• <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 ?

    復(fù)雜場(chǎng)景下自適應(yīng)特征融合的圖像運(yùn)動(dòng)目標(biāo)跟蹤算法研究

    2023-06-25 01:06:06朱冰劉琦余瑞星
    航空兵器 2023年2期
    關(guān)鍵詞:目標(biāo)跟蹤深度學(xué)習(xí)

    朱冰 劉琦 余瑞星

    摘要:? ? ? 針對(duì)目標(biāo)跟蹤所面臨的尺度變化、 快速運(yùn)動(dòng)導(dǎo)致的跟蹤漂移或失敗問(wèn)題, 提出一種復(fù)雜場(chǎng)景下自適應(yīng)特征融合的圖像運(yùn)動(dòng)目標(biāo)跟蹤算法。 本文分別設(shè)計(jì)了目標(biāo)分類和目標(biāo)估計(jì)模塊, 并將其有效結(jié)合。 在目標(biāo)分類模塊, 設(shè)計(jì)了一種自適應(yīng)特征融合機(jī)制。 該機(jī)制融合了多層深度特征以實(shí)現(xiàn)有效的在線跟蹤。 此外, 設(shè)計(jì)的聯(lián)合更新策略通過(guò)優(yōu)化投影矩陣層和相關(guān)層, 在處理運(yùn)動(dòng)模糊、 嚴(yán)重目標(biāo)形變時(shí)具有更強(qiáng)的魯棒性。 在目標(biāo)估計(jì)模塊, 引入IoU(Intersection over Union)最大化的理念, 預(yù)測(cè)目標(biāo)和估計(jì)邊界框之間的IoU分?jǐn)?shù), 在跟蹤過(guò)程中, 通過(guò)使用梯度上升最大化IoU分?jǐn)?shù)來(lái)估計(jì)目標(biāo)狀態(tài), 獲得更加精確的邊界框。 實(shí)驗(yàn)結(jié)果表明,? 本文所提出的算法具有更出色的跟蹤性能, 其在OTB100, UAV123及LaSOT數(shù)據(jù)集上的SAUC分別為70.1%, 47.6%和51.6%, 優(yōu)于其他相關(guān)算法。

    關(guān)鍵詞:? ? ?目標(biāo)跟蹤; 深度學(xué)習(xí);? 目標(biāo)分類; 目標(biāo)估計(jì); 特征融合中圖分類號(hào):? ? ? TJ760; V249

    文獻(xiàn)標(biāo)識(shí)碼:? ? A文章編號(hào):? ? ?1673-5048(2023)02-0125-06

    DOI: 10.12132/ISSN.1673-5048.2022.0094

    0引言

    目標(biāo)跟蹤[1]是許多應(yīng)用領(lǐng)域不可缺少的一部分, 屬于計(jì)算機(jī)視覺(jué)的基本分支。 到目前為止, 許多跟蹤挑戰(zhàn), 例如尺度變化、 快速運(yùn)動(dòng)、 形變、 遮擋、 平面旋轉(zhuǎn)和背景雜波[2]等, 仍然有待解決。 一般跟蹤問(wèn)題可分為分類任務(wù)和估計(jì)任務(wù)。 在目標(biāo)分類任務(wù)中, 通過(guò)將圖像區(qū)域劃分為前景和背景來(lái)提供目標(biāo)在圖像中的粗略位置。 而目標(biāo)估計(jì)任務(wù)是估計(jì)目標(biāo)狀態(tài), 通常用一個(gè)邊界框來(lái)表示。

    近年來(lái), 深度神經(jīng)網(wǎng)絡(luò)[3]一直是跟蹤研究中的重點(diǎn), 已經(jīng)有大量研究使用深度特征完成目標(biāo)跟蹤, 該類跟蹤器[4]在準(zhǔn)確性方面具有優(yōu)勢(shì), 但其魯棒性卻低于其他跟蹤器。 這是由于在深度神經(jīng)網(wǎng)絡(luò)設(shè)計(jì)中, 現(xiàn)有算法幾乎沒(méi)有設(shè)計(jì)單獨(dú)的網(wǎng)絡(luò)模塊來(lái)完成目標(biāo)的狀態(tài)估計(jì)[5]。 事實(shí)上, 目前最先進(jìn)的跟蹤器[6]仍然是依靠分類進(jìn)行多尺度搜索來(lái)估計(jì)目標(biāo), 這種算法難以處理因跟蹤目標(biāo)發(fā)生尺度變化導(dǎo)致的跟蹤結(jié)果不準(zhǔn)確甚至跟蹤失敗的問(wèn)題。 為此, 本文將跟蹤中的目標(biāo)估計(jì)模塊和目標(biāo)分類模塊相結(jié)合。 在目標(biāo)分類模塊中, 為了提供一種更好的特征表示, 充分利用多層深度特征所提供的不同信息, 提出一種自適應(yīng)特征融合策略, 實(shí)現(xiàn)目標(biāo)的粗定位, 并設(shè)計(jì)一種更新策略, 在外觀明顯變化期間對(duì)目標(biāo)實(shí)現(xiàn)精確跟蹤。 在目標(biāo)估計(jì)模塊中, 通過(guò)邊界框來(lái)預(yù)測(cè)目標(biāo)的狀態(tài), 利用IoU-Net[7]方法中IoU最大化思想來(lái)進(jìn)行調(diào)整以得到精確的目標(biāo)邊界框。 實(shí)驗(yàn)結(jié)果表明, 與現(xiàn)有算法相比, 本文所提出的算法在保持魯棒性的同時(shí), 能更加精確地估計(jì)目標(biāo)狀態(tài), 具有良好的性能。

    1復(fù)雜場(chǎng)景下自適應(yīng)特征融合的運(yùn)動(dòng)目標(biāo)跟蹤算法

    1.1目標(biāo)估計(jì)模塊

    目標(biāo)狀態(tài)估計(jì)模塊是在一個(gè)粗略的初始估計(jì)下確定目標(biāo)的邊界框。 在目標(biāo)估計(jì)模塊的算法設(shè)計(jì)中,? 利用IoU-Net中最大化IoU的思想, 在跟蹤過(guò)程中, 通過(guò)簡(jiǎn)單地最大化每一幀中預(yù)測(cè)的IoU來(lái)調(diào)整所得的目標(biāo)邊界框, 該模塊網(wǎng)絡(luò)架構(gòu)如圖1所示。

