1.本发明涉及信息
技术领域：
：，特别是涉及一种数据增强方法、装置、电子设备及存储介质。
背景技术：
：：2.目前，在模型的训练过程中，为了提高模型的精度往往需要场景覆盖面足够广泛的大量样本图像数据进行模型的训练。而在实际使用过程中，由于充足的样本图像数据获取需要消耗极大的时间、人力成本，所以获取的样本图像数据数量往往很有限。3.然而，当前在通过数量增强生成样本图像数据的过程中，往往是通过人工进行样本图像数据的增强。通过人工方式，不但需要依赖开发人员的经验难以获得精准的样本图像数据，而且需要消耗大量的人力资源，效率也往往较低，难以获得亮度场景全覆盖的样本图像数据。技术实现要素：4.本发明实施例的目的在于提供一种数据增强方法、装置、电子设备及存储介质，用以解决现有技术中难以获得亮度场景全覆盖的样本图像数据的问题。5.具体技术方案如下：6.本技术实施的第一方面，提供了一种数据增强方法，包括：7.获取待处理图像集，其中，所述待处理图像集中包括至少一张待处理图像；8.识别所述待处理图像集的应用场景；9.获取所述应用场景对应的历史图像集的目标亮度范围，其中，所述目标亮度范围的下限为所述历史图像集中各图像亮度的最小值，上限为所述历史图像集中各图像亮度的最大值；10.根据所述目标亮度范围对所述待处理图像集中的各所述待处理图像的亮度进行调整，得到调整后的图像。11.可选的，所述根据所述目标亮度范围对所述待处理图像集中的各所述待处理图像的亮度进行调整，得到调整后的图像，包括：12.计算所述待处理图像集中各所述待处理图像的亮度值；13.根据识别得到的各所述待处理图像的亮度值和所述目标亮度范围，计算得到所述待处理图像集的亮度调整范围；14.根据所述待处理图像集的亮度调整范围对各所述待处理图像的亮度进行调整，得到调整后的图像。15.可选的，所述根据识别得到的各所述待处理图像的亮度值和所述目标亮度范围，计算得到所述待处理图像集的亮度调整范围，包括：16.统计识别得到的各所述待处理图像的亮度值，得到所述待处理图像集的当前亮度范围；17.计算所述当前亮度范围和所述目标亮度范围之差，得到所述待处理图像集的亮度调整范围。18.可选的，所述根据所述目标亮度范围对所述待处理图像集中的各所述待处理图像的亮度进行调整，得到调整后的图像，包括：19.从所述目标亮度范围中选取多个亮度值作为目标亮度值；20.针对每一目标亮度值，将所述待处理图像集中的各所述待处理图像的亮度调整至该目标亮度值，得到该目标亮度值对应的调整后的图像。21.可选的，所述从所述目标亮度范围中选取多个亮度值作为目标亮度值，包括：22.根据预设亮度跨度值，从所述目标亮度范围的起始亮度开始每间隔所述预设亮度跨度值选取一个亮度值，并将选取的亮度值作为所述目标亮度值。23.可选的，所述针对每一目标亮度值，将所述待处理图像集中的各所述待处理图像的亮度调整至该目标亮度值，得到该目标亮度值对应的调整后的图像，包括：24.计算各所述目标亮度对应的目标对比度；25.针对每一目标亮度值，将所述待处理图像集中的各所述待处理图像的亮度调整至该目标亮度值，并将对比度调整至该目标亮度值对应的目标对比度，得到该目标亮度值对应的调整后的图像。26.可选的，所述获取所述应用场景对应的历史图像集的目标亮度范围，包括：27.根据所述应用场景获取对应的历史图像集；28.计算所述历史图像集中各历史图像的亮度值；29.根据计算得到的各所述历史图像的亮度值，通过预设算法计算得到所述历史图像集的目标亮度范围。30.可选的，所述计算所述历史图像集中各历史图像的亮度值，包括：31.将所述历史图像集中各所述历史图像转化为对应的灰度图；32.计算各所述灰度图的亮度值，并将计算得到的各所述灰度图的亮度值作为各所述历史图像的亮度值。33.可选的，所述历史图像集中各所述历史图像为rgb格式的图像，所述计算所述历史图像集中各历史图像的亮度值，包括：34.分别计算所述历史图像集中各所述历史图像对应红、绿、蓝三通道的亮度值；35.根据计算得到的各所述历史图像对应红、绿、蓝三通道的亮度值，计算得到各所述历史图像的亮度值。36.可选的，所述根据计算得到的各所述历史图像的亮度值，通过预设算法计算得到所述历史图像集的目标亮度范围，包括：37.根据计算得到的各所述历史图像的亮度值，将所述历史图像集中的各所述历史图像划分到多个预设亮度区间中；38.分别计算每一所述预设亮度区间中历史图像的数量占所述历史图像集中历史图像总数量的比例；39.选取所述多个预设亮度区间中对应的比例大于预设阈值的亮度区间，得到目标亮度区间；40.基于所述目标亮度区间的目标亮度范围，计算得到所述历史图像集的目标亮度范围。41.可选的，所述根据所述目标亮度范围对所述待处理图像集中的各所述待处理图像的亮度进行调整，得到调整后的图像之后，所述方法还包括：42.通过所述调整后的图像对待训练的网络模型进行训练，得到训练好的网络模型。43.本技术实施的第二方面，提供了一种数据增强装置，包括：44.