• <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 ?

    改進YOLOv5的人體摔倒檢測

    2023-06-25 12:33:06張靖
    現(xiàn)代信息科技 2023年4期
    關鍵詞:means聚類

    摘? 要:摔倒是影響老人生命安全的重要問題之一,為提高檢測準確率,將YOLOv5模型應用于摔倒檢測并做了改進。首先,用K-means聚類算法得到更符合目標形態(tài)的anchor長寬比例,使邊界框更精確,提高摔倒檢測準確率。其次,用EIoU損失函數(shù)替換CIoU損失函數(shù),加快收斂速度,使目標定位更準確。實驗結(jié)果表明,改進后的YOLOv5模型檢測效果較好,準確率達到99.1%,mAP值達到99.3%,能夠更好地滿足摔倒檢測的要求。

    關鍵詞:改進YOLOv5算法;人體摔倒檢測;K-means聚類;EIoU損失函數(shù)

    中圖分類號:TP391.4? 文獻標識碼:A? 文章編號:2096-4706(2023)04-0121-04

    Improved YOLOv5 Human Fall Detection

    ZHANG Jing

    (College of Computer Science and Technology, Taiyuan Normal University, Jinzhong? 030619, china)

    Abstract: Falling is one of the important problems affecting the life safety of the elderly. In order to improve the detection accuracy, YOLOv5 model is applied to fall detection and improved. Firstly, K-means clustering algorithm is used to get the ratio of the length and width of the anchor which is more in line with the target shape, and it makes the bounding box more accurate and improves the accuracy of fall detection. Secondly, it replaces the CIoU loss function with EIoU loss function to speed up the convergence and make the target location more accurate. The experimental results show that the improved YOLOv5 model has a better detection effect, with an accuracy rate of 99.1% and the mAP value reaches 99.3%, which can better meet the requirements of fall detection.

    Keywords: improved YOLOv5 algorithm; human fall detection; K-means clustering; EIoU loss

    0? 引? 言

    全國第七次人口普查結(jié)果顯示60周歲及以上人口突破2.6億,約占總?cè)丝跀?shù)的18.7%,比2010年上升5.44%[1]。隨著人口老齡化比例的逐年增加,摔倒是危害老年人健康的首要原因[2,3]。一旦老人摔倒后長時間不被發(fā)現(xiàn)將會有生命危險。目前,針對摔倒檢測方法主要有以下兩種:基于傳感器和基于計算機視覺?;趥鞲衅鞯脑O備有穿戴式和環(huán)境傳感器兩種。如Alesin等人[4]設計了多功能可穿戴設備,可以戴在手腕、上臂、上腿或腳踝上,用于監(jiān)測人體的實時位置和運動活動。但是,人體運動幅度較大時誤報警率高。Lin等人[5]通過在眼鏡框上鑲?cè)爰铀俣绕骱屯勇輧x獲取信號,檢測加速度和用戶頭部方向的變化來判斷是否發(fā)生摔倒。但老人經(jīng)常會忘記佩戴。Yang等人[6]使用Wi-Fi設備的通道狀態(tài)信息,通過識別不同活動會對Wi-Fi信號產(chǎn)生不同的影響進行摔倒檢測。Wi-Fi設備檢測摔倒誤檢率較高。

    在計算機視覺領域深度學習技術廣泛應用到目標檢測和圖像識別中,基于準確性與實時性兩方面考慮,分為基于YOLO系列算法的人體行為識別和基于SSD算法的人體行為識別。Wang等人[7]在YOLOv3算法中引入錨點參數(shù),通過K-means算法優(yōu)化錨框,在gpu服務器上用自建數(shù)據(jù)集對網(wǎng)絡模型進行訓練和測試。實驗結(jié)果mAP值為0.83。周洪成等人[8]采用YOLOv5算法對攝像頭采集到的數(shù)據(jù)判斷人體的動作姿態(tài),將動作姿態(tài)信息經(jīng)連接樹莓派的Wi-Fi模塊發(fā)送到監(jiān)護人的手機上,如有摔倒發(fā)生可及時救助。實驗結(jié)果mAP值為0.83。精確度仍有待提高。馬露等人[9]提出改進FSSD(Feature Fusion Single Shot Multibox Detector)網(wǎng)絡模型進行摔倒檢測。該網(wǎng)絡模型通過基礎網(wǎng)絡和輔助網(wǎng)絡對圖像特征進行提取,增加上下文信息提高摔倒檢測的準確率。

    綜上所述,針對以上方法對于摔倒檢測的準確率和實時性不高的問題,本文提出用K-means算法優(yōu)化錨框并采用EIoU損失函數(shù)的YOLOv5檢測算法,提高了摔倒檢測的準確率和實時性,能夠更好地檢測出摔倒行為。

