JPH0564072A

JPH0564072A - ビデオカメラ

Info

Publication number: JPH0564072A
Application number: JP4012140A
Authority: JP
Inventors: Kazuto Nishida; 一人西田
Original assignee: Sharp Corp
Current assignee: Sharp Corp
Priority date: 1991-03-15
Filing date: 1992-01-27
Publication date: 1993-03-12
Anticipated expiration: 2014-08-30
Also published as: US5497196A; DE69219948T2; SG50442A1; EP0513976A2; EP0513976A3; KR920019165A; EP0513976B1; KR950010025B1; US5331422A; JP2942047B2; DE69219948D1; ES2102459T3

Abstract

(57)【要約】【目的】従来の中央重点、下方重点測光方式では対応
できないような被写体に対する最適な自動絞り制御を提
供する。【構成】撮像素子１０４により撮影される画面をＡ／
Ｄ変換器１０５およびエリア分割平均演算回路１０６に
より複数個の部分領域に分割し、各領域ごとの平均輝度
を得る。この平均輝度をニューラルネットワーク１０７
に入力し、ニューラルネットワーク１０７の出力を用い
てコンパレータ１１２およびアイリスモータ１１３で絞
りばね１０３を調節する。ニューラルネットワーク１０
７の学習過程には回路１１８により使用者の手動による
絞り制御電圧がニューラルネットワーク１０７の出力に
加算され、ニューラルネットワーク１０７に教師信号と
して与えられる。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】この発明はビデオカメラに関し、
特に、入射光量に応じてビデオカメラの光学系に入射す
る光量を規制するための絞り量を自動的に調整するため
の自動絞り制御回路に関する。

【０００２】

【従来の技術】図１５は自動絞り制御付の従来のビデオ
カメラのブロック図である。図１５を参照して、従来の
ビデオカメラは、被写体１０１から入射する光を集光し
て所定の結像面上に結像させるためのレンズ１０２と、
結像面に配置された撮像面を有し、撮像面上の光学像を
光電変換により電気信号である映像信号に変換して出力
するための撮像素子１０４と、撮像素子１０４上に入射
する光量を規制するための絞り羽根１０３と、絞り羽根
１０３を駆動するためのアイリスモータ１１３と、撮像
素子１０４の出力する映像信号を増幅し、テレビジョン
方式に変換するための信号処理回路に与えるためのプリ
アンプ１１６と、プリアンプ１１６の出力する映像信号
に応答し、映像信号のレベルが所定のレベルとなるよう
にアイリスモータ１１３を動作させるための自動絞り制
御回路２１７とを含む。

【０００３】自動絞り制御回路２１７は、プリアンプ１
１６の出力する映像信号のうち、画面の中央部に当たる
部分を他の部分よりも大きな倍率で増幅して出力するた
めのゲインコントロールアンプ（ＧＣＡ）２０６と、Ｇ
ＣＡ２０６の出力する増幅された映像信号に、画面の下
方において電圧が上昇するようなのこぎり刃状電圧を加
算して出力するための電圧加算器２０７と、電圧加算器
２０７の出力を平均化するための検波回路２０８と、負
入力端子が検波回路２０８の出力に、正入力端子か可変
の基準電圧（Ｖ_{1 R}）２１０にそれぞれ接続され、検波
回路２０８の出力する信号と基準電圧２１０とを比較
し、その比較出力によりアイリスモータ１１３を駆動す
るためのコンパレータ２０９とを含む。

【０００４】図１６を参照して、ＧＣＡ２０６による増
幅は、画面２５１の中央部２５２に特に大きな重み付け
を行なうためのものである。ＧＣＡ２０６により増幅の
結果、図１７（ａ）に示されるように、被写体２５４が
中央部２５２にある場合に、被写体２５４の撮像状態が
適正になるように絞り羽根１０３が駆動される。背景に
地面２５５があり、かつ逆光状態であるような場合で
も、地面２５５や背景よりも被写体２５４が重点的に測
光されることになる。

