JP2761391B2

JP2761391B2 - 焦点検出装置

Info

Publication number: JP2761391B2
Application number: JP63250466A
Authority: JP
Inventors: 正文山崎; 敏之豊福; 順一伊藤; 晋一児玉
Original assignee: Olympus Corp
Current assignee: Olympus Corp
Priority date: 1988-10-04
Filing date: 1988-10-04
Publication date: 1998-06-04
Anticipated expiration: 2013-06-04
Also published as: JPH0296707A; US4965443A

Description

【発明の詳細な説明】［産業上の利用分野］この発明は、どのような被写体に対してもある程度の
精度で焦点を検出できる焦点検出装置に関する。

［従来の技術］従来の焦点検出装置を備えた大多数のカメラにおいて
は、焦点を合わすべき被写体領域がほぼ中央付近に固定
されているため、写真の構図が思い通りにならない欠点
があった。これを解決する手段として、特開昭54−5996
4号公報には、測距方向の角度を任意に変更し得るよう
になっているものにおいて、測距方向の変更動作と測距
方向を表示する表示部材の変位動作とを連動させる手段
が開示されている。また、特開昭59−107685号公報、特
開昭60−254968号公報には、輝度信号のサンプリング区
画を自由に選択し得るように構成することによって、任
意の被写体に焦点を合わせることが開示されている。

［発明が解決しようとする課題］このような従来例では、フォーカスエリアを選択する
ための動作が必要であるため、操作が面倒であったり、
動体などの迅速な撮影に向かない。また、機械式の方法
では、機構が複雑化したり、機構がために輝度が低下す
るなどの欠点がある。

この発明の目的は、これらの欠点を解決するために、
多数のモデルパターンによって被写体の主要部を学習さ
せることにより、あらゆる被写体パターンに対して意図
した領域に自動的に合焦させることができる焦点検出装
置を提供することである。

［課題を解決するための手段及び作用］この発明による露出制御装置には、被写体パターンを
入力した時に被写体主要部の位置を示す信号を出力する
ように学習された結合の強さで順次結合される入力層、
中間層、出力層からなるネットワークが設けられる。複
数の光電変換素子の出力がネットワークに入力され、ネ
ットワークの出力により複数の光電変換素子の出力の中
から被写体主要部の信号が選択され、それに基づいて焦
点が検出される。

［実施例］以下、図面を参照して、この発明による焦点検出装置
の実施例を説明する。第１図にそのブロック図を示す。
第１図からわかるように、この実施例は、ニューロコン
ピュータを使用して、露出制御、焦点検出を行なってい
る。そこで、先ず、第２図〜第12図を参照して、ニュー
ロコンピュータについて説明する。

第２図にニューロコンピュータのモデルを示す。この
モデルはルメルハルト（Rumelhart）等によって提案さ
れたもので、バックプロパゲーション（Back Propagati
on）モデル（以下、BPモデルと略す）と呼ばれる。ニュ
ーロコンピュータは多数のユニット（ニューロン）から
なり、ユニットは入力層、中間層、出力層に分類されて
いる。各ユニットは入力層→中間層→出力層の方向に接
続され、ネットワーク（ニューラルネット）を形成す
る。各ユニットの結合の強さは学習により決定される。
ただし、各層内でのユニット相互の接続はない。各ユニ
ットのモデルを第３図に示す。

次に、このBPモデルの学習アルゴリズムの原理を説明
する。あるパターンＰを入力層に与えた時、出力層に現
われる実際の出力値をOpj⁰とし、その時の望ましい出力
値（以下、教師信号という）をｔpjとすると、両者の差
Epjは次のように表わされる。

Epj＝1/2（ｔpj−Opj⁰）^２ ……（１）学習させるには、この誤差Epjを減少させるように、
全てのユニットの結合の強さを変えればよい。

パターンＰを与えたときの（Ｋ−１）層のｉ番目のユ
ニットからＫ層のｊ番目のユニットに対する結合の強さ
Wjiの変化量を次のように定義する。ここで、Ｋは出力
層を０として、入力層になるにつれて増える。

ΔpWji^K∝−∂Ep/∂Wji^K ……（２） ∂EP/∂Wji^K ＝（∂Ep/∂netpj^Ｋ）・（∂netpj^K/∂Wji^K） ……（３）ここで、である。

