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)運營的一線實戰(zhàn)洞察。

人臉表情識別:Gabor+PCA/LDA+SVM與PyQt畢設(shè)實現(xiàn)

人臉表情識別:Gabor+PCA/LDA+SVM與PyQt畢設(shè)實現(xiàn) 簡介一套完整的人臉表情/微表情識別畢設(shè)項目面向計算機視覺方向的學習者與畢業(yè)設(shè)計開發(fā)者。項目基于Python實現(xiàn)以Gabor濾波提取紋理特征采用PCALDA聯(lián)合降維再交由SVM分類同時使用PyQt搭建了直觀的圖形界面覆蓋了從樣本處理到模型訓練、推理展示的主要環(huán)節(jié)。壓縮包共807個文件大小約14.15MB核心內(nèi)容包括749個JPG圖像樣本、5個Python腳本、6個已訓練模型、XML配置文件與數(shù)據(jù)庫另附重新編譯的libsvm.dll以及svm-train等Windows可執(zhí)行工具通過全局變量OMP_NUM_THREADS即可啟用多線程訓練。目前已有144人學習下載。這套工程實例展示了完整的技術(shù)鏈路和工程細節(jié)尤其是libSVM的編譯配置與PyQt界面交互設(shè)計對理解表情識別全流程、完成類似畢業(yè)設(shè)計或課程項目很有參考價值。整體工程結(jié)構(gòu)清晰適合按模塊閱讀與二次開發(fā)。1. 人臉表情與微表情識別Gabor PCA/LDA SVM為什么這套組合仍是畢設(shè)首選人臉表情識別FER和微表情識別是兩碼事前者識別持續(xù)時間幾百毫秒的完整情緒后者要抓時長不足 1/25 秒、肌肉動作幅度極小的微表情。無論是哪種模型落地的技術(shù)棧放在畢設(shè)里幾乎都指向同一套路線Gabor 濾波做紋理特征提取PCALDA 做降維SVM 做分類最后用 PyQt 把整個流程包進一個看得見摸得著的桌面程序。這套組合在算力受限的實驗室環(huán)境里依然站得住——Gabor 不需要 GPU 加速降維和分類在 CPU 上毫秒級完成而且數(shù)學原理清晰好答辯。很多人一上來就想著上深度卷積網(wǎng)絡(luò)但畢設(shè)作品的答辯邏輯是每一步都有可解釋的計算過程老師能問、能改、能提建議。純 CNN 的識別率可能更高但“調(diào)參黑匣子”在答辯現(xiàn)場很難撐住追問。而 Gabor PCA LDA SVM 的每個環(huán)節(jié)都有明確的數(shù)學意義和參數(shù)含義這是它至今未被淘汰的根本原因。這篇文章按我做同類項目的順序展開從濾波參數(shù)到降維策略再到 SVM 調(diào)參和 PyQt 界面封裝把每一步涉及的參數(shù)、坑和驗證方法全部落到可復現(xiàn)的細節(jié)上。2. Gabor 濾波提取人臉紋理特征參數(shù)選擇與實現(xiàn)方式2.1 為什么人臉表情識別要用 Gabor 濾波而不是直接讀像素人臉表情在外觀上表現(xiàn)為紋理變化——嘴角上揚時臉頰和嘴角附近的局部紋理發(fā)生變化皺眉時眉間和額頭的褶皺也形成新的紋理模式。原始像素值對光照和膚色過于敏感直接作為特征分類器會學到光照變化而不是表情本身。Gabor 濾波的可控性在于它對特定空間頻率和方向敏感能模擬人眼視覺皮層的簡單細胞響應(yīng)提取出人臉圖像在不同尺度、不同方向上的局部紋理響應(yīng)。常見做法是對一張灰度人臉圖取 5 個尺度頻率和 8 個方向生成 40 張濾波響應(yīng)圖。每張響應(yīng)圖的每個像素點數(shù)值構(gòu)成了描述這張人臉紋理的特征族。每一副 Gabor 核本質(zhì)上是一個被高斯包絡(luò)調(diào)制后的正弦平面波它有兩個核心可控參數(shù)波長 λ 決定正弦波的周期σ高斯包絡(luò)的標準差決定核的作用范圍。σ 與 λ 并不獨立通常按 σ 0.56λ 的經(jīng)驗比例設(shè)定這樣可以在鄰域大小確定后讓核的形狀保持穩(wěn)定。2.2 用 OpenCV 生成 Gabor 核并提取特征的完整代碼先寫一個直接可運行的最小示例輸入一張裁剪好的人臉灰度圖輸出 40 個方向的 Gabor 特征響應(yīng)。這里用 OpenCV 的cv2.getGaborKernel函數(shù)生成核再用cv2.filter2D做卷積。import cv2 import numpy as np def build_gabor_bank(ksize31, num_theta8, num_lambda5): 構(gòu)造 Gabor 濾波器組返回核列表和對應(yīng)參數(shù)。 kernels [] thetas np.arange(num_theta) * (np.pi / num_theta) # 0, 22.5, 45, ..., 157.5 度 lambdas [4, 8, 12, 16, 20] # 波長從小到大覆蓋 5 個尺度 for lam in lambdas: for theta in thetas: sigma 0.56 * lam # 經(jīng)驗比例保持核形狀穩(wěn)定 gamma 0.5 # 高斯包絡(luò)的縱橫比越小尺度越細長 kernel cv2.getGaborKernel( (ksize, ksize), sigma, theta, lam, gamma, psi0, ktypecv2.CV_32F ) kernels.append((kernel, lam, theta)) return kernels def extract_gabor_features(gray_img, kernels, downsample_factor8): 對輸入灰度圖做 Gabor 濾波輸出降采樣后的特征向量。 responses [] for kernel, _, _ in kernels: filtered cv2.filter2D(gray_img, cv2.CV_32F, kernel) # 下采樣減少數(shù)據(jù)量降采樣因子可根據(jù)原圖尺寸調(diào)整 sampled filtered[::downsample_factor, ::downsample_factor] responses.append(sampled.flatten()) # 按行拼接每個樣本變成一個長度為 40*N 的一維向量 return np.concatenate(responses)這段代碼的邏輯分三層build_gabor_bank負責生成 40 個核每個核的波長和方向組合不同extract_gabor_features對同一張圖做 40 次濾波每次得到一張響應(yīng)圖最后把所有響應(yīng)圖降采樣后拉平拼接。參數(shù)downsample_factor的取值要根據(jù)輸入圖像尺寸調(diào)整如果人臉圖是 128×128下采樣因子取 8那每張響應(yīng)圖變成 16×16256 個點40 張拼接后特征維度是 10240。這個量級對 PCA 降維來說剛剛好不會因為特征數(shù)太少讓降維失去意義也不會因為太大拖慢矩陣分解速度。2.3 關(guān)于 Gabor 參數(shù)選擇的經(jīng)驗波長范圍、方向數(shù)、核尺寸Gabor 參數(shù)的選擇有很強的經(jīng)驗成分。波長最小值取 4是因為小于 4 的波長對應(yīng)的高頻紋理在表情圖上基本是噪聲最大值取 20超過 20 后核的有效感受野超出人臉局部肌肉區(qū)域提取的是全局亮度變化而不是紋理。方向數(shù)取 8 是性價比最高的選擇取 4 個方向會漏掉斜向紋理取 12 個方向帶來的識別率提升通常不到 1%但特征維度增加 50%。核尺寸 ksize 取 31保證 σ0.56λ 在 λ20 時核的大部分能量落在窗口內(nèi)不會被截斷。一個常見的坑是直接把整張原圖喂給filter2D而不先做光照歸一化。