• <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 ?

    基于改進YOLOv8的路口多目標識別優(yōu)化方法

    2024-12-31 00:00:00唐繼杰歐曉放
    科技創(chuàng)新與應(yīng)用 2024年35期
    關(guān)鍵詞:交通安全優(yōu)化方法深度學(xué)習(xí)

    摘" 要:針對我國城市路口多目標識別效率不高,識別不夠精準的問題,該文提出一種基于改進YOLOv8s模型的檢測方法。對原始的YOLOv8s模型進行改進,增加了卷積分支,采用融合Diverse Branch Block模塊的特征提取方式。結(jié)合城市路口場景構(gòu)建數(shù)據(jù)集,實驗結(jié)果表明,改進模型在精確度、召回率和平均準確度的指標上較原模型分別提升4.2%、3.1%和3.08%。改進模型表現(xiàn)出良好的性能,能夠滿足實際城市路口的多目標檢測需求。

    關(guān)鍵詞:多目標檢測;深度學(xué)習(xí);YOLOv8;交通安全;優(yōu)化方法

    中圖分類號:TP391.4" " " 文獻標志碼:A" " " " " "文章編號:2095-2945(2024)35-0059-06

    Abstract: In view of the problem that the efficiency of multi-target recognition at urban intersections in China is not high and the recognition is not accurate enough. This paper proposes a detection method based on the improved YOLOv8s model. The original YOLOv8s model is improved, convolution branches are added, and feature extraction methods that incorporate the Diverse Branch Block module are adopted. Combining urban intersection scenarios to build a dataset, experimental results show that the improved model improves accuracy, recall rate and average accuracy by 4.2%, 3.1% and 3.08% respectively compared with the original model. The improved model shows good performance and can meet the multi-target detection needs of actual urban intersections.

    Keywords: multi-target detection; deep learning; YOLOv8; traffic safety; optimization method

    近年來,為了預(yù)防道路交通事故,公安部相關(guān)部門積極推進“減量控大”工作,強調(diào)“努力減少事故死亡總量,全力防控較大事故”[1]。在此背景下,交通安全研究的重點逐漸從事后分析轉(zhuǎn)向事前預(yù)防。為了有效降低事故發(fā)生率,預(yù)先識別潛在危險因素成為關(guān)鍵。目標檢測技術(shù)是智能交通領(lǐng)域的重要內(nèi)容,通過高效、準確地識別交通環(huán)境中的各種潛在危險,可以為交通的研究和管理提供關(guān)鍵數(shù)據(jù)支持[2],從而實現(xiàn)事故“減量控大”的目標。

    目標檢測技術(shù)為交通事故主動預(yù)防提供了技術(shù)支撐。在深度學(xué)習(xí)的目標檢測領(lǐng)域中,主流的方法分為兩類:雙階段方法和單階段方法。2016年,Ren等[3]引入了區(qū)域卷積神經(jīng)網(wǎng)絡(luò)(Region Proposal Network, RPN),通過與目標檢測網(wǎng)絡(luò)共享卷積特征,實現(xiàn)了高效、快速的目標檢測。隨后,為了解決Faster R-CNN 中像素對齊的問題,He等[4]對Faster R-CNN進行擴展,提出了一個兼顧目標檢測實現(xiàn)和實例分割的Mask R-CNN。然而,不同于傳統(tǒng)的基于回歸的方法,Lu等[5]提出的Grid R-CNN模型通過網(wǎng)格點的定位來捕捉空間信息,與Faster R-CNN相比,Grid R-CNN設(shè)計了信息融合策略,將相鄰網(wǎng)格點的特征進行融合,增強了定位的準確性。與之前的基于區(qū)域的檢測器不同,Dai等[6]提出了基于區(qū)域的全卷積網(wǎng)絡(luò),模型的大部分計算都在整個圖像上共享,從而降低了計算成本。除此之外,Singh等[7]通過將目標檢測和分類分離,提出了R-FCN-3000模型,利用共享特征和通用目標性來實現(xiàn)高效的目標檢測。與之相反,單階段的目標檢測算法在檢測流程和處理方式上追求一步到位和密集預(yù)測。由于省去了候選區(qū)域生成的步驟,直接在特征圖上進行密集預(yù)測,因此,單階段目標檢測方法具有更高的檢測速度,適合實時應(yīng)用。Redmon[8]在2016年提出了第一個成功的單階段目標檢測器。它的核心理念是將目標檢測視為一個回歸問題,將整個圖像劃分為S×S網(wǎng)格,每個網(wǎng)格預(yù)測固定數(shù)量的邊界框以及它們的類別。同年,Liu等[9]提出了SSD(Single Shot MultiBox Detector)單階段算法,SSD 將目標檢測任務(wù)視為一個回歸問題,并通過一個單一的深度神經(jīng)網(wǎng)絡(luò)直接對目標類別和邊界框進行預(yù)測。該方法不需要生成候選區(qū)域,也不需要重新采樣像素或特征圖,實現(xiàn)了更快的檢測速度。隨著YOLO系列的不斷發(fā)展,Liu等[10-11]在YOLOv5模型的基礎(chǔ)上,使用 K-means算法為數(shù)據(jù)集計算最合適的錨框(anchor boxes),以提高邊界框檢測的準確性。Wang等[12]提出了YOLOv7模型,通過引入一系列可訓(xùn)練的優(yōu)化模塊和方法,在不增加推理成本的情況下顯著提高了檢測精度。相比于YOLOv7,YOLOv8模型對錨框的尺寸和比例進行自適應(yīng)優(yōu)化,使得預(yù)測的邊界框能夠更好地適應(yīng)目標的形狀和大小[13]。減少了邊界框與目標真實位置之間的偏差,提高了模型定位的準確性。同時,YOLOv8使用了更先進的IoU損失函數(shù)(如CIoU、DIoU)來優(yōu)化邊界框的回歸[14]。

