• <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
    女人久久www免费人成看片| 国产成人一区二区三区免费视频网站| 国产一卡二卡三卡精品| 国产在线一区二区三区精| 午夜视频精品福利| 欧美日韩亚洲高清精品| 日韩欧美国产一区二区入口| 国产在线观看jvid| 少妇被粗大的猛进出69影院| 国产91精品成人一区二区三区 | 老熟女久久久| 亚洲第一av免费看| 久久久欧美国产精品| 精品少妇黑人巨大在线播放| 黑丝袜美女国产一区| 欧美在线一区亚洲| 后天国语完整版免费观看| 18禁黄网站禁片午夜丰满| 十分钟在线观看高清视频www| 国产一区二区在线观看av| 99国产极品粉嫩在线观看| 老司机靠b影院| 91字幕亚洲| 亚洲熟女毛片儿| 欧美日韩精品网址| 欧美另类亚洲清纯唯美| 免费观看av网站的网址| 黄色视频,在线免费观看| 欧美在线一区亚洲| 国产免费福利视频在线观看| 久久 成人 亚洲| 久久人人爽人人片av| av欧美777| 久久人妻福利社区极品人妻图片| 久久久久久亚洲精品国产蜜桃av| 老司机影院成人| 波多野结衣av一区二区av| 成在线人永久免费视频| 日韩制服骚丝袜av| 在线 av 中文字幕| 日韩欧美一区二区三区在线观看 | 欧美亚洲日本最大视频资源| 国产精品二区激情视频| 女警被强在线播放| 亚洲av成人一区二区三| 亚洲欧美色中文字幕在线| 香蕉丝袜av| 操美女的视频在线观看| 亚洲专区字幕在线| 午夜影院在线不卡| 一级,二级,三级黄色视频| 多毛熟女@视频| 九色亚洲精品在线播放| 高清视频免费观看一区二区| av福利片在线| 女人爽到高潮嗷嗷叫在线视频| 十八禁高潮呻吟视频| 国产一区二区三区在线臀色熟女 | 日韩视频在线欧美| 汤姆久久久久久久影院中文字幕| 啦啦啦中文免费视频观看日本| 每晚都被弄得嗷嗷叫到高潮| 成人免费观看视频高清| 亚洲国产av新网站| 高清欧美精品videossex| 午夜免费成人在线视频| 交换朋友夫妻互换小说| 国产日韩一区二区三区精品不卡| 中文字幕制服av| www.av在线官网国产| 欧美日韩一级在线毛片| 一本久久精品| 国产xxxxx性猛交| 99国产精品一区二区蜜桃av | 桃花免费在线播放| 亚洲午夜精品一区,二区,三区| 午夜福利乱码中文字幕| 青草久久国产| 高潮久久久久久久久久久不卡| 黄色 视频免费看| 国产欧美亚洲国产| 午夜老司机福利片| 岛国在线观看网站| 久久久精品免费免费高清| 色精品久久人妻99蜜桃| 日日夜夜操网爽| 成人国产一区最新在线观看| 最近最新中文字幕大全免费视频| 精品一区在线观看国产| 日韩制服丝袜自拍偷拍| 欧美在线一区亚洲| 久久99热这里只频精品6学生| 每晚都被弄得嗷嗷叫到高潮| 性色av乱码一区二区三区2| 老司机福利观看| a级毛片黄视频| 国产免费av片在线观看野外av| 视频在线观看一区二区三区| 国产99久久九九免费精品| 老熟妇仑乱视频hdxx| 日韩熟女老妇一区二区性免费视频| 国产精品秋霞免费鲁丝片| 亚洲国产欧美网| videos熟女内射| 国产福利在线免费观看视频| 亚洲欧美日韩高清在线视频 | 国产三级黄色录像| 丝袜人妻中文字幕| 国产精品亚洲av一区麻豆| 久久久精品94久久精品| 在线十欧美十亚洲十日本专区| 欧美日韩av久久| 亚洲全国av大片| 巨乳人妻的诱惑在线观看| 大香蕉久久网| 黄频高清免费视频| 午夜福利在线观看吧| 日韩制服骚丝袜av| 91老司机精品| 欧美精品啪啪一区二区三区 | 人人妻人人澡人人爽人人夜夜| 久久久精品94久久精品| 中文字幕av电影在线播放| 午夜两性在线视频| 亚洲欧美色中文字幕在线| 久久久国产精品麻豆| 丝袜人妻中文字幕| 亚洲欧洲日产国产| 午夜91福利影院| 黑人巨大精品欧美一区二区蜜桃| 国产精品二区激情视频| 久久久久国内视频| 可以免费在线观看a视频的电影网站| 亚洲第一欧美日韩一区二区三区 | 麻豆乱淫一区二区| 日本av手机在线免费观看| 亚洲 欧美一区二区三区| 亚洲三区欧美一区| 80岁老熟妇乱子伦牲交| 一级,二级,三级黄色视频| 欧美一级毛片孕妇| 天天躁日日躁夜夜躁夜夜| 秋霞在线观看毛片| 欧美在线黄色| 国产有黄有色有爽视频| 国产区一区二久久| 亚洲精品国产av成人精品| 黑人巨大精品欧美一区二区蜜桃| 热99久久久久精品小说推荐| 一级,二级,三级黄色视频| 日本vs欧美在线观看视频| 日日夜夜操网爽| 国产精品国产三级国产专区5o| 考比视频在线观看| 美女大奶头黄色视频| 免费观看a级毛片全部| 久久香蕉激情| 狂野欧美激情性xxxx| 久久久久久亚洲精品国产蜜桃av| 亚洲av男天堂| 国产亚洲欧美精品永久| 狂野欧美激情性xxxx| 免费高清在线观看日韩| 一区二区三区精品91| 91大片在线观看| 777久久人妻少妇嫩草av网站| 老司机午夜福利在线观看视频 | 国产av一区二区精品久久| 高清视频免费观看一区二区| 别揉我奶头~嗯~啊~动态视频 | av欧美777| 中文字幕另类日韩欧美亚洲嫩草| 如日韩欧美国产精品一区二区三区| 亚洲国产av影院在线观看| 欧美日韩国产mv在线观看视频| 亚洲全国av大片| 日韩熟女老妇一区二区性免费视频| 亚洲一卡2卡3卡4卡5卡精品中文| 欧美久久黑人一区二区| 啦啦啦啦在线视频资源| 精品一品国产午夜福利视频| 99re6热这里在线精品视频| 欧美激情高清一区二区三区| 成年女人毛片免费观看观看9 | 亚洲精品美女久久久久99蜜臀| 18在线观看网站| av一本久久久久| 九色亚洲精品在线播放| 精品一区二区三卡| 老鸭窝网址在线观看| 夫妻午夜视频| 99久久99久久久精品蜜桃| 韩国精品一区二区三区| 女性生殖器流出的白浆| 午夜福利在线观看吧| 欧美日韩亚洲国产一区二区在线观看 | 日日爽夜夜爽网站| 欧美亚洲日本最大视频资源| 窝窝影院91人妻| 国产亚洲精品一区二区www | 亚洲一码二码三码区别大吗| 亚洲人成电影免费在线| 国产精品亚洲av一区麻豆| 成人影院久久| 久久青草综合色| 99热全是精品| 欧美 日韩 精品 国产| 国产日韩欧美亚洲二区| 精品视频人人做人人爽| 色94色欧美一区二区| 麻豆av在线久日| 欧美日韩一级在线毛片| 国产精品亚洲av一区麻豆| 男女国产视频网站| 啦啦啦在线免费观看视频4| 亚洲自偷自拍图片 自拍| 老熟妇仑乱视频hdxx| 波多野结衣av一区二区av| 国产欧美日韩一区二区三 | 亚洲av国产av综合av卡| 亚洲综合色网址| 亚洲欧洲精品一区二区精品久久久| 人人妻人人添人人爽欧美一区卜| 夜夜骑夜夜射夜夜干| 国产老妇伦熟女老妇高清| 99久久人妻综合| h视频一区二区三区| 成年人免费黄色播放视频| 成年美女黄网站色视频大全免费| 亚洲精品自拍成人| 久久久精品国产亚洲av高清涩受| 少妇的丰满在线观看| 日本猛色少妇xxxxx猛交久久| 国精品久久久久久国模美| 精品少妇一区二区三区视频日本电影| 亚洲精品国产区一区二| 乱人伦中国视频| 精品人妻在线不人妻| 国产精品.