Gabor 響應(yīng)值對平均亮度有一定敏感性光照不一致會讓相同表情的特征響應(yīng)出現(xiàn)系統(tǒng)性偏移。我一般的做法是先在灰度圖上做直方圖均衡化再減去整張圖的均值除標準差這一步幾乎不消耗計算資源但對 SVM 的穩(wěn)定性是肉眼可見的提升。具體的歸一化代碼會放到后面 SVM 章節(jié)配合說明。3. PCA LDA 組合降維為什么是兩級降維以及各保留多少維度3.1 PCA 和 LDA 的分工一個管壓縮一個管區(qū)分Gabor 特征維度動輒上萬直接訓練 SVM 在數(shù)學上沒有錯但計算代價高而且高維空間下 SVM 的核函數(shù)計算會因為維度災(zāi)難變得極慢。PCA 做的是無監(jiān)督降維它找到方差最大的投影方向把上萬維特征壓縮到幾百維甚至更低這一步完全不看標簽只保留數(shù)據(jù)本身的分布結(jié)構(gòu)。LDA 做的是有監(jiān)督降維它找到讓類間散度最大、類內(nèi)散度最小的投影方向這一步依賴標簽?zāi)繕耸亲尣煌砬轭悇e在投影后盡可能分開。兩級降維的必要性在于PCA 只看方差方差大的方向不一定利于分類光照變化的方向方差往往很大但和表情無關(guān)LDA 在原始高維空間上直接求解會面臨小樣本問題——當特征維度遠超樣本數(shù)時類內(nèi)散度矩陣奇異無法求逆。先用 PCA 把維度壓到 150~300再用 LDA 在這個低維子空間上做有監(jiān)督投影是經(jīng)典且穩(wěn)定的組合策略。3.2 兩級降維的實現(xiàn)代碼維度選擇與參數(shù)說明下面這段代碼完成了從 Gabor 特征到 LDA 投影的完整流程。注意它接受兩個輸入前面提取的 Gabor 特征矩陣 X 和對應(yīng)的標簽向量 y。import numpy as np from sklearn.decomposition import PCA from sklearn.discriminant_analysis import LinearDiscriminantAnalysis as LDA def pca_lda_transform(X, y, pca_components200, lda_componentsNone): 兩級降維先 PCA 無監(jiān)督壓縮再 LDA 有監(jiān)督投影。 X: 形狀為 (n_samples, n_features) 的 Gabor 特征矩陣 y: 形狀為 (n_samples,) 的標簽向量 # 第一步PCA 降維 # 保留 200 個主成分覆蓋絕大多數(shù)方差 pca PCA(n_componentspca_components, whitenTrue) X_pca pca.fit_transform(X, y) # 注意這里 y 沒有被使用fit_transform 接受 y 但 PCA 忽略 print(fPCA 保留 {pca_components} 維累計方差貢獻率: {pca.explained_variance_ratio_.sum():.4f}) # 第二步LDA 降維 # LDA 降維上限是類別數(shù)減 1表情識別通常 7 類所以最多 6 維 if lda_components is None: n_classes len(np.unique(y)) lda_components n_classes - 1 lda LDA(n_componentslda_components) X_lda lda.fit_transform(X_pca, y) print(fLDA 降到 {lda_components} 維類間/類內(nèi)散度比值: {lda.scalings_.shape}) return X_lda, pca, ldaPCA 里whitenTrue這個參數(shù)值得單獨說明。白化會將每個主成分的方差統(tǒng)一縮放到 1讓后續(xù) SVM 的 RBF 核不再受各維尺度差異影響否則第 1 個主成分的方差可能是第 100 個的幾十倍核函數(shù)的距離計算會被大方差維度主導。LDA 的n_components上限是類別數(shù)減 1表情識別數(shù)據(jù)集一般是 7 類開心、悲傷、憤怒、恐懼、驚訝、厭惡、中性所以 LDA 輸出維度最多 6 維。6 維特征訓練 SVM 非??煸?CPU 上調(diào)參一兩分鐘就能跑完一遍交叉驗證。3.3 主成分數(shù)的確定方法不要只看累計方差貢獻率pca_components 是兩級降維里唯一需要人工拍板的大參數(shù)。常見的做法是看累計方差貢獻率但這里有一個經(jīng)驗教訓累計方差貢獻率超過 90% 往往意味著主成分數(shù)已經(jīng)包含太多噪聲維度。我實際測試下來在 FER 數(shù)據(jù)集上用 Gabor 特征時50 個主成分的累計貢獻率通常只有 60%~70%200 個主成分能到 85%~90%繼續(xù)增加維度對最終識別率的影響極小反而會拖慢 LDA 的求解。更可靠的確定方式是做一次簡短的網(wǎng)格搜索在 100、150、200、250、300 這 5 個候選中各跑一次 5 折交叉驗證對著識別率曲線選拐點。這個掃描過程在 CPU 上也就 10 分鐘左右比拍腦袋定 300 維要穩(wěn)得多。另外注意PCA 的擬合數(shù)據(jù)只能是訓練集測試集的 Gabor 特征要用訓練集上的 PCA 對象做transform不能fit_transform否則數(shù)據(jù)泄露會導致測試結(jié)果虛高這個坑在畢設(shè)答辯時很容易被老師一眼看穿。4. SVM 分類核函數(shù)選擇、參數(shù)網(wǎng)格搜索與驗證指標4.1 為什么選 SVM以及 RBF 核為什么是默認起點經(jīng)過 PCALDA 降維后特征維度已壓縮到 6 維左右樣本數(shù)通常在幾百到幾千之間。在這個低維小樣本區(qū)間SVM 的分類性能和泛化能力幾乎是最好的選擇。SVM 的決策邊界由支持向量決定對高維空間中少數(shù)離群點不敏感這正好匹配人臉表情數(shù)據(jù)天然分布不均的特點——不是每個人的驚訝表情長得都一樣樣本里總有幾張圖的表情介于兩個類別之間。核函數(shù)的選擇上線性核最穩(wěn)但往往欠擬合多項式核對參數(shù)組合敏感、容易過擬合RBF 核是大多數(shù)情況下的常規(guī)選擇它只有一個 γ 參數(shù)控制單一訓練樣本的影響半徑配合懲罰系數(shù) C 就構(gòu)成完整的調(diào)參空間。降到 6 維以后RBF 核的距離計算開銷可以忽略不計交叉驗證一輪只需要幾秒鐘。4.2 完整的 SVM 訓練與調(diào)參代碼這里給出帶網(wǎng)格搜索的完整訓練流程。網(wǎng)格搜索對象是 RBF 核的 C 和 γ驗證方式用分層 5 折交叉驗證因為表情數(shù)據(jù)集通常存在類別不均衡。from sklearn.svm import SVC from sklearn.model_selection import GridSearchCV, StratifiedKFold, train_test_split from sklearn.metrics import classification_report, confusion_matrix def train_svm(X_lda, y): 在降維后的特征上訓練 SVM并用網(wǎng)格搜索確定 C 和 gamma。 # 分層劃分訓練集/測試集保證每類表情在兩邊都有 X_train, X_test, y_train, y_test train_test_split( X_lda, y, test_size0.2, stratifyy, random_state42 ) # 網(wǎng)格搜索候選參數(shù) param_grid { C: [0.1, 1, 10, 100], gamma: [0.01, 0.1, 1, 10], kernel: [rbf] } # 分層 5 折shuffle 避免樣本順序帶來的偏差 cv StratifiedKFold(n_splits5, shuffleTrue, random_state42) svm SVC(probabilityTrue, class_weightbalanced, random_state42) grid GridSearchCV(svm, param_grid, cvcv, scoringf1_macro, n_jobs-1) grid.fit(X_train, y_train) print(f最佳參數(shù): C{grid.best_params_[C]}, gamma{grid.best_params_[gamma]}) print(f交叉驗證 F1: {grid.best_score_:.4f}) y_pred grid.predict(X_test) print(classification_report(y_test, y_pred)) return grid, X_test, y_testprobabilityTrue讓 SVM 輸出每個類別的概率估計這在 PyQt 界面里很有用——顯示“開心 87%”“中性 10%”比硬分類更有說服力。class_weightbalanced會自動調(diào)整類別權(quán)重處理憤怒、厭惡這類樣本數(shù)偏少的表情避免模型把所有樣本都預測成樣本最多的類別。需要提醒的是GridSearchCV的scoring參數(shù)用f1_macro而不是accuracy。如果數(shù)據(jù)集里 70% 的樣本都是“中性”一個全預測“中性”的模型 accuracy 也能到 70%但 f1_macro 會把這個模型的得分壓到很低這才是表情識別真正該看的指標。4.3 模型保存與加載給 PyQt 界面預留接口訓練完成后需要用joblib把模型和降維對象整體保存下來方便后面 PyQt 界面加載。這里特別注意要保存的對象不只是 SVM 模型還有 PCA、LDA 兩個降維器以及一個可選的標準化器如果特征提取時有做標準化。漏掉任何一個界面運行時都會因為形狀不匹配直接報錯。import joblib def save_model_pipeline(pca, lda, svm, filepathmodel_pipeline.pkl): 將降維器與分類器打包保存。 joblib.dump({ pca: pca, lda: lda, svm: svm }, filepath) print(f模型保存至 {filepath}) def load_model_pipeline(filepathmodel_pipeline.pkl): 加載完整模型管線。 data joblib.load(filepath) return data[pca], data[lda], data[svm]這個保存-加載模式是畢設(shè)項目從“訓練代碼”走向“能演示的軟件”的關(guān)鍵一步。訓練時在離線腳本里跑完整流程界面加載時只需要load_model_pipeline取回三個對象推理路徑只有三段Gabor 特征提取 → PCA/LDA 降維 → SVM 預測。把這三步封裝到一個函數(shù)里界面代碼就非常干凈。5. PyQt 圖形界面與集成人臉檢測、模型推理與實時展示5.1 界面的功能拆解靜態(tài)圖片識別與攝像頭識別一個能應(yīng)付畢設(shè)演示的 PyQt 界面至少要包含三個模塊左側(cè)是圖像顯示區(qū)域右側(cè)是結(jié)果文本區(qū)與控制按鈕區(qū)下方狀態(tài)欄顯示當前模型加載狀態(tài)和推理耗時。功能上分兩類場景——靜態(tài)圖片識別從本地選擇一張人臉照片顯示識別結(jié)果和各類別置信度和攝像頭識別打開攝像頭捕捉畫面實時標注人臉并輸出表情。多數(shù)畢設(shè)做到靜態(tài)圖片 攝像頭兩個按鈕即可拿較高完成度評價。攝像頭場景下有一個性能瓶頸要注意Gabor 濾波是 CPU 密集運算40 個卷積核在 640×480 的幀上跑完大概要幾十毫秒加上人臉檢測再做 Gabor幀率很難超過 10FPS。常見做法是限制推理頻率——每秒只處理 2~3 幀其余幀只顯示畫面。這不是性能偷懶而是表情識別本身不需要逐幀推理表情變化的時間尺度遠大于 1/3 秒。5.2 用 PyQt5 實現(xiàn)前端界面并接入模型管線的核心代碼下面是一個精簡但完整的 PyQt5 界面核心邏輯。它從保存的模型管線里加載三個對象內(nèi)部封裝predict_from_image方法做“圖片 → 表情”的推理。import sys import cv2 import numpy as np import joblib from PyQt5.QtWidgets import (QApplication, QMainWindow, QLabel, QPushButton, QFileDialog, QVBoxLayout, QHBoxLayout, QWidget) from PyQt5.QtGui import QImage, QPixmap from PyQt5.QtCore import Qt, QTimer class ExpressionRecognitionApp(QMainWindow): def __init__(self): super().__init__() self.setWindowTitle(人臉表情識別系統(tǒng)) self.pca, self.lda, self.svm load_model_pipeline(model_pipeline.pkl) self.init_ui() self.cap None self.timer QTimer() self.timer.timeout.connect(self.update_frame) def init_ui(self): self.image_label QLabel(圖片/視頻顯示區(qū)域) self.image_label.setAlignment(Qt.AlignCenter) self.result_label QLabel(識別結(jié)果將顯示在此) btn_open QPushButton(打開圖片) btn_camera QPushButton(打開攝像頭) btn_camera.setCheckable(True) # 可切換開關(guān)狀態(tài) btn_open.clicked.connect(self.open_image) btn_camera.clicked.connect(self.toggle_camera) right_panel QVBoxLayout() right_panel.addWidget(self.result_label) right_panel.addWidget(btn_open) right_panel.addWidget(btn_camera) main_layout QHBoxLayout() main_layout.addWidget(self.image_label, stretch3) main_layout.addLayout(right_panel, stretch1) container QWidget() container.setLayout(main_layout) self.setCentralWidget(container) def predict_from_image(self, img_bgr): 完整推理流程Gabor → PCA/LDA → SVM。 