• <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 ?

    Infrared-PV:面向監(jiān)控應用的紅外目標檢測數(shù)據(jù)集

    2024-01-03 07:21:58彭冬亮
    紅外技術(shù) 2023年12期
    關(guān)鍵詞:紅外圖像目標

    陳 旭,吳 蔚,彭冬亮,谷 雨

    〈圖像處理與仿真〉

    Infrared-PV:面向監(jiān)控應用的紅外目標檢測數(shù)據(jù)集

    陳 旭1,吳 蔚2,彭冬亮1,谷 雨1

    (1. 杭州電子科技大學 自動化學院,浙江 杭州 310018;2. 中國電子科技集團第28研究所,江蘇 南京 210007)

    紅外攝像機雖然能夠全天候24h工作,但是相比于可見光攝像機,其獲得的紅外圖像分辨率和信雜比低,目標紋理信息缺乏,因此足夠的標記圖像和進行模型優(yōu)化設(shè)計對于提高基于深度學習的紅外目標檢測性能具有重要意義。為解決面向監(jiān)控應用場景的紅外目標檢測數(shù)據(jù)集缺乏的問題,首先采用紅外攝像機采集了不同極性的紅外圖像,基于自研圖像標注軟件實現(xiàn)了VOC格式的圖像標注任務(wù),構(gòu)建了一個包含行人和車輛兩類目標的紅外圖像數(shù)據(jù)集(Infrared-PV),并對數(shù)據(jù)集中的目標特性進行了統(tǒng)計分析。然后采用主流的基于深度學習的目標檢測模型進行了模型訓練與測試,定性和定量分析了YOLO系列和Faster R-CNN系列等模型對于該數(shù)據(jù)集的目標檢測性能。構(gòu)建的紅外目標數(shù)據(jù)集共包含圖像2138張,場景中目標包含白熱、黑熱和熱力圖3種模式。當采用各模型進行目標檢測性能測試時,Cascade R-CNN模型性能最優(yōu),mAP0.5值達到了82.3%,YOLO v5系列模型能夠兼顧實時性和檢測精度的平衡,推理速度達到175.4幀/s的同時mAP0.5值僅降低2.7%。構(gòu)建的紅外目標檢測數(shù)據(jù)集能夠為基于深度學習的紅外圖像目標檢測模型優(yōu)化研究提供一定的數(shù)據(jù)支撐,同時也可以用于目標的紅外特性分析。

    紅外圖像;數(shù)據(jù)集;監(jiān)控應用;深度學習;基準測試

    0 引言

    相比于可見光攝像機,紅外攝像機能夠全天時全天候工作,因此在城市交通、軍事偵查、視頻監(jiān)控等領(lǐng)域有著廣泛的應用[1-2]。

    雖然紅外圖像的目標指示性較強,但受傳感器探測性能、目標成像距離、目標幾何形狀等因素影響,紅外圖像通常分辨率低,缺乏豐富的邊緣和紋理信息,在復雜背景下目標信雜比低[3],故早期的紅外圖像目標檢測算法研究主要集中在弱小目標檢測方面[4-5]。主要方法包括基于單幀圖像的跟蹤前檢測方法(detecting before tracking, DBT)和基于序列圖像的檢測前跟蹤方法(tracking before detecting, TBD)。DBT方法[6]主要利用單幀圖像中目標-背景的差異信息進行去噪、增強等,通過分割得到目標位置,但是在低信雜比和復雜背景下虛警率較高。TBD方法利用運動目標連續(xù)性和相似性進行跟蹤檢測,可通過目標信息的長時間積累實現(xiàn)目標檢測,但是在幀間差異較大時目標檢測精度會下降,同時該類算法實時性較差[2]。

    隨著大數(shù)據(jù)和深度學習理論和技術(shù)的快速發(fā)展,基于深度卷積神經(jīng)網(wǎng)絡(luò)(convolution neural network, CNN)的目標檢測模型在可見光圖像目標檢測與識別方面取得了遠超傳統(tǒng)方法的性能。典型的目標檢測模型可分為兩階段模型和單階段模型[7]。以Faster R-CNN[8]為代表的兩階段模型,首先通過區(qū)域建議網(wǎng)絡(luò)篩選候選目標區(qū)域,然后在候選目標區(qū)域進行目標分類和位置精調(diào)。以SSD(single shot multibox detector)[9]和YOLO(You Only Look Once)系列[10]為代表的單階段模型,根據(jù)輸出的特征圖進行回歸,輸出目標位置、置信度和類別等信息。雖然單階段算法具有實時性好的優(yōu)勢,但檢測精度比雙階段算法略低。

    將深度學習算法和模型應用于紅外圖像目標檢測時,王文秀等人[11]針對傳統(tǒng)紅外檢測算法檢測率低、實時性差等問題,采用改進的AlexNet[12]深度網(wǎng)絡(luò)進行紅外船只目標識別,可快速準確地識別出紅外船只目標,但該方法并不是一種端到端的方法,需通過分水嶺方法提取感興趣船只區(qū)域。針對該問題,蔣志新[13]提出了一種基于改進損失函數(shù)的Faster R-CNN海上紅外小目標檢測方法,其是一種端到端的方法,通過樣本分類的難易程度來調(diào)節(jié)權(quán)重,在加快模型訓練收斂速度的同時提高了檢測精度,但該方法實時性較差,不利于工程實際應用。針對紅外目標檢測準確率和實時性不足的問題,陳鐵明等人[14]提出了一種基于改進YOLO v3的紅外末制導目標檢測方法。通過半實物仿真的方式獲得特種車輛、艦船和飛行器3類目標的紅外圖像,在自適應學習率與動量法聯(lián)合優(yōu)化下,對設(shè)計的紅外目標數(shù)據(jù)集進行驗證,平均準確率達到了77.89%,檢測速度達到25幀/s。針對紅外弱小目標檢測難題,趙琰等人[15]在對紅外目標特性進行分析基礎(chǔ)上,通過簡化YOLO v3網(wǎng)絡(luò)的處理流程,提升了對紅外弱小目標檢測精度,實驗使用的數(shù)據(jù)為包含無人機的紅外視頻序列。吳雙忱等人[16]將對小目標的檢測問題轉(zhuǎn)化為對小目標位置分布的分類問題,檢測網(wǎng)絡(luò)由全卷積網(wǎng)絡(luò)和分類網(wǎng)絡(luò)組成,其中分類網(wǎng)絡(luò)通過引入注意力模塊(squeeze-and-excitation networks, SENet)[17],致力于解決復雜背景下低信噪比和存在運動模糊的小目標檢測難題,取得了較好的檢測效果。李慕鍇等人[18]將SENet模塊引入到Y(jié)OLOv3骨干網(wǎng)絡(luò)中的殘差模塊,提高了骨干網(wǎng)絡(luò)特征提取能力,實現(xiàn)了復雜場景下紅外行人小目標的有效檢測,相比原算法實時性不變,誤檢率顯著減低。