    盡管YOLOv8模型在許多方面表現(xiàn)出色,但在處理復(fù)雜背景下的多目標檢測任務(wù)時,還存在一定的局限性。以上提到的研究大多只針對某一類目標進行檢測,對于城市路口復(fù)雜背景下的多目標檢測應(yīng)用較少。因此,本文在YOLOv8s算法的基礎(chǔ)上,增加了額外的卷積分支,采用結(jié)合了Diverse Branch Block模塊的特征提取方式,以提高模型對路口監(jiān)控視頻下多目標的檢測精度、速度與結(jié)果的可靠性。

    1" YOLOv8s模型框架

    YOLO系列算法自2016年被Redmon等[6]首次提出后,短短幾年時間便從YOLOv1發(fā)展到Y(jié)OLOv8,由于其速度快、實時性好并且兼顧較高的準確率,在目標檢測領(lǐng)域占據(jù)了主導(dǎo)地位。

    該模型由4個主要部分組成:輸入端、主干網(wǎng)絡(luò)、頸部網(wǎng)絡(luò)以及輸出端,圖1為YOLOv8s的網(wǎng)絡(luò)結(jié)構(gòu)示意圖。

    輸入端:這一部分的主要任務(wù)是對輸入圖像進行預(yù)處理。輸入端將圖像調(diào)整為固定尺寸(通常為 640×640或其他合適的尺寸)以適應(yīng)網(wǎng)絡(luò)的輸入大小。圖像預(yù)處理還包括歸一化和數(shù)據(jù)增強操作,如縮放、翻轉(zhuǎn)、裁剪等,以提高模型的泛化能力。相比于YOLO系列的前幾代,YOLOv8使用了改進的Focus模塊,通過切片和拼接操作將輸入圖像的空間信息集中到更深的特征中,從而減少特征丟失。

    主干網(wǎng)絡(luò)(Backbone):這一部分主要作用是特征提取。YOLOv8s主干網(wǎng)絡(luò)采用了改進的CSP結(jié)構(gòu)。CSP通過分離特征圖劃分為兩部分并在后續(xù)階段進行融合,實現(xiàn)了跨階段連接,增強了網(wǎng)絡(luò)的特征表達能力并減少了計算成本。如圖2所示,在主干網(wǎng)絡(luò)中,卷積操作是特征提取的核心。通過一系列卷積操作,主干網(wǎng)絡(luò)可以將輸入圖像轉(zhuǎn)換為一組多尺度的特征圖,這些特征圖包含了豐富的信息,為后續(xù)的目標檢測過程提供了基礎(chǔ)。

    頸部網(wǎng)絡(luò)(Neck):在YOLOv8s中,頸部網(wǎng)絡(luò)主要采用了FPN(Feature Pyramid Network)和PANet(Path Aggregation Network)結(jié)構(gòu)來進行多尺度特征融合。通過自頂向下和自下向上的路徑,將不同尺度的特征圖進行融合和傳遞,使得每一層特征圖都包含來自其他層的上下文信息。這樣,模型在預(yù)測時可以利用更豐富的特征,提高檢測的魯棒性。

    輸出端(Head):這個部分是目標檢測模型的最后一環(huán),它將網(wǎng)絡(luò)提取的特征轉(zhuǎn)換為人類可解釋的輸出。輸出端利用頸部網(wǎng)絡(luò)提供的多尺度特征圖,執(zhí)行具體的檢測任務(wù),并生成檢測結(jié)果,包括目標的位置(邊界框)、類別(分類)以及置信度(目標存在的概率)。

    2" YOLOv8s模型的改進與優(yōu)化

    2.1" 多目標檢測改進

    在城市道路交叉口監(jiān)控圖像中往往會出現(xiàn)大量的交通參與者,基于深度學(xué)習(xí)的檢測算法在處理多目標時檢測效果不太理想,因此針對YOLOv8s模型進行優(yōu)化,提升模型在路口多目標檢測上的性能。

    如圖3所示,本文加入了額外的卷積操作路徑(Extra)以豐富特征提取。通過多路徑處理、特征融合和額外路徑的使用,這個模塊可以更好地提取多尺度、多方向的特征,從而增強模型的表達能力和對復(fù)雜圖像的理解。

    2.2" 融合Diverse Branch Block

    DBB(Diverse Branch Block)是一種神經(jīng)網(wǎng)絡(luò)模塊,通過復(fù)雜化特征提取方式來增強卷積神經(jīng)網(wǎng)絡(luò)(CNN)的表達能力。DBB模塊引入多種不同的卷積和池化操作,提供了多樣化的特征提取路徑,并在網(wǎng)絡(luò)訓(xùn)練和推理過程中靈活地融合這些特征。

