• <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 ?

    基于行列錨點融合的車道線檢測方法研究

    2024-11-21 00:00:00李燕輝方中純李海榮
    現(xiàn)代電子技術(shù) 2024年22期
    關(guān)鍵詞:自動駕駛特征提取

    摘" 要: 車道線檢測是自動駕駛和高級駕駛輔助系統(tǒng)中的關(guān)鍵技術(shù)之一,對于車輛準(zhǔn)確定位和識別道路信息非常重要。為了提高檢測精度和效率,提出一種基于行列錨點融合的車道線檢測方法。首先,使用主干網(wǎng)絡(luò)ResNet18提取車道線特征錨點,將提取出來的特征錨點進(jìn)行解耦分類處理;然后對其特征錨點分別在行方向和列方向加入水平注意力機制和垂直注意力機制,進(jìn)行通道維度信息和空間維度信息的特征融合,以解決全局關(guān)注計算成本高、局部關(guān)注限制交互領(lǐng)域的問題,與此同時,車道線檢測無視覺問題也得到了極大的改善。在CULane和Tusimple數(shù)據(jù)集上進(jìn)行了廣泛的實驗和測試,結(jié)果表明,所提方法在檢測精度和效率方面表現(xiàn)出綜合優(yōu)勢,取得了良好的檢測效果。

    關(guān)鍵詞: 車道線檢測; 行列錨點融合; 自動駕駛; ResNet18網(wǎng)絡(luò); 特征提取; 解耦

    中圖分類號: TN911.73?34" " " " " " " " " " " " " 文獻(xiàn)標(biāo)識碼: A" " " " " " " " " " "文章編號: 1004?373X(2024)22?0165?08

    Method of lane line detection based on row and column anchor point fusion

    Abstract: Lane detection is one of the key technologies in autonomous driving and advanced driver assistance systems, which is very important for vehicle accurate positioning and road information recognition. In order to improve the detection accuracy and efficiency, a lane detection method based on row and column anchor point fusion is proposed. The backbone network ResNet18 is used to extract the feature anchor points of the lane lines, and the extracted feature anchors are decoupled and classified. The horizontal attention mechanism and vertical attention mechanism are added to the feature anchor points in the row direction and column direction, respectively, and the feature fusion of channel dimension information and spatial dimension information is carried out to solve the problem of high computation cost of global attention and limited interaction field of local attention. At the same time, the non?visual problem of lane detection has also been improved greatly. A large number of experiments are conducted on the CULane dataset and Tusimple dataset, and the results show that the proposed method has comprehensive advantages in detection accuracy and efficiency, and has achieved good detection effect.

    Keywords: lane line detection; row and column anchor point fusion; autonomous driving; ResNet18 network; feature extraction; decoupling

    0" 引" 言

    隨著自動駕駛技術(shù)的發(fā)展,車道線檢測變得尤為重要。在自動駕駛和高級駕駛輔助系統(tǒng)中,車道線檢測是至關(guān)重要的技術(shù)之一,換言之,它是確保車輛行駛安全和穩(wěn)定的不可或缺的要素。車道線檢測技術(shù)為車輛提供了在道路上行駛時的定位和導(dǎo)航信息,幫助自動駕駛車輛準(zhǔn)確識別道路上的車道線,以確定車輛在道路上的位置和方向,避免偏離道路,從而提高行駛的安全性。

    目前,國內(nèi)外的大多數(shù)研究方法可分為基于傳統(tǒng)圖像處理的車道線檢測算法和基于深度學(xué)習(xí)處理的車道線檢測算法兩種。其中,傳統(tǒng)方法[1?2]通過邊緣檢測濾波[3?5]等方式分割出車道線區(qū)域,結(jié)合霍夫變換[6?7]、改進(jìn)隨機抽樣一致性(RANSAC)算法[8]等進(jìn)行車道線檢測。這類算法需要人工手動調(diào)整濾波算子和參數(shù)曲線,以適應(yīng)特定的街道場景。這種方式工作量大且魯棒性較差,當(dāng)駕駛環(huán)境發(fā)生顯著變化時,車道線檢測效果不佳,適用場景受到限制。近年來,隨著卷積神經(jīng)網(wǎng)絡(luò)的發(fā)展,基于深度學(xué)習(xí)處理的方法[9?11]已成為主流?;谏疃葘W(xué)習(xí)處理的方法主要分為基于分割的方法[12?14]、基于檢測的方法[15?17]、基于多項式的方法[18?19]等?;诜指畹姆椒ㄊ菍④嚨谰€檢測理解為圖像分割的任務(wù),對圖像中的每個像素分配正負(fù)樣本像素,正像素為車道線所在位置的點,負(fù)像素為車道線上其他點的位置?;跈z測的方法是通過尋找車道線在圖像中某些行或列的位置的集合,即基于行或列方向上的位置選擇、分類,基于行或列的選擇可以降低計算成本,應(yīng)對嚴(yán)重遮擋和極端光照等具有挑戰(zhàn)性的場景?;诙囗検降姆椒ㄍǔP枰獑l(fā)式方法來解碼預(yù)測或制定大量錨點,從而使用多項式的方式擬合車道線。基于分割的方法精度高但速度慢,基于檢測的方法速度快但精度低,基于多項式的方法在精度和速度方面都落后于基于分割和基于檢測的方法。

    為解決上述問題,本文提出了一種基于行列錨點融合的車道線檢測方法。首先使用主干網(wǎng)絡(luò)ResNet18提取車道線特征錨點,將提取出來的特征錨點進(jìn)行解耦分類處理;然后對其特征錨點在行方向和列方向分別加入水平注意力機制和垂直注意力機制進(jìn)行通道維度信息和空間維度信息的特征融合,以避免全局關(guān)注計算成本高、局部關(guān)注限制交互領(lǐng)域的問題,車道線檢測無視覺狀況也得到了極大的改善。

    1" 車道線檢測算法設(shè)計

    1.1" 網(wǎng)絡(luò)模型架構(gòu)

