亚洲免费av电影一区二区三区,日韩爱爱视频,51精品视频一区二区三区,91视频爱爱,日韩欧美在线播放视频,中文字幕少妇AV,亚洲电影中文字幕,久久久久亚洲av成人网址,久久综合视频网站,国产在线不卡免费播放

        ?

        動態(tài)目標(biāo)跟蹤與自動特寫快照系統(tǒng)的設(shè)計及實現(xiàn)

        2011-08-24 06:11:26倪冬瑋
        關(guān)鍵詞:快照攝像機(jī)標(biāo)定

        盛 平 倪冬瑋 張 凈

        (1江蘇大學(xué)計算機(jī)科學(xué)與通信工程學(xué)院,鎮(zhèn)江 212013)

        (2鎮(zhèn)江江大科茂信息系統(tǒng)有限責(zé)任公司,鎮(zhèn)江 212001)

        (3江蘇大學(xué)電氣信息工程學(xué)院,鎮(zhèn)江 212013)

        動態(tài)目標(biāo)跟蹤與自動特寫快照系統(tǒng)是利用智能視頻分析技術(shù)和計算機(jī)系統(tǒng)實現(xiàn)運(yùn)動目標(biāo)檢測與實時PTZ跟蹤,并對目標(biāo)快照自動抓拍的智能視頻監(jiān)控系統(tǒng).該系統(tǒng)需構(gòu)建高速圖像采集處理系統(tǒng),主要包括圖像采集模塊、圖像處理模塊、通信接口以及云臺控制模塊[1-3].動態(tài)目標(biāo)跟蹤與自動特寫快照系統(tǒng)可以對監(jiān)視場景進(jìn)行實時監(jiān)控,自動檢測出運(yùn)動目標(biāo),并對目標(biāo)進(jìn)行實時跟蹤、目標(biāo)全貌變焦放大拍攝,實現(xiàn)了智能化程度較高的計算機(jī)自主多方位視頻目標(biāo)跟蹤檢測,降低了人工監(jiān)視的勞動強(qiáng)度,減少了實時跟蹤中的人為誤差.雖然多方位視頻目標(biāo)跟蹤檢測算法的相關(guān)理論日趨成熟,但現(xiàn)有動態(tài)跟蹤和快照系統(tǒng)對于惡劣環(huán)境、低照度和光線不足等容忍度差,誤檢率高,圖像處理計算量大,難以同時達(dá)到實時、清晰、可靠、準(zhǔn)確的跟蹤抓拍要求.

        本文針對運(yùn)動目標(biāo)的快照抓拍特點,在PTZ跟蹤[4]的基礎(chǔ)上,提出一種動態(tài)目標(biāo)跟蹤與自動特寫快照算法,能更好地獲取目標(biāo)全貌特征,有利于事后取證.該算法運(yùn)用Tsai兩步標(biāo)定法實現(xiàn)了攝像機(jī)初始位置的標(biāo)定;采用一種快速的混合高斯背景差分法分割出運(yùn)動目標(biāo);使用Kalman濾波與模板匹配的方法,結(jié)合攝像機(jī)標(biāo)定控制云臺進(jìn)行動態(tài)跟蹤;在PTZ跟蹤過程中,提出一種基于梯度極值結(jié)合目標(biāo)實際運(yùn)動矢量的方法實現(xiàn)目標(biāo)快照的抓拍.

        1 自適應(yīng)PTZ檢測跟蹤技術(shù)

        1.1 運(yùn)動目標(biāo)檢測與精確定位

        對預(yù)處理采集到的圖像使用基于混合高斯模型的背景差分法完成目標(biāo)分割,其基本思想是每個像素利用3~5個高斯模型[5]表示屬于背景的像素值,通過判斷當(dāng)前像素值與這些高斯模型的偏離距離來區(qū)分前景和背景.然后,采用投影法實現(xiàn)目標(biāo)的精確定位(見圖1).

        圖1 原圖及直方圖均衡化處理后圖(第1幀)

        運(yùn)動檢測與定位的主要流程如下:

        1)首先利用3×3的矩形模板進(jìn)行中值濾波,去除圖像采集時產(chǎn)生的椒鹽噪聲,并進(jìn)行直方圖均衡以改善圖像質(zhì)量.