    基于數(shù)據(jù)驅(qū)動的深度學習方法很大程度上依賴于均衡完備的樣本數(shù)據(jù),目前公開的數(shù)據(jù)集以可見光圖像為主,主要包括VOC(PASCAL visual object classes)數(shù)據(jù)集[19]、COCO(microsoft common objects in context)數(shù)據(jù)集[20]、DOTA(dataset for object detection in aerial images)數(shù)據(jù)集[21]、DIOR(object detection in optical remote sensing images)[22]、UCAS-AOD[23]等,針對不同數(shù)據(jù)集的特點均提出了很多有效的改進模型[24]??紤]到紅外圖像的特點,將應用于可見光圖像領(lǐng)域的深度目標檢測模型應用于紅外圖像時,需要做出合理的改進,但首先要解決的就是面向具體應用場景的紅外數(shù)據(jù)集構(gòu)建問題。

    韓國科學技術(shù)研究院構(gòu)建的多光譜行人數(shù)據(jù)集(KAIST)[25]每張圖像包含可見光圖像和紅外圖像兩個版本,圖像分辨率為640×480,分為person、people和cyclist三個類別,該數(shù)據(jù)集的主要問題是標簽質(zhì)量較低,需對數(shù)據(jù)進行重新標注。菲力爾(FLIR)紅外數(shù)據(jù)集[26]圖片分辨率為640×512,只包含水平視角下的街道和高速路場景,主要面向自動駕駛汽車應用。OTCBVS(object tracking and classification in and beyond the visible spectrum)紅外數(shù)據(jù)集[27]用于測試和評估先進的計算機視覺算法,包含人臉、車輛、行人和艦船等14種不同場景的圖像數(shù)據(jù),該數(shù)據(jù)集中目標相對比較少,且場景較理想化。上述3個數(shù)據(jù)集的示例圖像如圖1所示。

    圖1 紅外公開數(shù)據(jù)集樣本示例

    針對監(jiān)控領(lǐng)域的實際應用需求,本文構(gòu)建了一個包含行人和車輛的紅外目標檢測數(shù)據(jù)集,將其命名為Infrared-PV。該數(shù)據(jù)集包含十字路口、橫向馬路兩大主場景,包含地鐵口、廣場、公交站臺等不同背景區(qū)域。采集的紅外圖像類型包含白熱目標、黑熱目標和熱力圖3種模式,總計包含2138張圖像,采用自研圖像標注軟件實現(xiàn)了VOC格式的標注任務(wù)。同時結(jié)合主流的深度目標檢測模型給出了在該數(shù)據(jù)集上的檢測性能測試基準。該數(shù)據(jù)集能夠為面向監(jiān)控應用的紅外圖像目標檢測模型優(yōu)化研究提供一定的數(shù)據(jù)支撐。

    1 Infrared-PV數(shù)據(jù)集

    1.1 數(shù)據(jù)集構(gòu)建方式及目標統(tǒng)計信息

    使用FLIR公司的Tau2 336長波非制冷紅外機芯配備25mm鏡頭采集視頻數(shù)據(jù),對該機芯極性進行控制,包括黑熱和白熱兩種模式,此外還提供熱力圖模式。采集高度30m左右,聚焦距離大于250m,拍攝掃描視角范圍為0°~120°,分別在雨天、晴天、白天、夜晚等環(huán)境下采集多個場景的視頻圖像,然后通過3幀/s的下采樣率得到分辨率為720×576或640×480的圖像,構(gòu)建的數(shù)據(jù)集總計包含圖片2138張,主要考慮場景中的行人和車輛2類目標,故將該數(shù)據(jù)集命名為Infrared-PV。不同極性下的樣本數(shù)量分布如表1所示,目標示例圖像如圖2所示。從圖2可以看出,在不同極性下目標的顯著性不同,在黑熱極性下,行人和車輛的輪廓信息更加明顯。從熱力圖模式看,行人、車輛目標的底部和發(fā)動機部分紅外熱輻射更高。

    表1 Infrared-PV數(shù)據(jù)集不同極性圖像統(tǒng)計

    圖2 不同極性目標圖像

    1.2 標注軟件及標注信息

    使用自研的圖像標注軟件對構(gòu)建的Infrared-PV數(shù)據(jù)集進行人工標注,標注格式為擴展PASCAL VOC格式,保存本地文件為XML格式。設(shè)計的軟件與Labelme軟件類似,支持圖片、視頻和VOC格式數(shù)據(jù)集的標注,同時實現(xiàn)了對數(shù)據(jù)集的統(tǒng)計和數(shù)據(jù)增強功能,支持目標類別統(tǒng)計、長寬分布統(tǒng)計等,并可檢測標注過程中可能存在的漏標、錯標等情況。圖3為設(shè)計的標注軟件界面圖,界面上側(cè)為菜單欄,左側(cè)為待標記圖像列表,右側(cè)為目標信息顯示區(qū)域。與Labelme軟件不同,研制的標注軟件支持以下兩方面功能:①通過修改配置文件支持額外語義信息的添加與保存。其中圖3右下角區(qū)域為語義信息修改和顯示區(qū)。某一幅圖像對應的目標標注內(nèi)容如表2所示,包括文件名、圖像分辨率、目標位置和類別信息,以及拍攝日期(date)、拍攝時間(time)、相機極性(polarity)、天氣信息(weather)等語義信息。②增量標注功能。在已獲得少量標注樣本的情況下,通過訓練一個基于深度模型的目標檢測器,輔助人工標注,降低標注工作量。為測試各檢測模型的檢測性能,本數(shù)據(jù)集對部分遮擋度小于50%的目標進行了標注。

    圖3 標注軟件界面

    表2 標注信息

    1.3 目標特性統(tǒng)計分析

    圖4為數(shù)據(jù)集典型場景的示例圖像。從圖2和圖4可以看出,黑熱極性下行人目標的輪廓更加明顯,此時目標對比度高于白熱極性情況。熱力圖圖像是場景中目標熱輻射的偽彩色顯示,在該模式下很難得到目標的輪廓信息。車輛目標包括小轎車、公交車、貨車等幾種車型,目標尺寸大于行人目標,雖然車輛目標的尺度變化較大,但由于與背景差異顯著,故比較容易區(qū)分,部分遮擋和目標重疊問題是影響車輛目標檢測精度的主要問題。由于是室外場景,數(shù)據(jù)集中的圖像背景比較復雜,包括地鐵出入口、交通指示桿和建筑物等其他目標,這會給目標檢測算法和模型帶來一定挑戰(zhàn),主要體現(xiàn)在虛警方面。

    數(shù)據(jù)集中行人和車輛對應的類別分別為person和vehicle,在整個目標中的占比分別為60.3%和39.7%,如表3所示。平均單張圖片包含20個左右目標,最多單張圖片目標數(shù)超過100個,說明本紅外數(shù)據(jù)集目標相對比較密集。從圖5(a)和圖5(b)目標尺寸和占比分布可以看出,目標主要分布在150×200大小范圍內(nèi),其中person類別目標長寬分布在10×20像素~20×50像素不等,車輛分布在40×23像素~200×150像素不等,集中在整幅圖像尺寸的10%以下,說明本紅外數(shù)據(jù)集多以中小目標為主。從圖4可以看出,目標相對比較密集,目標間、背景與目標間存在遮擋情況,因此可以用于評估各檢測算法或模型的檢測性能和適用性,為紅外弱小目標檢測、紅外行人檢測、車輛檢測與跟蹤等研究方向提供一定的數(shù)據(jù)支撐。Infrared-PV紅外目標檢測數(shù)據(jù)集的獲取地址為https://pan.baidu.com/ s/1j0gqBrtTjI89s2Mdp6xpEA(提取碼:4ftz)。