gray cv2.cvtColor(img_bgr, cv2.COLOR_BGR2GRAY) gray cv2.equalizeHist(gray) # 光照歸一化第一步 gray (gray - gray.mean()) / gray.std() # 第二步零均值單位方差 kernels build_gabor_bank() # 復用第 2 節(jié)的函數(shù) features extract_gabor_features(gray, kernels, downsample_factor8) # 直接調(diào)用已保存的 pca/lda 對象做 transform而不是 fit X_pca self.pca.transform(features.reshape(1, -1)) X_lda self.lda.transform(X_pca) probs self.svm.predict_proba(X_lda)[0] label self.svm.classes_[np.argmax(probs)] return label, probs def open_image(self): path, _ QFileDialog.getOpenFileName(self, 選擇圖片, , 圖片文件 (*.jpg *.png *.bmp)) if path: img cv2.imread(path) label, probs self.predict_from_image(img) self.result_label.setText(f識別結(jié)果: {label}\n置信度: {np.max(probs):.2%}) self.show_image(img) def toggle_camera(self): if self.cap is None: self.cap cv2.VideoCapture(0) self.timer.start(300) # 約每秒 3 幀做推理 else: self.timer.stop() self.cap.release() self.cap None def update_frame(self): ret, frame self.cap.read() if ret: # 這里可以接入 cv2 的 Haar 人臉檢測器先用全圖代替 label, probs self.predict_from_image(frame) self.result_label.setText(f實時識別: {label}) self.show_image(frame) def show_image(self, img_bgr): rgb cv2.cvtColor(img_bgr, cv2.COLOR_BGR2RGB) h, w, ch rgb.shape bytes_per_line ch * w qt_image QImage(rgb.data, w, h, bytes_per_line, QImage.Format_RGB888) self.image_label.setPixmap(QPixmap.fromImage(qt_image).scaled( self.image_label.size(), Qt.KeepAspectRatio)) if __name__ __main__: app QApplication(sys.argv) win ExpressionRecognitionApp() win.show() sys.exit(app.exec_())predict_from_image是這段代碼里的核心銜接點它把訓練階段保存下來的三個對象串起來完成一次推理界面按鈕和定時器都只調(diào)用這一個方法。btn_camera.setCheckable(True)讓攝像頭按鈕支持“按一下開、再按一下關(guān)”避免額外加一個關(guān)閉按鈕。定時器start(300)的 300 毫秒是攝像頭模式的關(guān)鍵調(diào)參項——太大畫面卡頓明顯太小 CPU 占用飆升。5.3 攝像頭畫面里的人臉檢測Haar 還是深度學習上面代碼里攝像頭推理直接用了整幀這在實際演示中會有問題——如果畫面里有多個人或者人臉占比太小Gabor 特征會被背景干擾。常見做法是先做人臉檢測裁剪出人臉區(qū)域再做表情分類。OpenCV 自帶的 Haar 級聯(lián)分類器在正面人臉上檢測速度快、穩(wěn)定適合畢設(shè)場景但它的缺陷是對側(cè)臉、低頭、遮擋比較敏感。如果追求更好的效果可以用 OpenCV 的 DNN 人臉檢測器但模型文件需要額外下載而且推理耗時更長。5.4 集成時的注意不要在 Qt 主線程里做長耗時操作攝像頭模式下有個典型卡頓問題update_frame在 Qt 主線程里執(zhí)行推理單次推理占滿 CPU 后界面按鈕會出現(xiàn)“點一下卡兩秒”的假死現(xiàn)象。解決辦法是把推理放到 QThread 工作線程里主線程只負責顯示圖像。這里給出一個簡化思路自定義一個QThread子類在run()方法里循環(huán)做推理并通過信號把結(jié)果傳給界面。這樣即使某幀推理超時界面也保持流暢。這個線程模型是畢設(shè)答辯時容易被追問的點建議提前準備好解釋。6. 畢設(shè)級避坑清單Gabor、降維、SVM、PyQt 集成中的 5 個典型問題6.1 Gabor 特征值相差懸殊導致 SVM 訓練失敗現(xiàn)象特征矩陣喂給 PCA 后前幾個主成分的方差貢獻率極高但模型識別率在 50% 以下徘徊。原因不同方向、不同波長的 Gabor 響應(yīng)值尺度差異極大比如低頻響應(yīng)的數(shù)值范圍是 0~255高頻響應(yīng)可能是 -5~5PCA 被大數(shù)值維度主導小數(shù)值維度的區(qū)分信息被淹沒。解決在拼裝特征向量時對每個方向的響應(yīng)圖分別做標準化讓每個方向的數(shù)值范圍對齊再拼接進入 PCA。具體做法是對每張響應(yīng)圖減去自身均值后除以自身標準差這一步在特征提取函數(shù)內(nèi)完成不增加額外復雜度。6.2 LDA 使用類別數(shù)減 1 維度后 SVM 反而過擬合現(xiàn)象7 類人臉的 LDA 輸出 6 維訓練集識別率 99%測試集只有 70%。原因6 維正是 LDA 投影的理論極限它將所有類別的判別信息壓縮到極少數(shù)線性方向里投影后不同類別的中心分離度極高但類內(nèi)的方差也被壓縮導致 SVM 在訓練集上輕松分類卻在測試集上看不全分布形態(tài)。解決LDA 的n_components不一定要選滿嘗試 3、4、5 維結(jié)合交叉驗證選擇。經(jīng)驗上 7 類表情保留 4~5 維往往比 6 維更穩(wěn)因為最后兩維對應(yīng)的是類間差異最小的方向基本是噪聲。6.3 PyQt 按鈕點擊后界面無響應(yīng)現(xiàn)象點擊“打開圖片”后圖像區(qū)域 5 秒后才顯示結(jié)果期間窗口拖不動、按鈕沒反饋。原因大圖超過 1000×1000 像素做 Gabor 濾波需要約 1~2 秒且predict_from_image中有多次filter2D和矩陣變換全部阻塞在 Qt 主線程中執(zhí)行。解決在open_image中先將圖片縮放到合理尺寸如最長邊 512 像素再做推理并配合QApplication.processEvents()在推理前強制刷新界面。如果項目要用攝像頭實時識別必須按前面提到的 QThread 方案改造。6.4 攝像頭模式下預測結(jié)果來回跳現(xiàn)象同一張臉在 5 秒內(nèi)從“開心”變“中立”又變回“開心”置信度也在 50%~90% 之間波動。原因單幀預測缺少時序平滑表情在臨界狀態(tài)時特征恰好落在分類邊界附近。解決維護一個長度為 5 的預測結(jié)果隊列取隊列中出現(xiàn)次數(shù)最多的類別作為最終輸出。也可以用簡單指數(shù)滑動平均處理 SVM 輸出的概率向量讓分類決策更穩(wěn)定。這個方案遠比用 LSTM 之類復雜模型更適合畢設(shè)場景效果提升卻很直觀。6.5 訓練集上識別率很高但新照片上一塌糊涂現(xiàn)象測試集上 f1 分數(shù) 0.9 以上但用手機拍一張新的人臉照片做識別結(jié)果明顯錯誤。