また、ｆをシグモイド（Sigmoid）関数として、Opk^K
＝ｆ（netpk^Ｋ）と表わすと、（３）式は次のように変
形される。シグモイド関数を第４図に示す。

∂Epj/∂Wji^K ＝−δpj^K・Opi^K+1 ……（４）ここで、δpj^Kは第Ｋ層における誤差の後向き伝播量
であり、δpj^K＝−∂Epj/∂netpj^Ｋである。従って、
（２）式は次のように変形される。ここで、ηは定数で
ある。

ΔpWji^K ＝η・δpj^K・Opi^K+1 ……（５）出力ユニットの場合は、Epj＝1/2（ｔpj−Opj⁰）²,Op
j⁰＝ｆ（netpj^０）なので、出力層の後向き伝播量δpj⁰
は、次のようになる。

中間ユニットの場合は、各層内でのユニットの結合は
ないので、誤差の後向き伝播量は次のようになる。

（７）式はδの再帰関数である。

ΔpWji^Kを一般的に定式化すると、次のようになる。

ΔpWji^K（ｎ＋１）＝ηδpj^K・Opi^K+1＋αΔpWji^K（ｎ） ……（８）ただし、ΔpWji^K（０）＝０であり、ｎは学習の回数
を表わす。（８）式の右辺の第２項は誤差の振動を減ら
し収束を速めるために加えている。（８）式から、結合
の強さは次のように更新される。

Wji^K（ｎ＋１）＝Wji^K（ｎ）＋ΔpWji^K（ｎ）（Ｋ＝0,1,2,…） ……（９）ここで、ジグモイド関数fiを fi＝1/（１＋e^-neti） ……（10）で定義するとfi′＝fi（１−fi）であるので後向き伝播
量は次式のように簡単化される。

出力ユニットの場合： δpj⁰ ＝Opj⁰（１−Opj⁰）（ｔpj−Opj⁰） ……（11）中間ユニットの場合： δpj^K ＝Opj^K（１−Opj^K）・Σ｛δpk^K-1・Wkj^K-1（ｎ＋１）｝ ……（12）以上からわかるように、ΔＷの計算は出力層のユニッ
トから始めて、中間層のユニットへ移る。このように学
習は入力データの処理とは逆方向に進む。

従って、BPモデルによる学習は次のように行われる。
先ず、学習用のデータを入力し、結果を出力する。次
に、結果の誤差（実際の出力と教師信号との差）を減ら
すように結合の強さを変える。そして、再び、学習用デ
ータを入力する。この動作を、ΔＷが収束するまで繰り
返す。

第５図にBPモデルの基本回路構成を示す。

ランダムアクセスメモリ（以下RAMと記す）１は結合
の強さWjiを格納し、層毎にｋ＝１〜ＮのＮページから
成る。RAM2はパターンＰを与えたときの結合の強さWji
の変化量ΔWjiを格納し、ｋ＝１〜ＮのＮページから成
る。RAM3は誤差の後向き伝播量δpjを格納し、ｋ＝０〜
Ｎの（Ｎ＋１）ページから成る。RAM4は各ユニットの出
力値Opjを格納し、ｋ＝０〜Ｎの（Ｎ＋１）ページから
成る。５はOpjの演算回路、６はδpjの演算回路、７は
ΔpWjiの演算回路である。９は全体のシーケンスを制御
するシーケンスコントローラである。

第５図のBPモデルによる学習のプロセスを説明する。
ここでは、ノイマン型のコンピュータによりBPモデルを
シミュレーションした場合の動作を、第６図〜第９図の
フローチャートを参照して説明する。第６図はOpj演算
のフローチャート、第７図はδpj演算のフローチャー
ト、第８図はWpj演算のフローチャート、第９図は学習
のレベル判定のフローチャートである。

ステップ１（S1）でRAM1内の結合の強さWjiをランダ
ムな値に初期化する。ステップ２で入力値Opj^N+1をRAM4
に設定し、ステップ３〜ステップ９で演算回路５により
入力層から出力層に向かって順にユニット出力値Opj^Kを
演算していく。