    本文采用行列錨點融合的方式實現(xiàn)車道線快速精準(zhǔn)的檢測。給定RGB圖像作為輸入,首先使用主干網(wǎng)絡(luò)ResNet18提取特征,將提取出來的特征錨點進(jìn)行解耦分類處理,主要分為實際檢測存在的正向車道線點和負(fù)向車道線點。對于正向車道線點,將其進(jìn)行逐行、逐列的分類選擇,在行方向和列方向分別加入水平注意力機制和垂直注意力機制進(jìn)行通道維度信息和空間維度信息的特征融合。最后將檢測到的車道線點進(jìn)行點卷積操作,使所有通道和空間信息進(jìn)行加權(quán)并降維,輸出車道線預(yù)測值,即可檢測出對應(yīng)x軸方向和y軸方向上實際存在的車道線點。對于負(fù)向車道線點,輸出車道線偏置值,使其能夠在遮擋、磨損、昏暗、炫光等復(fù)雜場景下準(zhǔn)確檢測車道線。車道線檢測總體模型框架見圖1。

    1.2" 車道線特征提取

    提取圖像特征的主要目標(biāo)是捕捉可以描述圖像內(nèi)容和結(jié)構(gòu)的重要信息,這些信息可能是邊緣、角點、紋理、顏色分布或其他局部特征,這種轉(zhuǎn)換是圖像分析、識別、檢測和分類等任務(wù)的基礎(chǔ)。車道線特征提取致力于從道路圖像中提取重要的視覺信息,以輔助車輛導(dǎo)航和環(huán)境感知。這個過程旨在識別和分析道路上的車道線,包括檢測車道線的位置、形狀、方向和顏色等特征。本節(jié)對車道線提取特征進(jìn)行探討,采用ResNet18作為主干網(wǎng)絡(luò)提取每個錨點的特征。ResNet通過引入跨層連接的殘差模塊,解決深度神經(jīng)網(wǎng)絡(luò)中由于增加深度而產(chǎn)生的梯度消失和梯度爆炸問題,提高模型的表達(dá)能力和性能;同時可以保留原始特征,提高模型的精度和泛化能力。模型結(jié)構(gòu)及參數(shù)如表1所示。

    ResNet18模型由5個卷積組組成,每個卷積組都包含了一個下采樣操作,用于減小特征圖的大小。首先是第一層卷積,由7×7的卷積核、步長為2或3個填充、歸一化層(BN)、激活函數(shù)(ReLU)和最大池化層構(gòu)成;然后中間是4個卷積層,每個卷積層中有多個building block模塊。本文使用ResNet18提取車道線特征,目的是減小計算量且便于訓(xùn)練,更快獲取特征提取的能力,并將檢測到的特征錨點映射到特征圖中,完成特征圖的輸出。

    1.3" 車道線特征融合

    1.3.1" 特征解耦模塊

    行列特征解耦圖如圖2所示。在車道線檢測中,特征解耦模塊的作用是通過解耦卷積操作,將車道線更有效地提取出來,從而降低計算量并提高模型效率。

    通常情況下,車道線在圖像中呈長條狀,而傳統(tǒng)的卷積操作會在整個區(qū)域上進(jìn)行計算,導(dǎo)致計算量較大。為了解決這一問題,將原始的3×3卷積核分解為多個行采集的1×3卷積或多個列采集的3×1卷積,以便對圖像的行和列進(jìn)行逐一掃描,從而更好地捕獲車道線在圖像中的空間信息。行列解耦卷積的計算量公式如下:

    [FLOPS1=2×2wh(n×3)n=12whn2] (1)

    設(shè)輸入特征圖的大小為h×w×n,其中h和w分別表示特征圖的高度和寬度,n表示輸入通道數(shù)。首先,將輸入特征圖按通道數(shù)n分組,然后對每個通道組進(jìn)行獨立的行和列解耦卷積操作。具體來說,對于每個通道組,分別使用1×3的卷積核在行方向上進(jìn)行卷積操作,使用3×1的卷積核在列方向上進(jìn)行卷積操作。

    此外,深度可分離行列解耦卷積操作還可以進(jìn)一步降低計算成本,設(shè)該模塊卷積分組數(shù)與輸入通道數(shù)n相同,其結(jié)構(gòu)如圖3所示。深度可分離行列解耦卷積的計算量公式如下:

    [FLOPS2=2×2wh(n×3)+4×wh(n×1)n=4wh(n2+3n)] (2)

    由此可知,深度可分離行列解耦卷積的計算量小于行列解耦卷積的計算量,模型更加輕量化。

    1.3.2" 注意力模塊

    在車道線檢測過程中,為了解決全局關(guān)注計算成本高、局部關(guān)注限制交互領(lǐng)域的問題,文章在逐行、逐列檢測車道線特征錨點時,對逐行檢測使用水平注意力機制,對逐列檢測使用垂直注意力機制,在降低計算成本的同時增強了特征聚合能力,對于車道線檢測無視覺問題有極大的改善。

    水平注意力機制和垂直注意力機制結(jié)構(gòu)如圖4所示,其中SDPA是比例的點積關(guān)注,C+R是通道關(guān)注連接并降維。輸入頂部變量X,底部輸出學(xué)習(xí)到的特征映射YH(或YV)。水平注意力是對多頭注意力輸出中的特征進(jìn)行重新加權(quán),而垂直注意力則是對特征通道進(jìn)行重新校準(zhǔn)。

    在Vanila Transformer中,多頭SDPA是學(xué)習(xí)每個令牌的依賴關(guān)系。就像集成方法機器學(xué)習(xí),多頭注意力運行SDPA所有時間并行,每個注意力頭都經(jīng)過優(yōu)化獨立,將他們的注意力輸出連接并線性轉(zhuǎn)換為期望維數(shù)。它關(guān)注特征輸出并抑制,通過重新加權(quán)函數(shù)來減少差異。水平注意力的設(shè)計是為了自動、重新加權(quán)多頭注意力的輸出。水平注意力近似最大化所有多頭SDPA輸出的邊際似然,并且計算復(fù)雜度只與維數(shù)有關(guān),與長度無關(guān)。因此水平注意力主要關(guān)注通道維數(shù)的信息,用于強調(diào)或抑制輸入數(shù)據(jù)的不同通道特征的重要性,可以幫助模型更好地理解和利用輸入數(shù)據(jù)的通道信息,提高模型的性能。水平注意力公式如下:

    垂直注意力可以看作是一種機制,特征通道的分配偏向于輸入信號中信息量最大的組件,這是通過門控函數(shù)實現(xiàn)的。它專門以一種計算效率高的方式對信道相關(guān)信息進(jìn)行建模,提高網(wǎng)絡(luò)中的特征表示能力。垂直注意力的計算類似于水平注意力,使用輸入特征X作為上下文變量,不同的是,垂直注意力的目的是重新校準(zhǔn)多頭輸出YM的降維。垂直注意力的計算公式如下:

    為了捕獲通道依賴關(guān)系,需要確保多通道被允許、被強調(diào),而不是單通道激活。因此,在垂直注意力中,使用Sigmoid激活函數(shù),輸入X和學(xué)習(xí)到的特征YM的通道權(quán)重。垂直注意力的計算類似于擠壓?激勵(SE)模塊;不同之處在于,在SE模塊的壓縮階段,垂直注意力將全局空間信息壓縮到通道描述符中,由于SDPA已經(jīng)嵌入了特征依賴關(guān)系,因此在垂直注意力中不需要壓縮。垂直注意力關(guān)注輸入X給出的上下文信息,它們共同考慮當(dāng)前特征輸出,因此,垂直注意力本質(zhì)上引入了以輸入和多頭SDPA為條件的動態(tài),提高了特征表征的判別能力。所以垂直注意力機制有助于模型更好地理解和利用輸入數(shù)據(jù)的空間結(jié)構(gòu),提高模型的感知能力和準(zhǔn)確性。

    通過使用水平注意力機制和垂直注意力機制,模型可以更加靈活地處理不同類型的數(shù)據(jù)和任務(wù),提高模型的表達(dá)和學(xué)習(xí)能力。

    1.4" 損失函數(shù)

    分類損失、回歸損失以及偏置損失的和為總損失函數(shù)。其中交叉熵?fù)p失作為分類損失函數(shù),在車道線檢測中,可以衡量和預(yù)測車道線類別和真實車道線類別之間的差異,根據(jù)錨點正負(fù)類別的分類來確保模型能夠準(zhǔn)確地分辨出車道線中的不同區(qū)域或物體的情況。交叉熵?fù)p失函數(shù)和分類損失函數(shù)公式如下:

    回歸損失采用L1損失函數(shù)回歸車道線像素在網(wǎng)格的位置,公式如下:

    在車道線檢測中,存在檢測不準(zhǔn)確的情況,因此在行列上加入偏置損失提高車道線的預(yù)測精度,公式如下:

    綜上,總損失函數(shù)的計算公式如下:

    [Ltotal=Lcls+αLreg+βLoffset]" " "(13)

    式中:[Lcls]為分類損失;[Lreg]為回歸損失;[Loffset]為偏置損失;α、β為損失系數(shù),且α,β∈[0,1]。

    2" 實驗設(shè)置與分析

    2.1" 實驗環(huán)境配置

    實驗環(huán)境配置為:Linux x64操作系統(tǒng),Intel[?] Xeon[?] CPU E5?2609 v4@1.70 GHz處理器,NVIDIA Tesla T4顯卡,16 GB內(nèi)存,編程語言采用Python 3.8,深度學(xué)習(xí)框架是PyTorch。在訓(xùn)練過程中,優(yōu)化器采用Adam,設(shè)初始學(xué)習(xí)率為0.001,batch size為8。

    2.2" 數(shù)據(jù)集

    2.2.1" CULane數(shù)據(jù)集

    CULane數(shù)據(jù)集是一個針對交通車道線檢測的大規(guī)模挑戰(zhàn)性公開數(shù)據(jù)集,其數(shù)據(jù)來自于6輛不同車上安裝的攝像頭,共收集了超過55 h的視頻,提取了133 235幀圖像。這個數(shù)據(jù)集分成三個部分:訓(xùn)練集包含88 880幀圖像,驗證集包含9 675幀圖像,測試集包含34 680幀圖像,主要由表2中9個場景組成。

    2.2.2" Tusimple數(shù)據(jù)集

    Tusimple是一組在高速公路上進(jìn)行數(shù)據(jù)采集的公開數(shù)據(jù)集,場景單一,位于高速路,天氣晴朗。它由3 268張訓(xùn)練集、35張驗證集、2 782張測試集組成。

    2.3" 評價指標(biāo)

    本文實驗CULane數(shù)據(jù)集主要采用F1分?jǐn)?shù)作為衡量車道線檢測模型性能的評價指標(biāo)。在計算時,首先將檢測到的車道線看作30個像素寬的目標(biāo)形狀,然后計算真實值與預(yù)測值的交并比(IoU)。當(dāng)IoU大于閾值0.5時,則為TP;當(dāng)IoU小于0.5時,則為FP。具體公式如下:

    Tusimple數(shù)據(jù)集主要采用Acc、FP、FN作為衡量車道線檢測模型性能的評價指標(biāo),具體公式如下:

    式中:[Cclip]為預(yù)測正確的車道數(shù);[Sclip]為所有的車道數(shù);Fpred為錯誤預(yù)測的車道數(shù);Npred為預(yù)測的車道數(shù);Mpred為漏檢的真實車道數(shù);Ngt為所有真實的車道數(shù)。

    2.4" 實驗結(jié)果與分析

    2.4.1" 模型對比實驗

    將本文方法與其他車道線檢測算法在同一數(shù)據(jù)集上進(jìn)行比較。在CULane數(shù)據(jù)集的9種復(fù)雜場景中,驗證該方法的有效性。本文方法與SAD[14]、CurveLane[20]、PINet[21]、E2E?LMD[22]、ENet[23]、UFSA[15]六種方法在CULane數(shù)據(jù)集上進(jìn)行比較,結(jié)果如表3所示。表中N/A表示相關(guān)論文未提及。本文方法在多個場景中取得了顯著的結(jié)果,通過對其特征錨點分別在行方向和列方向加入水平注意力機制和垂直注意力機制進(jìn)行通道維度信息和空間維度信息的特征融合,更好地解決了車道線檢測在復(fù)雜場景下的檢測效果,F(xiàn)1在一定程度上得到了提升,極大地改善了車道線檢測中無視覺問題。

    為了驗證本文方法的有效性,在Tusimple數(shù)據(jù)集上進(jìn)行了多種模型的對比實驗。本文選取了PolyLaneNet[24]、EL?GAN[25]、USFA[15]、SAD[14]、PINet[21]五種方法在F1、Acc、FP、FN、FPS指標(biāo)上進(jìn)行對比,結(jié)果如表4所示。表中N/A表示相關(guān)論文未提及。由表4可知,SAD[14]在精度(Acc)上達(dá)到了96.64%;UFSA[15]在幀速度上達(dá)到了312.5 f/s;本文方法的F1分?jǐn)?shù)上達(dá)到了96.31%,在FP和FN上都有所降低,達(dá)到了良好的效果。本文方法在精度(Acc)和速度上相較于SAD[14]和UFSA[15]表現(xiàn)不佳,但是在F1、FP和FN上都獲得了較好的性能。總的來說,本文方法表現(xiàn)良好,且具有一定的提升空間。