原因Gabor 特征對人臉對齊極其敏感——訓練集照片的眼睛位置固定新照片里人臉偏移 20 個像素紋理特征就整體錯位。解決在特征提取前必須做人臉對齊。用 OpenCV 的dlib或人臉關(guān)鍵點檢測器定位雙眼位置將雙眼連線旋轉(zhuǎn)到水平并縮放到固定尺度后再做 Gabor 提取。這一步對真實場景的魯棒性提升比我試過的任何調(diào)參都大。7. 從“能跑”到“能演示”一套可復現(xiàn)的驗證流程與優(yōu)化技巧模型訓練完成后真正拉開畢設(shè)完成度差距的是驗證和演示的細節(jié)。先用一張自拍照片測模型大概率會在 2、3 兩個類別之間出錯。這時要檢查的不是 SVM 參數(shù)而是預處理鏈路是否一致測試照片有沒有做與訓練集完全相同的直方圖均衡化和標準化。我踩過一次很深的坑訓練代碼里對灰度圖做了(gray - gray.mean()) / gray.std()但界面代碼里只做了均衡化導致模型在演示時識別率慘不忍睹。把預處理封裝成獨立函數(shù)訓練和推理共用同一份代碼是畢設(shè)項目必須養(yǎng)成的習慣。關(guān)于 SVM 核函數(shù)與參數(shù)的影響值得花一個下午單獨驗證固定 γ0.1把 C 從 0.1 調(diào)到 100記錄交叉驗證分數(shù)再固定 C10把 γ 從 0.01 調(diào)到 10。這兩條曲線放在論文里非常直觀——C 控制對誤分類的懲罰太大容易過擬合訓練集中的異常樣本γ 控制單個樣本的影響半徑太大會讓決策邊界過于曲折。建議先跑通線性核再切換到 RBF 核對比兩者的準確性差。如果線性核已經(jīng)接近 RBF 核的性能說明 LDA 降維后特征本身已經(jīng)線性可分RBF 核的復雜度是多余的這種發(fā)現(xiàn)放在答辯里很有說服力。驗證指標方面除了打印classification_report還要輸出每一類的混淆矩陣。用 PyQt 界面演示時事先準備好 7 類表情各一張標準測試圖按順序播放讓觀眾直觀看到每一類的識別情況。這種方式比隨機抽查更能體現(xiàn)系統(tǒng)穩(wěn)定性。最后是我個人的一點習慣在predict_from_image里加一個可選的計時裝飾器把 Gabor 耗時、降維耗時、SVM 耗時分別打印出來。這不僅是性能分析工具也是答辯時的救命數(shù)據(jù)——當老師問“為什么幀率只有 3FPS”時立刻就能回答“瓶頸在 40 個 Gabor 卷積約 180ms降維和分類加起來不到 5ms”。用數(shù)據(jù)代替籠統(tǒng)的“應(yīng)該夠用”說服力完全不在一個量級。這些技巧加起來你的畢設(shè)就從“代碼能跑”變成了“方案能講、結(jié)果能驗證、接口能擴展”。希望這篇文章里的參數(shù)和調(diào)試思路能讓你少走幾步彎路順利把整套管線跑通。本文還有配套的精品資源點擊獲取
返回列表
PREV
查看更多資訊
NEXT
返回資訊列表
五月美女婷婷风骚| 99爱无码| 五月丁香久久| 色婷婷丁香五月天在线视频| 五月婷婷深深爱| 啊V视频在线观看| 婷婷丁香五月天哟啪| 五月婷婷综合在线| 婷婷五月天免费视频| 久久久婷丁香五月天激情综合| 亚洲乱码精品久久久久..| 婷婷五月天AV激情| 99热欧美在线观看| 丁香五月婷婷影院| 丁香五月激情视频在线| 开心激情色婷婷五月天| 色婷婷基地在线| 99九九热播在线免费视频| 色婷婷无吗| 综合网五月| 久久er免费视频| 久操干| av中文字幕免费观看| 性一交一乱一交A片久久四色| 欧美久久五月婷婷| 涩涩涩,com| 操b视频在线观看一区二区| 欧美在线干| 天天爽天天| 99re视频精品| 丁香五月婷婷少妇| 冬月かえでAV无码播放| 九热视频精品| 婷婷五月香蕉| 91在线就要啪| 91狠狠色丁香婷婷综合久久狠丁香综合久久精品 | 99热丁香| 五月丁香日逼| 五月丁香影视| 色欲丁香久久| 九九免费精品在线视频| 天天干一干| www一区二区三区| 婷婷综合另类| 五月丁香啪啪网| 久久伊人五月天| 婷婷丁香18| 97色色婷婷| 久久99视频| 福利视频在线播放| 九九成人| 久久ri精品| 玖玖婷婷免费| 欧美性色A片免费免费观看的 | 久久人妻伊人| 182TV大香蕉| 91综合色| 色五月在线观看| 99这里有精品视频| 婷婷国产五月天17c| 久草九九| 色婷婷深爱五月| 欧美99| 六月丁香综合999| 五月激情网五月综合网| 日本狠狠爽| 精品爱欲五| 九九热最新视频| 国产精产国品一二三在观看| 九九99在线观看视频| 久色| 色五月色五天色情网址| 96丁香六月婷婷蜜桃综合久久| 天天干电影| 国产看真人毛片爱做A片| 99国产精品久久久久久久久久久 | 久久99久久99久久99人受| 五月丁香综合激情| 综合一本道| 亚洲人妻Av| 天天射天天插天天干| 色 五月 天 婷婷 丁香 九月| 人妻激情视频| 99热精品9| 丁香六月欧美| 99色在线| 激情综合色婷婷啪啪六月天| 五月丁香久久激情综合| 狠狠操之狠狠操| 丁香色情五月综合网站| 久久精品系列| 国产精品美女久久久久AV超清| 国产色香蕉精品五夜婷| 色婷婷777狠狠| 成人五月天在线视频在线观看| 五月婷婷精品视频| 丁香成人五月天| 超碰免费在线| 天天干天天av天天射| 亚洲超级碰| 人人操Av| 色色婷婷五月| 99精品在线观看| 婷婷色五月激情| 婷婷香五月综合激情| www.日本91| 精品一区二区三区免费毛片爱| 六月婷婷综合激情| 国产成人网| 无码区婷婷五月花开| 六月丁香激情网| 99精品成人无码A片观看金桔| 人妻Av在线| 婷婷激情小说网| 五月天婷婷青青| 色五月综合激情| 五月婷婷久久久久| 亚洲久久视频| 色婷婷六月精品| 色色色色五月| 91Chinese在线| 这里只有精品日韩精品| 国产精品色情AAAAA片软件| 亚洲色综合| 五月天激情黄色网址| 久久丁香五月天| 天天操加勒比| 大鸡巴伊人网| 在线成人国产| 色婷婷精品视频| 色色热日| 狼友超碰| 五月天天天开心激情网| 色欲操| ss五月天激情| 色五月色综合| 一级精品999WWW| 亚洲色五月婷婷| 色五月激情五月| av五月丁香婷婷网| 99er这里只有精品视频| 狠狠撸激情综合丁香五月天俺来啦| 热成人网| 日日干夜夜干| www.五月天| 超pen个人视频97| 色欲AVV| 天天久久婷婷| 人妻视频一区而且二区| 婷婷五月色图| 久久9精品| 精品久久二6| 99在线观看这里都是精品 | 丰满熟女人妻一区二区三| 日韩一级片| 欧美情色电影一区二区| 99人人操人人操人人精| 欧美日本99| 五月天色色婷婷| 免费九九热| 99热亚洲精品66| 五月天色丁香| 色五月激情五月| 国产女18毛片多18精品| 激情丁香婷婷六月天| 五月婷丁香久久久| 久久综合五月天| 99色综合| 99丁香五月婷婷在线| 亚洲小视频免费播放| 五月婷免费视频久久久| 99热这里只有免费精品| 婷婷五月花| 九九九九国产| 在线观看中文字幕亚洲| 第四色网婷婷| 99re这里有精品手机在线| 久久婷婷五月天激情| 狠狠爱综合网| 婷婷五月综合色中文字幕| 色婷婷五月天视频在线| 婷婷99视频全集高清| 色之综合网| 天天上天天爽| 婷婷五月激情中文字幕| 婷婷色网站| 国产偷人妻精品一区| 狠狠干最新地址| 99黄色在线视频精品熟女| 伊人狠狠狠综合| 久久婷婷五月免费视频| 五月激情综合网| 狠狠色狠狠爱| 天天色综合综合| 欧美成人精品三区综合A片| 99热免费精品| 天天日夜夜拍| 国产精品成av人在线视午夜片| 综合久久8| 深爱五月激情网| 欧美久久婷婷| 日韩999| 色色色免费视频| 激情淫乱男女| 狼人婷婷综合| 色婷婷9| 综合激情在线视频| 五月激情啪啪啪| 人妻啪啪啪| 久久伦乱| 色婷婷av在线观看| 巴基斯坦粉嫰无码视频| 五月丁香色色色| 色色亚卅| 久久玖玖99| 第五色婷婷| 97sese婷婷| 婷婷九月丁香| 五月婷婷与六月丁香图片激情| 狠狠色大香蕉| 六月丁香色色| 99热精品在线观看| www.