• <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
    欧美黑人精品巨大| 交换朋友夫妻互换小说| 天天躁夜夜躁狠狠躁躁| 午夜91福利影院| 亚洲avbb在线观看| 久久午夜亚洲精品久久| 夜夜爽天天搞| 国内毛片毛片毛片毛片毛片| 国产精品自产拍在线观看55亚洲| 美女高潮到喷水免费观看| av在线天堂中文字幕 | 好男人电影高清在线观看| 亚洲人成网站在线播放欧美日韩| 老司机在亚洲福利影院| 精品国内亚洲2022精品成人| 黄片播放在线免费| 午夜久久久在线观看| 熟女少妇亚洲综合色aaa.| 精品久久蜜臀av无| 亚洲成a人片在线一区二区| 女警被强在线播放| 国产成人精品久久二区二区91| 亚洲欧美一区二区三区黑人| 免费观看人在逋| 中文字幕另类日韩欧美亚洲嫩草| 国内毛片毛片毛片毛片毛片| videosex国产| 淫秽高清视频在线观看| 精品人妻在线不人妻| 亚洲少妇的诱惑av| 999久久久精品免费观看国产| 国产精品亚洲一级av第二区| 一二三四在线观看免费中文在| 国产精品99久久99久久久不卡| 欧美 亚洲 国产 日韩一| 两性午夜刺激爽爽歪歪视频在线观看 | 一边摸一边做爽爽视频免费| 两性午夜刺激爽爽歪歪视频在线观看 | 亚洲一区高清亚洲精品| 欧美在线一区亚洲| av在线天堂中文字幕 | 国产精品美女特级片免费视频播放器 | 欧美中文综合在线视频| 国产单亲对白刺激| 国产精品久久久久久人妻精品电影| 久久精品成人免费网站| 国产一区二区三区在线臀色熟女 | 亚洲色图 男人天堂 中文字幕| 亚洲人成电影观看| 夜夜爽天天搞| 人成视频在线观看免费观看| 满18在线观看网站| 久久精品国产亚洲av高清一级| 叶爱在线成人免费视频播放| 日韩欧美免费精品| 国产成人精品在线电影| www.999成人在线观看| 黄片小视频在线播放| 欧美黄色片欧美黄色片| 亚洲久久久国产精品| 久久久久久久午夜电影 | 看片在线看免费视频| 9191精品国产免费久久| 香蕉久久夜色| 一级a爱视频在线免费观看| 黄网站色视频无遮挡免费观看| 精品一区二区三区视频在线观看免费 | a级毛片黄视频| 麻豆成人av在线观看| 一边摸一边做爽爽视频免费| 日韩中文字幕欧美一区二区| 欧美日韩黄片免| 性欧美人与动物交配| 精品国产一区二区久久| 桃色一区二区三区在线观看| 日本一区二区免费在线视频| 国产精品偷伦视频观看了| 青草久久国产| 中文字幕人妻熟女乱码| 三级毛片av免费| 成人三级做爰电影| 最新美女视频免费是黄的| 久久 成人 亚洲| 午夜福利影视在线免费观看| 亚洲欧美一区二区三区久久| 欧美日韩瑟瑟在线播放| 亚洲专区国产一区二区| 国产无遮挡羞羞视频在线观看| 999久久久国产精品视频| 久久久国产欧美日韩av| 一区福利在线观看| 亚洲成av片中文字幕在线观看| 啦啦啦 在线观看视频| 色综合站精品国产| 免费高清在线观看日韩| 日韩av在线大香蕉| 国产色视频综合| 久久香蕉激情| 精品国产一区二区久久| av网站在线播放免费| 最近最新中文字幕大全电影3 | 一a级毛片在线观看| 亚洲成av片中文字幕在线观看| 免费高清在线观看日韩| 免费人成视频x8x8入口观看| 欧美精品一区二区免费开放| 99热国产这里只有精品6| 精品无人区乱码1区二区| 首页视频小说图片口味搜索| 久久久久久亚洲精品国产蜜桃av| bbb黄色大片| 老司机午夜十八禁免费视频| 欧美成人免费av一区二区三区| 夫妻午夜视频| 免费在线观看日本一区| 国产精品野战在线观看 | 一区二区日韩欧美中文字幕| 深夜精品福利| 露出奶头的视频| 