• <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 ?

    基于深度學習的目標檢測算法研究

    2025-01-21 00:00:00曹斯茹金可藝陳惠妹
    中國新技術新產品 2025年1期
    關鍵詞:注意力機制目標檢測輕量化

    摘 要:為全面識別并檢測攝像頭拍攝的在城市道路上的車輛目標,本文提出一種基于YOLOv7的改進模型C-YOLOv7。在頭部網絡末端加入注意力機制模塊,提高模型檢測準確率。為減少YOLOv7算法的參數量,降低計算的復雜度,對改進后的模型進行剪枝輕量化。試驗結果表示,與原模型相比,改進后的模型的平均精度(Average Precision,AP)、精度和召回率均有提高,與C-YOLOv7模型相比,輕量化后的模型的傳輸幀數增加,推理延遲和參數量減少。改進后的模型能夠提高車輛檢測的準確度,節(jié)省存儲空間,在交通安全與管理領域發(fā)揮更大作用。

    關鍵詞:深度學習;目標檢測;注意力機制;輕量化

    中國分類號:TP 391 " " " 文獻標志碼:A

    在快速發(fā)展的交通領域,車輛檢測技術[1]是提升交通安全和效率的重要手段。深度學習基礎的車輛檢測算法具有出色的泛化能力,能夠適應多變的環(huán)境條件。盡管已有算法在檢測精度、檢測速度及模型參數優(yōu)化方面均有良好表現(xiàn),但綜合性能卓越的算法仍比較稀少。本文以城市道路車輛檢測為應用場景,依托深度學習技術[2],旨在構建一種體積更小、部署范圍更廣的目標檢測模型。該模型旨在克服傳統(tǒng)目標檢測方法中存在的準確度及計算效率偏低的問題,進而提升車輛目標檢測的準確率。

    1 基于改進的YOLOv7目標檢測模型

    YOLOv7[3]目標檢測模型的檢測速度較快,其采用多尺度特征融合策略,從不同層級的特征圖中提取信息,能夠檢測不同尺度的目標,更好地處理目標的上下文信息。模型的網絡結構比較簡單,在不同的硬件平臺和資源受限的設備上都可以運行。

    1.1 YOLOv7的網絡結構

    YOLOv7網絡模型主要包括3個部分,其特點如下。

    1.1.1 骨干網絡

    骨干網絡的主要任務是從輸入圖像中提取高質量的特征。YOLOv7使用優(yōu)化的高效長距離網絡(Efficient Long-Range Attention Network,ELAN)作為其骨干網絡,這種設計使網絡能夠在更淺的網絡層級收集更多的信息,并保持計算的高效性。

    1.1.2 頸部網絡

    頸部網絡的主要任務是將骨干網絡提取的特征進行進一步處理和融合,以執(zhí)行后續(xù)的檢測任務。其中,下采樣模塊利用最大池化(Max Pool)操作擴張當前特征層的感受野,再與正常卷積處理后的特征信息進行融合,增強了網絡的泛化性。

    1.1.3 頭部網絡

    頭部網絡的主要任務是對頸部網絡輸出的特征圖進行物體檢測。YOLOv7的頭部網絡采用多尺度的檢測機制,分別在不同尺度的特征圖中進行物體檢測,提升檢測的準確性。頭部網絡引入經過特殊設計的殘差結構輔助訓練,但是在轉換過程中可能會產生一定的精度損失。

    1.2 YOLOv7使用的損失函數

    1.2.1 定位損失(Location Loss)

    在目標形狀不規(guī)則、大小不一致的情況下,CIoU的相似性度量更準確,能夠更好地滿足各種尺寸和形狀的目標檢測要求,因此在YOLOv7中使用CIoU損失計算定位損失。IoU 的計算過程如公式(1)所示。

    (1)

    式中:IoU 為交并比;A為預測框的面積;B為真實框的面積。

    CIoU 的計算過程如公式(2)所示。

    (2)

    式中:CIoU 為完整的交并比;d為預測框與真實框中心點的距離;c為最小外接矩形的對角線距離;α為權重函數;v 為修正因子。

    CIoU 損失函數的計算過程如公式(3)所示。

    (3)

    式中:LossCIoU為完整的交并比損失。

    1.2.2 置信度損失(Confidence Loss)

