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

        ?

        基于自適應(yīng)背景匹配的運(yùn)動目標(biāo)檢測算法

        2013-09-11 03:21:18高振華張洪斌于艷飛
        計算機(jī)工程與設(shè)計 2013年8期
        關(guān)鍵詞:像素點(diǎn)差分灰度

        高振華,黃 山,,張洪斌,于艷飛

        (1.四川大學(xué) 電氣信息學(xué)院,四川 成都610065;2.四川大學(xué) 計算機(jī)學(xué)院,四川 成都610065;3.中國北車集團(tuán)大連機(jī)車研究所有限公司 技術(shù)中心,遼寧 大連116021)

        0 引 言

        對不依賴先驗知識的目標(biāo)跟蹤而言,運(yùn)動目標(biāo)檢測是實現(xiàn)目標(biāo)跟蹤的第一步,是整個后繼處理的基礎(chǔ),它的的精確檢測關(guān)系到整個視頻監(jiān)控系統(tǒng)檢測精度和可靠性。目前常用的運(yùn)動檢測方法大致有3種:光流法、幀差法和背景差分法。光流法[1]通過對目標(biāo)光流場的估算來分割運(yùn)動目標(biāo),雖能檢測事先未知信息的運(yùn)動目標(biāo),但是計算過程復(fù)雜、計算量大,難以滿足現(xiàn)實中的實時要求;幀差法[2]將不同時刻兩幀圖像的對應(yīng)像素值相減,原理簡單、運(yùn)算量小,但無法檢測靜止的前景目標(biāo),且最佳幀間間隙隨目標(biāo)運(yùn)動快慢而變化;背景差分法[3]通過當(dāng)前幀與場景背景之差提取前景物體,是目前在運(yùn)動目標(biāo)檢測中運(yùn)用最多也是最有效的方法。背景差分法的關(guān)鍵在于如何提取可靠的背景以及進(jìn)行魯棒的實時的更新。

        我們針對自適應(yīng)背景圖像提取和前景運(yùn)動目標(biāo)檢測進(jìn)行了深入研究。首先用改進(jìn)的Mode[4]算法提取出了可靠的初始背景,然后結(jié)合背景匹配更新機(jī)制對背景進(jìn)行自適應(yīng)的更新。對于運(yùn)動目標(biāo)檢測這一模塊,我們采用Cauchy[5]模型針對視頻序列進(jìn)行目標(biāo)檢測。最后針對行人和交通場景進(jìn)行了多組實驗對比和分析,最終驗證了算法的有效性同時也提高了算法的實用性。

        1 背景提取與自適應(yīng)更新算法

        目前主要的背景圖像獲取方法[6]大致有4種:背景統(tǒng)計法、Surendra背景更新算法、卡爾曼濾波法以及背景模型法。這些方法各具特點(diǎn),在實際應(yīng)用中取得了一定的成效。在現(xiàn)實中,視頻監(jiān)控大多動態(tài)場景的變化對背景的影響比較大,在監(jiān)控過程中不僅需要可靠的背景,而且還要求能及時的更新背景,以適應(yīng)環(huán)境的突變和漸變。采用取前幾十幀的平均灰度值作為初始背景,引入了大量的噪聲,會影響運(yùn)動目標(biāo)的準(zhǔn)確檢測;而單一的混合高斯模型法[7,8]計算量較大并且會出現(xiàn)運(yùn)動物體長期靜止時失效。因此在深入分析和研究各類運(yùn)動目檢測和背景提取方法后,本文在初始背景提取部分,采用了Mode算法,并且對算法進(jìn)行了有效的改進(jìn);在背景更新階段使用魯棒性和自適應(yīng)能力強(qiáng)的背景更新算法以期達(dá)到提高運(yùn)動目標(biāo)檢測結(jié)果的準(zhǔn)確性的目的。

        1.1 算法及其改進(jìn)

        1.1.1 算法

        在提取背景圖像的過程中有一個合理的假設(shè),即在幾十幀圖像的時間段內(nèi),實際背景的灰度值基本上在很小的范圍內(nèi)波動,而不同的前景目標(biāo)遮擋背景引入的灰度值干擾則隨運(yùn)動目標(biāo)的反光特性差異和移動而表現(xiàn)為出隨機(jī)分布在整個灰度值的范圍內(nèi)[9]。Mode算法基于這個假設(shè),并且在此基礎(chǔ)上,延時間軸統(tǒng)計每個像素點(diǎn)的灰度分布直方圖,取得分布值最大的峰值點(diǎn),即Mode值點(diǎn),以它作為相應(yīng)像素點(diǎn)的背景灰度值。