    2.4.2" 消融實驗

    為了驗證本文方法的可行性,做了4組消融實驗,對比結(jié)果如表5所示。第一組是預(yù)測基礎(chǔ)模型在兩組數(shù)據(jù)集上的精度,可以看到:在CULane數(shù)據(jù)集上,精度為65.74%;在Tusimple數(shù)據(jù)集上,精度為94.57%。第二組是在基礎(chǔ)模型上進(jìn)行解耦操作,在行方向上加入水平注意力,并預(yù)測在兩組數(shù)據(jù)集上的精度,可以看到:CULane數(shù)據(jù)集上,在行方向加入水平注意力比基礎(chǔ)模型上的精度增加了4.49%;Tusimple數(shù)據(jù)集上,在行方向加入水平注意力比基礎(chǔ)模型上的精度增加了0.74%。第三組是在基礎(chǔ)模型上進(jìn)行解耦操作,在列方向加入垂直注意力,并預(yù)測在兩組數(shù)據(jù)集上的精度,可以看到:在CULane數(shù)據(jù)集上,在列方向加入垂直注意力并比基礎(chǔ)模型上的精度增加了5.83%;在Tusimple數(shù)據(jù)集上,在列方向加入垂直注意力比基礎(chǔ)模型上的精度增加了0.79%。第四組是在基礎(chǔ)模型上進(jìn)行解耦操作,同時在行方向和列方向分別加入水平注意力和垂直注意力,并預(yù)測在兩組數(shù)據(jù)集上的精度,可以看到:在CULane數(shù)據(jù)集上,同時在行方向和列方向分別加入水平注意力和垂直注意力比基礎(chǔ)模型上的精度增加了10.19%;在Tusimple數(shù)據(jù)集上,同時在行方向和列方向分別加入水平注意力和垂直注意力比基礎(chǔ)模型上的精度增加了2%。

    這四組實驗數(shù)據(jù)表明,在車道線檢測中,對其特征錨點分別在行方向和列方向加入水平注意力機制和垂直注意力機制進(jìn)行通道維度信息和空間維度信息的特征融合,可以有效提高模型的檢測精度。

    2.4.3" 可視化實驗

    圖5是在CULane數(shù)據(jù)集的檢測結(jié)果圖,它展示了在CULane數(shù)據(jù)集上正常、擁擠、夜晚、無車道、箭頭、陰影、路口、彎道和炫光等9種復(fù)雜場景的檢測結(jié)果。圖6是在Tusimple數(shù)據(jù)集的檢測結(jié)果,它展示了在Tusimple數(shù)據(jù)集上正常、擁擠、陰影、昏暗、彎道和坡道等場景的檢測結(jié)果。通過對可視化實驗結(jié)果的分析,可以明顯看到本文在這兩種數(shù)據(jù)集且不同的復(fù)雜場景下的車道線檢測都達(dá)到了良好的效果,驗證了本文方法可以很好地解決擁擠、夜晚和陰影等無視覺問題。

    2.4.4" 實際道路測試

    為驗證本文方法的有效性,收集各地區(qū)親朋好友的行車記錄儀拍攝視頻,共計超過5 h的視頻,提取出12 112幀圖像。參照CULane數(shù)據(jù)集進(jìn)行標(biāo)注,見圖7。

    將數(shù)據(jù)集分成三個部分:訓(xùn)練集包含8 080幀圖像,驗證集包含895幀圖像,測試集包含3 152幀圖像。選取了彎道、十字路口、正常、夜晚和擁擠5個場景進(jìn)行檢測,檢測結(jié)果如圖8所示。

    3" 結(jié)" 語

    為了提高網(wǎng)絡(luò)在復(fù)雜場景下的檢測精度和速度,本文提出了基于行列錨點融合的車道線檢測方法。首先使用主干網(wǎng)絡(luò)ResNet18提取車道線特征錨點,將提取出來的特征錨點進(jìn)行解耦分類處理;再對其特征錨點分別在行方向和列方向加入水平注意力機制和垂直注意力機制,進(jìn)行通道維度信息和空間維度信息的特征融合,以避免全局關(guān)注計算成本高、局部關(guān)注限制交互領(lǐng)域的問題,車道線檢測無視覺問題也得到了較好的解決。在Tusimple數(shù)據(jù)集上進(jìn)行了大量實驗,該網(wǎng)絡(luò)的準(zhǔn)確度可達(dá)到96.57%,F(xiàn)1可達(dá)96.31%;在CULane數(shù)據(jù)集多個場景下,如正常、夜晚、無車道、炫光和彎道,車道線檢測都達(dá)到了良好的效果。證明了本文的模型具有良好的檢測性能。后續(xù)將在雪天、霧天、雨天和沙塵暴等更具有挑戰(zhàn)的場景進(jìn)行實驗,開展車道線檢測的研究。

    參考文獻(xiàn)

    [1] JIANG Y, GAO F, XU G. Computer vision?based multiple?lane detection on straight road and in a curve [C]// 2010 International Conference on Image Analysis and Signal Processing. [S.l.]: IEEE, 2010: 114?117.

    [2] KIM Z W. Robust lane detection and tracking in challenging scenarios [J]. IEEE transactions on intelligent transportation systems, 2008, 9(1): 16?26.

    [3] 陳初俠,丁勇.基于中值濾波的激光雷達(dá)圖像邊緣特征提取方法[J].激光雜志,2023,44(8):94?98.

    [4] 王冬云,唐楚,鄂世舉,等.基于導(dǎo)向濾波Retinex和自適應(yīng)Canny的圖像邊緣檢測[J].光學(xué)精密工程,2021,29(2):443?451.

    [5] 余祥偉,薛東劍,陳鳳嬌.融合多尺度邊緣檢測的小波貝葉斯SAR圖像濾波[J].遙感信息,2019,34(5):120?125.

    [6] 彭文杰,況潤元,趙艷福,等.基于Gabor濾波和霍夫變換的鄱陽湖流向提取[J].水文,2021,41(4):56?61.

    [7] ZHANG J Q, DUAN H B, CHEN J L, et al. Hough laneNet: lane detection with deep hough transform and dynamic convolution [J]. Computers amp; graphics, 2023, 116: 82?92.

    [8] 趙夫群,馬玉,戴翀.基于改進(jìn)隨機抽樣一致的點云分割算法[J].科學(xué)技術(shù)與工程,2021,21(22):9455?9460.