    置信度損失能夠評估預測邊界框的置信度與真實目標是否存在差距,并衡量其預測的準確性。本文采用二元交叉熵損失函數計算置信度損失,計算過程如公式(4)所示。

    Lconf=-[ylog(p)+(1-y)log(1-p)] " " (4)

    式中:Lconf為二元交叉熵損失;y為真實標簽;p為模型預測的概率,數值為0~1;log(1-p)為對模型預測的負類概率取自然對數。

    1.2.3 類別損失(Class Loss)

    類別損失的作用是衡量模型對目標類別的預測準確性。本文利用多類交叉熵損失來計算分類損失,損失函數計算過程如公式(5)所示。

    (5)

    式中:Lcls為多類交叉熵損失;C為類別總數;i為類別的索引,取值為1~C;yi為真實標簽,當yi為1時表示真實類別,當yi為0時表示其他類別;pi為模型預測第i類的概率。

    1.3 C-YOLOv7算法改進

    1.3.1 引入注意力機制

    Head部分利用卷積進行特征提取,可能會出現(xiàn)只在局部感知域內進行特征提取,不能全面考慮全局上下文信息,導致對整體信息捕捉不足的情況。針對這個問題本文提出C-YOLOv7目標檢測框架,在Head部分融入注意力機制模塊(Convolutional Block Attention Module,CBAM),提高對整體信息的捕獲能力。CBAM由2個子模塊組成:通道注意力模塊(Channel Attention Module,CAM)和空間注意力模塊(Spatial Attention Module,SAM)。CBAM引入注意力機制至特征圖中,使網絡能夠更有效地聚焦于關鍵特征,達到檢測效果。CBAM結構如圖1所示。

    在YOLOv7-Head部分卷積層中串聯(lián)進CBAM,得到新的M-Conv卷積層,將M-Conv替換為原YOLOv7中的卷積層,得到C-YOLOv7模型,其結構如圖2所示。

    不同尺寸的特征圖經過殘差結構進入通道注意力模塊,分別進行全局平均池化和全局最大池化,保留通道信息。分別將池化后的特征圖送入多層感知機(Multilayer Perceptron,MLP)中提取特征。將MLP輸出的特征進行加合,經過Sigmoid激活操作,得到通道注意力權重。通道注意力模塊的計算過程如公式(6)所示。

    Mc(F)=σ(MLP(AvgPool(F))+MLP(MaxPool(F))) (6)

    式中:Mc(F)為特征圖F的通道注意力;σ為Sigmoid激活函數;MLP為多層感知機;AvgPool(F)為F的全局平均池化;MaxPool(F)為F的全局最大池化。

    將利用通道注意力計算后輸出的特征圖作為空間注意力模塊輸入的特征圖,在通道維度分別進行全局平均池化和全局最大池化,保留空間信息。將這2個池化特征進行通道融合操作,利用卷積層操作提取特征。利用Sigmoid函數進行激活,得到包括通道注意力的空間注意力權重。在串行完成這2個步驟后,將空間注意力特征與原特征圖相乘,得到最終的輸出特征圖。通道注意力模塊的計算過程如公式(7)所示。

    Ms(F)=σ(f 7*7([AvgPool(F));MaxPool(F)])) (7)

    式中:Ms(F)為F的空間注意力;f 7*7為7*7的卷積操作。

    1.3.2 模型輕量化

    在深度學習模型中,剪枝[4]是一種重要的優(yōu)化技術,其作用是減少模型的計算量和參數量,加快推理速度,縮小模型的存儲空間。移除過濾器是一種適用于卷積神經網絡的剪枝方法,通過識別并移除對最終模型影響較小的卷積核來減少模型的參數量。針對C-YOLOv7檢測模型體積較大的問題,對C-YOLOv7進行剪枝操作,得到輕量化的目標檢測模型PC-YOLOv7。

    對過濾器進行剪枝,流程如圖3所示。設ni為第i個卷積層的輸入通道數,hi/wi為輸入特征映射的高度/寬度。卷積層在ni個輸入通道中應用ni+1個3D濾波器Fi,j,將輸入特征映射xi轉換為輸出特征映射xi+1,生成的輸出特征映射將作為下一層卷積層的輸入特征映射。當對過濾器Fi,j進行剪枝時,去除其對應的特征映射,也去除下一個卷積層過濾器中特征映射的核。