    從網(wǎng)絡(luò)架構(gòu)圖可以看出, 目標(biāo)估計(jì)模塊由兩個(gè)分支組成: 參考分支和測(cè)試分支。 在參考分支中, 參考圖像的特征和目標(biāo)的初始邊界框標(biāo)注作為輸入, 經(jīng)過(guò)骨干網(wǎng)絡(luò)ResNet-50[8]提取其Block 3的特征, 并將其送到卷積層[9], 然后根據(jù)輸入的參考圖像指定區(qū)域?qū)μ卣鲌D進(jìn)行PrRoI(Precise Region of Interest) pooling[10]操作, 得到兩個(gè)大小一致的局部特征圖。 參考分支的輸出是一個(gè)系數(shù)向量y(xr, b), 向量的大小是1×1×Dy, 而且向量?jī)?nèi)部的元素都是大于0的數(shù)。 由圖1可見(jiàn), 參考分支的網(wǎng)絡(luò)結(jié)構(gòu)主要由卷積層、 PrRoI pooling和全連接層組成[11]。

    1.2目標(biāo)分類模塊

    1.3自適應(yīng)特征融合策略

    在跟蹤算法中, 提取特征的有效性直接影響跟蹤的結(jié)果。 而在面對(duì)不同環(huán)境下的不同特征時(shí), 一些經(jīng)典的跟蹤算法中, 如ATOM[15]跟蹤框架, 難以做到描述目標(biāo)的跟蹤特征隨場(chǎng)景的變化而變化, 適應(yīng)能力低, 從而造成目標(biāo)在被遮擋或者在高速運(yùn)動(dòng)的情況下發(fā)生跟蹤漂移甚至目標(biāo)丟失的情況。 針對(duì)這一問(wèn)題, 本文提出一種自適應(yīng)特征融合策略, 為跟蹤階段的分類提供一種更好的特征表示, 從而提升跟蹤器的整體性能。 自適應(yīng)特征融合框架圖如圖3所示。 給定一個(gè)即將到來(lái)的視頻幀(第t幀), 將圖像送到預(yù)先訓(xùn)練的圖像分類主干網(wǎng)絡(luò)中進(jìn)行特征提取。 采用深層和淺層的特征圖, 以更好地表征輸入圖像, 然后, 自適應(yīng)特征融合機(jī)制將第一幀和前一幀的目標(biāo)特征都作為輸入。 特征融合階段輸出各層的權(quán)重, 以此來(lái)調(diào)整當(dāng)前圖像多級(jí)特征的輸入。

    將骨干網(wǎng)絡(luò)提取的淺層和深層特征圖分別記為fs和fd。 不同層的特征表現(xiàn)出不同的外觀屬性, 并在各種跟蹤挑戰(zhàn)中扮演不同的角色。 對(duì)于淺層特征fs而言, 具有高的空間分辨率, 在跟蹤過(guò)程中, 淺層特征有助于實(shí)現(xiàn)準(zhǔn)確的跟蹤, 可以應(yīng)對(duì)諸如尺度變化、 運(yùn)動(dòng)模糊等挑戰(zhàn)。 但是, 在諸如平面外旋轉(zhuǎn)或變形的情況下, 淺層特征的貢獻(xiàn)就相對(duì)較小。 相比之下, 深層特征fd包含了更多的語(yǔ)義信息, 能夠解決淺層特征無(wú)法解決的問(wèn)題。 另一方面, 多層特征提供了多尺度信息, 這對(duì)于目標(biāo)的分類至關(guān)重要。 因此, 將淺層特征fs和深層特征fd在通道維度上連接起來(lái), 形成更豐富、 更完整的特征表示。 值得注意的是, 淺層特征fs和深層特征fd的空間分辨率不同, 直接連接不便于后面的關(guān)聯(lián)操作。 因此, 需要將淺層特征fs和深層特征fd的大小調(diào)整為相同的空間維度。 總之, 將淺層特征和深層特征相融合, 通過(guò)整合利用淺層和深層優(yōu)勢(shì)的外觀信息, 可以獲得更強(qiáng)大的分類特征表示。

    1.4更新策略

    自適應(yīng)特征融合機(jī)制通過(guò)融合淺層特征和深層特征, 成功地抑制了冗余和誤導(dǎo)性信息。 為了進(jìn)一步消除高維融合特征的數(shù)據(jù)冗余, 采用投影矩陣層通過(guò)1×1卷積層進(jìn)行降維。 該操作降低了計(jì)算成本, 并且增加了分類模塊中相關(guān)濾波的魯棒性。

    投影矩陣層在分類中起著重要的作用, 但僅在初始化階段學(xué)習(xí)。 在跟蹤后續(xù)視頻幀時(shí), 投影矩陣層的參數(shù)是固定的, 只有相關(guān)層是在線更新的。 在現(xiàn)有的跟蹤算法中, 一般假設(shè)在初始幀中訓(xùn)練的投影矩陣層對(duì)序列的其余部分都有足夠的魯棒性。 但是, 如果存在明顯的外觀變化, 降維后的特征質(zhì)量會(huì)變差。 同時(shí), 降維后的特征及其對(duì)應(yīng)的響應(yīng)圖被收集為訓(xùn)練樣本, 如果使用此樣本訓(xùn)練相關(guān)層會(huì)有風(fēng)險(xiǎn)。 為了緩解這一問(wèn)題, 研究一種新的更新策略, 同時(shí)更新投影層和相關(guān)濾波器, 即在模型初始化和更新的兩個(gè)階段中學(xué)習(xí)權(quán)重參數(shù)。 更新策略的框架如圖4所示。 在線跟蹤過(guò)程中, 不斷生成訓(xùn)練數(shù)據(jù)。 如果一幀的跟蹤結(jié)果足夠令人信服, 則將多級(jí)特征圖xi添加到內(nèi)存中, 并以估計(jì)目標(biāo)位置為中心的高斯形狀yi進(jìn)行注釋。 每隔給定幀(50幀), 利用存儲(chǔ)在內(nèi)存中的訓(xùn)練樣本,? 對(duì)投影矩陣層和相關(guān)層進(jìn)行聯(lián)合訓(xùn)練。? 其中, 可使用隨機(jī)梯度下降法來(lái)優(yōu)化分類模塊的損失函數(shù)。