    [9] WANG Q, HAN T, QIN Z, et al. Multitask attention network for lane detection and fitting [J]. IEEE transactions on neural networks and learning systems, 2020, 33(3): 1066?1078.

    [10] QIU Q, GAO H, HUA W, et al. Priorlane: a prior knowledge enhanced lane detection approach based on transformer [C]// 2023 IEEE International Conference on Robotics and Automation. [S.l.]: IEEE, 2023: 5618?5624.

    [11] PAN H, HONG Y, SUN W, et al. Deep dual?resolution networks for real?time and accurate semantic segmentation of traffic scenes [J]. IEEE transactions on intelligent transportation systems, 2022, 24(3): 3448?3460.

    [12] YANG J, ZHANG L, LU H. Lane detection with versatile atrousformer and local semantic guidance [J]. Pattern recognition, 2023, 133: 109053.

    [13] DONG Y, PATIL S, VAN AREM B, et al. A hybrid spatial?temporal deep learning architecture for lane detection [J]. Computer‐aided civil and infrastructure engineering, 2023, 38(1): 67?86.

    [14] HOU Y N,MA Z,LIU C X,et al.Learning light weight lane detection CNNs by self attention distillation [C]// 2019 IEEE/CVF International Conference on Computer Vision.Seoul: IEEE, 2019: 1013?1021.

    [15] QIN Z, WANG H, LI X. Ultra fast structure?aware deep lane detection [C]// Computer Vision?ECCV 2020: 16th European Conference. Glasgow, UK: Springer, 2020: 276?291.

    [16] TABELINI L, BERRIEL R, PAIXAO T M, et al. PolylaneNet: lane estimation via deep polynomial regression [C]// 2020 25th International Conference on Pattern Recognition (ICPR). [S.l.]: IEEE, 2021: 6150?6156.

    [17] JI G, ZHENG Y. Automatic lane line detection system based on artificial intelligence [J]. Journal of electric and computer engineering, 2022, 2022: 5284185:1?5284185:10.

    [18] FENG Z, GUO S, TAN X, et al. Rethinking efficient lane detection via curve modeling [C]// Proceedings of the IEEE/CVF Conference on Computer Vision and Pattern Recognition. [S.l.]: IEEE, 2022: 17062?17070.

    [19] HAN J, DENG X, CAI X, et al. Laneformer: object?aware row?column transformers for lane detection [J]. Proceedings of the AAAI conference on artificial intelligence, 2022, 36(1): 799?807.

    [20] XU H, WANG S J, CAI X Y, et al. Curve lane?NAS: unifying lane?sensitive architecture search and adaptive point blending [C]// 2020 European Conference on Computer Vision.Glasgow: Springer, 2020: 689?704.

    [21] KOY,LEE Y,AZAM S,et al.Key points estimation and point instance segmentation approach for lane detection [J]. IEEE transactions on intelligent transportation systems, 2021, 23(7) : 8949?8958.

    [22] YOO S, LEE H S, MYEONG H, et al. End?to?end lane marker detection via row?wise classification [C]// 2020 IEEE/CVF Conference on Computer Vision and Pattern Recognition Workshops. Seattle: IEEE, 2020: 1006?1007.

    [23] HOU Y. Agnostic lane detection [EB/OL]. [2023?11?07]. https://www.researchgate.net/publication/332528412_Agnostic_Lane_Detection/download.

    [24] TABELINI L, BERRIEL R, PAIXAO T M, et al.Poly laneNet: lane estimation via deep polynomial regression [C]// 2020 25th International Conference on Pattern Recognition. Milan: IEEE, 2021: 6150?6156.

    [25] GHAFOORIAN M, NUGTEREN C, BAKA N, et al. ELGAN: embedding loss driven generative adversarial networks for lane detection [C]// 2018 European Conference on Computer Vision Workshops. Munich: Springer, 2018: 256?272.

