• <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 ?

    針對(duì)目標(biāo)遮擋的自適應(yīng)特征匹配網(wǎng)絡(luò)

    2023-12-19 13:14:48蘇宏陽(yáng)楊大偉
    光學(xué)精密工程 2023年22期
    關(guān)鍵詞:集上魯棒性像素點(diǎn)

    毛 琳, 蘇宏陽(yáng), 楊大偉

    (大連民族大學(xué) 機(jī)電工程學(xué)院,遼寧 大連 116600)

    1 引 言

    目標(biāo)跟蹤是計(jì)算機(jī)視覺領(lǐng)域中一個(gè)重要研究方向,其任務(wù)是準(zhǔn)確跟蹤給定視頻序列中的標(biāo)注目標(biāo),如行人、車輛、動(dòng)物等。目標(biāo)跟蹤應(yīng)用非常廣泛,如視頻監(jiān)控、自動(dòng)駕駛、機(jī)器人視覺等,但由于目標(biāo)在視頻中普遍存在遮擋、消失等現(xiàn)象,會(huì)極大降低現(xiàn)有算法的準(zhǔn)確性和魯棒性,使算法在實(shí)際應(yīng)用中可靠性降低。

    目標(biāo)遮擋是目標(biāo)跟蹤中常見挑戰(zhàn)之一,傳統(tǒng)目標(biāo)跟蹤算法往往無(wú)法應(yīng)對(duì)目標(biāo)遮擋帶來(lái)的問題,導(dǎo)致跟蹤效果下降。近年來(lái),研究者們開始使用深度學(xué)習(xí)來(lái)解決遮擋問題。一類基于深度學(xué)習(xí)的目標(biāo)跟蹤算法利用強(qiáng)化學(xué)習(xí)思想,在目標(biāo)遮擋的情況下,動(dòng)態(tài)調(diào)整跟蹤器行為,以適應(yīng)目標(biāo)的變化。例如,ATOM[1](Accurate Tracking Overlap Maximization)通過設(shè)計(jì)兩個(gè)模塊,一個(gè)模塊進(jìn)行訓(xùn)練,不斷增強(qiáng)檢測(cè)框與真實(shí)結(jié)果重疊率,另一個(gè)模塊則是分類模塊,用于前景背景判別,以此獲得更高的跟蹤精度。PrDiMP[2](Probabilistic Regression for Visual Tracking)則在ATOM 基礎(chǔ)上,通過融合置信度回歸方法,進(jìn)一步優(yōu)化概率回歸模型,取得更加準(zhǔn)確的回歸結(jié)果。另一類基于深度學(xué)習(xí)的目標(biāo)跟蹤算法則采用孿生神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu),以SiamRPN[3]為基礎(chǔ)的許多目標(biāo)跟蹤算法將目標(biāo)跟蹤看作一個(gè)相似度匹配問題,通過學(xué)習(xí)模板和搜索區(qū)域的相似度來(lái)進(jìn)行目標(biāo)定位,配合復(fù)雜的特征后處理來(lái)應(yīng)對(duì)目標(biāo)遮擋、目標(biāo)消失等挑戰(zhàn)。如通過級(jí)聯(lián)區(qū)域建議網(wǎng)絡(luò)(Region Proposal Network,RPN)[4,5],來(lái)生成更多的區(qū)域建議框,以達(dá)到更準(zhǔn)確的跟蹤。此外,還有一些目標(biāo)跟蹤算法利用分割技術(shù),在原有的分類和回歸分支基礎(chǔ)上,增加預(yù)測(cè)目標(biāo)分割掩碼的分支[6-7],通過分割算法將目標(biāo)分割出來(lái),將跟蹤問題轉(zhuǎn)化為一個(gè)前背景分類問題,實(shí)現(xiàn)跟蹤和分割的互補(bǔ),提高了跟蹤的準(zhǔn)確性。以上算法均取得不錯(cuò)成績(jī),但由于引入復(fù)雜的特征后處理,導(dǎo)致更多的計(jì)算,并且更加依賴超參的設(shè)置。總的來(lái)說(shuō),基于深度學(xué)習(xí)的目標(biāo)跟蹤算法已經(jīng)取得了一定進(jìn)展,但面對(duì)目標(biāo)完全遮擋時(shí),算法很難找到目標(biāo)位置,往往需要設(shè)計(jì)繁瑣的手工特征和復(fù)雜的特征后處理。

    在最近,F(xiàn)ei Xie 等人提出EoC[8](Extract or Correlation)模塊,EoC 模塊中集合了自注意力和交叉注意力(Self-Attention,SA;Cross-Attention,CA),作者以EoC 模塊構(gòu)建骨干網(wǎng)絡(luò),通過在特征提取過程中不斷計(jì)算相關(guān)性,獲得良好的跟蹤性能。而Yutao Cui 等人則在MixFormer[9]中提出了一種混合注意模塊(Mixed Attention Module,MAM),可以同時(shí)進(jìn)行特征提取和特征融合,獲得優(yōu)異的算法性能。

    同時(shí),在目標(biāo)分割領(lǐng)域,針對(duì)時(shí)間信息利用不充分的問題,Oh Seoung Wug 等人提出了一種基于時(shí)空記憶網(wǎng)絡(luò)的視頻對(duì)象分割方法[10],通過在時(shí)間和空間維度上建立記憶單元來(lái)捕捉視頻中對(duì)象的運(yùn)動(dòng)和形狀信息。Xie Haozhe 等人提出了一種高效的區(qū)域記憶網(wǎng)絡(luò)[11],通過學(xué)習(xí)目標(biāo)區(qū)域和背景區(qū)域之間的相互關(guān)系來(lái)提高分割精度和效率。Paul Matthieu 等人提出了一種局部記憶注意力網(wǎng)絡(luò)[12],利用局部上下文信息來(lái)提高分割效果,并加速模型推理。Wang Hao 等人提出了一種時(shí)序記憶注意力網(wǎng)絡(luò)[13],通過在時(shí)間維度上建立記憶單元來(lái)建模視頻序列的長(zhǎng)期依賴關(guān)系,從而提高視頻對(duì)象分割的精度。

    綜上所述,為解決目標(biāo)跟蹤中常見的目標(biāo)遮擋問題,本文算法結(jié)合相關(guān)濾波和MixFormer 的思想,提出一種自適應(yīng)特征匹配網(wǎng)絡(luò),該網(wǎng)絡(luò)通過目標(biāo)特征互相關(guān)計(jì)算,對(duì)目標(biāo)特征進(jìn)行自適應(yīng)加權(quán),提高特征匹配準(zhǔn)確度。同時(shí),本文借鑒分割領(lǐng)域中記憶網(wǎng)絡(luò)的思想,構(gòu)建一個(gè)特征記憶網(wǎng)絡(luò),用于緩解目標(biāo)跟蹤中時(shí)間信息利用不充分問題。通過利用特征記憶網(wǎng)絡(luò),算法能夠更好地適應(yīng)跟蹤目標(biāo)在時(shí)間序列中的運(yùn)動(dòng)和變化,即使在目標(biāo)完全遮擋時(shí)也能自適應(yīng)推斷目標(biāo)位置,從而提高跟蹤的精度和穩(wěn)定性。在數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明,本文算法在解決目標(biāo)遮擋問題方面具有更好的表現(xiàn),能夠更準(zhǔn)確地跟蹤目標(biāo),并且在完全遮擋情況下也能保持較高的跟蹤精度。