    2實(shí)驗(yàn)

    2.1實(shí)驗(yàn)設(shè)置

    本文提出的目標(biāo)跟蹤算法(Target Tracking Based on Adaptive Feature Fusion, TTAFF)是基于深度學(xué)習(xí)框架PyTorch在python中實(shí)現(xiàn)的。? 使用在ImageNet上經(jīng)過(guò)預(yù)訓(xùn)練的ResNet-50作為本文跟蹤算法的骨干網(wǎng)絡(luò)。 目標(biāo)估計(jì)模塊采用離線訓(xùn)練, 離線訓(xùn)練數(shù)據(jù)集為L(zhǎng)aSOT數(shù)據(jù)集。 目標(biāo)估計(jì)模塊包括參考分支和測(cè)試分支, 對(duì)數(shù)據(jù)集進(jìn)行采樣并添加擾動(dòng), 分別生成參考分支數(shù)據(jù)集圖像和測(cè)試分支數(shù)據(jù)集圖像。 使用均方差損失函數(shù), 訓(xùn)練50個(gè)周期, 每批包含64個(gè)樣本對(duì), 采用隨機(jī)梯度下降法來(lái)最小化損失函數(shù), 訓(xùn)練網(wǎng)絡(luò)模型; 目標(biāo)分類模塊采用在線訓(xùn)練。 為了充分驗(yàn)證所提出的目標(biāo)跟蹤算法的有效性, 將該算法與其他現(xiàn)有的目標(biāo)跟蹤算法在OTB100[16], UAV123[17], LaSOT[18]數(shù)據(jù)集上作比較, 并進(jìn)行性能評(píng)價(jià)。

    2.2特征融合權(quán)重自適應(yīng)過(guò)程

    圖5顯示了在跟蹤過(guò)程中特征權(quán)重的自適應(yīng)過(guò)程。 其中(a)~(d)為person 7序列, (e)~(h)為car 4序列。

    一般情況下, 本文算法能夠很好地平衡淺層特征權(quán)重αs和深層特征權(quán)重αd。 從圖5可以看出, 當(dāng)面臨運(yùn)動(dòng)模糊(如圖5(b))、 尺度變化(如圖5(d)), 以及區(qū)分目標(biāo)和類間干擾物(如圖5(f)和(h))等挑戰(zhàn)時(shí), 由于淺層特征可以提供詳細(xì)的空間信息, 因此淺層特征的貢獻(xiàn)較多, 淺層特征權(quán)重αs增大。 當(dāng)目標(biāo)出現(xiàn)變形(如圖5(c))和遮擋(如圖5(g))等挑戰(zhàn)時(shí), 相應(yīng)的深層特征權(quán)重αd的值增大。 以上實(shí)驗(yàn)結(jié)果證明, 自適應(yīng)融合策略可以適應(yīng)目標(biāo)跟蹤中的各種挑戰(zhàn), 實(shí)現(xiàn)更好的跟蹤效果。

    2.3不同算法對(duì)比實(shí)驗(yàn)

    2.4消融實(shí)驗(yàn)

    本文采用消融實(shí)驗(yàn)在OTB100數(shù)據(jù)集上評(píng)估所提方法中每部分的影響。 該數(shù)據(jù)集包含了種類繁多的視頻, 這些視頻在許多方面都具有挑戰(zhàn)性, 比如變形、 遮擋和干擾等。

    2.4.1目標(biāo)估計(jì)模塊的影響

    將目標(biāo)狀態(tài)估計(jì)模塊與僅使用分類模型的多尺度搜索方法進(jìn)行比較, 結(jié)果如表3所示,表中COP0.5為重疊精度, 其值越大跟蹤成功率越高。 在SAUC中, 本文方法明顯優(yōu)于多尺度方法, 并使邊界框預(yù)測(cè)的百分比增加了20%左右, 得到較高精度的邊界框。

    2.4.2目標(biāo)分類模塊影響

    將目標(biāo)分類模塊從跟蹤框架中排除, 以調(diào)查其影響。 表3中無(wú)分類模塊表示僅使用目標(biāo)估計(jì)模塊來(lái)跟蹤, 使用了較大的搜索區(qū)域, 所得方法的SAUC達(dá)到37.1%, 比本文所提出的方法少了近30%。

    2.4.3自適應(yīng)特征融合策略影響

    在OTB100數(shù)據(jù)集上進(jìn)行消融研究, 結(jié)果見(jiàn)表4。 由表4可以得到如下的結(jié)論: 首先, 與使用一層特征相比, 利用多層特征可以獲得更好的性能。 其次, 利用所提出的自適應(yīng)特征融合機(jī)制, 跟蹤效果優(yōu)于多層特征直接級(jí)聯(lián)。 其中, 與利用第3層特征相比, 直接級(jí)聯(lián)第2層和第3層特征的精度得分為83.9%。 當(dāng)采用自適應(yīng)融合特征后, 跟蹤效果提高了0.6%, 達(dá)到84.5%。 需要注意的是, 當(dāng)直接級(jí)聯(lián)第2層和第4層的特征時(shí), 精度得分會(huì)下降, 這歸因于第4層的特征經(jīng)過(guò)調(diào)整大小后包含了冗余和誤導(dǎo)性信息。 然而, 與僅使用第2層特征和第2層與第4層的直接級(jí)聯(lián)版本相比, 自適應(yīng)融合版本分別提高了0.5%和2.8%。 實(shí)驗(yàn)結(jié)果進(jìn)一步驗(yàn)證了所提出的自適應(yīng)特征融合機(jī)制的有效性。

    由表4可以看到, 第3層特征和第4層特征直接級(jí)聯(lián)后性能大幅下降, 達(dá)到67.4%。 這表明, 在特征融合過(guò)程中, 低層次的判別細(xì)節(jié)信息和高層次的語(yǔ)義信息是互補(bǔ)的。? 在第3層和第4層特征融合上應(yīng)用自適應(yīng)特征融合機(jī)制, 精度分?jǐn)?shù)提高了3.8%。 對(duì)第2層、 第3層和第4層的特征進(jìn)行整合后, 在直接級(jí)聯(lián)和自適應(yīng)的特征融合版本中, 跟蹤精度分別達(dá)到81.6%和81.9%。

