適應(yīng)不同尺寸的車型以及多目標(biāo)檢測(cè)等情況,通過使用混合注意力模塊和特征融合對(duì)Centernet[15]進(jìn)行改進(jìn),最終得到混合注意力卷積神經(jīng)網(wǎng)絡(luò),提高了車型檢測(cè)精度。在KITTI數(shù)據(jù)集和BIT-Vehicle數(shù)據(jù)集上分別進(jìn)行實(shí)驗(yàn),其在測(cè)試集上的平均檢測(cè)精度分別達(dá)到了94.6%、95.5%,與現(xiàn)有的一些車型檢測(cè)算法對(duì)比結(jié)果顯示,該方法更適用于車型檢測(cè)任務(wù),能夠直接對(duì)圖像進(jìn)行車型檢測(cè),并且能夠在速度和精確率上實(shí)現(xiàn)了一個(gè)很好的平衡。

    在未來工作中,將探索更優(yōu)的注意力模塊,同時(shí)使用更好的圖像處理方法,來適應(yīng)復(fù)雜的應(yīng)用環(huán)境,促進(jìn)深度學(xué)習(xí)在車型檢測(cè)、自動(dòng)駕駛等任務(wù)上的應(yīng)用。

    猜你喜歡
    池化注意力車型
    基于緊湊型雙線性網(wǎng)絡(luò)的野生茵識(shí)別方法研究
    基于Sobel算子的池化算法設(shè)計(jì)
    讓注意力“飛”回來
    2022全球期待車型 TOP10
    車迷(2022年1期)2022-03-29 00:50:20
    卷積神經(jīng)網(wǎng)絡(luò)中的自適應(yīng)加權(quán)池化
    一種高速自由流車型識(shí)別系統(tǒng)
    基于卷積神經(jīng)網(wǎng)絡(luò)和池化算法的表情識(shí)別研究
    “揚(yáng)眼”APP:讓注意力“變現(xiàn)”
    A Beautiful Way Of Looking At Things
    車型 (五)
    欧美潮喷喷水| 狠狠狠狠99中文字幕| 看黄色毛片网站| 精品午夜福利在线看| 亚洲在线自拍视频| 精品久久久久久久久久免费视频| 国产真实乱freesex| 亚洲精品国产成人久久av| 别揉我奶头~嗯~啊~动态视频| 日韩人妻高清精品专区| 久久久久性生活片| 亚洲乱码一区二区免费版| 免费在线观看成人毛片| 国产男靠女视频免费网站| 亚洲一区高清亚洲精品| 人人妻人人澡欧美一区二区| 成年免费大片在线观看| 人人妻,人人澡人人爽秒播| 日日摸夜夜添夜夜添小说| 国产日本99.免费观看| 一个人免费在线观看电影| 3wmmmm亚洲av在线观看| 欧美区成人在线视频| 免费av观看视频| 91在线精品国自产拍蜜月| 亚洲经典国产精华液单| 1024手机看黄色片| 97碰自拍视频| 国产单亲对白刺激| 色综合亚洲欧美另类图片| 又黄又爽又刺激的免费视频.| 久久精品影院6| 国产精品人妻久久久久久| 久久综合国产亚洲精品| 少妇熟女aⅴ在线视频| 亚洲高清免费不卡视频| 寂寞人妻少妇视频99o| 精品人妻熟女av久视频| 欧美日本亚洲视频在线播放| 如何舔出高潮| www.