        2)混合高斯背景模型的建立與更新.用K個高斯分布的混合模型描述隨機(jī)過程,則概率分布可表示為

        式中,It為當(dāng)前圖像的像素值;Nk(It,μk,t,Ck,t)表示第 k 個均值為 μk,t、方差為 Ck.t的高斯分布;wk,t為這個高斯分布的權(quán)值.高斯分布的概率密度函數(shù)可表示為

        式中,當(dāng)視頻序列為灰度圖像時,μ為像素灰度均值,C為方差;對于彩色圖像,μ為像素彩色通道各分量值組成的矢量,C為各分量之間的協(xié)方差矩陣.K越大,可描述越復(fù)雜的場景,而計算量也就越大(取K=3).混合高斯背景模型的更新即為不斷利用新的當(dāng)前時刻圖像的像素值更新混合高斯模型的各個參數(shù),這些參數(shù)包括高斯分布的均值μ、方差 C 和權(quán)值 wk,t.

        3)運(yùn)動目標(biāo)的分割.對于當(dāng)前圖像中像素值It,如果服從背景模型中某個高斯分布,則該像素為背景點;如果不服從背景模型中的所有高斯分布,則該像素為前景點.判別式為

        取λ=2.5,則St(x,y)=1表示該像素為前景像素點.

        4)對得到的前景S(x,y)進(jìn)行圖像形態(tài)學(xué)操作,利用膨脹和腐蝕去除孤立點和空洞,得到二值化圖像P.

        5)采用投影法獲取目標(biāo)區(qū)域的水平、垂直方向起始與終止坐標(biāo),得到目標(biāo)區(qū)域的外接矩形,實現(xiàn)運(yùn)動目標(biāo)的精確定位(見圖2).

        圖2 檢測定位圖

        1.2 攝像機(jī)標(biāo)定

        攝像機(jī)標(biāo)定問題[6]可描述為:給定一些三維特征對象以及對應(yīng)的二維圖像平面上的特征對象,求旋轉(zhuǎn)陣R、平移陣T以及有效焦距f三個投影參數(shù).本文采用Tsai兩步標(biāo)定法實現(xiàn)攝像機(jī)標(biāo)定:

        步驟1 求解旋轉(zhuǎn)陣R、平移陣T的tx,ty分量以及圖像尺度因子β.其中,

        ①拍攝幾幅具有不同已知高度、若干共面特征點的標(biāo)定體圖像,利用圖像處理方法確定若干個特征點的圖像坐標(biāo),設(shè)共N個點,計算機(jī)圖像坐標(biāo)為(xfi,yfi),i=1,2,…,N,實際圖像坐標(biāo)為(xdi,ydi),設(shè)這些點相應(yīng)的世界坐標(biāo)為(xwi,ywi,zwi).

        式中,(cx,cy)為計算機(jī)圖像的中心坐標(biāo);(sx,sy)為圖像平面單位距離上的像素數(shù).

        ②依據(jù)攝像機(jī)模型與徑向排列約束,對每個點P可列出一個方程,聯(lián)立這N個方程,得到Ai·B=xdiβ,其中

        利用最小二乘法求解該超定方程組,可得

        ③依據(jù)步驟②的解,利用R的正交性,可得到整個旋轉(zhuǎn)矩陣R和T中的tx,ty分量以及圖像尺度因子β.

        步驟2 求解有效焦距f,T的tz分量和透鏡畸變系數(shù)k.

        考慮徑向透鏡畸變,則影像坐標(biāo)(xu,yu)可表示為

        設(shè)

        依據(jù)攝像機(jī)模型可得

        對N個特征點,利用最小二乘法對上述2個方程進(jìn)行聯(lián)合最優(yōu)參數(shù)估計,得到焦距f,T的tz分量和透鏡畸變系數(shù)k.

        1.3 自適應(yīng)PTZ跟蹤與云臺控制

        根據(jù)攝像機(jī)標(biāo)定與目標(biāo)檢測結(jié)果,可以獲得目標(biāo)的運(yùn)動狀態(tài)參數(shù)(某一時刻目標(biāo)所在的位置和速度),利用Kalman濾波并結(jié)合模板匹配的方法進(jìn)行運(yùn)動目標(biāo)的自適應(yīng)跟蹤與控制云臺移動[7-9],跟蹤算法的流程如圖3所示.