次に、第７図のステップ11〜ステップ20で演算回路６
により出力値Opj⁰と望ましい出力を示す教師信号ｔpjと
から（11）式に従って出力層の誤差の後向き伝播量δpj
⁰を求める。

次に、第８図のステップ21〜ステップ24で演算回路７
により（８）式に従って結合の強さの変化量δpWji
⁰（１）を求める。なお、ΔpWji⁰の初期値ΔpWji
^K（０）はすべて０である。ステップ25で演算回路８に
より（９）式に従って結合の強さWji⁰（１）を求める。
以上により、出力層のOpj⁰,δpj⁰,ΔpWji⁰（１）,Wji⁰
（１）が求まる。この後、これらは初期データを更新す
る形でRAM1〜RAM4に格納される。

次に、中間層の学習を行なう。第７図のフローチャー
トに戻り、演算回路６により以上で求めたδpj⁰,Wji
⁰（１）、およびRAM4に格納されているOpj⁰を用いて、
誤差の後向き伝播量δpj^Kを求める。次に、第８図のフ
ローチャートにおいて、演算回路７により結合の強さの
変化量ΔpWji^K（１）を（８）式に従って求め、演算回
路８により結合の強さWji^K（１）を（９）式に従って求
める。出力層と同様に、以上で求めたデータはRAM1〜RA
M4に更新する形で格納されていく。以上のフローを入力
層（Ｋ＝Ｎ＋１）に向かって順次繰り返し行ない第１回
目の学習が終了する。

以上の学習と複数（ｎ）回実行することにより、各ユ
ニット間の結合の強さWjiが決定され、ある入力パター
ンＰを示す入力値Opjを与えたときに所望の出力値Ppjを
得るためのネットワークが自動的に形成されることにな
る。

第９図は、実際の出力値Opjと教師信号ｔpjとの平均
二乗誤差▲▼を求めるフローチャートである。この
値が小さくなる程、実際の出力値は望ましい出力値に近
くなる。いまEpがあるしきい値εより小さければ学習を
終了し、εより大きければ学習を繰り返す。

以上では、１つの入力パターンＰに対する学習につい
て述べたが、入力パターンを複数にし、それぞれのパタ
ーンに対応した複数の出力パターンを得るような学習も
可能である。また、複数の入力パターンに対してある特
定の１つの出力パターンを出力するように学習させるこ
とも可能である。

以上述べたBPモデルは、現在広く民主機器等で使用さ
れているノイマン型のマイクロコンピュータで実現可能
であるが、このままではニューロコンピュータの１つの
大きな長所である並列処理による高速化の機能は生かさ
れない。そのため、第６図〜第９図の処理を複数のコン
ピュータで並列に処理させることが好ましい。

第10図はこのための並列処理システムの構成を示す。
複数のマイクロプロセッサP1〜Pnがホストプロセッサ11
に接続される。第２図に示すニューラルネットをｎ個の
部分ネットワークに分割し、それぞれをマイクロプロセ
ッサP1〜Pnに割り当てる。ホストプロセッサ11は、マイ
クロプロセッサP1〜Pn相互のタイミングの制御を行なっ
たり、マイクロプロセッサP1〜Pnに分散されているデー
タを統合してパターン認識などの処理を行なう。各々の
マイクロプロセッサP1〜Pnは上述した演算手順に従い、
第５図に示す出力値Opjの連続する複数列の演算を実行
する。そのため、マイクロプロセッサP1〜Pnは担当する
出力値を演算するのに必要なδpj,ΔWji,Wjiをそれぞれ
格納するためのRAMと演算回路を備えている。担当する
全てのユニットの出力値の演算が終了すると、各プロセ
ッサP1〜Pn間で同期をとりながら、データの更新のため
の通信が行なわれる。ホストプロセッサ11においては、
学習の達成レベルの判定や、マイクロプロセッサP1〜Pn
相互のタイミングの制御を行なう。

学習した結果に基づいて、パターン認識等の処理を行
なう場合は、第２図に示す入力層から出力層に向かっ
て、の演算を行なっていくことにより、最終的に必要な出力
値Ppj⁰が求められる。この場合も、第11図に示すような
複数のマイクロプロセッサによる分散処理を実行するこ
とによりニューラルネットの並列性による高速化がはか
れる。