    2 自適應(yīng)特征匹配網(wǎng)絡(luò)

    針對(duì)目標(biāo)遮擋的自適應(yīng)特征匹配網(wǎng)絡(luò)算法框架在文獻(xiàn)[14]的基礎(chǔ)上構(gòu)建,如圖1 所示,可將其分為四個(gè)部分:骨干網(wǎng)絡(luò)、自適應(yīng)特征匹配網(wǎng)絡(luò)(Adept Feature Match Network,AFMN)、特征記憶網(wǎng)絡(luò)(Feature Memory Network,F(xiàn)MN)、分類回歸網(wǎng)絡(luò)。

    圖1 整體網(wǎng)絡(luò)框架Fig.1 Overall network framework

    2.1 骨干網(wǎng)絡(luò)

    在運(yùn)動(dòng)目標(biāo)的處理過程中,常常會(huì)遭遇尺度變化和遮擋等問題,這時(shí)無(wú)法獲取完整的目標(biāo)特征,只能獲得局部特征,這就可能導(dǎo)致跟蹤錯(cuò)誤。因此,本文旨在研究如何有效利用局部特征。為實(shí)現(xiàn)這一目標(biāo),本文采用Inception V3 作為骨干網(wǎng)絡(luò),并進(jìn)行遷移學(xué)習(xí)。Inception V3 同時(shí)使用多個(gè)尺度的卷積核來(lái)提取特征,這種設(shè)計(jì)使得模型能夠適應(yīng)不同尺度的圖像,提高了模型的魯棒性。此外,該模型還采用1×1 卷積核來(lái)減少模型的參數(shù)量和計(jì)算復(fù)雜度,同時(shí)增加了模型的非線性和表達(dá)能力。通過卷積層、池化層、批量歸一化等操作,該模型將輸入圖像轉(zhuǎn)換為高維特征向量,并逐漸提取越來(lái)越抽象的特征,以區(qū)分不同的目標(biāo),為后續(xù)處理和跟蹤任務(wù)提供支持。

    在訓(xùn)練過程中,使用相同的結(jié)構(gòu)來(lái)構(gòu)建查詢幀和記憶幀的骨干網(wǎng)絡(luò),但不共享它們之間的權(quán)重,將其分別表示為Φq,Φm。在骨干網(wǎng)絡(luò)提取特征完成后,分別使用自適應(yīng)卷積層τq,τm對(duì)骨干網(wǎng)絡(luò)的輸出進(jìn)行處理,以適應(yīng)后續(xù)的特征處理操作,具體可用公式表示為:

    2.2 AFMN

    在目標(biāo)跟蹤中,大多數(shù)算法通常依賴目標(biāo)區(qū)域特征來(lái)進(jìn)行跟蹤。然而,當(dāng)目標(biāo)發(fā)生遮擋時(shí),無(wú)法獲取目標(biāo)完整信息,導(dǎo)致算法在前背景分類和檢測(cè)框回歸時(shí)出現(xiàn)偏差,使得預(yù)測(cè)位置偏離實(shí)際軌跡,就會(huì)產(chǎn)生跟蹤漂移的問題,如圖2 所示。

    圖2 跟蹤漂移示意圖Fig.2 Schematic diagram of tracking drift

    針對(duì)目標(biāo)遮擋產(chǎn)生的跟蹤漂移問題,分析其產(chǎn)生原因,以圖2 為例,由分?jǐn)?shù)響應(yīng)圖可以看出,在分類階段,由于目標(biāo)被遮擋,目標(biāo)區(qū)域得分急劇降低,又因?yàn)榇嬖谂c目標(biāo)相似的背景,導(dǎo)致算法錯(cuò)誤的給背景賦予較高分?jǐn)?shù),而將目標(biāo)分類為背景。由跟蹤圖可以看出,在回歸階段,受前背景分類的影響,導(dǎo)致回歸精度大大降低。進(jìn)一步,在進(jìn)行下一幀跟蹤時(shí),由于受到前一幀跟蹤結(jié)果的影響,算法將上一幀跟蹤結(jié)果進(jìn)行特征匹配,使算法誤把背景作為目標(biāo)進(jìn)行跟蹤,造成了跟蹤漂移的問題。

    針對(duì)上述問題,本文在實(shí)驗(yàn)中發(fā)現(xiàn),獲得骨干網(wǎng)絡(luò)提取的特征后,其多通道的特征圖中存在許多相似或重復(fù)的特征,這可能會(huì)對(duì)特征匹配造成干擾,尤其在目標(biāo)遮擋時(shí)更為明顯。

    為解決這個(gè)問題,如圖3 所示,對(duì)骨干網(wǎng)絡(luò)的輸出fq和fm,將其按通道拆分為h份,拆分過程可表示為:

    圖3 特征圖拆分示意圖Fig.3 Schematic diagram of feature map splitting

    將二者進(jìn)行分頭后,不僅可以解決相似和重復(fù)特征對(duì)跟蹤造成的影響,還可以通過多次計(jì)算fq和fm之間的相似度,對(duì)二者的相似性關(guān)系進(jìn)行多維度觀察,提高特征的利用效率,并進(jìn)行自適應(yīng)的特征檢索,為特征匹配提供更多參考,減小誤判的可能。如圖4 所示,在進(jìn)行特征圖拆分后,通過多次計(jì)算相似性關(guān)系,生成多個(gè)目標(biāo)響應(yīng),為算法提供更多選擇,通過訓(xùn)練,最終實(shí)現(xiàn)正確的跟蹤。

    圖4 多響應(yīng)分?jǐn)?shù)圖Fig.4 Multi-response fractional graph

    因此,為了更準(zhǔn)確地確定目標(biāo)位置,本文將骨干網(wǎng)絡(luò)提取的特征進(jìn)行分頭,提出一種基于相關(guān)濾波和注意力的方法,計(jì)算目標(biāo)逐像素的相似度,通過被遮擋目標(biāo)暴露部分進(jìn)行局部到局部的特征匹配,從而顯著提高目標(biāo)定位精度。該方法將特征圖轉(zhuǎn)換為一維向量,并通過計(jì)算特征圖向量像素間的點(diǎn)積相似度,判斷不同特征之間的互相關(guān)程度。然后,將這些點(diǎn)積相似度作為權(quán)重系數(shù)組成權(quán)重矩陣,對(duì)記憶幀特征圖進(jìn)行加權(quán),篩選目標(biāo)特征,并與查詢幀特征拼接,最終進(jìn)行分類回歸操作,實(shí)現(xiàn)自適應(yīng)的特征匹配。這種方法可以更好地解決目標(biāo)遮擋問題,提高跟蹤算法的精度和魯棒性。整體結(jié)構(gòu)圖如圖5 所示。