    2.4.4更新策略影響

    如表4所示, 投影矩陣層和相關(guān)層同時(shí)更新的策略提高了跟蹤性能。? 分別利用單層特征和多層特征作為輸入來(lái)評(píng)估其有效性。 更新策略以第2層和第3層的特征作為輸入, 性能分別提高了1.1%和1.3%。 此外, 本文所提出的策略在使用融合特征時(shí)也是有效的。 當(dāng)投影矩陣和相關(guān)層的輸入融合第2層和第3層的特征時(shí), 精度分?jǐn)?shù)提高了約0.7%。

    3結(jié)論

    本文提出復(fù)雜場(chǎng)景下運(yùn)動(dòng)目標(biāo)的跟蹤算法, 通過(guò)在目標(biāo)分類模塊中設(shè)計(jì)一種自適應(yīng)特征融合策略, 以提供更好的特征表示, 并提出一種更新策略, 使得在目標(biāo)外觀發(fā)生明顯變化時(shí), 仍能實(shí)現(xiàn)精確的跟蹤, 最終將目標(biāo)跟蹤問(wèn)題中的目標(biāo)分類模塊和目標(biāo)估計(jì)模塊相結(jié)合, 使目標(biāo)發(fā)生尺度變化、 快速運(yùn)動(dòng)等時(shí), 算法魯棒性更強(qiáng), 達(dá)到改進(jìn)目的。

    參考文獻(xiàn):

    [1] 陳旭, 孟朝暉. 基于深度學(xué)習(xí)的目標(biāo)視頻跟蹤算法綜述[J]. 計(jì)算機(jī)系統(tǒng)應(yīng)用, 2019, 28(1): 1-9.Chen Xu, Meng Zhaohui. Survey on Video Object Tracking Algorithms Based on Deep Learning[J]. Computer Systems & Applications, 2019, 28(1): 1-9.(in Chinese)

    [2] Villeneuve E, Harwin W, Holderbaum W, et al. Signal Quality and Compactness of a Dual-Accelerometer System for Gyro-Free Human Motion Analysis[J]. IEEE Sensors Journal, 2016, 16(16): 6261-6269.

    [3] Danelljan M, Bhat G, Khan F S, et al. ECO: Efficient Convolution Operators for Tracking[C]∥IEEE Conference on Computer Vision and Pattern Recognition, 2017.

    [4] Qi Y K, Zhang S P, Qin L, et al. Hedged Deep Tracking[C]∥IEEE Conference on Computer Vision and Pattern Recognition, 2016.

    [5] 盧湖川, 李佩霞, 王棟. 目標(biāo)跟蹤算法綜述[J]. 模式識(shí)別與人工智能, 2018, 31(1): 61-76.Lu Huchuan, Li Peixia, Wang Dong. Visual Object Tracking: A Survey[J]. Pattern Recognition and Artificial Intelligence, 2018, 31(1): 61-76.(in Chinese)

    [6] Han B, Sim J, Adam H. BranchOut: Regularization for Online Ensemble Tracking with Convolutional Neural Networks[C]∥IEEE Conference on Computer Vision and Pattern Recognition, 2017.

    [7] Jiang B R, Luo R X, Mao J Y, et al. Acquisition of Localization Confidence for Accurate Object Detection[C]∥Computer Vision-ECCV, 2018.

    [8] He K M, Zhang X Y, Ren S Q, et al. Deep Residual Learning for Image Recognition[C]∥IEEE Conference on Computer Vision and Pattern Recognition, 2016.

    [9] 閔召陽(yáng), 趙文杰. 基于深度學(xué)習(xí)的目標(biāo)抗干擾跟蹤算法[J]. 紅外技術(shù), 2018, 40(2): 176-182.Min Zhaoyang, Zhao Wenjie. Target Anti-Jamming Tracking Algorithm Based on Depth Learning[J]. Infrared Technology, 2018, 40(2): 176-182.(in Chinese)

    [10] Lin M, Chen Q, Yan S C. Network in Network[C]∥International Conference on Learning Representations (ICLR), 2014.

    [11] Hinton G E, Srivastava N. Krizhevsky A, et al. Improving Neural Networks by Preventing Co-Adaptation of Feature Detectors[C]∥International Conference on Machine Learning (ICML), 2012.

    [12] Galoogahi H K, Fagg A, Lucey S. Learning Background-Aware Correlation Filters for Visual Tracking[C]∥IEEE International Conference on Computer Vision (ICCV), 2017: 1144-1152.

    [13] Nair V, Hinton G E. Rectified Linear Units Improve Restricted Boltzmann Machines[C]∥International Conference on Machine Learning (ICML), 2010.

    [14] Qian N. On the Momentum Term in Gradient Descent Learning Algorithms[J]. Neural Networks, 1999, 12(1): 145-151.

    [15] Danelljan M, Bhat G, Khan F S, et al. ATOM: Accurate Tracking by Overlap Maximization[C]∥IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2019.

    [16] Wu Y, Lim J, Yang M H. Object Tracking Benchmark[J]. IEEE Transactions on Pattern Analysis and Machine Intelligence, 2015, 37(9): 1834-1848.

    [17] Mueller M, Smith N, Ghanem B. A Benchmark and Simulator for UAV Tracking[C]∥Computer Vision-ECCV, 2016.

    [18] Fan H, Lin L T, Yang F, et al. LaSOT: A High-Quality Benchmark for Large-Scale Single Object Tracking[C]∥IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2019.

    [19] Danelljan M, Robinson A, Shahbaz Khan F, et al. Beyond Correlation Filters: Learning Continuous Convolution Operators for Vi-sual Tracking[C]∥Computer Vision-ECCV, 2016.

    [20] Nam H, Han B. Learning Multi-Domain Convolutional Neural Networks for Visual Tracking[C]∥IEEE Conference on Compu-ter Vision and Pattern Recognition, 2016.

    [21] Bhat G, Danelljan M, van Gool L, et al. Learning Discriminative Model Prediction for Tracking[C]∥IEEE/CVF International Conference on Computer Vision (ICCV), 2019

    [22] Bertinetto L, Valmadre J, Golodetz S, et al. Staple: Complementary Learners for Real-Time Tracking[C]∥IEEE Conference on Computer Vision and Pattern Recognition, 2016.

