欧美成人午夜精品久久久,国产?V天堂一区二区三区,欧美精品va在线观看,亚洲一区二区三区免费在线观看,av无码精品一区二区久久,欧美性爱视频不卡一区三区,欧美乱人伦视频在线观看,国产一级牲交高潮

ARTICLE DETAIL

資訊詳情

深耕商務(wù)建站與企業(yè)官網(wǎng)運(yùn)營的一線實(shí)戰(zhàn)洞察。

基于Python的PCA人臉識別算法原理與工程實(shí)踐詳解

基于Python的PCA人臉識別算法原理與工程實(shí)踐詳解 簡介一份以Python實(shí)現(xiàn)PCA人臉識別算法的完整學(xué)習(xí)與實(shí)戰(zhàn)資源主要面向計(jì)算機(jī)專業(yè)學(xué)生、算法初學(xué)者及需要完成課程設(shè)計(jì)或畢業(yè)設(shè)計(jì)的開發(fā)者幫助其系統(tǒng)理解主成分分析在人臉識別中的降維原理與代碼落地方式。壓縮包共22個(gè)文件包含4個(gè)Python腳本核心算法實(shí)現(xiàn)、人臉識別入口及輔助數(shù)組操作、1份Markdown文檔原理推導(dǎo)與使用說明、16張過程截圖展示不同階段的效果以及ORL人臉數(shù)據(jù)集整體約3.76MB結(jié)構(gòu)緊湊、便于快速上手。已有473人學(xué)習(xí)下載。通過該資源讀者能掌握從數(shù)據(jù)預(yù)處理、協(xié)方差矩陣計(jì)算、特征值分解到主成分選取與投影的完整流程并可直接運(yùn)行代碼觀察識別效果對撰寫實(shí)驗(yàn)報(bào)告或搭建人臉識別原型具有較強(qiáng)的參考價(jià)值。1. PCA人臉識別這個(gè)標(biāo)題真正能解決的是什么當(dāng)你手里只有幾千張像素照片卻想判斷“攝像頭前這個(gè)人是不是庫里的某個(gè)人”直接比較像素會非常脆弱光照一變、角度稍偏整張圖的灰度分布就變了拿原始像素算歐氏距離幾乎不可用。PCA主成分分析把人臉從高維像素空間投影到低維特征空間保留的是“臉的大致結(jié)構(gòu)”而不是像素細(xì)節(jié)所以對光照和表情有一定抗性。基于Python的PCA人臉識別算法是絕大多數(shù)人臉識別課程和入門項(xiàng)目的第一站代碼量小、依賴少、可解釋性強(qiáng)適合在校學(xué)生、轉(zhuǎn)崗工程師快速跑通完整鏈路。下面用一套最小可運(yùn)行的代碼和配套文檔把原理、實(shí)現(xiàn)細(xì)節(jié)和常見翻車點(diǎn)一次講清楚。2. PCA人臉識別原理先搞懂?dāng)?shù)學(xué)再寫代碼2.1 為什么人臉識別要先做主成分分析人臉圖像一旦被拉平成向量維度就是像素個(gè)數(shù)。一張64×64灰度圖是4096維100個(gè)人每人10張圖訓(xùn)練矩陣也只有1000行。在幾千維空間里做最近鄰分類距離被大量噪聲維度稀釋這就是課堂里常說的“高維災(zāi)難”。PCA主成分分析要做的事是找到數(shù)據(jù)方差最大的若干個(gè)正交方向把每張臉投影到這個(gè)低維子空間里用幾十個(gè)特征系數(shù)代替幾千個(gè)像素值。人臉成像時(shí)整體結(jié)構(gòu)高度相關(guān)眼睛、鼻子、嘴的相對位置基本一致真正能區(qū)分不同人的差異集中在少數(shù)方向和少數(shù)維度上所以主成分方向抓取的是“人臉的公共結(jié)構(gòu)”而不是某一張照片的隨機(jī)噪聲。這里有一個(gè)容易被誤解的點(diǎn)PCA不做識別它是無監(jiān)督降維。它只需要訓(xùn)練矩陣不關(guān)心標(biāo)簽就能得到一組主成分方向。這些方向在圖像空間里還原出來是一批模糊的人臉模板業(yè)內(nèi)叫特征臉。特征臉不指代任何一個(gè)人而是這一批人臉數(shù)據(jù)的“公共坐標(biāo)系”。說得更直白一點(diǎn)把人臉識別看成“把每張臉投射到特征臉坐標(biāo)系再做最近鄰分類”特征臉就是給所有臉準(zhǔn)備的一套基函數(shù)。從落地角度看為什么選PCA而不是直接拿卷積神經(jīng)網(wǎng)絡(luò)來做因?yàn)镻CA能在十分鐘內(nèi)跑通且每個(gè)環(huán)節(jié)都能用圖表解釋特征臉長什么樣、主成分占比多少、最近鄰距離分布如何。這些對排查問題極有價(jià)值。CNN方案雖然上限更高但對數(shù)據(jù)集規(guī)模、算力和排錯(cuò)手段的要求也更高。入門項(xiàng)目選PCA不是因?yàn)樗顝?qiáng)而是因?yàn)樗馨选疤卣魈崛》诸悺边@條主線看得清清楚楚。2.2 核心數(shù)學(xué)推導(dǎo)與SVD計(jì)算路徑理論上要算主成分就要對中心化后的協(xié)方差矩陣做特征值分解協(xié)方差矩陣C (1/N) * X_centered^T * X_centered其中X_centered是中心化后的訓(xùn)練矩陣N是樣本數(shù)。C的形狀是n_features×n_features。一張64×64人臉圖的特征維度是4096圖像再大一點(diǎn)C的內(nèi)存就是維度數(shù)的平方幾十萬像素的圖像做特征分解基本不現(xiàn)實(shí)。所以實(shí)際項(xiàng)目里一般走SVD分解對X_centered直接做奇異值分解X_centered U S V^TV的行就是協(xié)方差矩陣的特征向量S是奇異值主成分方向就是V^T的行。數(shù)學(xué)上兩者等價(jià)工程上SVD不需要構(gòu)造大矩陣數(shù)值穩(wěn)定性也好得多這是PCA實(shí)現(xiàn)里最值得記的一個(gè)技巧。import numpy as np class ManualPCA: def __init__(self, n_comp50): self.n_comp n_comp self.mean_ None self.components_ None self.explained_variance_ratio_ None def fit(self, X): self.mean_ X.mean(axis0) Xc X - self.mean_ U, S, Vt np.linalg.svd(Xc, full_matricesFalse) # Vt 的第 i 行就是第 i 主成分方向按奇異值降序排列 self.components_ Vt[:self.n_comp] total_var np.sum(S ** 2) self.explained_variance_ratio_ (S[:self.n_comp] ** 2) / total_var def transform(self, X): Xc X - self.mean_ return Xc self.components_.T邏輯說明fit 中先對原始矩陣做中心化也就是減去均值臉讓所有樣本圍繞原點(diǎn)分布然后做 SVD。np.linalg.svd 返回的 Vt 是右奇異向量矩陣按奇異值降序排列Vt[0] 對應(yīng)方差最大的方向。components_ 按“行”存特征向量后面做投影或可視化時(shí)不要轉(zhuǎn)置繞暈。transform 里 Xc self.components_.T 就是投影到主成分方向得到新的低維特征系數(shù)。補(bǔ)充一個(gè)參數(shù)細(xì)節(jié)用 SVD 算 PCA 時(shí)U、S、Vt 的對齊關(guān)系由 SVD 直接保證不需要再排序如果自己寫特征值分解eigvals 的順序是亂序的必須用 np.argsort 處理一遍。很多人在封裝 PCA 類時(shí)死磕不出來問題往往出在特征值排序上而不是算法本身。2.3 PCA的人臉分布假設(shè)與算法邊界PCA 基于線性假設(shè)它認(rèn)為人臉可以表達(dá)為少量特征臉的線性組合?,F(xiàn)實(shí)中的光照變化大、姿態(tài)變化大、存在遮擋時(shí)線性假設(shè)會被破壞純 PCA 識別率明顯下降。