• <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
    a级毛片黄视频| 国产xxxxx性猛交| 大片免费播放器 马上看| 成人国产麻豆网| 亚洲中文av在线| 久久精品国产a三级三级三级| 日本爱情动作片www.在线观看| 五月伊人婷婷丁香| 国产男女超爽视频在线观看| 涩涩av久久男人的天堂| 国产片特级美女逼逼视频| 男女高潮啪啪啪动态图| 制服丝袜香蕉在线| 国产精品国产av在线观看| 狂野欧美激情性bbbbbb| 中国国产av一级| 制服诱惑二区| 成人亚洲精品一区在线观看| 国产精品一国产av| 亚洲男人天堂网一区| 天天躁夜夜躁狠狠躁躁| 日韩免费高清中文字幕av| 2018国产大陆天天弄谢| 婷婷色麻豆天堂久久| 精品酒店卫生间| 久久久a久久爽久久v久久| 国语对白做爰xxxⅹ性视频网站| 在线观看三级黄色| 国产极品天堂在线| av有码第一页| 天天躁狠狠躁夜夜躁狠狠躁| 成年动漫av网址| av电影中文网址| 各种免费的搞黄视频| 日韩人妻精品一区2区三区| 亚洲久久久国产精品| 99久久人妻综合| www日本在线高清视频| 搡老乐熟女国产| 性少妇av在线| 国产成人精品无人区| 亚洲精品久久成人aⅴ小说| 免费看av在线观看网站| 午夜91福利影院| 97在线视频观看| 国产国语露脸激情在线看| 纵有疾风起免费观看全集完整版| 99久久人妻综合| 色播在线永久视频| 亚洲av福利一区| 日本av免费视频播放| 色网站视频免费| 久久久欧美国产精品| 成人二区视频| 老司机影院成人| 久久影院123| 一级毛片 在线播放| 欧美精品人与动牲交sv欧美| 亚洲欧美成人精品一区二区| 久久人人97超碰香蕉20202| 欧美日韩av久久| 黑人欧美特级aaaaaa片| 99热网站在线观看| 久久99精品国语久久久| 叶爱在线成人免费视频播放| 亚洲第一青青草原| 国产精品久久久av美女十八| 欧美成人精品欧美一级黄| 亚洲精品日本国产第一区| 三上悠亚av全集在线观看| 日本欧美国产在线视频| 一边摸一边做爽爽视频免费| www日本在线高清视频| 久久综合国产亚洲精品| 日韩一卡2卡3卡4卡2021年| 母亲3免费完整高清在线观看 | 宅男免费午夜| 飞空精品影院首页| 99久国产av精品国产电影| 久久久久人妻精品一区果冻| 亚洲美女视频黄频| 亚洲精品视频女| 中文字幕人妻丝袜一区二区 | 亚洲精品在线美女| 黄色怎么调成土黄色| 777米奇影视久久| 五月伊人婷婷丁香| 99精国产麻豆久久婷婷| 精品一区二区三卡| 性色av一级| 久久韩国三级中文字幕| 菩萨蛮人人尽说江南好唐韦庄| 91精品三级在线观看| 亚洲国产成人一精品久久久| 丝袜美足系列| 中文精品一卡2卡3卡4更新| 日韩视频在线欧美| 精品少妇一区二区三区视频日本电影 | 大片电影免费在线观看免费| 观看av在线不卡| 国产淫语在线视频| 欧美日韩国产mv在线观看视频| 国产日韩一区二区三区精品不卡| 爱豆传媒免费全集在线观看| 欧美日韩一级在线毛片| 99国产综合亚洲精品| 1024香蕉在线观看| 美女午夜性视频免费| 国产乱人偷精品视频| 一二三四在线观看免费中文在| 欧美国产精品一级二级三级| 街头女战士在线观看网站| 十八禁网站网址无遮挡| 考比视频在线观看| 美女国产高潮福利片在线看| 亚洲综合色网址| 亚洲精品aⅴ在线观看| 欧美+日韩+精品| 久久精品国产亚洲av天美| 精品国产超薄肉色丝袜足j| 女性被躁到高潮视频| 