夜夜騎夜夜狠| 丁香花五月天婷婷成人社区 | 97在线视频人妻九色| 五月天婷婷基地综合网| 综合亚洲五月天| ..真实国产乱子伦对白在线_欧| 丁香婷在线| 色五月大| 影音先锋一区二区三区| 这里只有九九精品| 99精品激情| 人妻人人操| 欧美六月| 久久久久久久11111111111| 5月婷婷激情网| 日本婷婷在线| 在线日韩视频| 五月婷丁香亚洲| 性爱人人网| 成人AV免费观看| 五月丁了香蕉综合| 久热A片| 五月色婷婷中文字幕| 五月婷在线| 99久久精品国产色欲| 色综合色五月| 午夜无码熟熟妇丰满人妻 | 99热精品中文字幕| 亚洲av网站在线观看| 国产精品大香蕉| 激情五月婷婷老师| 亚洲精品网站色视频| 另类图片五月天婷婷| 丁香久久| 日韩av在线免费观看| 九九九九九九九热| 丁香五月激情宗合网| 婷婷五月天精品| 色色色综合色| 久久性爱网站| 另类A片| caopeng97人人| 婷婷成人五月天| 色色丁香五月天| 。久久久久久久久久久久久久人妻| 无码少妇高潮喷水A片免费| 99热精品9| 天天综合激情| 婷婷色网站| 毛片蕉地一二| 丁香五月 无码| 丁香久久在线| 欧美色综合天天久久综合精品| 中国激情网| 日韩综合网络男女香蕉a片| 五月丁香久久久| 亚洲综合激情五月久久| 99久久6| 五月婷婷,六月丁香| 五月激情婷婷在线| 亚洲色欲AAAAAA| 99这里只有精品国产| 色六月婷婷| 99操视频| 亚洲激情五月婷婷日日| 久久婷婷五月丁香| 中文成人在线| 9999热精品| 久久9RE热视频精品98| 色吊丝av中文字幕| 99热精品在线播放| 26UUU亚洲欧美| 久99久在线| 99er6免费视频热播| 亚洲激情av| 五五月丁香花激情综合网| 丁香婷婷精品视频| 国产性色蜜乳| 丁香婷婷五月| 91热爆在线| 丁香色六月婷婷| 亚洲秘 无码一区二区三区妃光/1| 五月天激情小说| 26uuu国产| 婷婷夜夜操| 日本三级中国三级99人妇网站| 久久99精品视频| 久久激情网| 久久99网| 亚洲情欲| 免费无码毛片一区二区A片| 99玖玖在线视频| 午夜一区| 天天做天天爱高潮片| www狠狠| 色播五月丁香婷婷| 26uuu国产| www.99久| 黄色av高清| 亚洲天堂玖玖| 激情四射五月天偷偷看婷婷| 久久久区区一久久久久久| 五月天色婷婷网| 91综合国免费久入| 亚洲精品白浆高清久久久久久| 久久激情视频| 亚洲AV成人一区二区在线观看| 大香伊人婷婷| 欧美日韩AAAAA| 日韩在线aaa| 久久久久9999| 人人妖人人97| 日韩婷婷五月| 欧美精品18| 涩丁香| 综合激情四射一theav| 久久免费试看120秒| 久月丁香爱婷婷综合| 婷婷va| 久婷| 久久五月情| 狠狠操之狠狠操| 97干在线观看视频| www.五月天激情| 丁香六月啪啪啪| 国产毛片精品一区二区色欲黄A片 极品人妻VIDEOSSS人妻 | 日本五月视频| 五月丁香婷婷综合网| 国产偷人爽久久久久久老妇APP| 日本久久极品| 欧美日韓成人亚洲精品另类| 久久停停超碰| 国产婷婷五月| 丁香五月六月激情| 色色色婷| 色情五月天。| 人人干人人操人人摸| 色色五月婷婷| WWW·色色色·COM| 六月天丁婷婷| 久久这里只有精品视频15| 热的国产99热| 五月天综合婷婷| 97在线日本| 婷婷香蕉| 亚洲成人综合在线| 精品九九在线观看视频| 99热免费在线| 久久看婷婷| 79精品视频在线观看,| 国产一区二区av免费| 丁香五月亚洲激情婷婷射| 色婷婷五月天在线观看| 五月丁香亭亭电影久久| 丁香五月天综合网| 成人av免费观看| av九九| 亚洲成人一区| 大香蕉伊人99| 99这里有精品视频| 538午夜激情| 在线观看av网站| 1024国产在线| 五月天婷五月天综合网小说首页-五月天激激婷婷大综合,婷婷亚洲综合五月天小说 | 婷婷色色网| www.五月天婷婷| 色久婷婷网| 99天天操夜夜操| 99热大片| 99久久婷婷国产综合亚洲| 九六五月天婷婷| 久久久五月天婷婷| 久久色五月| 99视频久久| 婷婷99视频精品| 91视频一起草| 强辱丰满人妻HD中文字幕| 丁香婷婷五月六月天| AV在线免费观看不卡| 五月丁香激情综合网| 視频福利乱色| h亚洲| 超碰99热| 九九成人电影婷婷| 色五月丁香网| 丁香花色色网| 久久五月丁香| 日韩抽插操逼| 丁香五月激情综合| 色婷婷色五月天| 9久久婷婷国产综合精品性色| 丁香五月天视频| 色婷婷六月天在线| 激情綜合網址| 天天操天天爱天天日| 国产精品涩涩涩视频网站 | 五月天婷婷色小说| 99热免费精品| 成人丁香婷婷| 婷婷视频在线| 成人精品在线| 色99免费视频中文| 久久女婷| 天天噜天天插| 亚洲区1| 激情綜合網址| 丁香五月激情月| 婷婷激情啪啪| 亚洲国产精品VA在线看黑人| 色性五月天| 久久婷色| 香蕉五月婷婷| 色偷偷五月天| 日日夜夜综合| 久久五月天综合视频网站| 99在线视频女女视频| 亚洲愉拍99热成人精品| 大香蕉啪啪啪| 日本99色| 五月久久网| 婷婷天堂站| 蜜臀99精品| 99热99热99热99热| 99这里只有精彩视频| 人人操Av| 九月婷婷在线观看| 亚洲天堂色| 天天日天天插| 狠狠综合网| oumeisesewang| 99久久久久久www| 99色视频在线| 婷婷99中文字幕| 久久精热| 欧美婷婷成人| 99视频在线观看网址| 五月天中文网| 天天射天天射一道本日本社区| 丁香五月婷婷激情小说| 色五月激情五月| 亚洲不卡| 天天综合久久| 激情99| 老司机日日夜夜青草| 九色婷婷| 久久只有精| 性一交一乱一交A片久久四色| 大香蕉狠狠爱主页| 好大好粗嗯啊-一级黄色大片免费观看-成人AV | 激情五月天色婷婷| 久久综合激情婷婷激情| 激情久久四色| 99精品自拍视频| 婷婷五月激情网| 色啪影院| a色色色色色| 日韩欧美五月丁综合| 五月天无码| 91肏| 26uuu欧美日韩| 99在线观看视频精品| 五月花综合网| 色噜噜狠狠狠综合曰曰曰| 丁香五月综合在线播放 | 五月婷av| 久婷| 亚洲激情无码久久| 久久久久99精品成人片| 午夜丁香婷婷| 成年人最刺激的综合网| 婷婷五月成人色综合| 综合在线丁香五月| 亚洲99热| 五月婷婷九九热| 天堂五月婷婷| 国产色五月| 开心婷婷五月天激情网| 亚洲激情97五月天| 婷婷五月天激情诱惑| 婷婷性爱五月天| 日本五月天网站| 久久婷五月综合| 开心激情站| 人妻丰满精品一区二区A片| 亚洲这里只有精品| 久久人人妻| 99五丁香月| 青青草原亚洲天堂| 99亚洲色| 婷婷情色五月天| 五月婷婷五月天| 香蕉大综综综合久久| 天天日天天摸天天| 久久永久视频| 啪啪操网| 午夜丁香六月婷| 六月久久婷婷| 亚洲九九99精品视频在线播放| 影音先锋男人女人| 激情综合99| 亚洲欧州色情在线观看| 99ri国产在线| 色色五月激情| 久久久精久人妻| 99热9| 偷拍91九色| 91免费在线视频6| 综合网五月| 91丨九色丨老熟女激情| 天天做天天爱天天爽夜夜揉| 色色A| 九九爱激情| 日本91在线| 天天日天天爽| 人操91在线| 婷婷六月插屄激情| 九九热精品| 麻豆精品| 五月丁香六月激情综合在线| 狠狠操狠狠做| 国产精产国品一二三在观看| 另类在线| 天天日夜夜拍| 97碰在线视频| 综合在线丁香五月| www.yw尤物| 久操福利| 婷婷五月大香蕉| 日本三级大片| 影音先锋色色色资源色资源色| 日本色五月婷婷| 激情五月九九九| 男人天堂亚洲综合| 五月丁香啪啪综合| 五月色网| 狠狠操性爱av| 久久婷婷青青草| 91碰碰| 久久婷婷五月综合色丁香| 日韩久久成人| 色播丁香婷婷五月激情| av网址在线播放| 九九热视频免费的| 伊人九九九久| 五月宗合激情网| 