    [23] Bertinetto L, Valmadre J, Henriques J F, et al. Fully-Convolutional Siamese Networks for Object Tracking[C]∥Computer Vision-ECCV, 2016.

    [24] Galoogahi H K, Fagg A, Lucey S. Learning Background-Aware Correlation Filters for Visual Tracking[C]∥IEEE International Conference on Computer Vision (ICCV), 2017.

    [25] Li F, Tian C, Zuo W M, et al. Learning Spatial-Temporal Regularized Correlation Filters for Visual Tracking[C]∥IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2018.

    [26] Danelljan M, Hger G, Khan F S, et al. Learning Spatially Regularized Correlation Filters for Visual Tracking[C]∥IEEE International Conference on Computer Vision (ICCV), 2015.

    [27] Li B, Wu W, Wang Q, et al. SiamRPN++: Evolution of Siamese Visual Tracking with Very Deep Networks[C]∥IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2019.

    [28] Zhao S C, Xu T Y, Wu X J, et al. Adaptive Feature Fusion for Visual Object Tracking[J]. Pattern Recognition, 2021, 111: 107679.

    [29] Song Y B, Ma C, Wu X H, et al. VITAL: VIsual Tracking via Adversarial Learning[C]∥IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2018.

    [30] Choi J, Chang H J, Fischer T, et al. Context-Aware Deep Feature Compression for High-Speed Visual Tracking[C]∥IEEE/CVF Conference on Computer Vision and Pattern Recognition, 2018.

    Research on Image Moving Target Tracking Algorithm Based on

    Adaptive Feature Fusion in Complex Scenes

    Zhu Bing Liu QiYu Ruixing

    (1. School of Electronic Engineering, Xian Shiyou University, Xian 710065, China;

    2. Beijing Institute of Remote Sensing Equipment, Beijing 100039, China;

    3. School of Astronautics, Northwestern Polytechnical University, Xian 710072, China)

    Abstract: Aiming at the problems of tracking drift or failure in target tracking for the scale change and fast motion, a image moving target tracking algorithm based on adaptive feature fusion in complex scenes is proposed. In this paper, the target classification module and target estimation module is designed respectively and combined effectively. In the target classification module, an adaptive feature fusion mechanism is designed, and it integrates multi-layer depth features so as to achieve effective online tracking. Moreover, the designed joint update strategy is more robust in dealing with motion blur and severe target deformation by optimizing the projection matrix layer and the correlation la-yer. In the target estimation module, the concept of IoU(Intersection over Union) maximization is introduced to predict the IoU score between bounding boxes and the estimation target. During the tracking process, the target state is estimated by using gradient ascent to maximize the IoU score to obtain a more accurate bounding box. Experimental results show that the proposed algorithm has excellent performance, with SAUC of 70.1%, 47.6%, 51.6% on OTB100, UAV123 and LaSOT datasets, which is superior to other related algorithms.

    Key words: target tracking; deep learning;? target classification; target estimation; feature fusion

