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

        ?

        基于感知哈希和切塊的視頻相似度檢測方法

        2021-07-30 10:33:56雒江濤胡鐘尹
        計算機應(yīng)用 2021年7期
        關(guān)鍵詞:檢測方法

        吳 悅,雒江濤,劉 銳,胡鐘尹

        (1.重慶郵電大學(xué)通信與信息工程學(xué)院,重慶 400065;2.重慶郵電大學(xué)電子信息與網(wǎng)絡(luò)工程研究院,重慶 400065)

        0 引言

        視頻應(yīng)用在近年來呈現(xiàn)爆發(fā)式增長,但是類似于涉案金額高達2.3 億元的“2·15”系列電影侵權(quán)案的視頻侵權(quán)行為卻層出不窮。由于鑒別視頻侵權(quán)問題的關(guān)鍵是檢測兩個視頻的相似度,因此只要能夠準確檢測兩段視頻的相似度,則能有效支持侵權(quán)的鑒別。除了鑒別視頻侵權(quán)問題外,通過視頻相似度檢測方法可以得到多張圖像幀在時空與信息上的相關(guān)性與互補性,以此生成質(zhì)量較好的融合圖片,因此解決視頻相似度檢測問題也為圖像融合的理論研究奠定了良好的基礎(chǔ)。

        現(xiàn)有的相似視頻檢測方法主要分為視頻層次檢測、圖像層次檢測和音頻層次檢測三類方法。

        在視頻層次檢測方法中,檢測兩個視頻是否完全相同的最基本的方法就是利用MD5 信息摘要算法[1],對比兩個視頻的MD5值是否相等,但是該方法無法檢測到篡改后的視頻?;跇祟}、標簽和描述內(nèi)容的檢測方式[2-4]則通過人為對視頻內(nèi)容進行高度概括,后續(xù)利用機器學(xué)習(xí)的方法對視頻進行分類;但該方法需要大量的人工輔助才能完成,并且由于每個人對視頻的理解不同,產(chǎn)生的標簽和描述也有所不同,導(dǎo)致最終的鑒別效果做不到客觀一致。因此大多數(shù)基于視頻層面的相似視頻研究是通過學(xué)習(xí)結(jié)合外觀和時間等特征[5-7]來進行的。例如,文獻[5]中結(jié)合時間和如顏色、紋理等感知視覺特征以及一個計算索引和查詢文檔之間邏輯推斷的匹配框架;但由于考慮了時間、視覺特征、時間和特征之間的對應(yīng)關(guān)系三方面的因素,所以計算速度比較緩慢,且上述利用深度學(xué)習(xí)的方法,前期需要大量時間和樣本訓(xùn)練網(wǎng)絡(luò)模型,網(wǎng)絡(luò)復(fù)雜、參數(shù)繁多。

        在圖像層次檢測方法中,文獻[8]中提出了對圖像幀進行基于光流的視頻復(fù)制移動偽造檢測算法;但計算復(fù)雜度太大,效率太低。基于視頻的圖像特征來進行相似視頻檢測的方法,主要是通過對比視頻圖像幀的形狀、顏色以及紋理[9]等視覺特征;但這一類方法只針對形狀、顏色等圖像特征相似的視頻,如果相似視頻更改了原始視頻的顏色、形狀,則會使得圖像幀特征差異大,影響結(jié)果的判斷。文獻[10]中使用密集連接卷積網(wǎng)絡(luò)來提取關(guān)鍵幀的深度特征,然后使用分類相關(guān)分析的特征融合算法來分析提取的參數(shù)特征,從而提高檢測精度;但是由于該方法沒有采用相應(yīng)的視頻數(shù)據(jù)集進行訓(xùn)練,導(dǎo)致存在一定漏檢情況。目前,大部分的基于圖像的視頻相似度對比方法都是對圖像特征進行哈希編碼得到圖像或者視頻指紋,后續(xù)對這些指紋進行相似度度量。在多特征哈希(Multiple Feature Hashing,MFH)[11]方法中,作者利用得到的多個特征的哈希碼進行加權(quán)求和,得到最后的多特征哈希碼。文獻[12]中通過自學(xué)習(xí)哈希(Self-Taught Hashing,STH)算法得到代表圖片幀的哈希序列,后續(xù)使用STH 串的歐幾里德空間上的余弦相似度構(gòu)建局部相似度圖,得到兩視頻相似度;文獻[13]中提出了一種基于拉普拉斯算子的特征向量的光哈希(SPectral Hashing,SPH)方法,得到哈希序列之后,利用漢明距離計算兩視頻之間的相似度。但是多特征哈希、自學(xué)習(xí)哈希以及光哈希三種方法僅僅使用了各單個特征之間的關(guān)系,并沒有充分利用多特征之間的關(guān)系,因此不同特征表示的聯(lián)系沒有挖掘出來,使得最終的檢索效果沒有達到最優(yōu)。