    猜你喜歡
    自動駕駛特征提取
    基于Gazebo仿真環(huán)境的ORB特征提取與比對的研究
    電子制作(2019年15期)2019-08-27 01:12:00
    基于Daubechies(dbN)的飛行器音頻特征提取
    電子制作(2018年19期)2018-11-14 02:37:08
    “自動駕駛”熱潮背后的擔(dān)心和疑慮
    汽車周刊(2017年5期)2017-06-06 14:02:49
    汽車自動駕駛的發(fā)展
    基于自動駕駛下的車道規(guī)劃對交通擁堵的改善
    LTE—V車路通信技術(shù)淺析與探討
    移動通信(2016年24期)2017-03-04 22:12:26
    一種基于LBP 特征提取和稀疏表示的肝病識別算法
    特斯拉默默更改了官網(wǎng)上“自動駕駛”的說明
    家用汽車(2016年9期)2016-11-04 15:04:44
    特斯拉中國官網(wǎng)不再提“自動駕駛”
    基于DSP的直線特征提取算法
    久久久久久久国产电影| 精品亚洲成a人片在线观看| 国产精品人妻久久久影院| 男女边摸边吃奶| 欧美+日韩+精品| 亚洲人成网站在线观看播放| 亚洲av成人精品一区久久| 极品教师在线视频| 男人爽女人下面视频在线观看| 国产成人a∨麻豆精品| 少妇人妻久久综合中文| 久久久久久伊人网av| 精品少妇黑人巨大在线播放| 丰满迷人的少妇在线观看| 国产真实伦视频高清在线观看| 久久国产精品大桥未久av | 国精品久久久久久国模美| 日韩制服骚丝袜av| 精品久久久久久久久亚洲| 国产在线男女| 日本91视频免费播放| 人妻少妇偷人精品九色| 日日摸夜夜添夜夜爱| 亚洲av电影在线观看一区二区三区| 99热国产这里只有精品6| 免费大片黄手机在线观看| 欧美日韩亚洲高清精品| 少妇裸体淫交视频免费看高清| 男女国产视频网站| 亚洲一级一片aⅴ在线观看| freevideosex欧美| 国产高清不卡午夜福利| 午夜免费观看性视频| 丝袜在线中文字幕| 中文字幕精品免费在线观看视频 | 少妇人妻精品综合一区二区| 美女福利国产在线| 黑人高潮一二区| 少妇被粗大猛烈的视频| 日日啪夜夜撸| 免费观看在线日韩| 美女中出高潮动态图| 久久久久久久大尺度免费视频| 少妇猛男粗大的猛烈进出视频| 午夜久久久在线观看| 亚洲综合色惰| 国产真实伦视频高清在线观看| 夜夜看夜夜爽夜夜摸| 99国产精品免费福利视频| 亚洲,欧美,日韩| 国产欧美日韩精品一区二区| 免费黄网站久久成人精品| 中文乱码字字幕精品一区二区三区| av国产精品久久久久影院| 日韩av免费高清视频| 亚洲精品日韩av片在线观看| 亚洲精品亚洲一区二区| 中文字幕人妻丝袜制服| 免费看光身美女| 久久久精品免费免费高清| 伊人久久国产一区二区| 热re99久久精品国产66热6| 在线观看免费高清a一片| 亚州av有码| 久久久久久久久大av| 国产精品一区二区在线不卡| 日本免费在线观看一区| 黑丝袜美女国产一区| 熟女av电影| 国产伦精品一区二区三区四那| 嘟嘟电影网在线观看| 成年人午夜在线观看视频| 女性被躁到高潮视频| 亚洲国产最新在线播放| 少妇裸体淫交视频免费看高清| 99九九线精品视频在线观看视频| 少妇的逼好多水| 亚洲一级一片aⅴ在线观看| 亚洲av成人精品一二三区| 2022亚洲国产成人精品| 性高湖久久久久久久久免费观看| 久久亚洲国产成人精品v| 少妇被粗大的猛进出69影院 | 亚洲成人av在线免费| 女人久久www免费人成看片| 国产成人freesex在线| 人人妻人人看人人澡| 日韩视频在线欧美| 国产高清三级在线| 狠狠精品人妻久久久久久综合| 亚洲av不卡在线观看| 色视频www国产| 乱系列少妇在线播放| 午夜福利影视在线免费观看| 高清不卡的av网站| 天美传媒精品一区二区| 18禁在线播放成人免费| 好男人视频免费观看在线| 在线观看三级黄色| 欧美精品人与动牲交sv欧美| 亚洲中文av在线| 三级经典国产精品| 人人妻人人爽人人添夜夜欢视频 | 黄色日韩在线| 亚洲国产精品999| 亚洲三级黄色毛片| 美女视频免费永久观看网站| 韩国高清视频一区二区三区| 欧美精品亚洲一区二区| 精品人妻熟女av久视频| 免费观看的影片在线观看| 91在线精品国自产拍蜜月| 偷拍熟女少妇极品色| 国产日韩一区二区三区精品不卡 | 制服丝袜香蕉在线| 色网站视频免费| 免费大片黄手机在线观看| 亚洲,欧美,日韩| 伊人久久精品亚洲午夜| 久久久欧美国产精品| 80岁老熟妇乱子伦牲交| 两个人免费观看高清视频 | 日韩伦理黄色片| 777米奇影视久久| 大码成人一级视频| 啦啦啦在线观看免费高清www| av又黄又爽大尺度在线免费看| 爱豆传媒免费全集在线观看| 国产欧美另类精品又又久久亚洲欧美| 亚洲一级一片aⅴ在线观看| 大码成人一级视频| 亚洲内射少妇av| 日本猛色少妇xxxxx猛交久久| 9色porny在线观看| 校园人妻丝袜中文字幕| 好男人视频免费观看在线| 色婷婷久久久亚洲欧美| 狂野欧美激情性bbbbbb| 国产精品久久久久久久久免| 精品99又大又爽又粗少妇毛片| 国产乱人偷精品视频| av在线app专区| 91成人精品电影| 精品视频人人做人人爽| 日韩,欧美,国产一区二区三区| 日韩熟女老妇一区二区性免费视频| 永久网站在线| 最新的欧美精品一区二区| 这个男人来自地球电影免费观看 | 亚洲经典国产精华液单| 边亲边吃奶的免费视频| 日本午夜av视频| 91久久精品国产一区二区三区| 亚洲综合精品二区| 久久久久久人妻| 高清视频免费观看一区二区| 免费观看在线日韩| 国产欧美日韩综合在线一区二区 | 99热这里只有精品一区| 免费少妇av软件| 你懂的网址亚洲精品在线观看| 国产欧美日韩综合在线一区二区 | 午夜激情福利司机影院| 美女视频免费永久观看网站| 人人妻人人看人人澡| 永久免费av网站大全| 亚洲国产av新网站| 午夜免费鲁丝| 少妇人妻精品综合一区二区| 亚洲国产精品国产精品| 中文资源天堂在线| 99精国产麻豆久久婷婷| 如日韩欧美国产精品一区二区三区 | 一级毛片电影观看| 人人澡人人妻人| 午夜福利影视在线免费观看| 麻豆精品久久久久久蜜桃| 久久精品国产亚洲av天美| 