图像获取模块，用于获取待处理图像集，其中，所述待处理图像集中包括至少一张待处理图像；45.场景识别模块，用于识别所述待处理图像集的应用场景；46.亮度范围获取模块，用于获取所述应用场景对应的历史图像集的目标亮度范围，其中，所述目标亮度范围的下限为所述历史图像集中各图像亮度的最小值，上限为所述历史图像集中各图像亮度的最大值；47.亮度调整模块，用于根据所述目标亮度范围对所述待处理图像集中的各所述待处理图像的亮度进行调整，得到调整后的图像。48.可选的，所述亮度调整模块，包括：49.亮度识别子模块，用于计算所述待处理图像集中各所述待处理图像的亮度值；50.亮度统计子模块，用于根据识别得到的各所述待处理图像的亮度值和所述目标亮度范围，计算得到所述待处理图像集的亮度调整范围；51.调整范围计算子模块，用于根据所述待处理图像集的亮度调整范围对各所述待处理图像的亮度进行调整，得到调整后的图像；52.可选的，所述亮度统计子模块，包括：当前亮度范围获取单元，用于统计识别得到的各所述待处理图像的亮度值，得到所述待处理图像集的当前亮度范围；亮度调整范围获取单元，用于计算所述当前亮度范围和所述目标亮度范围之差，得到所述待处理图像集的亮度调整范围；53.可选的，所述调整范围计算子模块，还包括：目标亮度值选取子模块，用于从所述目标亮度范围中选取多个亮度值作为目标亮度值；目标亮度值调整子模块，用于针对每一目标亮度值，将所述待处理图像集中的各所述待处理图像的亮度调整至该目标亮度值，得到该目标亮度值对应的调整后的图像；54.可选的，所述目标亮度值选取子模块，具体用于根据预设亮度跨度值，从所述目标亮度范围的起始亮度开始每间隔所述预设亮度跨度值选取一个亮度值，并将选取的亮度值作为所述目标亮度值；55.可选的，所述目标亮度值调整子模块，包括：目标对比度计算单元，用于计算各所述目标亮度对应的目标对比度；目标对比度调整单元，用于针对每一目标亮度值，将所述待处理图像集中的各所述待处理图像的亮度调整至该目标亮度值，并将对比度调整至该目标亮度值对应的目标对比度，得到该目标亮度值对应的调整后的图像；56.可选的，所述亮度范围获取模块，包括：历史图像获取子模块，用于根据所述应用场景获取对应的历史图像集；历史目标亮度范围计算子模块，用于计算所述历史图像集中各历史图像的亮度值；目标亮度范围计算子模块，用于根据计算得到的各所述历史图像的亮度值，通过预设算法计算得到所述历史图像集的目标亮度范围；57.可选的，所述历史目标亮度范围计算子模块，包括：灰度图转化单元，用于将所述历史图像集中各所述历史图像转化为对应的灰度图；灰度图计算单元，用于计算各所述灰度图的亮度值，并将计算得到的各所述灰度图的亮度值作为各所述历史图像的亮度值；58.可选的，所述历史图像集中各所述历史图像为rgb格式的图像；所述历史目标亮度范围计算子模块，还包括：三通道亮度获取单元，用于分别计算所述历史图像集中各所述历史图像对应红、绿、蓝三通道的亮度值；三通道亮度计算单元，用于根据计算得到的各所述历史图像对应红、绿、蓝三通道的亮度值，计算得到各所述历史图像的亮度值；59.可选的，所述目标亮度范围计算子模块，包括：亮度区间划分单元，用于根据计算得到的各所述历史图像的亮度值，将所述历史图像集中的各所述历史图像划分到多个预设亮度区间中；亮度区间计算单元，用于分别计算每一所述预设亮度区间中历史图像的数量占所述历史图像集中历史图像总数量的比例；亮度区间选取单元，用于选取所述多个预设亮度区间中对应的比例大于预设阈值的亮度区间，得到目标亮度区间；目标亮度范围计算单元，用于基于所述目标亮度区间的目标亮度范围，计算得到所述历史图像集的目标亮度范围；60.可选的，所述装置还包括：模型训练模块，用于通过所述调整后的图像对待训练的网络模型进行训练，得到训练好的网络模型。61.本技术实施例的另一方面，还提供了一种电子设备，包括处理器、通信接口、存储器和通信总线，其中，处理器，通信接口，存储器通过通信总线完成相互间的通信；62.存储器，用于存放计算机程序；63.处理器，用于执行存储器上所存放的程序时，实现上述任一数据增强方法。64.本技术实施例的另一方面，还提供了一种计算机可读存储介质，所述计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一数据增强方法。65.在本发明实施的又一方面，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述任一数据增强方法。66.本发明实施例有益效果：67.本发明实施例提供的一种数据增强方法、装置、电子设备及存储介质，可以获取待处理图像集，其中，所述待处理图像集中包括至少一张待处理图像；识别所述待处理图像集的应用场景；获取所述应用场景对应的历史图像集的目标亮度范围；根据所述目标亮度范围对所述待处理图像集中的各所述待处理图像的亮度进行调整，得到调整后的图像。