    如圖4所示,DBB模塊通過在一個模塊內(nèi)整合多種特征提取方式,顯著增加了網(wǎng)絡(luò)的表達能力,使其可以適應(yīng)更加復(fù)雜的模式和輸入數(shù)據(jù)。同時,多分支結(jié)構(gòu)可以在訓(xùn)練中提供更豐富的梯度流,從而加速模型的收斂。并且在推理階段,DBB 模塊可以被等效為單一卷積操作,從而提高推理效率。

    3" 實驗結(jié)果與分析

    3.1" 實驗數(shù)據(jù)集

    為了使實驗結(jié)果能真實反映模型在實際道路交通場景下的表現(xiàn),本文采用某城市道路監(jiān)控視頻來構(gòu)建數(shù)據(jù)集。如表1所示,本文從3個路口6段視頻中截取了共計13 884張圖像,并用人工標注的方式對數(shù)據(jù)集進行標注。其中,為了更好地提升模型對非機動車的檢測精度,在訓(xùn)練過程中將非機動車分為電動自行車和電動三輪車兩類,單獨標注分開訓(xùn)練。

    3.2" 實驗環(huán)境

    本文實驗環(huán)境配置見表2,改進的模型訓(xùn)練過程中參數(shù)的設(shè)置情況如下:迭代次數(shù)設(shè)置為300 epochs,每輪batch為32張,輸入圖像的大小為640×640。

    3.3" 評價指標

    本文采用準確率(precision, P)、召回率(recall, R)、平均精度(average precision, AP)、平均精確度(mean average precision, mAP)、每秒處理幀數(shù)(frames per second, FPS)以及參數(shù)數(shù)量作為模型檢測性能的評估標準。這些計算公式如下

    式中:P為所有被預(yù)測為正的樣本中,實際為正的比例;R為實際為正的樣本中,被正確預(yù)測為正的比例;AP為對于單個檢測類別的準確性;mAP為所有類別中AP的平均準確性;FPS為在道路目標測試集上的平均檢測速度;Fi為視頻總幀數(shù);Tn為檢測時間。

    3.4" 實驗結(jié)果

    本文將Faster R-CNN、YOLOv5s、YOLOv7和YOL

    Ov8s與本文改進的模型(Ours)進行對比實驗,準確率(P)、召回率(R)、平均精確度(mAP)、FPS及模型參數(shù)量(Params/M)均在表3中展示。

    通過表3可知,本文改進模型在路口監(jiān)控視頻中識別機動車、非機動車和行人方面表現(xiàn)良好,在準確率、平均精度、召回率方面都優(yōu)于其他模型,并且具有較低的參數(shù)數(shù)量。平均精確度(mAP)高于Faster R-CNN、YOLOv7、YOLOv5s和YOLOv8s,分別提高了22.7%、10.1%、10.9%和3.08%。改進模型在預(yù)測框的準確性上也超過了其他模型,有效降低了漏檢和誤檢的發(fā)生。FPS方面比YOLOv5s快3.2倍,比YOLOv8s快1.2倍,滿足對路口多目標實時檢測需求。

    圖5、圖6分別展示了本文模型與YOLOv5s、YOLOv8s的準確率曲線和召回率曲線的比較。從圖5中可以看到,改進模型準確率在較短的訓(xùn)練周期內(nèi)提升迅速,并在200輪訓(xùn)練后仍有提升。從圖6召回率曲線來看,DBB模塊的特征優(yōu)化使得模型能夠更快地學(xué)習(xí)到有關(guān)目標的有效信息,使得模型在訓(xùn)練的初期階段,召回率的提升非常迅速。這表明模型對于各類目標有著較好的識別能力,特別是在處理復(fù)雜或變化的場景時,能夠有效地減少漏檢數(shù)量。

    3.5" 消融實驗

    為了驗證新增卷積操作路徑和DBB模塊特征融合的改進效果,本文設(shè)計了消融實驗以分析并驗證每個改進模塊如何影響P、mAP和FPS值。實驗結(jié)果見表4,其中“√”表示對應(yīng)模塊的應(yīng)用。

    由表4可知,改進模型顯著提高了模型的檢測精度和平均精度,但會稍微降低處理速度。模型在引入額外卷積分支之后,P有所提高,但mAP提升幅度較小,F(xiàn)PS略有下降。而在繼續(xù)融合DBB模塊特征后,模型的P和mAP均有提高,相較于原模型提升了4.2%和3.08%,但FPS降低到64。

    3.6" 實際檢測目標可視化驗證與對比

    為了更直觀地進行展示模型的改進效果,本文將改進后的模型與YOLOv8s、YOLOv5s進行可視化對比,如圖7所示。

    圖7展示了城市交叉路口場景中目標檢測的結(jié)果對比。從圖7中可以看出,本文改進的模型在多目標檢測方面表現(xiàn)優(yōu)越。模型在檢測車輛、非機動車和行人方面表現(xiàn)出較高的置信度。相比于YOLOv8s和YOLOv5s,模型對非重合檢測對象的檢測準確性最好,且沒有存在漏檢和誤檢的情況。由圖7可知,本文改進的模型的表現(xiàn)更出色,證實了改進模型的有效性,對路口多目標識別起到了優(yōu)化效果。