9191精品国产免费久久| 久久久久久久精品精品| √禁漫天堂资源中文www| xxx大片免费视频| 亚洲av成人精品一二三区| 国产精品国产三级专区第一集| 中文字幕另类日韩欧美亚洲嫩草| 美女高潮到喷水免费观看| 99re6热这里在线精品视频| 日韩在线高清观看一区二区三区| 一级爰片在线观看| 伊人久久国产一区二区| 人妻系列 视频| 97精品久久久久久久久久精品| 亚洲国产精品成人久久小说| 老司机亚洲免费影院| 99九九在线精品视频| 毛片一级片免费看久久久久| 久久久久久久精品精品| 在线观看美女被高潮喷水网站| 搡老乐熟女国产| 国产视频首页在线观看| 国产精品免费大片| 国产激情久久老熟女| 一级片'在线观看视频| 亚洲精品乱久久久久久| 菩萨蛮人人尽说江南好唐韦庄| 精品国产乱码久久久久久小说| 一区二区三区精品91| 亚洲人成电影观看| 亚洲精品视频女| 一级,二级,三级黄色视频| 日韩人妻精品一区2区三区| 中文天堂在线官网| 男女免费视频国产| 国产成人精品久久二区二区91 | 韩国av在线不卡| 777久久人妻少妇嫩草av网站| 丝袜脚勾引网站| 国产成人aa在线观看| 妹子高潮喷水视频| 一区二区三区乱码不卡18| 国产亚洲一区二区精品| 另类亚洲欧美激情| 日本黄色日本黄色录像| 80岁老熟妇乱子伦牲交| 美女中出高潮动态图| tube8黄色片| 久久久a久久爽久久v久久| 久久精品国产亚洲av天美| 久久精品久久久久久久性| 侵犯人妻中文字幕一二三四区| 精品少妇内射三级| 亚洲,一卡二卡三卡| 亚洲情色 制服丝袜| av国产精品久久久久影院| 午夜福利视频精品| 日日摸夜夜添夜夜爱| 亚洲内射少妇av| 又粗又硬又长又爽又黄的视频| 久久久久精品久久久久真实原创| 亚洲男人天堂网一区| 国产又爽黄色视频| 亚洲少妇的诱惑av| 丰满乱子伦码专区| 精品一区二区三区四区五区乱码 | 亚洲欧美精品自产自拍| 精品国产乱码久久久久久男人| 日韩熟女老妇一区二区性免费视频| 老汉色av国产亚洲站长工具| 欧美精品亚洲一区二区| 最近手机中文字幕大全| 亚洲欧美一区二区三区久久| 啦啦啦视频在线资源免费观看| 亚洲av电影在线观看一区二区三区| 777米奇影视久久| 日韩中文字幕视频在线看片| 精品一区二区三区四区五区乱码 | 男女高潮啪啪啪动态图| 亚洲内射少妇av| 午夜激情久久久久久久| 桃花免费在线播放| 亚洲av福利一区| 日韩三级伦理在线观看| 色婷婷av一区二区三区视频| 欧美日韩视频精品一区| 精品一区二区免费观看| 一级毛片 在线播放| 日日撸夜夜添| 男人操女人黄网站| 永久网站在线| 欧美xxⅹ黑人| 亚洲av国产av综合av卡| 午夜福利网站1000一区二区三区| 国产免费福利视频在线观看| 寂寞人妻少妇视频99o| 肉色欧美久久久久久久蜜桃| 熟女电影av网| 寂寞人妻少妇视频99o| 国产极品天堂在线| 日本午夜av视频| 日本wwww免费看| 看非洲黑人一级黄片| 成人黄色视频免费在线看| 中文字幕人妻熟女乱码| 亚洲第一区二区三区不卡| 欧美人与善性xxx| 成人午夜精彩视频在线观看| 少妇的逼水好多| 亚洲国产日韩一区二区| 老司机影院毛片| 亚洲av欧美aⅴ国产| 久久免费观看电影| 视频区图区小说| 色吧在线观看| 亚洲色图综合在线观看| 不卡av一区二区三区| 亚洲综合精品二区| 五月天丁香电影| 麻豆乱淫一区二区| 中文字幕制服av| 欧美精品高潮呻吟av久久| 国产午夜精品一二区理论片| 国产成人一区二区在线| 性高湖久久久久久久久免费观看| 制服丝袜香蕉在线| 国产黄频视频在线观看| 寂寞人妻少妇视频99o| 看免费成人av毛片| 岛国毛片在线播放| 欧美黄色片欧美黄色片| 宅男免费午夜| 精品少妇黑人巨大在线播放| 在线天堂最新版资源| 岛国毛片在线播放| 99国产综合亚洲精品| 国产福利在线免费观看视频| 这个男人来自地球电影免费观看 | 国产精品.