• <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 ?

    基于多重注意力引導(dǎo)的人群計數(shù)算法*

    2022-08-23 06:49:16楊倩倩彭思凡殷保群
    關(guān)鍵詞:計數(shù)注意力卷積

    楊倩倩,何 晴,彭思凡,殷保群

    (中國科學(xué)技術(shù)大學(xué) 信息科學(xué)技術(shù)學(xué)院,安徽 合肥 230026)

    0 引言

    由于人群所在的位置和行動軌跡具有主觀性強、自由度高的特點,監(jiān)控視頻采集的圖像包含大量雜亂分布的人群,不同局部區(qū)域的人群密度差異巨大,增大了人群計數(shù)算法的估計難度。如圖1所示,在同一人群場景中,多個局部區(qū)域表現(xiàn)為人口極度聚集,而部分區(qū)域人口稀疏甚至是孤立的個體,難以預(yù)測的行人位置將導(dǎo)致密度圖中不同位置的密度值之間存在巨大差異,對算法感知不同密度分布模式的能力提出了更高的要求。為解決上述問題,本文提出基于多重注意力引導(dǎo)的人群計數(shù)算法,將特征金字塔機制和注意力機制相結(jié)合,促進語義信息和空間細節(jié)的融合,并通過注意力圖引導(dǎo)模型生成對應(yīng)不同分布狀態(tài)的密度圖。

    圖1 人群非均勻分布圖像示例

    1 概述

    為解決計數(shù)問題中的非均勻分布問題,研究者主要設(shè)計了基于分類或檢測等輔助任務(wù)和注意力機制的計數(shù)方法,讓模型提取到各種分布模式下的全局和局部語義信息來識別分布在不同密集程度下的行人。CP-CNN[1]在多列密度估計框架的基礎(chǔ)上搭建了兩個額外的人群密度分類網(wǎng)絡(luò),分別學(xué)習(xí)將輸入圖像或局部圖像塊按照密度差異分類為5個類別,以此來學(xué)習(xí)全局和局部區(qū)域的上下文信息,并將提取的上下文語義信息融合到密度圖估計任務(wù)中,從而生成高質(zhì)量的人群密度圖。然而,該算法對全局或局部區(qū)域人數(shù)分類只能提取到粗糙的語義特征,復(fù)雜場景下需要細粒度的密度語義信息。Liu等人[2]認為在不知道每個行人具體位置的情況下,計數(shù)模型在低密度區(qū)域容易產(chǎn)生過估計現(xiàn)象。為了解決此問題,作者提出的Decidenet將檢測和回歸方法結(jié)合來處理不同密度區(qū)域的人群,能夠自適應(yīng)地根據(jù)實際密度情況決定合適的計數(shù)方法,在低密度區(qū)域采用檢測方法估計人數(shù),在擁擠區(qū)域則采用回歸方法捕捉人群信息。然而,采用的Faster-RCNN[3]等檢測網(wǎng)絡(luò)往往十分復(fù)雜,難以將其和密度圖回歸網(wǎng)絡(luò)以端到端的方式訓(xùn)練,且訓(xùn)練過程繁瑣。Jiang等人[4]指出在不同的密度模式的圖像區(qū)域中,數(shù)據(jù)驅(qū)動的計數(shù)算法容易出現(xiàn)過估計或欠估計。作者提出了一種基于注意力機制的人群計數(shù)算法,該網(wǎng)絡(luò)包括密度注意力網(wǎng)絡(luò)和注意力尺度網(wǎng)絡(luò),后者給前者提供與不同密度區(qū)域相關(guān)的注意力信息,并采用尺度因子幫助縮小不同區(qū)域的估計誤差。然而,該模型由2個VGG-16[5]組成,網(wǎng)絡(luò)參數(shù)量過大并且結(jié)構(gòu)較為復(fù)雜,同時需要對子網(wǎng)絡(luò)分別訓(xùn)練,這些弊端導(dǎo)致該模型訓(xùn)練困難且不利于計數(shù)性能的提升。

    針對以上問題,本文提出一種基于多重注意力引導(dǎo)的人群密度估計算法(Multi-Attention Convolutional Network for Crowd Counting,MACN)來完成密度圖回歸任務(wù),采用多重注意力機制指導(dǎo)網(wǎng)絡(luò)提取多種分布模式下的人群特征,改善不同密集程度下的密度圖質(zhì)量,從而提升人群計數(shù)算法的整體性能,主要包括特征提取模塊(Feature Extraction Module,F(xiàn)EM)、特征融合模塊(Feature Fusion Module,F(xiàn)FM)、上下文注意力模塊(Context Attention Module,CAM)和密度圖生成模塊(Density Map Generation Module,DGM)。

    2 密度估計網(wǎng)絡(luò)結(jié)構(gòu)設(shè)計

    針對復(fù)雜場景中存在的人群非均勻分布問題,設(shè)計了一個端到端的計數(shù)網(wǎng)絡(luò)來實現(xiàn)密度圖估計,采用注意力機制獲取像素級別的語義信息來指導(dǎo)密度圖回歸任務(wù),感知不同分布模式下的行人,具體結(jié)構(gòu)如圖2所示。

    圖2 MACN結(jié)構(gòu)