    表3 Infrared-PV數(shù)據(jù)集類別統(tǒng)計

    圖4 Infrared-PV數(shù)據(jù)集圖像

    圖5 目標統(tǒng)計分析

    2 主流目標檢測模型

    2.1 兩階段目標檢測模型

    以Faster R-CNN為代表的兩階段模型主要由3部分組成,即特征提取網(wǎng)絡(luò)、候選區(qū)域建議網(wǎng)絡(luò)(region proposal network, RPN)網(wǎng)絡(luò)和分類回歸網(wǎng)絡(luò)。特征提取網(wǎng)絡(luò)避免了傳統(tǒng)手工設(shè)計特征的局限性,能夠?qū)W習到更有利于目標檢測與分類的特征表示。候選區(qū)域建議網(wǎng)絡(luò)用于判別目標和背景區(qū)域,這種端到端模型極大提高了目標檢測的速度。分類回歸網(wǎng)絡(luò)對候選目標區(qū)域進行類別細分類和位置預測的精調(diào)。在Faster R-CNN基礎(chǔ)上,研究學者提出了很多改進模型,包括Cascade R-CNN[28]、Libra R-CNN[29]、DoubleHead R-CNN[30]等,這些模型顯著地提高了通用目標檢測精度。

    2.2 單階段目標檢測模型

    舍棄RPN模塊,直接對目標類型和位置進行回歸的單階段模型,能夠?qū)崿F(xiàn)檢測精度和推理速度的平衡,逐漸成為研究的熱點,其中最具代表性的模型為SSD、YOLO系列。其中YOLOv3[31]已被成功應用于紅外目標檢測,并取得不錯的效果。YOLO v3是單階段端到端全卷積網(wǎng)絡(luò),模型組成如下:以基于ResNet殘差網(wǎng)絡(luò)[32]的darknet53架構(gòu)作為特征提取網(wǎng)絡(luò),拓展了網(wǎng)絡(luò)的深度,降低了訓練難度;采用類似特征金字塔網(wǎng)絡(luò)(feature pyramid networks, FPN)[33]的思想,加強了高層語義信息對淺層細節(jié)特征的指導;多尺度輸出層根據(jù)預設(shè)先驗框?qū)ο袼攸c進行回歸、分類、后處理,提高了中小目標檢測率。

    基于注意力機制以及優(yōu)化的特征融合策略,文獻[34]提出了YOLO v4模型。v4版本相比于v3版本改進如下:

    ①特征提取網(wǎng)絡(luò)設(shè)計方面,使用了加權(quán)殘差連接、跨階段局部網(wǎng)絡(luò)(cross stages partial network, CSPNet),通過加強網(wǎng)絡(luò)特征融合能力,設(shè)計了更優(yōu)的特征提取網(wǎng)絡(luò)CSPDarknet53;

    ②檢測分支設(shè)計方面,使用了SPP[35]、FPN、PANet[36]等特征融合策略,通過融合不同尺度的語義信息,提高了中小目標的檢測和分類性能;

    ③數(shù)據(jù)增強方面,綜合使用了Cutmix & Mosaic數(shù)據(jù)增強、DropBlock正則化、類標簽平滑、Ciou損失[37]、對抗訓練等BoF & BoS(Bags of Freebies & Specials)手段,進一步提高了檢測精度。

    最新的YOLO v5網(wǎng)絡(luò)根據(jù)網(wǎng)絡(luò)深度和寬度不同,共包含s、m、l和x四種模型,其中s網(wǎng)絡(luò)模型結(jié)構(gòu)如圖6所示。YOLO v5模型改進了特征提取網(wǎng)絡(luò)和特征融合模塊,用CSPNet模塊代替多層混合卷積,顯著降低模型復雜度,聯(lián)合Mosaic數(shù)據(jù)增強、自適應圖片縮放等手段,不僅保證了檢測精度,還消除了模型冗余,大大提高了推理的實時性。其中使用GTX 1080Ti顯卡的s模型推理時間低至2.5ms,在邊緣設(shè)備上也有很好的檢測效果。

    3 實驗結(jié)果分析

    為評估基于深度學習的紅外目標檢測性能,本文在Infrared-PV數(shù)據(jù)集上進行了對比實驗,構(gòu)建了用于深度目標檢測模型評估的指標,定性和定量分析了各模型在Infrared-PV紅外數(shù)據(jù)集上的性能。

    3.1 實驗準備

    采用的服務(wù)器配置如下:CPU為Intel(R) i7-6850K,64G內(nèi)存,兩塊NVIDIA GeForce GTX 1080Ti圖形處理器,操作系統(tǒng)為Ubuntu 18.04。所有模型使用雙卡分布式訓練。

    Infrared-PV紅外數(shù)據(jù)集以7:3比例隨機劃分,其中訓練集共1496張圖像,測試驗證集642張圖像。

    3.2 檢測模型及訓練參數(shù)

    本文使用的基準算法為Faster R-CNN,YOLO v3,YOLO v4,YOLO v5目標檢測算法,此外還和Cascade R-CNN、FCOS[38]模型的檢測性能進行了對比分析。訓練采用的目標檢測框架和配置文件如表4所示。當輸入網(wǎng)絡(luò)的圖像分辨率為608×608時,YOLO系列各模型的錨框大小設(shè)置如表5所示。

    YOLO v3和YOLO v4系列基于darknet的C語言官方實現(xiàn),其中YOLO v3模型初始學習率為0.01,批大小為64,子批大?。╯ubdivisions)由顯存大小調(diào)整,訓練總步長為12500,在步長為5000和10000時退火為前一步長的10%;YOLO v4模型初始學習率為0.00001,批大小為8,退火步長為18000和26000;其他為默認設(shè)置。

    表4 模型配置

    表5 608×608分辨率下Infrared-PV目標錨框

    YOLO v5系列基于ultralytics的YOLO v5實現(xiàn),訓練輪次(epoch)為200,批大小為64;采用SGD梯度下降優(yōu)化器,動量為0.9;初始學習率0.01,預熱為3 epoch,采用余弦退火;其他為默認設(shè)置。

    Faster R-CNN、FCOS、Cascade R-CNN算法基于mmdetection[39]實現(xiàn)。其中超參數(shù)設(shè)置如下:epoch為50,批大小為8;SGD優(yōu)化器,動量為0.9;初始學習率為0.02,在epoch為25和38時退火為前一步長的33%;其他為默認設(shè)置。