久久久| 丝袜人妻中文字幕| 亚洲成国产人片在线观看| 人人澡人人妻人| 一本久久精品| 亚洲三区欧美一区| 亚洲成人免费av在线播放| 久久久久精品人妻al黑| 少妇裸体淫交视频免费看高清 | 91九色精品人成在线观看| 亚洲成人免费电影在线观看| 在线观看人妻少妇| 考比视频在线观看| 亚洲av电影在线进入| 日韩人妻精品一区2区三区| 精品熟女少妇八av免费久了| 亚洲av电影在线观看一区二区三区| 久久青草综合色| 女性被躁到高潮视频| 久久久久久久国产电影| av视频免费观看在线观看| 中文字幕另类日韩欧美亚洲嫩草| 日本a在线网址| 后天国语完整版免费观看| 亚洲avbb在线观看| 国产免费一区二区三区四区乱码| 黄色视频在线播放观看不卡| 亚洲欧美日韩另类电影网站| 久久人人97超碰香蕉20202| 蜜桃在线观看..| 国产免费福利视频在线观看| 18禁国产床啪视频网站| 国内毛片毛片毛片毛片毛片| 大片电影免费在线观看免费| 国产日韩欧美视频二区| 亚洲欧美一区二区三区久久| 亚洲专区字幕在线| 午夜视频精品福利| 成人亚洲精品一区在线观看| 热99re8久久精品国产| 满18在线观看网站| 91av网站免费观看| 日本撒尿小便嘘嘘汇集6| 丰满迷人的少妇在线观看| 一级黄色大片毛片| 99久久人妻综合| 一本一本久久a久久精品综合妖精| 久久精品国产亚洲av高清一级| 亚洲色图 男人天堂 中文字幕| 青青草视频在线视频观看| 五月天丁香电影| 纯流量卡能插随身wifi吗| 国产不卡av网站在线观看| 久久人妻熟女aⅴ| 桃花免费在线播放| 色视频在线一区二区三区| 丝袜脚勾引网站| 精品人妻1区二区| 老汉色av国产亚洲站长工具| 91国产中文字幕| 高清在线国产一区| 老司机深夜福利视频在线观看 | 国产精品一区二区在线观看99| 制服诱惑二区| 国产日韩一区二区三区精品不卡| 岛国在线观看网站| 久久精品国产a三级三级三级| 亚洲男人天堂网一区| 后天国语完整版免费观看| 熟女少妇亚洲综合色aaa.| 国产亚洲精品一区二区www | 久久精品亚洲av国产电影网| 亚洲精品国产一区二区精华液| 亚洲国产欧美网| 欧美亚洲日本最大视频资源| 国产一卡二卡三卡精品| 人成视频在线观看免费观看| 各种免费的搞黄视频| 亚洲av片天天在线观看| 在线观看www视频免费| 精品人妻在线不人妻| 久久精品国产a三级三级三级| 午夜影院在线不卡| 俄罗斯特黄特色一大片| 精品久久久久久电影网| 国精品久久久久久国模美| 欧美日韩亚洲高清精品| 亚洲精品一二三| 中亚洲国语对白在线视频| 欧美一级毛片孕妇| 亚洲专区字幕在线| 一个人免费看片子| 99精国产麻豆久久婷婷| 亚洲av男天堂| 亚洲成人手机| 成年av动漫网址| 亚洲久久久国产精品| 中文字幕人妻熟女乱码| 久久热在线av| 国产精品久久久久久精品古装| 国产免费av片在线观看野外av| 国产成人精品久久二区二区91| 老司机午夜福利在线观看视频 | 欧美一级毛片孕妇| 美国免费a级毛片| 久久人人97超碰香蕉20202| 美女高潮到喷水免费观看| 一区在线观看完整版| 免费在线观看日本一区| 日韩中文字幕欧美一区二区| 久久毛片免费看一区二区三区| 国产成人精品久久二区二区91| 中文字幕色久视频| 99国产精品一区二区三区| 99国产极品粉嫩在线观看| 久久人妻福利社区极品人妻图片| 亚洲欧美成人综合另类久久久| 免费一级毛片在线播放高清视频 | 久久这里只有精品19| 亚洲精品久久午夜乱码| 美女视频免费永久观看网站| www.999成人在线观看| 大香蕉久久成人网| 亚洲成人手机| 巨乳人妻的诱惑在线观看| 