        圖3 跟蹤算法流程圖

        Kalman濾波器是一個對動態(tài)系統(tǒng)的狀態(tài)序列進(jìn)行線性最小方差誤差估計的算法,可以以任意一點作為起始點開始觀測,按照遞推公式,即可算出新的預(yù)測量估計值.Kalman濾波器簡單易行,且計算量小,可實時計算.由于相鄰k幀圖像時間間隔較短,可以假設(shè)目標(biāo)在單位時間間隔內(nèi)是勻速運(yùn)動的.

        定義Kalman濾波器系統(tǒng)狀態(tài)為X,X={xs,ys,vx,vy},其中 xs,ys,vx,vy分別為目標(biāo)的質(zhì)心和速度.而在圖像上只能觀測到目標(biāo)的位置,定義觀測狀態(tài)向量為Y={xs,ys}.

        在目標(biāo)跟蹤中,使用Kalman濾波器估計目標(biāo)運(yùn)動狀態(tài)可分為3個階段:

        ①初始化濾波器,即對X0賦初值,其值為目標(biāo)檢測過程中得到的目標(biāo)的位置和速度.

        ②狀態(tài)估計,設(shè)t為相鄰2幀圖像的時間間隔,根據(jù)上一幀的濾波器狀態(tài)與△t,利用Kalman狀態(tài)預(yù)測方程即可預(yù)測當(dāng)前運(yùn)動狀態(tài)X0,設(shè)定以X0中(xs,ys)為中心的區(qū)域為搜索區(qū)域,在該區(qū)域中尋找模式的最佳匹配,得到.

        ③ 利用Y0={,}更新Kalman濾波器狀態(tài).

        模板匹配法可歸結(jié)為二者的某一特征值的相關(guān)性度量,通過將模板圖像與待匹配圖像進(jìn)行相關(guān)運(yùn)算,得到一個相關(guān)值,再根據(jù)這一相關(guān)值的大小就可以判斷二者的匹配度.選用圖像的灰度特征,利用最小平均絕對差值函數(shù)(MAD)進(jìn)行匹配,即

        具體的跟蹤流程總結(jié)如下:通過Kalman濾波器預(yù)測目標(biāo)的可能位置,在預(yù)測區(qū)域利用模板匹配法完成匹配,判斷目標(biāo)在實時圖像中的位置,并依據(jù)運(yùn)動目標(biāo)面積設(shè)置閾值,進(jìn)行模板自動更新,從而實現(xiàn)目標(biāo)跟蹤(見圖4).

        圖4 Kalman濾波與模板匹配跟蹤效果圖

        結(jié)合攝像機(jī)標(biāo)定控制云臺進(jìn)行水平擺動和上下仰俯,使得運(yùn)動物體處于攝像機(jī)視野之內(nèi),即將運(yùn)動目標(biāo)實時反映在屏幕中央[10].

        假設(shè)在t時刻得到某目標(biāo)在第m幀圖像中的坐標(biāo)為(xm,ym),將(xm,ym)作為 Kalman 濾波器的輸入,可得到目標(biāo)在當(dāng)前時刻的狀態(tài)估計(xs,ys,vx,vy).假定以間隔 k幀(本文取 k=5)后的 t+△t時刻的圖像作為輸入,就可預(yù)測出目標(biāo)在間隔k幀后的圖像中的坐標(biāo)(xk,yk):

        假設(shè)在△t時間內(nèi)只有云臺轉(zhuǎn)動,目標(biāo)不動,可將視點作為原點,把三維坐標(biāo)轉(zhuǎn)換成球面坐標(biāo).將云臺沿水平方向順時針繞視點旋轉(zhuǎn)θ角度可消除x方向上的偏移.在如圖5所示的坐標(biāo)中,要將x軸轉(zhuǎn)到OM位置,將z軸沿垂直方向旋轉(zhuǎn)α角度即可.此時的θ角與焦距深度無關(guān),α=90°-φ.

        圖5 球心投影圖

        如圖6所示,在雙角度坐標(biāo)系中,M點在屏幕上投影為A點,θ為鏡頭在水平方向上的視野角度,屏幕寬度為L,要將A點移至屏幕中央,光軸需轉(zhuǎn)動α角度.同理可消除y方向上的位移,這樣就可實現(xiàn)將運(yùn)動目標(biāo)移動到屏幕中央的目的.