    3.3 結(jié)果分析

    對檢測結(jié)果進行分析,當目標檢測結(jié)果與真值的交并比(intersection over union, IOU)大于0.5認為該目標被檢測到,以單位時間推理圖片張數(shù)(frame per second, FPS)評估模型實時性,以各類別的平均精度(average precision, AP)、召回率(recall)以及平均精度均值(mean average precision, mAP)來評估模型的檢測性能。

    在基準實驗中,各模型的檢測性能如表6所示,檢測結(jié)果如圖7所示。由于沒有對Anchor進行優(yōu)化,對行人等小目標檢測效果不佳,故Faster R-CNN模型的mAP0.5只達到了65.6%,推理速度僅為16.08FPS;當模型輸入尺寸為608×608時,YOLO v3模型的檢測精度較416×416時提升5.8%。由圖7(c)和(d)可見,網(wǎng)絡(luò)輸入尺寸的增加有利于小目標檢測和位置框的精準回歸,同時降低了虛警率,但實時性有所降低。YOLO v4模型的mAP0.5為78.97%,YOLO v5模型的mAP0.5最高,達到了80.7%。從圖7對比看出,YOLO v4模型的召回率高于YOLO v5模型,但是虛警率略高??傮w而言,一階段算法對于遮擋和弱小目標情況檢測率相對較高,雖然存在少量虛警,但能夠滿足檢測算法的實時性需求。

    圖7 各基準模型檢測效果對比(置信度:0.25)

    表6 Infrared-PV數(shù)據(jù)集各檢測模型性能基準(置信度:0.05)

    注:加粗字體為該列最優(yōu)值 Note: Bold font is the optimal value

    3.4 其他目標檢測算法實驗

    除基準實驗外,本文進行了擴充實驗以驗證其他模型在Infrared-PV數(shù)據(jù)集上的性能。本文使用先進的骨干網(wǎng)絡(luò)ResNest[40]替換Faster R-CNN和Cascade R-CNN模型的主干網(wǎng)絡(luò),進行了對比實驗。

    各模型的檢測指標結(jié)果具體如表7所示。由表7可以看出,采用ResNest的兩階段檢測模型相比傳統(tǒng)ResNet特征提取網(wǎng)絡(luò)性能上有顯著提升,Cascade R-CNN模型mAP0.5提升了15.3%,達到了最高的檢測精度82.3%。由圖7(b)可見,對于遮擋、小目標上的實際效果最佳,優(yōu)于所有單階段算法,但是該模型實時性較差;在YOLOv4的基礎(chǔ)上裁剪模型為原大小的1/16,精度提高的同時實時性提高了一倍,說明針對特定數(shù)據(jù)集,尤其是目標類別較少的情況下,通過裁剪卷積通道數(shù)能夠在不降低目標檢測率的情況下,提高模型推理速度;FCOS模型對于紅外目標檢測結(jié)果差強人意,主要是因為紅外圖像紋理信息缺失,邊緣信息不明顯,像素框定位目標困難,故mAP0.5較低。

    表7 其他模型在紅外數(shù)據(jù)集的測試結(jié)果(置信度:0.05)

    注:加粗字體為該列最優(yōu)值 Note: Bold font is the optimal value

    4 結(jié)論

    本文構(gòu)建了一個包含行人和車輛2類目標的紅外圖像檢測數(shù)據(jù)集,對于采用的紅外視頻圖像采用自研的標注軟件進行了目標標注,然后對數(shù)據(jù)集的各項統(tǒng)計信息進行了總結(jié)分析。結(jié)合目前主流基于深度學習的目標檢測模型,給出了各模型在該數(shù)據(jù)集的檢測性能。該數(shù)據(jù)集的構(gòu)建能夠為視頻監(jiān)控場景下的紅外目標檢測,以及紅外圖像目標特性分析提供一定的數(shù)據(jù)支撐。

    [1] 陳錢,隋修寶.紅外圖像處理理論與技術(shù)[M].北京:電子工業(yè)出版社, 2018.

    CHEN Qian, SUI Xiubao.[M]. Beijing: Electronic Industry Press, 2018.

    [2] 劉讓, 王德江, 賈平, 等. 紅外圖像弱小目標探測技術(shù)綜述[J]. 激光與光電子學進展, 2016,53(5): 050004.

    LIU Rang, WANG Dejiang, JIA Ping, et al. Overview of detection technology for small and dim targets in infrared images[J]., 2016, 53(5): 050004.

    [3] 武斌. 紅外弱小目標檢測技術(shù)研究[D]. 西安: 西安電子科技大學. 2009.

    WU Bing. Research on Infrared Dim Target Detection Technology[D]. Xi'an: Xidian University, 2009.

    [4] Rawat S S, Verma S K, Kumar Y. Review on recent development in infrared small target detection algorithms[J]., 2020, 167: 2496-2505.

    [5] 李俊宏, 張萍, 王曉瑋, 等. 紅外弱小目標檢測算法綜述[J]. 中國圖象圖形學報, 2020, 25(9): 1739-1753.

    LI Junhong, ZHANG Ping, WANG Xiaowei, et al. Infrared small-target detection algorithms: a survey[J]., 2020, 25(9): 1739-1753.

    [6] 谷雨,劉俊,沈宏海, 等.基于改進多尺度分形特征的紅外圖像弱小目標檢測[J]. 光學精密工程,2020,28(6):1375-1386.

    GU Yu, LIU Jun, SHEN Honghai, et al. Infrared image dim target detection based on improved multi-scale fractal features[J].,2020,28(6): 1375-1386.

    [7] LIU L, OUYANG W, WANG X G, et al. Deep learning for generic object detection: a survey[J]., 2020, 128(2): 261-318.

    [8] REN S Q, HE K M, Girshick R, et al. Faster R-CNN: towards real-time object detection with region proposal networks[J]., 2017, 39(6): 1137-1149.

    [9] LIU W, Anguelov D, Erhan D, et al. Ssd: single shot multibox detector[C]//, 2016: 21-37.

    [10] Redmon J, Divvala S, Girshick R, et al. You only look once: unified, real-time object detection[C]//, 2016: 779-788.

    [11] 王文秀, 傅雨田, 董峰, 等. 基于深度卷積神經(jīng)網(wǎng)絡(luò)的紅外船只目標檢測方法[J]. 光學學報, 2018, 38(7): 0712006.

    WANG W X, FU Y T, DONG F, et al. Infrared ship target detection method based on deep convolutional neural network[J]., 2018, 38(7): 0712006.

    [12] Krizhevsky A, Sutskever I, Hinton G E. Imagenet classification with deep convolutional neural networks[J]., 2017, 60(6): 84-90.

    [13] 蔣志新. 基于深度學習的海上紅外小目標檢測方法研究[D]. 大連: 大連海事大學, 2019.

    JIANG Z X. Research on the Detection Method of Marine Infrared Small Target Based on Deep Learning[D]. Dalian: Dalian Maritime University, 2019.

    [14] 陳鐵明, 付光遠, 李詩怡, 等. 基于YOLO v3的紅外末制導典型目標檢測[J]. 激光與光電子學進展, 2019, 56(16): 155-162.