        Mode算法在二維視頻序列中的具體應(yīng)用步驟如下:統(tǒng)計圖片幀的每個像素點(diǎn) (x,y)前N幀圖像對應(yīng)某點(diǎn)的灰度直方圖為hist(x,y,0),hist(x,y,1)…,hist(x,y,255),將該序列的最大灰度值作為該對應(yīng)像素點(diǎn)的當(dāng)前背景灰度值,計算公式如下

        在Mode算法中,先求出每個像素點(diǎn) (x,y)的前N(N<100)幀圖像的灰度Mode值。目的就是讓實驗所得結(jié)果更接近真實背景的灰度值。實驗中發(fā)現(xiàn)N取100的時候就完全可以得到可靠的初始背景圖,且提取的初始背景圖像優(yōu)于取前N幀均值提取的初始背景圖像、計算算法復(fù)雜度也低于混合高斯模型法。

        1.1.2 Mode算法的改進(jìn)

        在實際中,由于像素灰度值取值的連續(xù)性和實際中擾動的存在,且視頻采集受到光流、天氣、水面波動等的干擾,某點(diǎn)的背景灰度值不是某一確定的數(shù)值,而是圍繞某個值分布在一個小的區(qū)域中,為了在使用Mode算法時求出更好的代表各點(diǎn)的背景灰度值,我們在計算灰度值直方圖時,將灰度值分布軸劃分成若干的小區(qū)間并進(jìn)行二次分段累加統(tǒng)計。文獻(xiàn) [4]中的Mode算法實現(xiàn)時,固定選取灰度分布值最大的區(qū)間的中值作為Mode值,也即為背景的灰度值。這樣的取值存在一定的缺陷。于是文獻(xiàn) [4]中對其進(jìn)行了改進(jìn),把灰度區(qū)間的中值改取成灰度區(qū)間的平均值。這樣的取值方法,沒考慮區(qū)間內(nèi)數(shù)值的權(quán)重問題,權(quán)重小的數(shù)值對背景灰度值的影響比較小。同時,對于分區(qū)段存在一個不可避免的問題,即若Mode值恰好處于相臨兩個區(qū)段的邊界上?;诖?,我們中對該算法做了進(jìn)一步改進(jìn):我們采用了兩個跨度單位一起排序然后取前幾個最大值,有效地回避了跨區(qū)段的問題;對于相鄰兩區(qū)間內(nèi)的數(shù)值,按權(quán)重從大到小的排序,保留排在前面的幾個數(shù)值,舍去其余,然后取這幾個數(shù)的均值。

        我們在實驗中采取的區(qū)間長度以4為跨度單位,在256個灰度級上取了64個區(qū)間。在實驗中發(fā)現(xiàn),一般需要取到兩個相鄰區(qū)間內(nèi)前5個最大的數(shù),就可以得到準(zhǔn)確的Mode值,同時考慮到位圖數(shù)據(jù)的類型,我們對計算出來的Mode值進(jìn)行了四舍五入處理。為了驗證改進(jìn)的Mode算法較文獻(xiàn) [4]有效,在實驗過程中特別針對位圖中 (30,60)點(diǎn)進(jìn)行了對Mode算法改進(jìn)前后的對比。

        表1為像素點(diǎn) (30,60)采用Mode算法在前100幀所取到的灰度值出現(xiàn)的頻數(shù)最大的兩個區(qū)間0-3、4-7以及各個灰度值出現(xiàn)的頻數(shù)。

        表1 頻數(shù)最大的兩個區(qū)間及頻數(shù)

        表2為經(jīng)過Mode算法計算出 (30,60)點(diǎn)的背景灰度值,考慮到像素點(diǎn)的數(shù)據(jù)類型,對計算結(jié)果進(jìn)行四舍五入的處理,可以看出改進(jìn)前的算法計算出的結(jié)果四舍五入后所得的數(shù)值為3,而改進(jìn)后的算法四舍五入后所數(shù)值為2,與實際值是吻合的。