【０００５】再び図１６を参照して、電圧加算器２０７
は、画面２５１の下方領域２５３の部分にオフセット電
圧を加算する。特に、図１５に示されるようにのこぎり
刃状電圧が加算される場合には、画面２５１の下方にい
くほど、絞り羽根１０３の制御に対する重み付が大きく
なる。これにより、図１７（ｂ）に示されるように、画
面２５１内に、空を背景に被写体２５６が配置されてい
る場合、絞りは上方の空の輝度に影響されることなく、
被写体２５６を最適に撮影できるような値に調整され
る。

【０００６】図１５を参照して、従来のビデオカメラは
以下のように動作する。被写体１０１からの入射光量は
レンズ１０２によって撮像素子１０４の撮像面上に像を
結ぶ。撮像素子１０４はこの光学像を光電変換により映
像信号に変換し、プリアンプ１１６に与える。プリアン
プ１１６は撮像装置１０４の出力を増幅し、信号処理回
路およびＧＣＡ２０６の入力に与える。

【０００７】ＧＣＡ２０６は、図１６および図１７
（ａ）を参照してすでに説明されたように、画面の中央
領域の変換された映像信号に対して、その周囲よりも大
きな利得で増幅をし、電圧加算器２０７に与える。電圧
加算器２０７は、図１６および１７（ｂ）によって説明
されたように、画面の下方領域を表わす映像信号がより
大きな値となるようにのこぎり刃状電圧を入力信号に加
算し、検波回路２０８に与える。検波回路２０８は電圧
加算器２０７の出力する映像信号を平均化し、コンパレ
ータ２０９の負入力端子に与える。コンパレータ２０９
は、検波回路２０８の出力と基準電圧２１０とを比較
し、その比較出力に従ってアイリスモータ１１３を駆動
する。アイリスモータ１１３は駆動電圧に従って絞り羽
根１０３を動かす。絞り羽根１０３の開閉により、撮像
素子１０４上への被写体像の光量が調節される。

【０００８】自動絞り制御回路２１７の動作の詳細は以
下のようである。被写体像の輝度が明るすぎる場合、プ
リアンプ１１６の出力する映像信号の振幅は大きくな
る。これにより検波回路２０８の出力である映像信号の
平均電圧は増加する。検波回路２０８の出力電圧が基準
電圧２１０よりも大きくなることにより、コンパレータ
２０９の出力は低電位にシフトする。アイリスモータ１
１３はコンパレータ２０９の出力に応答して、絞り羽根
１０３が閉じるように動作する。これにより、撮像素子
１０４上への被写体からの入射光量が減少する。

【０００９】撮像素子１０４に入射する被写体からの光
量が少ない場合には、上述と逆の動作が行なわれる。す
なわち、検波回路２０８の出力電圧は低下し、基準電圧
２１０よりも低くなる。コンパレータ２０９の出力は高
電位にシフトし、アイリスモータ１１３は絞り羽根１０
３を開くように動作する。これにより、撮像素子１０４
上への入射光量は増加する。

【００１０】上述のように自動絞り制御回路が動作する
ことにより、絞り羽根１０３の絞り量は、画面の中央領
域および下方領域にある被写体の輝度が最適となるよう
に調整される。使用者が自己の希望する撮影状態を得る
ために、絞りを手動で調整する必要はない。

【００１１】以上のように従来の自動絞り制御回路を有
するビデオカメラにおいては、中央重点測光および下方
重点測光が採用されている。これは、通常被写体が画面
中央に配置されること、また上方には空が背景として入
りやすく、被写体が下方に配置されることが多いことな
どにより、一般によく採用される被写体の条件を考慮し
て行なわれているものである。しかし、使用者によって
は、中央重点および下方重点測光では、最適な絞りとな
らない場合がある。