    4" 結(jié)論

    針對城市路口多目標識別效率低、精度不足的問題,本文運用YOLO8s改進模型對路口多目標交通參與者進行了研究。通過引入額外的卷積分支和融合DBB模塊的特征提取方式,優(yōu)化了模型對多目標的檢測能力。此外,采用某城市道路監(jiān)控視頻和自行采集的圖像來構(gòu)建數(shù)據(jù)集,提高實驗結(jié)果的真實性。實驗結(jié)果表明:改進的模型的準確率、召回率和平均準確度分別提升了4.2%、3.1%和3.08%。相比原模型改進有效,為進一步研究路口事故預(yù)防提供了方法支撐。

    參考文獻:

    [1] 公安部部署2021年道路交通事故預(yù)防“減量控大”工作[J].道路交通管理,2021(3):6.

    [2] 王永崗,李曉坤,宋杰,等.車輛軌跡數(shù)據(jù)驅(qū)動的急彎路段追尾沖突風(fēng)險時空演化規(guī)律[J].哈爾濱工業(yè)大學(xué)學(xué)報,2024,56(3):38-45.

    [3] REN S, HE K, GIRSHICK R, et al. Faster R-CNN: Towards real-time object detection with region proposal networks[J]. IEEE transactions on pattern analysis and machine intelligence, 2016,39(6):1137-1149.

    [4] HE K, GKIOXARI G, DOLLáR P, et al. Mask r-cnn[C]//Proceedings of the IEEE international conference on computer vision. 2017:2961-2969.

    [5] LU X, LI B, YUE Y, et al. Grid r-cnn[C]//Proceedings of the IEEE/CVF conference on computer vision and pattern recognition. 2019:7363-7372.

    [6] DAI J, LI Y, HE K, et al. R-fcn: Object detection via region-based fully convolutional networks[J]. Advances in neural information processing systems, 2016,29.

    [7] SINGH B, LI H, SHARMA A, et al. R-FCN-3000 at 30fps: Decoupling detection and classification[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2018:1081-1090.

    [8] REDMON J. You only look once: Unified, real-time object detection[C]//Proceedings of the IEEE conference on computer vision and pattern recognition. 2016.

    [9] LIU W, ANGUELOV D, ERHAN D, et al. Ssd: Single shot multibox detector[C]//Computer Vision-ECCV 2016: 14th European Conference, Amsterdam, The Netherlands, October 11-14, 2016, Proceedings, Part I 14. Springer International Publishing, 2016:21-37.

    [10] LIU Y, LU B H, PENG J, et al. Research on the use of YOLOv5 object detection algorithm in mask wearing recognition[J]. World Sci. Res. J, 2020,6(11):276-284.

    [11] ZHANG Y, GUO Z, WU J, et al. Real-time vehicle detection based on improved yolov5[J]. Sustainability, 2022,14(19):12274.

    [12] WANG C Y, BOCHKOVSKIY A, LIAO H Y M. YOLOv7: Trainable bag-of-freebies sets new state-of-the-art for real-time object detectors[C]//Proceedings of the IEEE/CVF conference on computer vision and pattern recognition. 2023:7464-7475.

    [13] WANG G, CHEN Y, AN P, et al. UAV-YOLOv8: A small-object-detection model based on improved YOLOv8 for UAV aerial photography scenarios[J]. Sensors, 2023,23(16):7190.

    [14] LOU H, DUAN X, GUO J, et al. DC-YOLOv8: small-size object detection algorithm based on camera sensor[J]. Electronics, 2023,12(10):2323.