久久久| 女性生殖器流出的白浆| 99精国产麻豆久久婷婷| 老司机影院毛片| 日本-黄色视频高清免费观看| 欧美精品一区二区免费开放| av片东京热男人的天堂| 国产一区亚洲一区在线观看| 多毛熟女@视频| 看免费av毛片| 一二三四中文在线观看免费高清| 丰满少妇做爰视频| 亚洲欧美日韩另类电影网站| 人妻少妇偷人精品九色| 秋霞在线观看毛片| 日本欧美国产在线视频| 亚洲四区av| 在线亚洲精品国产二区图片欧美| 一级爰片在线观看| 久久久久精品人妻al黑| 黄频高清免费视频| 午夜av观看不卡| 国产极品粉嫩免费观看在线| 一级毛片 在线播放| 久久热在线av| 一本久久精品| 中文字幕制服av| 国产日韩欧美亚洲二区| 日韩视频在线欧美| 日韩熟女老妇一区二区性免费视频| 久久ye,这里只有精品| 亚洲av福利一区| 久久97久久精品| 最近2019中文字幕mv第一页| 中文字幕亚洲精品专区| 美女午夜性视频免费| 欧美黄色片欧美黄色片| 亚洲国产日韩一区二区| 成人亚洲欧美一区二区av| 熟女电影av网| 在线观看免费日韩欧美大片| 久久久久国产一级毛片高清牌| 欧美日韩视频高清一区二区三区二| 日本欧美国产在线视频| 国产一级毛片在线| 亚洲成人一二三区av| 国产成人午夜福利电影在线观看| 99国产精品免费福利视频| 日本免费在线观看一区| 精品人妻熟女毛片av久久网站| 不卡视频在线观看欧美| 亚洲欧美一区二区三区黑人 | 中国国产av一级| 日韩伦理黄色片| 爱豆传媒免费全集在线观看| 校园人妻丝袜中文字幕| 美女国产高潮福利片在线看| 免费黄网站久久成人精品| 国产xxxxx性猛交| 九草在线视频观看| 只有这里有精品99| 亚洲国产av新网站| 日本爱情动作片www.在线观看| 男人爽女人下面视频在线观看| 亚洲伊人色综图| 老汉色av国产亚洲站长工具| 欧美精品人与动牲交sv欧美| 免费不卡的大黄色大毛片视频在线观看| 国产精品女同一区二区软件| 亚洲精品第二区| 久久精品aⅴ一区二区三区四区 | 日韩av在线免费看完整版不卡| 久久久久精品久久久久真实原创| 在线观看国产h片| 丝袜脚勾引网站| 一级爰片在线观看| 黑丝袜美女国产一区| 久久这里只有精品19| 国产片内射在线| 国产老妇伦熟女老妇高清| 丝袜喷水一区| 最近中文字幕2019免费版| 国产国语露脸激情在线看| 久久ye,这里只有精品| a 毛片基地| 日韩精品免费视频一区二区三区| 在线天堂最新版资源| 色吧在线观看| 国产在视频线精品| 女人高潮潮喷娇喘18禁视频| 岛国毛片在线播放| 国产欧美日韩综合在线一区二区| 久久99热这里只频精品6学生| 亚洲av综合色区一区| 久久精品国产亚洲av涩爱| 男人操女人黄网站| 校园人妻丝袜中文字幕| 熟妇人妻不卡中文字幕| 亚洲中文av在线| 亚洲av成人精品一二三区| 国产成人a∨麻豆精品| 精品99又大又爽又粗少妇毛片| 亚洲欧美成人精品一区二区| 中文天堂在线官网| 男女国产视频网站| 侵犯人妻中文字幕一二三四区| 考比视频在线观看| 午夜日本视频在线| 美女xxoo啪啪120秒动态图| 老女人水多毛片| 