    1? 算法描述

    2020年Ultralytics公司發(fā)布了YOLOv5網(wǎng)絡模型,該模型易于部署且檢測速度快,分為YOLOv5n、YOLOv5s、YOLOv5m、YOLOv5l、YOLOv5x這5種網(wǎng)絡架構(gòu)。本文選用YOLOv5中典型的網(wǎng)絡模型YOLOv5s進行摔倒檢測,YOLOv5s(以下簡稱YOLOv5)網(wǎng)絡的深度和特征圖寬度都很小使得訓練速度快、實時性強。YOLOv5分為輸入端、Backbone、Neck、輸出端四部分。如圖1所示(YOLOv5-6.0版本)。本文對YOLOv5-6.0版本進行改進,以提高摔倒檢測的準確率和實時性。

    YOLOv5的輸入端包含Mosaic數(shù)據(jù)增強技術、圖片尺寸縮放和自適應錨框計算三種方法。通過Mosaic數(shù)據(jù)增強技術隨機選取四張圖片進行隨機縮放、剪裁等操作后拼接成一張圖片,豐富了訓練數(shù)據(jù)集。通過圖片尺寸縮放技術將圖片縮放成固定大小,提高訓練速度。通過自適應錨框計算方法生成最佳錨框值。

    YOLOv5中使用了兩種CSP結(jié)構(gòu)。主干網(wǎng)絡Backbone使用CSP1_X結(jié)構(gòu),Neck網(wǎng)絡使用CSP2_X結(jié)構(gòu)。其中的X表示有幾個殘差組件。兩種CSP結(jié)構(gòu)對應兩個網(wǎng)絡,從而使得殘差結(jié)構(gòu)的輸出更易融合。在目標檢測的后處理過程中,通常使用NMS方法對多目標框進行篩選,加強了遮擋目標的檢測能力。

    2? 模型改進

    2.1? 損失函數(shù)改進

    損失函數(shù)能夠評估模型訓練結(jié)果的好壞,訓練結(jié)果通常用于調(diào)整網(wǎng)絡權(quán)重,從而加快模型收斂,因此損失函數(shù)會直接影響到目標檢測的效果。YOLOv5采用的損失函數(shù)是CIoU loss[10],該損失函數(shù)考慮了重疊面積、中心點距離以及長寬比這三個幾何參數(shù)。CIoU loss的公式為:

    (1)

    (2)

    式中,IoU為預測框與真實框的交并比,β2(b,bgt)表示真實框和預測框的中心點距離,c表示真實框和預測框最小外接矩形的最短對角線長度。v表示衡量長寬比一致性參數(shù),α表示平衡參數(shù),v的梯度w和h的計算如下:

    (3)

    由式(3)可推出? 表示w和h的梯度值是相反的,即一個增大時另一個必然在減少。將導致預測框不能很好的與真實框貼合以及損失函數(shù)收斂過慢。對于此問題,本文采用EIoU損失函數(shù)[11],EIoU提出了分別計算w和h的損失,得到更快的收斂速度。EIoU損失函數(shù)公式為:

    (4)

    其中cw、ch表示真實框和預測框的最小外接矩形的寬和高,EIoU將損失函數(shù)劃分成:IoU損失LIOU、距離損失Ldis和長寬比損失Lasp,通過這種方式,可以保留CIoU損失的有利特征。同時,EIoU損失直接最小化了真實框和預測框的寬度和高度之差,得到了更快的收斂速度和更好的定位結(jié)果。

    為了提高YOLOv5算法在摔倒檢測中的檢測精度,將EIoU損失函數(shù)引入到Y(jié)OLOv5網(wǎng)絡中替換掉原始的CIoU損失函數(shù),進行網(wǎng)絡訓練。

    2.2? 改進anchor機制

    anchor框尺度的設定與模型的檢測性能好壞有直接關系。YOLOv5有默認的anchor boxs尺度和長寬比,但不同數(shù)據(jù)集與所給定的anchor boxs默認參數(shù)不能很好的匹配。理論上來說,anchor boxs的尺寸與數(shù)據(jù)集中的真實框(ground truth)尺寸越接近,模型的檢測性能越好。因此本文采用K-means聚類算法對標注的數(shù)據(jù)集真實框尺寸進行聚類,從而得到適用于本實驗數(shù)據(jù)集的anchor框尺寸。其中K等于9,具體步驟為:

    (1)讀取訓練集中包含M張圖片的標注文件,解析真實框的寬高;

    (2)在訓練集中挑選k個真實框?qū)個anchor boxs進行初始化;

    (3)依次計算每個真實框與每個anchor box的誤差d,其中d=1-IoU,IoU(Intersection over Union)為真實框與anchor框的交并比,將真實框分類給與其誤差d最小的anchor box;

    (4)根據(jù)分類結(jié)果找到每個anchor box包含的所有真實框的均值,用其對anchor box進行更新;