久久婷婷六月综合综合| 婷婷 色 丁香 夜| 色色国产| 草做免费在线观看| 激情丁香久久| 国产激情av| 婷婷五月色综合| 超碰激情网| 色欲av伊人久久大香线蕉影院| 久99| 久久婷婷丁香六月天| 婷婷开心激情| 九色激情| 欧美色色色色色色色| 婷婷精品综合| 五月天婷婷基地| 丰满熟女人妻一区二区三| 日韩黄色中文字幕| 天天色天天日| 欧美日本国产欧美日本韩国99| 五月天激情视频| 欧美日韩大黄| 思思久久久婷婷| 婷婷成人综合| 丁香五月婷婷av| 亚洲美女婷婷五月天| 五月婷婷六月色| 这里只有精品视频99| 亚洲综合视频网| 亚洲啪视频| 久草五月天电影网| 综合色网站| 九久9精品| 深爱开心激情网| 97热九九| 久热一区| 九九视频热| 久热黄色| 青柠影视免费高清电视剧| 99热只有这里有精品| 五月丁香| 日日操日日撸| 色香欲综合| 丁香五月婷婷动漫| 最新久久99视频网站| 婷婷五月天色| 视色综合| 99视频内射三四| 久久免费精彩视频| 97操碰碰无码视频| 色五月视频无码播放| 九 九九九AV| 婷婷亚洲五月| 五月丁香婷在线| 99视频久久| 就去色色五月丁香婷婷久久久| 婷婷视频在线| 男人天堂伊人五月丁香| 婷婷丁香宗合888| 精品9久| 久久六月天| 五月丁香啪综合| 99免费在线| 色在线五月天免费| 人妻操逼视频。| www.久久色.com| 深爱激情六月天| 色五月婷婷综合在线| 五月亚洲| 久热这里只有精品视频免费观看| .操區COm| 色情五月丁香婷婷网| 久久九九@| 久热精品在看| 国产综合丁香五月天| 人妻体体内射精一区二区| 激情网婷婷五月天| 色99网站| 成人精品亚洲性爱| 五月婷婷免费在线视频| 亚洲AAA| 91丨九色丨熟女| 成人资源在线| 日本在线视频www色| 国产免费av网站| 色色色9 9 9| 婷婷丁香五月天大香蕉| 91pornav在线| 国产AV一区二区三区最新精品| 99精品网| 丰满少妇乱A片无码| 免费观看欧美成人AA片爱我多深| 97热91| 婷婷丁香大香蕉| 九九99九九精品视频| 金品在线视频99| 丁香婷婷91在线观看视频| 亚洲永远av在线播放| 久久密臀婷婷| 国产精品操| 五月丁香六月色| 97视频91| 深夜婷婷五月丁香| 色婷婷亚洲精品天天综| 九九色热| 美女婷婷激情亚洲| 123草逼网| 青青久久大香蕉| httpwww色com日本| 《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 | 五月开心网| 国产乱人偷精品人妻A片| αv中文字幕在线观| 丁香婷婷综合影院| 99福利视频导航| 婷婷爱爱蜜臀天天操| 激情宗合哪里能看| 久久久五月婷婷| 色五婷婷在线视频| 欧美槡BBBB槡BBB少妇| 4438亚洲欧美| 婷婷欧美激情| 精典久久| 五月丁香六月合| 99riAv1国产在线观看| 激情色色| 国产精品人妻在线网址| 91艹人| 激情五月丁香在线观看直播| A久久| 可以看的av网站| 日99网站| 激情综合4月| 一起草性爱不卡视频| 爱射综合| 黄色五月婷| 婷婷五月天99| 99自拍视频| 91xxxx九色| 99久久综合网| 久久9视频| 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 | 丁香五月 综合| 天天综合 99久久婷婷| 九九草草逼| 情欲综合网| 激情性爱五月| 99热精品网| 婷婷五月色丁香在线看| 亚洲精品白浆高清久久久久久| 五月六月播婷婷| 国产成人高清| 日韩精品超碰在线观看| 狠狠草狠狠草| 国产91在线视频| 99精品视频在线| 六月丁丁香| 精品久热| 亚洲综合五月天婷婷丁香| 色婷婷呢狠禁久禁| 激情综合五月丁香| 亚洲精品激情| 久久人妻少妇嫩草AV| 综合久久97| 六月丁香五月天| 亚洲妇女熟BBW| 另类A片| 五月丁香婷婷激情视频| 中文字幕无码人妻少妇免费视频| 婷婷激情九月| 91激情五月开心| 五月婷婷性爱网| 丁六月激情| 婷婷综合色图| 超碰色色综合| 综合久久高清| 五月婷婷狠狠干| 亚洲婷婷91丁香| www99久久| 亚州操人在线视频| 久久精品日| 少妇人妻综合色6699| 91丁香综合| 色区域网站视频| 欧美婷婷| 亚洲综合五月天综合| 激情五月天综合网| www.五月天。com| 一点色成人网| 五月丁香六月婷婷玖玖| 五月色亭丁香| 激情五月天开心| 久99久精品视频| 99视频精品在线| 97在线综合| 99热成人精品网站| 国产操碰| 日日做A爰片久久毛片A片英语| RenRenSe在线视频网站| 色吊丝99| 激情视频网址| 99热日本| 亚洲字幕AV一区二区三区四区| 久这里只有精品| 影音先锋91网站在线观看| AV国产有码| 五月天色色色网| 夜夜撸天天日| 大香蕉狠狠爱主页| 国产精品国产| 欧美日韩成人在线网站| 五月丁香福利| 激情婷婷丁香五月| 99在线爽| 色综合五月天| 久久A区B区| 91碰碰视频| 狠狠色丁香| 99aese| 香蕉久久国产av一区二区| 99精品免费| 热久精品| 五月丁香网中文字幕| 99热99美国在线观看| 五月丁香综合啪啪| 久久色五月天激情小说| 五月丁香综合网色欲| 激情五月综合久久| 99热啪啪| 91干视频| 激情色视频| 日日天天天| 日韩色五月| 9九九久久精品无码专区| 久碰视频| www,超碰| 免费精品66| 99热精品在线| 9999热在线观看| 97亚洲视频在线| www.婷婷六月天| 日日操日日爽| 色婷婷成人在线| 久久免费9| 97人人干人人操| 九九亚洲视频| 1010日日无码| 婷婷五月天熟妇| 99热热九九| 色玖玖综合网| 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… | 99视频超级精品| 欧美日本国产欧美日本韩国99| 狠狠色狠狠色综合日日91| 七七色综合| 婷婷五月天久| 另类图片五月天婷婷| 中文不卡av| 91国产精品视频播放| 狠狠色综合网| 啪啪91| 色婷婷成人做爰A片免费看网站 | 丁香六月av| 青青草护士中出内射-欧美电影在线天堂新版| 丁香五月亚洲AV| 五月婷丁香| 久99热在线观看| 色播播五月天| 99性爱视频| 日韩综合久久| 色婷婷五月综合| 高清无码入口| 色婷婷成人做爰A片免费看网站| 国产亚洲精品AAAAAAA片| 色五月成人| 日本少妇裸体做爰高潮片 | 99精品国产在热久久| 碰97 久| 啪啪日热| 久久99久久久| 亚洲五月婷婷| 精品国产va久| 久久精品小视频| 婷婷五月天美女视频| 激情五月天开心总和网| 91干| 北京熟妇搡BBBB搡BBBB | 天天爽天天爽天天爽天天爽天天爽| www.sd-xiangsu.cpm| 欧洲免费视频色| 97色天堂| 婷婷亚洲综合| 九九超碰人人| 91人人操人人爱| 九九人人操| 美女va| 26uuu亚洲欧美| VA色婷婷| 欧洲电影在线观看免费版英语版 | 天天色天天日| 日韩久操婷婷| 亚洲欧洲色色| 丁香婷婷情色五月天| 久久精品这里只有精品免费首页| 五月婷婷亚洲天堂97色婷婷| 久久久久久久久久久97| 噜噜噜噜噜在线| 人人操人人爱丁香五月| 日韩AV大全| 五月丁香狠狠爱婷婷综合| 久热中文字幕| 五月丁香天堂网婷婷| 色色色色色网站| 亚洲最大激情无码| 亚洲人妻av伦理| 伊人五月天久久| 亚洲综合色网站| 色五月婷婷基地| 操操自拍| 婷婷综合性爱网| 99热99在线精品| 婷婷涩五月| 1010日日无码| 久久精彩免费视频| www.