    2.1 特征提取模塊

    VGG-16具有強大的特征提取能力和優(yōu)秀的遷移學(xué)習(xí)能力,采用小卷積核代替大卷積核,能夠在保證特征表達能力的同時不消耗過多計算資源,所以采用VGG-16的前13個卷積層作為特征提取模塊,根據(jù)池化層位置進一步分5個子模塊,其具體配置如表1所示。

    表1 FEM網(wǎng)絡(luò)結(jié)構(gòu)

    2.2 特征融合模塊

    Lin等人[6]在目標(biāo)檢測系統(tǒng)Faster R-CNN中引入了特征金字塔結(jié)構(gòu)(Feature Pyramid Network,F(xiàn)PN),它是一種包含自下而上路徑、橫向連接和自上而下路徑的特征融合機制,能夠充分融合來自網(wǎng)絡(luò)中間不同層次的特征。Zhang等人[7]提出一種輕量化金字塔切分注意力模塊(Pyramid Split Attention,PSA),將其嵌入到ResNet[8]中來提取更細粒度的空間信息并建立通道之間的長距離依賴,有效提升了分類網(wǎng)絡(luò)的性能。受到上述工作啟發(fā),本文將金字塔切分注意力模塊引入特征金字塔機制,搭建了自上而下的特征融合路徑。

    PSA的網(wǎng)絡(luò)結(jié)構(gòu)如圖3所示,共包含四個主要步驟。假設(shè)輸入特征X的尺寸為C×H×W,首先在通道維度上將輸入向量均分為S組,采用分組卷積的方法讓S個不同尺寸的卷積核并行處理每組向量,并采用級聯(lián)的方式對結(jié)果進行融合得到F。然后采用通道注意力模塊為每組特征學(xué)習(xí)注意力權(quán)重向量,權(quán)重的計算方式將在后面詳細介紹。第三步是采用Softmax函數(shù)注意力向量進行調(diào)整得到Z′,從而自適應(yīng)地選擇不同的空間尺寸。最后,將調(diào)整后的注意力向量Z′和F做逐像素乘積得到輸出特征。

    圖3 PSA結(jié)構(gòu)

    其中f(·)表示PSA模塊的映射關(guān)系,conv(·)表示1×1卷積運算,up(·)表示雙線性插值函數(shù)。

    2.3 上下文注意力模塊

    注意力機制是一種讓模型關(guān)注重點目標(biāo)區(qū)域的信息篩選機制,能夠幫助網(wǎng)絡(luò)提取到與人群目標(biāo)更相關(guān)的有利信息。上下文注意力模塊首先提取全局和局部上下文信息并進行融合,基于該融合語義信息生成能感知不同密度分布模式的注意力圖,給不同密度級別的密度圖分配對應(yīng)的權(quán)重,讓模型關(guān)注到不同分布狀態(tài)的行人,從而克服圖像中人群雜亂分布導(dǎo)致的密度差異,其具體結(jié)構(gòu)如圖4所示。

    圖4 CAM結(jié)構(gòu)

    Dai等人[9]指出只利用全局上下文信息將使得模型更關(guān)注于分布于全局的目標(biāo),并弱化小尺寸目標(biāo)的圖像信號,局部上下文信息的使用將有助于模型關(guān)注更多的空間細節(jié)信息,從而生成更高質(zhì)量的特征圖。所以CAM模塊分別設(shè)計了全局和局部上下文提取模塊,并對提取的多尺寸上下文語義進行融合??紤]到平均池化和最大池化具有不同的特性,平均池化對特征圖上的每個像素點都產(chǎn)生反饋信號,而最大池化更加關(guān)注于區(qū)域內(nèi)相應(yīng)最大的位置,所以采用全局平均池化(Global Average Pooling,GAP)和最大池化(Global Max Pooling,GMP)兩種池化機制來提取全局上下文信息。輸入特征首先分別經(jīng)過GAP和GMP來聚合全局空間信息,然后采用兩個1×1卷積捕獲各通道間全局信息的依賴關(guān)系。同時設(shè)計了局部上下文信息提取模塊,不采用全局池化操作,通過小尺寸的卷積操作建立局部連接來捕捉局部上下文特征。最后對提取的上下文信息進行融合得到多尺寸上下文語義特征,并經(jīng)過兩個1×1卷積進一步增大特征的感受野并調(diào)整通道數(shù)量,生成最終的注意力權(quán)重。

    2.4 密度圖生成模塊

    SE Block[10]能夠?qū)斎胩卣魍ǖ乐g的相關(guān)性進行建模,通過網(wǎng)絡(luò)學(xué)習(xí)的方式自動獲得每個特征通道的重要程度。本節(jié)采用SE Block來對特征融合模塊得到的多級語義融合特征進行通道維度的權(quán)重調(diào)整,其具體結(jié)構(gòu)如圖5所示。

    圖5 SE Block結(jié)構(gòu)

    SE Block首先通過全局平均池化聚合空間信息,為每個通道分別生成一個全局描述符。假設(shè)輸入特征f的尺寸為C×W×H,于是第c個通道的描述符的計算過程如式(2)所示:

    其中fc表示第c個通道的輸入特征。然后將全部描述符輸入到兩個全連接層進行非線性變換,并采用Sigmoid激活函數(shù)實現(xiàn)特征的重新標(biāo)定,于是得到所有通道的注意力權(quán)重:

    其中W1和W2分別表示兩全連接層的權(quán)重,z表示C個通道描述符組成的整體描述符。于是調(diào)整后的特征如式(4)所示:

    通道注意力模塊對多級語義融合特征進行了通道權(quán)重的調(diào)整,加強了對密度估計更重要的通道,生成了更具辨別力的特征。為了提取更深層的語義信息,首先采用1×1卷積層將通道維數(shù)降為512通道,再采用2個3×3卷積層進一步擴大特征的感受野,最后采用1×1卷積層生成3個對應(yīng)不同密度級別的密度圖。最后,將CAM生成的感知不同密度模式的注意力圖和DGM生成的不同區(qū)域的密度圖進行逐像素相乘,相加融合生成最終的高質(zhì)量密度圖,具體計算過程如式(5)所示:

    其中,Ai和Di分別表示CAM和DGM生成的第i個通道的特征,⊙表示逐像素相乘。

    2.5 損失函數(shù)

    本文采用歐式距離衡量估計密度圖和真值密度圖之間的差距,定義如式(6)所示:

    其中,θ是MACN中待優(yōu)化網(wǎng)絡(luò)參數(shù)的集合,N是訓(xùn)練樣本數(shù)量,Xi表示第i張輸入圖像,F(xiàn)i和F(Xi;θ)分別表示真值密度圖和估計密度圖。此外,采用交叉熵損失監(jiān)督CAM模塊生成的注意力圖,計算方式如式(7)所示:

    其中,yj和Aj(Xi;θ)分別表示第j個密度等級注意力權(quán)重的真值標(biāo)簽和估計值。yj的獲得方式將在3.1節(jié)詳細介紹。因此,總體損失函數(shù)如式(8)所示:

    其中α表示超參數(shù),在實驗中被設(shè)置為1。

    3 算法實現(xiàn)

    3.1 地面真值生成

    假設(shè)xi位置存在一個人頭標(biāo)記,可將其表示為一個單位沖擊函數(shù)δ(x-xi),可將包含M個人頭標(biāo)記的輸入圖像表示為:

    然后采用歸一化的高斯核對每個人頭標(biāo)記做平滑處理,即將H(x)與高斯核做卷積來生成真值密度圖,計算方式如式(10)所示:

    其中μ和σ分別表示高斯核的均值和方差,Gμ,σ(x)表示歸一化的二維高斯核。本文采用15×15的固定尺寸高斯核生成真值密度圖。

    此外,為了監(jiān)督CAM模塊生成的注意力圖,本文依據(jù)上述生成的真值密度圖得到注意力真值標(biāo)簽,計算過程如式(11)所示:

    其中yi(x)表示第i個密度級別的注意力標(biāo)簽,avg表示整張真值密度圖所有像素的平均值,β是超參數(shù),被設(shè)置為0.2。

    3.2 數(shù)據(jù)增強處理

    本節(jié)采用多種方法對數(shù)據(jù)進行增強,防止訓(xùn)練過程出現(xiàn)過擬合現(xiàn)象。首先,從原始圖片中裁剪出9張1/4原圖尺寸的圖像塊,并將每個圖像塊隨機裁剪到256×256的固定尺寸。然后,以0.5的概率對所有圖像塊做水平翻轉(zhuǎn),以0.3的概率在[0.5,1.5]范圍內(nèi)對圖像塊做伽馬變換,以0.1的概率將彩色圖片轉(zhuǎn)換成灰度圖像,以0.25的概率將彩色圖像的RGB通道切換。最后,以0.25的概率像圖像加入均值為0、標(biāo)準(zhǔn)差為5的高斯噪聲。

    3.3 訓(xùn)練過程

    本文以端到端的方式訓(xùn)練MACN。特征提取模塊采用在ImagNet上預(yù)訓(xùn)練的VGG-16的參數(shù)進行初始化,剩余其他所有卷積層的權(quán)重都采用均值為0,標(biāo)準(zhǔn)差為0.01的高斯分布初始化。采用Adam優(yōu)化器來優(yōu)化模型參數(shù),初始學(xué)習(xí)率和衰減率分別被設(shè)置為1×10-5和0.995,批尺寸設(shè)置為8。跟隨Gao等人[11]的做法,訓(xùn)練時將密度圖乘以一個較大的放大倍數(shù)(100)來實現(xiàn)更快的收斂速度和更準(zhǔn)確的結(jié)果,更好地平衡損失權(quán)重。本文所有工作皆是基于PyTorch深度學(xué)習(xí)框架,采用11 GB顯存的Nvidia-2080Ti GPU顯卡實現(xiàn)訓(xùn)練和測試的加速。

    4 實驗分析

    參考其他優(yōu)秀人群計數(shù)方法[12-13],本文采用平均絕對誤差(Mean Absolute Error,MAE)和均方誤差(Mean Squared Error,MSE)來評估算法性能,計算公式如式(12)、式(13)所示:

    其中,N代表測試圖片數(shù)目,zi與z^i分別代表真值與算法的預(yù)測值。

    4.1 ShanghaiTech數(shù)據(jù)集實驗

    ShanghaiTech數(shù)據(jù)集[13]共包括1 198張人群圖片,根據(jù)密度差異被分為Part_A和Part_B兩個部分。Part_A由互聯(lián)網(wǎng)上獲取的482張人群圖片組成,人群分布較為密集,訓(xùn)練集和測試集分別包含300張和182張圖片;Part_B中的716張圖片均拍攝于上海街頭,人群分布較為稀疏,訓(xùn)練集和測試集分別包含400和316張圖片。