    (5)重復3、4步驟,直到真實框的分類不再更新。

    通過K-means聚類分析手工標注的訓練集,得到更符合人體目標邊界框的先驗框,設置優(yōu)化算法中的anchor參數(shù),使之與人體摔倒的目標形態(tài)相匹配,提高摔倒檢測算法精度。

    3? 實驗分析

    3.1? 數(shù)據(jù)集與實驗環(huán)境

    本文所采用的是UR fall detection dataset(URFD)摔倒數(shù)據(jù)集,從中選取30個摔倒圖像和28個正?;顒訄D像進行手工標注后訓練,包含多個身高體型不同的人類進行正常以及摔倒活動,存在光照變化以及部分目標遮擋現(xiàn)象。

    本實驗的操作系統(tǒng)為Windows 10,GPU為NVIDIA Quadro RTX 5000,GPU顯存為16 GB,CUDA10.1版本,使用Python程序設計語言,Python 3.6版本,算法框架為Pytorch,torch1.7.1版本,YOLOv5s訓練時迭代次數(shù)為210次,batch size為16,學習率為0.01。

    3.2? 算法的評價指標

    在檢測出目標后,需要對檢測效果進行評價。評價所用到的指標有,平均精度(Average Precision, AP);多個類別平均精度的平均值(mean Average Precision, mAP)。

    準確率(Precision)表示真正例在檢索所有數(shù)據(jù)中所占的比例,公式為:

    (5)

    召回率(Recall)表示正樣本中的正例有多少被預測正確了,公式為:

    (6)

    其中TP(True Positive)表示摔倒行為并分為摔倒的次數(shù);TN(True Negatives)表示非摔倒行為并分為非摔倒的次數(shù);FP(False Positive)表示非摔倒行為卻被分為摔倒的次數(shù);FN(False Negatives)表示摔倒行為卻被分為非摔倒的次數(shù)。

    平均精度(AP)表示以Precision為縱軸,Recall為橫軸組成的曲線所圍成的面積:

    (7)

    平均精度均值(mAP)表示數(shù)據(jù)集中所有類別的平均精度的均值,公式為:

    (8)

    其中m表示測試集中的樣本個數(shù)。

    3.3? 實驗結(jié)果與分析

    本文在URFD數(shù)據(jù)集上對各種不同身形的人進行摔倒和日?;顒有袨檫M行檢測。圖2為模型訓練的mAP圖,圖3為模型訓練的YOLOv5與改進后的YOLOv5的box_loss 值對比,可以看出隨著模型迭代次數(shù)的增加,模型的mAP值和box_loss值逐漸趨于收斂,說明模型具有較好的擬合程度。

    圖4展示了改進的YOLOv5摔倒檢測模型在URFD數(shù)據(jù)集上的檢測效果,不同的行為由不同的顏色框定,由此可以看出,本文算法可以正確的框定目標以及識別出目標行為。

    由表1可知,改進后的YOLOv5算法在URDF數(shù)據(jù)集上的準確率為99.1%比原始YOLOv5提高了2.1%,比YOLOv3提高了3.5%,mAP為99.3,比YOLOv3、YOLOv5提高了0.6%。本文算法具有更好的檢測能力,改進后的YOLOv5算法在檢測視頻時的檢測速度為56.94FPS,可以實時檢測摔倒行為。

    4? 結(jié)? 論

    本文闡述了YOLOv5在摔倒檢測中的應用,針對已有檢測方法對摔倒檢測的精確度低、實時性不強的問題,本文提出了改進的YOLOv5摔倒檢測算法提高了檢測精度并且實時性強,本文通過使用K-means算法優(yōu)化錨框得到更適合本實驗的先驗框,提高模型的收斂速度。對于衡量模型擬合程度好壞的損失函數(shù),用EIoU替換CIoU損失函數(shù),分別計算框的寬和高損失,使模型收斂速度更快并且提高了精度,減少了神經(jīng)網(wǎng)絡的損失。實驗結(jié)果表明,改進后的YOLOv5摔倒檢測模型的準確率為99.1%,比原始YOLOv5提高了2.1%,說明模型檢測取得了不錯的效果,可以很好的識別摔倒行為,下一步將繼續(xù)優(yōu)化YOLOv5目標檢測模型提高識別穩(wěn)定性,使其在遮擋和復雜場景下效果更好。

    參考文獻:

    [1] 國家統(tǒng)計局.第七次全國人口普查主要數(shù)據(jù)情況 [EB/OL].(2021-05-11).http://www.stats.gov.cn/ztjc/zdtjgz/zgrkpc/dqcrkpc/ggl/202105/t20210519_1817693.html.

    [2] 中國老年人跌倒風險評估專家共識(草案) [J].中國老年保健醫(yī)學,2019,17(04):47-48+50.

    [3] 崔建英,劉燕,熊英.老年綜合評估護理方案在老年人院外跌倒防范中的應用 [J].護理研究,2020,34(24):4473-4475.

