《電子技術應用》
您所在的位置:首頁 > 嵌入式技術 > 設計應用 > 基于形狀上下文和粒子濾波的多目標跟蹤
基于形狀上下文和粒子濾波的多目標跟蹤
2015年電子技術應用第1期
祁淑霞
山東政法學院 信息學院,山東 濟南250014
摘要: 目標跟蹤是計算機視覺領域里研究的熱點和難點。提出一種基于形狀上下文和粒子濾波的多目標跟蹤算法,通過在跟蹤過程中融入目標檢測信息來處理目標進入與離開場景問題和目標重疊與分離問題。首先,采用自適應增強檢測算法對視頻區域中的目標進行檢測;然后,利用形狀上下文特征來建立被跟蹤目標的外觀模型;最后,利用粒子濾波方法進行粒子的選擇和目標的跟蹤。實驗證明,提出的算法能夠有效處理目標進入與離開場景的問題和目標重合與分離的問題,在單一背景和復雜背景下都能進行較為準確的跟蹤,還能一定程度上處理部分遮擋問題。
中圖分類號: TP391
文獻標識碼: A
文章編號: 0258-7998(2015)01-0156-05
Multiple target tracking using shape context features and particle filter
Qi Shuxia
School of Information,Shandong University of Political Science and Law,Jinan 250014,China
Abstract: Target tracking is still a hot and difficult research topic in computer vision. In this paper, we proposed a novel multiple target tracking method, which is based on shape context features and particle filter. Our method is proposed to deal with problems of the target objects entering(or leaving) the scene and overlap(or separation) by incorporating Adaboost detection. First, we adopt Adaboost detection algorithm for detecting multiple objects. Then, the target appearance model is builded by using the shape context features. Finally, we apply particle filter to choosing target particles and tracking objects in videos. The experiments indicate that the proposed method can effectively deal with the issue of targets entering(or leaving) the scene and targets overlap(or separation), and exactly track the targets which is under both single and complex background. And the proposed method also can handle partial occlusion on some extent.
Key words : multiple-target tracking;target detection;shape context features;particle filter

  

0 引言

  目標跟蹤是計算機視覺領域的一個重要研究方向,在智能監控、智能交通、視頻檢索和人機交互等方面具有重要的應用價值。同時,目標跟蹤也引起了國內外學者的廣泛關注和研究,提出了多種目標跟蹤算法。但是由于視頻中目標的形變、光照變化、遮擋、背景混淆等因素的影響[1-4],創建一個能夠抵抗外界因素干擾,并且具有魯棒性和高效性的目標跟蹤算法,仍然是一項極具挑戰的任務。

  目標外觀模型的建立是目標跟蹤算法的一個重要組成部分,一個高效的且合適的外觀模型能大大提高目標跟蹤算法的性能[5-8]。文獻[3]利用分塊的策略來建立待跟蹤目標的外觀模型,用以處理目標姿勢的變化和部分遮擋問題。文獻[7]對目標進行稀疏表示,能夠很好地處理部分遮擋、光照和姿勢的變化。文獻[9]同時利用目標和背景區域的特征,運用多個弱分類器增強的算法進行目標的跟蹤。文獻[10]基于圖像顏色特征和粒子濾波算法來進行目標跟蹤,雖然顏色特征的提取比較容易,但是當跟蹤目標的顏色和背景顏色非常相近時,就會導致跟蹤的失敗。文獻[11-12]提出基于壓縮感知理論的跟蹤算法,并且證明,從高維尺度圖片中隨機提取的低維特征可以有效地保留圖片內在的辨別能力,使得目標跟蹤過程實現起來更加方便。文獻[13-16]中基于多實例學習框架提出的跟蹤算法,可以有效地處理目標跟蹤中正樣本位置模糊問題。這些跟蹤方法都是針對單目標設計,對于多目標跟蹤的研究還相對較少,然而現實生活中,很多情況下需要同時跟蹤多個目標。

  通常,在復雜環境中的多目標跟蹤問題往往充滿了更多不確定性因素[17],例如目標的消失與出現、目標的重疊與分離。進行多目標跟蹤,首先自動檢測出所感興趣的目標,然后對這些目標進行特征表示,建立外觀模型,最后運用搜索策略在視頻序列中搜索定位目標,同時伴隨目標變化不斷更新模型。鑒于在目標發生遮擋或漂移的情況下,局部特征表現出的優勢,本文采用形狀上下文特征[18]建立目標的外觀模型。由于實際問題的復雜性,目標跟蹤面臨的多是非線性非高斯問題,粒子濾波算法在解決非線性非高斯問題上具有很大優越性,因此被廣泛應用于目標跟蹤領域[10,19-20]。本文結合形狀上下文和粒子濾波算法,提出一種基于形狀上下文特征和粒子濾波的多目標跟蹤算法。實驗證明本文提出的算法在實時性和準確性方面都有優勢。