這個(gè)邊界是客觀存在的不是代碼寫錯(cuò)。很多項(xiàng)目里出現(xiàn)“PCA 識別率從 95% 掉到 70%”的怪現(xiàn)象通常不是算法崩潰而是數(shù)據(jù)集里的人臉姿態(tài)和光照后來變了或者測試時(shí)加入了陌生人的臉。了解這個(gè)邊界對后續(xù)調(diào)參很重要當(dāng)識別率不達(dá)標(biāo)時(shí)不要盲目去掃主成分?jǐn)?shù)量先看圖是不是已經(jīng)超出了線性降維能描述的范圍。如果訓(xùn)練集里全是正面照測試集拿偏側(cè)面來打那 k 再怎么掃都沒用。這條經(jīng)驗(yàn)值得寫進(jìn)項(xiàng)目文檔避免將來排查時(shí)走彎路。3. 環(huán)境搭建與數(shù)據(jù)準(zhǔn)備讓每張臉都變成一行向量3.1 Python環(huán)境與依賴庫安裝先把環(huán)境準(zhǔn)備到位。與平臺無關(guān)Windows、macOS、Linux 都行Python 3.8 以上版本即可。如果你還在用編輯器直接跑 Python建議先按 python 安裝教程把解釋器和環(huán)境變量配好再創(chuàng)建一個(gè)虛擬環(huán)境避免和系統(tǒng)里其他項(xiàng)目互相污染。python -m venv faceenv source faceenv/bin/activate pip install numpy opencv-python scikit-learn matplotlib參數(shù)說明numpy 負(fù)責(zé)矩陣運(yùn)算opencv-python 負(fù)責(zé)圖片讀取、灰度化、resize 和直方圖均衡化scikit-learn 只用到 model_selection 和 metricsmatplotlib 用于畫特征臉和混淆矩陣。不裝第三方人臉識別庫因?yàn)楹诵乃惴ㄎ覀冏约河?SVD 手寫。如果之后想替換成 sklearn.decomposition.PCA也只需要改模型封裝那一層預(yù)處理代碼完全不用動。安裝完可以順手驗(yàn)證三個(gè)關(guān)鍵 importpython -c import numpy, cv2, sklearn, matplotlib; print(ok)如果某一項(xiàng)報(bào)錯(cuò)先處理對應(yīng)庫的安裝問題再繼續(xù)不要帶著殘破環(huán)境跑后面的腳本否則報(bào)錯(cuò)來源很容易混淆。3.2 數(shù)據(jù)集目錄約定與批量導(dǎo)入人臉數(shù)據(jù)怎么組織決定了代碼能多快跑通。最簡單也最不容易出錯(cuò)的布局是“每個(gè)身份一個(gè)子目錄”子目錄名就是身份編號或姓名。比如dataset/ s1/ a.jpg b.jpg c.jpg s2/ ...用 OpenCV 批量讀進(jìn)來統(tǒng)一灰度、統(tǒng)一尺寸做直方圖均衡化再拉平成一行放到訓(xùn)練矩陣?yán)?。這里直接給一段可復(fù)制到項(xiàng)目里的函數(shù)import os import cv2 import numpy as np def load_dataset(root_dir, target_size(64, 64), use_equalizeTrue): X, y [], [] names sorted(os.listdir(root_dir)) label_of {name: i for i, name in enumerate(names)} for name in names: person_dir os.path.join(root_dir, name) if not os.path.isdir(person_dir): continue for fname in sorted(os.listdir(person_dir)): if not fname.lower().endswith((.jpg, .jpeg, .png, .pgm)): continue path os.path.join(person_dir, fname) img cv2.imread(path, cv2.IMREAD_GRAYSCALE) if img is None: continue img cv2.resize(img, target_size) if use_equalize: img cv2.equalizeHist(img) X.append((img.astype(np.float32) / 255.0).flatten()) y.append(label_of[name]) return np.asarray(X), np.asarray(y)邏輯說明cv2.imread 的第二個(gè)參數(shù)填 cv2.IMREAD_GRAYSCALE直接讀成單通道灰度圖避免彩色圖三通道帶來的冗余計(jì)算。resize 強(qiáng)制統(tǒng)一尺寸這是后面訓(xùn)練矩陣能否拼接的前提。flatten 把二維圖像拉成一維歸一化除以 255 把像素值壓在 0 到 1 區(qū)間避免不同位深的圖片混在一起產(chǎn)生數(shù)值偏差。use_equalize 這個(gè)開關(guān)要保留因?yàn)楹竺姹芸诱鹿?jié)會講到均衡化不是對所有數(shù)據(jù)集都有效。參數(shù)說明target_size 選 64×64 時(shí)訓(xùn)練快占內(nèi)存小想提升細(xì)節(jié)信息可以換 112×112 或 128×128但 PCA 的特征維度隨之上升訓(xùn)練時(shí)間變長。建議先用小尺寸跑通全流程再逐步放大做對比。3.3 按人劃分訓(xùn)練集和測試集而不是按圖片隨機(jī)切PCA 本質(zhì)上是分類模型它只能對“見過的人”做區(qū)分。如果隨機(jī)打散照片再劃分訓(xùn)練測試同一個(gè)人的照片同時(shí)出現(xiàn)在兩邊模型等于作弊識別率虛高。網(wǎng)上很多入門 demo 就是這么干的識別率動不動 99%一上真實(shí)場景就翻車。from sklearn.model_selection import train_test_split def split_by_person(X, y, test_size0.4, random_state42): train_idx, test_idx [], [] for label in np.unique(y): idx np.where(y label)[0] a, b train_test_split(idx, test_sizetest_size, random_staterandom_state, stratifyy[idx]) train_idx.extend(a) test_idx.extend(b) train_idx np.array(train_idx) test_idx np.array(test_idx) return X[train_idx], y[train_idx], X[test_idx], y[test_idx]邏輯說明這里每次循環(huán)處理一個(gè)身份的下標(biāo)train_test_split 在單個(gè)身份內(nèi)部隨機(jī)切保證“身份隔離”。random_state 固定下來讓每次運(yùn)行結(jié)果可復(fù)現(xiàn)否則兩次跑出來的準(zhǔn)確率不同調(diào)參時(shí)很難判斷是參數(shù)變了還是隨機(jī)劃分變了。這一步做得越嚴(yán)謹(jǐn)后面排查問題越省力。3.4 數(shù)據(jù)量不夠時(shí)的快速驗(yàn)證路徑如果沒有自己的數(shù)據(jù)集可以先用 sklearn 自帶的 Olivetti 人臉庫做算法驗(yàn)證。這個(gè)數(shù)據(jù)集包含 40 個(gè)人每人 10 張灰度照片都是正面且光照相對均勻非常適合先跑通 PCA 流程。