    猜你喜歡
    交通安全優(yōu)化方法深度學(xué)習(xí)
    鄉(xiāng)鎮(zhèn)道路交通安全
    青春歲月(2016年22期)2016-12-23 16:34:20
    農(nóng)村道路交通安全問題
    青春歲月(2016年22期)2016-12-23 15:58:54
    基于交通安全的高速公路路線平縱組合設(shè)計
    MOOC與翻轉(zhuǎn)課堂融合的深度學(xué)習(xí)場域建構(gòu)
    大數(shù)據(jù)技術(shù)在反恐怖主義中的應(yīng)用展望
    公路設(shè)計應(yīng)考慮的交通安全因素研究
    計算機網(wǎng)絡(luò)服務(wù)質(zhì)量優(yōu)化方法
    深度學(xué)習(xí)算法應(yīng)用于巖石圖像處理的可行性研究
    學(xué)生成績管理系統(tǒng)數(shù)據(jù)查詢優(yōu)化方法研究 
    基于深度卷積網(wǎng)絡(luò)的人臉年齡分析算法與實現(xiàn)
    軟件工程(2016年8期)2016-10-25 15:47:34
    我的女老师完整版在线观看| 啦啦啦韩国在线观看视频| 一级黄片播放器| 久久人人爽人人片av| 亚洲aⅴ乱码一区二区在线播放| 亚洲精品国产成人久久av| 久久久久久久久大av| 黄片wwwwww| 亚洲国产精品专区欧美| 亚洲av免费在线观看| 2018国产大陆天天弄谢| 少妇裸体淫交视频免费看高清| 一区二区三区四区激情视频| 欧美成人一区二区免费高清观看| 久久国内精品自在自线图片| 在线免费十八禁| 麻豆精品久久久久久蜜桃| 国产91av在线免费观看| 国产 一区 欧美 日韩| 午夜视频国产福利| 欧美激情久久久久久爽电影| 亚洲成色77777| 精品一区二区三区人妻视频| 22中文网久久字幕| 亚洲av中文av极速乱| eeuss影院久久| 国产成人91sexporn| 亚洲熟妇中文字幕五十中出| 色综合站精品国产| 美女xxoo啪啪120秒动态图| 国产精品久久久久久av不卡| 中文乱码字字幕精品一区二区三区 | 亚洲精品自拍成人| 日韩中字成人| 日韩欧美三级三区| 欧美另类一区| 久久99热这里只频精品6学生| 亚洲国产精品成人综合色| 欧美日韩视频高清一区二区三区二| 一夜夜www| 日本一二三区视频观看| 午夜激情福利司机影院| 国产精品久久久久久久久免| 亚洲精品456在线播放app| 精品亚洲乱码少妇综合久久| 夜夜爽夜夜爽视频| 91狼人影院| 大陆偷拍与自拍| 22中文网久久字幕| 亚洲av中文av极速乱| 日本wwww免费看| 一级a做视频免费观看| 搡老妇女老女人老熟妇| 亚洲精品影视一区二区三区av| 国产精品熟女久久久久浪| 建设人人有责人人尽责人人享有的 | 久久久久性生活片| 蜜桃久久精品国产亚洲av| 99久久精品一区二区三区| 国产成人freesex在线| 肉色欧美久久久久久久蜜桃 | ponron亚洲| 3wmmmm亚洲av在线观看| 日韩制服骚丝袜av| 久久久久久国产a免费观看| 免费观看性生交大片5| 99久国产av精品国产电影| 国产亚洲一区二区精品| 亚洲不卡免费看| 小蜜桃在线观看免费完整版高清| 日韩,欧美,国产一区二区三区| 夜夜看夜夜爽夜夜摸| 国产黄频视频在线观看| 亚洲伊人久久精品综合| 91久久精品国产一区二区三区| 嫩草影院精品99| 又爽又黄无遮挡网站| 水蜜桃什么品种好| 久久精品国产亚洲网站| 欧美日韩亚洲高清精品| 国产成人a区在线观看| 亚洲av成人精品一区久久| 亚洲欧美成人精品一区二区| 99视频精品全部免费 在线| 日韩精品青青久久久久久| 日本wwww免费看| 丰满乱子伦码专区| 一个人观看的视频www高清免费观看| 精品人妻熟女av久视频| 午夜福利成人在线免费观看| 国产免费又黄又爽又色| 日本熟妇午夜| 中文天堂在线官网| 黄片无遮挡物在线观看| 亚洲av成人精品一二三区| 国产亚洲午夜精品一区二区久久 | 午夜福利视频精品| 最近2019中文字幕mv第一页| 亚洲国产成人一精品久久久| 可以在线观看毛片的网站| 岛国毛片在线播放| 日韩人妻高清精品专区| 亚洲av成人精品一二三区| 超碰av人人做人人爽久久| 国产 一区 欧美 日韩| 视频中文字幕在线观看| 又大又黄又爽视频免费| 婷婷色麻豆天堂久久| 九草在线视频观看| 青春草国产在线视频| 嫩草影院精品99| 中文乱码字字幕精品一区二区三区 | 久久精品夜色国产| 久久99热这里只频精品6学生| 蜜臀久久99精品久久宅男| 亚洲性久久影院| 国产 一区 欧美 日韩| 韩国高清视频一区二区三区| 