1 目標檢測

  1.1 自適應增強檢測算法

  級聯的自適應增強檢測算法[21]最初用于人臉檢測,效果顯著。其主要思想是,首先對多個弱分類器根據其區分正負樣本的能力進行權值分配,為分類效果好的弱分類器分配相對大的權值,反之給予小的權值;其次把分類效果好的弱分類器組合成強分類器,然后根據其分類效果重新分配新的權值,如此循環直至形成分類效果魯棒的強分類器;最后,用訓練好的強分類器對篩選好的haar特征進行目標的檢測與分類。本文采用自適應增強檢測算法,訓練一個級聯的分類器進行目標檢測。在待檢測場景中采集包含目標的眾多圖像區域,歸一化到相同尺寸作為訓練正樣本。為了加快正樣本采集的速率,需使用一種簡單高效的策略,即在靠近中心的位置以低強度提取樣本,外圍區域以高強度提取樣本。需要注意的是,以這種策略產生的樣本數據進行訓練不是最理想的,在邊緣處會產生一些錯分的正樣本。而人工選擇一個更大的訓練集會訓練出更好的增強的分類器,但是在場景混亂或目標重疊區域仍然會失效。負樣本則從目標周圍不包含目標的背景區域中采集。

002.jpg

  圖1展示了自適應增強檢測算法在冰球場數據集中的檢測結果。(a)和(b)為自適應增強檢測算法對于冰球運動員進行的精確檢測結果。不難看出,自適應增強檢測算法在冰球場場景中具有很好的檢測效果。其中,對于視頻中的新增目標、重疊目標和不同大小的目標,該算法也實時地給出了準確的檢測。

  1.2 引入自適應增強檢測算法的目的

  對運動目標進行跟蹤,經常會遇到某個目標進入或離開場景的情況,一個好的多目標跟蹤算法需要能夠準確檢測出目標何時離開或進入場景,并刪除或添加目標跟蹤框。因此本文在跟蹤中引入自適應增強檢測算法來解決這個問題,利用自適應增強檢測算法檢測出可能包含目標的小區域,結合粒子濾波最終確定目標位置。實驗證明,加入檢測算法能夠有效避免目標偏移,特別是,當運動目標進入和離開運動場景時,都可以很好地對目標進行檢測定位和跟蹤目標框的移除,實現了對運動目標的實時跟蹤。

2 基于形狀上下文和粒子濾波的多目標跟蹤

  本節詳細介紹基于形狀上下文和粒子濾波的多目標跟蹤算法。在目標跟蹤的過程中,首先提取目標區域的形狀上下文特征作為目標模板,然后搜索候選目標區域,比較其形狀上下文特征與目標模板的相似性,最相似的候選目標區域即確定為目標的當前位置。

  2.1 形狀上下文特征提取

  目標跟蹤問題可以被看作是目標模板與候選目標之間的匹配問題。形狀上下文算法在衡量形狀相似性和形狀匹配方面表現出良好的特性,因此本文使用形狀上下文描述符表示目標的外觀模型。

  采用邊緣檢測算法檢測出被跟蹤目標的輪廓,從中采集n個特征點來表示目標的整個形狀結構,采集的特征點越多,越能展現目標的形狀細節。這些特征點有些分布在目標輪廓上,有些分布在目標輪廓內部。圖2展示了特征點的采集過程。圖2(a)為視頻中的一幀原始圖像,圖2(b)是對原始圖進行邊緣檢測的結果,圖2(c)中方框里的點為采集的目標的特征點。

001.jpg

  對于形狀[18,22]中的任一特征點pi,通過計算其余特征點在每個組距的分布,建立其在極坐標下的直方圖hi,如圖3所示,hi定義如下:

  hi(k)=#{q≠pi:(q-pi)∈bin(k)}(1)

  第一個形狀中的特征點pi與第二個形狀中的特征點qj之間的匹配成本為:

  2.png

  其中,K表示組距的數目,hi和hj分別表示在pi和qj處的形狀上下文直方圖。

  兩個形狀匹配的總成本可由最小化這些特征點的匹配成本得到:

  3.png

  該最小化問題可以采用Hungarian方法[23]在O(N3)的時間內解決,但是這對于目標跟蹤問題來說時間消耗太大,因此本文使用的改進的形狀上下文特征[24]來減少時間的開銷。假設目標模板包含s個形狀上下文直方圖,從候選目標中隨機地選取r個形狀上下文直方圖,則目標模板與候選目標的匹配成本轉化該s個目標模板形狀上下文直方圖與r個候選目標形狀上下文柱狀圖之間的匹配成本。通常s大約是r的20倍,因此該方法的速度將會比之前大大提高。

003.jpg

  如圖3所示,(a)是無遮擋的圖像,(b)是有遮擋的圖像,(c)是用來計算形狀上下文柱狀圖的極坐標,(d)、(e)和(f)是分別表示矩形、圓形和三角形處的形狀上下文柱狀圖。由圖可以看出,矩形點和圓點所表示形狀上下文柱狀圖非常相似,在原圖像中也是一致對應的點,這樣形狀上下文特征就可以很好地處理遮擋問題。

  2.2 粒子濾波

  粒子濾波由于其在解決非線性非高斯問題的優越性,被廣泛應用于目標跟蹤中。粒子濾波的思想基于蒙特卡洛方法,采用一組隨機狀態粒子來逼近狀態的后驗概率密度函數。令Xt表示t時刻的目標狀態,Yt表示t時刻的觀測值,則在貝葉斯框架下,后驗概率密度p(Xt|Y1:t)可通過如下遞歸過程來獲得[10]:

  4.png

  其中,Y1:t-1={Y1,Y2,…,Yt-1},p(Yt|Xt)表示觀測模型[25]。

  粒子濾波算法包括預測和更新兩個操作階段。預測階段,由1~(t-1)時刻的觀測值估計t時刻的狀態:

  5.png

  其中,后驗概率分布p(Xt|Y1:t)可由被賦予不同重要性權重XX(~7F48M[)(V3@@QY4~GGO.jpg(i-1,…,n)的n個粒子CTD~P8D2N73B6}7816T{@9N.png(i=1,…,n)近似估計得到,并且,這n個粒子服從重要性分布q(Xt|X1:t-1,Y1:t),其權重7$YDUKB~(OFB9~AQ[7KR(T4.jpg

  粒子的權重通過以下公式進行更新:

  6.png

  通常認為目標狀態滿足馬爾科夫性,且狀態轉移與觀測值相互獨立,則重要性分布可簡化為一階馬爾科夫過程q(Xt|X1:t-1,Y1:t)=p(Xt|Xt-1),相應地,權重更新公式變為[~9(H[WB26F_X1}X@BE[JMU.jpg。為避免粒子的退化而根據權值的大小對粒子進行重采樣。

  本文中使用矩形框來表示目標[26],粒子在t時刻的狀態被定義為Xt=(xt,yt,st),xt和yt表示矩形框的中心坐標,st表示矩形框的尺寸。粒子的狀態轉移采用二階自回歸模型:

  7.png

  其中,V表示高斯噪音,分布為V~N(0,N)D$D{6JZ[F_FRH]CT{~NJQ.jpg)。

  2.3 算法的執行過程

  算法的具體執行過程如下:

  (1)利用自適應增強檢測算法對于動態的運動目標進行檢測。

  (2)粒子初始化:設置每個目標的粒子狀態CTD~P8D2N73B6}7816T{@9N.png和權重XX(~7F48M[)(V3@@QY4~GGO.jpg

  (3)預測:根據狀態轉移公式C@QE~ZE1P@}87EBPEC6)O(7.jpg預測粒子狀態。

  (4)提取特征:根據式(1)提取每個目標的每個粒子的形狀上下文特征。

  (5)更新:更新粒子權重)~IBF1AW60QOC{W4`6ZLUIF.png,并對權值進行歸一化F91GPSEX117TFJNB8QQ8N%X.png。依據最大后驗準則,確定t+1時刻的目標位置。

  (6)粒子重采樣:根據權重的大小進行粒子的重采樣過程。

  (7)t=t+1,轉到步驟(3)。

3 實驗分析

  本文選取了如下兩個應用場景對提出的多目標跟蹤算法進行實驗,一個是冰球運動的比賽現場;另一個是交叉路口的視頻監控。

  3.1 冰球運動場的實驗結果

004.jpg

  圖4展示了本文提出的算法對于冰球運動員的比賽場景中的跟蹤效果。從圖中可以看出,該算法對每個目標的檢測跟蹤效果都很好,最重要的是,即使場景中出現的運動目標非常多以及環境稍微復雜的情況下,本算法可以成功地適應場景中發生的一些改變,并且可以對此及時做出調整和繼續保持跟蹤。可見該算法對于類似于運動員比賽的快速運動場景中的多目標跟蹤具有一定的準確性和魯棒性。

  圖4(a)顯示一位運動員將要進入拍攝場景,圖4(b)顯示兩幀后該運動員進入場景后的跟蹤結果。可以看出,當新目標將要進入比賽場景中時,自適應增強算法可以在兩幀的時間內快速檢測出該目標即將進入比賽場景中,在自適應增強檢測算法對此做出目標檢測后,就可以立即指派粒子對這個新的運動員進行定位和跟蹤。圖4(c)和4(d)展示了運動員離開拍攝場景的跟蹤效果。可以看出,當自適應增強算法檢測出該運動員要離開場景時,算法可以迅速做出相應的回應,放棄對他的檢測和跟蹤。

  3.2 交叉路口的實驗結果

005.jpg

  圖5展示了本文提出的算法對交叉路口的行人進行檢測跟蹤效果,可以看出,無論是在新的行人進入,還是兩人的重疊與分離的情形,本文的算法都能進行比較準確的跟蹤。從圖5(a)中可以看出,在行人較多,背景較為復雜的情況下,該算法依然能夠將監控區域內行人全部檢測出來并進行跟蹤。圖5(b)中當有新的目標進入時,該算法能準確檢測出目標并進行跟蹤。圖5(b)和5(c)中右邊兩個行人由重疊的到發生分離的過程,也可以被很好地檢測出來,然后把目標框分離成兩個跟蹤框,并且做出相應目標的跟蹤。從圖中還可以看出,當中間的行人經過電線桿遮擋時,對于該行人的跟蹤依然存在且繼續,并沒有發生目標跟丟情況,可見本文的算法也能一定程度處理目標遮擋問題。

  從上述實驗可以看出,本文提出的基于形狀上下文和粒子濾波的多目標跟蹤算法加入了自適應增強的檢測算法對多個目標進行檢測跟蹤,具有很好的自適應檢測能力和目標跟蹤的功能。本文的算法能處理目標進出場景的情形,對于應用場景的適應性較強,而且能處理遮擋和復雜背景問題。

4 總結

  本文提出的基于形狀上下文和粒子濾波的多目標跟蹤算法充分利用自適應增強檢測算法的優勢,結合形狀上下文特征,融入粒子濾波方法中,能有效處理目標進入與離開場景的問題和目標重合與分離的問題,在單一背景和復雜背景下都能進行較為準確的跟蹤,還能有效處理部分遮擋問題。下一步研究的重點是在保證實驗效果的同時,進一步提高算法的執行效率。

參考文獻

  [1] GODEC M,ROTH P M,BISCHOF H.Hough-based trackingof non-rigid objects[J].Computer Vision and Image Under-standing,2013,117(10):1245-1256.