    表2給出了在本數(shù)據(jù)集上MACN算法與其他代表性算法的實驗結(jié)果。由分析可知,MACN在兩個子數(shù)據(jù)集上同時實現(xiàn)了最好的MAE和MSE指標(biāo),相比于第二名分別將MAE指標(biāo)優(yōu)化了4.6%和9.2%,在人群密集的Part_A和人群較為稀疏的Part_B上都能實現(xiàn)較明顯的性能提升,說明MACN算法對人群密度變化具有較好適應(yīng)性。圖6展示了測試集的部分估計密度圖和真實密度圖的可視化樣例,第一行、第二行表示Part_A上的估計結(jié)果,第三、四行表示Part_B上的估計結(jié)果;從左到右每一列分別表示人群圖片、真值密度圖和估計密度圖。

    表2 ShanghaiTech數(shù)據(jù)集結(jié)果

    圖6 ShanghaiTech上MACN算法生成密度圖可視化樣例

    4.2 UCF_QNRF數(shù)據(jù)集實驗

    Ideers等人[20]提出了UCF_QNRF數(shù)據(jù)集,圖片主要來源于朝圣素材和網(wǎng)頁搜索,共包含1 535張圖片,比ShanghaiTech數(shù)據(jù)集具有更大的規(guī)模,且圖像中人群總數(shù)浮動較大,人群場景更為復(fù)雜。

    表3列出了MACN算法與其他優(yōu)秀算法在UCFQNRF上的實驗結(jié)果。和MAE排名第二的PaDNet相比,MACN將MAE指標(biāo)在數(shù)值上減小了2.7%,這表明該算法在極度密集的場景中仍能對人群數(shù)量進行準(zhǔn)確估計。圖7展示了測試集的部分估計密度圖和真實密度圖的可視化樣例,可以看到MACN算法能夠有效應(yīng)對圖像中存在的人群非均勻分布問題,生成接近真實人群分布的估計結(jié)果。

    表3 UCF_QNRF數(shù)據(jù)集結(jié)果

    4.3 JHU-CROWD++數(shù)據(jù)集實驗

    Sindagi等人[27]提出的JHU-CROWD++數(shù)據(jù)集是一個新型的大規(guī)模無約束數(shù)據(jù)集,由不同場景與環(huán)境下的4 372張人群圖像組成,由訓(xùn)練集(2 272張)、驗證集(500張)、測試集(1 600張)三個部分組成,人頭標(biāo)注數(shù)量高達151萬。為了進一步研究人群計數(shù)算法在各種密度情況下的性能,測試集與驗證集的人群圖像被細分為高密度、中密度和低密度三個類別。同時考慮到惡劣天氣的影響,此數(shù)據(jù)集還包含單獨由復(fù)雜天氣人群圖像組成的子集。下面將在總體、低密度、中密度、高密度以及天氣環(huán)境這5種情況下分析人群計數(shù)算法的準(zhǔn)確率和魯棒性,如表4所示。

    表4 JHU-CROWD++數(shù)據(jù)集結(jié)果

    對比MACN算法和其他先進算法在JHU-CROWD++測試集上的性能。在整體性能上,MACN算法的MAE指標(biāo)比第二名優(yōu)化了6.8%;在低密度、中密度、高密度、惡劣天氣等子類上MACN分別將MAE指標(biāo)比第二名在數(shù)值上優(yōu)化了0.2、1.9、16.6和7.9。JHU-CROWD++測試集的部分估計密度圖和真實密度圖的可視化樣例如圖8所示。分析表明,MACN算法在總體與所有子類上都實現(xiàn)了最準(zhǔn)確的計數(shù)結(jié)果并能夠保持較高的魯棒性,驗證了MACN算法的泛化性和準(zhǔn)確性。

    圖8 JHU-CROWD++上MACN算法生成密度圖可視化樣例

    4.4 消融實驗

    為驗證各子模塊的有效性,本小節(jié)在Shanghai-Tech Part_A上對不同結(jié)構(gòu)進行實驗。表5展示了五種不同結(jié)構(gòu)的實驗結(jié)果,其中W/O FFM+CAM+SE表示將FFM模塊、CAM模塊和DGM中的SE Block移除;W/O FFM表示移除FFM模塊;W/O CAM表示移除CAM模塊;W/O SE表示移除SE Block;MACN表示完整結(jié)構(gòu)。由實驗結(jié)果可知,同時采用FFM、CAM、SE Block能夠獲得最優(yōu)的MAE和MSE指標(biāo),大幅提升模型性能。

    表5 參數(shù)選擇實驗

    5 結(jié)論

    本文提出了一種基于多重注意力引導(dǎo)的密度估計網(wǎng)絡(luò)MACN,來解決人群計數(shù)任務(wù)中的人群雜分布問題。首先,該算法基于輕量化的切分注意力模塊,構(gòu)建了一條自上而下的特征融合路徑以促進不同語義級別特征之間的流動,旨在增強特征的表達能力。然后,建立上下文注意力模塊來提取并融合多尺度上下文信息,以生成對應(yīng)不同密度級別的注意力圖,從而引導(dǎo)密度估計網(wǎng)絡(luò)識別不同分布模式下的行人目標(biāo)。最后,憑借大量實驗結(jié)果充分說明MACN有助于提升各種場景下的計數(shù)性能。