    圖5 AFMN 結(jié)構(gòu)圖Fig.5 AFMN block diagram

    圖6 特征圖向量示意圖Fig.6 Schematic diagram of feature map vector

    隨后,通過矩陣乘法計(jì)算向量qi和mj之間的點(diǎn)積相似度,由點(diǎn)積的幾何意義可知,兩個(gè)向量之間的點(diǎn)積結(jié)果越大,則代表兩個(gè)向量越相似,以此獲得權(quán)重矩陣wk,可表達(dá)為如式(4)所示:

    式中,通過矩陣乘法的方式,實(shí)現(xiàn)了計(jì)算不同特征圖像素之間的點(diǎn)積相似度為計(jì)算獲得的2 維矩陣,其中每個(gè)元素代表了和特征圖任意兩個(gè)像素點(diǎn)之間的相似程度。隨后,使用softmax 函數(shù)對(duì)其進(jìn)行歸一化處理,為權(quán)重矩陣不同元素賦予相似度分?jǐn)?shù),將其表達(dá)為式(5)的形式,式中,exp 為指數(shù)操作,作為除數(shù)防止指數(shù)操作過程中數(shù)值溢出,θ為qi和mj的相似度夾角??梢缘贸?,wk經(jīng)過softmax 函數(shù)歸一化處理后,其中每一元素都根據(jù)相似程度被賦予不同的相似度分?jǐn)?shù),將其對(duì)進(jìn)行特征加權(quán),便可對(duì)中不同目標(biāo)特征實(shí)現(xiàn)自適應(yīng)的注意操作,可表達(dá)為如式(6)所示:

    式中,為方便計(jì)算,將權(quán)重矩陣wk進(jìn)行轉(zhuǎn)置,表達(dá)為(wk)T,并與'進(jìn)行矩陣乘法計(jì)算,其中,,包含了和任意兩個(gè)特征圖像素點(diǎn)的點(diǎn)積相似度,則包含記憶幀C h個(gè)通道的特征圖像素點(diǎn)。使用權(quán)重矩陣wk對(duì)的每一通道、每一像素點(diǎn)進(jìn)行自適應(yīng)加權(quán),以關(guān)注的不同區(qū)域,并獲得概率矩陣Mk,并將其簡(jiǎn)化為式(7)。式中,cosθ,cosβ為向量點(diǎn)積之間的夾角,i,j分別為qi和mj的索引,v為mj像素點(diǎn)的索引。當(dāng)i,v=1 時(shí),代表特征圖第1 個(gè)像素點(diǎn)與第1 個(gè)通道特征圖的全部像素點(diǎn)相似度總分。當(dāng)i=HW,v=C h時(shí),代表特征圖第HW個(gè)像素點(diǎn)與第C h個(gè)通道特征圖的全部像素點(diǎn)相似度總分。

    圖7 點(diǎn)積相似度計(jì)算Fig.7 Calculation of point-product similarity

    其中:h為所分頭數(shù),k為頭數(shù)的索引,C,H,W分別表示矩陣的行數(shù)、列數(shù)和通道數(shù)。

    通過式(8)計(jì)算得到的概率矩陣涵蓋記憶幀中所有可能目標(biāo)特征,即使目標(biāo)被部分遮擋也能自適應(yīng)檢索目標(biāo)的局部特征,并通過局部特征匹配來(lái)完成跟蹤過程。將該概率矩陣與查詢幀特征矩陣進(jìn)行拼接,可得到AFMN 模型的最終輸出Y。具體可表達(dá)為:

    該輸出能夠指導(dǎo)后續(xù)的分類和跟蹤任務(wù)。具體來(lái)說(shuō),上述方法獲得的輸出能夠有效關(guān)注目標(biāo)特征信息,在進(jìn)行特征匹配時(shí)給予目標(biāo)所在區(qū)域更高的評(píng)分,從而實(shí)現(xiàn)更精確的跟蹤結(jié)果。

    2.3 FMN

    為有效利用歷史幀提供的目標(biāo)信息,本文算法將回歸跟蹤框后的圖像幀存儲(chǔ)在特征記憶網(wǎng)絡(luò)中。在每次跟蹤新的查詢幀時(shí),從FMN 中選擇相應(yīng)的記憶圖像,并通過骨干網(wǎng)絡(luò)進(jìn)行特征提取。由于孿生神經(jīng)網(wǎng)絡(luò)的特性,骨干網(wǎng)絡(luò)可以提取與查詢幀目標(biāo)相似的特征。將記憶特征與查詢幀特征一起輸入到AFMN 中,即使目標(biāo)被遮擋,由于AFMN 是逐像素計(jì)算相似度,因此也可以實(shí)現(xiàn)局部到局部的特征匹配。本文認(rèn)為初始幀包含最準(zhǔn)確的目標(biāo)特征,而與查詢幀相近的記憶幀包含與查詢幀最相似的特征,因此記憶幀包含第一幀和查詢幀的前一幀,余下T-2 幀通過以下公式來(lái)進(jìn)行選?。?/p>

    其中:T為要選取的幀數(shù),P為當(dāng)前幀的索引,l為間隔系數(shù),即隔多少幀選取一張記憶幀,idx即為最終的記憶幀索引。通過記憶幀的選取,整個(gè)算法通過對(duì)多幀目標(biāo)位置進(jìn)行學(xué)習(xí),在目標(biāo)被完全遮擋時(shí),也可以自適應(yīng)推測(cè)目標(biāo)存在位置,并具有較高的精度。

    2.4 分類回歸網(wǎng)絡(luò)

    根據(jù)文獻(xiàn)[15]閱讀發(fā)現(xiàn),無(wú)錨檢測(cè)器在檢測(cè)框的標(biāo)定和回歸方面表現(xiàn)更佳且參數(shù)更少,因此采用無(wú)錨頭網(wǎng)絡(luò)進(jìn)行分類回歸任務(wù)。如圖8 所示,該網(wǎng)絡(luò)包含分類分支、中心度分支和回歸分支,每個(gè)分支分別使用輕量級(jí)網(wǎng)絡(luò)γcls,γreg中的七個(gè)卷積層對(duì)AFMN 傳入的數(shù)據(jù)進(jìn)行處理,然后使用單個(gè)卷積層wcls,wctr,wreg將其降維以進(jìn)行分類回歸。分類分支用于目標(biāo)背景分類,中心度分支使用FCOS的中心度公式來(lái)加強(qiáng)預(yù)測(cè)框回歸效果,回歸分支直接估計(jì)目標(biāo)位置并進(jìn)行檢測(cè)框標(biāo)定。

    圖8 分類回歸網(wǎng)絡(luò)Fig.8 Classification regression network

    在本任務(wù)中,為解決目標(biāo)遮擋問題,采用一系列損失函數(shù)。首先,分類分支采用FocalLoss損失函數(shù),可用公式表示為:

    其中:Loss表示損失函數(shù)值,N表示批次大小,H和W分別表示預(yù)測(cè)結(jié)果的高度和寬度,pij表示預(yù)測(cè)結(jié)果中位置i,j的概率,mij表示掩碼,α和γ是可調(diào)節(jié)的超參數(shù),用于表示損失的重要程度。該損失函數(shù)能夠有效應(yīng)對(duì)樣本不均衡的情況。通過調(diào)整難易樣本的權(quán)重,F(xiàn)ocalLoss 使模型更關(guān)注難以跟蹤的目標(biāo),從而提高對(duì)少數(shù)類別目標(biāo)的學(xué)習(xí)能力,進(jìn)一步提升跟蹤準(zhǔn)確性。

    其次,中心度分支使用交叉熵?fù)p失函數(shù),并結(jié)合特征圖像素點(diǎn)與目標(biāo)中心點(diǎn)的距離進(jìn)行權(quán)重賦值??捎霉奖硎緸椋?/p>

    其中:yi是目標(biāo)中心度的標(biāo)簽,y?i是預(yù)測(cè)的中心度值,N是樣本的數(shù)量,λ是權(quán)重參數(shù),用于調(diào)節(jié)損失值權(quán)重。通過交叉熵?fù)p失函數(shù)對(duì)比預(yù)測(cè)的中心度值和目標(biāo)中心度的標(biāo)簽值,來(lái)衡量模型的中心度預(yù)測(cè)準(zhǔn)確程度,并對(duì)背景標(biāo)簽進(jìn)行了排除。最終計(jì)算所有樣本損失的平均值,并根據(jù)權(quán)重參數(shù)進(jìn)行損失調(diào)節(jié)。這種距離加權(quán)策略能夠抑制遠(yuǎn)離目標(biāo)中心點(diǎn)的像素得分,使模型更加關(guān)注目標(biāo)的中心區(qū)域。

    對(duì)于回歸分支,采用IOU 損失函數(shù)來(lái)擬合更準(zhǔn)確的預(yù)測(cè)框坐標(biāo)??捎霉奖硎緸椋?/p>

    式中,IOU代表預(yù)測(cè)框與標(biāo)簽的交并比。

    最后,將上述損失函數(shù)作為子損失函數(shù),采用多元交叉熵?fù)p失進(jìn)行最終的損失計(jì)算,權(quán)重比例為0.2∶0.2∶0.6。這樣的設(shè)置在文獻(xiàn)[14]中得到了論證,能夠綜合考慮分類、中心度和回歸任務(wù),使模型更好地適應(yīng)目標(biāo)跟蹤任務(wù)的特性,提升整體性能。

    3 實(shí)驗(yàn)結(jié)果分析

    3.1 實(shí)驗(yàn)設(shè)計(jì)

    本文網(wǎng)絡(luò)使用GOT-10k,COCO 和LaSOT數(shù)據(jù)集進(jìn)行訓(xùn)練。骨干網(wǎng)絡(luò)采用預(yù)訓(xùn)練的Inception V3 模型,將AFMN 的h和FMN 的T都設(shè)為3,訓(xùn)練過程采用SGD 優(yōu)化器,整個(gè)訓(xùn)練過程包括20 個(gè)周期,每個(gè)周期包含38 000 個(gè)數(shù)據(jù),初始學(xué)習(xí)率設(shè)為1×10-6,在第一個(gè)周期,采用線性學(xué)習(xí)率,使其增長(zhǎng)至6×10-3,隨后兩個(gè)周期,采用余弦退火學(xué)習(xí)率,學(xué)習(xí)率從6×10-3呈余弦變化下降至1×10-6,并在后續(xù)所有周期中保持1×10-6不變。

    3.2 算法對(duì)比

    為了全面地驗(yàn)證本文算法的有效性,在多個(gè)目標(biāo)跟蹤數(shù)據(jù)集上進(jìn)行了測(cè)試,包括OTB-2015,VOT2018,GOT-10k 和LaSOT 數(shù)據(jù)集。這些數(shù)據(jù)集具有挑戰(zhàn)性和多樣性,能夠評(píng)估算法在不同場(chǎng)景下的魯棒性和準(zhǔn)確性。

    在測(cè)試中,本文算法表現(xiàn)出良好的跟蹤效果。如表1 所示,算法在OTB-2015 數(shù)據(jù)集上表現(xiàn)出色,跟蹤精度優(yōu)于大多數(shù)的跟蹤器。但在VOT2018 數(shù)據(jù)集中,如表2 所示,跟蹤準(zhǔn)確度低于絕大多數(shù)跟蹤器,魯棒性卻優(yōu)于其他跟蹤器,這是因?yàn)閂OT2018 評(píng)估工具中所提供的跟蹤框是旋轉(zhuǎn)的,而本文算法回歸的跟蹤框是平行于x軸和y軸的,因此在VOT2018 數(shù)據(jù)集中的表現(xiàn)會(huì)受到一定影響,但這也側(cè)面印證了本文算法具有良好的魯棒性。此外,如表3 所示,在GOT-10k數(shù)據(jù)集上,算法也取得很好的跟蹤效果,相比于STMTrack 算法,AO提高了1.8%,SR0.5提高了2.4%,SR0.75提高了1.9%,并且超過了平均性能水平。在LaSOT 數(shù)據(jù)集上,本文算法也表現(xiàn)出了競(jìng)爭(zhēng)力,能夠在跟蹤任務(wù)中取得良好的結(jié)果??偟膩?lái)說(shuō),本文算法在多個(gè)數(shù)據(jù)集上的測(cè)試結(jié)果都表現(xiàn)出了較好的魯棒性和準(zhǔn)確性。同時(shí),針對(duì)目標(biāo)遮擋、目標(biāo)消失和背景干擾等情況時(shí),具有更高的魯棒性。面對(duì)復(fù)雜場(chǎng)景時(shí)的跟蹤效果在可視化分析部分進(jìn)行展示。

    表1 在OTB-2015 數(shù)據(jù)集上,AFMN 與其他跟蹤器的比較Tab.1 On the OTB-2015 dataset, AFMN compares to other trackers

    表2 在VOT2018數(shù)據(jù)集上,AFMN 與其他跟蹤器的比較Tab.2 AFMN compares to other trackers on VOT2018 dataset

    表3 在GOT-10k 和LaSOT 數(shù)據(jù)集上,AFMN 與其他跟蹤器的比較Tab.3 AFMN compares to other trackers on GOT-10k and LaSOT dataset