通过待处理图像集的应用场景获取对应的历史图像集的目标亮度范围，由于其中目标亮度范围的下限为所述历史图像集中各图像亮度的最小值，上限为所述历史图像集中各图像亮度的最大值，则可以得到覆盖亮度场景的亮度值，从而根据目标亮度范围对待处理图像集中的待处理图像进行亮度的调整，得到亮度场景全覆盖的样本图像数据，从而不但可以获取多个调整后的图像实现数据增强，还可以降低人工成本，提高数据增强的效率和模型的训练效率。68.当然，实施本发明的任一产品或方法并不一定需要同时达到以上所述的所有优点。附图说明69.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的实施例。70.图1为本技术实施例提供的数据增强方法的一种流程示意图；71.图2为本技术实施例提供的对待处理图像的亮度进行调整的流程示意图；72.图3为本技术实施例提供的获取历史图像集的目标亮度范围的流程示意图；73.图4为本技术实施例提供的获取亮度值分布范围的一种流程示意图；74.图5为本技术实施例提供的数据增强方法的另一种流程示意图；75.图6为本技术实施例提供的数据增强装置的一种结构示意图；76.图7为本技术实施例提供的电子设备的一种结构示意图。具体实施方式77.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员基于本技术所获得的所有其他实施例，都属于本发明保护的范围。78.本技术实施例的第一方面，首先提供了一种数据增强方法，包括：79.获取待处理图像集，其中，待处理图像集中包括至少一张待处理图像；80.识别待处理图像集的应用场景；81.获取应用场景对应的历史图像集的目标亮度范围，其中，目标亮度范围的下限为历史图像集中各图像亮度的最小值，上限为历史图像集中各图像亮度的最大值；82.根据目标亮度范围对待处理图像集中的各待处理图像的亮度进行调整，得到调整后的图像。83.可见，本技术实施例的方法，可以通过待处理图像集的应用场景获取对应的历史图像集的目标亮度范围，从而根据目标亮度范围对待处理图像集中的待处理图像进行亮度的调整，得到亮度场景全覆盖的样本图像数据，从而不但可以获取多个调整后的图像实现数据增强，还可以降低人工成本，提高数据增强的效率和模型的训练效率。84.具体的，参见图1，图1为本技术实施例提供的数据增强方法的一种流程示意图，包括：85.步骤s11，获取待处理图像集。86.其中，待处理图像集中包括至少一张待处理图像。本技术实施例中的待处理图像集可以为需要进行数据增强的原始图像集。例如，当本技术实施例的方法应用于人脸识别模型的训练时，待处理图像为样本人脸图像。其中，本技术实施例中的待处理图像可以是多种格式的图像，例如，可以是jpeg(jointphotographicexpertgroup)、bmp(bitmap)、png(portablenetworkgraphics)等。87.本技术实施例的方法应用于智能终端，可以通过智能终端实施，具体的，该智能终端可以是用于进行网络模型的训练的智能终端，也可以是该智能终端仅用于进行图像的增强，并在进行数据增强后可以将增强后的图像导入到用于进行网络模型的训练的设备，进行训练。其中，该智能终端可以是电脑、服务器等。88.步骤s12，识别待处理图像集的应用场景。89.其中，本技术实施例中的待处理图像集可以是用于指定应用场景的图像集，即待处理图像集中的每一待处理图像的应用场景均相同。待处理图像集的应用场景可以包括待处理图像集的应用领域，或作用等。例如，待处理图像集用于进行人脸识别模型的训练时，待处理图像集的应用场景可以人脸识别模型的训练，再例如，待处理图像集用于进行对象分类模型的训练时，待处理图像集的应用场景可以为对象分类模型的训练。90.其中，待处理图像集可以预先标注有对应的应用场景，在识别待处理图像集的应用场景时，可以通过直接识别标注应用场景的方式，得到待处理图像集的应用场景。或，通过识别待处理图像的内容，确定对应的应用场景。具体的，该应用场景可以是指待处理图像集的用途，例如，当待处理图像均为人脸图像，可以识别出待处理图像集应用于人脸识别模型的训练，即，待处理图像集的应用场景为人脸识别模型的训练。再例如，当待处理图像中均包括特定目标时，可以识别出待处理图像集应用于目标识别模型。在实际使用过程中还可以通过人工输入的方式确定待处理图像的应用场景，例如，在进行数据增强之前，用户通过手动输入待处理图像集的应用场景。91.步骤s13，获取应用场景对应的历史图像集的目标亮度范围。92.其中，目标亮度范围的下限为所述历史图像集中各图像亮度的最小值，上限为所述历史图像集中各图像亮度的最大值。本技术实施例中的待处理图像集可以是用于指定应用场景的图像集，即待处理图像集中的每一待处理图像的应用场景均相同，获取应用场景对应的历史图像集的目标亮度范围，可以获取该应用场景对应的历史图像集的目标亮度范围。