    從訓練良好的模型中去除不重要的過濾器來提高計算效率。計算過濾器的絕對權重總和Σ|Fi,j|來衡量每一層中過濾器的相對重要性。由于各過濾器的輸入通道數ni相同,因此Σ|Fi,j|也表示其平均核權重。與該層中的其他過濾器相比,核權重較小的過濾器傾向于生成弱激活的特征映射,該映射對最終結果影響較小,因此剪去核權重較小的過濾器。計算過濾器的絕對權重總和,如公式(8)所示。

    (8)

    式中:Sj為第i個過濾器的絕對值權重總和;Fi,j為第i個過濾器的第j個權重。

    進行剪枝的具體步驟如下。1)統(tǒng)計卷積層的權重,計算每個卷積層權重的絕對值總和,將其作為剪枝依據。2)根據權重總和對過濾器進行排序,并選擇一部分進行剪枝。percent參數決定需要剪枝的比例。本文將percent設為0.2。3)移除選擇的卷積層中不重要的過濾器,創(chuàng)建一個新的卷積層,復制舊卷積層的權重和偏置來移除過濾器。4)將剪枝后的卷積層替換回模型中。

    2 試驗結果

    2.1 試驗環(huán)境

    本文模型使用PyTorch語言編寫算法的程序代碼,操作系統(tǒng)為Windows 10,訓練模型使用的GPU為NVIDIA 4060Ti GPU,初始學習率為0.000 1。在每次訓練迭代中進行前向傳播再進行反向傳播,從而實現(xiàn)優(yōu)化。

    2.2 數據集選取

    本文選擇公開數據集Data for STREETS(A novel camera network dataset for traffic flow,STREETS)作為檢測對象,該數據集包括5 249張訓練集樣本、291張測試集樣本以及582張驗證集樣本。在數據集中有各種城市街道的交通場景,利用安裝在城市街道重要道路和交通繁忙的路口的高清攝像頭采集多樣化的交通車輛數據,其包括不同天氣條件、交通密度和時間段的數據類型。

    2.3 各目標檢測模型對比試驗

    C-YOLOv7與其他目標檢測模型的試驗對比結果見表1。

    由表1可知,與原版本以及其衍生版本相比,改進后的C-YOLOv7在平均精度、精度以及召回率方面均有提高,精度為83.7%,說明改進后的模型在目標檢測方面效果較好。

    2.4 目標檢測模型輕量化

    使用輕量化目標檢測模型PC-YOLOv7與C-YOLOv7進行試驗,對比結果見表2,使用平均精度、傳輸幀數、推理延遲和參數量4個評價指標。試驗結果表明,經過剪枝后的YOLOv7模型準確度較高,模型尺寸更小,計算復雜度更低。

    表2 輕量化模型試驗對比結果

    模型 平均精度/% 傳輸幀數/(幀·s-1) 推理延遲/ms 參數量/G

    C-YOLOv7 78.0 30 33 22.8

    PC-YOLOv7 74.3 32 29 4.9

    3 結論

    本文提出一種改進的目標檢測模型C-YOLOv7,在YOLOv7頭部卷積層中添加CBAM,得到新的卷積層來替換YOLOv7中原來的卷積層,提高了模型的檢測精度。對改進后的模型進行剪枝輕量化,減少模型參數量,使模型更易于部署。試驗結果表明,與原模型相比,改進模型的平均精度、精度和召回率分別提升至78.0%、83.7%和74.0%;推理延遲縮短至29 ms,參數量為原模型的21.5%。

    深度學習的車輛目標檢測模型仍然有改進空間,例如結合視覺、雷達等多種傳感器數據與檢測模型進行多模態(tài)數據融合,以提高對車輛的識別能力和檢測精度,并增強在各種環(huán)境條件下的適應性和魯棒性。在保障數據安全的前提下,有效地利用大數據來提升檢測算法的性能和智能化程度。

    參考文獻

    [1]曹家樂,李亞利,孫漢卿,等.基于深度學習的視覺目標檢測技術綜述[J].中國圖象圖形學報,2022,27(6):1697-1722.

    [2]張陽婷,黃德啟,王東偉,等.基于深度學習的目標檢測算法研究與應用綜述[J].計算機工程與應用,2023,59(18):1-13.

    [3]李長海.基于改進YOLOv7的紅外行人目標檢測方法[J].汽車工程師,2024(8):15-21.

    [4]毛遠宏,曹健,賀鵬超,等.深度神經網絡剪枝方法綜述[J].微電子學與計算機,2023,40(10):1-8.