加載方式通常是 fetch_olivetti_faces把返回的 images 和 target 組織成樣本矩陣后代碼路徑與本地?cái)?shù)據(jù)集完全一致。不過要注意內(nèi)置數(shù)據(jù)集的大小只有 64×64驗(yàn)證用沒問題真上線還是要換成自己的業(yè)務(wù)數(shù)據(jù)。PCA 對訓(xùn)練集人員構(gòu)成非常敏感內(nèi)置數(shù)據(jù)集上跑出的 95% 準(zhǔn)確率不能直接當(dāng)作真實(shí)場景的預(yù)期值。4. PCA特征臉實(shí)現(xiàn)訓(xùn)練、投影與最近鄰識別完整代碼4.1 用SVD實(shí)現(xiàn)PCA模型類不把 PCA 流程寫成一個(gè)類后面維護(hù)會很痛苦。我一般把特征臉識別封裝成類似 sklearn 風(fēng)格的類fit 負(fù)責(zé)訓(xùn)練project 負(fù)責(zé)提取特征predict 負(fù)責(zé)最近鄰分類。這樣測試代碼、調(diào)參腳本、文檔里的復(fù)現(xiàn)命令都能共用同一個(gè)接口。import numpy as np class EigenFaceRecognizer: def __init__(self, n_components0.95, distance_metriceuclidean): self.n_components n_components self.distance_metric distance_metric self.mean_face None self.components None self.W_train None self.y_train None self.k None def fit(self, X, y): n_samples X.shape[0] self.mean_face X.mean(axis0) Xc X - self.mean_face U, S, Vt np.linalg.svd(Xc, full_matricesFalse) explained_ratio np.cumsum(S ** 2) / np.sum(S ** 2) if isinstance(self.n_components, float): self.k int(np.searchsorted(explained_ratio, self.n_components) 1) else: self.k int(self.n_components) self.k min(self.k, n_samples - 1, X.shape[1]) self.components Vt[:self.k] self.W_train Xc self.components.T self.y_train y return self def project(self, X): Xc X - self.mean_face return Xc self.components.T def predict(self, X, thresholdNone): W self.project(X) if self.distance_metric euclidean: diff W[:, None, :] - self.W_train[None, :, :] dist np.sqrt((diff ** 2).sum(axis2)) elif self.distance_metric cosine: norm_w np.linalg.norm(W, axis1, keepdimsTrue) norm_t np.linalg.norm(self.W_train, axis1, keepdimsTrue) cos (W self.W_train.T) / (norm_w norm_t.T) dist 1 - cos else: raise ValueError(distance_metric 只支持 euclidean/cosine) best np.argmin(dist, axis1) min_dist dist[np.arange(len(X)), best] if threshold is not None: unknown min_dist threshold return self.y_train[best], unknown return self.y_train[best]邏輯說明fit 里components 是主成分方向W_train 是訓(xùn)練樣本投影后的系數(shù)矩陣一行對應(yīng)一張圖在特征臉坐標(biāo)系里的坐標(biāo)。predict 里沒有額外訓(xùn)練分類器因?yàn)?PCA 人臉識別最常見的就是最近鄰把測試圖投到特征臉空間再計(jì)算它和所有訓(xùn)練系數(shù)的距離距離最小的類作為預(yù)測結(jié)果。參數(shù)說明n_components 傳 0.95 表示自動選擇能解釋 95% 方差的最小 k傳整數(shù)則強(qiáng)制保留固定數(shù)量的主成分。最大值不能超過 min(n_samples-1, n_features)因?yàn)榫€性子空間的自由度受樣本數(shù)約束。k 選擇太小會丟失差異太大會把噪聲學(xué)進(jìn)去實(shí)際項(xiàng)目中一般通過交叉驗(yàn)證找平衡點(diǎn)。distance_metric 支持歐氏距離和余弦相似度后面進(jìn)階章會做對比。threshold 參數(shù)是為“陌生人拒識”準(zhǔn)備的。攝像頭前的人不在庫里時(shí)算法不應(yīng)該強(qiáng)行認(rèn)領(lǐng)成庫中最像的人。設(shè)置一個(gè)距離閾值當(dāng)最小距離超過它時(shí)返回 unknown。閾值怎么定放到避坑章節(jié)詳細(xì)說。4.2 最小跑通訓(xùn)練與識別一條命令把前面的數(shù)據(jù)加載和切分函數(shù)接進(jìn)來就能做第一次完整訓(xùn)練和預(yù)測。X, y load_dataset(dataset, target_size(64, 64), use_equalizeTrue) X_train, y_train, X_test, y_test split_by_person(X, y, test_size0.4) model EigenFaceRecognizer(n_components0.95) model.fit(X_train, y_train) pred model.predict(X_test) acc (pred y_test).mean() print(test acc:, round(acc, 3))邏輯說明流程就是“加載 → 按人切分 → 訓(xùn)練 → 預(yù)測 → 算準(zhǔn)確率”。如果輸出準(zhǔn)確率在 80% 以上說明鏈路正常。如果只有六七十甚至更低先不要懷疑 PCA 實(shí)現(xiàn)回去查數(shù)據(jù)集是否統(tǒng)一了尺寸、是否做了按人切分、圖片是否全是有效人臉。數(shù)據(jù)問題在 PCA 項(xiàng)目里遠(yuǎn)比算法問題常見。從這套最小流程開始后續(xù)所有調(diào)參都在這條鏈路上做替換不需要改數(shù)據(jù)加載部分。4.3 特征臉可視化確認(rèn)模型學(xué)到了什么訓(xùn)練結(jié)束后把 components 還原成圖像尺寸能直觀看到主成分的實(shí)際面貌。import matplotlib.pyplot as plt def visualize_eigenfaces(model, image_size(64, 64), top_n10): n min(top_n, model.k) fig, axes plt.subplots(2, (n 1) // 2, figsize(10, 5)) axes axes.ravel() for i in range(n): face model.components[i].reshape(image_size) face face - face.min() if face.max() 0: face face / face.max() axes[i].imshow(face, cmapgray) axes[i].set_title(eigenface {}.format(i)) axes[i].axis(off) plt.tight_layout() plt.show()邏輯說明特征臉向量的元素有正有負(fù)直接交給 imshow 會被截?cái)嗟?