    猜你喜歡
    計數(shù)注意力卷積
    讓注意力“飛”回來
    古人計數(shù)
    基于3D-Winograd的快速卷積算法設(shè)計及FPGA實現(xiàn)
    遞歸計數(shù)的六種方式
    古代的計數(shù)方法
    從濾波器理解卷積
    電子制作(2019年11期)2019-07-04 00:34:38
    基于傅里葉域卷積表示的目標(biāo)跟蹤算法
    這樣“計數(shù)”不惱人
    “揚眼”APP:讓注意力“變現(xiàn)”
    傳媒評論(2017年3期)2017-06-13 09:18:10
    A Beautiful Way Of Looking At Things
    成年女人看的毛片在线观看| 久久国产乱子伦精品免费另类| 亚洲天堂国产精品一区在线| 岛国在线免费视频观看| 日韩中字成人| 日韩中字成人| 国产精品免费一区二区三区在线| 久久精品影院6| 精品一区二区免费观看| 搡老岳熟女国产| 全区人妻精品视频| 精品国产亚洲在线| 又粗又爽又猛毛片免费看| 久久国产乱子伦精品免费另类| 久久婷婷人人爽人人干人人爱| 精品午夜福利在线看| a级毛片免费高清观看在线播放| 久久久久九九精品影院| 天堂影院成人在线观看| 伦理电影大哥的女人| 亚洲成人精品中文字幕电影| 欧美一区二区亚洲| 久久精品国产99精品国产亚洲性色| 小蜜桃在线观看免费完整版高清| 午夜福利在线在线| av在线天堂中文字幕| 欧美xxxx性猛交bbbb| 国产成人a区在线观看| 麻豆成人av在线观看| 少妇丰满av| 免费观看人在逋| 国产视频内射| 中文资源天堂在线| 少妇人妻一区二区三区视频| 99国产精品一区二区蜜桃av| 直男gayav资源| 婷婷亚洲欧美| 国产三级在线视频| 在线观看av片永久免费下载| 欧美成人性av电影在线观看| 欧美黄色片欧美黄色片| 亚洲av免费在线观看| a级毛片a级免费在线| 亚洲av成人av| 日本五十路高清| 午夜影院日韩av| 他把我摸到了高潮在线观看| 日日干狠狠操夜夜爽| 亚洲国产欧洲综合997久久,| 欧美成人a在线观看| 可以在线观看的亚洲视频| 国产亚洲精品久久久com| 亚洲欧美激情综合另类| av黄色大香蕉| 如何舔出高潮| 免费在线观看日本一区| 看十八女毛片水多多多| 亚洲国产精品合色在线| 内射极品少妇av片p| 亚洲精品亚洲一区二区| 欧美黄色片欧美黄色片| 欧美性感艳星| www.www免费av| 国产精品久久久久久久久免 | 欧美xxxx性猛交bbbb| 成年免费大片在线观看| 亚洲不卡免费看| 一a级毛片在线观看| 夜夜躁狠狠躁天天躁| 午夜精品一区二区三区免费看| 免费无遮挡裸体视频| 精品人妻视频免费看| 麻豆国产97在线/欧美| 亚洲国产精品成人综合色| 亚洲七黄色美女视频| 亚洲黑人精品在线| av在线天堂中文字幕| 国产成+人综合+亚洲专区| 国产又黄又爽又无遮挡在线| 蜜桃亚洲精品一区二区三区| 国产精品永久免费网站| 精品久久久久久久人妻蜜臀av| 99久久九九国产精品国产免费| ponron亚洲| 欧美bdsm另类| 长腿黑丝高跟| 99国产精品一区二区蜜桃av| 美女 人体艺术 gogo| 免费黄网站久久成人精品 | 身体一侧抽搐| 级片在线观看| 国产精品1区2区在线观看.| 草草在线视频免费看| 最近最新免费中文字幕在线| 国产 一区 欧美 日韩| 日本成人三级电影网站| 欧美乱色亚洲激情| 国产亚洲欧美在线一区二区| 精品人妻1区二区| 无遮挡黄片免费观看| 成人毛片a级毛片在线播放| 亚洲精品一区av在线观看| 麻豆成人av在线观看| 久久久久久九九精品二区国产| 亚洲精品成人久久久久久| 国产成年人精品一区二区| 一区二区三区四区激情视频 | 波多野结衣高清作品| 高清日韩中文字幕在线| 黄色女人牲交| 2021天堂中文幕一二区在线观| 国产一区二区在线观看日韩| 亚洲精品粉嫩美女一区| 极品教师在线免费播放| 露出奶头的视频| 亚洲最大成人av| 最近视频中文字幕2019在线8| 噜噜噜噜噜久久久久久91| 十八禁网站免费在线| 3wmmmm亚洲av在线观看| 3wmmmm亚洲av在线观看| 亚洲熟妇中文字幕五十中出| 欧美黄色片欧美黄色片| 国产精品精品国产色婷婷| 国产视频内射| 一区二区三区激情视频| 变态另类丝袜制服| 特大巨黑吊av在线直播| 国产老妇女一区| 五月玫瑰六月丁香| 国产69精品久久久久777片| 国产探花极品一区二区| 欧美午夜高清在线| 夜夜夜夜夜久久久久| 国产精品一区二区三区四区免费观看 | 很黄的视频免费| 欧美日本视频| 亚洲激情在线av| 99在线视频只有这里精品首页| 看黄色毛片网站| 国产真实伦视频高清在线观看 | 女人被狂操c到高潮| 人妻制服诱惑在线中文字幕| 男女床上黄色一级片免费看| 午夜激情欧美在线| 国产毛片a区久久久久| 91麻豆精品激情在线观看国产| 最近在线观看免费完整版| 波多野结衣巨乳人妻| 亚洲成人中文字幕在线播放| 美女cb高潮喷水在线观看| 麻豆一二三区av精品| 成人三级黄色视频| 亚洲欧美日韩高清专用| 人妻制服诱惑在线中文字幕| 色哟哟·www| 国产精品伦人一区二区| 在线天堂最新版资源| 床上黄色一级片| 久久久久性生活片| 国产白丝娇喘喷水9色精品| 丰满人妻一区二区三区视频av| 国产人妻一区二区三区在| 国产免费男女视频| 欧美精品国产亚洲| 性欧美人与动物交配| 在线观看免费视频日本深夜| 成年女人永久免费观看视频| 日本三级黄在线观看| 亚洲精品在线美女| 欧美zozozo另类| 高潮久久久久久久久久久不卡| 成人av一区二区三区在线看| 最近最新免费中文字幕在线| 亚洲无线观看免费| 九九久久精品国产亚洲av麻豆| 美女高潮喷水抽搐中文字幕| 国产成年人精品一区二区| 精品久久国产蜜桃| 色精品久久人妻99蜜桃| 级片在线观看| 波多野结衣高清无吗| 久久6这里有精品| 麻豆成人午夜福利视频| 欧美又色又爽又黄视频| 丰满的人妻完整版| 日日干狠狠操夜夜爽| xxxwww97欧美| 午夜精品一区二区三区免费看| .国产精品久久| 91字幕亚洲| 精品久久久久久,| 国产精品av视频在线免费观看| 免费看美女性在线毛片视频| 97热精品久久久久久| 国产人妻一区二区三区在| 成人美女网站在线观看视频| 丁香六月欧美| 国产精品久久久久久久电影| 午夜福利18| 天堂动漫精品| 熟女人妻精品中文字幕| 99久久精品一区二区三区| 国内少妇人妻偷人精品xxx网站| 美女高潮喷水抽搐中文字幕| 美女xxoo啪啪120秒动态图 | 成人一区二区视频在线观看| 国产成+人综合+亚洲专区| 精品午夜福利在线看| 国产人妻一区二区三区在| 成人高潮视频无遮挡免费网站| 精品午夜福利在线看| 久久草成人影院| 亚洲中文字幕一区二区三区有码在线看| 偷拍熟女少妇极品色| 中文字幕人妻熟人妻熟丝袜美| 成人国产一区最新在线观看| 美女cb高潮喷水在线观看| 91狼人影院| 91麻豆精品激情在线观看国产| 国产视频内射| 成人av一区二区三区在线看| a在线观看视频网站| 国产亚洲精品综合一区在线观看| 免费高清视频大片| 亚洲不卡免费看| 又粗又爽又猛毛片免费看| 精品久久久久久久末码| 91在线观看av| 国产欧美日韩一区二区三| 非洲黑人性xxxx精品又粗又长| 国产毛片a区久久久久| 国产一区二区激情短视频| 亚洲美女搞黄在线观看 | 成人永久免费在线观看视频| 婷婷精品国产亚洲av在线| 色哟哟哟哟哟哟| 久久久久久久亚洲中文字幕 | 精品人妻1区二区| 国模一区二区三区四区视频| 老司机深夜福利视频在线观看| 亚洲激情在线av| 国产精品亚洲av一区麻豆| 亚洲va日本ⅴa欧美va伊人久久| av国产免费在线观看| 精品一区二区三区视频在线| 日日摸夜夜添夜夜添av毛片 | 搡老妇女老女人老熟妇| 国产av麻豆久久久久久久| 久久精品国产亚洲av香蕉五月| 三级毛片av免费| 女同久久另类99精品国产91| 欧美激情在线99| 国产在线男女| 变态另类丝袜制服| 成人美女网站在线观看视频| av欧美777| 夜夜夜夜夜久久久久| 国产精品一区二区性色av| 色播亚洲综合网| 在线观看舔阴道视频| 国产精品一区二区三区四区久久| 久久久久精品国产欧美久久久| 亚洲国产精品sss在线观看| 午夜精品久久久久久毛片777| 日韩精品中文字幕看吧| 性色av乱码一区二区三区2| 脱女人内裤的视频| 在线免费观看的www视频| 午夜福利成人在线免费观看| 成人三级黄色视频| x7x7x7水蜜桃| 中文字幕av成人在线电影| 桃红色精品国产亚洲av| 在线观看免费视频日本深夜| 最近最新免费中文字幕在线| 亚洲色图av天堂| 超碰av人人做人人爽久久| 免费观看精品视频网站| 天堂动漫精品| 亚洲av成人精品一区久久| 搡女人真爽免费视频火全软件 | 一夜夜www| 国产激情偷乱视频一区二区| 国产精品一区二区三区四区久久| 又黄又爽又刺激的免费视频.| 男人舔女人下体高潮全视频| 亚洲av不卡在线观看| 国产av在哪里看| 简卡轻食公司| av在线蜜桃| 亚洲国产精品成人综合色| 国产伦在线观看视频一区| 亚洲国产欧美人成| 九色国产91popny在线| 日本 av在线| 国产亚洲欧美98| 91午夜精品亚洲一区二区三区 | 成人一区二区视频在线观看| 国产欧美日韩精品亚洲av| www.