    猜你喜歡
    注意力機制目標檢測輕量化
    汽車輕量化集成制造專題主編
    基于深度學習的問題回答技術研究
    一種輕量化自卸半掛車結構設計
    智富時代(2019年2期)2019-04-18 07:44:42
    基于LSTM?Attention神經網絡的文本特征提取方法
    基于注意力機制的雙向LSTM模型在中文商品評論情感分類中的研究
    軟件工程(2017年11期)2018-01-05 08:06:09
    InsunKBQA:一個基于知識庫的問答系統(tǒng)
    視頻中目標檢測算法研究
    軟件(2016年4期)2017-01-20 09:38:03
    行為識別中的人體運動目標檢測方法
    移動機器人圖像目標識別
    瞄準掛車輕量化 鑼響掛車正式掛牌成立
    專用汽車(2016年1期)2016-03-01 04:13:19
    又黄又爽又免费观看的视频| 九九久久精品国产亚洲av麻豆 | 国产69精品久久久久777片 | 少妇裸体淫交视频免费看高清| 亚洲精华国产精华精| 成人av在线播放网站| 法律面前人人平等表现在哪些方面| 国产伦一二天堂av在线观看| ponron亚洲| 岛国视频午夜一区免费看| 久久亚洲真实| 亚洲男人的天堂狠狠| 中文资源天堂在线| 精品久久久久久,| 久久久久久大精品| 欧美色欧美亚洲另类二区| 看免费av毛片| 在线观看免费视频日本深夜| 亚洲,欧美精品.| 久久天躁狠狠躁夜夜2o2o| 老司机福利观看| 久久久久久久久中文| 老熟妇乱子伦视频在线观看| 99久久精品热视频| 免费搜索国产男女视频| 欧洲精品卡2卡3卡4卡5卡区| 小说图片视频综合网站| 九九久久精品国产亚洲av麻豆 | 亚洲无线观看免费| 美女大奶头视频| 亚洲成人久久爱视频| 国产成人一区二区三区免费视频网站| 欧美又色又爽又黄视频| 变态另类成人亚洲欧美熟女| 久久久久久人人人人人| 一a级毛片在线观看| 综合色av麻豆| 18美女黄网站色大片免费观看| 男人和女人高潮做爰伦理| 久99久视频精品免费| 非洲黑人性xxxx精品又粗又长| 毛片女人毛片| 99热只有精品国产| 国产av在哪里看| 国产精品久久久av美女十八| 国产精品av视频在线免费观看| 亚洲美女视频黄频| 久久中文看片网| 精品乱码久久久久久99久播| 偷拍熟女少妇极品色| 18美女黄网站色大片免费观看| x7x7x7水蜜桃| 黑人操中国人逼视频| 久久精品人妻少妇| 制服丝袜大香蕉在线| 欧美丝袜亚洲另类 | 床上黄色一级片| 午夜福利视频1000在线观看| 色av中文字幕| 免费av不卡在线播放| 最好的美女福利视频网| 岛国在线免费视频观看| 国产69精品久久久久777片 | 亚洲五月婷婷丁香| 欧美一级a爱片免费观看看| 不卡一级毛片| 九色成人免费人妻av| 亚洲精品久久国产高清桃花| 午夜精品一区二区三区免费看| 夜夜看夜夜爽夜夜摸| 18禁国产床啪视频网站| av女优亚洲男人天堂 | 制服丝袜大香蕉在线| 成年女人毛片免费观看观看9| 好看av亚洲va欧美ⅴa在| 精品久久久久久,| 国产高清有码在线观看视频| 亚洲av电影不卡..