具体的历史图像集可以是预先创建的数据集，如，第三方建立的数据集，也可以是根据用户自身的历史训练任务建立的数据集，例如，对每次模型的训练任务所使用到的样本图像进行保存并建立数据集。93.其中，历史图像集的目标亮度范围可以是预先计算得到的目标亮度范围，例如，预先计算不同应用场景对应的目标亮度范围并存储，在获取应用场景对应的历史图像集的目标亮度范围时，可以根据待处理图像的应用场景从预先存在的多个待处理图像集对应的目标亮度范围中，查找当前应用场景对应的目标亮度范围。也可以预先建立应用场景与历史图像集之间的对应关系，获取应用场景对应的历史图像集的目标亮度范围，可以获取应用场景对应的历史图像集，然后根据获取到的图像集计算对应的目标亮度范围。具体的，根据获取到的图像集计算对应的目标亮度范围，可以通过获取获取到的图像集中的每一张图像的亮度值，然后根据获取到的亮度值94.步骤s14，根据目标亮度范围对待处理图像集中的各待处理图像的亮度进行调整，得到调整后的图像。95.可选的，根据识别得到的各待处理图像的亮度值和目标亮度范围，计算得到待处理图像集的亮度调整范围，包括：统计识别得到的各待处理图像的亮度值，得到待处理图像集的当前亮度范围；计算当前亮度范围和目标亮度范围之差，得到待处理图像集的亮度调整范围。本技术实施例中，计算当前亮度范围和目标亮度范围之差，可以计算当前亮度范围和目标亮度范围交集，然后通过目标亮度范围减去计算得到的交集，得到亮度调整范围。一个例子中，本技术实施例中的目标亮度范围包含当前亮度范围。例如，识别到的各待处理图像的亮度值分别为3、4、5，则当前亮度范围为3～5，目标亮度范围为3～7，则计算当前亮度范围和目标亮度范围之差，可以计算得到当前亮度范围和目标亮度范围的交集为3～5，然后通过目标亮度范围减去交集得到的待处理图像集的亮度调整范围为5～7。再例如，当当前亮度范围为3～5，目标亮度范围为1～7，则计算当前亮度范围和目标亮度范围之差，得到的待处理图像集的亮度调整范围为1～3和5～7。96.可选的，根据目标亮度范围对待处理图像集中的各待处理图像的亮度进行调整，得到调整后的图像，包括：从目标亮度范围中选取多个亮度值作为目标亮度值；针对每一目标亮度值，将待处理图像集中的各待处理图像的亮度调整至该目标亮度值，得到该目标亮度值对应的调整后的图像。97.其中，根据目标亮度范围对待处理图像集的亮度进行调整，可以对待处理图像进行亮度增大或减小，得到调整后的图像。98.可选的，从目标亮度范围中选取多个亮度值作为目标亮度值，包括：根据预设亮度跨度值，从目标亮度范围的起始亮度开始每间隔预设亮度跨度值选取一个亮度值，并将选取的亮度值作为目标亮度值。例如，可以预设设定亮度跨度，在根据目标亮度范围对待处理图像集中的各待处理图像的亮度进行调整时，从目标亮度范围的起始亮度开始，每隔一个亮度跨度取一个亮度值作为目标亮度值，将待处理图像的亮度调整至该目标亮度值生成一张调整后的图像，通过选取多个目标亮度值得到多张调整后的图像。当待处理图像的亮度值与选取的目标亮度值相同时，可以不进行亮度的调整。例如，针对某一张待处理图像亮度值为5，目标亮度范围为5～7，通过亮度跨度1可以选取三个目标亮度值：5、6、7，将待处理图像的亮度分别调整至每一目标亮度得到一张图像，可以得到目标亮度值：5、6、7分别对应的图像，共三张图像。一个例子中，可以预先设定预期生成的调整后的图像的数量，在根据目标亮度范围对待处理图像集中的各待处理图像的亮度进行调整时，根据该数量对目标亮度范围进行等分，得到对应的多个预期亮度，然后将待处理图像的亮度调整至该多个预期亮度，得到多个调整后的图像。例如，针对某一张待处理图像亮度值为5，目标亮度范围为5～7，预先设定需要生成三张图像，可以对目标亮度范围进行三等分，得到目标亮度值：5、6、7，将待处理图像的亮度分别调整至每一目标亮度得到一张图像，可以得到目标亮度值：5、6、7分别对应的图像，共三张图像。99.一个例子中，根据目标亮度范围对待处理图像集中的各待处理图像的亮度进行调整，可以通过亮度和对比度联合调整的方法进行调整。可选的，针对每一目标亮度值，将待处理图像集中的各待处理图像的亮度调整至该目标亮度值，得到该目标亮度值对应的调整后的图像，包括：计算各目标亮度对应的目标对比度；针对每一目标亮度值，将待处理图像集中的各待处理图像的亮度调整至该目标亮度值，并将对比度调整至该目标亮度值对应的目标对比度，得到该目标亮度值对应的调整后的图像。其中，计算各目标亮度对应的目标对比度可以通过预先设定不同亮度与对比度之间的对应关系，在计算各目标亮度对应的目标对比度时，可以通过该对应关系进行计算，得到目标对比度，并进行对比度的调整。由于仅做亮度调整进行数据增强的方式，可能会导致实际增强出来的数据过曝或欠曝；仅做对比度调整进行数据增强，无法做到目标亮度范围内连续值增强。100.在实际使用过程中，根据目标亮度范围对待处理图像集中的各待处理图像的亮度进行调整，可以选择对整个待处理图像集中的所有待处理图像全部进行亮度调整，或仅对其中的一部分进行调整。