熟女人妻精品国产| 国产免费av片在线观看野外av| 性欧美人与动物交配| 日韩精品青青久久久久久| 美女cb高潮喷水在线观看| 黄色日韩在线| 夜夜爽天天搞| 两性午夜刺激爽爽歪歪视频在线观看| 少妇裸体淫交视频免费看高清| 少妇的逼水好多| 九色成人免费人妻av| 老女人水多毛片| 国产蜜桃级精品一区二区三区| 免费看日本二区| 日本五十路高清| 日韩 亚洲 欧美在线| 成年女人看的毛片在线观看| 欧美成狂野欧美在线观看| 在线观看免费视频日本深夜| 高清毛片免费观看视频网站| 久久国产精品影院| 一区二区三区免费毛片| 欧美乱色亚洲激情| 久久精品久久久久久噜噜老黄 | 人妻制服诱惑在线中文字幕| 亚洲狠狠婷婷综合久久图片| 看黄色毛片网站| 国产一区二区在线av高清观看| 久久久精品大字幕| 波多野结衣高清作品| 老师上课跳d突然被开到最大视频 久久午夜综合久久蜜桃 | 能在线免费观看的黄片| 国内少妇人妻偷人精品xxx网站| 午夜精品在线福利| 亚洲中文字幕一区二区三区有码在线看| a在线观看视频网站| 亚洲专区国产一区二区| 日韩欧美精品免费久久 | 日韩亚洲欧美综合| 亚洲 欧美 日韩 在线 免费| 青草久久国产| 永久网站在线| 亚洲欧美日韩高清专用| 成人av一区二区三区在线看| 国产成人aa在线观看| 国产免费一级a男人的天堂| 成年人黄色毛片网站| 国产精品亚洲一级av第二区| 国产成人影院久久av| 女同久久另类99精品国产91| 午夜福利视频1000在线观看| 熟女电影av网| 午夜老司机福利剧场| 久久国产精品影院| 午夜福利视频1000在线观看| 女同久久另类99精品国产91| 国产亚洲精品久久久com| 精品不卡国产一区二区三区| 禁无遮挡网站| 成人av一区二区三区在线看| 精品人妻熟女av久视频| 婷婷精品国产亚洲av在线| 三级毛片av免费| 日韩免费av在线播放| 麻豆成人午夜福利视频| 成人国产一区最新在线观看| 久久99热6这里只有精品| 国产男靠女视频免费网站| 亚洲人与动物交配视频| 亚洲专区中文字幕在线| 简卡轻食公司| 欧美黄色片欧美黄色片| 欧美一级a爱片免费观看看| 美女黄网站色视频| 亚洲在线自拍视频| 国产国拍精品亚洲av在线观看| 看免费av毛片| 国产一区二区亚洲精品在线观看| 99久久99久久久精品蜜桃| 国产一区二区激情短视频| 啦啦啦韩国在线观看视频| 波多野结衣高清作品| 男人狂女人下面高潮的视频| 亚洲av二区三区四区| 亚洲国产精品sss在线观看| 亚洲国产精品成人综合色| 午夜精品一区二区三区免费看| 成人三级黄色视频| 久久性视频一级片| 一个人看视频在线观看www免费| 丰满人妻一区二区三区视频av| 亚洲人与动物交配视频| 又紧又爽又黄一区二区| 我要搜黄色片| 可以在线观看毛片的网站| 亚洲综合色惰| 免费看日本二区| 国产爱豆传媒在线观看| 欧美日韩乱码在线| 一本精品99久久精品77| 12—13女人毛片做爰片一| 99国产综合亚洲精品| 亚洲第一电影网av| 成人特级黄色片久久久久久久| 18禁在线播放成人免费| 成人鲁丝片一二三区免费| 免费在线观看影片大全网站| 男女之事视频高清在线观看| 成人美女网站在线观看视频| 自拍偷自拍亚洲精品老妇| 亚洲国产精品成人综合色| 久久人妻av系列| 日本五十路高清| 亚洲黑人精品在线| 99久久99久久久精品蜜桃| 色综合亚洲欧美另类图片| 51国产日韩欧美| 人妻制服诱惑在线中文字幕| 99在线人妻在线中文字幕| xxxwww97欧美| av福利片在线观看| 一个人免费在线观看的高清视频| 级片在线观看| 91麻豆精品激情在线观看国产| 久久久久久久亚洲中文字幕 | 国产在线精品亚洲第一网站| 亚洲国产欧美人成| 成人永久免费在线观看视频| 欧美黑人巨大hd| 亚洲中文字幕日韩| 午夜精品久久久久久毛片777| 日韩精品青青久久久久久| aaaaa片日本免费| 丁香欧美五月| 国产综合懂色| 亚洲精品粉嫩美女一区| 亚洲,欧美,日韩| 色播亚洲综合网| 全区人妻精品视频| 欧美xxxx性猛交bbbb| 99国产极品粉嫩在线观看| 美女高潮的动态| avwww免费| 久久国产精品人妻蜜桃| 久久久久久久午夜电影| 免费看光身美女| 一区二区三区免费毛片| 国内精品美女久久久久久| 热99re8久久精品国产| 午夜影院日韩av| 免费黄网站久久成人精品 | 国产激情偷乱视频一区二区| 