【００１２】図１７（ｃ）を参照して、画面２５１内に
おいて、被写体２５４の背景がすべて高輝度の場合を考
える。この場合、画面２５１の下方部分も高輝度とな
る。そのため、下方重点測光を採用した場合には、絞り
は閉じる方向に動作する。そのため、被写体２５４の撮
影像が暗くなってしまうという事態が生ずる。

【００１３】さらに、図１７（ｃ）に示されるように、
被写体２５４が中央部分２５２からはずれた場合を考え
る。この場合、中央部分２５２の大部分は高輝度部とな
る。したがってこの場合にも絞りは閉じる方向に動作す
る。そのため、被写体２５４の撮影像は非常に暗くなっ
てしまう。

【００１４】上述のような被写体条件は必ずしも特殊と
は限らない。たとえば、スキー場などにおいて行なわれ
る撮影を考える。この場合、背景は雪となる。周知のよ
うに雪の輝度は非常に高い。そのため、図１７（ｃ）に
示されるような状況がスキー場などでは容易に発生し得
る。

【００１５】このように、たとえばスキー場での撮影回
数が多い使用者などにとっては、従来の中央重点測光や
下方重点測光を用いた自動絞り制御によれば最適な絞り
値を得ることができず、満足できる撮影を行なえないと
いう問題があった。このような場合、手動で絞りの調節
ができるビデオカメラもある。しかし、撮影しながらの
絞りの制御は非常に難しく、上述の従来のビデオカメラ
では容易には行なえないという問題点もあった。

【００１６】一方、本願の向けられているビデオカメラ
ではないが、スチルカメラに関する技術で、被写体の状
況に応じてカメラを制御するための技術が特開平２−９
６７２４号公報に開示されている。

【００１７】図１８を参照して、特開平２−９６７２４
号公報に開示されているスチルカメラは、レンズ３２０
と、レンズ３２０の前方に設けられた絞り３１９と、レ
ンズ３２０をその光軸に沿って移動させることにより被
写体の光学像を所定の結像面に合焦させるための合焦機
構３３５とを含む。被写体の光学像は、マトリクス状に
配置された光電変換素子からなる撮像素子３２１によ
り、各光電変換素子ごとに被写体の輝度を表わすデータ
として、３２２に与えられる。増幅器３２２によって増
幅された被写体の輝度情報はＡ／Ｄ変換器３２３によっ
てＡ／Ｄ変換され、絞りこまれたときの輝度ＢＶ′とし
て演算回路３２４に与えられる。演算回路３２４にはま
た、絞り３１９の開放時の絞り値ＡＶ₀が入力されてお
り、演算回路３２４はこの２つの値ＢＶ′、ＡＶ₀から
実際の被写体の輝度ＢＶ（＝ＢＶ′−ＡＶ₀）を演算し
て出力する。出力された被写体の輝度ＢＶは、マルチプ
レクサ３２８およびフレームメモリ３３４に与えられ
る。マルチプレクサ３２８の動作については後述する。

【００１８】フレームメモリ３３４は、撮像素子３２１
の各光電変換素子の出力に基づく被写体の輝度ＢＶを各
光電変換素子ごとに記憶する。フレームメモリ３３４に
はフレームメモリ３３４に格納されている輝度情報を入
力とし、フレームメモリ３３４に格納された映像の主要
な被写体の位置を表わす信号Ｐ_xyを出力するための、ニ
ューロコンピュータ３２５が接続されている。ニューロ
コンピュータ３２５には、ニューロコンピュータ３２５
によって行なわれる演算処理を決定するための係数Ｗ_ji
を格納するための係数メモリ３２６が接続されている。
これら係数Ｗ_jiは、ニューロコンピュータ３２５の学習
過程において、入力に対する適切な出力を得るように書
替えられる。

