JPH0296707A - 焦点検出装置 - Google Patents

Abstract

(57)【要約】本公報は電子出願前の出願データであるた
め要約のデータは記録されません。

Description

【発明の詳細な説明】 ［産業上の利用分野コ 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５４−５９
９６４号公報には、８−１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、′Ａ−１距方向の
変更動作とΔｔｊ距方同方向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５
９−１０７６８５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
ために精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図かられかるように、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、パックプロパゲージジン（
Ｂａｃｋ　Ｐｒｏｐａｇａｔｌｏｎ）モデル（以下、Ｂ
Ｐモデルと略す）と呼ばれる。ニューロコンピュータは
多数のユニットにューロン）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
にューラルネット）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２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０ｐｊ０とし、その時の望ましい
出力値（以下、教師信号という）をｔｐ、ｔとすると、
両者の差Ｅｐｊは次のように表わされる。

・　　・０２ Ｅｐｊ−１／２　（ｔｐＪ−０１）Ｊ　　）　　　　　
・・・（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１番目のユニ
ットからに層のｊ番目のユニットに対する結合の強さＷ
ｊｌ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。

Ｋ　　　　　　　　　Ｋ ΔｐＷｊ１　ｏｃ　−ａＥｐ／ａＷｊｌ　　　　＝（２
）ｆ３Ｅｐ／ａＷｊｌＫ ＝　（ａＥｐ／ａｎｅｔｐｊＫ） −（ａ　ｎ　ｅ　ｔ　Ｉ）Ｊ　　／　ａＷｊｌ”　）　
　　　　−（３）・Ｋ ここで、ｎ　ｅ　ｔ　ｐ３　−ΣＷｊｋＫ−Ｏｐｋ”で
あ・Ｋ 本 る。

また、ｆをシグモイド（ＳＩｇｍｏｌｄ　）関数として
、Ｏｐｋ　　＝ｆ　（ｎｅｔｐｋＫ）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３図
に示す。

ａ　Ｅ　ｐｊ／　ａ　ＷｊＩＫ −−δｐｊＫ　、　ｏｐｔＫ”ｌ　　　　　　　　　・
・・（４）ここで、δｐｊには第に層における誤差の後
向き・Ｋ 伝播量であり、δｌ）Ｊ　　−−ａＥｐＪ／ａｎｅｔｐ
ｊＫ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。

Δｐ　ＷｊｌＫ −η・δｐｊＫ・ｏｐｔＫ＋１　　　　　　　　・・・
（５）出カニニットの場合は、Ｅｐｊ＝１／２　（ｔｐ
ｊ−，０２，０ ０ｐＪ　　）　　、　０ｐＪ−ｆ　（ｎｅｔｐｊ’）な
ので、出力層の後向き伝播量δｐｊ０は、次のようにな
る。

δｐｊ’ 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。

δｐｊＫ −−ａ　Ｅｐ　／ａ　ｎ　ｅ　ｔｐｊＫ（ａＯｐｌ　　
／ａ　ｎ　ｅ　ｔｐｊＫ）　１に−１、に−１ 一Σδ９ｋ　　ＷｋＪ　　　−ｆ’（ｎｅｔｐｊＫ）魂 一Σδｐｋ”　ＷｋｊＫ−’ 庭 ・ｆ’　　（ΣＷｊｋ　　・０ｐｋＫ＋１）　　　　・
・・（７）東 （７）式はδの再帰関数である。

Δｐ　ＷｊｌＫを一般的に定式化すると、次のようにな
る。

ΔｐＶ／ｊｌＫ（ｎ＋１） 、Ｋ　　　　Ｋ＋１ 一ηδｐＪ　　’Ｏｐｆ　　　＋ｃｒΔｐ　ＷｊｆＫ（
ｎ）　　　＝−（８）ただし、Δｐ　ＷｊｔＫ　（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。

ＷｊｌＫ（ｎ＋１） ＝Ｗｊｌｋ（ｎ）＋ΔｐＷｊｌＫ（ｎ）（Ｋ−０，１，
２，・・・）　　　　　・・・（９）ここで、シグモイ
ド関数ｆ１を Ｎ　−１／　（１＋ｅ−ｎｅ”　）　　　−（１０）で
定義するとｆｌ’　−ｆｌ　　（１，、−ｆｌ）である
ので後向き伝播量は次式のように簡単化される。