例如，可以从多个待处理图像集中随机抽取预设比例的待处理图像，然后根据目标亮度范围对抽取的预设比例的待处理图像的亮度进行调整，得到调整后的图像。101.可选的，根据目标亮度范围对待处理图像集中的各待处理图像的亮度进行调整，得到调整后的图像之后，上述方法还包括：通过调整后的图像对待训练的网络模型进行训练，得到训练好的网络模型。例如，当本技术实施例的方法应用于对人脸识别模型的样本图像进行数据增强，可以通过对当前的样本图像进行亮度的调整，得到调整后的样本图像，然后将调整后的样本图像输入到待训练的人脸识别模型中，进行人脸识别模型的训练，得到训练好的人脸识别模型。具体的训练过程可以包括：将调整后的样本图像输入到待训练的人脸识别模型中；通过待训练的人脸识别模型对输入的样本图像进行识别，得到识别结果；根据识别结果计算待训练的人脸识别模型当前的损失；根据当前损失对待训练的人脸识别模型进行参数调整，并返回将将调整后的样本图像输入到待训练的人脸识别模型中的步骤继续执行，直至当前损失小于预设阈值，得到训练好的人脸识别模型。其中，通过调整后的图像对待训练的网络模型进行训练，得到训练好的网络模型，可以将调整后的图像与原待处理图像合并后得到新的训练集进行待训练网络模型的训练，输出训练好的网络模型。本技术实施例中待训练的网络模型可以是多种网络模型，比如：tensorflow(一种基于数据流编程的符号数学系统)、pytorch(一种开源的python机器学习库)、caffe(convolutionalarchitectureforfastfeatureembedding，卷积神经网络框架)等训练框架的网络模型。通过本技术实施例的方法进行数据增强，然后通过增强后的数据对待训练的网络模型进行训练，可以扩大训练集数据亮度覆盖范围，且增强训练效率，实现训练好的网络模型对各种亮度情况都有很好的检出性能。102.由于本技术实施例中目标亮度范围为根据待处理图像的应用场景对应的历史图像所确定的，因此，通过根据该目标亮度范围对待处理图像的亮度进行调整，可以保证调整后的图像满足当前的应用场景，不会出现亮度太大或太小，以及调整后的图像的目标亮度范围不能满足当前应用场景的要求的情况，从而不但可以实现待处理图像的亮度的自动调整，还可以保证调整后的图像满足应用场景的需求。103.可见，通过本技术实施例的方法，可以通过待处理图像集的应用场景获取对应的历史图像集的目标亮度范围，从而根据目标亮度范围对待处理图像集中的待处理图像进行亮度的调整，得到亮度场景全覆盖的样本图像数据，从而不但可以获取多个调整后的图像实现数据增强，还可以降低人工成本，提高数据增强的效率和模型的训练效率。104.可选的，参见图2，步骤s14根据目标亮度范围对待处理图像集中的各待处理图像的亮度进行调整，得到调整后的图像，包括：105.步骤s141，计算待处理图像集中各待处理图像的亮度值；106.步骤s142，根据识别得到的各待处理图像的亮度值和目标亮度范围，计算得到待处理图像集的亮度调整范围；107.步骤s143，根据待处理图像集的亮度调整范围对各待处理图像的亮度进行调整，得到调整后的图像。108.其中，本技术实施例中，计算待处理图像集中各待处理图像的亮度值，可以通过识别待处理图像中各像素点的亮度值，统计识别到的各像素点的亮度值，然后通过计算平均值的方式计算得到待处理图像的亮度值；或，将待处理图像转化为对应的灰度图；通过计算对应的灰度图的亮度值的方法，得到待处理图像的亮度值；或，分别计算待处理图像集中各待处理图像对应红、绿、蓝三通道的亮度值；根据待处理图像集中各待处理图像对应红、绿、蓝三通道的亮度值，通过计算平均值的方法，计算得到各待处理图像的亮度值；或，将待处理图像集中各待处理图像由rgb(红、绿、蓝)色彩空间转换为目标色彩空间；计算待处理图像集中各待处理图像转换到目标色彩空间后的亮度值；将待处理图像集中各待处理图像转换到目标色彩空间后的亮度值，作为待处理图像集中各待处理图像的亮度值。具体的，目标色彩空间可以是hsl(hue，saturation，lightness)色彩空间、hsv(hue，saturation，value)色彩空间等。109.其中，根据识别得到的各待处理图像的亮度值和目标亮度范围，计算得到待处理图像集的亮度调整范围，然后根据待处理图像集的亮度调整范围对各待处理图像的亮度进行调整，得到调整后的图像。例如，当历史图像集的目标亮度范围为1～5，而待处理图像的亮度值为2时，可以根据二者数据集的亮度差值范围进行亮度调整，如，根据识别得到的各待处理图像的亮度值和目标亮度范围，计算得到待处理图像集的亮度调整范围为-1～3，当预设跨度为1时，调整的亮度分别为-1，0，1，2，3，则可以对待处理图像数据集中的每一张图像进行亮度的调整，则针每一张待处理图像可以得到5张调整后的图像，即针对每一张待处理图像，分别进行亮度减小1、亮度保持不变、亮度增加1、亮度增加2，亮度增加3从而得到5张调整后的图像。