        在音頻層次檢測方法中,主要是通過對比兩個視頻中的圖像聯(lián)合音頻或字幕來獲得兩視頻的相似度?;陬l譜可見度圖來檢測音頻相似度[14]的方法通過可見度圖的方式,既可捕獲信號的諧波含量,同時又對寬帶噪聲具有彈性,因此可以測量兩音頻數(shù)據(jù)中諧波信號的相似性。文獻[15]中提到通過深度殘差網(wǎng)絡(luò)對端到端視頻進行字幕識別,但是基于識別字幕的相似視頻檢測方法只能適用于有字幕的相似視頻對比。

        針對上述方法中的多特征間關(guān)系難以建立合適的關(guān)聯(lián)、時間復(fù)雜度高等局限性,本文基于對比視頻最直接的圖像特征,設(shè)計出一種基于感知哈希(perceptual Hashing,pHash)[16]和切塊的視頻相似度快速檢測方法,并分別在自己構(gòu)造的數(shù)據(jù)集和公開數(shù)據(jù)集CC_WEB_VIDEO[17]進行了對比實驗,驗證了該方法有可行性。

        1 基于切塊和感知哈希的方法原理

        動態(tài)視頻由多個圖像幀組成,圖像作為視頻很重要的一部分,是視頻最直觀的特征。因此,通過視頻中關(guān)鍵圖像幀的相似度檢測可以判斷原始視頻和被測視頻是否為相似視頻。

        感知哈希(pHash)算法是使用離散余弦變換(Discrete Cosine Transform,DCT)來得到圖片的低頻成分從而計算出能代表圖片的數(shù)字指紋(以下簡稱指紋),及一個64 位的pHash二進制序列。作為檢測相似圖片最常用的算法,如果將其應(yīng)用在檢測相似視頻上,在n個指紋和m個指紋比較時,最多可能會遍歷對比n×m次,無法高效地檢測相似視頻。因此為了提高現(xiàn)有基于感知哈希視頻相似度檢測方法的速率,本文在傳統(tǒng)的基于感知哈希的視頻相似度檢測方法[18]中引入抽屜原理[19]的思想,通過切塊進而提出一種視頻相似度的快速檢測方法。該方法的基本思想是通過切塊排除完全不可能相似的指紋,減少不必要的對比,從而加快哈希指紋的對比過程。

        根據(jù)抽屜原理的推廣形式,設(shè)把n×m+1個元素劃分至n個集合(P1,P2,…,Pn)中,其中P1,P2,…,Pn表示這n個集合對應(yīng)包含的元素個數(shù),則:至少存在某個集合Pi,其包含元素個數(shù)值Pi大于或等于m+1。

        基于切塊的構(gòu)思,定義兩個漢明距離在設(shè)定閾值H內(nèi)的指紋為相似指紋,將一個視頻指紋平均切成d個等長的塊。根據(jù)上述推廣,兩個相似的指紋至少有d-H塊是完全相等的,可以得出:有d-H塊完全相等的兩指紋有可能相似,但d-H塊不完全相等的一定不可能相似,從而排除一些不可能相似的指紋。

        對比過程如圖1 所示。其中,圖1 中倒排索引表中的Value代表某一個組合方式中指紋塊的值,Id則代表包含該值的指紋編號。對切分的d個指紋塊隨機取出d-H塊,對這些指紋塊組合形成的值構(gòu)建倒排索引(從值Value 即能找到包含該值的所有的完整指紋Id)。把被測視頻的指紋同樣切分、隨機取出d-H塊,去倒排索引里查找這些指紋塊組合形成的值是否存在:存在即說明該完整指紋可能與包含其的完整指紋相似,進而把兩完整指紋進行對比,漢明距離小于H的即為相似指紋(關(guān)鍵幀);不存在則說明這兩組完整指紋一定不相似,再比較下一指紋塊形成的值。

        圖1 基于切塊的快速對比過程Fig.1 Fast comparison process based on dicing

        假設(shè)按位對比兩個指紋所用時間為τ,在切分塊數(shù)為d、漢明距離為H(H<d)的已知條件下,對比N個指紋所需的大致時間T如式(1)所示:

        需要注意的是,由于指紋在進行切塊操作后,形成的是數(shù)量不定的不同值,即生成的倒排索引的關(guān)鍵詞以及文檔的數(shù)量也不定,因此所需時間并不是簡單的關(guān)于時間的線性函數(shù),式(1)僅僅是求出對比N個指紋所需的大致時間。

        可以看出,在d<2 的情況下,T<N×τ,即能達到比時間縮短的效果。

        2 基于切塊的相似視頻檢測方法

        基于感知哈希和切塊的相似視頻檢測方法主要包含關(guān)鍵幀提取單元、指紋集生成單元、指紋切塊單元、倒排索引建立單元、指紋對比單元以及相似度判定單元。

        基于感知哈希和切塊的視頻比對方法流程如圖2 所示。首先利用幀間差分算法來實現(xiàn)視頻中的關(guān)鍵幀提取,再利用感知哈希算法來提取關(guān)鍵幀中的指紋,最后通過切塊的思想對比指紋,從而計算兩個圖像幀的相似度可以在圖像對比方面判定所給的視頻是否為相似視頻。

        圖2 基于感知哈希和切塊的視頻對比方法流程Fig.2 Flowchart of video comparison method based on perceptual hashing and dicing

        2.1 關(guān)鍵幀提取單元

        關(guān)鍵幀指的是角色或者物體運動或變化中的關(guān)鍵動作所處的那一幀。高效的視頻關(guān)鍵幀提取算法能有效簡化處理視頻對比問題的計算量。本文采用基于幀間差分的關(guān)鍵幀提取算法[20]對視頻的關(guān)鍵幀進行提取。

        基于幀間差分的關(guān)鍵幀提取算法流程如算法1 偽代碼所示:首先,將所需要對比的視頻進行切幀處理得到一個圖像幀的集合;接著對集合中相鄰兩幀的圖像進行差分計算,得到平均像素強度;再尋找并提取平均幀間差分強度的局部最大值的圖像幀作為視頻的關(guān)鍵幀。

        算法1 基于幀間差分的關(guān)鍵幀提取算法。

        2.2 基于感知哈希的指紋集生成單元

        指紋集生成單元的作用是生成能夠代表視頻的指紋集,該單元的核心就是利用感知哈希算法,通過DCT 將圖像從像素域轉(zhuǎn)換為頻域,只保留系數(shù)矩陣的左上角區(qū)域的元素用來計算能夠代表圖像的哈希值。DCT計算如式(3)所示:

        式中:(u,v)代表著像素點的空間位置,e(i,j)是輸入圖像的像素點,X和Y是e的行數(shù)和列數(shù)。

        詳細的感知哈希算法流程如算法2 偽代碼所示。為了在保證壓縮的圖像在保留大多數(shù)信息的前提下,簡化DCT 的計算過程,提高指紋生成速度,本文將圖片尺寸縮小到32×32。得到DCT矩陣后,選取左上角8× 8最能代表圖像整體信息的低頻成分,通過與DCT 均值比較后,得到最終的64 位圖像指紋序列。

        算法2 基于感知哈希的圖像指紋算法。

        通過pHash 算法獲得的哈希值只能粗略地獲得與平均頻率的相對比率,而不能獲得真正的低頻分量。然而,只要圖像的大致結(jié)構(gòu)不被改變,通過該算法獲得的指紋就不會改變,因此該算法可以避免顏色直方圖和伽馬校正的影響。

        2.3 指紋切塊及倒排索引建立單元

        指紋切塊單元將感知哈希得到的指紋進行切塊操作,平均切成d個等長的塊,為后續(xù)建立倒排索引做好準備。在確定了漢明距離為H的情況下,對切分后的d個指紋塊隨機取出d-H塊,則共有g(shù)個組合方式,計算方法如式(2)所示。

        根據(jù)倒排索引的結(jié)構(gòu),針對某一組合方式中的指紋塊的值,倒排索引能快速找到包含該值的指紋編號,即對應(yīng)的若干指紋有相似的可能。因此得到切塊之后,對這g個指紋塊形成的值構(gòu)建倒排索引。