なお、学習の過程においては基本的に第５図に示す回
路が必要になるが、学習結果を応用するだけの場合、構
成は非常に簡単化される。

第11図はこの場合の基本回路構成である。入力データ
は入力部12（例えば、A/D変換器等を指す）を介しての演算を順次行なうことにより、出力データOpj⁰を得
る。結合の強さWji^Kの格納される係数メモリ14はROM、
または書き替え可能なROMでもよい。

第12図は学習結果を応用する製品に対する製造時の学
習システムの概略ブロック図である。製品16は、結合の
強さWji^Kを格納するROM17を内蔵する。18は学習装置で
あり、ROM17と学習装置18を合せたものは基本的には第
５図の装置と同一であるが、ROM17へのWji^Kの書き込み
が終了すると、製品16（ROM17）と学習装置18は分離さ
れる。なお、同一種類の各製品に対して、毎回学習させ
る必要はないので、ROM17をコピーして使用することも
可能である。

なお、以上の説明において、BPモデルの学習とその結
果の応用については、現在使われているノイマン型コン
ピュータによるシミュレーションにより実現してきた。
これは主に学習においては、複雑なアルゴリズムが必要
で、ハードウェアで自動的に各ニューロン間の接続の重
みを自己組織化するのが非常に難かしいためである。し
かしながら、結合の強さWijがわかれば、学習結果を応
用する機械に限定して考えると、図−１に示すBPモデル
をハードウエアで構成することができる。並列処理によ
る高速化をはかったり、廉価な民生品に応用する場合
は、この方法を採用しないと、意味はない。これは、第
２図の各ユニットをインバータで構成し、結合の強さWi
jを抵抗ネットワークRijに置き換えることで実現でき、
これは、最近のLSI化の技術を使えば簡単に実現でき
る。

次に、第１図を参照して、以上説明したニューロコン
ピュータを応用した焦点検出装置を説明する。撮影カメ
ラ20の前面には絞り19があり、絞り19を介した被写体像
が光電変換素子をエリア状に配置してなる受光部21に入
射される。そのため、受光部21からは、光電変換素子毎
に、絞り込まれた状態における被写体の輝度情報が出力
され、増幅器22、A/D変換器23を介してディジタル値化
されBV′値として演算回路（ALU）24に供給される。演
算回路24は、絞り19を通過した光から被写体の輝度BV値
（＝BV′−AVo）を演算するための回路であり、このた
め、絞り19の開放絞り値AVoが入力されている。

演算回路24から出力された各光電変換素子毎のBV値は
ニューロコンピュータ25に供給されるとともに、選択回
路（マルチプレクサ）27に供給される。ニューロコンピ
ュータ25は被写体パターンを入力Opj⁰として、の演算を行ない最終的に主要部の位置Pxyを求める。演
算に使われる結合の強さWjiは、予め学習されていて、
係数メモリ26に格納されている。選択回路27はこの主要
部信号Pxyに基づいて、被写体中の主要部に対応する光
電変換素子の出力BV値のみを通過させる。

選択回路27の出力は選択された主要部の輝度信号から
山登りサーボ方式による焦点検出のための演算を行なう
演算回路28に供給される。演算回路28の出力はドライバ
29に供給され、ドライバ29はこれに基づいて、合焦機構
20aを駆動させ、撮影レンズ20の位置を移動する。この
ように、この実施例は、被写体全体ではなく、主要部の
みの輝度情報に基づいて、焦点検出する。30はシーケン
スコントローラである。

ニューロコンピュータ25の基本ブロック構成は第５図
に示す通りでもよいが、ここでは、高速化をはかるた
め、第10図に示すような並列コンピュータにより学習を
行なう。

ここで、学習モードについて説明する。学習を効率的
に進めるために、ニューラルネットワークは第14図に示
すように、各行ごとに独立したニューラルネットS11,…
で学習を行ない、出力層S0で統合する。ニューラルネッ
トワークは、入力層37、中間層38、出力層39の３層で構
成されるとし、学習の原理は前述した通りである。