    CHEN T M, FU G Y, LI S Y, et al. Infrared terminal guidance typical target detection based on YOLOv3[J]., 2019, 56(16): 155-162.

    [15] 趙琰, 劉荻, 趙凌君. 基于Yolo v3的復雜環(huán)境紅外弱小目標檢測[J]. 航空兵器, 2020, 26(6): 29-34.

    ZHAO Y, LIU D, ZHAO L J. Infrared small target detection in complex environment based on Yolo v3[J]., 2020, 26(6): 29-34.

    [16] 吳雙忱, 左崢嶸. 基于深度卷積神經(jīng)網(wǎng)絡(luò)的紅外小目標檢測[J]. 紅外與毫米波學報, 2019, 38(3): 371-380.

    WU S C, ZUO Z G. Infrared small target detection based on deep convolutional neural network[J]., 2019, 38(3): 371-380.

    [17] HU J, SHEN L, SUN G. Squeeze-and-excitation networks[C]//, 2018: 7132-7141.

    [18] 李慕鍇, 張濤, 崔文楠. 基于Yolo v3的紅外行人小目標檢測技術(shù)研究[J]. 紅外技術(shù), 2020, 42(2): 176-181.

    LI M K, ZHANG T, CUI W N. Research on infrared pedestrian small target detection technology based on Yolo v3[J]., 2020, 42(2): 176-181.

    [19] Everingham M, Eslami S A, Van Gool L, et al. The pascal visual object classes challenge: a retrospective[J]., 2015, 111(1): 98-136.

    [20] LIN T Y, Maire M, Belongie S, et al. Microsoft coco: common objects in context[C]//, 2014: 740-755.

    [21] XIA G S, BAI X, DING J, et al. DOTA: a large-scale dataset for object detection in aerial images[C]//, 2018: 3974-3983.

    [22] LI K, WAN G, CHENG G, et al. Object detection in optical remote sensing images: a survey and a new benchmark[J]., 2020, 159: 296-307.

    [23] ZHU H, CHEN X, DAI W, et al. Orientation robust object detection in aerial images using deep convolutional neural network[C]//2015(ICIP), 2015: 3735-3739.

    [24] TAN M, PANG R, LE Q V. Efficientdet: scalable and efficient object detection[C]//, 2020: 10781-10790.

    [25] Hwang S, Park J, Kim N, et al. Multispectral pedestrian detection: Benchmark dataset and baseline[C]//, 2015: 1037-1045.

    [26] Teledyne FLIR Systems. FLIR ADAS Dataset[DB/OL] [2023-11-27]. https://www.flir.com/oem/adas/adas-dataset-form/.

    [27] Davis J W, Keck M A. A two-stage template approach to person detection in thermal imagery[C]//2005, 2005, 1: 364-369.

    [28] CAI Z, Vasconcelos N. Cascade r-cnn: delving into high quality object detection[C]//, 2018: 6154-6162.

    [29] PANG J, CHEN K, SHI J, et al. Libra r-cnn: Towards balanced learning for object detection[C]//, 2019: 821-830.

    [30] WU Y, CHEN Y, YUAN L, et al. Rethinking classification and localization for object detection[C]//, 2020: 10186-10195.

    [31] Redmon J, Farhadi A. Yolov3: an incremental improvement [EB/OL] [2018-04-08]. https://arxiv.org/pdf/1804.02767.pdf.

    [32] HE K, ZHANG X, REN S, et al. Deep residual learning for image recognition[C]//, 2016: 770-778.

    [33] LINT Y, Dollár P, Girshick R, et al. Feature pyramid networks for object detection[C]//, 2017: 2117-2125.

    [34] Bochkovskiy A, WANG C Y, LIAO H Y M. YOLOv4: Optimal speed and accuracy of object detection[EB/OL] [2020-04-22]. https://arxiv.org/ pdf/2004.10934.pdf.

    [35] HE K, ZHANG X, REN S, et al. Spatial pyramid pooling in deep convolutional networks for visual recognition[J]., 2015, 37(9): 1904-1916.

    [36] WANG K, LIEW J H, ZOU Y, et al. PaNet: Few-shot image semantic segmentation with prototype alignment[C]//, 2019: 9197-9206.

    [37] ZHENG Z, WANG P, LIU W, et al. Distance-IoU loss: faster and better learning for bounding box regression[C]//2020, 2020: 12993-13000.

    [38] TIAN Z, SHEN C, CHEN H, et al. FCOS: Fully convolutional one-stage object detection[C]//2019, 2019: 9627-9636.

    [39] CHEN K, WANG J Q, PANG J M, et al. Mmdetection: open mmlab detection toolbox and benchmark[EB/OL][2019-06-17]. https:// arxiv.org /pdf/ 1906. 07155. pdf.

    [40] ZHANG H, WU C R, ZHANG Z Y, et al. Resnest: Split-attention networks[EB/OL] [2020-04-19]. https://arxiv.org/pdf/2004.08955.pdf.

    Infrared-PV: an Infrared Target Detection Dataset for Surveillance Application

    CHEN Xu1,WU Wei2,PENG Dongliang1,GU Yu1

    (1.,,310018,;2.28,210007,)

    Although infrared cameras can operate day and night under all-weather conditions compared with visible cameras, the infrared images obtained by them have low resolution and signal-to-clutter ratio, lack of texture information,so enough labeled images and optimization model design have great influence on improving infrared target detection performance based on deep learning. First, to solve the lack of an infrared target detection dataset used for surveillance applications, an infrared camera was used to capture images with multiple polarities, and an image annotation task that outputted the VOC format was performed using our developed annotation software. An infrared image dataset containing two types of targets, person and vehicle, was constructed and named infrared-PV. The characteristics of the targets in this dataset were statistically analyzed. Second, state-of-the-art target detection models based on deep learning were adopted to perform model training and testing. Target detection performances for this dataset were qualitatively and quantitatively analyzed for the YOLO and Faster R-CNN series detection models. The constructed infrared dataset contained 2138 images, and the targets in this dataset included three types of modes: white hot, black hot, and heat map. In the benchmark test using several models, Cascade R-CNN achieves the best performance, where mean average precision when intersection over union exceeding 0.5 (mAP0.5) reaches 82.3%, and YOLOv5 model can achieve the tradeoff between real-time performance and detection performance, where inference time achieves 175.4 frames per second and mAP0.5drops only 2.7%. The constructed infrared target detection dataset can provide data support for research on infrared image target detection model optimization and can also be used to analyze infrared target characteristics.

    infrared image, dataset, surveillance application, deep learning, benchmark test

    TP391.9

    A

    1001-8891(2023)12-1304-10

    2021-01-15;

    2021-02-24.