【００１９】ニューロコンピュータ３２５の出力はセレ
クタ３３４の一方入力に接続されている。セレクタ３３
６の出力はマルチプレクサ３２８に接続されている。セ
レクタ３３６の他方の入力端子には操作パネル３２７の
出力が接続されている。操作パネル３２７の出力はま
た、ニューロコンピュータ３２５にも接続されている。
操作パネル３２７は、ニューロコンピュータ３２５に対
して、その学習モード時に、フレームメモリ３３４に格
納された映像のうちの主要な被写体の位置を表わす信号
ｄ_bjを与えるためのものである。そのために操作パネル
３２７は、たとえば、画面上の位置を１対１に対応する
図示されないタッチパネルスイッチなどを含む。使用者
がファインダを見ながら画面上の主要な被写体の位置を
入力することにより、主要な被写体の位置を表わす信号
ｄ_pjが操作パネル３２７からニューロコンピュータ３２
５に与えられる。ニューロコンピュータ３２５は、フレ
ームメモリ３３４から与えられる入力によって、係数メ
モリ３２６に格納されている係数に基づく演算を行なっ
て一旦出力を決定する。ニューロコンピュータ３２５は
さらに、操作パネル３２７から与えられる信号ｄ_pjと自
分自身の出力とを比較し、その誤差が極小となるように
係数メモリ３２６内の係数ｗ_jiを書替える。このような
学習を複数回行なうことにより、ニューロコンピュータ
３２５および係数メモリ３２６で構成されるニューラル
ネットワークが自己組織化され、フレームメモリ３３４
からの入力に応じ、適切な信号Ｐ_xyを出力することがで
きる。

【００２０】操作パネル３２７の出力はセレクタ３３６
にも与えられており、学習モード時にはセレクタ３３６
は操作パネル３２７の出力をマルチプレクサ３２８に与
える。オートモード時には、セレクタ３３６はニューロ
コンピュータ３２５の出力をマルチプレクサ３２８に与
える。マルチプレクサ３２８は、ニューロコンピュータ
３２５または操作パネル３２７から与えられる制御信号
Ｐ_xyによって指示される、被写体中の主要被写体に対応
する光電変換素子の出力ＢＶのみを通過させ、演算回路
３２９および３３１に与える。

【００２１】演算回路３２９は、マルチプレクサ３２８
から与えられる、主要な被写体に対応する光電変換素子
の輝度出力ＢＶに基づき、いわゆる山登り方式に従って
焦点検出のための演算を行なう。演算回路３２９の出力
はドライバ３３０に与えられる。ドライバ３３０は、与
えられる演算結果に基づいて合焦機構３３５を動作さ
せ、レンズ３２０をその光軸方向に移動させる。演算回
路３２９の演算により、レンズ３２０は被写体が撮像素
子３２１の受光面の上に像を結ぶような位置に停止され
る。

【００２２】演算回路３３１は、マルチプレクサ３２８
から与えられる被写体の主要部の輝度ＢＶと、フィルム
感度ＳＶと、絞り３１９の絞り値ＡＶと、設定されたシ
ャッタスピードＴＶとに基づき、シャッタスピードまた
はシグナル値を決定する。決定されたシャッタ速度はシ
ャッタ制御装置３３２に、絞り値は絞り制御装置３３３
にそれぞれ与えられる。

【００２３】このように、特開平２−９６７２４号公報
に開示されたスチルカメラにおいては、被写体全体では
なく、被写体の主要部のみの輝度情報に基づいて絞り値
やシャッタ速度、合焦位置などが決定される。その主要
な被写体の位置は、ニューロコンピュータ３２５に検出
される。ニューロコンピュータ３２５による主要な被写
体の位置の検出は、操作パネル３２７を用いて、使用者
の指示により行なわれた学習に基づいて行なわれる。し
たがって、被写体主要部の位置の検出を、使用者の傾向
と同様に行なうことができる。また、このような主要な
被写体の輝度のみに基づいてカメラの制御が行なうた
め、主要な被写体を適切な撮影条件で撮影することがで
きると同公報は述べている。