成人无遮挡网站| 七月丁香在线播放| 26uuu在线亚洲综合色| 1000部很黄的大片| 日本猛色少妇xxxxx猛交久久| av女优亚洲男人天堂| 久久久久久久国产电影| 一级片'在线观看视频| 亚洲国产精品成人久久小说| 国产极品天堂在线| 少妇的逼水好多| 69人妻影院| 国产精品福利在线免费观看| 天堂中文最新版在线下载 | 国产亚洲91精品色在线| 亚洲国产av新网站| 免费观看在线日韩| 国产精品人妻久久久久久| 尤物成人国产欧美一区二区三区| 成人二区视频| 五月天丁香电影| 亚洲在线自拍视频| 国产精品国产三级专区第一集| 亚洲精品国产成人久久av| 麻豆av噜噜一区二区三区| 欧美人与善性xxx| 深夜a级毛片| or卡值多少钱| 亚洲av在线观看美女高潮| 精品不卡国产一区二区三区| 一级片'在线观看视频| 97精品久久久久久久久久精品| 亚洲人成网站在线观看播放| 婷婷色综合大香蕉| 在线 av 中文字幕| 久久精品国产亚洲av涩爱| 亚洲熟女精品中文字幕| 亚洲综合精品二区| 国产又色又爽无遮挡免| 26uuu在线亚洲综合色| 亚洲va在线va天堂va国产| 日本一本二区三区精品| 国产精品国产三级专区第一集| 搡老妇女老女人老熟妇| 在线观看人妻少妇| 久久久午夜欧美精品| 国产综合精华液| 18禁动态无遮挡网站| 人体艺术视频欧美日本| 成人特级av手机在线观看| a级毛色黄片| 少妇高潮的动态图| 日本猛色少妇xxxxx猛交久久| 欧美丝袜亚洲另类| 亚洲成色77777| 97超视频在线观看视频| 啦啦啦啦在线视频资源| 寂寞人妻少妇视频99o| 国产精品爽爽va在线观看网站| 女人被狂操c到高潮| 网址你懂的国产日韩在线| 丰满人妻一区二区三区视频av| 亚洲国产精品成人久久小说| 三级经典国产精品| 久久久精品94久久精品| 亚洲精品一区蜜桃| 国产av在哪里看| 亚洲精品影视一区二区三区av| 日本一本二区三区精品| 亚洲精品成人久久久久久| 亚洲国产最新在线播放| 久久久久久久久中文| 免费观看a级毛片全部| 国模一区二区三区四区视频| 欧美日本视频| 爱豆传媒免费全集在线观看| 又爽又黄无遮挡网站| 欧美最新免费一区二区三区| 噜噜噜噜噜久久久久久91| 午夜精品国产一区二区电影 | av网站免费在线观看视频 | 国产伦精品一区二区三区四那| 国产真实伦视频高清在线观看| 免费人成在线观看视频色| 天堂中文最新版在线下载 | 丝袜美腿在线中文| kizo精华| 久久久久久久久久黄片| 99热这里只有精品一区| 人人妻人人澡欧美一区二区| 国产精品嫩草影院av在线观看| 97超碰精品成人国产| 少妇被粗大猛烈的视频| 亚洲欧美一区二区三区国产| 精品国产露脸久久av麻豆 | 丝袜喷水一区| 91av网一区二区| 亚洲欧美清纯卡通| 免费大片黄手机在线观看| 国产亚洲91精品色在线| 久久久久久久久久久丰满| 在线播放无遮挡| 久久精品熟女亚洲av麻豆精品 | 99热这里只有精品一区| 日韩视频在线欧美| 白带黄色成豆腐渣| 搡女人真爽免费视频火全软件| 六月丁香七月| 成人亚洲精品av一区二区| 亚洲精品一二三| 永久网站在线| 国产亚洲91精品色在线| 麻豆成人午夜福利视频| 国产免费又黄又爽又色| 中文天堂在线官网| 麻豆国产97在线/欧美| 亚洲欧美清纯卡通| 午夜精品一区二区三区免费看| 亚洲经典国产精华液单| 草草在线视频免费看| av卡一久久| 亚洲精品一区蜜桃| 色网站视频免费| 免费av毛片视频| 性插视频无遮挡在线免费观看| 中文字幕制服av| 欧美+日韩+精品| 亚洲av中文av极速乱| 深爱激情五月婷婷| 蜜桃亚洲精品一区二区三区| 成人欧美大片| 在线天堂最新版资源| 亚洲熟女精品中文字幕| 高清av免费在线| 久久久久网色| 一级毛片aaaaaa免费看小| 麻豆久久精品国产亚洲av| 高清av免费在线| 国产老妇伦熟女老妇高清| 亚洲人成网站高清观看| 欧美日韩一区二区视频在线观看视频在线 | 日韩大片免费观看网站| 一级毛片电影观看| 少妇人妻一区二区三区视频| 精华霜和精华液先用哪个| 偷拍熟女少妇极品色| 在线免费观看不下载黄p国产| 亚洲av成人精品一区久久| 免费无遮挡裸体视频| freevideosex欧美| 亚洲av.av天堂| 亚洲综合精品二区| 亚洲人成网站高清观看| av天堂中文字幕网| 午夜福利高清视频| 亚洲熟妇中文字幕五十中出| 舔av片在线| 男人狂女人下面高潮的视频| 亚洲av不卡在线观看| 成人高潮视频无遮挡免费网站| 欧美日韩精品成人综合77777| 少妇的逼好多水| 精品欧美国产一区二区三| 亚洲精品一区蜜桃| 欧美激情久久久久久爽电影| 国产真实伦视频高清在线观看| 亚洲av成人av| 