        圖6 攝像機(jī)雙角度模型

        2 運(yùn)動目標(biāo)抓拍與特寫

        目標(biāo)抓拍是指對實際的運(yùn)動目標(biāo)(例如人)進(jìn)行實時的跟蹤觀察,并對其進(jìn)行變焦拍攝,給出運(yùn)動目標(biāo)物的近焦距全貌特征描述.抓拍的基本要求是:① 圖像清晰,便于識別;② 圖像完整,包含鮮明的目標(biāo)特征.

        2.1 抓拍圖像的清晰度

        清晰度描述的是一張照片的細(xì)節(jié)清楚程度,與圖像的感知清晰度相關(guān)的2個基本因素是:分辨率和銳度.銳度描述的是圖像信息在邊界上變換的快慢程度;分辨率又稱解析度,描述的是攝像機(jī)對圖像細(xì)節(jié)的分辨能力.

        2.2 基于梯度極值的改進(jìn)抓拍方法

        抓拍的目標(biāo)是要得到既清晰又完整的物體圖像,當(dāng)運(yùn)動物體距離攝像頭太遠(yuǎn),圖像中的物體會不清晰;當(dāng)運(yùn)動物體距離攝像頭太近,所得到的圖像會不完整.抓拍時機(jī)對于抓拍系統(tǒng)有重要意義.

        由于本文中抓拍對象一般為人,并且目標(biāo)是用矩形框框出,運(yùn)動物體模型可以視為一系列由小變大的矩形模型.依據(jù)人“瘦而高”的特征,在視場內(nèi)設(shè)定一個符合抓拍標(biāo)準(zhǔn)的矩形區(qū)域,面積在整個視場的1/4~1/3左右,并且在整個視場的中央位置,該區(qū)域被稱為抓拍窗Q.當(dāng)處理所得的運(yùn)動物體模型充滿并剛剛溢出抓拍窗時,即為抓拍時機(jī).抓拍窗如同物理中的磁感應(yīng)線圈,起到圖像抓拍的觸發(fā)作用.為了判定運(yùn)動物體是否充滿抓拍窗,定義了變量B描述抓拍窗內(nèi)的圖像梯度總和,即

        隨著運(yùn)動物體模型面積的增大,K逐漸增大,并在充滿且剛剛溢出抓拍窗時取到最大值,保證了抓拍目標(biāo)圖像的完整性;同時為了保證圖像的清晰度,由于抓拍窗口在中央位置,此時可以假定鏡頭固定不動,利用Kalman濾波與攝像機(jī)標(biāo)定系統(tǒng),計算目標(biāo)與攝像機(jī)之間的實際相對速度V,在本文中,當(dāng)V<3 m/s時,即立刻進(jìn)行抓拍,獲取目標(biāo)清晰完整的圖像.圖7中,本系統(tǒng)圖像分辨率為720×570像素.

        圖7 人體抓拍效果圖

        3 實驗平臺與結(jié)果分析

        所設(shè)計的檢測跟蹤系統(tǒng)要求達(dá)到的效果是對于進(jìn)入攝像頭視場中的運(yùn)動目標(biāo)能夠?qū)崟r檢測出來,并控制云臺轉(zhuǎn)動,使目標(biāo)始終以合適大小在攝像頭的視場范圍內(nèi),從而達(dá)到PTZ跟蹤的目的,并實現(xiàn)目標(biāo)清晰圖像的自動抓拍.選擇人體作為跟蹤目標(biāo)進(jìn)行系統(tǒng)測試,實際處理速度為24 frame/s.快球安裝在公司大樓入口處,高度約為3 m.

        3.1 實驗硬件平臺設(shè)計和開發(fā)環(huán)境

        監(jiān)控系統(tǒng)的硬件部分包括個人計算機(jī)、串口連接器和Infinova一體化網(wǎng)絡(luò)球形攝像機(jī).攝像機(jī)采用Infinova v1700N系列網(wǎng)絡(luò)快球,影像最高分辨率可達(dá)1 280×1 024像素,串口通信波特率為9 600 bit/s,后臺PC服務(wù)器采用酷睿2雙核2.0處理器.由一體化網(wǎng)絡(luò)球形攝像機(jī)進(jìn)行監(jiān)控圖像的采集,并直接傳送到計算機(jī),計算機(jī)通過軟件對圖像進(jìn)行分析處理,產(chǎn)生控制信號,通過串口發(fā)送指令控制快球,以實現(xiàn)運(yùn)動目標(biāo)的PTZ自動檢測跟蹤.開發(fā)環(huán)境采用VC++.硬件結(jié)構(gòu)如圖8所示.