【００２４】

【発明が解決しようとする課題】しかしながら、特開平
２−９６７２４号公報は、スチルカメラに向けられた技
術であり、これをビデオカメラに如何に応用するかにつ
いては開示されていない。また、特開平２−９６７２４
号公報は、このようなニューロコンピュータを、被写体
の明るさ条件あるいは輝度パターンに応じた露出補正信
号を教師信号として与え、逆行補正などの学習を行なう
ことも可能であると示唆しているが、その具体的構成に
ついては何ら明らかにしていない。

【００２５】さらに、同公報の実施例に記載されたスチ
ルカメラでは、主要な被写体のみの輝度情報に基づいて
カメラが制御されているが、これによって以下のような
問題点を生ずる。すなわち、たとえば絞り値の最適値を
求めるには、主要な被写体以外の背景の輝度情報と主要
な被写体の輝度情報との関係が非常に重要となるが、特
開平２−９６７２４号公報に開示の技術では、主要被写
体と背景の輝度バランスを最適化することが不可能であ
る。銀塩カメラに代表されるスチルカメラにおいては、
プリント時に輝度の調整を行なうことが可能であるた
め、特開平２−９６７２４号公報に開示の技術であって
も実用上は問題ない。しかし、ビデオカメラにおいては
再生時に輝度の調整を行なうにも限界があるため、特開
平２−９６７２４号公報に開示の技術をそのまま応用す
ることは適当でない。

【００２６】さらに次のような問題点もある。ビデオカ
メラにおいては、映像信号を得るための撮像素子の出力
をそのまま絞りなどの制御に用いることが一般的であ
る。ところが、最近では画質を向上させるために撮像素
子に配置される光電変換素子の数が膨大なものとなって
いる。したがって、特開平２−９６７２４号公報に開示
の技術をそのままビデオカメラに応用して、各光電変換
素子の出力をそのままフレームメモリに格納してニュー
ロコンピュータに与える場合には、ニューロコンピュー
タの入力が膨大な数となり、実用的でない。ニューラル
ネットワークの入力が膨大な数となれば、ニューラルネ
ットワークの学習過程が長くなるという問題点もある。
さらに、光電変換素子の出力をそのままニューラルネッ
トワークの入力とすれば、被写体の僅かな位置の変化に
よってもニューラルネットワークへの入力値が大きく変
化し、ニューラルネットワークの動作が不安定となる恐
れもある。

【００２７】それゆえに請求項１に記載の発明の目的
は、具体的な場面における被写体の条件に応じて使用者
が最適と思うような絞り値に、自動的に絞りを制御する
ことができるビデオカメラを提供することである。

【００２８】請求項２に記載の発明の目的は、具体的な
場面における被写体の条件に応じて、使用者が最適と思
うような絞り値に、自動的にかつ安定して絞りを制御す
ることができる自動カメラを提供することである。

【００２９】請求項３に記載の発明の目的は、具体的な
場面における被写体の条件に応じて、使用者が最適と思
うような絞り値に、自動的に絞りを制御することがで
き、かつより多様な状況において使用者の最適と思うよ
うな自動絞りを実用するような学習をすることが可能な
ビデオカメラを提供することである。

【００３０】請求項４に記載の発明の目的は、具体的な
場面における被写体の条件に応じて、使用者が最適と思
うような絞り値に、自動的に絞りを制御することがで
き、かつより多様な状況において使用者の最適と思うよ
うな自動絞りを実用するような学習を安定し、かつ迅速
に行なうことができるビデオカメラを提供することであ
る。