        2.4 指紋對比及相似度判定單元

        指紋對比單元將遍歷倒排索引中的元組,找到包含某值的完整指紋,按位比較該值對應(yīng)的指紋?;谇袎K的對比算法如算法3偽代碼所示。

        算法3 基于切塊的對比算法。

        相似度判定單元中將判定兩指紋的漢明距離是否小于閾值H(本文認為漢明距離不大于H的兩幀圖像是相似的),得到兩個視頻相似指紋的集合,最后得出兩個視頻的圖像相似度。指紋相似度的計算方式如下:

        式中:snum表示原始視頻和被測視頻中相似指紋個數(shù),n和m分別表示原始視頻A指紋和被測視頻B指紋的個數(shù)。

        3 實驗結(jié)果與分析

        為了驗證基于切塊的相似視頻檢測方法的有效性,本章將在作者構(gòu)建的廣告數(shù)據(jù)集上與傳統(tǒng)感知哈希的相似視頻檢測方法進行對比,以驗證速度的提升;并在公開數(shù)據(jù)集CC_WEB_VIDEO[17]上與其他三種主流方法進行準確度和速度的對比。

        作者構(gòu)建的廣告數(shù)據(jù)集中的原始視頻主要是由從騰訊視頻等視頻網(wǎng)站上下載的6 個時長為15~77 s 的廣告視頻,通過對其添加濾鏡、亂序剪輯、添加水印及抽幀等常見視頻操作后形成被測視頻。

        CC_WEB_VIDEO 數(shù)據(jù)集由12 790 個時長為5 s 到10 min的共800 h的視頻片段組成,這些視頻是從YouTube 等視頻分享網(wǎng)站上下載的。根據(jù)搜索的關(guān)鍵詞分類,該數(shù)據(jù)集分為24類。在每一類中,將最流行的視頻作為原始視頻,其他視頻作為被測視頻,平均有27%的視頻與原始視頻重復(fù)或近似重復(fù),且每個重復(fù)版本都是用戶自行上傳,沒有經(jīng)過額外的人為操作。

        本文將根據(jù)文獻[21]中提到的查準率P、查全率R以及平均準確率均值(mean Average Precision,mAP)對本文所提方法進行評估:

        其中:TP代表正確檢測到的相關(guān)視頻數(shù)量,F(xiàn)P代表錯檢視頻數(shù)量,F(xiàn)N是漏檢視頻數(shù)量。

        3.1 預(yù)處理

        實驗首先針對原始視頻和被測視頻進行關(guān)鍵幀提取預(yù)處理,以降低后續(xù)比較過程的時間復(fù)雜度。

        下面分別以名為“1.mp4”、長為15 s 的原始視頻,以及添加濾鏡及亂序之后名為“1_1.mp4”、長仍為15 s 的被測視頻為例,通過OpenCV 中的VideoCaptrue 函數(shù)對視頻進行逐幀讀取,會在內(nèi)存中得到一個關(guān)于該視頻的所有圖像幀的集合。接著對圖像幀集合按照前后兩幀的順序依次進行差分計算,得到一個平均像素強度的集合;與本文給定的閾值0.6 進行對比,得到一個候選的關(guān)鍵幀集合。最后通過查找平均幀間差分強度的局部最大值確定視頻的關(guān)鍵幀。圖3 和圖4 分別是根據(jù)查詢視頻和被測視頻形成的關(guān)鍵幀。

        圖3 “1.mp4”提取的關(guān)鍵幀F(xiàn)ig.3 Key frames extracted from“1.mp4”

        圖4 “1_1.mp4”提取的關(guān)鍵幀F(xiàn)ig.4 Key frames extracted from“1_1.mp4”

        原始視頻所截取的關(guān)鍵幀幀數(shù)為21,而被測視頻所截取的幀數(shù)為25,由此可以看出相比原始視頻中375的幀數(shù),為后續(xù)的相似幀檢測降低了時間復(fù)雜度。而兩個視頻提取的關(guān)鍵幀數(shù)量不同,是因為被測視頻對原始視頻進行了亂序操作,改變了幀的順序,因此在計算相鄰幀間的差分值時存在差異,也就導(dǎo)致兩個視頻最后得到的幀數(shù)量不同。

        3.2 視頻關(guān)鍵幀指紋生成

        本節(jié)將對上述的關(guān)鍵幀集合做感知哈希算法以提取關(guān)鍵幀指紋集,用于后續(xù)的相似度判定。

        3.2.1 感知哈希算法魯棒性驗證實驗

        除本文使用的感知哈希算法外,圖像指紋算法最常見的還有均值哈希算法(average Hashing,aHash)和差值哈希算法(difference Hashing,dHash)。均值哈希是將壓縮后的圖像的像素點與所有像素的均值做大小比較的二值化處理,得到64位指紋;差值哈希是將壓縮后的圖像的像素點與相鄰像素點做差值計算后進行二值化處理,得到64 位的指紋。將感知哈希與均值哈希、差分哈希兩種常用哈希算法進行魯棒性驗證對比實驗。