在线观看| 亚洲专区国产一区二区| АⅤ资源中文在线天堂| 亚洲欧美激情综合另类| 亚洲国产精品合色在线| 欧美黄色片欧美黄色片| 国产成人av教育| 波多野结衣巨乳人妻| 伊人久久大香线蕉亚洲五| 国产一区二区三区在线臀色熟女| 91麻豆av在线| 亚洲欧美精品综合一区二区三区| 黄色女人牲交| 亚洲成人久久爱视频| 久久精品国产综合久久久| 亚洲成人久久性| 亚洲精品粉嫩美女一区| 黄色片一级片一级黄色片| 一区二区三区国产精品乱码| 丁香欧美五月| av视频在线观看入口| 精品99又大又爽又粗少妇毛片 | 给我免费播放毛片高清在线观看| 一级毛片高清免费大全| 美女午夜性视频免费| 亚洲aⅴ乱码一区二区在线播放| 色综合欧美亚洲国产小说| 欧美日韩瑟瑟在线播放| 亚洲18禁久久av| 欧美成狂野欧美在线观看| 人妻丰满熟妇av一区二区三区| 国内少妇人妻偷人精品xxx网站 | 亚洲熟女毛片儿| 欧美黄色片欧美黄色片| 桃色一区二区三区在线观看| 国产乱人伦免费视频| 国产91精品成人一区二区三区| 欧美成人一区二区免费高清观看 | 久久久久久国产a免费观看| 非洲黑人性xxxx精品又粗又长| 国产亚洲精品一区二区www| 日韩成人在线观看一区二区三区| 母亲3免费完整高清在线观看| 久久久久国产一级毛片高清牌| 色综合婷婷激情| 亚洲精品一区av在线观看| 制服丝袜大香蕉在线| 欧洲精品卡2卡3卡4卡5卡区| 亚洲电影在线观看av| 十八禁网站免费在线| 熟女人妻精品中文字幕| 岛国在线观看网站| 欧美黑人欧美精品刺激| 夜夜夜夜夜久久久久| 欧美乱色亚洲激情| 国产主播在线观看一区二区| 午夜福利视频1000在线观看| 9191精品国产免费久久| 黄色女人牲交| 欧美日韩一级在线毛片| www日本在线高清视频| 一区福利在线观看| tocl精华| 欧美高清成人免费视频www| 成人三级黄色视频| 久久九九热精品免费| 99热精品在线国产| 精华霜和精华液先用哪个| 这个男人来自地球电影免费观看| 国产亚洲精品综合一区在线观看| 免费av毛片视频| 又大又爽又粗| 欧美日本视频| 18禁国产床啪视频网站| 性欧美人与动物交配| www日本在线高清视频| 宅男免费午夜| 亚洲成a人片在线一区二区| h日本视频在线播放| 国产精品一区二区三区四区久久| 一进一出抽搐动态| 国产黄片美女视频| 国产精品久久久久久精品电影| a级毛片在线看网站| bbb黄色大片| 综合色av麻豆| 最新中文字幕久久久久 | 精品无人区乱码1区二区| 精品久久久久久成人av| 久久精品国产综合久久久| av天堂在线播放| 欧美一区二区国产精品久久精品| 久久性视频一级片| 老司机福利观看| 男人舔女人下体高潮全视频| 亚洲av电影在线进入| 1024手机看黄色片| 亚洲av成人精品一区久久| 在线a可以看的网站| 悠悠久久av| 国产综合懂色| 国产精品99久久久久久久久| 在线十欧美十亚洲十日本专区| 亚洲 欧美 日韩 在线 免费| av中文乱码字幕在线| 亚洲成人中文字幕在线播放| 亚洲精品色激情综合| 亚洲精华国产精华精| 人妻久久中文字幕网| 久久久久免费精品人妻一区二区| 国产乱人视频| 长腿黑丝高跟| 国产亚洲av嫩草精品影院| svipshipincom国产片| 亚洲va日本ⅴa欧美va伊人久久| www.自偷自拍.com| 亚洲精品美女久久久久99蜜臀| 国产亚洲av嫩草精品影院| 成人18禁在线播放| 免费av不卡在线播放| 欧美午夜高清在线| 久久亚洲真实| 一级作爱视频免费观看| av片东京热男人的天堂| 欧美高清成人免费视频www| 日韩成人在线观看一区二区三区| 色综合站精品国产| 亚洲av熟女| 国产成人av教育| 成人精品一区二区免费| 国产午夜福利久久久久久| 欧美午夜高清在线| 国产精华一区二区三区| 亚洲欧洲精品一区二区精品久久久| 亚洲欧美精品综合一区二区三区| 丁香欧美五月| 黄频高清免费视频| 又爽又黄无遮挡网站| 两性午夜刺激爽爽歪歪视频在线观看| 精品久久久久久,| 搡老妇女老女人老熟妇| 热99re8久久精品国产| 成人精品一区二区免费| 欧美日本亚洲视频在线播放| 老鸭窝网址在线观看| 国产综合懂色| 国产午夜福利久久久久久| 国产午夜精品久久久久久| netflix在线观看网站| av中文乱码字幕在线| 