[0,1] 區(qū)間負(fù)值全部變成黑塊看起來像噪點(diǎn)。所以要先做 min-max 歸一化再顯示。正常結(jié)果里前幾個(gè)特征臉通常是整體明暗方向后面的逐漸出現(xiàn)五官輪廓。如果顯示結(jié)果完全沒有臉的結(jié)構(gòu)基本都是中心化、尺寸歸一化或數(shù)據(jù)組織出了問題。這一步能提前暴露很多隱患比盯著準(zhǔn)確率猜原因高效得多。4.4 代碼文檔組織一個(gè)能交付的項(xiàng)目長什么樣標(biāo)題里的“文檔詳解”對應(yīng)的其實(shí)是交付物。一個(gè)能提交的人臉識別小項(xiàng)目至少要包含四塊環(huán)境依賴說明、數(shù)據(jù)集結(jié)構(gòu)說明、運(yùn)行命令、核心參數(shù)與調(diào)參記錄。我一般習(xí)慣在 README 里固定這幾段內(nèi)容并且把復(fù)現(xiàn)命令寫成一行能讓后來者直接執(zhí)行的形式。比如運(yùn)行命令固定為python run_eigenface.py --dataset ./dataset --n-components 0.95 --size 64這樣別人拿到壓縮包后先讀 README再敲命令五分鐘內(nèi)就能看到結(jié)果。文檔不需要長篇大論但關(guān)鍵參數(shù)和復(fù)現(xiàn)步驟必須寫死。如果下載下來的壓縮包里只有代碼沒有文檔按這個(gè)框架自己補(bǔ)一份也行梳理過程比寫代碼更容易查漏補(bǔ)缺。5. PCA人臉識別避坑與排查5個(gè)反復(fù)出現(xiàn)的翻車場景5.1 現(xiàn)象圖片尺寸不一致訓(xùn)練矩陣拼接報(bào)錯(cuò)現(xiàn)象運(yùn)行 load_dataset 時(shí) numpy 報(bào)錯(cuò)提示 setting an array element with a sequence或者模型訓(xùn)練時(shí)維度對不上。原因數(shù)據(jù)集里圖片分辨率不統(tǒng)一漏了 resize 或者只對部分圖片做了 resize。PCA 要求所有樣本在特征維度上嚴(yán)格對齊一旦某個(gè)樣本比其他樣本多幾個(gè)像素numpy 就無法構(gòu)建二維數(shù)組。解決在 load_dataset 中始終先 cv2.resize 到固定尺寸再 flatten。同時(shí)處理 cv2.imread 返回 None 的情況因?yàn)榭瘴募驌p壞文件會讓 OpenCV 靜默返回 None跳過并打印日志比直接報(bào)錯(cuò)退出更好用。5.2 現(xiàn)象直方圖均衡化反而降低識別率現(xiàn)象加上 equalizeHist 后識別率從 85% 掉到 75%某幾個(gè)人的照片反復(fù)認(rèn)錯(cuò)。原因當(dāng)照片本身光照均勻、對比度足夠時(shí)均衡化會把灰度分布強(qiáng)行拉寬讓不同照片的灰度分布變得更接近反而抹掉了身份差異。在過度曝光或欠曝的照片上均衡化還會放大噪聲。解決把 use_equalize 做成可配置開關(guān)分別在開和關(guān)兩種狀態(tài)下跑同一份訓(xùn)練測試劃分用結(jié)果決定是否啟用。預(yù)處理不是越多越好每個(gè)環(huán)節(jié)都要用實(shí)驗(yàn)數(shù)據(jù)來驗(yàn)證。5.3 現(xiàn)象測試集準(zhǔn)確率很高換一批新照片就翻車現(xiàn)象訓(xùn)練測試劃分后準(zhǔn)確率超過 98%換一批同一批人的新照片立刻誤判。原因大概率是隨機(jī)切分照片同一個(gè)人的照片同時(shí)進(jìn)了訓(xùn)練集和測試集。模型記住了個(gè)體級別的高頻特征本質(zhì)上是在背答案不是泛化。解決嚴(yán)格按身份劃分測試集。寧可測試集小一點(diǎn)也要保證每個(gè)身份參與測試的照片完全不參與訓(xùn)練。對真實(shí)場景來說最好再收集一些同一個(gè)人在不同時(shí)間、不同環(huán)境下的新照片放到測試?yán)矧?yàn)證才算有效。5.4 現(xiàn)象陌生人被強(qiáng)行認(rèn)成庫里的某個(gè)人現(xiàn)象輸入一張訓(xùn)練集中不存在的人臉模型仍然輸出了某個(gè)人的名字。原因predict 只做了最近鄰查找沒有設(shè)置拒絕閾值。最近鄰分類天然會產(chǎn)生一個(gè)最近類不管當(dāng)前人臉離所有已知類都遠(yuǎn)。解決在 predict 中增加 threshold 參數(shù)當(dāng)最小距離 min_dist 超過閾值時(shí)返回 unknown。閾值的選擇要在驗(yàn)證集上統(tǒng)計(jì)兩類距離分布同一個(gè)人的距離通常小不同人的距離通常大取兩個(gè)分布的交點(diǎn)作為初始閾值再根據(jù)錯(cuò)認(rèn)率和拒識率做調(diào)整。如果項(xiàng)目里能收集到“非庫內(nèi)人員”的照片可以作為負(fù)樣本來輔助標(biāo)定。5.5 現(xiàn)象內(nèi)存占用過高特征臉全是噪點(diǎn)現(xiàn)象圖像分辨率較大時(shí)訓(xùn)練過程內(nèi)存直接吃掉幾個(gè) G特征臉顯示成一片雪花點(diǎn)。原因如果 PCA 實(shí)現(xiàn)里用了 np.cov(X.T) 構(gòu)造協(xié)方差矩陣200×200 的圖像對應(yīng) 40000 維特征協(xié)方差矩陣就是 40000×40000算下來約 12.8 GB 內(nèi)存普通電腦直接卡死。特征臉全是噪點(diǎn)則通常是沒做中心化、主成分?jǐn)?shù)量選太大或者樣本本身沒對齊。解決改用 SVD 路徑對中心化矩陣直接做奇異值分解不顯式構(gòu)造協(xié)方差矩陣。特征臉噪點(diǎn)多時(shí)先檢查中心化和歸一化再把 k 調(diào)小一些。也可以先用 32×32 跑通流程再逐步放大尺寸對比效果觀察準(zhǔn)確率和資源開銷的變化。6. 從驗(yàn)證到改進(jìn)讓特征臉模型在真實(shí)場景更可靠6.1 用分層K折交叉驗(yàn)證和混淆矩陣評估模型只跑一次隨機(jī)劃分不能說明模型可靠。我習(xí)慣用分層 K 折交叉驗(yàn)證配合混淆矩陣看清楚哪些身份最容易互相認(rèn)錯(cuò)。from sklearn.model_selection import StratifiedKFold from sklearn.metrics import confusion_matrix, accuracy_score skf StratifiedKFold(n_splits5, shuffleTrue, random_state1) accs [] cm_all np.zeros((len(np.unique(y)), len(np.unique(y))), dtypeint) for train_idx, test_idx in skf.split(X, y): model EigenFaceRecognizer(n_components0.95) model.fit(X[train_idx], y[train_idx]) pred model.predict(X[test_idx]) accs.append(accuracy_score(y[test_idx], pred)) cm_all confusion_matrix(y[test_idx], pred, labelsnp.unique(y)) print(5-fold acc:, np.mean(accs), /-, np.std(accs))邏輯說明StratifiedKFold 能保證每一折里每個(gè)身份的樣本比例基本一致。