色视频.com| 欧美潮喷喷水| 日韩成人av中文字幕在线观看 | 久久精品国产亚洲av香蕉五月| 老师上课跳d突然被开到最大视频| 亚洲国产欧洲综合997久久,| 看片在线看免费视频| 少妇裸体淫交视频免费看高清| 国产毛片a区久久久久| 性色avwww在线观看| 国产高清视频在线播放一区| 亚洲一区高清亚洲精品| 丰满的人妻完整版| 国内精品久久久久精免费| 欧美性猛交黑人性爽| 两性午夜刺激爽爽歪歪视频在线观看| 丝袜美腿在线中文| 永久网站在线| 在线看三级毛片| 少妇丰满av| 天堂网av新在线| 亚洲性夜色夜夜综合| 免费无遮挡裸体视频| 亚洲av免费高清在线观看| 日日啪夜夜撸| 亚洲不卡免费看| 色综合站精品国产| 亚洲国产精品合色在线| 久久午夜亚洲精品久久| 久久人人精品亚洲av| 国产av一区在线观看免费| 麻豆国产97在线/欧美| 欧美绝顶高潮抽搐喷水| 亚洲va在线va天堂va国产| 国产乱人视频| 国产91av在线免费观看| 国产黄a三级三级三级人| 国产探花极品一区二区| 午夜福利视频1000在线观看| 国产视频内射| www日本黄色视频网| 国产在线精品亚洲第一网站| 乱人视频在线观看| 亚洲人成网站在线播放欧美日韩| 久久久久性生活片| av免费在线看不卡| 91在线观看av| 97热精品久久久久久| 久久欧美精品欧美久久欧美| 亚洲国产精品国产精品| 亚洲精品国产成人久久av| 日本成人三级电影网站| 麻豆精品久久久久久蜜桃| 99热网站在线观看| 欧美绝顶高潮抽搐喷水| av女优亚洲男人天堂| 国产一区二区在线观看日韩| 99热精品在线国产| 亚洲精品影视一区二区三区av| 久久久午夜欧美精品| 国产大屁股一区二区在线视频| 又爽又黄a免费视频| 国产精品一二三区在线看| 久久国内精品自在自线图片| а√天堂www在线а√下载| 十八禁网站免费在线| 少妇熟女aⅴ在线视频| a级毛色黄片| 亚洲内射少妇av| 在线天堂最新版资源| 国产久久久一区二区三区| 国产精品精品国产色婷婷| 身体一侧抽搐| 亚洲不卡免费看| 精品免费久久久久久久清纯| 久久热精品热| 国产 一区精品| 91麻豆精品激情在线观看国产| 男女之事视频高清在线观看| 少妇人妻精品综合一区二区 | 麻豆乱淫一区二区| 国产成人a区在线观看| 亚洲最大成人中文| av在线蜜桃| 久久精品影院6| 亚洲欧美中文字幕日韩二区| 国产精品久久久久久久久免| 精品久久久久久久人妻蜜臀av| 免费av不卡在线播放| 国产男靠女视频免费网站| 成人国产麻豆网| 日本精品一区二区三区蜜桃| 性插视频无遮挡在线免费观看| 日本三级黄在线观看| 婷婷亚洲欧美| 国产精品av视频在线免费观看| 亚洲18禁久久av| 99riav亚洲国产免费| 日本三级黄在线观看| 两性午夜刺激爽爽歪歪视频在线观看| 亚洲美女黄片视频| 乱人视频在线观看| 亚洲四区av| 国产精品永久免费网站| 99久久九九国产精品国产免费| av国产免费在线观看| 我要搜黄色片| 桃色一区二区三区在线观看| 18+在线观看网站| 精品人妻偷拍中文字幕| 精品午夜福利在线看| 久久国内精品自在自线图片| 在线播放国产精品三级| 插逼视频在线观看| 长腿黑丝高跟| 男人和女人高潮做爰伦理| 真实男女啪啪啪动态图| 成人特级黄色片久久久久久久| 精品午夜福利在线看| 俺也久久电影网| 久久人妻av系列| 