    3.3 可視化分析

    為了驗(yàn)證本文算法在目標(biāo)遮擋場(chǎng)景下的性能,本節(jié)使用包含遮擋目標(biāo)的視頻序列進(jìn)行算法性能的評(píng)估和分析,將本算法與STMTrack 算法進(jìn)行對(duì)比,如圖9 所示,本文算法在面對(duì)目標(biāo)遮擋和目標(biāo)消失時(shí),仍然可以準(zhǔn)確對(duì)目標(biāo)進(jìn)行定位和跟蹤,在圖9(c)中,目標(biāo)被完全遮擋,由于本文算法是多記憶幀計(jì)算目標(biāo)相似度,網(wǎng)絡(luò)可以隱性的學(xué)習(xí)目標(biāo)運(yùn)動(dòng)趨勢(shì),進(jìn)而對(duì)目標(biāo)所在位置進(jìn)行估計(jì),所以實(shí)現(xiàn)了更準(zhǔn)確的跟蹤。這些結(jié)果表明,本文算法可以有效地解決遮擋問題,提高跟蹤精度和魯棒性。進(jìn)一步證明了本文算法在目標(biāo)遮擋狀態(tài)下的有效性。

    圖9 可視化對(duì)比Fig.9 Visual comparison

    同時(shí),圖10 展示了本文算法在目標(biāo)遮擋場(chǎng)景下更多的跟蹤效果,在圖10(a),圖10(c)和圖10(d)中,目標(biāo)被部分遮擋,均實(shí)現(xiàn)了準(zhǔn)確跟蹤,在圖10(b)中,目標(biāo)短時(shí)間內(nèi)完全消失,本文算法依舊自適應(yīng)推斷出了目標(biāo)位置。實(shí)驗(yàn)結(jié)果表明,本文算法在目標(biāo)遮擋狀態(tài)下具有良好的魯棒性和穩(wěn)定性。

    圖10 目標(biāo)遮擋場(chǎng)景下的可視化結(jié)果Fig.10 Visualization results in the object occlusion scenario

    3.4 消融實(shí)驗(yàn)

    為驗(yàn)證AFMN 中特征圖拆分份數(shù)對(duì)跟蹤結(jié)果的影響,僅在GOT-10k 數(shù)據(jù)集上進(jìn)行訓(xùn)練和測(cè)試。該數(shù)據(jù)集包含超過10 000 個(gè)視頻序列,其中涵蓋了大量目標(biāo)遮擋場(chǎng)景,因此能夠有效驗(yàn)證本文算法的有效性。實(shí)驗(yàn)結(jié)果如表4 所示。

    表4 h 對(duì)AO 的影響Tab.4 Influence of h on AO

    根據(jù)表4 可以得出結(jié)論:當(dāng)特征圖被拆分為3 份時(shí),跟蹤效果最佳。這是因?yàn)樘卣鲌D中存在許多重復(fù)的特征通道,將其分成多份后可以進(jìn)行多個(gè)角度的相似度比較。但由于特征圖通道數(shù)有限,若份數(shù)過多,則每份所包含的目標(biāo)特征就不足以充分表達(dá)目標(biāo)特性,會(huì)忽略部分特征,從而導(dǎo)致跟蹤精度降低。

    為驗(yàn)證FMN 中記憶幀數(shù)對(duì)跟蹤結(jié)果的影響,同樣在GOT-10k 數(shù)據(jù)集上進(jìn)行訓(xùn)練和測(cè)試,并得到實(shí)驗(yàn)結(jié)果,如表5 所示。

    表5 T 對(duì)AO 的影響Tab.5 Influence of T on AO

    根據(jù)表5 的數(shù)據(jù),當(dāng)記憶幀數(shù)為3 時(shí),跟蹤效果最佳。這是因?yàn)檫^少的記憶幀無(wú)法提供足夠的目標(biāo)表觀信息,從而導(dǎo)致跟蹤結(jié)果不佳。而當(dāng)記憶幀過多時(shí),如在目標(biāo)遮擋的場(chǎng)景中,跟蹤器會(huì)更傾向于匹配相似度最高的區(qū)域,而忽略被遮擋的目標(biāo),從而導(dǎo)致跟蹤精度降低。因此,選擇適當(dāng)?shù)挠洃泿瑪?shù)可以提高跟蹤器的性能。

    4 結(jié) 論

    本文針對(duì)目標(biāo)遮擋問題提出了一種自適應(yīng)特征匹配網(wǎng)絡(luò),該網(wǎng)絡(luò)通過一個(gè)有效的模塊AFMN 對(duì)骨干網(wǎng)絡(luò)提取的特征進(jìn)行處理,并將目標(biāo)遮擋問題轉(zhuǎn)化為背景估計(jì)和目標(biāo)位置估計(jì)的聯(lián)合優(yōu)化問題,通過計(jì)算記憶幀與查詢幀的像素級(jí)相似度,將目標(biāo)和背景分別編碼,進(jìn)而確定某一區(qū)域?qū)儆诒尘盎蚰繕?biāo),以此來(lái)提高目標(biāo)跟蹤的精度和魯棒性。并且,通過特征記憶網(wǎng)絡(luò)對(duì)記憶幀進(jìn)行挑選和保存,為特征匹配提供額外的表觀信息,同時(shí)使網(wǎng)絡(luò)隱性的學(xué)習(xí)目標(biāo)運(yùn)動(dòng)趨勢(shì),進(jìn)而實(shí)現(xiàn)更好的跟蹤結(jié)果。在Got-10k 數(shù)據(jù)集上的實(shí)驗(yàn)結(jié)果表明,本文所提出的算法與STMTrack算法相比,AO值提升1.8%,SR0.5提升2.4%,SR0.75提升1.9%,在使用一張NVIDIA 1080Ti顯卡時(shí),運(yùn)行速度可達(dá)21 FPS。并且在處理目標(biāo)遮擋問題時(shí)具有良好的性能表現(xiàn),與當(dāng)前流行的目標(biāo)跟蹤算法相比具有更高的精度和更強(qiáng)的魯棒性。