ここで、説明の簡単化のために、光電変換素子は、第
15図に示すように、４行７列に配置されているとする。

第16図に被写体の具体例を示す。（ａ）はポートレー
トであり、この場合は、目に焦点を合わせるようにする
ため被写体主要部はP33とする。（ｂ）の場合は、鳥に
焦点を合わせるため被写体主要部はP35とする。（ｃ）
は風景であり、この場合は塔を被写体主要部とする。ニ
ューロコンピュータ25にこのような被写体パターンを入
力し、これらの主要部の位置を教師信号として与え、実
際の出力が教師信号と一致するように結合の強さWjiを
学習させることにより、どのような被写体が入力された
場合でも自動的に正しい主要部を出力することができ
る。第16図には、３つの被写体しか示さないが、実際に
は数百のパターンについて学習を繰り返す。

なお、ニューロコンピュータ25はある程度の学習を行
なえば、学習時に入力されなかったパターンに対しても
正しい出力を出すという優れた性質があり、被写体主要
部の特定等の人間の感性によるところが大きく定式化の
難しい問題解決にたいへん有効である。ニューロコンピ
ュータの学習により、これまでノイマン型のコンピュー
タではプログラムできなかった膨大な種類の被写体パタ
ーンと主要部との関係が自己組織化されるので、意図通
りの露出制御、焦点検出が可能となる。また、ニューロ
コンピュータは並列処理により高速演算が可能であるの
で、迅速性が要求されるカメラに適する。

この発明は上述した実施例に限定されずに、種々変形
可能である。以上の説明は、被写体主要部をニューロコ
ンピュータで学習させ、焦点検出を行なう場合について
述べたが、ニューロコンピュータの教師信号として被写
体の明るさ条件、あるいはパターンに応じた露出補正信
号を与え、逆光補正などの学習を行なうことも可能であ
る。

〔発明の効果〕

以上説明したようにこの発明によれば、多数のモデル
パターンによって被写体の主要部を学習させることによ
り、あらゆる被写体パターンに対して意図した領域に自
動的に合焦させることができる焦点検出装置を提供する
ことができる。

【図面の簡単な説明】

第１図はこの発明による焦点検出装置の一実施例のブロ
ック図、第２図は実施例に使われるニューロコンピュー
タのモデルを示す図、第３図はネットワークを構成する
各ユニットのモデルを示す図、第４図はシグモイド関数
を示す図、第５図はニューロコンピュータのブロック
図、第６図〜第９図は第５図のニューロコンピュータを
ノイマン型コンピュータでシミュレーションした時のフ
ローチャートであり、第６図は各ユニットの出力Opjを
求めるフローチャート、第７図は誤差の後向き伝播量δ
pjを求めるフローチャート、第８図は結合の強さ係数Wj
iを求めるフローチャート、第９図は学習のレベル判定
のためのフローチャート、第10図は並列処理システムの
ブロック図、第11図は学習結果を応用する装置のブロッ
ク図、第12図は学習結果を応用する装置を学習させるシ
ステムのブロック図、第13図は実施例の学習システムの
ブロック図、第14図は実施例のネットワークを示す図、
第15図は実施例の光電変換素子の配置例を示す図、第16
図（ａ）〜（ｃ）は学習させる被写体の一例を示す図で
ある。 20a……合焦機構、21……受光部、24,28……演算回路、
25……ニューロコンピュータ、26……係数メモリ、27…
…選択回路。

フロントページの続き (72)発明者児玉晋一東京都渋谷区幡ケ谷２丁目43番２号オリンパス光学工業株式会社内 (56)参考文献特開昭60−250318（ＪＰ，Ａ) (58)調査した分野(Int.Cl.⁶，ＤＢ名) G02B 7/11

Claims

(57)【特許請求の範囲】

【請求項１】複数の光電変換素子からなる受光部と、前
記受光部上に被写体像を結像させる光学系と、前記受光
部の出力に接続され被写体主要部の位置を表わす信号を
出力するネットワークと、前記受光部の出力のうち前記
ネットワークの出力に基づいて選択された信号に基づい
てカメラの焦点を検出する手段を具備し、前記ネットワ
ークは前記受光部の出力に接続される複数のユニットか
らなる入力層と、前記入力層の個々のユニットと所定の
結合の強さで結合された複数のユニットからなる単層、
または複数層の中間層と、前記中間層の個々のユニット
と所定の結合の強さで結合された複数のユニットからな
る出力層を具備する焦点検出装置。