  [2] SONG L,WANG Y.Multiple target counting and tracking using binary proximity sensors: bounds, coloring, and filter[C].Proceedings of the 15th ACM International Symposium on Mobile Ad Hoc Networking and Computing,ACM,2014:397-406.

  [3] ADAM A,RIVLIN E,SHIMSHONI I.Robust fragments-based tracking using the integral histogram[C].Computer Vision and Pattern Recognition,2006 IEEE Computer Soci-ety Conference on.IEEE,2006,1:798-805.

  [4] WU Y,LIM J,YANG M H.Online object tracking:A ben-chmark[C].Computer Vision and Pattern Recognition (CVPR),IEEE Conference on.IEEE,2013:2411-2418.

  [5] ROSS D,LIM J,LIN R S.YANG M H.Incremental learning for robust visual tracking[J].International Journal of Com-

  puter Vision,2008,77(1):125-141.

  [6] GRABNER H,LEISTNER C,BISCHOF H.Semi-supervised on-line boosting for robust tracking[M].Computer Vision-ECCV 2008,Springer Berlin Heidelberg,2008:234-247.

  [7] MEI X,LING H.Robust visual tracking using l1 minimiza-tion[C].Computer Vision,2009 IEEE 12th International

  Conference on,IEEE,2009:1436-1443.

  [8] KALAL Z,MATAS J,MIKOLAJCZYK K.Pn learning:Boot-strapping binary classifiers by structural constraints[C].Computer Vision and Pattern Recognition(CVPR),2010 EEE Conference on,IEEE,2010:49-56.

  [9] AVIDAN S.Ensemble tracking[J].Pattern Analysis and Machine Intelligence,IEEE Transactions on,2007,29(2):261-271.

  [10] PREZ P,HUE C,VERMAAK J,et al.Color-based probabilistic tracking[M].Computer vision-ECCV 2002,Springer Berlin Heidelberg,2002:661-675.

  [11] ACHLIOPTAS D.Database-friendly random projections: Johnson-Lindenstrauss with binary coins[J].Journal of Computer and System Sciences.2003,66(4):671-687.

  [12] CANDES E J,TAO T.Near-optimal signal recovery from mation Theory,IEEE Transactions on,2006,52(12):5406-5425.

  [13] ZHOU Q H,LU H,YANG M H.Online multiple support instance tracking[C].Automatic Face & Gesture Recogni-tion and Workshops(FG 2011),2011 IEEE International Conference on,IEEE,2011:545-552.

  [14] BABENKO B,YANG M H,BELONGIE S.Robust object  tracking with online multiple instance learning[J].Pattern Analysis and Machine Intelligence,IEEE Transactions on,2011,33(8):1619-1632.

  [15] LEISTNER C,SAFFARI A,BISCHOF H.Miforests: multi-ple-instance learning with randomized trees[C].European  Conference on Computer Vision(ECCV).Crete,Greece.2010,1:29-42.

  [16] ZEISL B,LEISTNER C,SAFFARI A,et al.On-line semimultiple-instance boosting[C].Computer Vision and Pattern Recognition(CVPR),2010 IEEE Conference on.IEEE,2010:1879-1879.

  [17] INTILLE S S,DAVIS J W,BOBICK A F.Real-time closed-world tracking[C].Computer Vision and Pattern Recognition,1997.Proceedings,1997 IEEE Computer SoConference on,IEEE,1997:697-703.

  [18] BELONGIE S,MALIK J,PUZICHA J.Shape matching andobject recognition using shape contexts[J].Pattern Analysisand Machine Intelligence,IEEE Transactions on,2002,24(4):509-522.

  [19] ISARD M,BLAKE A.Condensation—conditional density  propagation for visual tracking[J].International Journal of Computer Vision,1998,29(1):5-28.

  [20] RUI Y,CHEN Y.Better proposal distributions:object  tracking using unscented particle filter[C].IEEE Conference on Computer Vision and Pattern Recognition(CVPR).2001,2(2):786-793.

  [21] VIOLA P,JONES M.Rapid object detection using a boostedcascade of simple features[C].IEEE Conference on Com-puter Vision and Pattern Recognition.2001,1(1):511-518.

  [22] GUI Y,SU A,DU J.Point-pattern matching method usingSURF and shape context[J].Optik-International Journal for Light and Electron Optics,2013,124(14):1869-1873.

  [23] PAPADIMITRIOU C H,STEIGLITZ K.Combinatorial opti-mization:algorithms and complexity[M].Courier Dover Publications,1998.

  [24] MORI G,BELONGIE S,MALIK J.Efficient shape match-ing using shape contexts[J].IEEE Transactions on Pattern Analysis and Machine Intelligence,2005,27(11):1832-1837.

  [25] MEI X,LING H.Robust visual tracking and vehicle clas-sification via sparse representation[J].Pattern Analysis and Machine Intelligence,IEEE Transactions on,2011,33(11):2259-2272.

  [26] QU M,PANG E,LIU R,et al.Object tacking based on shape context features and particle filter[J].Journal of Information and Computation Science,2012,9(7):1905.