        表2 改進(jìn)前后Mode算法對比

        1.2 自適應(yīng)背景更新

        通過Mode算法獲取了可靠的初始背景。但是Mode算法的缺點(diǎn)是需要較大的存儲空間,更主要是的考慮到背景更新的自適應(yīng)性與魯棒性的問題。因此針對背景進(jìn)行自適應(yīng)的更新這個問題,我們采用了背景匹配更新機(jī)制。在通過Mode算法得到初始背景后,分別賦給參考幀R0(x,y)和當(dāng)前背景模型B0(x,y),然后采用背景匹配更新機(jī)制,這種機(jī)制不僅可以消除很大一部分噪聲的影響,也可以自適應(yīng)地更新背景。在通過每一輸入幀提供的信息來實時調(diào)整背景圖像,使所得到的背景圖像更加接近真實背景。

        背景匹配更新機(jī)制具體內(nèi)容包括3大部分:參考幀的更新、匹配過程、背景的修正更新。背景匹配更新流程圖,如圖1所示。

        圖1 背景匹配更新流程

        (1)參考幀Rt(x,y)是當(dāng)前背景模型的一個屏蔽過濾機(jī)制,這樣通過參考幀的緩沖,可以大幅的濾除實際中的由運(yùn)動目標(biāo)引入的對背景的干擾和噪聲,過濾并提取出穩(wěn)定的信息以更新背景。參考幀根據(jù)每一幀所提供的的像素值逐幀迭代計算參考幀每個像素點(diǎn),其計算公式如下

        Rt(x,y)= Rt-1(x,y)+sgn[It(x,y)-Rt-1(x,y)](2)式2中Rt(x,y)和Rt-1(x,y)分別是某一像素點(diǎn) (x,y)的當(dāng)前參考幀和前一時刻參考幀的灰度值,It(x,y)是當(dāng)前輸入幀像素點(diǎn) (x,y)的灰度值。最初的R0(x,y)即由Mode算法采用了前100幀計算出的初始背景。

        (2)匹配過程:每當(dāng)有視頻序列的一幀輸入,針對其上的每一個像素點(diǎn)進(jìn)行匹配標(biāo)記。匹配過程偽代碼如下:

        It(x,y)為非匹配點(diǎn),不予以考慮。

        (3)背景模型的修正更新:在通過對輸入幀的篩選得到匹配點(diǎn)之后,就可以對這些點(diǎn)更新當(dāng)前背景模型,具體更新公式如下

        式 (3)中Bt(x,y)和Bt-1(x,y)分別是當(dāng)前時刻和前一時刻的背景模型,Rt(x,y)是匹配點(diǎn)的參考灰度值。

        根據(jù)上述匹配和背景的修正更新過程,可以看到參考幀起到的作用主要有兩點(diǎn):①它是作為當(dāng)前背景模型的一種屏蔽作用。對于前景運(yùn)動目標(biāo)經(jīng)過時對背景的遮擋不會即可影響背景質(zhì)量;②過濾機(jī)制。通過輸入幀提供的穩(wěn)定信息會逐漸逼近真實背景。參考幀會在逐漸逼近真實背景的過程中,通過匹配和背景修正的影響得到逐漸的修正。同時,基于參考幀的漸變作用,可以大幅降低和減小噪聲對分割前景目標(biāo)的影響。但是由于漸變作用,長時間停留的目標(biāo)還是會逐漸刷新到背景圖中,針對這種影響,對背景更新機(jī)制引入了長時間逗留物體的倒計時機(jī)制進(jìn)行背景保持和刷新[6]。

        2 基于Cauchy模型的運(yùn)動目標(biāo)檢測

        本文采用基于自適應(yīng)的背景和前景與背景的Cauchy分布模型來進(jìn)行運(yùn)動目標(biāo)的檢測。在運(yùn)動目標(biāo)檢測的過程中,利用了當(dāng)前幀圖像和背景圖像的絕對差分和Cauchy分布這兩個數(shù)學(xué)模型。

        2.1 絕對差分和Cauchy分布

        絕對差分是由所得到的背景模型Bt(x,y)與視頻序列當(dāng)前幀之間It(x,y)的差分絕對值得到。具體計算公式如下

        為了對每一幀圖像,通過差分圖像檢測到運(yùn)動目標(biāo)所屬像素,引用了Cauchy分布模型。模型描述如下

        式中:a——Cauchy模型的位置參數(shù),γ——Cauchy模型的尺度參數(shù)。

        2.2 運(yùn)動目標(biāo)檢測

        通過圖像上各像素點(diǎn)提供的信息,得到各像素點(diǎn)絕對差分圖像后,針對每一個像素點(diǎn)分別計算其前景和背景的Cauchy分布模型,然后加入可變系數(shù)對兩Cauchy分布模型進(jìn)行大小的比較,從而在絕對差分圖像上得到準(zhǔn)確的前景目標(biāo),實現(xiàn)對運(yùn)動目標(biāo)的檢測。