久9| 婷香五月网在线| 色婷婷先锋| 五月天大香蕉| 色99日韩| 激情综合五月天| 97在线视频 欧美| 婷婷狠狠久久| 婷婷五月婷婷| 99色色| 狠狠操狠狠操AV| 婷婷色资源| 欧美性色五月天| XX色综合| 日韩99视频| WWW,五月| 最新色色五月天| 99热99美国在线观看| 婷婷五月开心六月AV| 91超碰在线播放| 色色综合激情| 99久久五月丁香野外| 啪到高潮激情丁香五月| 国产精品成av人在线视午夜片| 蜜桃婷婷五月| 五月婷婷与六月丁香图片激情| 日韩综合久| www,色婷婷| AV大片在线观看| 五月婷婷激情四月| 婷婷五月激情视频网| 亚洲丁香五月在线观看| AV大香蕉| 欧美激情五月综合| 五月丁香六月婷婷啪啪| 色欲AVV| 俺去也在线官网| 中文毛片无遮挡高潮免费| 久热这里有精品视频| 丁香婷婷基地| 婷久久| 丁香五月激情综合| 日本久热| 五月婷婷性爱| 狠狠看狠狠| 色情终和网| 五月天激情.com| 色婷婷色综合| 五月丁香六月成人| 亚洲成人免费电影| 婷婷五月成人| 色综合中文| 亚洲中文字幕在线观看| 亚洲五月丁| 免费一区二区三区| 欧美婷婷五月天综合| 久久五月天激情| 亚洲欧美国产A片免费观看| 九九在线这里只有精品视频| 色五月大| 狠狠穞A片一區二區三區| 26UUU精品一区二区c〇m| 99日本视频| 久久婷婷精品| 婷婷五月综合激情免费视频| 婷婷刺激综合| 丁香六月激情综合| 五月天婷婷色小说| 亚洲成Av人片乱码色第1集| 久久婷婷亚洲| 草AV9999| 五月婷婷日本| 99国产精品久久久久久久久久久| 婷婷激情社区| 国产亚洲色婷婷99精品| 99久久偷拍视频| 久久综合丁香激情五月| 色天天综合成人网| 日韩无码专区| 超碰丁香五月| 极品少妇XXXX精品少妇偷拍| 成人电影AV在线观看| a v色婷婷| 操碰97| 婷婷香蕉香| 色五月婷婷丁香五月| 人妻操逼视频| 人妻久久久久久久久妻久久久久| 99爱爱网| 久久色大香蕉| 激情五月天婷婷五月天| 久久久久思思热| 人人操 色| 成人免费120分钟啪啪| 夜夜躁婷婷AV| 久久这里有精品视频| 成人AV在线网站| 亚洲狠狠终合停停终合| 91人人爽狠狠狠| 亚洲第一第二网站| 天天插夜夜爽| 色色色色热热| 黄网免费看| 久Se视频在线观看| 婷婷爱五月| 亚洲综合碰| 大香蕉AV电影在线| 成人综合网站| 97在线视频观看| 九九青草热| 婷婷综合网站| 丁香色啪综合| 婷五月丁香俺| 婷婷综合激情| 第五婷婷伊人丁香色| 爆乳熟女一区二区三区爆乳| 在线播放 精品| 九九热最新| 97色色色| 丁香六月色婷婷综合| 五月天激情中文字幕| 欧美黑人巨大猛烈cuckold| 激情久久久| 色99免费视频中文| 婷婷五月,偷窥偷拍网| 欧美日韩成人在线网| 琪琪色影音先锋| www九月婷婷| 丁香狠狠操| 综合99久久天天综合| 在线看片av| 亚洲中文字幕AV| 五月天色狠狠| 天堂AV三级| 激情五月婷婷| 五月丁香六月欧美综合| 五月婷婷丁香五月婷婷| 激情婷婷色五月| 国产激情综合五月久久| 99自拍视频网站| 久热69| 色婷婷国产精品综合在线观看| 久9久9久9久9久9久9| 伊人激情影院| 俺也去五月婷婷丁| 五月婷婷丁香五月| 99久视频| 久热这里这里有精品| 久久这里99| 亚洲色另类| 中文字幕 码精品视频网站| 另类激情五月| 色色亚洲| 久久丁香婷| 91要啪| 色婷婷色五月丁香| 久草性爱| 久久人妻精品| 韩国中文字幕91| 五月丁香毛片| 亚洲精品乱码久久久久久综合| 99热这里只有精品21| 亚洲热热视频| 六月综合婷婷开心伊人| 天天色情站| 日本毛片内射| 婷婷五月天无码视频| 五月性色| 另类少妇人与禽zOZZ0性伦| 色99超碰| 激情综合女人网五月播播| 丁香婷婷色五月天| 亚洲免费婷婷| 中文字幕亚洲-区久久99婷婷| 欧美色99| 婷婷五月天免费视频| 五月天婷婷激情小说电影| 久久精品熟女亚洲AV麻豆| 天天综合91入口| 天天爽天天爽夜夜爽| 亚洲色综合| 五月综合激情图片 | 操精品9| 色情婷婷。| 米奇影视资源777狠狠色婷婷五月天激情网| 六月婷婷八月丁香| 亚洲AV日韩在线观看| 99色啊| 亚洲黄色影视| 男人的天堂在线婷婷| 狠狠操天天操综合| 青草五月天| 人伦30P| 五月婷婷色播| 超碰爱爱爱| 亚洲激情精品| 久久九九色| 久久久99免费视频| 99热激情| 狠狠色婷婷丁香五月| 五月天久久丁香| 色狠狠色综合久久久绯色aⅴ影视| 99热欧美在线观看| 五月亭亭开心网| 激情婷婷五月天| 老司机伊人| 国产一级视频a| 亚洲视频色色| 天天插综合| 色色色区| 色碰碰| 日本 欧美在线| 激情综合色图| 97人人操人| 欧美一级操逼视频| 伊人五月天久久| 丁香丝袜五月| 亚洲av另类在线观看| 米奇影视资源婷婷狠狠色激情欧美五月丁香| 伊人久久婷婷| 色五月91| 午夜一区| 久久婷婷五月综合色播| 97精品人人A片免费看| 婷婷深爱网| 婷婷五月天性爱视频| 夜夜操狠狠操| 久久婷婷伊人| 开心五月婷婷激情| 色综合五月在线| 色播色丁香五月| 五月花免费视频| 97五月久久丁香婷婷| 欧美25p| 第六色在线| AV在线不卡播放| 激情 婷婷 丁香五月天| 久久婷婷网址| 五月天六月婷| 色欲九区| 五月天激情综合| 五月丁香婷婷激情久久| 91操黄| 成人色图情色成人网 www.5b5b5bcom 五月天 | 日日操,夜夜撸| 神马久久五月天| 青草五月天| 久久99热免费| 69久久久| 成人日韩欧美| 丁香婷婷久久综合在线| 婷婷五月激情欧美| 久热超碰| 自拍盗摄 另类| 日韩av网站在线观看| 丁香五月在线自慰| 五月丁香爱婷婷深深| 九月丁香八月婷婷加勒比| 1024操逼视频| 深爱激情久久| 国产熟女大叫受不了| 大香蕉久艹| 狠狠久综合| 激情五月丁香婷婷夜夜操| 欧在线一区| 精品久久99码| 婷婷五月天激情在线| 五月婷婷色播视频| 免费看欧美成人A片无码| 思思热在线免费视频| 婷婷大香蕉| 超碰色女人| 99婷婷精品推荐在线视频| 51XX午夜影福利| 狠狠干综合网| 激情婷婷内射| 亚洲天堂爱爱| 人妻日日日| 97人人干| 综合色五月| 玖久精品视频9| 婷婷5月色| 日本在线视频www色| 国产a视频| 六月婷婷激情| 大香蕉人妻| 婷婷五月中文在线视频| 日韩精品超碰在线观看| 思思热99er| 99久久综合狠狠综合久久| 另类少妇人与禽zOZZ0性伦| 超碰人人艹| 免费观看的av| 婷婷五月婷婷五月| 色五月婷婷亚洲最大| 香蕉婷婷| 色婷小说| 热日韩欧美| 激情色五月天| 丁香六月丁香婷婷激情| 免费视频WWW在线观看网站| 欧美99| 久久久久人妻| 亚洲精品成人| 日本久久天堂| 人妻中文在线| 九九成人| 久久婷婷丁香| 五月婷婷啪啪啪| 99精品在线观看| 五月丁香六月激情综合| 五月精品| 久久久性爱视频| 丁香五月婷婷六月| 丁香五月天五码婷婷| 婷婷五月天日逼| 婷婷久久综合久| 97色色色| 色婷丁香五月| 99热国内| 99色激| 久久视屏这里只有久久| 五月丁香花激情综合网| 色婷婷亚洲| 婷婷激情丁香五月婷婷激情丁香五月婷婷| 丁香六月天AV| 丁香综合伊人AV| 婷婷色五月色| 女人天堂AV| 激情丁香五月天图片| 丁香婷停五月激情综合深爱| 色婷婷综合五月| 天天干天天玩天天夜天天射天天操天天日蜜臀少妇 | 五月丁香综合网色欲| 亚洲激情五月婷婷日日| 亚洲欧美999| 综激情网| 欧美S码亚洲码精品M码| 97自拍视频网| 青青草Avb在线| 婷婷激情在线| 色小说婷婷五月天天天| 另类激情网| 婷婷久久综合| 五月天激情婷婷| 99在线视频精品| 久操综合| 色综合久久之分久久| 欧美VA视频| 久久五月视频| 色情免费视频播放| 久久99热这里只频精品6学生| 色99色| www.无码com| 丁香五月综合福利视频导航| 亚洲婷婷五月天| 99色综合| 69人人操人人爽| 超碰在线国产| 婷婷五月六月| 天天爽天天操| 激情婷婷九月| 狼人狠狠操| 九九这里精品| 夜夜躁爽日日| 在线成人av播放| 中文网AV| 97热精品| 丁香99| 五月天天天开心激情网| 五月婷综合| anquye伊人| 天天噜| 逼特逼在线免费播放| 人人操91|