51午夜福利影视在线观看| 亚洲成国产人片在线观看| 99国产精品一区二区三区| 成年动漫av网址| av超薄肉色丝袜交足视频| 亚洲色图综合在线观看| 亚洲专区中文字幕在线| 女人久久www免费人成看片| 精品国产一区二区久久| 国产成+人综合+亚洲专区| videos熟女内射| 大型av网站在线播放| 高清av免费在线| 97人妻天天添夜夜摸| 久久天堂一区二区三区四区| 一区二区三区精品91| 青青草视频在线视频观看| av在线app专区| 中文字幕人妻丝袜制服| av又黄又爽大尺度在线免费看| 色老头精品视频在线观看| 精品乱码久久久久久99久播| 人妻久久中文字幕网| 女人高潮潮喷娇喘18禁视频| 国产欧美日韩一区二区精品| 久久久久国产精品人妻一区二区| 欧美xxⅹ黑人| 中文字幕av电影在线播放| 午夜免费观看性视频| 一区二区av电影网| 欧美成人午夜精品| 国内毛片毛片毛片毛片毛片| 高潮久久久久久久久久久不卡| 另类亚洲欧美激情| 亚洲avbb在线观看| 黑人巨大精品欧美一区二区蜜桃| 麻豆av在线久日| 亚洲成人手机| 成年人免费黄色播放视频| 亚洲avbb在线观看| 悠悠久久av| 亚洲一码二码三码区别大吗| 极品人妻少妇av视频| 久久国产精品影院| 美女脱内裤让男人舔精品视频| 精品国产乱子伦一区二区三区 | 亚洲av男天堂| 精品国产超薄肉色丝袜足j| 精品免费久久久久久久清纯 | 亚洲性夜色夜夜综合| 久久青草综合色| 考比视频在线观看| 久久香蕉激情| 欧美精品亚洲一区二区| 国产欧美亚洲国产| 中国国产av一级| 日本五十路高清| 亚洲天堂av无毛| 五月天丁香电影| 黄色视频不卡| 2018国产大陆天天弄谢| 久久久久久人人人人人| 亚洲av欧美aⅴ国产| 91九色精品人成在线观看| 久久久国产精品麻豆| 黄色a级毛片大全视频| 精品乱码久久久久久99久播| 久久久精品94久久精品| 男人添女人高潮全过程视频| 亚洲成国产人片在线观看| 精品亚洲成国产av| 中亚洲国语对白在线视频| 国产av国产精品国产| 亚洲,欧美精品.| 欧美激情 高清一区二区三区| 国产精品 欧美亚洲| 久久久国产欧美日韩av| 久久久精品国产亚洲av高清涩受| 中文字幕制服av| 精品国产乱码久久久久久小说| 欧美日韩亚洲高清精品| 亚洲色图 男人天堂 中文字幕| 动漫黄色视频在线观看| 免费人妻精品一区二区三区视频| 侵犯人妻中文字幕一二三四区| 90打野战视频偷拍视频| 久久 成人 亚洲| 在线精品无人区一区二区三| 精品第一国产精品| 亚洲男人天堂网一区| 久久影院123| 亚洲国产精品999| 国产高清videossex| 午夜福利一区二区在线看| 国产精品免费大片| 日韩电影二区| 成人三级做爰电影| 美女午夜性视频免费| 色综合欧美亚洲国产小说| tube8黄色片| 午夜影院在线不卡| 最近最新免费中文字幕在线| 91九色精品人成在线观看| 久久精品人人爽人人爽视色| 丁香六月欧美| 亚洲精品国产精品久久久不卡| 久久 成人 亚洲| 视频区欧美日本亚洲| 免费在线观看日本一区| 欧美日本中文国产一区发布| 青青草视频在线视频观看| 国产精品二区激情视频| 91老司机精品| 亚洲精品粉嫩美女一区| 热re99久久国产66热| 天天添夜夜摸| 亚洲av成人一区二区三| 亚洲av日韩精品久久久久久密| 亚洲 欧美一区二区三区| 国产精品九九99| 少妇猛男粗大的猛烈进出视频| 亚洲人成77777在线视频| 99久久综合免费| 一个人免费在线观看的高清视频 | 国产深夜福利视频在线观看| 精品国产一区二区久久| 