    [4] ALESIN A,OSANLOU A,MAW S W. A low budget multifunctional wearable device for motion and falls detection [C]//2018 IEEE Conference of Russian Young Researchers in Electrical and Electronic Engineering (EIConRus).IEEE,2018:1850-1855.

    [5] LIN C L,CHIU W C,CHEN F H,et al. Fall Monitoring for the Elderly Using Wearable Inertial Measurement Sensors on Eyeglasses [J].IEEE Sensors Letters,2020,4(6):1-4.

    [6] YANG X,XIONG F,SHAO Y,et al. WmFall:WiFi-based multistage fall detection with channel state information [J].International Journal of Distributed Sensor Networks,2018,14(10):1-10.

    [7] WANG X,JIA K. Human Fall Detection Algorithm Based on YOLOv3 [C]//2020 IEEE 5th International Conference on Image,Vision and Computing(ICIVC).IEEE,2020:50-54.

    [8] 周洪成,楊娟,徐志國.基于YOLOv5算法的人體跌倒檢測系統(tǒng)設計 [J].金陵科技學院學報,2022,38(2):22-29.

    [9] 馬露,裴偉,朱永英,等.基于深度學習的跌倒行為識別 [J].計算機科學,2019,46(9):106-112.

    [10] ZHENG Z,WANG P,REN D,et al. Enhancing Geometric Factors in Model Learning and Inference for Object Detection and Instance Segmentation [J].IEEE Transactions on Cybernetics,2022,52(8):8574-8586.

    [11] ZHANG Y F,REN W,ZHANG Z,et al. Focal and Efficient IOU Loss for Accurate Bounding Box Regression [J].arXiv:2101.08158 [cs.CV].(2021-01-20).https://arxiv.org/abs/2101.08158v2.