    猜你喜歡
    目標(biāo)跟蹤深度學(xué)習(xí)
    多視角目標(biāo)檢測(cè)與跟蹤技術(shù)的研究與實(shí)現(xiàn)
    有體驗(yàn)的學(xué)習(xí)才是有意義的學(xué)習(xí)
    基于改進(jìn)連續(xù)自適應(yīng)均值漂移的視頻目標(biāo)跟蹤算法
    電子商務(wù)中基于深度學(xué)習(xí)的虛假交易識(shí)別研究
    基于重采樣粒子濾波的目標(biāo)跟蹤算法研究
    航空兵器(2016年5期)2016-12-10 17:12:24
    MOOC與翻轉(zhuǎn)課堂融合的深度學(xué)習(xí)場(chǎng)域建構(gòu)
    大數(shù)據(jù)技術(shù)在反恐怖主義中的應(yīng)用展望
    深度學(xué)習(xí)算法應(yīng)用于巖石圖像處理的可行性研究
    基于深度卷積網(wǎng)絡(luò)的人臉年齡分析算法與實(shí)現(xiàn)
    軟件工程(2016年8期)2016-10-25 15:47:34
    空管自動(dòng)化系統(tǒng)中航跡濾波算法的應(yīng)用與改進(jìn)
    科技視界(2016年5期)2016-02-22 12:25:31
    久久久精品免费免费高清| 爱豆传媒免费全集在线观看| 亚洲欧美日韩卡通动漫| 中文字幕制服av| 日韩在线高清观看一区二区三区| 一级,二级,三级黄色视频| 国产老妇伦熟女老妇高清| 韩国av在线不卡| 黄色欧美视频在线观看| 国产男女超爽视频在线观看| 亚洲电影在线观看av| 久久99蜜桃精品久久| 欧美少妇被猛烈插入视频| 美女cb高潮喷水在线观看| 亚洲美女搞黄在线观看| 大陆偷拍与自拍| av福利片在线| 国精品久久久久久国模美| 热re99久久精品国产66热6| 久久毛片免费看一区二区三区| 99视频精品全部免费 在线| 99热国产这里只有精品6| 青青草视频在线视频观看| 99热6这里只有精品| 日韩精品免费视频一区二区三区 | 亚洲图色成人| 亚洲成色77777| 午夜av观看不卡| 亚洲欧洲精品一区二区精品久久久 | 我要看日韩黄色一级片| 曰老女人黄片| 三级国产精品片| 男女无遮挡免费网站观看| 国产色爽女视频免费观看| 内射极品少妇av片p| 国产精品国产三级专区第一集| 欧美另类一区| 国产中年淑女户外野战色| 亚洲丝袜综合中文字幕| 精品人妻偷拍中文字幕| 日韩强制内射视频| a 毛片基地| 日韩电影二区| 伊人亚洲综合成人网| 18禁裸乳无遮挡动漫免费视频| av国产久精品久网站免费入址| 国产91av在线免费观看| 大陆偷拍与自拍| 亚洲国产精品专区欧美| 国产亚洲精品久久久com| 丁香六月天网| 午夜福利在线观看免费完整高清在| 最近最新中文字幕免费大全7| 丰满少妇做爰视频| 男人添女人高潮全过程视频| 欧美区成人在线视频| 九九久久精品国产亚洲av麻豆| 黄片无遮挡物在线观看| 一级毛片久久久久久久久女| 免费看av在线观看网站| 日韩熟女老妇一区二区性免费视频| 国产精品福利在线免费观看| 日日摸夜夜添夜夜爱| 丝袜在线中文字幕| 欧美日韩综合久久久久久| 亚洲欧美成人综合另类久久久| 少妇猛男粗大的猛烈进出视频| 国产欧美日韩一区二区三区在线 | 日韩中字成人| 嫩草影院入口| 日本91视频免费播放| 亚洲电影在线观看av| 日韩中文字幕视频在线看片| 一级黄片播放器| 午夜免费男女啪啪视频观看| 免费人妻精品一区二区三区视频| 高清不卡的av网站| 少妇精品久久久久久久| 久久久亚洲精品成人影院| 国产国拍精品亚洲av在线观看| 亚洲四区av| 国产日韩欧美在线精品| 国产极品天堂在线| 91在线精品国自产拍蜜月| 18禁动态无遮挡网站| 亚洲内射少妇av| 成人18禁高潮啪啪吃奶动态图 | 久久久久精品性色| 国产淫语在线视频| av播播在线观看一区| 观看美女的网站| 香蕉精品网在线| 岛国毛片在线播放| 精品国产乱码久久久久久小说| 午夜免费鲁丝| 丝瓜视频免费看黄片| av天堂中文字幕网| 国产亚洲欧美精品永久| 男人爽女人下面视频在线观看| av专区在线播放| 久久久亚洲精品成人影院| 中国国产av一级| 久久精品久久久久久久性| 一个人看视频在线观看www免费| 日本色播在线视频| 啦啦啦中文免费视频观看日本| 亚洲av不卡在线观看| 三级经典国产精品| 国产成人免费观看mmmm| 国产老妇伦熟女老妇高清| 国产淫语在线视频| 2022亚洲国产成人精品| 啦啦啦视频在线资源免费观看| 久久精品国产a三级三级三级| 久久久久久久久久久免费av| 国产精品国产三级国产av玫瑰| 精品一区二区三区视频在线| 亚洲,欧美,日韩| 精品国产乱码久久久久久小说| 精品国产国语对白av| 久久久a久久爽久久v久久| 男女免费视频国产| 综合色丁香网| 精品人妻一区二区三区麻豆| 国产精品一区二区性色av| 一级毛片电影观看| 特大巨黑吊av在线直播| 亚洲成色77777| 国产精品人妻久久久影院| 欧美精品亚洲一区二区| 亚洲性久久影院| 国产欧美日韩综合在线一区二区 | 人妻制服诱惑在线中文字幕| 精品午夜福利在线看| 少妇 在线观看| 亚洲,欧美,日韩| 亚洲欧洲国产日韩| 国产成人aa在线观看| 午夜福利,免费看| 黄片无遮挡物在线观看| 99久久综合免费| 国产日韩欧美在线精品| 一区在线观看完整版| 好男人视频免费观看在线| 在线观看一区二区三区激情| 少妇人妻一区二区三区视频| 99久久综合免费| 日韩视频在线欧美| 精品国产乱码久久久久久小说| 一区二区三区乱码不卡18| 久久狼人影院| 街头女战士在线观看网站| 啦啦啦视频在线资源免费观看| 观看免费一级毛片| 国产精品福利在线免费观看| 插阴视频在线观看视频| 久久久久久久久久成人| 国产一区二区在线观看av| 日本欧美国产在线视频| 精品少妇黑人巨大在线播放| 亚洲av福利一区| 国产精品国产三级国产专区5o| 久久久久国产网址| 有码 亚洲区| 欧美丝袜亚洲另类| 永久网站在线| 少妇裸体淫交视频免费看高清| 亚洲图色成人| 男人舔奶头视频| 免费观看性生交大片5| 熟妇人妻不卡中文字幕| freevideosex欧美| 国语对白做爰xxxⅹ性视频网站| 午夜免费观看性视频| 日本色播在线视频| 国产成人aa在线观看| 人妻制服诱惑在线中文字幕| 国国产精品蜜臀av免费| av线在线观看网站| 免费人妻精品一区二区三区视频| 亚洲av免费高清在线观看| 蜜桃在线观看..