曰老女人黄片| 男女下面插进去视频免费观看| 亚洲精品国产色婷婷电影| 日韩欧美一区视频在线观看| 欧美中文综合在线视频| h视频一区二区三区| 黑人猛操日本美女一级片| 亚洲视频免费观看视频| 国产日韩一区二区三区精品不卡| 亚洲久久久国产精品| 啦啦啦视频在线资源免费观看| 久久国产精品大桥未久av| av不卡在线播放| 伊人亚洲综合成人网| 亚洲中文字幕日韩| 亚洲av欧美aⅴ国产| 免费日韩欧美在线观看| 国产av精品麻豆| 亚洲欧美一区二区三区久久| 叶爱在线成人免费视频播放| av不卡在线播放| 亚洲av日韩在线播放| 一边摸一边抽搐一进一出视频| 亚洲精品日韩在线中文字幕| 国产精品一二三区在线看| 欧美在线一区亚洲| 国产精品1区2区在线观看. | 啦啦啦啦在线视频资源| 别揉我奶头~嗯~啊~动态视频 | 一本色道久久久久久精品综合| 精品人妻一区二区三区麻豆| 日韩大片免费观看网站| 丁香六月天网| 日韩中文字幕视频在线看片| 一区福利在线观看| 欧美国产精品一级二级三级| a级片在线免费高清观看视频| 国产成人av激情在线播放| 国产免费现黄频在线看| 两性午夜刺激爽爽歪歪视频在线观看 | 精品视频人人做人人爽| 亚洲国产中文字幕在线视频| 久久狼人影院| 免费av中文字幕在线| 国产精品国产av在线观看| 欧美中文综合在线视频| 成年动漫av网址| 国产精品欧美亚洲77777| 精品人妻在线不人妻| 亚洲精品国产色婷婷电影| 欧美激情 高清一区二区三区| 黄色a级毛片大全视频| 在线天堂中文资源库| 99久久综合免费| 老汉色av国产亚洲站长工具| 午夜免费鲁丝| 99re6热这里在线精品视频| 人人澡人人妻人| 国产欧美日韩精品亚洲av| 中文字幕高清在线视频| 一区二区三区激情视频| 美女主播在线视频| 纯流量卡能插随身wifi吗| 国产av又大| 丝袜在线中文字幕| 亚洲美女黄色视频免费看| 亚洲精品中文字幕在线视频| 久久久国产成人免费| 老熟女久久久| 最新在线观看一区二区三区| 免费少妇av软件| 国产男人的电影天堂91| 久久精品aⅴ一区二区三区四区| 高清在线国产一区| 亚洲av美国av| 国产1区2区3区精品| 美女高潮到喷水免费观看| 咕卡用的链子| 69av精品久久久久久 | 黄片播放在线免费| 亚洲久久久国产精品| 91精品国产国语对白视频| 黄色视频,在线免费观看| av不卡在线播放| 亚洲精华国产精华精| 一边摸一边做爽爽视频免费| 国产精品成人在线| 成人av一区二区三区在线看 | 久久精品aⅴ一区二区三区四区| 亚洲成人手机| 亚洲精品久久午夜乱码| 电影成人av| 新久久久久国产一级毛片| 黄色a级毛片大全视频| 天天操日日干夜夜撸| 国产精品影院久久| 人人澡人人妻人| 天天操日日干夜夜撸| 国产在线一区二区三区精| 黑人欧美特级aaaaaa片| 成年美女黄网站色视频大全免费| 三上悠亚av全集在线观看| 精品一区在线观看国产| 中文字幕另类日韩欧美亚洲嫩草| 12—13女人毛片做爰片一| 国产精品 欧美亚洲| 美女脱内裤让男人舔精品视频| 亚洲精品国产区一区二| 亚洲欧洲日产国产| 丝袜美腿诱惑在线| 少妇粗大呻吟视频| 国产高清videossex| 久久人妻熟女aⅴ| 亚洲 国产 在线| 精品第一国产精品| cao死你这个sao货| 十八禁高潮呻吟视频| 久久久久久久精品精品| 久久天躁狠狠躁夜夜2o2o| 天天躁狠狠躁夜夜躁狠狠躁| 久久 成人 亚洲| 在线观看免费日韩欧美大片| 美女午夜性视频免费| 99久久99久久久精品蜜桃| 亚洲天堂av无毛| 欧美午夜高清在线|