    陳旭(1997-),男,碩士研究生,主要從事圖像目標識別、檢測與模型優(yōu)化研究。

    谷雨(1982-),男,博士,副教授,主要從事多源信息融合、遙感圖像目標檢測與識別方面的研究。E-mail:guyu@edu.hdu.cn。

    浙江省自然科學基金資助項目(LY21F030010)。

    猜你喜歡
    紅外圖像目標
    改進的LapSRN遙感圖像超分辨重建
    網(wǎng)紅外賣
    閃亮的中國紅外『芯』
    金橋(2021年4期)2021-05-21 08:19:20
    有趣的圖像詩
    TS系列紅外傳感器在嵌入式控制系統(tǒng)中的應用
    電子制作(2019年7期)2019-04-25 13:17:14
    基于快速遞推模糊2-劃分熵圖割的紅外圖像分割
    我們的目標
    遙感圖像幾何糾正中GCP選取
    趣味數(shù)獨等4則
    意林(2011年10期)2011-05-14 07:44:00
    中學英語之友·上(2008年2期)2008-04-01 01:19:30
    国产精品久久久久久av不卡| 成人特级av手机在线观看| 国产一区二区三区av在线| 国内揄拍国产精品人妻在线| 成人国产麻豆网| 亚洲国产欧美在线一区| 丰满少妇做爰视频| 日本一二三区视频观看| 久久久久久久久久久丰满| 高清视频免费观看一区二区 | 大话2 男鬼变身卡| 国产精品久久久久久精品电影| 最近视频中文字幕2019在线8| 六月丁香七月| 久热久热在线精品观看| 国产伦在线观看视频一区| 亚洲欧美精品自产自拍| 黑人高潮一二区| 一区二区三区四区激情视频| 极品教师在线视频| 日本熟妇午夜| av国产免费在线观看| 亚洲内射少妇av| 午夜老司机福利剧场| 极品教师在线视频| 亚洲国产精品合色在线| 汤姆久久久久久久影院中文字幕 | 久久精品综合一区二区三区| 亚洲四区av| 国产中年淑女户外野战色| 亚洲自拍偷在线| 国产精品乱码一区二三区的特点| 久久久欧美国产精品| 免费观看精品视频网站| 亚洲av成人精品一区久久| 99久久成人亚洲精品观看| 亚洲国产精品国产精品| 一级爰片在线观看| 亚洲人成网站高清观看| 国产 一区 欧美 日韩| 久久人妻av系列| 亚洲av成人精品一区久久| 国产淫语在线视频| 国产淫语在线视频| 中文字幕av在线有码专区| 色5月婷婷丁香| 国内精品一区二区在线观看| 免费av不卡在线播放| 99热精品在线国产| 亚洲人与动物交配视频| 又爽又黄无遮挡网站| 国产大屁股一区二区在线视频| 特大巨黑吊av在线直播| 欧美成人午夜免费资源| 欧美成人午夜免费资源| 日韩欧美在线乱码| 色综合色国产| 只有这里有精品99| 99在线人妻在线中文字幕| 免费大片18禁| av卡一久久| 好男人在线观看高清免费视频| 国产精品嫩草影院av在线观看| av国产久精品久网站免费入址| 午夜福利在线观看吧| 日韩亚洲欧美综合| 乱系列少妇在线播放| 午夜激情福利司机影院| 欧美3d第一页| 久久精品久久久久久久性| 久热久热在线精品观看| 色尼玛亚洲综合影院| 色视频www国产| 亚洲美女搞黄在线观看| av在线老鸭窝| av在线亚洲专区| 日韩精品青青久久久久久| 国产成人福利小说| 三级国产精品片| 国产又色又爽无遮挡免| 精品人妻视频免费看| 国产精品精品国产色婷婷| 精品人妻熟女av久视频| 特级一级黄色大片| www日本黄色视频网| 日韩成人av中文字幕在线观看| 日韩一区二区三区影片| 久久鲁丝午夜福利片| 亚洲欧美日韩无卡精品| 国产成人a∨麻豆精品| 成年av动漫网址| 欧美激情久久久久久爽电影| 国产成人91sexporn| 亚洲精品影视一区二区三区av| 亚洲av电影不卡..在线观看| 国产精品一区二区在线观看99 | 午夜日本视频在线| 日本av手机在线免费观看| 色视频www国产| 欧美人与善性xxx| 美女大奶头视频| 狠狠狠狠99中文字幕| 中文字幕亚洲精品专区| 国产av码专区亚洲av| 亚洲综合色惰| 乱系列少妇在线播放| 波多野结衣巨乳人妻| 久久欧美精品欧美久久欧美| 久久6这里有精品| 中文字幕亚洲精品专区| 夜夜看夜夜爽夜夜摸| 久久久久久久久久黄片| 久久人人爽人人片av| 在线播放无遮挡| 91aial.com中文字幕在线观看| 午夜亚洲福利在线播放| 久久精品国产鲁丝片午夜精品| av天堂中文字幕网| 有码 亚洲区| 欧美xxxx性猛交bbbb| 夜夜爽夜夜爽视频| 身体一侧抽搐| 国产成人福利小说| 国产精品久久久久久久久免| 免费av不卡在线播放| 最近最新中文字幕免费大全7| 亚洲精品国产av成人精品| 中文字幕人妻熟人妻熟丝袜美| 高清午夜精品一区二区三区| 亚洲av.av天堂| 99九九线精品视频在线观看视频| 亚洲图色成人| 人人妻人人澡人人爽人人夜夜 | 亚洲国产欧洲综合997久久,| 亚洲欧美中文字幕日韩二区| 国产探花极品一区二区| 国产精品,欧美在线| 99久国产av精品国产电影| 亚洲人成网站高清观看| 国产极品天堂在线| 美女内射精品一级片tv| 可以在线观看毛片的网站| 国产精品国产三级专区第一集| 18禁在线播放成人免费| 高清在线视频一区二区三区 | 在线观看美女被高潮喷水网站| 欧美成人精品欧美一级黄| 亚洲色图av天堂| 亚洲av.av天堂| av女优亚洲男人天堂| 91精品一卡2卡3卡4卡| 亚洲欧美日韩无卡精品| 午夜福利在线观看吧| 国产免费又黄又爽又色| 亚洲精品亚洲一区二区| 最新中文字幕久久久久| 久久久久精品久久久久真实原创| 国产一区二区亚洲精品在线观看| 六月丁香七月| 午夜激情欧美在线| 国产在线一区二区三区精 | 97超碰精品成人国产| 欧美激情久久久久久爽电影| 欧美区成人在线视频| 亚洲精品乱码久久久久久按摩| 国产一区二区在线观看日韩| 草草在线视频免费看| 亚洲怡红院男人天堂| a级毛片免费高清观看在线播放| 91久久精品国产一区二区成人| 简卡轻食公司| 别揉我奶头 嗯啊视频| kizo精华| 亚洲电影在线观看av| 亚洲国产精品sss在线观看| 成年女人永久免费观看视频| 插阴视频在线观看视频| 如何舔出高潮| 国产精品野战在线观看| 国产精品.