打印平均準(zhǔn)確率和標(biāo)準(zhǔn)差標(biāo)準(zhǔn)差大說明模型對數(shù)據(jù)劃分很敏感可能是個(gè)別身份樣本太少或者某幾個(gè)身份特征太接近?;煜仃噷蔷€外的格子就是最容易認(rèn)錯(cuò)的那幾對人臉值得翻出原圖看看是什么原因。6.2 歐氏距離與余弦相似度距離度量怎么選4.1 的代碼里已經(jīng)預(yù)留了 distance_metric 參數(shù)。歐氏距離對投影系數(shù)的整體幅值敏感當(dāng)測試圖偏亮或偏暗時(shí)系數(shù)幅值會整體偏移容易誤判余弦相似度只看方向?qū)Ψ底兓€(wěn)定。for metric in [euclidean, cosine]: model EigenFaceRecognizer(n_components0.95, distance_metricmetric) model.fit(X_train, y_train) pred model.predict(X_test) acc (pred y_test).mean() print(metric, acc:, round(acc, 3))邏輯說明兩種距離的差別在光照變化大的數(shù)據(jù)集上體現(xiàn)得更明顯。如果兩者準(zhǔn)確率差不多默認(rèn)用歐氏距離就行因?yàn)殚撝禈?biāo)定更直觀。如果差異大優(yōu)先選擇更穩(wěn)的那個(gè)并同步調(diào)整 threshold 參數(shù)。實(shí)際項(xiàng)目中這兩種距離都跑一遍再結(jié)合“陌生人拒識”場景看誤報(bào)率是我常用的一套驗(yàn)證組合。6.3 從PCA到LBPH再到深度特征下一步怎么走PCA 的線性假設(shè)決定了它的天花板。當(dāng)人數(shù)超過幾十、光照復(fù)雜、帶遮擋時(shí)可以換用 LBPH它對局部紋理做編碼對光照變化更魯棒如果還不行就換成深度特征提取用預(yù)訓(xùn)練模型把人臉圖片映射成 embedding 向量再做同樣的最近鄰分類。你會發(fā)現(xiàn)PCA 階段建立的“提特征 最近鄰分類”框架在后續(xù)方案里依然成立只是特征來源從像素投影換成了更復(fù)雜的學(xué)習(xí)器。做 PCA 人臉識別這一年最深的感受是代碼十分鐘寫完數(shù)據(jù)卻要折騰兩天。維度、預(yù)處理、劃分方式任何一個(gè)環(huán)節(jié)出錯(cuò)最后都以準(zhǔn)確率下降的形式暴露出來。后來我養(yǎng)成一個(gè)習(xí)慣每次只改一個(gè)變量固定隨機(jī)種子和同一份劃分把實(shí)驗(yàn)結(jié)果記在同一張表里再好的“感覺”也不如一張能對比的記錄表。項(xiàng)目文檔也順著這個(gè)習(xí)慣寫每個(gè)參數(shù)和對應(yīng)準(zhǔn)確率都留痕。這是把算法從玩具跑到可信結(jié)果最踏實(shí)的一步。希望這篇筆記能幫你在復(fù)現(xiàn)的路上少繞彎子。本文還有配套的精品資源點(diǎn)擊獲取
返回列表
PREV
查看更多資訊
NEXT
返回資訊列表
91精品刘玥| 操操综合网婷婷| 9热超碰| 99无码视频| 97婷婷五月| 97精品人人A片免费看| 成年AAAA色情| 丁香五月激情婷婷| 丁香五月花婷婷开心| 婷婷九月激情| www久久99| 六月撸婷婷| 丁香五月最新网址| 色五月大| 99啪啪网| 亚洲精品视频电影| 日本一级一片免费视频| 国产操碰| 99热色精品| 七七久久婷婷| 99热这里只有精品免费| 91热视频色网站| 这里只有精品视频99| 天天操天天干天天日| 久久草人妻| www色色色com| 久久这里只有欧美| 99视频在线啪| 任你躁XXXXX麻豆精品| 在线色五月婷婷| 婷婷五月丁香激情| 婷婷五月天Av| 区区欧美你爱| 中文字幕97超级碰| 亚洲午夜av| 热久久66| 久久精品综合色| 美国十月色婷婷在线观看| 天天肏天天肏| 久色激情| 91超碰在线观看| 五月天婷综合网站| 黄色99热| 日本猛少妇色XXXXX猛叫| 婷婷深爱网| 操啊操av| 9久久久| 午夜丁香婷婷| 99自拍视频网站| 琪琪布丁香社区激情五月天| 五月天激情国产综合婷婷| 国产 码在线成人网站| www.色9| 激情五月天之六月婷婷| 五月婷婷人人人操| 丁香青青五月天| www.色9| 深爱五月综合网| 色色色色色五月| 日本久久天堂| 婷婷五月天六月综合| 丁香五月 无码| 5月丁香美女影院| 日本精品99| 亚洲天堂久久| 激情九月婷婷| 日本色五月| 久久九九网| 色综合xx| 婷婷色五月色妇| 九九熱最新視頻| 一级片操逼视频| 99久在线精品99re8| 天天草天天摸| 99热e| 99五月婷| 五月丁香黄色| 婷婷五月天中文字幕| 大香蕉在线99热| 九九操操| 大香蕉久热| 久久一级片| 激情第四色| 欧美经典片免费观看大全| 婷婷黄色| 欧美99视频| 97热精品| 天天爽天天操| 人人摸人人搞| 欧美婷婷丁香五月社区| 五月婷婷偷拍| 婷婷五月色天| 九九久久99| 久久九九热视频| 91精品久久久久久久久| 五月开心久久| 久久99久久99精品,久国产,久久精品免费,99久在线,久久久久国产精品免费网站,9 | 亚洲成AV人片在线观看| 色青青电影色五月| 天堂在线9| 色婷婷久久| 视频免费精品免费精品免费精品免费精品免费精品免费精品免费99 | 26uuu成人网| 色色无码| 国内久久久精品99| 丁香婷婷色五月天| 五月丁香成人日| 插插网爽妇五月丁香| 五月色俺婷婷| 另类 在线| 成人丁香五月天Av| 国产婷婷色综合AV蜜臀AV | 激情婷婷色色| 婷婷五月天综合色| 能直接看的av网站| 欧美婷婷丁香五月| 91啪级电影| 九九自拍网| 婷婷五月天社区| 色婷婷狠狠禁久久| 丁香啪啪| 天天综合 99久久婷婷| 成人片在线播放| 欧美婷婷五月天综合| 九九热在线视频观看| 91免费看片| 精品久久99| 热婷婷av| 第四色婷婷色五月| 五月丁香综合激情| 婷婷深爱五月天| 婷婷五月丁香国产| 99色看这里只有精品| 亚洲激情综合五月婷婷啪啪| www.99久| 久久婷婷五月天蜜桃| 开心五激情网| 国产五月视频| 色狠狠六月| 五月天激情小说| 九九热视频99| 无码人妻电影| 午夜激情五月天| 天天干天天干天天干| 婷婷九九| 在线另类视频| 丁香五月成人自拍| A1片久久久| 五月婷婷9| 俺也去在线久久精品23欧美综合视频网站,丰满人妻一区二区三区在线视频53,丰满 | 久草五月天| 久久视9精| 九九99精品视频在线观看| 97干资源在线观看| 六月激情婷婷综合| 91丨九色丨东北熟女| 亚洲超级碰| 日本nghangse中文字幕| 丁香五色月婷婷网| 日本丰满久久| 激情六月丁| 好看的国产精品| 丁香六月亚洲综合| 色九月婷婷综合| 亚洲欧美一区二区三区四区爱爱动图| 婷婷久久欧美| 99精品网| 色婷婷综合网站| 天天狠天天叉| 婷婷丁香五月天色区| 欧美日本国产| 久久久27操| 97色色色| 国色天香成人网| 婷婷色五月亚洲| 婷婷丁香五月亚洲| 狠狠擼综合| 欧美综合激情| 五月丁香操婷逼| www.minyis.com【JT】实力收量可预付QQ2101460746 | 日本色噜| 99se丁香| 这里有精品| 99操逼| www.