毛片一级片免费看久久久久| 日韩强制内射视频| 在线观看免费高清a一片| 18禁裸乳无遮挡免费网站照片| 久久精品国产亚洲av天美| h日本视频在线播放| 黄色日韩在线| 久久这里只有精品中国| 少妇猛男粗大的猛烈进出视频 | 在线观看美女被高潮喷水网站| 免费黄网站久久成人精品| av福利片在线观看| 亚洲欧洲日产国产| 极品教师在线视频| 黄色配什么色好看| 久久这里只有精品中国| 免费观看的影片在线观看| kizo精华| 日韩精品有码人妻一区| 国产麻豆成人av免费视频| 国产精品人妻久久久久久| 91aial.com中文字幕在线观看| 亚洲国产精品成人综合色| 亚洲图色成人| 我的老师免费观看完整版| 校园人妻丝袜中文字幕| 丝袜喷水一区| 2021天堂中文幕一二区在线观| 日日干狠狠操夜夜爽| 中文字幕制服av| 亚洲电影在线观看av| 国产精品日韩av在线免费观看| 麻豆av噜噜一区二区三区| 亚洲经典国产精华液单| 国产黄a三级三级三级人| 国产精品伦人一区二区| 亚洲成人av在线免费| 国产黄a三级三级三级人| 亚洲精品456在线播放app| 国产精品1区2区在线观看.| 国产国拍精品亚洲av在线观看| 一级av片app| 欧美最新免费一区二区三区| 夫妻午夜视频| 免费电影在线观看免费观看| 国产麻豆成人av免费视频| 人妻夜夜爽99麻豆av| 一夜夜www| 亚洲人成网站在线观看播放| 丰满乱子伦码专区| 亚洲人成网站在线观看播放| 激情 狠狠 欧美| 欧美潮喷喷水| 亚洲欧洲日产国产| 免费看不卡的av| 九色成人免费人妻av| 国产高清三级在线| 一级片'在线观看视频| 亚洲在线自拍视频| 亚洲av成人av| 80岁老熟妇乱子伦牲交| 亚洲最大成人av| 日韩一区二区视频免费看| 国产国拍精品亚洲av在线观看| 99热这里只有是精品50| 亚洲伊人久久精品综合| 尤物成人国产欧美一区二区三区| 免费电影在线观看免费观看| 亚洲天堂国产精品一区在线| 亚洲美女视频黄频| 亚洲精品国产av蜜桃| 日韩中字成人| 色尼玛亚洲综合影院| 在线观看一区二区三区| 久热久热在线精品观看| 国内揄拍国产精品人妻在线| 亚洲精品乱码久久久v下载方式| 又大又黄又爽视频免费| 日日啪夜夜爽| 亚洲国产精品专区欧美| videos熟女内射| 久久99热这里只有精品18| 成人亚洲精品av一区二区| eeuss影院久久| 亚洲精品456在线播放app| 国产 一区精品| 日本黄色片子视频| 欧美bdsm另类| 别揉我奶头 嗯啊视频| 久久久成人免费电影| 亚洲图色成人| 国产成年人精品一区二区| 在线观看人妻少妇| 亚洲18禁久久av| 国产成人a区在线观看| www.色视频.com| 丝瓜视频免费看黄片| 国产一区二区三区av在线| 国产亚洲一区二区精品| 国产 一区精品| 18禁动态无遮挡网站| 久久精品久久久久久噜噜老黄| 久热久热在线精品观看| 亚洲怡红院男人天堂| 国产久久久一区二区三区| 日韩精品有码人妻一区| 国产乱人偷精品视频| 欧美bdsm另类| 日韩一区二区三区影片| 精品久久久久久久人妻蜜臀av| a级一级毛片免费在线观看| 婷婷色综合大香蕉| 亚洲av.av天堂| 免费看日本二区| 全区人妻精品视频| 国产av国产精品国产| 一级爰片在线观看| 国产真实伦视频高清在线观看| 久久久色成人| www.av在线官网国产| 日韩三级伦理在线观看| 久热久热在线精品观看| 亚洲av国产av综合av卡| av国产久精品久网站免费入址| 赤兔流量卡办理| 久久久久精品久久久久真实原创| 毛片女人毛片| www.av在线官网国产| 国产精品精品国产色婷婷| 国产日韩欧美在线精品| 一级毛片 在线播放| 中文字幕亚洲精品专区| 久久99蜜桃精品久久| 国产精品久久久久久精品电影小说 | 精品国产一区二区三区久久久樱花 | 亚洲精品色激情综合| 欧美丝袜亚洲另类| 国产伦理片在线播放av一区| 久久久成人免费电影| 欧美3d第一页| 永久网站在线| 一区二区三区乱码不卡18| 亚洲欧美日韩东京热| 我要看日韩黄色一级片| 一级爰片在线观看| 日韩不卡一区二区三区视频在线| 免费黄色在线免费观看| 色网站视频免费| 亚洲aⅴ乱码一区二区在线播放| 国产午夜精品论理片| 精品久久久久久久久av| 精品人妻一区二区三区麻豆| 成年免费大片在线观看| av网站免费在线观看视频 | 日韩电影二区| 草草在线视频免费看| 晚上一个人看的免费电影| 在线a可以看的网站| 搡老乐熟女国产| 精品久久久久久久人妻蜜臀av| 免费看光身美女| 自拍偷自拍亚洲精品老妇| 女人十人毛片免费观看3o分钟| 国产精品人妻久久久久久| 国产黄a三级三级三级人| 免费观看精品视频网站| 亚洲av福利一区| 