在线观看美女被高潮喷水网站 | 亚洲精品乱码久久久v下载方式 | 在线观看免费视频日本深夜| 热99在线观看视频| 中国美女看黄片| 午夜久久久久精精品| 岛国在线观看网站| 男人舔奶头视频| 国产精品日韩av在线免费观看| 极品教师在线免费播放| 好男人在线观看高清免费视频| 久久热在线av| 麻豆成人av在线观看| 亚洲一区二区三区色噜噜| 亚洲美女视频黄频| 久久香蕉国产精品| 性色avwww在线观看| 久久热在线av| 成人av一区二区三区在线看| 宅男免费午夜| 欧美成狂野欧美在线观看| 99热精品在线国产| 18禁观看日本| 成人午夜高清在线视频| 亚洲一区二区三区不卡视频| 19禁男女啪啪无遮挡网站| 国产精品永久免费网站| 无遮挡黄片免费观看| 亚洲国产精品成人综合色| 久久久精品大字幕| 久久国产精品影院| 中文字幕最新亚洲高清| 中文字幕高清在线视频| 一个人看视频在线观看www免费 | 亚洲熟女毛片儿| 一二三四社区在线视频社区8| 免费人成视频x8x8入口观看| 国产精品久久视频播放| 午夜福利18| 午夜a级毛片| 成在线人永久免费视频| 99热6这里只有精品| 精品久久久久久久久久免费视频| 婷婷精品国产亚洲av| 精品乱码久久久久久99久播| 高清毛片免费观看视频网站| 制服人妻中文乱码| 国产一级毛片七仙女欲春2| 免费高清视频大片| 国产成人一区二区三区免费视频网站| 一本综合久久免费| 男人舔女人下体高潮全视频| 男插女下体视频免费在线播放| 一级毛片精品| 18禁观看日本| 精品免费久久久久久久清纯| 精品久久久久久成人av| 精品国产超薄肉色丝袜足j| 久久久久久久午夜电影| 国产成人av教育| 在线a可以看的网站| 精品免费久久久久久久清纯| 又黄又粗又硬又大视频| 麻豆国产97在线/欧美| 国产高清videossex| 久久久久亚洲av毛片大全| 高清毛片免费观看视频网站| 中文亚洲av片在线观看爽| 极品教师在线免费播放| 中文资源天堂在线| 淫秽高清视频在线观看| 真人做人爱边吃奶动态| 国产三级黄色录像| 天堂av国产一区二区熟女人妻| 欧美黄色片欧美黄色片| 久久热在线av| 久久久久久久久久黄片| 久久久国产成人精品二区| 黄色 视频免费看| 日韩av在线大香蕉| 国产精品99久久久久久久久| 精品国产乱码久久久久久男人| 麻豆一二三区av精品| 亚洲精品美女久久久久99蜜臀| 中文字幕最新亚洲高清| 亚洲激情在线av| 色综合欧美亚洲国产小说| 男女午夜视频在线观看| 国产麻豆成人av免费视频| 黄色 视频免费看| 午夜福利视频1000在线观看| 动漫黄色视频在线观看| 男插女下体视频免费在线播放| 国语自产精品视频在线第100页| 免费大片18禁| 欧美绝顶高潮抽搐喷水| 一个人免费在线观看的高清视频| 国产亚洲精品综合一区在线观看| 综合色av麻豆| 黑人操中国人逼视频| 亚洲av日韩精品久久久久久密| 亚洲人成网站高清观看| 国产精品免费一区二区三区在线| av黄色大香蕉| 丰满的人妻完整版| www.精华液| 国产一区二区在线观看日韩 | 男人和女人高潮做爰伦理| 熟女电影av网| 啪啪无遮挡十八禁网站| 亚洲最大成人中文| 91久久精品国产一区二区成人 | 欧美不卡视频在线免费观看| 亚洲欧美一区二区三区黑人| 又黄又粗又硬又大视频| 日本免费a在线| 99久久99久久久精品蜜桃| 久久香蕉国产精品| 少妇的逼水好多| 波多野结衣高清作品| 国产精品永久免费网站| 日韩欧美一区二区三区在线观看| 午夜久久久久精精品| 丰满的人妻完整版| xxx96com| 99在线人妻在线中文字幕| 天堂网av新在线| 美女黄网站色视频| 亚洲人成网站高清观看| 