久久爱.com| 色婷婷丁香五月| 婷婷六月中文字幕| 九九av| 免费V片在线| 婷婷色片| 天天拍久久| 91操在线观看| 色丁香五月| 狠狠xx| 亚洲精品视频在线播放| 综合久久五月天| 久久99综合| 一区二区传媒视频| 99热在线观看| 久久婷婷六月综合综合| 另类激情五月天| 97婷婷丁香| 欧美精品XXXXBBBB| 色性五月天| 99视频久久| 99热爆在线| 久青草影院| 79色色| 九九视频精品在线免费| 色娸娸综合网| 风流少妇A片一区二区蜜桃| 综合久久久| 人妻久久久久久久久| 日韩成人综合网| 亚洲免费观看高清完整版AV线| 99热热热99精品婷婷| 色欲久久久久久综合网综合网| 久热只有这里精品| 亚洲看av的网站| 9精品视频在线| 欧美大肥婆大肥BBBBB| 五月婷婷丁香六月| 色婷婷综合中心| av在线观看网站| 視频福利乱色| 久月久在线视频| 五月丁香婷婷色| 久久婷婷五月草视频| 97碰在线| 日韩伊人大香蕉| 青青草青青草五月天| 天天操天天操天天操天天操天天操天天操天天操天天操天天操 | 国产精品电影| 日本三级日本三级99| 日日操夜夜爽| 婷色五月天| 亚洲激情综合免费| 九九视频精品视频精品| 五月天婷婷中文字幕在线播放| 色五月婷婷开心| www久久五月com| 午夜成人AV在线| WWW.久久久久久久| 思思久久99热| 六月婷婷av| 色五月激情综合| 玖色色综合| 婷婷久久爱| 久久99精品日本| 日本人妻久久| 99精品偷自拍| 五月丁香趴趴| 五月丁香综合久久夜夜| 天天插天天射| 夫妇交换刺激做爰| 综合爱久久| 五月丁香中文婷婷中文| 综合99视频| 婷婷综合五月天激情| 思思99热这里只有精品| 亚洲激情 久久| 欧美视频在线观看噜噜| 激情综合激情综合| 熟女网站久久| www婷婷| 亚洲中文字幕网| 婷色影院| 激情久久网| 大香蕉五月天| 九九综合色| 99热国内| 99久久99视频只有精品| 久久五月天精品视频| 教师性爱毛片| 欧美色色色色色色色色| 爽极品色| 激情伊人五月婷婷久久| se99视频| 九九草热在线观看| 色色综合网www| www久久99com| 这里只有精品免费视频在线观看| 丁香五月婷婷综合精品素人| 开心深爱激情网| 丁香五月电影| 国产成人一区二区三区在线观看| 97精品人人A片免费看| 七七婷婷综合| 亚洲一级AV在线免费播放| 亚洲成色综合网站免费观看| 五月天色婷婷基地| 色色综合激情| 丁香五月天婷婷激情| H亚洲| 色哟哟性爱av| 六月五月婷婷| 噼里啪啦在线观看免费完整版视频| 无码激情AAAAA片-区区| 九九AV| 色婷婷色人人射| 91狠狠综合久久| 天天爱天天天射AV| 日韩按摩二区| 中文字幕丰满孑伦无码专区| 99免费视频久久| 亚洲色99| 欧美性做爰大片免费看办公室| 久久综合站| 欧美99热| 天天色综合综合| 狠狠狠狠狠| 丁香五月先锋| 激情五月婷婷五月| 超碰狠狠操| www,久久久| 九热久| 99re这里有精品手机在线| 久热超碰| 丁香九月激情久久| 婷婷六月天| 伊人无码高清| 超碰在线9| 久久性爱视频久久性爱视频| 亚洲区在线| 婷婷激情五月天在线视频| 色屌丝中文字幕| 少妇做爰免费视看片| 2050人人操免费工开爱| 五月天六月婷婷| 人妻丰满精品一区二区A片| 99热 在线观看| 五月天综合| 激情六月丁香| 丁香六月激情综合| 九九久久综合| 午夜不卡久久精品无码免费 | 亚洲欧州色情在线观看| 成人va在线| 另类五月婷婷| 五月婷婷影视| 久久婷综合网| 激情四射婷婷| 色之综合网| 97在线精品| 狼人婷婷久久| 五月婷婷基地| 婷婷五月激情热播| 在线中文字幕免费视频| 九色视频这里只有精品| 99日在线视频| 亚洲一区国产传媒| 开心婷婷五月天激情网| 69精品人人人人人人| 丁香五月 综合| 亚洲深喉AV| 六月丁香久久| A片一曲| 国产乱妇无乱码大黄AA片| 精品在线| 九日日夜夜69| 97碰人人操| 性爱AV天堂| 丁香五月之久操视频| 超碰在线网站| 丁香六月狠狠干| 99在线观看免费精品视频| 人妻熟人中文字幕一区二区| 丁香六月情| 五月婷婷久久综合| 一级黄在线| 婷婷播5月| 97人人射| 高清av在线国产| 99热6这里只有精品| 亚洲精品乱码久久久久99| 婷婷五月丁香99| 久久香蕉影院| 婷婷十月激情综合网| 日本三级韩三级99久久| 665566 无码| 天天婷婷综合亚洲亚洲| 婷婷五月天六月丁香| 色噜噜狠狠色综合AV兰草影视| 婷婷欠久少妇| 天天骑天天操| 婷婷最新地址| 色吧婷婷| 五月天色网站| 九九青青草成人| 五月丁香综合精品欧美| 六月婷婷激情| 5五月综合网亚洲| 日日夜夜噜噜爽爽| 五月天婷婷激情网| 操操操91| 欧美黄色一级录像| 五月丁香综合网| 婷婷 丁香 精品| 成人在线观看精品| 五月久久婷婷天堂视频| 五月天伊人手机在线播放AV| 国在线激情网| 91精品在线看| 婷婷五月天大香蕉| 精品久久穴| 五月天激情国产综合婷婷婷| 欧美性猛交99久久久99| 五月综合婷婷五月| 五月天六月婷婷电影| 婷婷伊人激情婷婷| 亚洲精品视频在线| 日本在线视频播放91| 激情五月婷婷她| 狠狠五月天激情| 91丨熟女丨首页| 亚洲午夜av| 久久综合影院| 六月撸婷婷| 国产无人区大片| 丁香五月婷婷99| 久久久久久久11111111111| 婷婷五月天社区| 日韩成人精品中文字幕| 精品丁香五月天在线播放| 超碰精品手机在线| 亚洲精品小视频| 99er免费在线观看| 五月天大香蕉| 97色片| 亚洲人妻Av| av一区免费看| 日韩成人无码| 色播五月丁香| 99精品热| 综合久久五月天| 大陆极品少妇内射AAAAAA| 天天舔天天爽| 婷婷五月美女直播| 久久机热这里只有精品| 日逼免费视频| 成人国产综合| 五月天婷婷激情干干| 狠狠干.com| 香蕉久久国产AV一区二区| 亚洲韩国日产综合AV| 丁香五月婷在线观看| 蜜臀嫩草| 99热在线观看免费精品| 五月激情综合网| 一本色道久久综合狠狠躁小说| 亚洲最大视频| 久久久天堂国产精品女人| 久久女人九九| 亚洲色欲欧美一区二区三区| aa久久| 久久久久久久久月丁| 丁香五月激情五月| A片天天| 久久A热| 久久综合激情| 日韩 mm 不卡| 婷婷丁香花五月天| 在线另类视频| 六月丁香婷| 婷婷六月激情啪啪| 五月久久| 超碰91人人操| 婷婷基地成人五月天| 亚洲电影在线观看| 日韩在线五月天婷婷| 婷婷五月网图片区| 丁香色五月 97干| 色五月婷婷大| 9 1 A v久久久| 九九re精品视频在线观看| 一区色色色色网| 国自产拍偷拍精品啪啪一区二区 | 99噜噜| 婷婷六月丁香五月| 国产精品视频久久99| 91嫩草久久| 91热99| 日韩AV中文字幕在线| 亚洲婷婷在线播放十月| 白人荫道BBWBBB大荫道| 俺去也五月天婷婷| 欧美碰碰| 婷婷天天色| 就爱干 在线| 亚洲天堂碰碰婷婷| 级情九色| 婷婷五月天六月| 九热免费视频| 国产精产国品一二三在观看| 婷婷丁香人妻天天| 99热超碰| www狠狠爱com| 婷婷伊人网| 色婷婷激情视频| 婷婷丁香五月天影院 | 99九九视频| 九九热在线视频,| 人人操人人爰人人一天天碰夜夜拍夜夜爽-中国A级毛片天天看天天谢… | 激情五月少妇| 人妻狠狠操| 性爱激情五月| 九月婷婷综合| 久热只有这里精品| 超碰精品国产首页| 久久婷婷综合五月趴| 欧美激情丁香五月| 丁香五月婷婷www..com| 国产精品涩涩涩视频网站| 激情五月丁香亭亭| 久久婷婷五月丁香| 欧美色五月| 在线综合91| 噜噜噜狠狠色综合| www..999热久| 婷婷五亚洲| 激情五月深爱五月| 99色在线免费观看视频| 青青草免费公开视频| 久久婷婷五月天激情四射| 久久奄也去色色网站| 日韩色五月| 91操黄| 丁香五月六月| 狼人婷婷综合| 色97综合婷婷天天色| 开心五月婷婷婷美女| 婷婷丁香激情五月天色色色| 在线视频另类| 婷婷五月天在线一区| 丁香五月综合激情久久潮喷| 99热99极品观看| 成熟妇人A片免费看网站| 久久在这里99| 五月丁六月婷| 色色色视频| 97碰久久| www.99热在线| 丁香av网| AⅤ网站在线看| 99热| 狠狠爱综合网| 色情久久久| 九九九九这里只有精品| 五月天色网站| 亚洲AV无码久久精品色欲| 五月婷婷色色| 99热在线精品观看| 超碰国产AV| av不卡网站| 综合色五月| 久久婷婷五月综合激情国产| 九九热最新地址| 大伊久久| 激情亚洲婷婷六月| 婷婷丁香五另类网站| 婷婷色亚洲| 婷婷久久99| 91色在线 | 日韩| 久久婷婷五月综合色欧美| 91啪啪| 色五月婷婷综合| 久热黄色| 五月天伊人综合| www.