    猜你喜歡
    集上魯棒性像素點(diǎn)
    Cookie-Cutter集上的Gibbs測(cè)度
    荒漠綠洲區(qū)潛在生態(tài)網(wǎng)絡(luò)增邊優(yōu)化魯棒性分析
    鏈完備偏序集上廣義向量均衡問題解映射的保序性
    基于確定性指標(biāo)的弦支結(jié)構(gòu)魯棒性評(píng)價(jià)
    基于canvas的前端數(shù)據(jù)加密
    復(fù)扇形指標(biāo)集上的分布混沌
    基于逐像素點(diǎn)深度卷積網(wǎng)絡(luò)分割模型的上皮和間質(zhì)組織分割
    基于非支配解集的多模式裝備項(xiàng)目群調(diào)度魯棒性優(yōu)化
    西南交通大學(xué)學(xué)報(bào)(2016年6期)2016-05-04 04:13:11
    基于Node-Cell結(jié)構(gòu)的HEVC幀內(nèi)編碼
    女人久久www免费人成看片| 国产亚洲精品久久久久5区| 90打野战视频偷拍视频| 日本a在线网址| 亚洲国产欧美一区二区综合| 久久性视频一级片| 精品一区二区三区四区五区乱码| av网站在线播放免费| 亚洲av成人一区二区三| 丁香六月天网| 免费观看人在逋| 精品一区二区三区四区五区乱码| 午夜福利视频精品| 蜜桃国产av成人99| 亚洲国产日韩一区二区| 欧美日韩视频精品一区| 久久久久久久久免费视频了| 在线十欧美十亚洲十日本专区| 国产欧美日韩一区二区三区在线| a级片在线免费高清观看视频| 深夜精品福利| 亚洲一码二码三码区别大吗| 亚洲国产欧美在线一区| 91九色精品人成在线观看| 成年av动漫网址| www.999成人在线观看| 欧美黑人精品巨大| 一区福利在线观看| 国产成人系列免费观看| 久久亚洲精品不卡| 亚洲男人天堂网一区| 俄罗斯特黄特色一大片| 欧美xxⅹ黑人| 国产精品九九99| 久久精品人人爽人人爽视色| 90打野战视频偷拍视频| 亚洲av日韩在线播放| 69av精品久久久久久 | 91成人精品电影| 美女中出高潮动态图| 亚洲精品一二三| 午夜福利免费观看在线| 精品欧美一区二区三区在线| 黄色视频在线播放观看不卡| 精品人妻在线不人妻| 大型av网站在线播放| 91麻豆av在线| 久久狼人影院| 亚洲精华国产精华精| 亚洲国产中文字幕在线视频| 麻豆乱淫一区二区| 亚洲成人国产一区在线观看| 欧美日韩视频精品一区| 久久热在线av| 欧美精品亚洲一区二区| a级片在线免费高清观看视频| 一级,二级,三级黄色视频| 国产亚洲午夜精品一区二区久久| 777久久人妻少妇嫩草av网站| 少妇精品久久久久久久| 欧美xxⅹ黑人| 亚洲成国产人片在线观看| 国产亚洲精品一区二区www | 日韩 亚洲 欧美在线| 一区二区日韩欧美中文字幕| 久久免费观看电影| 50天的宝宝边吃奶边哭怎么回事| 女人被躁到高潮嗷嗷叫费观| 久久女婷五月综合色啪小说| 午夜激情久久久久久久| 男人爽女人下面视频在线观看| 亚洲精品一区蜜桃| 香蕉丝袜av| 少妇的丰满在线观看| 热99国产精品久久久久久7| 精品人妻1区二区| 叶爱在线成人免费视频播放| 亚洲国产中文字幕在线视频| 丝袜在线中文字幕| 中文字幕另类日韩欧美亚洲嫩草| 午夜激情久久久久久久| 老熟妇乱子伦视频在线观看 | 免费在线观看完整版高清| 人成视频在线观看免费观看| 性少妇av在线| 9色porny在线观看| 精品高清国产在线一区| 在线 av 中文字幕| 亚洲专区国产一区二区| 亚洲av成人不卡在线观看播放网 | 国产麻豆69| 午夜成年电影在线免费观看| 国产一区二区 视频在线| 咕卡用的链子| 亚洲熟女毛片儿| 日本91视频免费播放| 欧美黑人精品巨大| 国产伦人伦偷精品视频| 亚洲国产中文字幕在线视频| 欧美日韩亚洲高清精品| www.999成人在线观看| 一区在线观看完整版| 国产成人a∨麻豆精品| 人人妻,人人澡人人爽秒播| 亚洲九九香蕉| av天堂久久9| 不卡一级毛片| 久久人妻福利社区极品人妻图片| 首页视频小说图片口味搜索| 老熟妇乱子伦视频在线观看 | 日韩大片免费观看网站| 欧美日韩av久久| 国产精品久久久人人做人人爽| 电影成人av| 91大片在线观看| 999精品在线视频| 久久久国产精品麻豆| 操美女的视频在线观看| 国产精品1区2区在线观看. | 女人被躁到高潮嗷嗷叫费观| 亚洲七黄色美女视频| 午夜久久久在线观看| 国产精品国产三级国产专区5o| 亚洲,欧美精品.| 欧美日韩视频精品一区| 91九色精品人成在线观看| 精品国产一区二区三区四区第35| 嫁个100分男人电影在线观看| 搡老乐熟女国产| 丰满饥渴人妻一区二区三| 欧美激情极品国产一区二区三区| 可以免费在线观看a视频的电影网站| 亚洲va日本ⅴa欧美va伊人久久 | av网站在线播放免费| 久久人人爽人人片av| 99国产精品免费福利视频| 国产国语露脸激情在线看| 日韩免费高清中文字幕av| 搡老岳熟女国产| 亚洲精品日韩在线中文字幕| 久久 成人 亚洲| 少妇精品久久久久久久| 男人操女人黄网站| 女性被躁到高潮视频| 91麻豆精品激情在线观看国产 | 亚洲精品国产av蜜桃| 久久久国产精品麻豆| 777米奇影视久久| 九色亚洲精品在线播放| 亚洲av电影在线进入| 精品欧美一区二区三区在线| 性色av一级| 国产欧美日韩精品亚洲av| 久久这里只有精品19| 欧美 亚洲 国产 日韩一| 国产精品久久久av美女十八| 日韩视频一区二区在线观看| 免费观看a级毛片全部| 欧美日韩亚洲国产一区二区在线观看 | 两性夫妻黄色片| 国产97色在线日韩免费| 国产免费视频播放在线视频| 在线 av 中文字幕| 91字幕亚洲| 十八禁网站免费在线| 国产精品久久久久久人妻精品电影 | 亚洲精品国产精品久久久不卡| 老鸭窝网址在线观看| 最新在线观看一区二区三区| 久久亚洲精品不卡| 天天添夜夜摸| 国产成人av教育| 国产精品一区二区在线不卡| 亚洲专区字幕在线| 午夜视频精品福利| 1024香蕉在线观看| 黄色视频不卡| 久久国产精品影院| 国产亚洲一区二区精品| 蜜桃国产av成人99| 人妻 亚洲 视频| 欧美激情极品国产一区二区三区| 