| 国内揄拍国产精品人妻在线| 久久精品国产亚洲网站| 国产黄片美女视频| 久久久久人妻精品一区果冻| 久久精品国产鲁丝片午夜精品| 成人免费观看视频高清| 97在线视频观看| 女的被弄到高潮叫床怎么办| 男的添女的下面高潮视频| 综合色丁香网| 又黄又爽又刺激的免费视频.| 日韩av在线免费看完整版不卡| 免费观看无遮挡的男女| 成人午夜精彩视频在线观看| 亚洲av成人精品一二三区| 人妻少妇偷人精品九色| 夫妻性生交免费视频一级片| 青青草视频在线视频观看| 免费黄频网站在线观看国产| 69精品国产乱码久久久| 亚洲欧美一区二区三区国产| 五月开心婷婷网| 99久久精品热视频| 亚洲精品成人av观看孕妇| 看十八女毛片水多多多| 一级毛片久久久久久久久女| 久久婷婷青草| 亚洲国产av新网站| 精品人妻熟女av久视频| 黄色一级大片看看| 噜噜噜噜噜久久久久久91| 久久久久久久久久久丰满| 国产永久视频网站| 国语对白做爰xxxⅹ性视频网站| 日韩成人伦理影院| 人人妻人人澡人人看| 乱系列少妇在线播放| 国产欧美亚洲国产| 我要看日韩黄色一级片| 国产高清三级在线| 国产极品粉嫩免费观看在线 | 亚洲av不卡在线观看| 纵有疾风起免费观看全集完整版| 一区二区三区乱码不卡18| 中国美白少妇内射xxxbb| 七月丁香在线播放| 亚洲国产欧美日韩在线播放 | 婷婷色av中文字幕| 在线观看av片永久免费下载| 好男人视频免费观看在线| 亚洲欧美成人精品一区二区| 一级毛片 在线播放| 免费在线观看成人毛片| 大话2 男鬼变身卡| 久久 成人 亚洲| 午夜免费观看性视频| 九九久久精品国产亚洲av麻豆| 一级黄片播放器| 国产av码专区亚洲av| 亚洲国产精品一区三区| 成人午夜精彩视频在线观看| 日日撸夜夜添| 女的被弄到高潮叫床怎么办| 自拍偷自拍亚洲精品老妇| 夜夜骑夜夜射夜夜干| 亚洲久久久国产精品| 在线观看三级黄色| 国产深夜福利视频在线观看| 国产 一区精品| 亚洲精品日本国产第一区| 九草在线视频观看| 国产高清国产精品国产三级| 久久婷婷青草| 一本—道久久a久久精品蜜桃钙片| 欧美丝袜亚洲另类| 汤姆久久久久久久影院中文字幕| 成年人午夜在线观看视频| 久久女婷五月综合色啪小说| 啦啦啦中文免费视频观看日本| a级一级毛片免费在线观看| 一区二区av电影网| 免费在线观看成人毛片| 日韩av不卡免费在线播放| 一级毛片我不卡| 欧美+日韩+精品| 少妇的逼好多水| 国产在线一区二区三区精| 欧美精品一区二区免费开放| 少妇人妻精品综合一区二区| 交换朋友夫妻互换小说| 99久久精品国产国产毛片| 欧美激情极品国产一区二区三区 | 日韩中文字幕视频在线看片| 中文字幕人妻熟人妻熟丝袜美| 亚洲熟女精品中文字幕| 青春草国产在线视频| 亚洲国产精品一区二区三区在线| 人妻人人澡人人爽人人| 色网站视频免费| 欧美日韩视频高清一区二区三区二| 国产淫语在线视频| 各种免费的搞黄视频| 亚洲国产成人一精品久久久| 国产 一区精品| 最近的中文字幕免费完整| 日本-黄色视频高清免费观看| 午夜福利视频精品| 国产伦理片在线播放av一区| 国产精品一区二区在线不卡| 午夜视频国产福利| 欧美国产精品一级二级三级 | 一级二级三级毛片免费看| 精品视频人人做人人爽| 欧美精品国产亚洲| 欧美一级a爱片免费观看看| 最新中文字幕久久久久| 国产欧美日韩一区二区三区在线 | 久久久久久久精品精品| 少妇的逼水好多| 日韩中文字幕视频在线看片| 亚洲国产毛片av蜜桃av| 各种免费的搞黄视频| 99久久人妻综合| 日本av免费视频播放| 国产成人aa在线观看| 亚洲第一区二区三区不卡| 久久国产亚洲av麻豆专区| 中文资源天堂在线| 国产精品一区二区在线不卡| kizo精华| 久久午夜综合久久蜜桃| 欧美老熟妇乱子伦牲交| 黑人猛操日本美女一级片| 国产免费又黄又爽又色| 97超视频在线观看视频| 老熟女久久久| 菩萨蛮人人尽说江南好唐韦庄| 欧美日韩亚洲高清精品| av播播在线观看一区| 午夜激情福利司机影院| 日韩av不卡免费在线播放| 国产老妇伦熟女老妇高清| 国产有黄有色有爽视频| 一本久久精品| 亚洲电影在线观看av| av国产久精品久网站免费入址| av有码第一页| 男男h啪啪无遮挡| 99re6热这里在线精品视频| av天堂久久9| 日韩欧美一区视频在线观看 | 欧美人与善性xxx| 国产精品一区二区在线不卡| 日日摸夜夜添夜夜添av毛片| 99九九线精品视频在线观看视频| 国产伦在线观看视频一区| 激情五月婷婷亚洲| 蜜桃在线观看..| 久久久精品94久久精品| 欧美高清成人免费视频www| √禁漫天堂资源中文www| 亚洲第一av免费看| 少妇的逼好多水| 精品一区二区三卡| 精品久久国产蜜桃| 国产在线男女| 91久久精品国产一区二区三区| 成人综合一区亚洲| 少妇的逼好多水| 国产色婷婷99| 自拍欧美九色日韩亚洲蝌蚪91 | 一级二级三级毛片免费看| 久久久欧美国产精品| 97在线视频观看| 国产av一区二区精品久久| 国产精品三级大全| 免费看不卡的av| 男女国产视频网站| xxx大片免费视频| 韩国av在线不卡| 亚洲一区二区三区欧美精品| 麻豆乱淫一区二区| 亚洲精品,欧美精品| a级毛色黄片| 最新的欧美精品一区二区| 国产中年淑女户外野战色| 亚洲激情五月婷婷啪啪| 国产日韩欧美视频二区| 日本与韩国留学比较| 久久精品国产亚洲网站| 国产一区二区三区av在线| 国产无遮挡羞羞视频在线观看| 亚洲真实伦在线观看| 国产日韩欧美视频二区| 成人黄色视频免费在线看| 国产精品伦人一区二区| 26uuu在线亚洲综合色| 中文字幕免费在线视频6| 免费播放大片免费观看视频在线观看| 伊人久久国产一区二区| 国产一区亚洲一区在线观看| 美女中出高潮动态图| 有码 亚洲区| 久久久精品免费免费高清| 成人特级av手机在线观看| 国产成人午夜福利电影在线观看| 天堂8中文在线网| 十八禁网站网址无遮挡 | 99视频精品全部免费 在线| 插阴视频在线观看视频| 成人毛片60女人毛片免费| av女优亚洲男人天堂| 久久热精品热| 