国产女主播在线喷水免费视频网站 | 欧美区成人在线视频| 香蕉av资源在线| videossex国产| 直男gayav资源| 国语自产精品视频在线第100页| 国产一区二区三区av在线 | 18禁在线播放成人免费| 欧美成人a在线观看| 成人二区视频| 午夜视频国产福利| 22中文网久久字幕| 草草在线视频免费看| 色综合站精品国产| 午夜爱爱视频在线播放| 淫妇啪啪啪对白视频| 亚洲性夜色夜夜综合| 成人午夜高清在线视频| 少妇熟女欧美另类| 亚洲精华国产精华液的使用体验 | 1000部很黄的大片| 精品乱码久久久久久99久播| 国产精品嫩草影院av在线观看| 中文字幕久久专区| 亚洲成人久久性| 长腿黑丝高跟| 国产片特级美女逼逼视频| 日本一本二区三区精品| 老熟妇乱子伦视频在线观看| 高清日韩中文字幕在线| 俺也久久电影网| 内地一区二区视频在线| 免费无遮挡裸体视频| 国内揄拍国产精品人妻在线| 噜噜噜噜噜久久久久久91| 久久精品夜色国产| 国产精品电影一区二区三区| 99视频精品全部免费 在线| 热99在线观看视频| 少妇猛男粗大的猛烈进出视频 | 观看美女的网站| 国产日本99.免费观看| 人人妻人人看人人澡| 91午夜精品亚洲一区二区三区| 国产黄a三级三级三级人| 国产人妻一区二区三区在| 精品国内亚洲2022精品成人| 亚洲欧美精品自产自拍| 久久久久久久久久黄片| 亚洲精品国产av成人精品 | 搡女人真爽免费视频火全软件 | 国内久久婷婷六月综合欲色啪| 亚洲经典国产精华液单| 国产精品av视频在线免费观看| 国产成人a∨麻豆精品| 特大巨黑吊av在线直播| 国产精品国产高清国产av| 男女做爰动态图高潮gif福利片| 欧美色视频一区免费| 熟妇人妻久久中文字幕3abv| 亚洲国产欧美人成| 日本三级黄在线观看| 波多野结衣高清无吗| 亚洲五月天丁香| 赤兔流量卡办理| 国产高清激情床上av| 亚洲国产精品成人久久小说 | 久久精品国产自在天天线| av女优亚洲男人天堂| 白带黄色成豆腐渣| 在线观看美女被高潮喷水网站| 国产aⅴ精品一区二区三区波| 日日啪夜夜撸| 能在线免费观看的黄片| 99视频精品全部免费 在线| 免费大片18禁| 日韩大尺度精品在线看网址| 99久久中文字幕三级久久日本| 女人被狂操c到高潮| av在线蜜桃| 夜夜爽天天搞| 国产伦在线观看视频一区| 久久中文看片网| 色视频www国产| 色哟哟哟哟哟哟| 91在线精品国自产拍蜜月| 99久久精品一区二区三区| 精品一区二区免费观看| 蜜桃亚洲精品一区二区三区| 欧美+亚洲+日韩+国产| 亚洲va在线va天堂va国产| 欧美+日韩+精品| 九色成人免费人妻av| 内地一区二区视频在线| 五月伊人婷婷丁香| 夜夜夜夜夜久久久久| 久久精品91蜜桃| 日日摸夜夜添夜夜爱| 久久久久久久久中文| 免费不卡的大黄色大毛片视频在线观看 | 精品熟女少妇av免费看| 国产精品久久久久久av不卡| 国产午夜精品论理片| 日韩欧美三级三区| 别揉我奶头 嗯啊视频| av中文乱码字幕在线| 99久久精品国产国产毛片| 日韩国内少妇激情av| 九色成人免费人妻av| 精品人妻一区二区三区麻豆 | 99热6这里只有精品| 99视频精品全部免费 在线| 搡老妇女老女人老熟妇| 91在线观看av| 