免费看不卡的av| 国产女主播在线喷水免费视频网站| 日韩三级伦理在线观看| 夫妻午夜视频| 日本av手机在线免费观看| 最近手机中文字幕大全| 嫩草影院入口| 大香蕉97超碰在线| 久久久久久久大尺度免费视频| 免费人成在线观看视频色| 亚洲成色77777| 国产极品天堂在线| 亚洲一级一片aⅴ在线观看| 啦啦啦视频在线资源免费观看| 少妇熟女欧美另类| 少妇精品久久久久久久| 一个人看视频在线观看www免费| 男女啪啪激烈高潮av片| 3wmmmm亚洲av在线观看| 九色成人免费人妻av| av国产久精品久网站免费入址| 狠狠精品人妻久久久久久综合| 赤兔流量卡办理| 肉色欧美久久久久久久蜜桃| 最黄视频免费看| 男女国产视频网站| 嫩草影院入口| 性色av一级| 亚洲av不卡在线观看| 成人午夜精彩视频在线观看| 亚洲成色77777| 亚洲电影在线观看av| 国产精品福利在线免费观看| 桃花免费在线播放| 91在线精品国自产拍蜜月| 国产成人aa在线观看| 国产深夜福利视频在线观看| 午夜福利,免费看| 亚洲av欧美aⅴ国产| 日日撸夜夜添| 色视频在线一区二区三区| 男人爽女人下面视频在线观看| 中文字幕免费在线视频6| 国产午夜精品一二区理论片| 九草在线视频观看| 成人毛片60女人毛片免费| 色婷婷av一区二区三区视频| 久久ye,这里只有精品| 国产成人aa在线观看| 伦精品一区二区三区| 久久免费观看电影| 又大又黄又爽视频免费| 国产男女内射视频| 日日爽夜夜爽网站| 国产片特级美女逼逼视频| 青春草国产在线视频| 国产精品麻豆人妻色哟哟久久| 亚洲国产日韩一区二区| 亚洲精品视频女| 日日撸夜夜添| 视频中文字幕在线观看| 国模一区二区三区四区视频| 99热全是精品| 欧美精品高潮呻吟av久久| 亚洲性久久影院| 五月开心婷婷网| 街头女战士在线观看网站| 一级片'在线观看视频| 精品少妇内射三级| 在线亚洲精品国产二区图片欧美 | 香蕉精品网在线| 久热这里只有精品99| 国产精品一区二区性色av| 桃花免费在线播放| 亚洲精品久久午夜乱码| 丝袜脚勾引网站| 18+在线观看网站| av福利片在线观看| 在线观看免费日韩欧美大片 | 哪个播放器可以免费观看大片| 色哟哟·www| 在线观看免费高清a一片| 特大巨黑吊av在线直播| 麻豆成人av视频| 永久免费av网站大全| 亚洲一级一片aⅴ在线观看| 久久久久久久精品精品| 国产视频内射| 久久精品国产亚洲av涩爱| 99精国产麻豆久久婷婷| 欧美bdsm另类| 国产成人a∨麻豆精品| 国产中年淑女户外野战色| 日韩精品免费视频一区二区三区 | 26uuu在线亚洲综合色| 亚洲精品乱久久久久久| 少妇猛男粗大的猛烈进出视频| 亚洲人与动物交配视频| 精品一品国产午夜福利视频| 午夜福利网站1000一区二区三区| 日本wwww免费看| 黄色怎么调成土黄色| 成人二区视频| 免费人成在线观看视频色| 久久人妻熟女aⅴ| 少妇人妻 视频| 美女xxoo啪啪120秒动态图| 最近手机中文字幕大全| 亚洲美女搞黄在线观看| 欧美+日韩+精品| 亚洲精品久久久久久婷婷小说| 色哟哟·www| 欧美xxxx性猛交bbbb| 麻豆成人av视频| 深夜a级毛片| 王馨瑶露胸无遮挡在线观看| 老女人水多毛片| 高清午夜精品一区二区三区| 国产一区亚洲一区在线观看| 亚洲国产色片| 日韩电影二区| 美女大奶头黄色视频| 男女国产视频网站| 丰满饥渴人妻一区二区三| av视频免费观看在线观看| 这个男人来自地球电影免费观看 | 高清午夜精品一区二区三区| av又黄又爽大尺度在线免费看| 国内精品宾馆在线| 亚洲精品一区蜜桃| 人体艺术视频欧美日本| 国产一区二区在线观看av| 老司机亚洲免费影院| 乱人伦中国视频| 中文资源天堂在线| 深夜a级毛片| 一二三四中文在线观看免费高清| 亚洲国产成人一精品久久久| 黄色日韩在线| 久久久久久久久大av| 最后的刺客免费高清国语| 99热这里只有是精品50| 精品国产一区二区三区久久久樱花| 纵有疾风起免费观看全集完整版| 一区在线观看完整版| 亚洲av福利一区| 午夜福利视频精品| 亚洲国产精品国产精品| 久久99一区二区三区| 国产亚洲91精品色在线| 国产淫片久久久久久久久| 中文资源天堂在线| 亚洲精品亚洲一区二区| 成人影院久久| 国产精品伦人一区二区| 波野结衣二区三区在线| 亚洲国产精品专区欧美| 91久久精品国产一区二区成人| 亚洲美女搞黄在线观看| 色网站视频免费| 18禁裸乳无遮挡动漫免费视频| 国语对白做爰xxxⅹ性视频网站| 久久久a久久爽久久v久久| 免费观看在线日韩| 国产男人的电影天堂91| 亚洲精品日本国产第一区| 久久久a久久爽久久v久久| 国产av码专区亚洲av| 99热网站在线观看| 一级毛片我不卡| 中文在线观看免费www的网站| 插逼视频在线观看| 大码成人一级视频| 久久久久国产精品人妻一区二区| 少妇的逼水好多| 在线观看免费日韩欧美大片 | 日日爽夜夜爽网站| 自线自在国产av| 欧美精品人与动牲交sv欧美| videossex国产| 国产成人午夜福利电影在线观看| 桃花免费在线播放| 久热久热在线精品观看| 永久免费av网站大全| 六月丁香七月| 久久久欧美国产精品| 欧美亚洲 丝袜 人妻 在线| 我要看日韩黄色一级片| 亚洲国产精品国产精品| 亚洲一区二区三区欧美精品| 成人18禁高潮啪啪吃奶动态图 | av在线播放精品| 丝瓜视频免费看黄片| 国产免费福利视频在线观看| 国产精品一区二区在线不卡| 成人二区视频| 人人妻人人澡人人爽人人夜夜| 色婷婷av一区二区三区视频| 老司机亚洲免费影院| 蜜桃在线观看..| 亚洲精品,欧美精品| 啦啦啦中文免费视频观看日本| 特大巨黑吊av在线直播| av福利片在线观看| 中文精品一卡2卡3卡4更新| 黄色视频在线播放观看不卡| 亚洲精华国产精华液的使用体验| 国产精品偷伦视频观看了| 天美传媒精品一区二区| 纯流量卡能插随身wifi吗| av福利片在线观看| 777米奇影视久久| 成年人午夜在线观看视频| 国产午夜精品一二区理论片| 中文欧美无线码| 一区二区三区乱码不卡18| 国产一区二区三区综合在线观看 | 国产伦理片在线播放av一区| 3wmmmm亚洲av在线观看| 亚洲人与动物交配视频| 人人妻人人澡人人爽人人夜夜| 国产日韩一区二区三区精品不卡 | 国产深夜福利视频在线观看| 蜜臀久久99精品久久宅男| 老司机影院成人| 亚洲经典国产精华液单| 精品久久久久久久久av| 亚洲av综合色区一区| 99精国产麻豆久久婷婷| 一级二级三级毛片免费看| 精品一区二区三卡| www.