伊人久久大香线蕉亚洲五| 九草在线视频观看| 国产精品偷伦视频观看了| 人人妻人人澡人人看| 国产无遮挡羞羞视频在线观看| 国产熟女欧美一区二区| 五月开心婷婷网| 欧美激情高清一区二区三区 | 欧美精品av麻豆av| 久久精品国产亚洲av高清一级| 欧美日韩一区二区视频在线观看视频在线| 女人久久www免费人成看片| 激情五月婷婷亚洲| 97人妻天天添夜夜摸| 如何舔出高潮| 午夜免费观看性视频| 国产在线视频一区二区| 亚洲经典国产精华液单| 街头女战士在线观看网站| 成人手机av| 成人黄色视频免费在线看| 国产亚洲最大av| 麻豆精品久久久久久蜜桃| 亚洲久久久国产精品| 99香蕉大伊视频| 91在线精品国自产拍蜜月| 亚洲伊人色综图| 欧美激情高清一区二区三区 | 久久99一区二区三区| 自拍欧美九色日韩亚洲蝌蚪91| 一级毛片我不卡| 欧美97在线视频| 国产精品一区二区在线观看99| 久久久久久久久久久免费av| 成人毛片a级毛片在线播放| 波多野结衣一区麻豆| 色吧在线观看| www.精华液| 久久国内精品自在自线图片| 成人二区视频| 国产成人午夜福利电影在线观看| 免费观看在线日韩| 99热网站在线观看| av卡一久久| 欧美成人午夜免费资源| 国产白丝娇喘喷水9色精品| 国产极品粉嫩免费观看在线| 啦啦啦在线免费观看视频4| 老汉色∧v一级毛片| 中文字幕人妻丝袜一区二区 | 男女午夜视频在线观看| 国产成人午夜福利电影在线观看| 丝袜美腿诱惑在线| 最新中文字幕久久久久| 亚洲国产精品一区三区| 在线免费观看不下载黄p国产| 黄色 视频免费看| 91精品三级在线观看| 午夜福利网站1000一区二区三区| 91久久精品国产一区二区三区| 啦啦啦啦在线视频资源| 成人亚洲欧美一区二区av| 久久久久国产一级毛片高清牌| 2021少妇久久久久久久久久久| 亚洲国产看品久久| 男女下面插进去视频免费观看| 两个人看的免费小视频| 在线亚洲精品国产二区图片欧美| 国产av精品麻豆| 国产欧美日韩综合在线一区二区| 一区二区三区精品91| √禁漫天堂资源中文www| 老司机亚洲免费影院| 日韩电影二区| 香蕉国产在线看| 一级毛片我不卡| 1024香蕉在线观看| 视频区图区小说| 中文字幕精品免费在线观看视频| 国产精品久久久久成人av| www日本在线高清视频| 尾随美女入室| 亚洲伊人久久精品综合| 国产精品熟女久久久久浪| 午夜免费观看性视频| 婷婷色综合大香蕉| 日韩欧美精品免费久久| 久久这里有精品视频免费| 男人操女人黄网站| 午夜91福利影院| 欧美变态另类bdsm刘玥| 亚洲精品,欧美精品| 久久午夜福利片| 精品人妻在线不人妻| 国产熟女午夜一区二区三区| 国语对白做爰xxxⅹ性视频网站| 亚洲精品久久成人aⅴ小说| 亚洲精品自拍成人| 黑人欧美特级aaaaaa片| 天天躁日日躁夜夜躁夜夜| 一级片免费观看大全| 亚洲国产欧美在线一区| 99久久精品国产国产毛片| 亚洲视频免费观看视频| 日韩三级伦理在线观看| 亚洲四区av| 热99久久久久精品小说推荐| 亚洲综合色惰| 在线 av 中文字幕| 成人免费观看视频高清| www.