久久久| 国产爱豆传媒在线观看| eeuss影院久久| 国产av不卡久久| 日日干狠狠操夜夜爽| 大香蕉97超碰在线| 女的被弄到高潮叫床怎么办| 亚洲丝袜综合中文字幕| 国内精品一区二区在线观看| 边亲边吃奶的免费视频| 亚洲av成人精品一二三区| 亚洲aⅴ乱码一区二区在线播放| 老女人水多毛片| 亚洲精品乱码久久久久久按摩| 成人漫画全彩无遮挡| 亚洲欧美日韩高清专用| 99热这里只有是精品50| www日本黄色视频网| 国产在视频线精品| 日本一本二区三区精品| 国产av码专区亚洲av| av免费在线看不卡| 国语对白做爰xxxⅹ性视频网站| 国产一区有黄有色的免费视频 | 深夜a级毛片| 国语对白做爰xxxⅹ性视频网站| 国产在线男女| 99久久中文字幕三级久久日本| 欧美xxxx性猛交bbbb| 久久鲁丝午夜福利片| 爱豆传媒免费全集在线观看| 国产v大片淫在线免费观看| 在线天堂最新版资源| 国产高清国产精品国产三级 | 我的女老师完整版在线观看| 成人二区视频| 边亲边吃奶的免费视频| 精品久久久久久久末码| 日韩一区二区视频免费看| av免费观看日本| 春色校园在线视频观看| 秋霞伦理黄片| 日日撸夜夜添| 亚洲欧美精品综合久久99| 日本黄色视频三级网站网址| av在线播放精品| 国产色爽女视频免费观看| 久久久午夜欧美精品| av卡一久久| 国产在线男女| 久久久久久久久久黄片| 国产一级毛片在线| 中文天堂在线官网| 亚洲国产最新在线播放| 美女被艹到高潮喷水动态| 少妇丰满av| 国产精品久久久久久精品电影小说 | 在线a可以看的网站| 成年女人永久免费观看视频| 精品人妻一区二区三区麻豆| 深夜a级毛片| 1024手机看黄色片| 免费无遮挡裸体视频| 久久久精品94久久精品| 国产色爽女视频免费观看| 中文欧美无线码| 99久久精品国产国产毛片| 国产伦一二天堂av在线观看| 久久久久久久久久黄片| 精品99又大又爽又粗少妇毛片| 国产女主播在线喷水免费视频网站 | 亚洲av免费高清在线观看| 欧美+日韩+精品| 97超视频在线观看视频| 亚洲不卡免费看| 久久热精品热| 一本一本综合久久| 国产老妇女一区| 国产精品女同一区二区软件| 联通29元200g的流量卡| 九九久久精品国产亚洲av麻豆| 欧美xxxx性猛交bbbb| 人人妻人人澡人人爽人人夜夜 | 国产精品福利在线免费观看| 97热精品久久久久久| 赤兔流量卡办理| 精华霜和精华液先用哪个| 久久久国产成人免费| 色综合色国产| 一个人免费在线观看电影| 中文在线观看免费www的网站| 日韩人妻高清精品专区| 久久久色成人| 在线观看66精品国产| 成人漫画全彩无遮挡| 国产日韩欧美在线精品| 久久精品夜夜夜夜夜久久蜜豆| 一本久久精品| 精华霜和精华液先用哪个| 日本三级黄在线观看| 边亲边吃奶的免费视频| a级毛色黄片| 丝袜美腿在线中文| 午夜福利视频1000在线观看| 国产伦精品一区二区三区四那| ponron亚洲| 色综合站精品国产| 18禁动态无遮挡网站| 黄色一级大片看看| 美女黄网站色视频| 午夜激情欧美在线| 欧美不卡视频在线免费观看| 精品久久久久久电影网 | 不卡视频在线观看欧美| 99久久精品热视频| 99在线视频只有这里精品首页| 欧美潮喷喷水| 亚洲欧美日韩无卡精品| 亚洲精品国产av成人精品| 夜夜爽夜夜爽视频| 久久精品夜夜夜夜夜久久蜜豆| 人妻系列 视频| 国产成人精品久久久久久| 日日摸夜夜添夜夜爱| 亚洲成av人片在线播放无| 亚洲精品色激情综合| 精品久久久久久成人av| 亚洲成人中文字幕在线播放| 三级毛片av免费| 精品不卡国产一区二区三区| 69人妻影院| 看黄色毛片网站| 亚洲精品色激情综合| 亚洲不卡免费看| 2022亚洲国产成人精品| 热99re8久久精品国产| 身体一侧抽搐| 欧美成人一区二区免费高清观看| 精品酒店卫生间| av在线天堂中文字幕| 国产精品电影一区二区三区| 国产一区亚洲一区在线观看| 国产 一区 欧美 日韩| 男女下面进入的视频免费午夜| 国产中年淑女户外野战色| 寂寞人妻少妇视频99o| 一边摸一边抽搐一进一小说| 欧美激情国产日韩精品一区| 免费看美女性在线毛片视频| 91精品一卡2卡3卡4卡| 色哟哟·www| 99热这里只有是精品50| 国产成年人精品一区二区| av线在线观看网站| 精华霜和精华液先用哪个| 建设人人有责人人尽责人人享有的 | 在线免费观看的www视频| 免费黄网站久久成人精品| 亚洲国产精品sss在线观看| 麻豆乱淫一区二区| 久久99精品国语久久久| 一级黄片播放器| 日韩人妻高清精品专区| 久久精品夜色国产| 久久久午夜欧美精品| 亚洲成人久久爱视频| 国产免费福利视频在线观看| videossex国产| 成年版毛片免费区| 免费观看人在逋| 国产激情偷乱视频一区二区| 国产亚洲午夜精品一区二区久久 | 99久久人妻综合| 亚洲精品成人久久久久久| 99热这里只有是精品在线观看| 国产爱豆传媒在线观看| 国产麻豆成人av免费视频| 国产女主播在线喷水免费视频网站 | 亚洲人与动物交配视频| 亚洲精品日韩在线中文字幕| 99热这里只有是精品在线观看| 亚洲精品自拍成人| 麻豆精品久久久久久蜜桃| 婷婷色麻豆天堂久久 | 国产不卡一卡二| 欧美成人精品欧美一级黄| 深夜a级毛片| 啦啦啦啦在线视频资源| 欧美日韩在线观看h| 欧美丝袜亚洲另类| 亚洲自拍偷在线| 色视频www国产| ponron亚洲| 国产人妻一区二区三区在| 纵有疾风起免费观看全集完整版 | 亚洲一区高清亚洲精品| 国产一区二区三区av在线| 欧美丝袜亚洲另类| 亚洲国产精品sss在线观看| 成人鲁丝片一二三区免费| 日日啪夜夜撸| 国产精品久久久久久精品电影小说 | 麻豆成人av视频| 久久精品综合一区二区三区| 在线播放无遮挡| 乱人视频在线观看| 久久久久久久久中文| or卡值多少钱| 精品少妇黑人巨大在线播放 | 日本黄色视频三级网站网址| 99在线视频只有这里精品首页| av在线蜜桃| 成人av在线播放网站| 国产女主播在线喷水免费视频网站 | 久久久久性生活片| 亚洲精品自拍成人| 国产69精品久久久久777片| 蜜臀久久99精品久久宅男| 99热这里只有是精品在线观看| 国产三级在线视频| 极品教师在线视频| 日韩制服骚丝袜av| 又黄又爽又刺激的免费视频.