免费在线观看成人毛片| av免费观看日本| 在线亚洲精品国产二区图片欧美 | 少妇猛男粗大的猛烈进出视频| 久久久久久久久久久免费av| 春色校园在线视频观看| 欧美精品人与动牲交sv欧美| 亚洲精品成人av观看孕妇| 免费人妻精品一区二区三区视频| 极品教师在线视频| 少妇人妻久久综合中文| 少妇精品久久久久久久| 国国产精品蜜臀av免费| 欧美+日韩+精品| 国精品久久久久久国模美| 国产黄片美女视频| 2021少妇久久久久久久久久久| 午夜福利网站1000一区二区三区| 一级黄片播放器| 91aial.com中文字幕在线观看| 亚洲精品中文字幕在线视频 | 久久99热6这里只有精品| 街头女战士在线观看网站| 香蕉精品网在线| 日本wwww免费看| tube8黄色片| 中文精品一卡2卡3卡4更新| 99久久精品一区二区三区| 久久午夜综合久久蜜桃| 岛国毛片在线播放| 一本大道久久a久久精品| 纵有疾风起免费观看全集完整版| 国产精品国产三级国产专区5o| 少妇人妻一区二区三区视频| 亚洲精品一区蜜桃| 大片电影免费在线观看免费| 在线播放无遮挡| 精品少妇久久久久久888优播| 大香蕉久久网| 一本大道久久a久久精品| 永久免费av网站大全| 久久人人爽人人片av| 久久99蜜桃精品久久| 午夜精品国产一区二区电影| 亚洲一级一片aⅴ在线观看| 久久精品熟女亚洲av麻豆精品| 亚洲欧洲精品一区二区精品久久久 | 午夜影院在线不卡| 成人影院久久| 国产成人精品福利久久| 国产精品久久久久成人av| 国产女主播在线喷水免费视频网站| 亚洲精品第二区| 亚洲欧美精品专区久久| 乱人伦中国视频| 亚洲国产欧美在线一区| 高清欧美精品videossex| 99视频精品全部免费 在线| 成年人午夜在线观看视频| 日日啪夜夜撸| 熟妇人妻不卡中文字幕| 在线观看三级黄色| 色5月婷婷丁香| 少妇猛男粗大的猛烈进出视频| 插逼视频在线观看| 久久精品夜色国产| 精品国产乱码久久久久久小说| 新久久久久国产一级毛片| 久久久国产一区二区| 久久亚洲国产成人精品v| 免费观看无遮挡的男女| 亚洲欧美一区二区三区黑人 | 99热国产这里只有精品6| 日本91视频免费播放| 97在线视频观看| 十八禁网站网址无遮挡 | 亚洲激情五月婷婷啪啪| 国产欧美日韩一区二区三区在线 | 国产精品熟女久久久久浪| 亚洲精品日韩在线中文字幕| 午夜精品国产一区二区电影| 大码成人一级视频| 尾随美女入室| 嫩草影院入口| 国产永久视频网站| 在线亚洲精品国产二区图片欧美 | 色婷婷久久久亚洲欧美| 91午夜精品亚洲一区二区三区| 久热久热在线精品观看| 日韩三级伦理在线观看| 亚洲国产精品999| 国产免费视频播放在线视频| 国产成人精品无人区| 国产69精品久久久久777片| 99久久精品热视频| 国产av一区二区精品久久| 久久精品久久精品一区二区三区| 欧美三级亚洲精品| 日本黄色片子视频| 99久久中文字幕三级久久日本| 欧美变态另类bdsm刘玥| 91精品国产国语对白视频| 欧美三级亚洲精品| 日本黄色片子视频| 色吧在线观看| 人人妻人人看人人澡| 久久青草综合色| 免费观看在线日韩| 人妻系列 视频| 免费播放大片免费观看视频在线观看| 美女中出高潮动态图| 天美传媒精品一区二区| 一级毛片黄色毛片免费观看视频| 三级国产精品片| 亚洲伊人久久精品综合| 久久久欧美国产精品| 国产成人a∨麻豆精品| 边亲边吃奶的免费视频| 中文字幕亚洲精品专区| 日韩av免费高清视频| 99re6热这里在线精品视频| 国产在视频线精品| 2022亚洲国产成人精品| 高清在线视频一区二区三区| 91久久精品国产一区二区三区| 久久久国产精品麻豆| 人妻少妇偷人精品九色| 视频区图区小说| 亚洲丝袜综合中文字幕| 久久国产亚洲av麻豆专区| 日韩欧美 国产精品| 国产日韩欧美视频二区| 深夜a级毛片| 成人二区视频| xxx大片免费视频| 亚洲性久久影院| 最近中文字幕高清免费大全6| 国产成人精品福利久久| 日本欧美国产在线视频| 免费观看a级毛片全部| 久久国产精品男人的天堂亚洲 | 日韩强制内射视频| 欧美日韩综合久久久久久| 国产日韩欧美视频二区| 我的女老师完整版在线观看| 在线播放无遮挡| 亚洲综合精品二区| 国产精品偷伦视频观看了| 丝袜喷水一区| 校园人妻丝袜中文字幕| 国产免费一级a男人的天堂| 91精品国产九色| 久久人人爽人人爽人人片va| av有码第一页| 久久久久国产精品人妻一区二区| 亚洲怡红院男人天堂| 亚洲中文av在线| 日韩欧美精品免费久久| av播播在线观看一区| 一级爰片在线观看| 国产高清有码在线观看视频| 边亲边吃奶的免费视频| 亚洲精品乱码久久久v下载方式| 激情五月婷婷亚洲| 亚洲成人av在线免费| 天堂俺去俺来也www色官网| 亚州av有码| 十八禁网站网址无遮挡 | av免费观看日本| 精品视频人人做人人爽| 国产成人a∨麻豆精品| 男人舔奶头视频| videos熟女内射| 综合色丁香网| 交换朋友夫妻互换小说| 久久精品国产亚洲av天美| a级毛片免费高清观看在线播放| 色网站视频免费| 在线观看www视频免费| 97超视频在线观看视频| 国产伦理片在线播放av一区| 啦啦啦中文免费视频观看日本| 国产高清不卡午夜福利| 毛片一级片免费看久久久久| 欧美3d第一页| 国内揄拍国产精品人妻在线| 久久久久久久久久久丰满| 日韩三级伦理在线观看| 国产成人午夜福利电影在线观看| 视频中文字幕在线观看| 三级经典国产精品| 一本大道久久a久久精品| 国产极品天堂在线| 熟妇人妻不卡中文字幕| 中文精品一卡2卡3卡4更新| 国产精品不卡视频一区二区| 91精品伊人久久大香线蕉| 久久99一区二区三区| 三级国产精品片| 亚洲欧洲国产日韩| 久久狼人影院| 日韩成人av中文字幕在线观看| 国产av精品麻豆| 最近的中文字幕免费完整| 久久精品国产自在天天线| 久久国产精品男人的天堂亚洲 | 大香蕉久久网| 99久久精品国产国产毛片| 2022亚洲国产成人精品| 九九爱精品视频在线观看| 国产成人精品婷婷| 精品少妇黑人巨大在线播放| 精品久久久精品久久久| 亚洲精品亚洲一区二区| 国产91av在线免费观看| 一级片'在线观看视频| 中文资源天堂在线| 精品卡一卡二卡四卡免费| 日韩人妻高清精品专区| 国产欧美日韩一区二区三区在线 |