亚洲最大成人av| 十八禁国产超污无遮挡网站| 久久婷婷人人爽人人干人人爱| 在线看三级毛片| 精品一区二区三区人妻视频| 久久午夜福利片| 91狼人影院| 男女边吃奶边做爰视频| 一级毛片aaaaaa免费看小| 久久精品国产亚洲av香蕉五月| 欧美中文日本在线观看视频| 久久人人精品亚洲av| 能在线免费观看的黄片| 国产精品综合久久久久久久免费| 午夜福利视频1000在线观看| 国产黄片美女视频| 国产成人a∨麻豆精品| 搞女人的毛片| 日韩强制内射视频| 日韩一区二区视频免费看| 久久久久久伊人网av| 成年女人毛片免费观看观看9| 国产精品综合久久久久久久免费| 午夜福利视频1000在线观看| 成人特级黄色片久久久久久久| 99久久无色码亚洲精品果冻| 日韩,欧美,国产一区二区三区 | 麻豆国产97在线/欧美| 国产综合懂色| 久久中文看片网| 日本三级黄在线观看| 日本色播在线视频| 中文字幕精品亚洲无线码一区| 久久精品91蜜桃| 久久午夜福利片| 日韩精品中文字幕看吧| 天美传媒精品一区二区| 一个人看视频在线观看www免费| 综合色av麻豆| 看片在线看免费视频| 久久人人爽人人爽人人片va| 久久久久久久亚洲中文字幕| 国产精品人妻久久久影院| 国内久久婷婷六月综合欲色啪| 看非洲黑人一级黄片| 又爽又黄无遮挡网站| 欧美+亚洲+日韩+国产| 国产片特级美女逼逼视频| 亚洲最大成人av| 亚洲av电影不卡..在线观看| 久久久欧美国产精品| 99热这里只有是精品50| 国产精品一区二区性色av| 亚洲内射少妇av| 久久草成人影院| 亚洲专区国产一区二区| 亚洲熟妇熟女久久| 桃色一区二区三区在线观看| 亚洲精品一卡2卡三卡4卡5卡| 国产精品国产三级国产av玫瑰| 最新在线观看一区二区三区| 九九在线视频观看精品| 国产精品日韩av在线免费观看| 蜜桃亚洲精品一区二区三区| 身体一侧抽搐| 亚洲欧美日韩卡通动漫| 国产在线精品亚洲第一网站| 亚洲乱码一区二区免费版| 高清毛片免费观看视频网站| 国产激情偷乱视频一区二区| 午夜a级毛片| 国产精品美女特级片免费视频播放器| 国产白丝娇喘喷水9色精品| av在线播放精品| 成人永久免费在线观看视频| 日本a在线网址| 熟妇人妻久久中文字幕3abv| 国产高清有码在线观看视频| 免费无遮挡裸体视频| 69av精品久久久久久| 特级一级黄色大片| 丝袜美腿在线中文| 一级黄色大片毛片| 给我免费播放毛片高清在线观看| 日本-黄色视频高清免费观看| 午夜福利视频1000在线观看| 免费在线观看影片大全网站| 国产人妻一区二区三区在| 一进一出抽搐gif免费好疼| 久久九九热精品免费| 亚洲中文字幕一区二区三区有码在线看| 成人无遮挡网站| 精品福利观看| 久久天躁狠狠躁夜夜2o2o| av福利片在线观看| 国产亚洲av嫩草精品影院| 久久精品91蜜桃| 给我免费播放毛片高清在线观看| 日韩欧美 国产精品| 亚洲欧美中文字幕日韩二区| 国产精品久久久久久亚洲av鲁大| 久久精品国产亚洲网站| 日本色播在线视频| 亚洲不卡免费看| 久久99热这里只有精品18| 国产乱人偷精品视频| 国产蜜桃级精品一区二区三区| 亚洲人成网站在线播| 日本 av在线| 成年av动漫网址| 婷婷六月久久综合丁香| 国产高清三级在线| 