蜜桃久久精品国产亚洲av| 国产精品国产三级专区第一集| 精品人妻熟女av久视频| 白带黄色成豆腐渣| 中国国产av一级| 可以在线观看毛片的网站| 亚洲怡红院男人天堂| 晚上一个人看的免费电影| 久久99蜜桃精品久久| 秋霞在线观看毛片| 麻豆久久精品国产亚洲av| 一本久久精品| 免费av不卡在线播放| 久久精品久久精品一区二区三区| 欧美高清成人免费视频www| 日日撸夜夜添| 国产在线一区二区三区精| 男人舔女人下体高潮全视频| 国产精品久久久久久久久免| 欧美精品一区二区大全| 国产成人aa在线观看| av在线蜜桃| 久久99热6这里只有精品| 亚洲av成人精品一二三区| 国产日韩欧美在线精品| 久久综合国产亚洲精品| av福利片在线观看| 国产黄色视频一区二区在线观看| 3wmmmm亚洲av在线观看| 国产免费又黄又爽又色| 观看美女的网站| 一级av片app| 菩萨蛮人人尽说江南好唐韦庄| 日本一本二区三区精品| 成人漫画全彩无遮挡| 少妇高潮的动态图| 久久久久精品性色| 欧美日韩在线观看h| 色尼玛亚洲综合影院| 麻豆国产97在线/欧美| 久久精品国产亚洲av涩爱| 18禁裸乳无遮挡免费网站照片| 久久精品人妻少妇| 亚洲久久久久久中文字幕| 亚洲av成人av| 亚洲欧美日韩东京热| 美女cb高潮喷水在线观看| 蜜臀久久99精品久久宅男| 日本三级黄在线观看| 中文精品一卡2卡3卡4更新| 高清视频免费观看一区二区 | 欧美激情国产日韩精品一区| 久久久久九九精品影院| 久久99精品国语久久久| 成年av动漫网址| 九色成人免费人妻av| 少妇熟女aⅴ在线视频| 午夜精品在线福利| 91av网一区二区| 99热这里只有是精品50| 一个人免费在线观看电影| 国产精品久久久久久久电影| 麻豆av噜噜一区二区三区| 亚洲av男天堂| 尾随美女入室| 一级毛片我不卡| 男女边摸边吃奶| 亚洲国产成人一精品久久久| 久久久国产一区二区| 少妇熟女aⅴ在线视频| 男人和女人高潮做爰伦理| 少妇人妻一区二区三区视频| 亚洲在线自拍视频| 久久99热这里只频精品6学生| av.在线天堂| 成人鲁丝片一二三区免费| 菩萨蛮人人尽说江南好唐韦庄| 亚洲av中文字字幕乱码综合| 大片免费播放器 马上看| 男女啪啪激烈高潮av片| 亚洲精品一区蜜桃| 嫩草影院精品99| 夫妻性生交免费视频一级片| 国产精品美女特级片免费视频播放器| 亚洲欧美成人综合另类久久久| 秋霞伦理黄片| 一二三四中文在线观看免费高清| 两个人的视频大全免费| 国产91av在线免费观看| 日本猛色少妇xxxxx猛交久久| 精品酒店卫生间| 国产淫片久久久久久久久| 久久精品国产自在天天线| 中文字幕久久专区| 国产黄片视频在线免费观看| 大话2 男鬼变身卡| 中文字幕制服av| 亚洲国产欧美人成| 老司机影院毛片| 国产视频内射| 国产一区亚洲一区在线观看| 国产精品99久久久久久久久| 日韩亚洲欧美综合| 久久精品久久久久久噜噜老黄| 99久久精品一区二区三区| 亚洲精品影视一区二区三区av| freevideosex欧美| 十八禁国产超污无遮挡网站| 久久精品综合一区二区三区| 人人妻人人澡人人爽人人夜夜 | 亚洲第一区二区三区不卡| 国产一级毛片在线| 欧美精品国产亚洲| 免费无遮挡裸体视频| 99热6这里只有精品| 亚洲国产精品专区欧美| 国产伦一二天堂av在线观看| 国内精品宾馆在线| 免费高清在线观看视频在线观看| 日韩欧美国产在线观看| 深爱激情五月婷婷| 成人毛片60女人毛片免费| 女的被弄到高潮叫床怎么办| 国产精品日韩av在线免费观看| 国产高清不卡午夜福利| 欧美3d第一页| 精品久久久久久久久av| 在线a可以看的网站| 久久精品久久久久久久性| 97超视频在线观看视频| 国内精品一区二区在线观看| 51国产日韩欧美| 久久久久精品久久久久真实原创| 18+在线观看网站| 性色avwww在线观看| 国产午夜精品久久久久久一区二区三区| 又黄又爽又刺激的免费视频.| 两个人视频免费观看高清| av网站免费在线观看视频 | 91av网一区二区| a级一级毛片免费在线观看| 一区二区三区乱码不卡18| 亚洲乱码一区二区免费版| 国产日韩欧美在线精品| 午夜福利视频精品| 国产黄频视频在线观看| av在线老鸭窝| 亚洲国产精品成人综合色| 亚洲真实伦在线观看| 亚洲人成网站高清观看| 一个人观看的视频www高清免费观看| 男女边摸边吃奶| 日本一本二区三区精品| 少妇猛男粗大的猛烈进出视频 | 观看美女的网站| 天天躁夜夜躁狠狠久久av| 精品久久久久久久久久久久久| 搡老妇女老女人老熟妇| 中文字幕av成人在线电影| 又爽又黄a免费视频| 91在线精品国自产拍蜜月| 日韩人妻高清精品专区| 国产在视频线在精品|