        在計算Cauchy模型前,需要統(tǒng)計絕對差分圖像的灰度直方圖。在一幀絕對差分圖像上灰度值為i的點(diǎn)的個數(shù)用式 (6)表示

        對背景區(qū)域的Cauchy分布模型c1定義為

        式中:α——c1模型的位置參數(shù),且由如下公式計算

        式中:i——在絕對差分圖像中的任意灰度級,gΔ(x,y,i)——對應(yīng)i灰度級的像素數(shù)。

        另外又定義了對運(yùn)動目標(biāo)分類的Cauchy分布模型c2

        式中:β——c2模型的位置參數(shù),且由如下公式計算

        式中:i——絕對差分圖像上的任意灰度級,imax——絕對差分圖像上的最大灰度級,gΔ(x,y,i)——對應(yīng)i灰度級的像素數(shù)。之后對一幀圖像上的像素點(diǎn)進(jìn)行背景點(diǎn)與前景點(diǎn)采用比對c1、c2的大小來判別,在實驗中測試所得,當(dāng)γ=30的時候?qū)嶒灲Y(jié)果最優(yōu)。

        我們對兩個Cauchy分布模型c1、c2大小的判別增加了一個可變系數(shù)ε。同時由于是c1、c2之間的大小比對,取消了它們共同的公因子1/π,減少計算冗余。改進(jìn)后的算法對某一像素點(diǎn)的兩Cauchy分布模型c1、c2對該點(diǎn)的歸宿判定如下:若c1>εc2像素點(diǎn) (x,y)為背景點(diǎn);否則像素點(diǎn) (x,y)為前景運(yùn)動目標(biāo)點(diǎn)。我們針對不同的對象進(jìn)行了大量的跟蹤實驗,實驗結(jié)果顯示不同的場景,ε取值不同。在行人場景中ε=1.1,在交通車輛場景中ε=1.2的情況下獲得置信度高的實驗結(jié)果。

        在實際運(yùn)行過程中,會出現(xiàn)某一幀圖像沒有前景目標(biāo)。這時公式 (10)出現(xiàn)了分母為零的情況,以至前景Cauchy模型無法計算。這種情況下,在實驗中,先計算β的值,若是其分母值為零,則直接跳過這一幀圖像,不予處理,繼續(xù)計算下一幀圖像中的運(yùn)動目標(biāo)。

        在此處對像素點(diǎn)的歸宿判定采用了兩個擁有動態(tài)參數(shù)α、β的Cauchy分布模型c1、c2,針對每一幀實時圖像,都計算了α、β,實現(xiàn)了二者的動態(tài)更新,而非直接用傳統(tǒng)的單閾值來判定,避免了采用經(jīng)驗值的弊端。

        3 實驗結(jié)果與分析

        我們主要針對交通車輛監(jiān)控和校園行人場景監(jiān)控進(jìn)行了多組初始背景提取、背景更新和前景點(diǎn)分類實驗。整個監(jiān)控系統(tǒng)程序在VS2010環(huán)境下編寫,硬件采用安裝了天敏SDK4000采 集 卡 的 PC 機(jī) (Inter (R)Core (TM)i3-2330M,2.2GHz,4G內(nèi)存),對PAL制灰度視頻進(jìn)行25fps的采集分析。視頻圖像的大小為320×240。

        圖2為100幀時所獲得的背景。其中左圖中為取前100幀圖像的平均值所得初始背景;右圖為采用Mode算法在100時初始背景。從圖2中可看出在幀數(shù)同為100時,取多幀平均所獲得初始背景模糊且有噪聲,而Mode算法所獲得的背景比較準(zhǔn)確。

        圖3為1000幀的時候,提取的背景圖像。其中左圖為取多幀平均初始背景采用本文的背景更新機(jī)制實時更新所得背景,右圖為采用Mode初始背景采用本文的背景更新機(jī)制實時更新所得背景;通過實驗可以得出Mode法無噪聲,而取多幀平均法雖然采用了本文的背景匹配更新機(jī)制,其實驗結(jié)果質(zhì)量較差,背景仍然模糊,伴有有大量噪聲。