110.可见，通过本技术实施例的方法，可以计算待处理图像集中各待处理图像的亮度值，根据识别得到的各待处理图像的亮度值和目标亮度范围，计算得到待处理图像集的亮度调整范围，根据待处理图像集的亮度调整范围对各待处理图像的亮度进行调整，得到调整后的图像。从而实现待处理图像的亮度的自动调整，得到调整后的图像，从而实现待处理图像的数据增强。111.可选的，参见图3，步骤s13获取应用场景对应的历史图像集的目标亮度范围，包括：112.步骤s131，根据应用场景获取对应的历史图像集；113.步骤s132，计算历史图像集中各历史图像的亮度值；114.步骤s133，根据计算得到的各历史图像的亮度值，通过预设算法计算得到历史图像集的目标亮度范围。115.根据应用场景获取对应的历史图像集，可以根据应用场景对预设图像库中各图像进行应用场景的识别，得到对应的历史图像集。也可以预先对不同应用场景的图像进行分类，并存储，当根据应用场景获取对应的历史图像集时，可以根据待处理图像集的应用场景从预先存储的图像中选取对应的历史图像集。116.根据计算得到的各历史图像的亮度值，通过预设算法计算得到历史图像集的目标亮度范围，可以通过预设趋势分析算法进行计算，具体的，可以对计算得到的各历史图像的亮度值进行变化范围的计算，得到历史图像集的目标亮度范围。例如，计算得到的历史图像集中各历史图像的亮度值分别为：1、2、2、3、1、4，则通过预设趋势分析算法可以对各历史图像的亮度值进行变化范围的计算，得到历史图像集的目标亮度范围为1-4。117.在实际使用过程中，可能会存在历史图像集中某一历史图像的亮度异常的情况，可以通过统计历史图像集中不同亮度值的历史图像的数量，进行异常亮度值的过滤。可选的，根据计算得到的各历史图像的亮度值，通过预设算法计算得到历史图像集的目标亮度范围，包括：根据计算得到的各历史图像的亮度值，将历史图像集中的各历史图像划分到多个预设亮度区间中；分别计算每一预设亮度区间中历史图像的数量占历史图像集中历史图像总数量的比例；选取多个预设亮度区间中对应的比例大于预设阈值的亮度区间，得到目标亮度区间；基于目标亮度区间的目标亮度范围，计算得到历史图像集的目标亮度范围。118.可选的，计算历史图像集中各历史图像的亮度值，包括：将历史图像集中各历史图像转化为对应的灰度图；计算各灰度图的亮度值，并将计算得到的各灰度图的亮度值作为各历史图像的亮度值。119.本技术实施例中，历史图像集中各历史图像为rgb格式的图像，即，红、绿、蓝三个通道组成的彩色图像，将历史图像集中的各历史图像转化为灰度图时，可以根据红、绿、蓝三个通道的数值计算对应的灰度值，将历史图像集中的各历史图像转化为灰度图。其中，灰度值可以为256个灰度等级，255代表全白，0表示全黑。具体的，根据红、绿、蓝三个通道的数值计算对应的灰度值，具体的，可以通过浮点法、整数法、移位法、平均值法等进行计算。实际使用过程中，也可以通过对各灰度图进行像素采样，针对每一灰度图，通过提取某指定区域像素点的值计算得到亮度值，然后通过统计各个灰度图的亮度值，得到对应的历史图像集中各历史图像的目标亮度范围，具体的采样的像素点的数量可以根据实际情况进行设定。120.可选的，历史图像集中各历史图像为rgb格式的图像，计算历史图像集中各历史图像的亮度值，包括：分别计算历史图像集中各历史图像对应红、绿、蓝三通道的亮度值；根据计算得到的各历史图像对应红、绿、蓝三通道的亮度值，计算得到各历史图像的亮度值。121.本技术实施例中，统计历史图像集中各历史图像对应红、绿、蓝三通道的亮度值，计算得到各历史图像的亮度值。可以通过对历史图像集中各历史图像对应红、绿、蓝三通道的亮度值进行算术平均值的计算，得到历史图像集中各历史图像的亮度值。也可以通过分别设定红、绿、蓝三通道亮度的权重，通过加权求和的方式，计算得各数据集的各图像的亮度值。例如，对于两张历史图像对应红、绿、蓝三通道的亮度值分别为2、4、6，和4、2、4，对应红、绿、蓝三通道的权重分别为0.25、0.5、0.25，则经过加权求和计算得到的亮度值为4和3，则对应的历史图像集的目标亮度范围为3-4。122.可选的，计算历史图像集中各历史图像的亮度值，包括：将历史图像集中各历史图像由rgb色彩空间转换为目标色彩空间；计算各历史图像转换到目标色彩空间后的亮度值，并将该亮度值作为各历史图像的亮度值。123.其中，将历史图像集中各图像由rgb色彩空间转换为目标色彩空间，可以是将历史图像集中各图像从rgb颜色空间转换到其它颜色空间，如hsl色彩空间、hsv色彩空间等。具体的，可以通过将历史图像从rgb颜色空间转换到hsl颜色空间，再使用目标色彩空间计算亮度的方式分别计算图像的红、绿、蓝三通道像素平均值，将三通道像素平均值中对应的最大值及最小值的算术平均值作为各数据集中的各图像的亮度值。还也可以通过将图像从rgb颜色空间转换到hsv颜色空间，再使用hsv计算亮度的方式将图像的红、绿、蓝三通道的像素平均值中的最大值作为各数据集中的各图像的亮度值。