日韩人妻精品一区2区三区| 18禁裸乳无遮挡动漫免费视频| 黄片播放在线免费| 午夜两性在线视频| 午夜福利乱码中文字幕| 成年美女黄网站色视频大全免费| 欧美日韩一级在线毛片| 一区二区三区四区激情视频| 日韩 亚洲 欧美在线| av欧美777| 欧美在线一区亚洲| 欧美大码av| 午夜免费成人在线视频| 日本av免费视频播放| 我要看黄色一级片免费的| 免费在线观看完整版高清| 桃花免费在线播放| 少妇粗大呻吟视频| 国产成人精品无人区| 亚洲欧美日韩高清在线视频 | 午夜视频精品福利| 国产一卡二卡三卡精品| 黄片大片在线免费观看| 两性午夜刺激爽爽歪歪视频在线观看 | 亚洲天堂av无毛| 午夜91福利影院| 久久精品国产亚洲av香蕉五月 | 51午夜福利影视在线观看| 国产一区二区 视频在线| 国产亚洲av片在线观看秒播厂| 伊人亚洲综合成人网| 国产av国产精品国产| 欧美精品高潮呻吟av久久| 最新的欧美精品一区二区| 99九九在线精品视频| 欧美老熟妇乱子伦牲交| 久久久久视频综合| 乱人伦中国视频| 男女边摸边吃奶| 青青草视频在线视频观看| 亚洲精品国产av蜜桃| 高清黄色对白视频在线免费看| 亚洲精品国产色婷婷电影| 成人av一区二区三区在线看 | 少妇 在线观看| 国产精品.久久久| 少妇的丰满在线观看| 老司机靠b影院| 天堂中文最新版在线下载| 日本av手机在线免费观看| av在线app专区| 1024视频免费在线观看| 欧美性长视频在线观看| 国产精品一区二区在线观看99| 美女扒开内裤让男人捅视频| 91成人精品电影| 男人操女人黄网站| 日韩中文字幕欧美一区二区| 美女大奶头黄色视频| 黑人操中国人逼视频| 欧美老熟妇乱子伦牲交| av网站在线播放免费| 嫩草影视91久久| 丝袜人妻中文字幕| 两性午夜刺激爽爽歪歪视频在线观看 | 精品欧美一区二区三区在线| 亚洲伊人色综图| 中文欧美无线码| 精品久久久精品久久久| 欧美日本中文国产一区发布| 成人影院久久| 欧美黑人精品巨大| 成人三级做爰电影| 欧美精品高潮呻吟av久久| 中文字幕人妻熟女乱码| 在线观看www视频免费| 日本a在线网址| 亚洲国产精品一区三区| 久久久久久久国产电影| 自拍欧美九色日韩亚洲蝌蚪91| 久久久久精品国产欧美久久久 | 免费日韩欧美在线观看| 欧美 日韩 精品 国产| a级片在线免费高清观看视频| 亚洲国产欧美一区二区综合| 男女国产视频网站| 亚洲专区国产一区二区| 日本精品一区二区三区蜜桃| 亚洲人成电影免费在线| 精品国产国语对白av| 久久国产精品男人的天堂亚洲| 天堂中文最新版在线下载| svipshipincom国产片| 国产精品国产三级国产专区5o| 亚洲,欧美精品.| 日韩有码中文字幕| 又黄又粗又硬又大视频| 久久精品国产亚洲av香蕉五月 | 久久亚洲精品不卡| 午夜激情久久久久久久| 国产亚洲av片在线观看秒播厂| 制服诱惑二区| 超碰97精品在线观看| 男女之事视频高清在线观看| 亚洲av片天天在线观看| 久久女婷五月综合色啪小说| 男男h啪啪无遮挡| 91麻豆精品激情在线观看国产 | 91字幕亚洲| 黑人巨大精品欧美一区二区mp4| 女人爽到高潮嗷嗷叫在线视频| 亚洲精品第二区| 欧美在线黄色| 国产黄色免费在线视频| 亚洲精品美女久久久久99蜜臀| 久久精品成人免费网站| 免费在线观看日本一区| 亚洲精品一区蜜桃| 性色av乱码一区二区三区2| 男女国产视频网站| 激情视频va一区二区三区| 欧美日韩中文字幕国产精品一区二区三区 | 可以免费在线观看a视频的电影网站| 99国产精品一区二区三区| 亚洲精品美女久久av网站| 91大片在线观看| 80岁老熟妇乱子伦牲交| 亚洲国产欧美在线一区| 精品亚洲成国产av| 亚洲av男天堂| 亚洲av成人不卡在线观看播放网 | 亚洲精品一区蜜桃| 国产极品粉嫩免费观看在线| 欧美日韩黄片免| 久久久久国内视频| 日韩一区二区三区影片| 久久久久久久久久久久大奶| 97人妻天天添夜夜摸| 黄频高清免费视频| 欧美人与性动交α欧美软件| 精品免费久久久久久久清纯 | 国产麻豆69| 欧美少妇被猛烈插入视频| 成人手机av| 日本猛色少妇xxxxx猛交久久| 丝袜脚勾引网站| 国产日韩欧美在线精品| 高清黄色对白视频在线免费看| 一级毛片电影观看| 婷婷成人精品国产| 香蕉丝袜av| 两个人看的免费小视频| av在线app专区| 欧美在线一区亚洲| 亚洲 欧美一区二区三区| 在线观看一区二区三区激情| 最近最新免费中文字幕在线| 日日摸夜夜添夜夜添小说| 啦啦啦免费观看视频1| 日本av免费视频播放| 国产成+人综合+亚洲专区| 国产一卡二卡三卡精品| 性少妇av在线| 日韩中文字幕欧美一区二区| 国产欧美亚洲国产| 成人国语在线视频| 亚洲三区欧美一区| 亚洲精品美女久久久久99蜜臀| 波多野结衣一区麻豆| 99久久综合免费| 一区福利在线观看| 99香蕉大伊视频| 免费一级毛片在线播放高清视频 | 久久久久国产一级毛片高清牌| 国产视频一区二区在线看| 成人免费观看视频高清| 精品久久蜜臀av无| 老汉色∧v一级毛片| 黄频高清免费视频| 国产日韩一区二区三区精品不卡| 少妇粗大呻吟视频| 纵有疾风起免费观看全集完整版| 两个人看的免费小视频| 波多野结衣av一区二区av| 亚洲熟女精品中文字幕| 一本久久精品| 黄片小视频在线播放| 人妻久久中文字幕网| 99国产极品粉嫩在线观看| 国产黄色免费在线视频| 欧美人与性动交α欧美软件| 99国产精品一区二区蜜桃av | 窝窝影院91人妻| 黄色视频不卡| 久久精品国产综合久久久| 亚洲av电影在线进入| 亚洲欧美一区二区三区久久| 久久人妻熟女aⅴ| 欧美精品啪啪一区二区三区 | 91精品伊人久久大香线蕉| 久久久水蜜桃国产精品网| 中文字幕av电影在线播放| 性高湖久久久久久久久免费观看| 国产成人a∨麻豆精品| 国产一区二区三区在线臀色熟女 | 亚洲一码二码三码区别大吗| 美女国产高潮福利片在线看| 男女边摸边吃奶| 97人妻天天添夜夜摸| 1024视频免费在线观看| 欧美日韩黄片免| 久久香蕉激情| 亚洲av成人不卡在线观看播放网 | 精品视频人人做人人爽| 法律面前人人平等表现在哪些方面 | 亚洲熟女精品中文字幕| 12—13女人毛片做爰片一| 免费在线观看黄色视频的| 