        圖8 系統(tǒng)硬件平臺

        3.2 實驗結(jié)果和分析

        3.2.1 運(yùn)動檢測的結(jié)果和分析

        利用檢測率和錯誤報警率對運(yùn)動區(qū)域進(jìn)行統(tǒng)計,其統(tǒng)計結(jié)果如表1所示.結(jié)果表明:系統(tǒng)在不同天氣條件(晴天、陰天、雨天),以及不同的時間段(早晨、中午、傍晚)均可檢測得出準(zhǔn)確的運(yùn)動對象區(qū)域,證明本文的運(yùn)動檢測算法具有廣泛的適應(yīng)性,能適應(yīng)不同的光照條件和不同的環(huán)境條件.

        表1 運(yùn)動區(qū)域檢測率統(tǒng)計表

        3.2.2 自適應(yīng)PTZ跟蹤與抓拍的結(jié)果和分析

        從圖2、圖4和圖7可看出,系統(tǒng)能準(zhǔn)確、迅速地自動檢測運(yùn)動目標(biāo),控制云臺確保運(yùn)動目標(biāo)以合適大小始終出現(xiàn)在攝像頭的視場范圍內(nèi),并實現(xiàn)目標(biāo)圖像的清晰抓拍.表2和表3對運(yùn)行時間與抓拍成功率作了統(tǒng)計.表2說明該系統(tǒng)完全滿足實時系統(tǒng)24 frame/s的需求.表3說明了人和攝像機(jī)之間的相對位置和速度對抓拍成功率的影響,目標(biāo)運(yùn)動速度越快,越難抓拍,本系統(tǒng)對3 m/s以下的運(yùn)動目標(biāo)具有非常高的成功率,但有時不能很好地獲取快速運(yùn)動目標(biāo)的全貌特寫.

        表2 運(yùn)行時間統(tǒng)計表

        表3 抓拍成功率統(tǒng)計表

        4 結(jié)語

        選用高像素網(wǎng)絡(luò)攝像機(jī),在單目標(biāo)PTZ跟蹤的基礎(chǔ)上,提出一種基于梯度極值結(jié)合目標(biāo)實際運(yùn)動矢量的方法實現(xiàn)目標(biāo)快照的抓拍,能夠更好地獲取目標(biāo)全貌特征.實驗結(jié)果表明:該系統(tǒng)對不同的光照條件和不同的環(huán)境條件具有一定的適應(yīng)性,并兼顧了整個系統(tǒng)的運(yùn)行速度和CPU利用率,具有很好的魯棒性、實時性和清晰度.未來可考慮加入目標(biāo)理解等方法更精確地獲取目標(biāo)顯著特征.

        References)

        [1]樊尚春,周游,劉長庭.基于DSP和FPGA技術(shù)的細(xì)胞圖像采集系統(tǒng)的設(shè)計[J].北京航空航天大學(xué)學(xué)報,2008,34(6):707-710.Fan Shangchun,Zhou You,Liu Changting.Design of video capture system based on FPGA[J].Journal of Beijing University of Aeronauticsand Astronautics,2008,34(6):707-710.(in Chinese)

        [2]Saegusa T,Maruyama T,Yamaguchi Y.How fast is an FPGA in image processing[J].IEICE Technical Report,2008,108(48):83-88.

        [3]Chen S H Y,Huang Y W,Hsieh B Y.Fast video segmentation algorithm with shadow cancellation,global motion compensation and adaptive threshold techniques[J].IEEE Transactions on Multimedia,2004,6(5):732-748.