亚洲熟妇熟女久久| 亚洲 欧美一区二区三区| 亚洲精品美女久久久久99蜜臀| 精品一区二区三区av网在线观看| 欧美黑人欧美精品刺激| 99热这里只有是精品50| 中文字幕人妻丝袜一区二区| 窝窝影院91人妻| 麻豆国产97在线/欧美| 窝窝影院91人妻| 亚洲精品粉嫩美女一区| 国产亚洲精品综合一区在线观看| 嫩草影院精品99| 黑人操中国人逼视频| 久久久精品欧美日韩精品| 少妇的逼水好多| 90打野战视频偷拍视频| 欧美乱色亚洲激情| 亚洲欧美一区二区三区黑人| 国产精品国产高清国产av| 91在线精品国自产拍蜜月 | 国内揄拍国产精品人妻在线| 美女扒开内裤让男人捅视频| 99re在线观看精品视频| www.精华液| 男女做爰动态图高潮gif福利片| svipshipincom国产片| 日韩欧美一区二区三区在线观看| av黄色大香蕉| 十八禁网站免费在线| 啦啦啦韩国在线观看视频| 国产午夜精品久久久久久| 天堂av国产一区二区熟女人妻| 成人特级av手机在线观看| 国产精品野战在线观看| 露出奶头的视频| 欧美乱码精品一区二区三区| а√天堂www在线а√下载| 欧美绝顶高潮抽搐喷水| av视频在线观看入口| 亚洲国产精品合色在线| 丝袜人妻中文字幕| 免费在线观看影片大全网站| 很黄的视频免费| 婷婷精品国产亚洲av在线| 很黄的视频免费| 亚洲自拍偷在线| 特大巨黑吊av在线直播| 草草在线视频免费看| 日本在线视频免费播放| 他把我摸到了高潮在线观看| 日韩大尺度精品在线看网址| 中文字幕人妻丝袜一区二区| 可以在线观看毛片的网站| 90打野战视频偷拍视频| 亚洲va日本ⅴa欧美va伊人久久| 久久久久久久精品吃奶| 中文亚洲av片在线观看爽| 亚洲五月婷婷丁香| 男人舔女人的私密视频| 国产成人欧美在线观看| 在线观看一区二区三区| 国产高清三级在线| 成年女人永久免费观看视频| 搞女人的毛片| 一边摸一边抽搐一进一小说| 99久久久亚洲精品蜜臀av| 在线免费观看不下载黄p国产 | 99久久成人亚洲精品观看| 亚洲激情在线av| 久久久精品大字幕| 久久久国产精品麻豆| 亚洲午夜理论影院| 日本a在线网址| 婷婷亚洲欧美| 青草久久国产| 欧美又色又爽又黄视频| 老司机福利观看| 香蕉av资源在线| 怎么达到女性高潮| 听说在线观看完整版免费高清| 国产伦在线观看视频一区| 18禁美女被吸乳视频| 欧美不卡视频在线免费观看| 又大又爽又粗| 男人舔女人的私密视频| 欧美黄色淫秽网站| 日韩欧美一区二区三区在线观看| 精品国产乱子伦一区二区三区| 国产成人福利小说| 成人永久免费在线观看视频| 精品久久久久久久末码| 午夜视频精品福利| e午夜精品久久久久久久| 丁香欧美五月| 久久人妻av系列| 国产欧美日韩精品亚洲av| 在线国产一区二区在线| 日韩av在线大香蕉| 国内精品美女久久久久久| 国产淫片久久久久久久久 | 亚洲午夜理论影院| 国产精品久久久久久人妻精品电影| 97超级碰碰碰精品色视频在线观看| 熟女电影av网| 午夜激情福利司机影院| 最新中文字幕久久久久 | 国产又色又爽无遮挡免费看| 欧美大码av| 亚洲国产欧美人成| 黄色女人牲交| 国产精品电影一区二区三区| 黄频高清免费视频| 亚洲中文字幕日韩| 亚洲欧美激情综合另类| 国产伦精品一区二区三区视频9 | 久久精品亚洲精品国产色婷小说| 中国美女看黄片| 午夜视频精品福利| 91麻豆av在线| 五月玫瑰六月丁香| 一本综合久久免费| www.www免费av| 国产高清视频在线播放一区| 老司机午夜福利在线观看视频| 久久精品国产清高在天天线| 99精品在免费线老司机午夜| 精品国产乱码久久久久久男人| 亚洲欧美精品综合一区二区三区| 成人av在线播放网站| 