国产av不卡久久| 亚洲三级黄色毛片| 91久久精品国产一区二区三区| 国产精品人妻久久久久久| 黄色视频,在线免费观看| 国产亚洲精品综合一区在线观看| 男女之事视频高清在线观看| 国语自产精品视频在线第100页| 国产精品久久视频播放| 国产成人精品久久久久久| 亚洲最大成人手机在线| 悠悠久久av| 亚洲欧美中文字幕日韩二区| 日本五十路高清| 成人二区视频| 日韩制服骚丝袜av| 久久久久精品国产欧美久久久| 亚洲一级一片aⅴ在线观看| 精品一区二区三区av网在线观看| 色综合站精品国产| 久久精品国产亚洲av涩爱 | 能在线免费观看的黄片| 国产精品福利在线免费观看| 国产91av在线免费观看| 丰满人妻一区二区三区视频av| 真实男女啪啪啪动态图| 精品一区二区免费观看| 蜜桃亚洲精品一区二区三区| 韩国av在线不卡| 十八禁国产超污无遮挡网站| 无遮挡黄片免费观看| 俺也久久电影网| 国产精品亚洲美女久久久| 精品一区二区免费观看| 桃色一区二区三区在线观看| 在线天堂最新版资源| 亚洲国产欧美人成| 亚洲人成网站在线播| 亚洲激情五月婷婷啪啪| 春色校园在线视频观看| 免费av观看视频| 国产精品,欧美在线| 夜夜夜夜夜久久久久| 亚洲第一区二区三区不卡| 最近中文字幕高清免费大全6| 亚洲中文日韩欧美视频| 亚州av有码| 欧美另类亚洲清纯唯美| 自拍偷自拍亚洲精品老妇| 亚洲国产色片| 高清午夜精品一区二区三区 | 精品久久久久久久久av| 久久精品国产亚洲av天美| 国产 一区精品| 一级黄片播放器| 国产高潮美女av| 男插女下体视频免费在线播放| 亚洲国产精品合色在线| 免费大片18禁| 午夜免费男女啪啪视频观看 | 99热这里只有精品一区| 在线天堂最新版资源| 日本a在线网址| 99热精品在线国产| 深夜a级毛片| 秋霞在线观看毛片| 亚洲专区国产一区二区| 日韩三级伦理在线观看| 如何舔出高潮| 亚洲av中文av极速乱| 亚洲av免费高清在线观看| 99精品在免费线老司机午夜| 婷婷精品国产亚洲av| 精品乱码久久久久久99久播| aaaaa片日本免费| 一级黄色大片毛片| 日韩成人av中文字幕在线观看 | 亚洲自拍偷在线| 国产精华一区二区三区| 99久久九九国产精品国产免费| 久久久久久国产a免费观看| 久久精品国产鲁丝片午夜精品| 午夜福利18| 可以在线观看的亚洲视频| 日韩国内少妇激情av| 精品久久国产蜜桃| 国产在视频线在精品| 日韩中字成人| 99热这里只有是精品在线观看| 一区二区三区高清视频在线| 午夜福利视频1000在线观看| 亚洲成人av在线免费| 99久久无色码亚洲精品果冻| 熟妇人妻久久中文字幕3abv| 能在线免费观看的黄片| 亚洲中文字幕日韩| 午夜福利在线观看吧| 白带黄色成豆腐渣| av视频在线观看入口| 日韩国内少妇激情av| 俄罗斯特黄特色一大片| 精品久久久久久久人妻蜜臀av| 国产精品人妻久久久影院| 十八禁国产超污无遮挡网站| 免费av毛片视频| 老司机午夜福利在线观看视频| 久久欧美精品欧美久久欧美| 午夜福利视频1000在线观看| 亚洲欧美日韩东京热| 免费不卡的大黄色大毛片视频在线观看 | 99riav亚洲国产免费| 中文字幕av成人在线电影| 欧美成人精品欧美一级黄| 久久精品国产清高在天天线| 