        [4]盛平,張凈,倪冬瑋,等.基于單運(yùn)動目標(biāo)的PTZ檢測跟蹤系統(tǒng)設(shè)計[J].江蘇大學(xué)學(xué)報:自然科學(xué)版,2010,31(6):710-715.Sheng Ping,Zhang Jing,Ni Dongwei,et al.Design of PTZ detection and tracking system based on single moving object[J].Journal of Jiangsu University:Natural Science Edition,2010,31(6):710-715.(in Chinese)

        [5]王永忠,梁顏,潘泉,等.基于自適應(yīng)混合高斯模型的時空背景建模[J].自動化學(xué)報,2009,35(4):371-378.Wang Yongzhong,Liang Yan,Pan Quan,et al.Spatiotemporal background modeling based on adaptive mixture of Gaussians[J].Acta Automatica Sinica,2009,35(4):371-378.(in Chinese)

        [6] Jonathan L,Joseph A,Terveen G,et al.Evaluating collaborative filtering recommender systems[J].ACM Transactions on Information Systems,2004,22(1):5-53.

        [7] Kato J,Watanabe T,Joga S,et al.An HMM/MRF based stochastic framework for robust vehicle tracking[J].IEEE Transactions on Intelligent Transportation Systems,2004,5(3):142-154.

        [8]王阿琴,楊萬扣,孫長根.基于子圖像的尺寸自適應(yīng)mean shift目標(biāo)跟蹤[J].東南大學(xué)學(xué)報:自然科學(xué)版,2010,40(sup1):131-135.Wang Aqin,Yang Wankou,Sun Changgen.Scale adaptable mean shift object tracking based on image fragments[J].Journal of Southeast University:Natural Science Edition,2010,40(sup1):131-135.(in Chinese)

        [9]Rad R,Jamzad M.Real time classification and tracking of multiple vehicles in highways[J].Pattern Recognition Letters,2005,26(10):1597-1607.

        [10]張輝,王強(qiáng),徐光祐,等.運(yùn)動目標(biāo)的快速檢測、跟蹤和判別[J].清華大學(xué)學(xué)報:自然科學(xué)版,2002,42(10):1401-1404.Zhang Hui,Wang Qiang,Xu Guangyou,et al.Fast detection,tracking and classification of moving objects[J].Journal of Tsinghua University:Science and Technology,2002,42(10):1401-1404.(in Chinese)

        猜你喜歡
        快照攝像機(jī)標(biāo)定
        EMC存儲快照功能分析
        天津科技(2022年5期)2022-05-31 02:18:08
        使用朗仁H6 Pro標(biāo)定北汽紳寶轉(zhuǎn)向角傳感器
        看監(jiān)控攝像機(jī)的4K之道
        基于勻速率26位置法的iIMU-FSAS光纖陀螺儀標(biāo)定
        創(chuàng)建磁盤組備份快照
        攝像機(jī)低照成像的前世今生
        新安訊士Q6155-E PTZ攝像機(jī)
        船載高精度星敏感器安裝角的標(biāo)定
        數(shù)據(jù)恢復(fù)的快照策略
        如何消除和緩解“攝像機(jī)恐懼癥”
        新聞前哨(2015年2期)2015-03-11 19:29:25
        无码国产精品一区二区免费97 | 人人爽久久久噜人人看| 4399理论片午午伦夜理片| 牛牛本精品99久久精品88m| 2022AV一区在线| 成人大片免费在线观看视频| 老色鬼在线精品视频| 中文字幕一区二区三区精华液| 中文字幕巨乱亚洲| 国产精品一区二区三区成人| 一区二区三区人妻少妇| 免费人成视频xvideos入口| 国产一区a| 日本一区二区在线看看| 日本熟妇另类一区二区三区| 色噜噜av亚洲色一区二区| 欧美亚洲国产另类在线观看| 蜜桃av一区在线观看| 精品人妻va一区二区三区| 熟女性饥渴一区二区三区| 国产精品偷伦视频免费手机播放| 性一交一乱一乱一视频亚洲熟妇| 丝袜美腿福利一区二区| a级毛片免费观看在线| 亚洲色大成在线观看| 国产一区二区三区再现| 天堂8在线新版官网| 亚洲精品国产av成拍色拍 | 性视频毛茸茸女性一区二区| 熟妇人妻无乱码中文字幕av| 55夜色66夜色国产精品视频| 色www亚洲| 中文字幕人乱码中文字幕乱码在线| 国内少妇毛片视频| 伊伊人成亚洲综合人网7777 | 国产内射在线激情一区| 无码一区二区三区在| 在线国人免费视频播放| 999国内精品永久免费观看| 久久精品这里只有精品| 91麻豆精品久久久影院|