此內容為AET網站原創,未經授權禁止轉載。
主站蜘蛛池模板: 国产午夜麻豆影院在线观看 | 东热ca大乱合集 | 日韩欧美黄色大片 | 国产欧美日韩视频在线 | 成人一级黄色毛片 | 日韩av麻豆 | 夜夜草天天干 | 欧洲亚洲一区二区三区四区五区 | 久久天天躁狠狠躁夜夜97 | 欧美大片xxx| zzijzzij亚洲日本成熟少妇 | 97久久精品人妻人人搡人人玩 | 亚洲毛片儿 | 丁香久久久 | 欧美人与生动交xxx 欧美人与物videos另类 | 综合网国产 | 欧美偷拍一区二区 | 天天爽夜夜爽夜夜爽精品视频 | 国产美女在线播放 | 国产看黄网站又黄又爽又色 | 青青青在线免费观看 | 亚洲精品蜜桃久在线 | 少妇裸体淫交免费视频网站 | 久久996re热这里只有精品无码 | 特大黑人娇小亚洲女喉交 | 日本丰满大乳mm | 免费萌白酱国产一区二区三区 | 欧美亚洲久久 | 狠狠躁夜夜躁人人爽超碰97香蕉 | 亚洲精品一品区二品区三品区 | 亚洲欧美综合精品久久成人网无毒不卡 | 色噜噜狠狠狠狠色综合久不 | 亚洲精选一区二区 | 日本中文字幕有码在线视频 | 久久久久久久久久久一区二区 | 国产欧美一区二区精品婷婷 | 性生交片免费无码看人 | 亚洲老女人av | 国产无套粉嫩白浆内精品 | 色玖玖在线 | 色综合中文字幕 | 激情欧美一区 | 欧美日韩网站 | 久久精品人妻一区二区三区 | 好吊色在线视频 | 国产精品第四页 | 国产无吗一区二区三区在线欢 | 国产永久在线观看 | 欲求不满在线小早川怜子 | 日本v片做爰免费视频网站 日本www | 欧美黑人一区二区三区 | 特黄特色免费视频 | 97夜夜澡人人双人人人喊 | 亚洲女人av | 巨胸喷奶水www久久久免费动漫 | 亚洲第二色 | h狠狠躁死你h出轨高h | 欧美激情欧美激情在线五月 | av天堂久久天堂色综合 | 国产亚洲日韩一区二区三区 | 美日韩成人 | 国产奶头好大揉着好爽视频 | 黑人巨大跨种族video | 亚洲精品一区二区三区樱花 | 久久午夜视频 | 中文字幕麻豆 | 青青操免费在线视频 | 国产毛片一区二区精品 | 中国美女毛茸茸撒尿 | 全黄性性激高免费视频 | 国产欧美一区二区精品婷婷 | 在线欧美a | 在线观看国产一级片 | 99久久这里只有精品 | 99爱这里只有精品 | 人人妻人人狠人人爽天天综合网 | 久久夜色精品亚洲噜噜国产mv | 国产中文字幕精品 | 欧美 日韩 国产 亚洲 色 | 成人精品一区二区户外勾搭野战 | 中国少妇的呻吟xvideoshd | 蜜臀久久99精品久久久久久宅男 | 中日韩美中文字幕av一区 | 91精品国产91久久久久 | 国产免费片 | 中国性猛交xxxx乱大交3 | 丰满人妻一区二区三区免费视频 | 日韩欧美视频一区 | 欧美日本日韩 | 久久久久久久毛片 | 日韩亚洲欧美一区二区三区 | 日日拍夜夜拍 | 国产偷国产偷亚洲高清app | 国产大屁股喷水视频在线观看 | 亚洲精品中文字幕在线 | 色播综合网 | 黄色av高清 | 久久96视频 | 真实偷拍激情啪啪对白 | 热の综合热の国产热の潮在线 | 日本舌吻大尺度呻吟视频 | 伊人久久大香线蕉午夜 | 成年女人永久免费看片 | 美国做爰xxxⅹ性视频 | 亚 洲 视 频 高 清 无 码 | 在线黄色av | 国产91 精品高潮白浆喷水 | 欧美日韩一区二区在线观看 | 国产成人小视频在线观看 | 日韩毛片 | 网红av在线 | 麻豆一区二区99久久久久 | 亚洲va中文字幕无码 | 26uuu国产精品视频 | 精品免费视频 | 北条麻妃一区二区三区在线 | 久久久99久久久国产自输拍 | 少妇做爰免费视频网站裸体艺术 | 污污内射久久一区二区欧美日韩 | 国产91免费视频 | 中文无码热在线视频 | 天天色天天操天天射 | 欧美人和黑人牲交网站上线 | 成人影视免费观看 | 国产精品美女毛片真酒店 | 国产亚洲精品美女久久久久 | 少妇性aaaaaaaaa视频 | 国产甜淫av片免费观看 | 中文字幕国产剧情 | 第四色视频 | 一本之道之高码清乱码加勒比 | 亚洲欧美综合在线观看 | 那个网站可以看毛片 | 丁香久久 | 国产乱人伦精品一区二区 | 91精品国产日韩91久久久久久360 | 艳妇臀荡乳欲伦交换在线看 | 极品少妇xxxx | 国产乱淫av一区二区三区 | 97精品人妻一区二区三区香蕉 | 亚洲国产一线二线三线 | 毛片一区二区三区无码 | 色噜噜狠狠一区二 | 国产免费不卡 | 国产九九av | 夜夜躁很很躁日日躁2020 | 