欧美+亚洲+日韩+国产| 99久久精品国产亚洲精品| 波多野结衣av一区二区av| 777米奇影视久久| 天天影视国产精品| 欧美国产精品一级二级三级| 一本一本久久a久久精品综合妖精| 成人影院久久| 19禁男女啪啪无遮挡网站| 热re99久久国产66热| 老司机影院毛片| 99久久99久久久精品蜜桃| 中文字幕另类日韩欧美亚洲嫩草| av不卡在线播放| 男女免费视频国产| 午夜福利影视在线免费观看| www.av在线官网国产| 成人三级做爰电影| 成人av一区二区三区在线看 | 啦啦啦视频在线资源免费观看| 久久狼人影院| 成人国语在线视频| 老熟妇仑乱视频hdxx| 丝袜人妻中文字幕| 黄频高清免费视频| 日本猛色少妇xxxxx猛交久久| 欧美激情久久久久久爽电影 | 日韩免费高清中文字幕av| 亚洲成人国产一区在线观看| 欧美日韩亚洲国产一区二区在线观看 | 午夜福利一区二区在线看| 日韩大片免费观看网站| 每晚都被弄得嗷嗷叫到高潮| 免费高清在线观看视频在线观看| 又黄又粗又硬又大视频| 久久久国产精品麻豆| 日本av手机在线免费观看| 18禁国产床啪视频网站| 真人做人爱边吃奶动态| 欧美性长视频在线观看| 亚洲一区二区三区欧美精品| 午夜视频精品福利| 首页视频小说图片口味搜索| 国产精品久久久人人做人人爽| 正在播放国产对白刺激| 大香蕉久久网| 欧美人与性动交α欧美软件| 亚洲av国产av综合av卡| 热re99久久精品国产66热6| 免费观看a级毛片全部| 久久久久久久国产电影| 桃花免费在线播放| 一区二区日韩欧美中文字幕| 久久99热这里只频精品6学生| 亚洲中文av在线| 亚洲欧美清纯卡通| 久久久久国内视频| 成年av动漫网址| 亚洲第一欧美日韩一区二区三区 | 日韩欧美免费精品| 亚洲一区中文字幕在线| 国产精品偷伦视频观看了| 999久久久精品免费观看国产| 久久香蕉激情| 欧美精品高潮呻吟av久久| 高清在线国产一区| 日韩熟女老妇一区二区性免费视频| 9191精品国产免费久久| 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| 日本av免费视频播放| 国产在线一区二区三区精| 夜夜夜夜夜久久久久| 精品人妻在线不人妻| 久久久久久久精品精品| 亚洲人成77777在线视频| 色婷婷久久久亚洲欧美| 中亚洲国语对白在线视频| 黄色 视频免费看| 成人国产av品久久久| 欧美激情极品国产一区二区三区| 99九九在线精品视频| 国产精品久久久久久人妻精品电影 | 亚洲国产欧美日韩在线播放| 国产成人欧美在线观看 | 青春草亚洲视频在线观看| 在线观看免费视频网站a站| 青青草视频在线视频观看| 国产精品.久久久| 日韩免费高清中文字幕av| 国产福利在线免费观看视频| 久久久久久免费高清国产稀缺| 青草久久国产| 丰满饥渴人妻一区二区三| 国产精品自产拍在线观看55亚洲 | 天天躁日日躁夜夜躁夜夜| 午夜福利,免费看| www.精华液| 亚洲欧美色中文字幕在线| 午夜老司机福利片| 飞空精品影院首页| 日本av免费视频播放| 亚洲精品国产区一区二| 久久九九热精品免费| 激情视频va一区二区三区| 国产精品成人在线| 精品少妇一区二区三区视频日本电影| 久久99一区二区三区| 老司机亚洲免费影院| 欧美xxⅹ黑人| 国产亚洲精品一区二区www | 丝袜脚勾引网站| 欧美xxⅹ黑人| 亚洲专区字幕在线| 黄频高清免费视频| 老司机亚洲免费影院| 人成视频在线观看免费观看| 9热在线视频观看99| 久久久久久久久久久久大奶| av免费在线观看网站| 久久精品成人免费网站| 日韩一区二区三区影片| 亚洲黑人精品在线| 亚洲精品一卡2卡三卡4卡5卡 | 国产精品一区二区免费欧美 | 久久 成人 亚洲| 在线看a的网站| 少妇 在线观看| 99热国产这里只有精品6| 悠悠久久av| 国产麻豆69| 一区二区日韩欧美中文字幕| 国产成人a∨麻豆精品| 久久免费观看电影| 久久精品国产a三级三级三级| 高清av免费在线| 久久av网站| 无限看片的www在线观看| 亚洲欧美精品自产自拍| 水蜜桃什么品种好| 麻豆av在线久日| 久久人人爽人人片av| 国产成人精品久久二区二区91| 欧美日韩一级在线毛片| 在线av久久热| 久久精品国产亚洲av香蕉五月 | 亚洲成人手机| 久久中文字幕一级| 不卡av一区二区三区| 一级,二级,三级黄色视频| 咕卡用的链子| 黄色 视频免费看| 90打野战视频偷拍视频| 欧美国产精品va在线观看不卡| 国产免费福利视频在线观看| 亚洲午夜精品一区,二区,三区| 人成视频在线观看免费观看| 秋霞在线观看毛片| 久久久国产成人免费| 国产精品99久久99久久久不卡| 欧美精品一区二区大全| 黄色视频在线播放观看不卡| 色精品久久人妻99蜜桃| 亚洲中文字幕日韩| 久久精品久久久久久噜噜老黄| 成年av动漫网址| 各种免费的搞黄视频| 天天躁狠狠躁夜夜躁狠狠躁| 高清av免费在线| 欧美变态另类bdsm刘玥| av一本久久久久| 久久亚洲国产成人精品v| 丁香六月欧美| 精品国产乱码久久久久久男人| 老司机深夜福利视频在线观看 | 久久人人爽av亚洲精品天堂| 女人久久www免费人成看片| 国产免费一区二区三区四区乱码| 大陆偷拍与自拍| 91九色精品人成在线观看| 国产成人精品无人区| 国产亚洲一区二区精品| 69精品国产乱码久久久| 亚洲少妇的诱惑av| www.精华液| 国产欧美日韩精品亚洲av| 丰满少妇做爰视频| 狠狠狠狠99中文字幕| 亚洲精品成人av观看孕妇| 制服诱惑二区| 国产日韩欧美亚洲二区| 亚洲国产欧美在线一区| 久热这里只有精品99| 久久国产精品人妻蜜桃| 国产一区二区激情短视频 | 老司机影院毛片| 国产精品久久久久成人av| 国产黄色免费在线视频| 蜜桃国产av成人99| 夜夜夜夜夜久久久久| 国产精品久久久人人做人人爽| 两个人看的免费小视频| 免费高清在线观看日韩| 手机成人av网站| 免费观看a级毛片全部| 日韩制服丝袜自拍偷拍| 2018国产大陆天天弄谢| 91麻豆精品激情在线观看国产 | 亚洲全国av大片| 午夜激情久久久久久久| 宅男免费午夜| 王馨瑶露胸无遮挡在线观看| 久久人妻福利社区极品人妻图片| a级毛片黄视频| 男人操女人黄网站|