| 亚洲18禁久久av| 国产淫语在线视频| 国产高清国产精品国产三级 | 亚洲精品影视一区二区三区av| 亚洲成色77777| 亚洲国产最新在线播放| 国内精品美女久久久久久| 国产淫片久久久久久久久| 天天躁夜夜躁狠狠久久av| 午夜激情福利司机影院| 日韩欧美精品v在线| 久热久热在线精品观看| 日韩制服骚丝袜av| 欧美一级a爱片免费观看看| 国产黄a三级三级三级人| 欧美变态另类bdsm刘玥| 日本免费a在线| 中文资源天堂在线| 五月玫瑰六月丁香| 在线播放国产精品三级| 晚上一个人看的免费电影| 欧美+日韩+精品| 国产成人91sexporn| 免费观看人在逋| 久久久久久久亚洲中文字幕| 成人毛片60女人毛片免费| 日本爱情动作片www.在线观看| 成人美女网站在线观看视频| 欧美bdsm另类| 亚洲国产精品成人久久小说| 日韩国内少妇激情av| 国产精品国产三级国产av玫瑰| 久久99热6这里只有精品| 在线a可以看的网站| 国产黄色小视频在线观看| 国产色婷婷99| 黄片wwwwww| 少妇人妻精品综合一区二区| 国产熟女欧美一区二区| 久久99热这里只频精品6学生 | 黄色一级大片看看| 精品久久久久久久久av| 国产av一区在线观看免费| av播播在线观看一区| 熟女人妻精品中文字幕| 高清午夜精品一区二区三区| 少妇猛男粗大的猛烈进出视频 | 插逼视频在线观看| 国产男人的电影天堂91| 久久99热6这里只有精品| 日韩国内少妇激情av| 国产精品三级大全| 欧美97在线视频| 亚洲国产精品专区欧美| 中文字幕亚洲精品专区| 国产av在哪里看| 亚洲人与动物交配视频| 国产极品精品免费视频能看的| 美女内射精品一级片tv| 看免费成人av毛片| 日日干狠狠操夜夜爽| 中文资源天堂在线| 免费电影在线观看免费观看| 国产中年淑女户外野战色| 永久网站在线| 欧美一区二区亚洲| 成人欧美大片| 亚洲精品色激情综合| 欧美成人午夜免费资源| 亚洲成人精品中文字幕电影| 国产片特级美女逼逼视频| .国产精品久久| 亚洲av熟女| 欧美日韩国产亚洲二区| 色综合站精品国产| 天堂网av新在线| 日日撸夜夜添| 亚洲不卡免费看| 少妇被粗大猛烈的视频| 晚上一个人看的免费电影| 五月伊人婷婷丁香| 久久久久久久亚洲中文字幕| 国产精品精品国产色婷婷| 白带黄色成豆腐渣| 麻豆成人午夜福利视频| 国产 一区精品| 老师上课跳d突然被开到最大视频| 亚洲内射少妇av| 内射极品少妇av片p| 一级毛片我不卡| 麻豆久久精品国产亚洲av| 韩国高清视频一区二区三区| 婷婷色麻豆天堂久久 | 日日摸夜夜添夜夜爱| 国产精品永久免费网站| 亚洲自拍偷在线| 国产黄色视频一区二区在线观看 | 1024手机看黄色片| 欧美精品一区二区大全| 99久久精品国产国产毛片| 国产一级毛片七仙女欲春2| 午夜精品在线福利| 成人毛片60女人毛片免费| 亚洲成人久久爱视频| 亚洲精品日韩在线中文字幕| 久久精品国产亚洲网站| 午夜福利在线在线| 色视频www国产| 亚洲精品成人久久久久久| 欧美成人午夜免费资源| 美女国产视频在线观看| 亚洲在线观看片| 男女边吃奶边做爰视频| 日韩在线高清观看一区二区三区| 中国国产av一级| 国产伦理片在线播放av一区| 观看美女的网站| 看十八女毛片水多多多| 亚洲va在线va天堂va国产| 亚洲av日韩在线播放| 国产成人aa在线观看| 久久99精品国语久久久| 一级av片app| 久久这里只有精品中国| 男女那种视频在线观看| 国产一区二区亚洲精品在线观看| 欧美潮喷喷水| 国产精品三级大全| 99热精品在线国产| 亚洲最大成人av| 欧美人与善性xxx| 亚洲欧美日韩卡通动漫| 国语自产精品视频在线第100页| 亚洲国产精品成人综合色| 免费av观看视频| 综合色av麻豆| 国产精品不卡视频一区二区| 免费看日本二区| 小蜜桃在线观看免费完整版高清| 国产亚洲午夜精品一区二区久久 | 搡老妇女老女人老熟妇| 中国美白少妇内射xxxbb| 嫩草影院精品99| 小蜜桃在线观看免费完整版高清| 综合色av麻豆| 麻豆成人av视频| 岛国在线免费视频观看| 国产探花极品一区二区| 最近中文字幕高清免费大全6| 久久鲁丝午夜福利片| 美女xxoo啪啪120秒动态图| 尾随美女入室| 国产精品精品国产色婷婷| 在线播放无遮挡| 激情 狠狠 欧美| 国产成人一区二区在线| 国产高清有码在线观看视频| 亚洲经典国产精华液单| 一本久久精品| 大话2 男鬼变身卡| 国产成人aa在线观看| 蜜臀久久99精品久久宅男| 成人鲁丝片一二三区免费| www日本黄色视频网| 直男gayav资源| 在线免费观看的www视频| 黄色欧美视频在线观看| 久久久久久国产a免费观看| 日韩在线高清观看一区二区三区| 观看美女的网站| 成年版毛片免费区| 插阴视频在线观看视频| 国产免费一级a男人的天堂| 国产精品一区www在线观看| 日日啪夜夜撸| 免费看日本二区| 精品久久久久久电影网 | 97超视频在线观看视频| 久久精品熟女亚洲av麻豆精品 | 一本久久精品| 亚洲精品日韩av片在线观看| 可以在线观看毛片的网站| 18禁在线无遮挡免费观看视频| 久久99精品国语久久久| 天堂网av新在线| 免费搜索国产男女视频| 久久欧美精品欧美久久欧美| av在线老鸭窝| 欧美zozozo另类| 亚洲精品自拍成人| 十八禁国产超污无遮挡网站| av视频在线观看入口| 国产三级中文精品| 男女那种视频在线观看| 成人午夜高清在线视频| 亚洲av中文av极速乱| 中文在线观看免费www的网站| 一级二级三级毛片免费看| av在线蜜桃| 久久草成人影院| 一本—道久久a久久精品蜜桃钙片 精品乱码久久久久久99久播 | 日本午夜av视频| 国产又黄又爽又无遮挡在线| 欧美性猛交黑人性爽| 国产毛片a区久久久久| 2021少妇久久久久久久久久久| 亚洲精品亚洲一区二区| 久久久久久久国产电影| 亚洲国产欧美在线一区| 色5月婷婷丁香| videossex国产| 中文字幕av成人在线电影| 亚洲av电影不卡..在线观看|