亚洲精华国产精华液的使用体验 | 麻豆精品久久久久久蜜桃| av天堂在线播放| 亚洲最大成人手机在线| 99久久九九国产精品国产免费| 国产精品三级大全| 乱码一卡2卡4卡精品| 草草在线视频免费看| 成年免费大片在线观看| 22中文网久久字幕| 国产黄色视频一区二区在线观看 | 最近2019中文字幕mv第一页| 大型黄色视频在线免费观看| 最近2019中文字幕mv第一页| 嫩草影视91久久| 狂野欧美白嫩少妇大欣赏| 亚洲成人久久性| 日韩 亚洲 欧美在线| 久久久久久九九精品二区国产| 日韩高清综合在线| 国产视频一区二区在线看| 一个人观看的视频www高清免费观看| 成年版毛片免费区| 欧美在线一区亚洲| 麻豆久久精品国产亚洲av| 亚洲一区高清亚洲精品| 丰满的人妻完整版| 赤兔流量卡办理| 91久久精品国产一区二区成人| 女同久久另类99精品国产91| 男女之事视频高清在线观看| 搡老熟女国产l中国老女人| 九色成人免费人妻av| 99久久成人亚洲精品观看| 最好的美女福利视频网| 三级毛片av免费| 亚洲成人久久性| 99在线视频只有这里精品首页| 亚洲电影在线观看av| 午夜免费激情av| 在线a可以看的网站| videossex国产| 国语自产精品视频在线第100页| 日日摸夜夜添夜夜爱| 又黄又爽又免费观看的视频| 精品免费久久久久久久清纯| 国产欧美日韩精品一区二区| 天堂动漫精品| 国产在线男女| 超碰av人人做人人爽久久| 看黄色毛片网站| 国产精品三级大全| 精品一区二区三区av网在线观看| 日本黄大片高清| 激情 狠狠 欧美| 欧美+日韩+精品| 国产精品三级大全| 久久草成人影院| 亚洲激情五月婷婷啪啪| 久久九九热精品免费| 国产亚洲精品久久久久久毛片| 国产精品久久久久久av不卡| 国产视频一区二区在线看| 亚洲av免费高清在线观看| 91午夜精品亚洲一区二区三区| 非洲黑人性xxxx精品又粗又长| 国产女主播在线喷水免费视频网站 | 老司机午夜福利在线观看视频| 国产国拍精品亚洲av在线观看| 伊人久久精品亚洲午夜| 乱系列少妇在线播放| avwww免费| 欧美高清成人免费视频www| 亚洲va在线va天堂va国产| 美女大奶头视频| av专区在线播放| 成人无遮挡网站| 国产一区二区三区av在线 | 国产乱人视频| 天堂影院成人在线观看| 国产黄色小视频在线观看| 色哟哟哟哟哟哟| 亚洲不卡免费看| 俄罗斯特黄特色一大片| av在线蜜桃| 别揉我奶头 嗯啊视频| av在线天堂中文字幕| 日本黄色视频三级网站网址| 欧美成人免费av一区二区三区| 色综合站精品国产| 你懂的网址亚洲精品在线观看 | 99热这里只有是精品在线观看| 精品午夜福利在线看| 精品福利观看| 欧美丝袜亚洲另类| 天堂动漫精品| 国语自产精品视频在线第100页| 国产视频内射| 国产av不卡久久| 看十八女毛片水多多多| 久久午夜亚洲精品久久| 午夜福利在线在线| 久久草成人影院| 国产伦精品一区二区三区视频9| 日韩欧美国产在线观看| 日韩欧美三级三区| 天堂网av新在线| 欧美性感艳星| 99久久九九国产精品国产免费| 高清毛片免费观看视频网站| 1000部很黄的大片| 97超级碰碰碰精品色视频在线观看| 男女下面进入的视频免费午夜| 亚洲av成人精品一区久久|