亚洲午夜精品一区二区 | 无码aⅴ精品一区二区三区 45分钟免费真人视频 | 免费日本黄色网址 | 中文字幕不卡在线 | 精品国产系列 | 小箩莉末发育娇小性色xxxx | 久久久精品国产免费观看一区二区 | 久久久久成人精品免费播放动漫 | 国产精品嫩草久久久久 | 一区二区三区国产视频 | 亚洲精品自产拍在线观看 | 国产一区二区三区成人久久片老牛 | 亚洲精品一区中文字幕乱码 | 久久黄网 | 成人激烈床戏免费观看网站 | 美女黄色真播 | 天堂а√在线地址 | 日韩色道 | 女人18毛片水真多 | 亚洲高清福利 | 国产成人综合色在线观看网站 | 快灬快灬一下爽69 | 亚洲欧洲成人av每日更新 | 国语对白新婚少妇在线观看 | 欧美性猛交乱大交 | 成人羞羞网站入口免费 | 乱人伦精品视频在线观看 | 咪咪久久 | 欧美性视频在线播放 | 中文资源在线播放 | 全部免费毛片在线播放 | 午夜大片在线观看 | 亚洲成人av一区二区三区 | 青娱乐在线视频免费观看 | 国产色妞影院wwwxxx | 亚洲国产成人aⅴ毛片大全密桃 | 成人免费视频一区二区 | 久久成人国产 | 成人小视频在线免费观看 | 亚洲精品欧美精品 | 极品少妇的粉嫩小泬视频 | 亚洲国产大片 | 综合五月激情二区视频 | 看毛片视频 | av视屏在线 | 日韩的一区二区 | 国产卡一卡二卡三无线 | 青青操网站 | 毛片视频观看 | 国产免费又黄又爽又刺激蜜月al | 琪琪电影午夜理论片八戒八戒 | 黄av网| 天天色综合av | 67194熟妇人妻欧美日韩 | 99国产精品久久久久久久成人热 | 亚洲色精品aⅴ一区区三区 国产黄大片在线观看 | 久操伊人网 | 佐佐木明希99精品久久 | 亚洲成成品牛牛 | 免费视频www在线观看网站 | 日韩午夜一区 | 在线看无码的免费网站 | 亚洲激情精品 | 野外吮她的花蒂高h在线观看 | 黑人边吃奶边摸边做边爱 | 亚洲色大网站www永久网站 | 亚洲国产成人一区二区精品区 | 狠狠色噜噜狠狠狠888米奇视频 | 天堂无码人妻精品一区二区三区 | 黄色性情网站 | 国产一区二区不卡 | 古代中国春交性视频xxx | 中文在线日韩 | 日韩国精品一区二区a片 | 正在播放国产一区 | 日本少妇做爰奶水狂喷小说 | 日本一区二区三区精品视频 | 亚洲国产中文字幕在线视频综合 | av亚洲在线观看 | 青青草av| 日韩一区二区三区四区五区六区 | 午夜在线视频 | 免费观看a毛片 | 国产欧美日韩精品丝袜高跟鞋 | 国产高潮国产高潮久久久 | 中国女人内谢69xxxx免费视频 | 欧美视频一区在线观看 | 国产美女在线观看 | 免费的污网站 | 欧美大片一区 | 国产在线小视频 | 免费萌白酱国产一区二区三区 | 欧美一区二区日韩国产 | 日本一区二区精品视频 | 免费福利av | 成年人黄色免费网站 | 国产一区二区三区四区三区四 | 亚洲自拍偷拍精品 | 亚洲天堂日韩av | 国产成人亚洲精品无码h在线 | 日本欧美在线观看 | a片免费视频在线观看 | 日本大乳高潮xxxxx | 国产学生初高中女 | 黄片毛片一级 | 一级在线播放 | 波多野结衣福利视频 | 国产亚洲精品久久久ai换 | 俺去久久 | 91秒拍国产福利一区 | 久久久精品在线 | 亚洲国产成人丁香五月激情 | 91桃色国产在线播放 | 国产亚洲精久久久久久无码77777 | 91精品国产麻豆国产自产影视 | av片在线看 | 水蜜桃亚洲一二三四在线 | 欧美在线观看视频一区二区 | 欧美性猛交xxx乱大交3蜜桃 | 琪琪色影音先锋 | 中国美女一级黄色片 | 99综合在线| 日韩在线视频观看免费 | 69av在线播放 | 国产成人精品男人的天堂 | 日韩深夜在线 | 欧美熟妇色ⅹxxx欧美妇 | 色婷婷av一区 | www.在线观看麻豆 | 久久久久亚洲精品无码网址 | 成人午夜又粗又硬又大 | 黑人巨大精品欧美黑寡妇 | 精品国产午夜福利在线观看 | 少妇久久久久久久久久 | 欧美精品一区二区三区视频 | 久久久久青草 | 国产日韩欧美另类 | 国产免费播放 | 日本系列第一页 | 嫩草影院av | 亚洲一区和二区 | 成人国产亚洲 | 欧美在线免费视频 | 最新黄色网址在线观看 | avhd101在线播放高清谜片 | av天堂永久资源网 | 亚洲国产精品成人一区二区在线 | 色国产精品 | 国产精品亚洲成在人线 | 毛毛毛片| 婷婷精品国产欧美精品亚洲人人爽 | 欧美另类极品videosbes | 日韩视频第一页 | 久久91av| 午夜精品久久久久久久2023 | 疯狂做受xxxx高潮视频免费 | 69视频在线观看 | 色屁屁www影院入口免费 | 久久午夜夜伦鲁鲁片无码免费 | www亚洲色图com | 亚洲永久无码7777kkk | 午夜美女福利 | 日韩成人av网站 | 亚洲精品a| 春色校园综合人妻av | 日韩小视频 | 翘臀后进少妇大白嫩屁股 | 欧州色网| 青青青在线视频免费观看 | 国产精品国产三级国产专业不 | 亚洲欧洲天堂 | 浴室里强摁做开腿呻吟男男 | 欧美激情免费视频 | 黄色毛片播放 | 伊人午夜 | 日韩爽爽视频 | 人妻体内射精一区二区 | 成人欧美一区二区三区1314 | 一级影片在线观看 | 久色国产sm重口调教在线观看 | 思思久久99 | 91亚洲国产成人精品一区二区三 | 超碰91在线 | 久热国产vs视频在线观看 | 久久中文精品视频 | 亚洲国产精品久久久久 | 国产专区在线播放 | 精品国语对白 | 一区二区三区久久久 | 久草综合网 | 成人免费大全 | 欧美 日韩 人妻 高清 中文 | 成人伊人网站 | 亚洲精品免费在线 | 成人性视频网站 | 日日天干夜夜狠狠爱 | 黄色av免费在线看 | 少妇哺乳期啪啪 | 欧美岛国国产 | 一级黄色网址 | 精品欧美久久久 | 伊人中文网 | 黄色毛片视频校园交易 | 人与动物黄色大片 | 少妇做爰免费视频网站图片 | 多p混交群体交乱小说 | 色婷婷88av视频一二三区 | 少妇性l交大片欧洲热妇乱xxx | 最新版天堂资源在线 | 夜夜嗨av色一区二区不卡 | 欧美老人巨大xxxx做受 | 日本福利一区二区 | 成人综合在线视频 | 曰韩精品一区二区 | 99视频在线精品 | 国产又粗又黄又猛 | 99久久精品午夜一区二区小说 | 国产人妻丰满熟妇嗷嗷叫 | 国产精品免费大片 | 欧美大片高清 | 综合精品久久 | 亚洲人午夜射精精品日韩 | 色哟哟国产精品色哟哟 | 日本大香伊一区二区三区 | 男女超爽视频免费播放 | 一本大道久久加勒比香蕉 | 欧美久久99| 深夜视频在线 | 国产喷水吹潮在线播放91 | 国产成人av一区二区三区不卡 | 无遮无挡三级动态图 | 欧美成人性影院 | 午夜免费学生在线观看av | 精品一区二区亚洲 | 男女无套免费视频网站动漫 | 成人a免费| 亚洲国产午夜 | 欧美黄色成人 | 日本边添边摸边做边爱的网站 | 久久久久久99精品 | 免费的毛片视频 | 永久免费网站直接看 | 欧美四虎| 天堂无码人妻精品一区二区三区 | 大香伊在人线免97 | 日本亚洲色大成网站www久久 | 伊人久久大香线蕉综合四虎小说 | 手机在线观看日韩av | 久久久久成人精品免费播放动漫 | 日本无遮挡大尺度床戏网站 | 婷婷丁香久久 | 亚洲精品一区二区三区四区乱码 | 亚洲欧美第一页 | 亚洲第一免费看片 | 大学生一级片 | 五月花成人网 | 少妇做爰免费视频网站裸体艺术 | 精品无码国产污污污免费网站 | 黄色一级二级 | 国产在线拍揄自揄拍无码视频 | 五级毛片| 亚洲人成小说 | 天天色综合2 | 91精品久久久久久久99蜜桃 | 久久五月综合 | 人人射影院 | 国产卡一卡二卡三无线乱码新区 | 亚洲天堂中文字幕在线 | 综合天堂av久久久久久久 | www.夜夜爱| 丁香桃色午夜亚洲一区二区三区 | 日本人与黑人做爰视频网站 | 亚洲成人av在线播放 | 日本不卡一区二区三区在线 | 一二三四免费观看在线视频中文版 | 攵女h文1v1 | 91插插插影院| 免费精品视频在线观看 | 精产国品一二三产区区别在线观看 | 亚洲影音先锋 | 人妻熟妇女的欲乱系列 | 亚洲天堂资源 | aⅴ一区二区三区无卡无码 aⅴ在线免费观看 | 欧美人与动物xxxxx | 使劲快高潮了国语对白在线 | 亚洲激情视频网站 | 久久成人av| 日本人的性生活视频 | 久久国产成人精品国产成人亚洲 | 成人免费看片入口 | 肉欲性毛片交国产 | 亚洲一区二区a | 精品国产一区二区三区久久狼5月 | 9l视频自拍九色9l视频视频 | 岛国大片在线观看 | 国91精品久久久久9999不卡 | 久久精品亚洲酒店 | 久久国产精品久久久久久电车 | 亚洲国产欧美另类 | 国内黄色网址 | 天天插日日干 | 久久久久黑人强伦姧人妻 | 日韩av无码一区二区三区不卡 | 久久精品 | 精品美女在线观看 | 久久免费国产视频 | 国产字幕在线观看 | 久久精品国产露脸对白 | 热の综合热の国产热の潮在线 | 黄色一极毛片 | 国产凸凹视频一区二区 | 亚洲国产黄色片 | 国产免费黄色网址 | 国产98在线传媒麻豆有限公司 | 国产精品久久一区二区三区 | 天堂а√在线中文在线新版 | 亚洲一二区 | 在线观看人成视频免费 | 91国自啪| 亚洲乱码国产乱码精品精软件 | 狠狠精品干练久久久无码中文字幕 | 四虎影视18库在线影院 | 少妇粉嫩无套内谢 | 在线cao| 色婷婷av一区二区三区之一色屋 | 狠狠摸狠狠澡 | 一级黄在线观看 | 国产做爰视频免费播放 | 男女乱淫真视频免费播放 | 唐人社导航福利精品 | 99精品欧美一区二区蜜桃美图 | 一卡二卡三卡在线 | 中文字幕一区二区三区四区视频 | 久久精品国产曰本波多野结衣 | 亚洲伦理在线播放 | 亚洲欧美日韩专区 | 亚洲精品一区二区三区蜜桃久 | 韩国三级中文字幕 | 国产一区亚洲二区 | 大rb狠狠地给你这y荡的视频 | 一本一本久久a久久综合精品 | 免费色网 | 99久久国产宗和精品1上映 | 亚洲日本韩国欧美云霸高清 | 69视频在线看 | 成人精品国产免费网站 | 91啦丨九色丨刺激 | 麻豆视频播放 | 国产精品4区 | 成人精品一区二区三区在线观看 | 91精品啪在线观看国产 | 日本黄页网站 | 亚洲综合欧美综合 | 中文字字幕在线中文无码 | 狠狠五月深爱婷婷网 | 韩国精品一区二区三区 | 日本免费一区二区三区 | 久久香蕉国产 | 夜夜高潮夜夜爽 | 视频一区免费观看 | 天天视频天天爽 | 中文字幕超清在线免费 | 日本丰满少妇裸体自慰 | 精品视频一区二区在线 | 国产成人a人亚洲精品无码 国产男女猛烈无遮挡免费网站 | 亚洲国产一区二区三区在线观看 | 国产免费视频一区二区三区 | 无码无套少妇毛多18p | 欧美粗大猛烈老熟妇 | 无码av最新清无码专区吞精 | 中文字幕第一区综合 | 欧美日韩精品一区二区 | 毛片看看 | 国语对白一区二区 | 欧美日韩无 | 美女看片 | 天天综合天天综合 | 在线观看色网 | 天天天色综合a | 97香蕉视频 | 中文www新版资源在线 | 日韩美女做爰高潮免费 | 555www色欧美视频 | 五月婷综合 | 成人国内精品久久久久影院vr | 色哟哟一区二区三区精华液 | 欧美日韩黄色片 | 日韩一区二区三区不卡 | 亚洲av毛片基地 | 北条麻妃一区二区三区在线视频 | 国产视频久久久久 | 色婷婷成人| 乱肉放荡艳妇视频6399 | 性生交大片免费看视频 | 免费黄色成人 | 一级大片免费看 | 国产成人精品久久二区二区91 | 欧美成人精品高清视频在线观看 | 色综合久久网 | 国产精品av免费观看 | 97国产精品亚洲精品 | 超91在线| 国产精品亚洲а∨无码播放麻豆 | 日韩精品视频在线一区 | 午夜精品久久久久久久久久久 | 日本美女啪啪 | 91性生活视频 | 91免费看大片| 一区二区三区www | 亚洲国产精品成人女人久久 | 成人自拍视频 | 欧洲vi一区二区三区 | 国产精品免费看久久久8精臀av | 国产成人无码免费视频在线 | 狠狠色狠狠色88综合日日91 | 久久国产麻豆 | 自拍偷自拍亚洲精品播放 | 国产一级特黄毛片 | 亚洲少妇色 | 精品午夜福利在线观看 | 熟女少妇内射日韩亚洲 | 日韩中文一区二区三区 | 手机看片1024久久 | 特级毛片爽www免费版 | 无码无套少妇毛多18p | 国产又黄又爽又猛免费视频网站 | 李丽珍裸体午夜理伦片 | av网站在线免费播放 | 日本日本19xxxⅹhd乱影响 | 午夜视频在线观看免费视频 | 国产又粗又硬又大爽黄老大爷视 | 欧美激情视频一区二区三区不卡 | 国产精品一在线观看 | 成人在线免费高清视频 | 国产精品99久久久久久宅男 | 久久中文免费视频 | 久久影院午夜理论片无码 | 亚洲日韩乱码一区二区三区四区 | 91视频最新地址 | 久久国产加勒比精品无码 | 五月婷婷之综合缴情 | 中文字幕日本视频 | 久久国产香蕉 | 美女高潮久久 | 亚洲自拍三区 | 国产精品久久久久久久久久红粉 | 国产免费人做人爱午夜视频 | 男女吃奶做爰猛烈紧视频 | 久久99精品久久久久久9 | 国产乱xxⅹxx国语对白 | 男女做爰猛烈啪啪吃奶动床戏麻豆 | 欧美人与禽猛交狂配 | 国内毛片视频 | 亚洲综合视频在线 | 欧洲av在线 | 鲁一鲁一鲁一鲁一澡 | 亚洲成人高清在线 | 中国丰满少妇xxxxx高潮 | 国产sm在线 | 最近更新中文字幕 | 日本a级无毛 | av香港经典三级级 在线 | 国产福利一区二区三区在线视频 | 日韩欧美亚洲综合久久 | 内射国产内射夫妻免费频道 | 乌克兰性生交视频 | www.国产在线 | 亚色在线 | 蜜桃黄色网 |