    作者簡介:張靖(1997—),女,漢族,陜西寶雞人,碩士研究生在讀,研究方向:智能數(shù)據(jù)分析、目標檢測。

    收稿日期:2022-10-10

    猜你喜歡
    means聚類
    基于改進FCM聚類醫(yī)學圖像配準
    基于改進的K—means算法研究家庭環(huán)境對中學生認知能力的影響
    一個基于超像素的圖像分割算法
    改進模擬退火算法的K—means聚類方法在學生成績上的應用
    基于用戶偏好和K—means聚類的可信云資源選擇算法
    基于改進的K—Means視頻分類
    基于“粉絲經(jīng)濟”的自媒體社群用戶消費意愿研究
    人工神經(jīng)網(wǎng)絡在聚類分析中的運用
    雹云圖像的識別指標設計
    基于QPSO聚類算法的圖像分割方法
    科技視界(2016年12期)2016-05-25 11:54:25
    在线免费观看的www视频| 成人鲁丝片一二三区免费| 久久久久久久久大av| 久久精品国产亚洲av涩爱 | 国产高潮美女av| 美女被艹到高潮喷水动态| 国产精品一二三区在线看| 国产精品久久视频播放| 美女国产视频在线观看| 久久热精品热| 日本在线视频免费播放| 中文字幕人妻熟人妻熟丝袜美| 69av精品久久久久久| 亚洲精品粉嫩美女一区| 亚洲精品日韩在线中文字幕 | 久久精品国产亚洲av涩爱 | 干丝袜人妻中文字幕| 女同久久另类99精品国产91| 成人一区二区视频在线观看| 校园人妻丝袜中文字幕| 久久久精品94久久精品| 黄色视频,在线免费观看| 国国产精品蜜臀av免费| 亚洲av成人av| 免费不卡的大黄色大毛片视频在线观看 | 久久久久久久久中文| 日日啪夜夜撸| 大香蕉久久网| 成人美女网站在线观看视频| 乱系列少妇在线播放| 亚洲高清免费不卡视频| 哪里可以看免费的av片| 美女国产视频在线观看| 天天躁夜夜躁狠狠久久av| 亚洲性久久影院| 欧美一级a爱片免费观看看| 99热这里只有精品一区| 别揉我奶头 嗯啊视频| 男插女下体视频免费在线播放| 亚洲av熟女| 91在线精品国自产拍蜜月| 看非洲黑人一级黄片| 久久热精品热| 国产精品99久久久久久久久| 欧美一级a爱片免费观看看| 校园春色视频在线观看| 国产一级毛片在线| 国产麻豆成人av免费视频| 免费人成视频x8x8入口观看| 不卡视频在线观看欧美| 日韩在线高清观看一区二区三区| 成人av在线播放网站| 国产亚洲av嫩草精品影院| 99国产精品一区二区蜜桃av| 五月伊人婷婷丁香| 麻豆成人av视频| 成人高潮视频无遮挡免费网站| 麻豆一二三区av精品| 赤兔流量卡办理| 99热全是精品| 欧美一区二区亚洲| 国产精品三级大全| 精品午夜福利在线看| 黑人高潮一二区| 国产成人精品婷婷| 成人三级黄色视频| 亚洲精品日韩在线中文字幕 | 少妇的逼好多水| 日韩欧美精品v在线| 全区人妻精品视频| 欧美日韩综合久久久久久| 亚洲av二区三区四区| 久久这里有精品视频免费| 国产av一区在线观看免费| 夜夜爽天天搞| 亚洲欧美精品专区久久| 国产高潮美女av| 国产伦在线观看视频一区| 老女人水多毛片| 一级黄片播放器| 午夜激情欧美在线| 午夜福利在线观看吧| 亚洲最大成人av| 国产一区二区在线观看日韩| 中文亚洲av片在线观看爽| 在线观看66精品国产| 一个人看视频在线观看www免费| 久久精品国产亚洲av涩爱 | 国产精品久久久久久久久免| 亚洲18禁久久av| 国产精品一区二区在线观看99 | 国产av一区在线观看免费| 日本黄色视频三级网站网址| 国产激情偷乱视频一区二区| 少妇人妻精品综合一区二区 | 麻豆国产av国片精品| 成人午夜高清在线视频| 久久国内精品自在自线图片| 搡女人真爽免费视频火全软件| 美女国产视频在线观看| 国产三级在线视频| 大型黄色视频在线免费观看| 级片在线观看| 国产精品久久电影中文字幕| 亚洲人与动物交配视频| 最近的中文字幕免费完整| 最近的中文字幕免费完整| 国产精品国产三级国产av玫瑰| 久久婷婷人人爽人人干人人爱| 欧美+亚洲+日韩+国产| 久久久久久久亚洲中文字幕| 中文字幕免费在线视频6| 国产综合懂色| 午夜久久久久精精品| 久久人人爽人人爽人人片va| 日韩欧美一区二区三区在线观看| 国产伦精品一区二区三区视频9| 只有这里有精品99| 精品一区二区三区人妻视频| 免费看光身美女| 亚洲人成网站在线播放欧美日韩| 国产成人一区二区在线| 亚洲欧美中文字幕日韩二区| 欧美xxxx黑人xx丫x性爽| www日本黄色视频网| 亚洲精品乱码久久久久久按摩| 国产激情偷乱视频一区二区| av视频在线观看入口| 