        對圖5(a)所示的第222幀圖片進行添加濾鏡、更改尺寸、鏡像、伽馬校正以及更改顏色直方圖共五種操作。在6 塊Intel Xeon CPU 配置情況下,得到結(jié)果如表1 所示,由表中數(shù)據(jù)分析可得,雖然感知哈希的耗時明顯大于均值哈希和差分哈希,但是在五種操作(特別是在添加濾鏡、更改尺寸和鏡像)下,相似度都高于均值哈希和差分哈希。因此,綜合視頻處理最常見的五種操作考慮,本文選取魯棒性較強的感知哈希算法作為指紋集生成算法。

        表1 各算法在不同視頻處理操作下的性能對比Tab.1 Performance comparison of different algorithms under different video processing operations

        圖5 視頻處理的五種常見操作Fig.5 Five common operations of video processing

        3.2.2 指紋生成

        得到上述的關(guān)鍵幀集合后,通過感知哈希算法分別得到兩個視頻關(guān)鍵幀的指紋。

        以圖3 中所示的原始視頻中的第222 幀與圖4 中所示的被測視頻中的第93 幀為例,首先將得到的關(guān)鍵幀進行尺寸縮小,在這里為了簡化DCT 運算過程,將圖像縮小為32×32。接著計算該圖像幀的DCT,得到一個32×32的DCT系數(shù)矩陣圖。得到該DCT 系數(shù)矩陣之后,本文只保留在左上角的8× 8大小的矩陣,因為它顯示了這張圖像的最低頻成分。然后對所有的關(guān)鍵幀進行如上的步驟,并且計算DCT 的均值。將根據(jù)pHash 算法得到的64 個0 或1 的數(shù)字組成一個64 位的整數(shù),即得到幀222 與幀93 的一組指紋,如表2 所示。得到需要對比的關(guān)鍵幀的指紋之后,經(jīng)計算兩幀的漢明距離為2,在閾值7之內(nèi),證明這兩幀的關(guān)鍵幀是相似的。

        表2 幀222與幀93的指紋序列Tab.2 Fingerprint sequences of frame 222 and frame 93

        3.3 視頻相似度對比結(jié)果及分析

        為了驗證基于切塊的相似視頻檢測方法的有效性,將本方法與傳統(tǒng)的基于感知哈希的方法在從網(wǎng)上下載的6 個廣告上進行對比,以驗證本文方法在速度上的表現(xiàn);對其他三個常見方法在公開數(shù)據(jù)集CC_WEB_VIDEO 上進行了對比實驗,以驗證本文方法在準確度以及速度上的性能。

        3.3.1 與傳統(tǒng)的基于感知哈希的方法進行對比

        由于圖像指紋長度為64 位,為了不丟失圖像信息,指紋長度需要能被切塊數(shù)整除,即切塊數(shù)應(yīng)為64的因數(shù)(即d取值應(yīng)為2、4、6、8、16、32)。根據(jù)經(jīng)驗,漢明距離H≤5 的兩張圖片為相似度極高的圖片。并且根據(jù)式(1),d和H越接近,對比時間越短,因此為了保證對比時間并且能夠保證檢測到大多數(shù)相似圖像,綜合考慮,本實驗采用的切塊數(shù)d=8,漢明距離H=7。根據(jù)6組現(xiàn)有廣告得到圖6的實驗結(jié)果,可以看出,本文所提出的基于切塊的視頻相似度檢測方法與傳統(tǒng)的感知哈希對比方法相比,能夠在準確度一致的前提下,縮短約93%的檢測時間。

        圖6 本文方法與傳統(tǒng)方法在廣告數(shù)據(jù)集上的性能對比Fig.6 Performance comparison of the propsed method and traditional method on advertising dataset

        總體上,感知哈希算法能夠較好地實現(xiàn)視頻對比的功能,但是可以看到廣告3 不管是在傳統(tǒng)算法還是改進算法中的相似度都較低,這是因為感知哈希在改變圖像銳度、對比度時檢測效果不夠優(yōu)良,因此后續(xù)還需進一步尋找更優(yōu)良的指紋生成算法,以適應(yīng)更多場景下的視頻相似度檢測。