124.参见图4，图4为本技术实施例提供的获取亮度值分布范围的一种流程示意图，包括：125.1、获取数据；获取系统指定路径下指定数量的数据，可以是图片数据，也可以是视频数据。126.2、亮度值检测；使用亮度检测算法计算出每张图片的亮度值，本技术实施例中的亮度检测算法不限定于一种计算方式，可以是将rgb图像转换成灰度图计算亮度值、通过rgb图像三通道计算亮度值、将rgb颜色空间转换到hsl或hsv颜色空间计算亮度值的方式等等。127.3、数据存储；将每张图片的亮度值存储在系统数据库中，以便能直接获取指定数据集的目标亮度范围。128.4、数据分布统计；将计算出的亮度值信息经过数据统计输出整体的数据分布情况，不限于绘制数据分布图或做数据统计表的方式输出。129.5、合理目标亮度范围输出；通过阈值控制，输出合理目标亮度范围的上下限。本技术实施例中合理目标亮度范围计算方法包含但不限于集中趋势分析，离中趋势分析，相关分析等。130.参见图5，图5为本技术实施例提供的数据增强方法的另一种流程示意图，包括：131.1、获取训练集；获取系统指定路径下指定数量的数据，可以是图片数据，也可以是视频数据。132.2、获取亮度值分布；获取到训练集的亮度分布范围。133.3、获取最佳亮度值；使用历史样本数据的合理亮度值覆盖范围作为最佳亮度值范围。134.4、获取亮度调整范围；将获取的亮度分布范围与获取的系统最佳亮度值范围进行比较，得到预期调整的亮度差范围值。135.5、数据增强；根据获取的预期调整的目标亮度范围值，均匀抽取指定比例的训练集进行数据增强。同时调整图像亮度和对比度，以避免单一调整一种参数导致图片整体过曝(全白)或严重欠曝(全黑)的问题，也可以是更多维度的联合调整。136.6、模型训练；将原始训练集与增强数据集进行合并，作为新的训练集，进行模型训练，该模型可以是任何机器学习算法进行训练，比如：tensorflow、pytorch、caffe等训练框架。137.7、模型输出、将生成的模型输出到指定的路径下。138.本技术实施例的第二方面，提供了一种数据增强装置，参见图6，包括：139.图像获取模块601，用于获取待处理图像集，其中，待处理图像集中包括至少一张待处理图像；140.场景识别模块602，用于识别待处理图像集的应用场景；141.亮度范围获取模块603，用于获取应用场景对应的历史图像集的目标亮度范围，其中，目标亮度范围的下限为历史图像集中各图像亮度的最小值，上限为历史图像集中各图像亮度的最大值；142.亮度调整模块604，用于根据目标亮度范围对待处理图像集中的各待处理图像的亮度进行调整，得到调整后的图像。143.可选的，亮度调整模块604，包括：144.亮度识别子模块，用于计算待处理图像集中各待处理图像的亮度值；145.亮度统计子模块，用于根据识别得到的各待处理图像的亮度值和目标亮度范围，计算得到待处理图像集的亮度调整范围；146.调整范围计算子模块，用于根据待处理图像集的亮度调整范围对各待处理图像的亮度进行调整，得到调整后的图像；147.可选的，亮度统计子模块，包括：当前亮度范围获取单元，用于统计识别得到的各待处理图像的亮度值，得到待处理图像集的当前亮度范围；亮度调整范围获取单元，用于计算当前亮度范围和目标亮度范围之差，得到待处理图像集的亮度调整范围；148.可选的，调整范围计算子模块，还包括：目标亮度值选取子模块，用于从目标亮度范围中选取多个亮度值作为目标亮度值；目标亮度值调整子模块，用于针对每一目标亮度值，将待处理图像集中的各待处理图像的亮度调整至该目标亮度值，得到该目标亮度值对应的调整后的图像；149.可选的，目标亮度值选取子模块，具体用于根据预设亮度跨度值，从目标亮度范围的起始亮度开始每间隔预设亮度跨度值选取一个亮度值，并将选取的亮度值作为目标亮度值；150.可选的，目标亮度值调整子模块，包括：目标对比度计算单元，用于计算各目标亮度对应的目标对比度；目标对比度调整单元，用于针对每一目标亮度值，将待处理图像集中的各待处理图像的亮度调整至该目标亮度值，并将对比度调整至该目标亮度值对应的目标对比度，得到该目标亮度值对应的调整后的图像；151.可选的，亮度范围获取模块，包括：历史图像获取子模块，用于根据应用场景获取对应的历史图像集；历史目标亮度范围计算子模块，用于计算历史图像集中各历史图像的亮度值；目标亮度范围计算子模块，用于根据计算得到的各历史图像的亮度值，通过预设算法计算得到历史图像集的目标亮度范围；152.可选的，历史目标亮度范围计算子模块，包括：灰度图转化单元，用于将历史图像集中各历史图像转化为对应的灰度图；灰度图计算单元，用于计算各灰度图的亮度值，并将计算得到的各灰度图的亮度值作为各历史图像的亮度值；153.可选的，历史图像集中各历史图像为rgb格式的图像；历史目标亮度范围计算子模块，还包括：三通道亮度获取单元，用于分别计算历史图像集中各历史图像对应红、绿、蓝三通道的亮度值；三通道亮度计算单元，用于根据计算得到的各历史图像对应红、绿、蓝三通道的亮度值，计算得到各历史图像的亮度值；154.