亚州av有码| 日韩欧美 国产精品| 国产真实伦视频高清在线观看| 九九久久精品国产亚洲av麻豆| 精品人妻视频免费看| 高清毛片免费看| 日本av手机在线免费观看| 日韩,欧美,国产一区二区三区 | 久久午夜亚洲精品久久| 欧美一区二区亚洲| a级毛片a级免费在线| 嫩草影院精品99| 午夜亚洲福利在线播放| 久久久久久大精品| 天美传媒精品一区二区| 高清毛片免费观看视频网站| 午夜亚洲福利在线播放| 免费看美女性在线毛片视频| 亚洲av.av天堂| 乱人视频在线观看| 久久99热6这里只有精品| 亚洲人成网站在线播| 伦精品一区二区三区| 只有这里有精品99| 少妇裸体淫交视频免费看高清| 国产黄色视频一区二区在线观看 | 精品一区二区三区人妻视频| 国产 一区 欧美 日韩| 少妇熟女aⅴ在线视频| 久久国产乱子免费精品| 久久综合国产亚洲精品| 一卡2卡三卡四卡精品乱码亚洲| 国产精品99久久久久久久久| 日韩精品有码人妻一区| а√天堂www在线а√下载| 美女cb高潮喷水在线观看| 国产91av在线免费观看| 99视频精品全部免费 在线| 久久亚洲精品不卡| 久久九九热精品免费| 观看免费一级毛片| 色综合色国产| 2021天堂中文幕一二区在线观| 九九热线精品视视频播放| 国产片特级美女逼逼视频| 午夜精品一区二区三区免费看| 99视频精品全部免费 在线| 久久久久久伊人网av| 欧美性猛交╳xxx乱大交人| 国产中年淑女户外野战色| 在线国产一区二区在线| 精品人妻偷拍中文字幕| 丰满乱子伦码专区| 成人鲁丝片一二三区免费| 伦精品一区二区三区| 亚洲欧美日韩无卡精品| 嫩草影院入口| 精品人妻一区二区三区麻豆| 亚洲欧美精品自产自拍| АⅤ资源中文在线天堂| 少妇人妻精品综合一区二区 | 身体一侧抽搐| 国产一区亚洲一区在线观看| 狂野欧美白嫩少妇大欣赏| 欧美潮喷喷水| 男女啪啪激烈高潮av片| 色综合亚洲欧美另类图片| 日日干狠狠操夜夜爽| 欧美成人精品欧美一级黄| 黄色配什么色好看| 3wmmmm亚洲av在线观看| 欧美xxxx黑人xx丫x性爽| 国产亚洲av片在线观看秒播厂 | 久久精品国产清高在天天线| 好男人视频免费观看在线| 国产av一区在线观看免费| 亚洲av二区三区四区| www.色视频.com| 最近手机中文字幕大全| av专区在线播放| 欧美+亚洲+日韩+国产| 欧美性猛交╳xxx乱大交人| 国产69精品久久久久777片| 国产伦一二天堂av在线观看| 久久国产乱子免费精品| 一级毛片我不卡| 晚上一个人看的免费电影| 不卡视频在线观看欧美| 黑人高潮一二区| 亚洲国产色片| 日日摸夜夜添夜夜添av毛片| 久久亚洲精品不卡| 久久久国产成人精品二区| 久久精品91蜜桃| 国产精品精品国产色婷婷| 天堂影院成人在线观看| 精华霜和精华液先用哪个| 久久久色成人| 精品不卡国产一区二区三区| 女人十人毛片免费观看3o分钟| 亚洲av不卡在线观看| 在线观看66精品国产| 国产精品人妻久久久影院| 亚洲国产色片| 人妻制服诱惑在线中文字幕| av免费在线看不卡| 国产麻豆成人av免费视频| 成人永久免费在线观看视频| 我的女老师完整版在线观看| 国产高清有码在线观看视频| 国产精品美女特级片免费视频播放器| 日韩av不卡免费在线播放| 少妇的逼水好多| 国产精品国产高清国产av| 国产精品不卡视频一区二区| 成人性生交大片免费视频hd| 最近的中文字幕免费完整| 亚洲av免费高清在线观看| 免费在线观看成人毛片| 亚洲欧美日韩卡通动漫| 男人的好看免费观看在线视频| 青春草国产在线视频 | 国产一区二区亚洲精品在线观看| 男女视频在线观看网站免费| 人妻少妇偷人精品九色| 亚洲人成网站在线播| 亚洲国产日韩欧美精品在线观看| 日本熟妇午夜| 天天躁夜夜躁狠狠久久av| 国产高清激情床上av| 久久久精品94久久精品| 麻豆av噜噜一区二区三区| 国产毛片a区久久久久| 免费av毛片视频| 1024手机看黄色片| 色5月婷婷丁香| 久久精品国产亚洲av香蕉五月| 一本一本综合久久| 黄色配什么色好看| 哪里可以看免费的av片| 婷婷色av中文字幕| 国产熟女欧美一区二区| 亚洲无线在线观看| 一卡2卡三卡四卡精品乱码亚洲| av.在线天堂| 国产一区二区在线av高清观看| 男插女下体视频免费在线播放| 波多野结衣巨乳人妻| 97人妻精品一区二区三区麻豆| 91在线精品国自产拍蜜月| 最近最新中文字幕大全电影3| 国内少妇人妻偷人精品xxx网站| 久久这里有精品视频免费| 日韩精品青青久久久久久| 成人午夜高清在线视频| 国产探花在线观看一区二区| 91aial.com中文字幕在线观看| 91久久精品国产一区二区成人| 中文字幕人妻熟人妻熟丝袜美| 波野结衣二区三区在线| 男女边吃奶边做爰视频| 成年av动漫网址| 午夜福利在线观看免费完整高清在 | 成人特级av手机在线观看| 成熟少妇高潮喷水视频| 三级男女做爰猛烈吃奶摸视频| 九色成人免费人妻av| 国产亚洲欧美98| .