男女午夜视频在线观看| 亚洲欧洲精品一区二区精品久久久| 久久香蕉国产精品| 国产毛片a区久久久久| 一本久久中文字幕| 国产男靠女视频免费网站| 日本三级黄在线观看| 国产精品一区二区三区四区久久| 国产成+人综合+亚洲专区| 成人无遮挡网站| 成人av一区二区三区在线看| 亚洲欧美精品综合久久99| 在线免费观看的www视频| 亚洲国产欧美网| 日日干狠狠操夜夜爽| 国产极品精品免费视频能看的| 在线免费观看不下载黄p国产 | 可以在线观看毛片的网站| 亚洲av第一区精品v没综合| 在线观看免费视频日本深夜| 免费在线观看亚洲国产| 热99在线观看视频| 99国产精品99久久久久| 啪啪无遮挡十八禁网站| 日本免费一区二区三区高清不卡| 欧美一级毛片孕妇| 欧美黄色片欧美黄色片| 国产亚洲精品一区二区www| 在线观看午夜福利视频| 成人国产一区最新在线观看| 校园春色视频在线观看| 国产精品九九99| 国产精品国产高清国产av| 精品一区二区三区视频在线 | 日本a在线网址| 国产一级毛片七仙女欲春2| 欧美色欧美亚洲另类二区| 精品国产美女av久久久久小说| 日日摸夜夜添夜夜添小说| 亚洲aⅴ乱码一区二区在线播放| 1000部很黄的大片| 成年女人毛片免费观看观看9| 18禁国产床啪视频网站| 亚洲一区二区三区不卡视频| 午夜福利视频1000在线观看| 无遮挡黄片免费观看| 国产精品一区二区免费欧美| av在线天堂中文字幕| av福利片在线观看| 无人区码免费观看不卡| 午夜福利欧美成人| 看免费av毛片| 91久久精品国产一区二区成人 | 男人舔女人下体高潮全视频| 一级毛片精品| 亚洲国产欧美一区二区综合| 一区二区三区高清视频在线| 亚洲欧美激情综合另类| 亚洲自拍偷在线| 亚洲男人的天堂狠狠| 少妇熟女aⅴ在线视频| 国产精品一区二区三区四区久久| 淫妇啪啪啪对白视频| 久久久久久久久久黄片| 丁香六月欧美| 免费大片18禁| 婷婷精品国产亚洲av| 一本久久中文字幕| 91字幕亚洲| 成人亚洲精品av一区二区| 深夜精品福利| 啦啦啦韩国在线观看视频| 精品久久久久久久毛片微露脸| 天天一区二区日本电影三级| 成年女人永久免费观看视频| 一个人看视频在线观看www免费 | 亚洲欧美日韩卡通动漫| 国产视频一区二区在线看| 国产成人影院久久av| 成人av一区二区三区在线看| 亚洲一区高清亚洲精品| 国产蜜桃级精品一区二区三区| 国内精品久久久久精免费| 亚洲精品美女久久av网站| 好看av亚洲va欧美ⅴa在| 岛国在线免费视频观看| 一个人看视频在线观看www免费 | 十八禁人妻一区二区| 一区二区三区激情视频| 午夜免费激情av| 午夜福利在线观看免费完整高清在 | 亚洲av片天天在线观看| 久久久久久大精品| 老司机深夜福利视频在线观看| 夜夜爽天天搞| 夜夜看夜夜爽夜夜摸| 女警被强在线播放| 美女大奶头视频| 国产av一区在线观看免费| 久久精品影院6| 亚洲一区二区三区不卡视频| 天天躁日日操中文字幕| 全区人妻精品视频| bbb黄色大片| 婷婷精品国产亚洲av在线| 欧美一级毛片孕妇| 久久99热这里只有精品18| 欧美日本视频| 国产亚洲av嫩草精品影院| 少妇丰满av| 亚洲国产日韩欧美精品在线观看 | 亚洲在线自拍视频| 两个人视频免费观看高清| 午夜福利高清视频| 在线播放国产精品三级| 观看美女的网站| 日韩人妻高清精品专区| 国产aⅴ精品一区二区三区波| 日日干狠狠操夜夜爽| 波多野结衣高清无吗| 国产成人av激情在线播放| 亚洲欧美日韩卡通动漫| 国产精品久久久久久亚洲av鲁大| 久久午夜综合久久蜜桃| 欧美zozozo另类| 人人妻人人澡欧美一区二区| 制服人妻中文乱码| 国产成人精品无人区| 日韩精品青青久久久久久|