        圖4為行人檢測實驗抽取的圖像。其中左圖對應(yīng)為第350幀圖像,右圖對應(yīng)為第378幀圖像。圖像第一行為原始行人圖像;第二行為采用混合高斯法檢測到的運(yùn)動目標(biāo)圖;第三行為采用取多幀平均法提取初始背景之后檢測到的運(yùn)動目標(biāo)圖;第四行為采用Mode法提取初始背景之后檢測到的運(yùn)動目標(biāo)圖。通過實驗可以得出混合高斯法有大量噪聲,取多幀平均法初始化背景也有大量噪聲,Mode算法無噪聲。

        圖4 行人檢測

        圖5為成都市黃石橋路段的交通場景,該場景中左側(cè)初始有一行人停留。其中左圖對應(yīng)為第1500幀圖像,右圖對應(yīng)為第2940幀圖像。圖像第一行為原始交通場景圖像;第二行為采用混合高斯法檢測到的運(yùn)動目標(biāo)圖;第三行為采用取多幀平均法提取初始背景之后檢測到的運(yùn)動目標(biāo)圖;第四行為采用Mode法提取初始背景之后檢測到的運(yùn)動目標(biāo)圖。根據(jù)實驗可以看出混合高斯模型需要根據(jù)環(huán)境進(jìn)行人為的調(diào)整設(shè)計閾值,該閾值對實驗結(jié)果影響比較大且噪聲較大,但初始背景中有停留目標(biāo)時,比本文的背景匹配更新機(jī)制更新速度快;取多幀平均獲得的初始背景會引入大量噪聲;而改進(jìn)Mode算法提取的初始背景較為精確,對初始停留目標(biāo)的處理較慢,但實驗證明在檢測過程中的慢目標(biāo)也有很好的實時性和噪聲抑制效果。

        圖5 車輛檢測

        4 結(jié)束語

        在攝像機(jī)靜止且在檢測過程中有慢目標(biāo)出現(xiàn)的情況下,在初始背景提取階段,我們采用改進(jìn)的Mode算法提取初始背景較文獻(xiàn) [5]中的取多幀平均提取初始背景,噪聲小、魯棒性好、后續(xù)更新背景使用時間短;在目標(biāo)檢測階段,與混合高斯模型法比較,我們采用的Cauchy條件分布模型具有計算復(fù)雜度低,目標(biāo)檢測準(zhǔn)確的優(yōu)點(diǎn)。改進(jìn)后的算法能同時滿足各種場景的應(yīng)用要求,實現(xiàn)了對行人的精確檢測與交通的準(zhǔn)確監(jiān)控,實用價值明顯。接下來,將在對具體應(yīng)用場景的深入分析基礎(chǔ)上,進(jìn)一步提升目標(biāo)檢測算法的適應(yīng)性和高效性,結(jié)合場景特點(diǎn)和目標(biāo)狀態(tài)等信息,并且把去除陰影、目標(biāo)跟蹤和遮擋下的監(jiān)控和動態(tài)閾值的優(yōu)化作為下一步研究的重點(diǎn)。

        [1]ZHANG Jieyu,John L Barron.Optical flow at occlusion[C]//Toronto,Canada:Ninth Conference on Computer and Robot Vision,2012:198-205.

        [2]WAN Ying,HAN Yi,LU Hanqing.The methods for moving object detection [J].Computer Simulation,2006,23 (10):221-226(in Chinese).[萬纓,韓毅,盧漢清.運(yùn)動目標(biāo)檢測算法的探討 [J].計算機(jī)仿真,2006,23 (10):221-226.]

        [3]ZHANG Juan,MAO Xiaobo,CHEN Tiejun.Survey of moving object tracking algorithm [J].Application Research of Computers,2009,26 (12):4407-4410 (in Chinese). [張娟,毛曉波,陳鐵軍.運(yùn)動目標(biāo)算法研究綜述 [J].計算機(jī)應(yīng)用研究,2009,26 (12):4407-4410.]

        [4]ZENG Yan,YU Lian.A new background subtraction method for on-road traffic [J].Journal of Image and Graphics,2008,13 (3):593-599 (in Chinese).[曾艷,于濂.一種新的道路交通背景提取算法及研究 [J].中國圖形圖像學(xué)報,2008,13 (3):593-599.]

        [5]Cheng Fan-chieh,RUAN Shang Jang.Accurate motion detection using a self-adaptive background matching framework [J].IEEE Transations on Intelligent Transportation Systems,2012,13 (2):671-679.