国产精品久久| 色哟哟·www| 激情 狠狠 欧美| 99国产精品一区二区蜜桃av| 亚洲精品久久久久久婷婷小说 | 五月玫瑰六月丁香| 亚洲国产精品成人综合色| 成人鲁丝片一二三区免费| 成人午夜精彩视频在线观看| 亚洲电影在线观看av| 国产精品久久久久久精品电影| 亚洲欧美日韩卡通动漫| 久久午夜亚洲精品久久| 99久久成人亚洲精品观看| 麻豆成人av视频| 神马国产精品三级电影在线观看| АⅤ资源中文在线天堂| 简卡轻食公司| 美女被艹到高潮喷水动态| 26uuu在线亚洲综合色| 午夜免费激情av| 男女那种视频在线观看| 热99在线观看视频| 成人av在线播放网站| 国产精品国产高清国产av| 国产国拍精品亚洲av在线观看| 夜夜夜夜夜久久久久| 夫妻性生交免费视频一级片| 变态另类丝袜制服| 免费黄网站久久成人精品| 你懂的网址亚洲精品在线观看 | 在线观看一区二区三区| 麻豆国产av国片精品| 婷婷亚洲欧美| 嫩草影院精品99| 色尼玛亚洲综合影院| 免费观看a级毛片全部| 1024手机看黄色片| 变态另类成人亚洲欧美熟女| 中国国产av一级| 免费黄网站久久成人精品| 天天躁夜夜躁狠狠久久av| 性插视频无遮挡在线免费观看| 欧美变态另类bdsm刘玥| 国产真实伦视频高清在线观看| 男人的好看免费观看在线视频| 亚洲成av人片在线播放无| 丰满的人妻完整版| 99久国产av精品国产电影| 一本精品99久久精品77| 自拍偷自拍亚洲精品老妇| 日本一二三区视频观看| 欧美激情久久久久久爽电影| 天堂√8在线中文| 成熟少妇高潮喷水视频| 久久欧美精品欧美久久欧美| 欧美成人一区二区免费高清观看| a级一级毛片免费在线观看| 男人舔奶头视频| 九九热线精品视视频播放| 69av精品久久久久久| 久久久久久久久久黄片| 一区二区三区免费毛片| 天堂网av新在线| 国产探花在线观看一区二区| 免费av不卡在线播放| 欧美日韩精品成人综合77777| 91久久精品国产一区二区三区| 久久午夜亚洲精品久久| 少妇的逼水好多| 蜜臀久久99精品久久宅男| 高清午夜精品一区二区三区 | 成人特级av手机在线观看| 久久精品夜色国产| 国产白丝娇喘喷水9色精品| 国产黄a三级三级三级人| 欧美另类亚洲清纯唯美| 国产精品综合久久久久久久免费| av在线播放精品| 中文字幕久久专区| eeuss影院久久| 简卡轻食公司| 黄色日韩在线| a级毛片a级免费在线| 国产在视频线在精品| 亚洲精品日韩在线中文字幕 | 国产极品精品免费视频能看的| 久久综合国产亚洲精品| 日本一本二区三区精品| 91av网一区二区| 亚洲欧美日韩高清专用| 一个人看视频在线观看www免费| 波多野结衣高清作品| 欧美成人免费av一区二区三区| 两个人的视频大全免费| 一个人观看的视频www高清免费观看| av专区在线播放| 美女国产视频在线观看| 女人被狂操c到高潮| av在线蜜桃| 嫩草影院入口| 色5月婷婷丁香| 天堂√8在线中文| 在线播放国产精品三级| 日本与韩国留学比较| 日韩欧美精品免费久久| 亚洲精华国产精华液的使用体验 | 联通29元200g的流量卡| 久久99热这里只有精品18| 亚洲一区高清亚洲精品| 日本-黄色视频高清免费观看| 超碰av人人做人人爽久久| 免费人成在线观看视频色| 婷婷六月久久综合丁香| 日本撒尿小便嘘嘘汇集6| 精品99又大又爽又粗少妇毛片| 亚洲精品日韩在线中文字幕 | 国产一级毛片七仙女欲春2| 色播亚洲综合网| 成人永久免费在线观看视频| 亚洲国产欧美人成| 亚洲图色成人| 国产一区二区三区av在线 | 亚洲精品亚洲一区二区| 国产亚洲精品久久久com| 网址你懂的国产日韩在线| 亚洲av一区综合| 国产色婷婷99| 亚洲欧洲国产日韩| 韩国av在线不卡| 2022亚洲国产成人精品| 午夜福利成人在线免费观看| 99热网站在线观看| 天堂网av新在线| 久久久精品94久久精品| 国产精品乱码一区二三区的特点| 国产精品久久视频播放| 九草在线视频观看| 一级二级三级毛片免费看| 九色成人免费人妻av| 干丝袜人妻中文字幕| 国产午夜福利久久久久久| 久久6这里有精品| 国产精品野战在线观看| 亚洲综合色惰| 亚洲av不卡在线观看| 国产av在哪里看| 亚洲四区av| 日本成人三级电影网站| 女人十人毛片免费观看3o分钟| 久久久久久久久中文| 久久中文看片网| 欧美另类亚洲清纯唯美| 欧美激情国产日韩精品一区| 免费观看a级毛片全部| 欧美丝袜亚洲另类| 欧美精品一区二区大全| 男人的好看免费观看在线视频| 一级黄色大片毛片| 校园人妻丝袜中文字幕| 赤兔流量卡办理| 哪里可以看免费的av片| 精品久久久久久久久久久久久| 日本与韩国留学比较| 最近2019中文字幕mv第一页| 精品一区二区三区人妻视频| 亚洲精品久久国产高清桃花| 99久久九九国产精品国产免费| 在线观看美女被高潮喷水网站| 赤兔流量卡办理| 有码 亚洲区| 亚洲三级黄色毛片| 美女黄网站色视频| 亚洲国产精品国产精品| 在线观看一区二区三区| 免费看av在线观看网站| 99久久久亚洲精品蜜臀av| 高清毛片免费观看视频网站| .