五月丁香| 99热这里只有精品中文字幕| 亚洲五月花| 丁香美女主播视频在线观看| 激情综合网 激情五月天| 欧美久久五月婷婷| 色婷婷在线综合色播网| 99热20| 色婷婷内射| 激情五月婷婷丁香六月| 激情床戏| 97人人干人人操| 99热资源在线| 99乱视频| 丁香五月婷婷激情网| 丁香五月网址| 五月天激情国产综合婷婷婷就去爱| av色婷婷| 99热 这里只有精品 国产 日韩| 天天爽人人综合免费7799| 成人av播放| 超碰激情网| 青青热视频| 久久这里精彩免费在线观看| 亚洲国产精品成人免费一区久久久在线观看AAAA | 日本精品在线噜噜噜| 久久五月婷婷电影| 超碰av在线| 这里只有精品免费在线视频| 五月噜噜噜色综合| 五月激情综合五月| 六月丁香综合网| 久久久精久人妻| 日本AAAAAAAAAAAAAA片| 成人丁香五月| 婷婷丁香花五月天| 五月天综合久久| 国产激情久久久| 98国产精品综合一区二区三区| 青草视频在线观看视频| 日本久久久97| 五月色情婷婷| 五月天婷婷綜合院| 激情综合五月天| 色婷婷A| 精品久久99码| 五月丁香激情婷婷综合字幕| 丁香婷婷成人在线播放| 久久这里只精品| 丁香九月综合| 色婷婷五月天在线观看| 丰满少妇猛烈A片免费看观看| 蜜乳久AV| 东京热人妻一区二区三区在线| 婷婷六月综合基地| 婷婷伊人綜合中文字幕| 激情丰满熟妇五月| 久久视频这里有精品99| 97久久人人操| 午夜不卡久久精品无码免费| 五月婷婷97| 日韩av网站在线观看| 色色com| 午夜激情五月天| 九九久久五月天| 99视频在线精品| 激情亚洲网| 婷婷午夜综合| 丁香五月婷婷基地| 欲求不满的人妻| 五月丁香色综合| 26UUU| 99福利视频| 五月开心久久| 九九色逼| 久久久久五月丁香| 国产人妻777人伦精品HD| 久热在线中文字幕色999舞| 操比激情五月| 99热永久在线观看| 综合激情网激情五月。| 9+1视频网址| 婷婷色五月91啪啪| 91九色成人原创视频| 五月丁香亚洲婷婷| 在线视频婷婷| 精品色色色| 国产在线激情视频| 激情涩涩网| 丁香五月婷婷88在线| 天天色域综合网| 婷婷五月,偷窥偷拍网| 精品一二三区久久AAA片| 丁香蜜臀黄色婷婷五月天| 99人碰碰碰| 丁香五月综合在线播放| 丁香五月亚洲综合丝袜| 狠狠摸狠狠摸| 99热在线免费| 伊人啪啪网| 久久国产成人9999久久久久| 色情五月天。| α久久| 播五月开心婷婷欧美综合| 欧美激情综合| 操逼三区| 五月熟妇婷婷久久| 色色热| 久草热8精品视频在线观看| 日91高清无玛| 婷婷五月丁香成人| 99视频在线观看网址| 国产精品美女久久久久AV超清| 丁香婷婷综合激情五月色| 99色丁香婷婷综合网| 久久久97| 五月天婷婷色色首页| 天堂爱爱| 91成人视频| 狠狠爱婷婷五月天| 五月婷婷综合激情| 五月天色图| 99re久热| 欧洲激情五月天| 亚洲精品视频在线| 中文久久婷婷| 激情五月婷婷色| 国产人妻777人伦精品HD| 激情国产综合| 嫩BBB槡BBBB搡BBBB视频| 深爱婷婷网| 秋霞AV美国| 一区视频网站| 色色日本| 天堂在线观看视频| 五月丁香六月久久| 超碰成人电影| 秋霞AV美国| 天天干天天射色综合| 激情五月天 婷婷| 婷婷五月激情的图片| 黄色AAAAA| 五月丁久久| 丁香婷婷综合激情五月色,开心五月丁香花综合网,激情综合五月亚洲婷婷,五月天 | 超碰在线9| 五月丁香婷婷中文网| 国产成人网址| 综合天天综合| 色色色999| 99在线视频免费| 人人干人人看| 97丁香视频| caopeng97日韩| 丁香婷婷六月激情| 亚洲色婷婷| 丁香色情五月综合激情| 日本综合色图| 色婷婷亚洲婷婷| 婷婷中文无码| 九热视频在线精品15| 狠狠色成人影片| 伊人超碰在线| 婷婷噜噜| 色婷婷久久7777| 五月天激情啪啪| 激情人妻蜜夜系列区| 色色亚卅| 91久女| 久久99这里只有精品视频| 欧美性猛交XXXX乱大交极品| 熟女五月天久久综合| 国产成人精品亚洲线观看| 99免费热在线精品| 五月婷婷啪啪| 五月婷婷开心色伊人| 激情五月天网| 六月丁香婷婷网| 怡红院AV亚洲一区二区三区H | 国产这里只有精品| 狠狠色大香蕉| 五月婷婷激情久久| 1024亚洲无码| 99久久精品免费精品国产_国产精品久久久久久_国产在线|日韩_久久国产精品电影 | 天天躁日日躁狠狠躁日日躁2022年5月9日 | 亚洲狠狠终合停停终合| 日韩一级片| 国内精品玖玖| 五月婷婷综合网| 久久这里只有精品07 | 色五月婷婷综合| 五月伊人网| 五月天社区| 99热最新| 成片免费播放| 五月激情在线| 狠狠色情婷婷| 久久婷五月影院| 五月丁香影视| 五月丁香久人妻中文| 久久99综合| 琪琪理论片| 99热网精品| 色五月丁香网| 九九热青青草| 操久久网| 亚洲精99| www.99.色| 26uuu国产激情视频| 91oumei| 啪啪婷婷五月天激情| 大香蕉啪啪网| 国产露脸150部国语对白| 天天天天天天天操| 五月天之色情综合网| 丁香五月先锋| 深爱五月婷婷开心中文字幕| 91 影音先锋| 五月天激情小说欧美激情| 超碰99久久| 99色在线| 五月激情婷婷在线| 婷婷四色五月| 国产乱子轮XXX农村| 欧美一级操逼视频| 在线中文av| 精品一二三区久久AAA片| 婷婷五月天激情免费在线观看| 亚洲人妻Av| 99婷婷| www.minyis.com【JT】实力收量可预付QQ2101460746 | 色色99| 99er这里只有精品视频| 男人大jjc女人免费视频| 天天插天天日| 色色色色五月天| 青草青草视频2免费观看| 色情五月婷婷| 五月丁香久久精品在线观看| 欧美A片在线视频免费观看| 色情五月婷| 99re这里只有精品免费| 激情五月婷婷她| 激情人妻综合| 丁香五月天欧美| 无码一级片| 丁香五月婷婷基地| 激情WWW| 久9综合| 亚州色婷婷| 中文字幕色色色| 大香蕉五月天婷婷| 婷婷天天五月天| 高清视频一区| 天天舔天天摸天天透| 九九操操| 精品婷婷丁香五| 丁香六月婷婷久久综合| 成人视频婷婷| 婷激情五月天视频导航| 五月色激情综合网| 午夜大香蕉| 伊人玖玖网| 丁香 婷婷五月| 人妖色AV色综合| 超碰人人在线| 色婷婷社区| 五月婷婷在线视频免费观看| 婷婷五月天丁香成人社区| 婷婷五月天成人| 丁香五月综合| 亚洲精品久久久久久久久久吃药| 99婷婷| 丁香色影院| 国产3p露脸普通话对白| 成人 在线 日韩| 色婷婷a三区麻| 久操综合| 亚洲影院婷婷色| 狠狠五月天| 婷久久| 国产婷婷五月在线视频| 日本色婷婷五月天成人电影| 色狠狠色综合久久久绯色AⅤ影视| 精品成人在线| 五月婷婷综合在线| 手机旧版看人妻1025| 五月色俺婷婷| AV天堂淫乩| 丁香五月人妻| 亚洲成人av在线观看| 国产精品18久久久| AV九九| 欧美激情五月天| 五区毛片七区毛片| 日韩成人五月天| 91婷婷丁香| 4399精品一区二区| 成人做爰黄A片免费看直播室男男| 97人人操人人干| 婷婷综合一二三| 思思久日精品视频| 五月婷婷和六月| 五月激情丁香五月| www,婷婷五月天777me,com| 影音先锋噜一噜| 日韩精品成人在线| 无码 色| 九九热91| 五月婷婷亚洲色视频| 五月丁香久久呀| A片试看120分钟做受视频红杏| 亚洲乱啪| 六月亭亭久久综合激情| 欧美性色A片免费免费观看的 | 婷婷月综合| 综合久色五月| 久操大香蕉| 碰碰碰97国产| 天天摸天天舔在线视频| 五月天婷婷激情| 色五月天婷婷| 性色做爰片在线观看WW| 无码一区精品一区视频| 色五月天丁香婷婷| 婷婷五月色亚洲| 国产av网| 亚洲天天| XX久久| 色综合伊人网| 色情成人五月天| 草做免费在线观看| 人妻熟妇国产精品| 91seAV| 麻豆AV一区二区三区| 91色婷婷综合久久中文字幕二区| 成人免费在线电影| 淫水导航| 中文乱子伦视频| 五月天 另类图片| 五月丁香中文字幕| 九九热视频免费| 色情五月天A片| 亚洲第一视频 久久| 婷婷丁香一月| 五五月五月| 日日婷婷不卡| 五月丁香九九九综合| 婷婷综合五月激情| 这里只有精品99www| 婷婷六月插屄激情| 色小说婷婷五月天天天| 成人小说 五月天 婷婷| 1995年关宝慧版蜘蛛女| www.26uuu.com亚洲电影| 激情五月婷婷色| 99爱视频在线观看这里只有精品| 五月天色丁香| 99久久精品国产色欲| www.