可选的，目标亮度范围计算子模块，包括：亮度区间划分单元，用于根据计算得到的各历史图像的亮度值，将历史图像集中的各历史图像划分到多个预设亮度区间中；亮度区间计算单元，用于分别计算每一预设亮度区间中历史图像的数量占历史图像集中历史图像总数量的比例；亮度区间选取单元，用于选取多个预设亮度区间中对应的比例大于预设阈值的亮度区间，得到目标亮度区间；目标亮度范围计算单元，用于基于目标亮度区间的目标亮度范围，计算得到历史图像集的目标亮度范围；155.可选的，上述装置还包括：模型训练模块，用于通过调整后的图像对待训练的网络模型进行训练，得到训练好的网络模型。156.可见，本技术实施例的装置，可以通过待处理图像集的应用场景获取对应的历史图像集的目标亮度范围，从而根据目标亮度范围对待处理图像集中的待处理图像进行亮度的调整，得到亮度场景全覆盖的样本图像数据，从而不但可以获取多个调整后的图像实现数据增强，还可以降低人工成本，提高数据增强的效率和模型的训练效率。157.本发明实施例还提供了一种电子设备，如图7所示，包括处理器701、通信接口702、存储器703和通信总线704，其中，处理器701，通信接口702，存储器703通过通信总线704完成相互间的通信，158.存储器703，用于存放计算机程序；159.处理器701，用于执行存储器703上所存放的程序时，实现如下步骤：160.获取待处理图像集，其中，所述待处理图像集中包括至少一张待处理图像；161.识别所述待处理图像集的应用场景；162.获取所述应用场景对应的历史图像集的目标亮度范围，其中，所述目标亮度范围的下限为所述历史图像集中各图像亮度的最小值，上限为所述历史图像集中各图像亮度的最大值；163.根据所述目标亮度范围对所述待处理图像集中的各所述待处理图像的亮度进行调整，得到调整后的图像。164.上述电子设备提到的通信总线可以是外设部件互连标准(peripheralcomponentinterconnect，pci)总线或扩展工业标准结构(extendedindustrystandardarchitecture，eisa)总线等。该通信总线可以分为地址总线、数据总线、控制总线等。为便于表示，图中仅用一条粗线表示，但并不表示仅有一根总线或一种类型的总线。165.通信接口用于上述电子设备与其他设备之间的通信。166.存储器可以包括随机存取存储器(randomaccessmemory，ram)，也可以包括非易失性存储器(non-volatilememory，nvm)，例如至少一个磁盘存储器。可选的，存储器还可以是至少一个位于远离前述处理器的存储装置。167.上述的处理器可以是通用处理器，包括中央处理器(centralprocessingunit，cpu)、网络处理器(networkprocessor，np)等；还可以是数字信号处理器(digitalsignalprocessor，dsp)、专用集成电路(applicationspecificintegratedcircuit，asic)、现场可编程门阵列(field-programmablegatearray，fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。168.在本发明提供的又一实施例中，还提供了一种计算机可读存储介质，该计算机可读存储介质内存储有计算机程序，所述计算机程序被处理器执行时实现上述任一数据增强方法的步骤。169.在本发明提供的又一实施例中，还提供了一种包含指令的计算机程序产品，当其在计算机上运行时，使得计算机执行上述实施例中任一数据增强方法。170.在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线(dsl))或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，dvd)、或者半导体介质(例如固态硬盘solidstatedisk(ssd))等。171.需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个......”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。172.本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于装置、电子设备、存储介质及计算机程序产品实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。173.以上所述仅为本发明的较佳实施例，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。当前第1页12当前第1页12