国产精品久久| 一个人观看的视频www高清免费观看| 欧美+日韩+精品| 亚洲无线在线观看| 可以在线观看毛片的网站| 亚洲18禁久久av| 亚洲av成人精品一区久久| 久久中文看片网| 国产单亲对白刺激| 亚洲欧美日韩高清在线视频| 久久精品国产自在天天线| 中文字幕制服av| 精品国产三级普通话版| 色尼玛亚洲综合影院| 色吧在线观看| 国产精品麻豆人妻色哟哟久久 | 91狼人影院| 偷拍熟女少妇极品色| 欧美+日韩+精品| 18禁在线播放成人免费| 在线播放无遮挡| 欧美日韩乱码在线| 看黄色毛片网站| 亚洲av一区综合| 看十八女毛片水多多多| av视频在线观看入口| 人人妻人人澡人人爽人人夜夜 | 婷婷精品国产亚洲av| 天天躁日日操中文字幕| 黄色日韩在线| 高清毛片免费观看视频网站| 亚洲国产高清在线一区二区三| 久久午夜亚洲精品久久| 午夜福利高清视频| 秋霞在线观看毛片| 亚洲自拍偷在线| 99热6这里只有精品| 日韩人妻高清精品专区| 国产淫片久久久久久久久| 此物有八面人人有两片| 免费在线观看成人毛片| 亚洲精品日韩av片在线观看| 亚洲人成网站在线播| 国产成人91sexporn| 久久久a久久爽久久v久久| 国产精品人妻久久久影院| 成人美女网站在线观看视频| 又粗又硬又长又爽又黄的视频 | 此物有八面人人有两片| 夜夜夜夜夜久久久久| 26uuu在线亚洲综合色| 99热这里只有精品一区| 菩萨蛮人人尽说江南好唐韦庄 | 久99久视频精品免费| 1000部很黄的大片| 99在线视频只有这里精品首页| 黄色配什么色好看| 卡戴珊不雅视频在线播放| 成年版毛片免费区| 亚洲精品久久国产高清桃花| 99视频精品全部免费 在线| 日韩av在线大香蕉| 久久鲁丝午夜福利片| 长腿黑丝高跟| 久久这里有精品视频免费| 国产精品日韩av在线免费观看| 18+在线观看网站| 欧美一区二区亚洲| 国产精品乱码一区二三区的特点| 日日摸夜夜添夜夜爱| 黄色日韩在线| 男插女下体视频免费在线播放| av天堂中文字幕网| 男插女下体视频免费在线播放| 亚洲第一区二区三区不卡| 国产人妻一区二区三区在| 久久精品人妻少妇| 久久99热6这里只有精品| 久久99精品国语久久久| 日本在线视频免费播放| 国产精品爽爽va在线观看网站| 在线观看免费视频日本深夜| 久久精品国产亚洲网站| 丰满人妻一区二区三区视频av| 美女被艹到高潮喷水动态| 少妇猛男粗大的猛烈进出视频 | 午夜福利成人在线免费观看| 成年女人永久免费观看视频| 亚洲最大成人中文| 最后的刺客免费高清国语| 身体一侧抽搐| 99热全是精品| 深夜a级毛片| 亚洲国产精品久久男人天堂| 爱豆传媒免费全集在线观看| 国产探花在线观看一区二区| 国产视频首页在线观看| 久久久久免费精品人妻一区二区| 欧美日韩乱码在线| 三级经典国产精品| 99久久精品国产国产毛片| 91久久精品电影网| a级毛色黄片| 日韩精品有码人妻一区| 美女 人体艺术 gogo| 亚洲综合色惰| 久久精品国产亚洲av涩爱 | 又粗又爽又猛毛片免费看| 久久久国产成人精品二区| 久久精品国产亚洲av香蕉五月| 大又大粗又爽又黄少妇毛片口| 深爱激情五月婷婷| 黄色日韩在线| 精品一区二区三区视频在线| 91午夜精品亚洲一区二区三区| 国产视频内射| 国内揄拍国产精品人妻在线| 男女那种视频在线观看| 日韩强制内射视频| 天天一区二区日本电影三级| 精品久久久久久久末码| 色哟哟哟哟哟哟| 欧美色欧美亚洲另类二区| 亚洲精品日韩av片在线观看| 色尼玛亚洲综合影院| 波多野结衣高清作品| 中文资源天堂在线| 99久久无色码亚洲精品果冻| 久久精品91蜜桃| 麻豆乱淫一区二区| 26uuu在线亚洲综合色| av在线老鸭窝| 狂野欧美激情性xxxx在线观看| 伊人久久精品亚洲午夜| 午夜福利在线观看吧| 一区二区三区高清视频在线| 久久精品久久久久久久性| 九九久久精品国产亚洲av麻豆| 免费观看精品视频网站| 综合色丁香网| 在线观看免费视频日本深夜|