91av网站免费观看| 一个人观看的视频www高清免费观看 | 最近最新中文字幕大全免费视频| 久久精品人人爽人人爽视色| 男女之事视频高清在线观看| a级毛片在线看网站| 1024视频免费在线观看| 午夜福利在线观看吧| 欧美精品一区二区免费开放| 免费在线观看黄色视频的| 日本一区二区免费在线视频| 操出白浆在线播放| 人妻久久中文字幕网| xxx96com| 99久久99久久久精品蜜桃| 黑人操中国人逼视频| 搡老熟女国产l中国老女人| 精品福利观看| 午夜视频精品福利| 日本欧美视频一区| 一进一出好大好爽视频| 成年人免费黄色播放视频| 欧美日韩亚洲综合一区二区三区_| 成人亚洲精品一区在线观看| 亚洲精品国产精品久久久不卡| 一个人免费在线观看的高清视频| 免费观看人在逋| 男人的好看免费观看在线视频 | 亚洲人成伊人成综合网2020| 午夜成年电影在线免费观看| xxx96com| 搡老熟女国产l中国老女人| 国产免费男女视频| 一二三四在线观看免费中文在| 亚洲精品一区av在线观看| 亚洲国产看品久久| 国产欧美日韩精品亚洲av| 欧美日韩中文字幕国产精品一区二区三区 | 国产亚洲精品综合一区在线观看 | 免费在线观看影片大全网站| 在线永久观看黄色视频| 在线天堂中文资源库| 在线看a的网站| 一区在线观看完整版| 成熟少妇高潮喷水视频| 久久久久久久久中文| 老熟妇乱子伦视频在线观看| 国产成人欧美| 日韩欧美一区视频在线观看| 身体一侧抽搐| 新久久久久国产一级毛片| a级片在线免费高清观看视频| 欧美激情高清一区二区三区| 成人手机av| 亚洲欧美精品综合久久99| 精品高清国产在线一区| 岛国在线观看网站| 亚洲精品在线观看二区| 1024香蕉在线观看| 中文字幕人妻丝袜制服| 真人一进一出gif抽搐免费| 欧美日韩亚洲国产一区二区在线观看| 日日爽夜夜爽网站| 亚洲人成网站在线播放欧美日韩| 亚洲伊人色综图| 精品乱码久久久久久99久播| 日本免费a在线| 亚洲色图 男人天堂 中文字幕| 久久伊人香网站| 国产亚洲精品一区二区www| 亚洲精品在线美女| 亚洲精品久久成人aⅴ小说| 国产有黄有色有爽视频| 成人黄色视频免费在线看| 成人三级做爰电影| 99国产精品99久久久久| 亚洲 欧美 日韩 在线 免费| 村上凉子中文字幕在线| 亚洲精品国产精品久久久不卡| 亚洲精华国产精华精| 成年女人毛片免费观看观看9| 可以在线观看毛片的网站| 国产精品99久久99久久久不卡| 国产野战对白在线观看| 国产三级黄色录像| 超色免费av| 国产成人欧美在线观看| 一区二区三区国产精品乱码| 动漫黄色视频在线观看| 美女午夜性视频免费| 国产午夜精品久久久久久| 国产精品久久视频播放| 久久草成人影院| 99久久99久久久精品蜜桃| 999久久久精品免费观看国产| 国产免费av片在线观看野外av| 狠狠狠狠99中文字幕| 欧美日韩一级在线毛片| 黄色丝袜av网址大全| 高清欧美精品videossex| 欧美日韩亚洲高清精品| 91麻豆精品激情在线观看国产 | 中文字幕av电影在线播放| 国产精品98久久久久久宅男小说| 国产三级在线视频| 99在线人妻在线中文字幕| 久久精品91无色码中文字幕| 欧洲精品卡2卡3卡4卡5卡区| 美国免费a级毛片| 成人特级黄色片久久久久久久| 国产真人三级小视频在线观看| www.999成人在线观看| 亚洲五月婷婷丁香| 伦理电影免费视频| 久久久久国产精品人妻aⅴ院| 亚洲国产欧美日韩在线播放| 亚洲成人国产一区在线观看| 高清黄色对白视频在线免费看| 国产亚洲欧美98| 久久久久精品国产欧美久久久| 亚洲专区字幕在线| 成人国产一区最新在线观看| 长腿黑丝高跟| 欧美精品一区二区免费开放| 国产精品一区二区在线不卡| 亚洲国产精品合色在线| 日韩成人在线观看一区二区三区| 精品久久久久久久毛片微露脸| 超色免费av| www.