99在线视频只有这里精品首页| 999久久久精品免费观看国产| 51国产日韩欧美| 久久国产乱子免费精品| 国产综合懂色| 久久久久久大精品| 欧美不卡视频在线免费观看| 午夜福利视频1000在线观看| 亚洲av成人不卡在线观看播放网| 欧美中文日本在线观看视频| 亚洲激情在线av| av专区在线播放| 欧美日韩乱码在线| 九九在线视频观看精品| 少妇人妻精品综合一区二区 | 国产69精品久久久久777片| www日本黄色视频网| 尤物成人国产欧美一区二区三区| 色哟哟·www| 欧美激情国产日韩精品一区| 中国美女看黄片| av在线蜜桃| 成年免费大片在线观看| 免费av毛片视频| 免费一级毛片在线播放高清视频| 国产高清有码在线观看视频| 亚洲精品在线美女| 成年免费大片在线观看| 欧美午夜高清在线| 看黄色毛片网站| 欧美在线一区亚洲| 每晚都被弄得嗷嗷叫到高潮| 欧美3d第一页| 国产欧美日韩一区二区三| 丁香六月欧美| 欧美zozozo另类| 不卡一级毛片| 色视频www国产| 色综合亚洲欧美另类图片| 日日摸夜夜添夜夜添小说| 日本a在线网址| 日本成人三级电影网站| 中文字幕精品亚洲无线码一区| 一a级毛片在线观看| 欧美一级a爱片免费观看看| 18禁在线播放成人免费| 久久香蕉精品热| 午夜免费激情av| 在线天堂最新版资源| 午夜免费激情av| 国产视频一区二区在线看| 女人十人毛片免费观看3o分钟| 在线国产一区二区在线| 久久精品综合一区二区三区| 国产精品人妻久久久久久| 91久久精品国产一区二区成人| 亚洲电影在线观看av| xxxwww97欧美| www.色视频.com| 少妇的逼水好多| 男女视频在线观看网站免费| 在线观看av片永久免费下载| 国产精品久久电影中文字幕| 99在线人妻在线中文字幕| 99国产精品一区二区三区| 男插女下体视频免费在线播放| 国产三级中文精品| 精品久久久久久成人av| 女生性感内裤真人,穿戴方法视频| 日本熟妇午夜| 一本一本综合久久| 好男人电影高清在线观看| 免费在线观看亚洲国产| 午夜影院日韩av| 久久久久性生活片| 精品人妻1区二区| 欧美高清性xxxxhd video| 色哟哟·www| 白带黄色成豆腐渣| 国产美女午夜福利| 婷婷六月久久综合丁香| 在线国产一区二区在线| www.www免费av| 亚洲真实伦在线观看| 老女人水多毛片| 偷拍熟女少妇极品色| 亚洲中文字幕日韩| 国产单亲对白刺激| 亚洲自偷自拍三级| 757午夜福利合集在线观看| 亚洲国产色片| 日本 av在线| 赤兔流量卡办理| 欧美xxxx黑人xx丫x性爽| 三级国产精品欧美在线观看| 色av中文字幕| 国产精品日韩av在线免费观看| 欧美激情久久久久久爽电影| 国产真实乱freesex| 精品国产三级普通话版| 国产激情偷乱视频一区二区| 一区二区三区免费毛片| 国产男靠女视频免费网站| 男女那种视频在线观看| 免费观看人在逋| 三级国产精品欧美在线观看| 欧美日韩亚洲国产一区二区在线观看| 亚洲国产欧美人成| 久久国产精品影院| 麻豆av噜噜一区二区三区| 深夜精品福利| 日本熟妇午夜| 亚洲成人久久爱视频| 国产免费av片在线观看野外av| 9191精品国产免费久久| 国产精华一区二区三区| www日本黄色视频网| 国产激情偷乱视频一区二区| 成人无遮挡网站| 噜噜噜噜噜久久久久久91| 久久国产精品影院| 亚洲一区高清亚洲精品| 久久精品影院6| 国语自产精品视频在线第100页| 狂野欧美白嫩少妇大欣赏| 香蕉av资源在线| 国产成+人综合+亚洲专区| 精品一区二区三区视频在线| 国产高清激情床上av| 韩国av一区二区三区四区| 一本一本综合久久| 亚洲片人在线观看| 91在线观看av| 精品欧美国产一区二区三| 国产高清激情床上av| 久久久久免费精品人妻一区二区| 久久久色成人| 亚洲美女视频黄频| 亚洲一区二区三区不卡视频| 精品一区二区三区视频在线| 九九久久精品国产亚洲av麻豆| 色5月婷婷丁香| 一级作爱视频免费观看| 色综合亚洲欧美另类图片| 国产免费男女视频| 国产成人aa在线观看| 日韩欧美一区二区三区在线观看| 国产午夜精品论理片| 久久久国产成人免费| 丰满的人妻完整版| 一个人看视频在线观看www免费| 成人性生交大片免费视频hd| 国产欧美日韩一区二区三| 日本熟妇午夜| 精品无人区乱码1区二区| 日本精品一区二区三区蜜桃| 国产乱人伦免费视频| 国产69精品久久久久777片| 变态另类丝袜制服| 国产精品亚洲一级av第二区| 精品午夜福利视频在线观看一区| 国产精品日韩av在线免费观看| 国产精品久久久久久久电影|