精华液| 午夜91福利影院| 成人二区视频| 满18在线观看网站| 国产精品女同一区二区软件| 国产日韩欧美在线精品| 观看av在线不卡| 久久精品夜色国产| 国产精品国产av在线观看| 日韩人妻精品一区2区三区| 国产精品一区二区在线不卡| 性色av一级| 国产免费福利视频在线观看| 亚洲国产欧美在线一区| 丝袜脚勾引网站| 欧美黄色片欧美黄色片| 婷婷色综合大香蕉| 下体分泌物呈黄色| 成人午夜精彩视频在线观看| 1024视频免费在线观看| 在线观看美女被高潮喷水网站| 一级爰片在线观看| 亚洲色图 男人天堂 中文字幕| 亚洲婷婷狠狠爱综合网| 成年动漫av网址| 搡女人真爽免费视频火全软件| 国产片特级美女逼逼视频| 亚洲视频免费观看视频| 一本—道久久a久久精品蜜桃钙片| 婷婷色av中文字幕| 久久人妻熟女aⅴ| 黄色怎么调成土黄色| 秋霞伦理黄片| 亚洲一级一片aⅴ在线观看| 啦啦啦啦在线视频资源| 国产成人精品无人区| 中文字幕av电影在线播放| 亚洲欧美色中文字幕在线| 免费观看av网站的网址| 成人国语在线视频| 色婷婷久久久亚洲欧美| 国产亚洲精品第一综合不卡| 天堂中文最新版在线下载| 久久精品久久久久久噜噜老黄| 成人18禁高潮啪啪吃奶动态图| 97人妻天天添夜夜摸| 日韩电影二区| 天堂中文最新版在线下载| 日韩大片免费观看网站| 王馨瑶露胸无遮挡在线观看| 在线观看www视频免费| 午夜福利乱码中文字幕| 国产白丝娇喘喷水9色精品| 久久这里只有精品19| 精品少妇久久久久久888优播| 亚洲av免费高清在线观看| 精品人妻一区二区三区麻豆| 老汉色av国产亚洲站长工具| 男的添女的下面高潮视频| 搡女人真爽免费视频火全软件| 人人澡人人妻人| 国产精品一二三区在线看| 80岁老熟妇乱子伦牲交| 国产成人精品久久二区二区91 | 国产精品秋霞免费鲁丝片| 久久ye,这里只有精品| 亚洲国产精品成人久久小说| 男女午夜视频在线观看| 欧美激情极品国产一区二区三区| 国产精品人妻久久久影院| 麻豆精品久久久久久蜜桃| 肉色欧美久久久久久久蜜桃| 久久99热这里只频精品6学生| 免费少妇av软件| 免费在线观看黄色视频的| 亚洲欧美中文字幕日韩二区| 亚洲,欧美精品.| 可以免费在线观看a视频的电影网站 | 国产毛片在线视频| 男女边吃奶边做爰视频| 波多野结衣av一区二区av| 久久精品国产自在天天线| 啦啦啦啦在线视频资源| 麻豆av在线久日| 人妻少妇偷人精品九色| 天堂中文最新版在线下载| 精品少妇内射三级| 深夜精品福利| 国产精品欧美亚洲77777| 亚洲国产看品久久| 日韩三级伦理在线观看| 久久人人爽人人片av| 老司机影院毛片| 男女国产视频网站| 精品99又大又爽又粗少妇毛片| 国产成人精品久久二区二区91 | 天堂中文最新版在线下载| 热re99久久国产66热| 国产在线免费精品| 天堂8中文在线网| 久久精品熟女亚洲av麻豆精品| 少妇人妻久久综合中文| 如何舔出高潮| 亚洲美女黄色视频免费看| 日韩 亚洲 欧美在线| 纵有疾风起免费观看全集完整版| videossex国产| 亚洲国产日韩一区二区| 黄片播放在线免费| 考比视频在线观看| av网站在线播放免费| 欧美在线黄色| 爱豆传媒免费全集在线观看| 久久久a久久爽久久v久久| 日本wwww免费看| 午夜精品国产一区二区电影| 两性夫妻黄色片| 在线观看www视频免费| 青草久久国产| 久久久精品区二区三区| 街头女战士在线观看网站| 亚洲精品在线美女| 男女啪啪激烈高潮av片| 少妇熟女欧美另类| 在线看a的网站| 热99国产精品久久久久久7| 国产免费福利视频在线观看| www日本在线高清视频| 日本-黄色视频高清免费观看| 亚洲欧美一区二区三区久久| 亚洲成色77777| 色播在线永久视频| 国产一区二区激情短视频 | 国产探花极品一区二区| 久久久精品94久久精品| 欧美av亚洲av综合av国产av |