        [6]ZHANG Hongbin,HUANG Shan.Comprehensive dynamic background updating method for real-time traffic visual surveillance [J].Journal of Computer Applications,2007,27 (9):2134-2136 (in Chinese).[張洪斌,黃山.面向?qū)崟r交通視覺監(jiān)控的綜合動態(tài)背景更新方法 [J].計算機(jī)應(yīng)用,2007,27(9):2134-2136.]

        [7]JIAO Bo,YAN Liaoliao,LI Wei.Fast convergent gaussian mixture model in moving objects detection [C]//Shanghai,China:IEEE International Conference on Computer Science and Automation Engineering,2011:422-425.

        [8]LIU Xin,LIU Hui,QIANG Zhenping,et al.Adaptive background modeling based on mixture gaussian model and frame subtraction [J].Journal of Image and Graphics,2008,13(4):729-734 (in Chinese). [劉鑫,劉輝,強(qiáng)振平,等.混合高斯模型和幀間差分相融合的自適應(yīng)背景模型 [J].中國圖形圖像學(xué)報,2008,13 (4):729-734.]

        [9]QI Meibin,WANG Qian,JIANG Jianguo,et al.A background reconstruction algorithm based on the hypothesis of background pixel with maximum probability [J].Journal of Image and Graphics,2008,13 (4):723-728 (in Chinese). [齊美彬,王倩,蔣建國.基于背景像素值頻次最高假設(shè)的背景重構(gòu)算法 [J].中國圖象圖形學(xué)報,2008,13 (4):723-728.]

        [10]XIE Fengying,ZHAO Danpei.Digital image processing [M].Beijing:Publishing House of Electronics Industry,2008 (in Chinese). [謝鳳英,趙丹培.Visual C++數(shù)字圖像處理[M].北京:電子工業(yè)出版社,2008.]

        [11]Chen Y T,Chen C S,Hang C R,et al.Efficient hierarchical method for background subtraction [J].Pattern Recognition,2007,40 (10):2706-2715.

        猜你喜歡
        像素點(diǎn)差分灰度
        采用改進(jìn)導(dǎo)重法的拓?fù)浣Y(jié)構(gòu)灰度單元過濾技術(shù)
        數(shù)列與差分
        基于灰度拉伸的圖像水位識別方法研究
        基于canvas的前端數(shù)據(jù)加密
        基于最大加權(quán)投影求解的彩色圖像灰度化對比度保留算法
        基于逐像素點(diǎn)深度卷積網(wǎng)絡(luò)分割模型的上皮和間質(zhì)組織分割
        基于灰度線性建模的亞像素圖像抖動量計算
        基于差分隱私的大數(shù)據(jù)隱私保護(hù)
        基于Node-Cell結(jié)構(gòu)的HEVC幀內(nèi)編碼
        相對差分單項測距△DOR
        太空探索(2014年1期)2014-07-10 13:41:50
        久久精品亚洲94久久精品| 国产婷婷丁香久久综合| 久久夜色精品国产噜噜噜亚洲av| 丰满少妇av一区二区三区| 国产成人a级毛片| 成人片黄网站色大片免费观看cn | 精品91亚洲高清在线观看| 女人天堂av免费在线| 无套内射在线无码播放| 国产精品久久久久av福利动漫 | 国产精品亚洲av国产| 偷拍美女上厕所一区二区三区| 亚洲av永久无码精品网站在线观看 | 亚洲成a人片在线观看无码| 日本中文字幕一区二区高清在线| 18禁免费无码无遮挡网站| 日韩精品视频免费福利在线观看| 精品日韩一区二区三区av| 色欲av永久无码精品无码蜜桃| 国产在线视频一区二区三区| 国产在线一区二区三区av| 中文字幕一区二区三区| 伊甸园亚洲av久久精品| 婷婷丁香社区| 毛片av在线尤物一区二区| 97cp在线视频免费观看| 中文字幕一区在线观看视频| 精品国产福利片在线观看| 久久精品一区一区二区乱码| а天堂8中文最新版在线官网| 国产精品户露av在线户外直播| 国产一区二区内射最近人| 亚洲午夜精品一区二区麻豆av| 国内精品久久久久国产盗摄| 亚洲首页一区任你躁xxxxx| 自拍视频国产在线观看| 美女主播网红视频福利一区二区| 国产精品一区二区无线| 2022国内精品免费福利视频| 中文字幕高清视频婷婷| 摸进她的内裤里疯狂揉她动图视频 |