五月天婷婷| 婷婷激情五月| 99色综合网| www.国产色| 日韩成人精品中文字幕| 五月叮香啪| 五月花免费视频| h在线看免费版在线看| 97色碰| 亚洲欧洲中文日韩久久AV乱码| 色五月婷婷在线观看第一页舔| 男同色五月开心五月激情五月| 亚洲无码激情| 9久热在线视频精品| 99久久99九九99九九九| 激情com| 玖玖九九99| 国产精品久久久60086| 五月天婷婷人妻| 夜夜躁爽日| WWW,五月| 天天舔天天爽| 婷婷D区| 激情淫乱男女| 91九色精品| 五月婷婷久久综合| 就爱操www com| 天天爽天天干天天| 五月天婷婷AV| 99热这里只有精品青草| 亚洲精品a成人在线播放| 婷婷五月天丁香综合网| 91精品国产日韩91久久久久久国模| 九九99精品| www。狠狠干。com| 丁香欧美| 69色婷婷| 婷婷综合五月天| 婷婷婷婷婷婷婷婷婷婷丁香| 五月婷婷97| 五月天久久久| 99色播| 综合狠狠干| 午夜婷婷| 激情综合九| 欧洲亚洲午夜| 91婷婷丁香五月天免费视频网站| 亚洲99在线| 激情五月天网站| 五月丁香啪啪网| 青青久久五月天丁香婷婷| 美女黄频aⅴ视频| caopeng超碰| 婷婷激情五月色综合| 婷婷激情九月| 超碰狠狠干99| 99视频在线观看网址| WWW夜夜| 激情综合色婷婷六月天| 天天色综网| 大香焦A∨| 大香蕉五月婷婷| 艹| 九九色逼| 91精品刘玥| VA色婷婷| www,五月天激情| 九九色色网| 成人做爰A片免费看网站找不到了| 99在线看视频| 99热亚洲| 色婷婷影音| 五月色网| 国产黄色在线观看| aa久久| 六月丁香婷婷在线波多 | 丁香六月激情综合| 久久小视频| 91好好热日本在线| 伊人五月网| 午夜丁香| 《丁香激情综合久久伊人久久》影视在线观看 -高清预告手机免费播放 -三妹影院 | 激情小说五月天| AA片在线观看视频在线播放| 91狠狠色丁香| 亚洲综合在线丁香五月| 色情婷婷| 婷婷之玖玖| 五月丁六月香av| 91狠狠综合网| 日韩三十六页| 99高级会所久久| 婷婷狠狠操| 99国产精品久久久久久久久久久| 久久久五月婷婷| 婷婷五月永远18免费久久久| 久婷婷色| 久久9情免费| 国产精品久久久久久白浆色欲| 五月婷婷九| 久久久精品色| 亚洲色婷婷五月天| 五月丁香六月欧美| 激情九月婷婷| 六月婷婷AV| 天天摸日日舔狠狠添婷婷婷| 六月丁香久久| 色五月婷婷网| 日韩AV片| 夜夜爽天天干| 久久黄色片| 色一情一乱一乱一区91| 玖玖资源在线视频| 丁香五月婷婷激情四射深爱激情| 天天久久人人| 日本激情91| 变天就操逼婷婷五月| 99热精这里只有精品| 色综合久久天天综合网| 亚洲天堂AV综合网| 第六色在线| 久久99精品视频| 91超碰在线观看| 婷婷九月丁香| 怡春院天天干| 色情久久久| 五月天激情国产综合婷婷婷| 狠狠色丁香| 丁香色五月 97干| 丁香久月| 噜噜色噜噜网| 91呦呦呦| 五月婷深深爱激情网| 婷婷色导航| 91欧美| 日本超碰在线| 丁香五月AV| 丁香五月成人婷婷| 超碰在线94| 五月花综合视频| 伊久大香蕉| 开心五月婷婷激情网| 久综合网| a色色色色色| 久久只有18视频| 婷婷趴趴| 欧美成人性爱网| 亚洲欧美国产A片免费观看| 巴基斯坦粉嫩无码视频| 婷婷五月丁香第四色超碰在线| 亚洲五月六丁香激情| 五月婷丁香| 都市激情久久| 色五月av| 色色色777| www.婷婷五月天.com| 久久久久亚洲AV成人无码电影| WWW.婷婷五月天.COM| 91要啪| 影音先锋噜一噜| 色色丁香婷婷综合| 无码啪啪| 婷香五月| 色丁香五月| 日韩久久视频| 日韩999| 九九热这里只有精品556| 欧美精品99| 99激情在线| 九九AV在线| 爆乳熟妇一区二区三区爆乳照片| 超碰成人在线观看| www99久久| 热九九精品| 九9九9无码| 五月婷婷在线视频观看| 午夜丁香 婷婷| 精品久久人妻| 色级婷婷| 夜夜骑天天操| 97在线/日本| 婷婷久久精品| 九九青青草成人| 五月天综合| 婷婷婷色五月| 亚洲区在线| 丁香五月在线看| 中文成人在线| 日韩 中文 欧美| 99热成人永久免费| 国产成人精品一区二区三区视频| sewuyuejiqingwang| 超碰啪啪网| 亚洲午夜一区二区| 玖热精品综合视频| 男妓跪趴把舌头伸进我的嘴巴| 天天粽合合合合| 午夜69成人做爰视频| 婷婷五月久久| 99热一本久道| 五月天开心色情网| 翔田千里aV中文字幕| 91中文狠狠综合| 婷婷六月丁香欧美视频在线| 台湾无码A片一区二区| 这里只有精品1| 丁香五月婷婷婷婷欧美综合| 亚洲综合色网| 丁香五月婷婷色| 九九视屏| 五月丁香| 人人看人人草人人摸| 99啪啪骑| 欧美成人精品一区二区| 久久婷综合网| 色情五月综合婷婷| 丁香五月大香蕉| 天天射天天插天天干| 五月天激情国产综合婷婷婷| 亚洲啪啪网| 东京热免费视频| 亚洲国产色色| 婷婷的久久网站| 国产毛多水多女人A片| 国产精品-第3页-91JQ就要激情网91JQ5.JQJQ926.XYZ | 92久久精品一区二区| 少妇激情五月天| 婷婷六月色开| 中字幕视频在线永久在线观看免费 | 内射爽无广熟女亚洲| 精品成人a v无码内射| 亚洲中文字幕AV| 天天爱天天狠天天透| 婷婷五月天美女| 亚洲第一成人AV| 久久伊人婷婷| 丁香五月精品视频| 亚洲无码影音| 综合久久久| 色亚洲婷婷| 婷婷五月天精品| 色婷婷久久| 天天日天天摸| 密臀久久| 中日韩狠狠色| 91精品综合久久久久久五月丁香| 色爱亚洲| 色情综合| 伊综合蕉| 丁香五月婷婷六月| 思思热久久婷婷五月天| 五月丁香亭亭操逼| 人妻丰满精品一区二区A片| 六月婷婷综合| 婷婷色激情网| www.久操| 天天射影院| 99久在线精品99re8热| 深爱五月婷婷开心中文字幕| 国产亚洲精品久久久久久久久动漫| 天天操天天插| 五月色丁香成人| 超碰国产av| 亚洲网站观看视频| 亚洲五月婷婷| 婷婷五月丁香伊人| 色色爽爽天天| 婷婷五月天99综合网站| 欧美va视频| 亚洲色婷婷视频| 精品视频这里只有精品| ZpRSw| 日韩一级片| 香蕉人在线香蕉人在线 | 啪啪啪五月天| 丁香五月性| 丁香啪啪中文字幕| 99热在线观看| 五月丁香婷婷啪啪| 有哪些A片网站| 成人片久久网站| 五月 成人 婷婷| 亚洲成人av在线观看| 久久精彩视频| 五月婷啪| 日日撸夜夜操| 另类激情五月| 97亚洲色 torrent magnet| 色婷婷精品视频| 中文字幕丰满乱孑伦无码专区| 激情五月天婷婷| 色噜噜狠狠色综合网| 五月天激情中文字幕| 2015好吊操| 9月色婷婷| 久久婷婷五月天大香蕉| 丁香五月激情网| 五月丁香花视频| 色噜噜狠狠一区二区三区| 丁香五月综合在线| 天天爱天天日| 强伦轩人妻一区二区电影| 色停停影院五月天| 色伦专区97中文字幕| 激情五月丁香五月| 婷婷综合五月天| 996日日爱| 久久婷婷六月综合资源| 九热视频| 国产成人av在线| 色日本综合| 六月丁香网| 激情五月天在线视频| 丁香五月婷婷基地| 五月开心深爱激情网| 亚洲日本激情| 色色色五月婷婷| 国产免费AV网站| 久操福利| 爆乳熟女一区二区三区爆乳| 国产黄色av| 色色色com| 26uuu欧美| 九九热免费| 激情九月综合| 五月色网| 大香蕉伊人爱在线| 五月婷婷婷| 韩国天天婷婷| 天天天久久人人人合| 丁香五月欧美激情| 日日日天天干| WWW.桔色成人.COM入口| 激情婷婷五月女| 99色6爱9热| 婷婷激情五月天7| 思思网站| 色婷婷基地在线| 久久久人妻人伦| 色视频2025|