精华液| 国产精品乱码一区二三区的特点 | 99国产极品粉嫩在线观看| 国产精品一区二区三区四区久久 | 桃色一区二区三区在线观看| 国产精品电影一区二区三区| 多毛熟女@视频| 精品一区二区三区av网在线观看| 国产精品亚洲一级av第二区| 久热这里只有精品99| 在线看a的网站| 国产精品亚洲av一区麻豆| 91在线观看av| 黑人巨大精品欧美一区二区蜜桃| 国产免费现黄频在线看| 国产极品粉嫩免费观看在线| 人人妻人人添人人爽欧美一区卜| 国产99白浆流出| 一二三四社区在线视频社区8| 99热国产这里只有精品6| 久久精品国产综合久久久| 黑人巨大精品欧美一区二区蜜桃| 成年人免费黄色播放视频| 1024视频免费在线观看| 操美女的视频在线观看| 老司机深夜福利视频在线观看| 女人高潮潮喷娇喘18禁视频| 国产精品爽爽va在线观看网站 | 无限看片的www在线观看| 久久久国产欧美日韩av| 亚洲人成77777在线视频| 亚洲欧美激情综合另类| 99热只有精品国产| 中文字幕另类日韩欧美亚洲嫩草| 99在线视频只有这里精品首页| 国产aⅴ精品一区二区三区波| 美女国产高潮福利片在线看| 又紧又爽又黄一区二区| 日韩 欧美 亚洲 中文字幕| 狠狠狠狠99中文字幕| 亚洲成国产人片在线观看| √禁漫天堂资源中文www| 老司机深夜福利视频在线观看| 亚洲精品成人av观看孕妇| 波多野结衣高清无吗| 亚洲男人天堂网一区| 麻豆av在线久日| 精品久久久久久久久久免费视频 | 午夜免费成人在线视频| 亚洲精品美女久久久久99蜜臀| 香蕉国产在线看| 久久国产亚洲av麻豆专区| 亚洲精品一区av在线观看| 久久中文字幕一级| 91麻豆av在线| 亚洲色图av天堂| 国产蜜桃级精品一区二区三区| 亚洲五月天丁香| 国产单亲对白刺激| 老熟妇乱子伦视频在线观看| 亚洲伊人色综图| 国产亚洲精品久久久久5区| 精品久久蜜臀av无| 国产精品98久久久久久宅男小说| 国产精品免费一区二区三区在线| 欧美成狂野欧美在线观看| 亚洲色图综合在线观看| 亚洲av成人不卡在线观看播放网| 90打野战视频偷拍视频| 久久久久久亚洲精品国产蜜桃av| 一本综合久久免费| 美女午夜性视频免费| 69av精品久久久久久| 国产av一区在线观看免费| 侵犯人妻中文字幕一二三四区| a级片在线免费高清观看视频| 欧美精品一区二区免费开放| 黑人欧美特级aaaaaa片| 欧美日韩亚洲高清精品| 90打野战视频偷拍视频| 在线观看免费午夜福利视频| 美女福利国产在线| 亚洲国产精品sss在线观看 | 国产激情久久老熟女| 欧美激情久久久久久爽电影 | 18禁国产床啪视频网站| 久久性视频一级片| 亚洲精品久久午夜乱码| 男人舔女人的私密视频| 俄罗斯特黄特色一大片| 99久久综合精品五月天人人| 黄色成人免费大全| 久久中文看片网| 久99久视频精品免费| 亚洲中文日韩欧美视频| 亚洲专区中文字幕在线| 成人亚洲精品一区在线观看| 自拍欧美九色日韩亚洲蝌蚪91| 一级a爱视频在线免费观看| 日本黄色日本黄色录像| 国产成人一区二区三区免费视频网站| 欧美日韩国产mv在线观看视频| 美女午夜性视频免费| 亚洲五月婷婷丁香| 看片在线看免费视频| 久久欧美精品欧美久久欧美| 男女之事视频高清在线观看| 亚洲精品国产色婷婷电影| 国产一区二区三区视频了| 国产精品自产拍在线观看55亚洲| 亚洲欧美精品综合久久99| 亚洲欧美日韩另类电影网站| 19禁男女啪啪无遮挡网站| 欧美丝袜亚洲另类 | www.