出カニニットの場合： δｐｊＯ ，０，０、，０ −ＯｐＪ（１−０１）Ｊ　　）（ｔｌ）Ｊ−０１１Ｊ　
　）　　　・・・（１１）中間ユニットの場合； δｐｊ’ 一０ｐｊＫ（ｌ−ＯｐｊＫ） Ｋ−１、に−１ −Ｅｆδｐｋ　　　・Ｗｋｊ（ｎ　＋　１）ｌ　　　−
（１２）以上かられかるように、ΔＷの計算は出力層の
ユニットから始めて、中間層のユニ・ットヘ移る。

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１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、学習用データを人力する。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Ｗｊｌを格納し、層毎にに一１〜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Ｗｊｌの変化量ΔＷｊｊ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。ＲＡ
Ｍ４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ΔｐＷｊｌ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（Ｓｌ、）でＲＡＭ１内の結合の強さＷ　ｊ
　Ｉをランダムな値に初期化する。ステップ２で入力値
０ｐｊＮ＋ｌをＲＡＭ４に設定し、ステップ３〜ステツ
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ＯｐｊＫを演算していく。

次に、第７図のステップ１１〜ステツプ２０で演算回路
６により出力値０ｐｊ０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δｐｊ０を求める。

次に、第８図のステップ２１〜ステツプ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δｐＷｊ
１０　（１）を求める。なお、Δｐ　Ｗｊｌｏの初期値
ΔｐＷｊｌＫ　（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Ｗｊｌ
’　　（１）を求める。以上により、出力層のＯｐｊ’
、　　δｐｊ’　、　ΔｐＷｊｌ’（１）、Ｗｊｌｏ　
（１）が求まる。この後、これらは初期データを更新す
る形でＲＡＭＩ〜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．　Ｗ
ｊｌｏ（１）　、およびＲＡＭ４に格納されているＯｐ
ｊ’を用いて、誤差の後向き伝ＩｎδｐｊＫ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ΔｐＷｊｌＫ　（１）を（８）
式に従って求め、演算回路８により結合の強さＷｊｉＫ
　（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ＲＡＭＩ〜ＲＡＭ４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。

以上の学習を複数（ｎ）回実行することにより、各ユニ
ット間の結合の強さＷｊｌが決定され、ある入カバター
ンＰを示す入力値Ｏｐｊを与えたときに所望の出力値２
ｐｊ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ｔ　ｐｊとの
平均二乗誤差Ｅｐ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Ｅ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つの入カバターンＰに対する学習について
述べたが、入カバターンを複数にし、それぞれのパター
ンに対応した複数の出カバターンを得るような学習も可
能である。また、複数の入カバターンに対しである特定
の１つの出カバ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、現在広く民生機器等で使用さ
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ＰＩ−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Ｐｌ〜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ＰＬ−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ｐｔ〜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ｐｔ〜Ｐｎは担当する出力値を演算するのに
必要なδｐｊ。

ΔＷ　ｊ　Ｉ　、　Ｗ　ｊ　ｌ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ｐｔ〜
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ＰＬ−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、
Ｏｐコ　−ｆ（ΣＷｊｋ　　・Ｏｐｋ”’　）、Ｋ　　
　　　　　Ｋ 治 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Ｐ　ｐｊ　’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、０ カデータｏｐＪ　を得る。結合の強さＷｊＩＫの格納さ
れる係数メモリ１４はＲＯＭ、または書き替え可能なＲ
ＯＭ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ＷｊｌＫ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、ＲＯＭ
１７へのＷｊｌＫ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Ｗｌｊ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
デルをハードウェ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ＷＩＪを抵抗ネットワークＲ１ｊ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１つがあり、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２
１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１つを通過し
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１つの開放絞
り値ＡＶｏが人力されている。

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０ｐｊＯとし
て、０ｐｊＫ　−に主要部の位置ＰＸｙを求める。演算
に使われる結合の強さＷｌｊ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Ｐｘｙｌ：基づいて、被写体中の主要部に対
応する光７ｕ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２つはこれに基づいて、
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Ｓｌｌ
、・・・で学習を行ない、出力層ＳＯ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１
５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Ｗｊｌ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
Ｗｊｌ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、２
６・・・係数メモリ、２７・・・選択回路。

Claims (1)

【特許請求の範囲】
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。