        3.3.2 與其他方法進行對比

        本節(jié)將在CC_WEB_VIDEO 數(shù)據(jù)集中的對所有的視頻(包含24 類)進行實驗,并將本文方法與在引言部分提到的多特征哈希(MFH)[12]、自學(xué)習(xí)哈希(STH)[13]以及光哈希(SPH)[14]三種常見的相似視頻檢測方法進行對比。

        從圖7 可以看出,相比其他三種常見的方法,本文方法在mAP 上有所提高,分別提高了1.4%、2%和2.3%;而相較于MFH 檢測平均每一個視頻耗時0.553 s、STH 耗時0.623 s、SPH 耗時0.496 s,本文方法僅用了0.418 s,檢測時間分別縮短了24%、32%和16%,提高了檢測效率。與采用局部特征的對比方法相比,基于切塊的視頻相似度檢測方法是通過計算關(guān)鍵圖像幀之間的相似度來計算視頻的相似度,因此更能考慮到絕大多數(shù)圖像幀,從而能夠比上述三種方法的平均準確度有所提高;并且由于優(yōu)化了傳統(tǒng)的遍歷對比方法,因此檢測時間比其他三種常見方法也有所減短,達到了高效檢測相似視頻的效果。

        圖7 各方法在CC_WEB_VIDEO數(shù)據(jù)集上的性能對比Fig.7 Performance comparison of different methods on CC_WEB_VIDEO dataset

        本文實驗代碼和廣告數(shù)據(jù)集已上傳GitHub(https://github.com/jiangtaoluo/video_sim_detect)。

        4 結(jié)語

        針對現(xiàn)有的視頻相似度檢測技術(shù)需求較多但識別效果局限等問題,本文提出了一種基于感知哈希和切塊的視頻相似度快速檢測方法。本文首先通過基于幀間差分的方法提取視頻關(guān)鍵幀,再利用感知哈希算法對比提取出來的關(guān)鍵幀,基于切塊數(shù)量和漢明距離之間的關(guān)系構(gòu)建倒排索引,從而快速得到兩個視頻圖像幀的相似度。最終在保證準確度的前提下,達到快速檢測相似視頻的目標。但是由于感知哈希在改變圖像銳度、對比度時檢測效果不夠優(yōu)良,而前期生成指紋的算法的準確度對后續(xù)對比有著顯著影響,因此尋找一種優(yōu)良的指紋生成算法將是需要進一步研究的內(nèi)容。

        猜你喜歡
        檢測方法
        “不等式”檢測題
        “一元一次不等式”檢測題
        “一元一次不等式組”檢測題
        “幾何圖形”檢測題
        “角”檢測題
        學(xué)習(xí)方法
        可能是方法不對
        小波變換在PCB缺陷檢測中的應(yīng)用
        用對方法才能瘦
        Coco薇(2016年2期)2016-03-22 02:42:52
        四大方法 教你不再“坐以待病”!
        Coco薇(2015年1期)2015-08-13 02:47:34
        亚洲在线一区二区三区| 毛茸茸的中国女bbw| 欧美日韩国产一区二区三区地区| 亚洲中文字幕乱码一二三区| 精华国产一区二区三区| 全黄性性激高免费视频| 国产乱理伦片在线观看| 久久国产精品免费一区六九堂| 伊人精品成人久久综合97| 亚洲色图片区| 小12箩利洗澡无码视频网站| 国产欧美亚洲精品第二区首页| 日本妇女高清一区二区三区| 无码aⅴ精品一区二区三区浪潮| 处破痛哭a√18成年片免费| 国产人妖xxxx做受视频| 免费在线视频亚洲色图| 人妻中文字幕无码系列| 99re6热在线精品视频播放6| 国产一级r片内射免费视频| 国产一区二区三区免费精品视频| 亚洲热线99精品视频| 国产午夜福利不卡在线观看视频| 免费啪啪av人妻一区二区| 午夜少妇高潮在线观看| 亚洲精品92内射| 无码av一区在线观看| 国产精品又湿又黄九九九久久嫩草| 性生交片免费无码看人| 精品无码国产污污污免费| 玖玖资源站无码专区| 成人午夜视频在线观看高清| 精品国内日本一区二区| 午夜内射中出视频| 91视频爱爱| 亚洲精品大全中文字幕| 亚洲国产精品无码专区在线观看| 四虎精品视频| 蜜桃av福利精品小视频| 国产狂喷水潮免费网站www| 久久久久亚洲av无码专区体验 |