自偷自拍.com| 视频区欧美日本亚洲| 国产区一区二久久| 国产免费男女视频| 在线永久观看黄色视频| 91国产中文字幕| 亚洲专区字幕在线| 女人被躁到高潮嗷嗷叫费观| 国产一区二区激情短视频| 欧美丝袜亚洲另类 | 亚洲激情在线av| 国产av又大| 亚洲 欧美一区二区三区| 黑人巨大精品欧美一区二区蜜桃| 久久久久久久精品吃奶| 久久久久久久久免费视频了| 纯流量卡能插随身wifi吗| 狠狠狠狠99中文字幕| 亚洲情色 制服丝袜| www.自偷自拍.com| 欧美在线一区亚洲| 黑人欧美特级aaaaaa片| 99久久人妻综合| 久久精品国产亚洲av高清一级| 精品第一国产精品| 久久久久亚洲av毛片大全| 在线看a的网站| 免费在线观看日本一区| 国产成人系列免费观看| 国产精华一区二区三区| 在线观看舔阴道视频| 国产精品免费一区二区三区在线| 精品久久久久久电影网| 一级黄色大片毛片| 亚洲人成77777在线视频| 多毛熟女@视频| 黄色 视频免费看| 天堂中文最新版在线下载| 国产成人av激情在线播放| 亚洲国产精品sss在线观看 | 日本三级黄在线观看| 变态另类成人亚洲欧美熟女 | 99久久99久久久精品蜜桃| 亚洲专区中文字幕在线| 日日干狠狠操夜夜爽| 亚洲在线自拍视频| 亚洲国产毛片av蜜桃av| 欧美日韩视频精品一区| 在线观看舔阴道视频| 涩涩av久久男人的天堂| 亚洲成人国产一区在线观看| 亚洲狠狠婷婷综合久久图片| 交换朋友夫妻互换小说| 一区在线观看完整版| 亚洲色图 男人天堂 中文字幕| 在线观看免费午夜福利视频| 中文欧美无线码| aaaaa片日本免费| 色老头精品视频在线观看| 欧美午夜高清在线| 国产麻豆69| 一区二区三区激情视频| 久久人妻熟女aⅴ| 午夜免费鲁丝| 久久国产乱子伦精品免费另类| 后天国语完整版免费观看| 亚洲一区中文字幕在线| 久久久久久大精品| 国产成人精品在线电影| 制服诱惑二区| 激情在线观看视频在线高清| 成年人免费黄色播放视频| 高清av免费在线| 一边摸一边做爽爽视频免费| 中文字幕另类日韩欧美亚洲嫩草| 91老司机精品| 欧美av亚洲av综合av国产av| 午夜精品久久久久久毛片777| 9热在线视频观看99| 午夜福利免费观看在线| 国产精品亚洲av一区麻豆| 亚洲国产欧美日韩在线播放| 精品福利永久在线观看| 欧美日韩国产mv在线观看视频| 深夜精品福利| 成人三级做爰电影| 国产精品影院久久| 大香蕉久久成人网| 亚洲va日本ⅴa欧美va伊人久久| 女生性感内裤真人,穿戴方法视频| av天堂久久9| 精品一区二区三卡| 精品无人区乱码1区二区| 亚洲 欧美 日韩 在线 免费| 满18在线观看网站| 国产1区2区3区精品| 久久中文看片网| 成年女人毛片免费观看观看9| 久久久久久人人人人人| 色精品久久人妻99蜜桃| 国产伦一二天堂av在线观看| 99在线人妻在线中文字幕| 最新美女视频免费是黄的| 午夜福利欧美成人| 首页视频小说图片口味搜索| 国产高清视频在线播放一区| 十八禁人妻一区二区| 中文字幕精品免费在线观看视频| 成年人免费黄色播放视频| 久久人妻av系列| 亚洲第一av免费看| 无人区码免费观看不卡| 精品国产超薄肉色丝袜足j| 中文字幕另类日韩欧美亚洲嫩草| 国产成人免费无遮挡视频| 久久精品国产清高在天天线| 99久久综合精品五月天人人| 97碰自拍视频| 久久午夜亚洲精品久久| 国产精品亚洲一级av第二区| 欧美成人性av电影在线观看| 久久 成人 亚洲| 人人妻人人爽人人添夜夜欢视频| 老司机午夜福利在线观看视频| 99国产极品粉嫩在线观看| 