色视频.com| 中文字幕制服av| 国产免费一级a男人的天堂| 丰满迷人的少妇在线观看| 大又大粗又爽又黄少妇毛片口| 精品国产乱码久久久久久小说| 在线 av 中文字幕| www.av在线官网国产| 国产亚洲91精品色在线| 国产精品久久久久久精品古装| 国产精品久久久久久久电影| 国产精品女同一区二区软件| 国产一区有黄有色的免费视频| 中文欧美无线码| 欧美 亚洲 国产 日韩一| 在线播放无遮挡| 99久久中文字幕三级久久日本| 免费黄色在线免费观看| 大香蕉久久网| 精品久久国产蜜桃| 欧美日韩亚洲高清精品| 亚洲,欧美,日韩| 精品一区二区免费观看| 欧美xxxx性猛交bbbb| 成人免费观看视频高清| 欧美国产精品一级二级三级 | 欧美精品一区二区大全| 久久6这里有精品| 久久这里有精品视频免费| 日韩伦理黄色片| 国产片特级美女逼逼视频| 亚洲久久久国产精品| 久久久久视频综合| videos熟女内射| 免费高清在线观看视频在线观看| 黄色视频在线播放观看不卡| 99精国产麻豆久久婷婷| 激情五月婷婷亚洲| 观看免费一级毛片| 哪个播放器可以免费观看大片| 精品人妻熟女av久视频| 蜜桃在线观看..| 亚洲国产av新网站| 性色av一级| 久久精品夜色国产| 亚洲av二区三区四区| 国产精品免费大片| 如何舔出高潮| 亚洲国产精品一区二区三区在线| 视频中文字幕在线观看| 在线观看一区二区三区激情| 国产精品偷伦视频观看了| 亚洲精品国产av成人精品| 国产精品99久久久久久久久| 亚洲av福利一区| 婷婷色av中文字幕| 在线看a的网站| 少妇猛男粗大的猛烈进出视频| 久久婷婷青草| 精品国产乱码久久久久久小说| 久久久久精品性色| 国产精品一区二区三区四区免费观看| 国产成人免费观看mmmm| 久久精品久久久久久久性| 午夜福利在线观看免费完整高清在| 美女xxoo啪啪120秒动态图| 少妇精品久久久久久久| 精华霜和精华液先用哪个| 黄色视频在线播放观看不卡| 久久久久久久久久久免费av| 国产精品欧美亚洲77777| 成年av动漫网址| 国产黄频视频在线观看| 性色avwww在线观看| 欧美人与善性xxx| 九色成人免费人妻av| 精品99又大又爽又粗少妇毛片| 一级,二级,三级黄色视频| 18禁在线无遮挡免费观看视频| 午夜免费男女啪啪视频观看| 日本wwww免费看| 国产精品一区www在线观看| 久久久久国产网址| 久久久精品94久久精品| 中文字幕人妻熟人妻熟丝袜美| 一区二区三区精品91| 国产精品熟女久久久久浪| www.av在线官网国产| 日本猛色少妇xxxxx猛交久久| 午夜精品国产一区二区电影| 亚洲精品视频女| av国产久精品久网站免费入址| 国产伦理片在线播放av一区| 桃花免费在线播放| 国产精品国产三级国产专区5o| 天堂中文最新版在线下载| 免费观看无遮挡的男女| 国产成人午夜福利电影在线观看| av免费在线看不卡| 女的被弄到高潮叫床怎么办| 亚洲精品日韩在线中文字幕| 一级毛片我不卡| 久久久久国产网址| 中国国产av一级| 大又大粗又爽又黄少妇毛片口| 国产一区二区在线观看av| 一级av片app| 男人舔奶头视频| 国产精品久久久久久精品电影小说| 成人亚洲精品一区在线观看| 成人18禁高潮啪啪吃奶动态图 | 成人18禁高潮啪啪吃奶动态图 | 亚洲激情五月婷婷啪啪| 美女福利国产在线| 人妻一区二区av| 久久久精品94久久精品| 日本欧美视频一区| 极品人妻少妇av视频| 欧美成人精品欧美一级黄| 汤姆久久久久久久影院中文字幕| 大香蕉97超碰在线| 国产熟女欧美一区二区| 王馨瑶露胸无遮挡在线观看| 亚洲国产日韩一区二区| 9色porny在线观看| 亚洲人成网站在线观看播放| 2018国产大陆天天弄谢| 久久久a久久爽久久v久久| 草草在线视频免费看| 久久久久久久大尺度免费视频| 一区二区三区精品91| 最近的中文字幕免费完整| 亚洲精品aⅴ在线观看| 亚洲欧美清纯卡通| 黑丝袜美女国产一区| 91精品伊人久久大香线蕉| 久久久久国产网址| 黄色怎么调成土黄色| 中国美白少妇内射xxxbb| 黑人猛操日本美女一级片| 成人综合一区亚洲| 亚洲自偷自拍三级| 国产成人精品一,二区| 美女国产视频在线观看| 老熟女久久久| 少妇人妻 视频| 亚洲人成网站在线播| 3wmmmm亚洲av在线观看| 91精品国产九色| 深夜a级毛片| 超碰97精品在线观看| 日日啪夜夜撸| 少妇人妻精品综合一区二区| 成人毛片a级毛片在线播放| 在现免费观看毛片| 免费观看在线日韩| 婷婷色综合www| 熟女电影av网| 国语对白做爰xxxⅹ性视频网站| 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| 欧美人与善性xxx| 少妇裸体淫交视频免费看高清| 人人妻人人爽人人添夜夜欢视频 | 在现免费观看毛片| 欧美xxⅹ黑人| 夜夜骑夜夜射夜夜干| 久久人妻熟女aⅴ| av不卡在线播放| 亚洲国产精品一区二区三区在线| 婷婷色综合www| 欧美三级亚洲精品| 国产精品熟女久久久久浪| 大话2 男鬼变身卡| 亚洲国产精品成人久久小说| 交换朋友夫妻互换小说| 亚洲欧美中文字幕日韩二区| 亚洲av欧美aⅴ国产| 亚洲欧美一区二区三区国产| 亚洲av国产av综合av卡| 亚洲精品456在线播放app| 国产伦精品一区二区三区视频9| 精品亚洲成a人片在线观看| 爱豆传媒免费全集在线观看| av在线老鸭窝| 久久人人爽人人爽人人片va| 一级毛片aaaaaa免费看小| 精品一区在线观看国产| 一级毛片aaaaaa免费看小| av一本久久久久| 亚洲欧美成人精品一区二区| 99九九线精品视频在线观看视频| 色5月婷婷丁香| 一二三四中文在线观看免费高清| 欧美日韩一区二区视频在线观看视频在线| 国产黄片视频在线免费观看| 免费看光身美女| 最近手机中文字幕大全| 男人舔奶头视频| 亚洲精品456在线播放app| 最新中文字幕久久久久| 97在线人人人人妻| 国产亚洲91精品色在线| 午夜免费男女啪啪视频观看| 色视频在线一区二区三区| 色94色欧美一区二区|