久9热在线精品视频| 亚洲熟女毛片儿| 日韩av在线大香蕉| 欧美国产精品va在线观看不卡| 大陆偷拍与自拍| 99国产精品99久久久久| www.999成人在线观看| 久久影院123| 免费av毛片视频| 国产区一区二久久| 99久久久亚洲精品蜜臀av| 男人的好看免费观看在线视频 | 亚洲三区欧美一区| 日本a在线网址| 美国免费a级毛片| 长腿黑丝高跟| 国产aⅴ精品一区二区三区波| 在线观看免费视频网站a站| 狂野欧美激情性xxxx| 人人妻,人人澡人人爽秒播| 高清毛片免费观看视频网站 | 日韩精品青青久久久久久| 欧美精品一区二区免费开放| 精品少妇一区二区三区视频日本电影| 精品福利永久在线观看| 不卡av一区二区三区| 国产av精品麻豆| 亚洲av片天天在线观看| 欧美日韩中文字幕国产精品一区二区三区 | 97碰自拍视频| 在线观看日韩欧美| 丝袜在线中文字幕| 久久九九热精品免费| 亚洲欧美激情在线| 日韩大码丰满熟妇| 国产精品一区二区精品视频观看| 51午夜福利影视在线观看| 精品一区二区三区av网在线观看| 婷婷六月久久综合丁香| 精品久久久久久成人av| 丁香欧美五月| 欧美黄色淫秽网站| 天天躁夜夜躁狠狠躁躁| 国产欧美日韩综合在线一区二区| 免费在线观看影片大全网站| 国产熟女午夜一区二区三区| 欧美亚洲日本最大视频资源| 69精品国产乱码久久久| 亚洲国产欧美日韩在线播放| 欧美色视频一区免费| 亚洲精品中文字幕在线视频| 国产色视频综合| 久久久久久免费高清国产稀缺| 国产精品偷伦视频观看了| 黑人巨大精品欧美一区二区mp4| 亚洲黑人精品在线| 亚洲精品一卡2卡三卡4卡5卡| 电影成人av| 老熟妇乱子伦视频在线观看| 精品乱码久久久久久99久播| 久久久精品欧美日韩精品| 国产亚洲精品综合一区在线观看 | 极品教师在线免费播放| 热re99久久国产66热| 亚洲av电影在线进入| 亚洲中文日韩欧美视频| 90打野战视频偷拍视频| 色综合婷婷激情| 亚洲精品国产精品久久久不卡| 窝窝影院91人妻| 五月开心婷婷网| 精品高清国产在线一区| 国产精品日韩av在线免费观看 | 国产亚洲精品综合一区在线观看 | 国产色视频综合| 丰满饥渴人妻一区二区三| 欧美日韩视频精品一区| 国产高清视频在线播放一区| 免费在线观看黄色视频的| 好男人电影高清在线观看| 极品人妻少妇av视频| 免费看a级黄色片| 少妇的丰满在线观看| 一级a爱片免费观看的视频| 亚洲国产中文字幕在线视频| 欧美黑人精品巨大| 久久影院123| 日本黄色日本黄色录像| 看黄色毛片网站| 香蕉丝袜av| 色婷婷久久久亚洲欧美| 1024视频免费在线观看| 中文亚洲av片在线观看爽| 青草久久国产| 亚洲 国产 在线| 免费不卡黄色视频| 国产一区在线观看成人免费| 国产精品 欧美亚洲| 亚洲,欧美精品.| 日日摸夜夜添夜夜添小说| 亚洲中文av在线| 麻豆一二三区av精品| 俄罗斯特黄特色一大片| 欧美日韩瑟瑟在线播放| 在线观看午夜福利视频| 亚洲国产欧美日韩在线播放| 99久久国产精品久久久| 亚洲国产毛片av蜜桃av| 午夜久久久在线观看| 久久精品国产清高在天天线| 黄色怎么调成土黄色| 午夜福利免费观看在线| 好看av亚洲va欧美ⅴa在| 一夜夜www| 一级黄色大片毛片| 久久九九热精品免费| 91字幕亚洲| 大码成人一级视频| 国产精品久久久人人做人人爽| xxxhd国产人妻xxx| 国产黄a三级三级三级人| 亚洲av成人一区二区三| 精品免费久久久久久久清纯| 亚洲五月色婷婷综合| 别揉我奶头~嗯~啊~动态视频| 亚洲一区二区三区色噜噜 | 色播在线永久视频| 日本a在线网址|