【００３１】

【課題を解決するための手段】請求項１に記載の発明に
かかるビデオカメラは、被写体からの入射光を集光し
て、所定の結像面に結像させるための光学系と、入射光
量を、与えられる入射光量規制信号に応答して規制する
ための入射光量規制手段と、光学系により、所定の枠内
に結像された被写体の光学像を撮像して輝度信号を出力
するための撮像手段と、撮像手段に接続され、輝度信号
に基づいて、枠内における光学像の輝度分布の特徴を、
枠を複数個の部分領域に分割し、部分領域ごとの輝度と
して抽出して複数個の輝度分布信号として出力するため
の輝度分布特徴抽出手段とを含む。さらにこのビデオカ
メラは、光学像の輝度分布に応じて、使用者が任意に設
定し得る入射光量規制信号の目標値を定めるための目標
値信号を出力するための手段と、複数個の輝度分布信号
を入力とし、所定の変換により得られる入射光量規制信
号を出力とするニューラルネットワークを用い、与えら
れる教師信号に対するその出力の差異が極小化するよう
に変換を適応化するための適応化手段と、使用者の操作
に応答して、目標値信号と適応化手段の出力との一方を
選択し、適応化手段に教師信号として与えるための選択
手段とを含む。

【００３２】請求項２に記載の発明にかかるビデオカメ
ラは、請求項１に記載のビデオカメラにおいて、輝度分
布特徴抽出手段が、撮像素子の出力する映像信号をＡ／
Ｄ（アナログ−デジタル）変換して、光学像の輝度を示
す輝度データとして出力するためのＡ／Ｄ変換手段と、
輝度データを、各部分領域ごとに所定時間だけ積算し、
各部分領域ごとの平均輝度を算出することにより輝度分
布信号として出力するための平均輝度算出手段とを含
む。

【００３３】請求項３に記載の発明にかかるビデオカメ
ラは、請求項１に記載のビデオカメラにおいて、適応化
手段のニューラルネットワークは、各々が輝度分布信号
の組に所定の変換を行なって１つの出力を得るための複
数個の変換手段を有する中間層と、各々が、中間層の出
力する信号に所定の変換を行なって１つの出力を得るた
めの複数個の変換手段を有する出力層と、出力層の出力
する信号の組に所定の変換を行なって単一の入射光量規
制信号を得るための出力変換手段と、出力層の出力と教
示信号との差異に基づいて、差異が極小となるように中
間層と、出力層とにおいて行なわれる変換を適応的に更
新するための変換更新手段とを含む。

【００３４】請求項４に記載の発明にかかるビデオカメ
ラは、請求項３に記載のビデオカメラにおいて、中間層
と出力層との各変換手段は、入力される信号のそれぞれ
に所定の重み付けを行なうための重み付け手段と、重み
付けされた信号をすべて加算するための加算手段と、加
算手段の出力を所定の単調増加関数に従って変換して出
力するための関数変換手段とを含む。また変換更新手段
は、出力変換手段の出力と教師信号との差異に基づい
て、差異の二乗平均が最小となるように各重み付けを再
計算し、更新するための重み付け更新手段を含む。

【００３５】

【作用】請求項１に記載のビデオカメラにおいて光学系
により結像された像は、撮像手段によって輝度信号に変
換される。映像の枠は複数個の部分領域に分割され、各
部分領域ごとの輝度が映像の輝度分布の特徴として輝度
信号から抽出される。抽出された映像の輝度分布の特徴
は複数の輝度分布信号として適応化手段のニューラルネ
ットワークに入力される。ニューラルネットワークは、
複数個の輝度分布信号に所定の変換を施し、入射光量規
制信号として出力する。ニューラルネットワークの学習
時には、選択手段は、使用者により設定される目標値信
号を教師信号として適応化手段に与える。適応化手段は
教師信号と自分自身の出力との差異が極小になるように
その内部で行なわれる変換を適応化させる。一方、通常
動作時には、適応化手段は学習過程で適応化された変換
に従って輝度分布信号を処理し、入射光量を規制手段に
与える。したがって、通常動作時の入射光量規制信号の
値は、様々な状況において学習された、使用者の好みに
応じた値をとるようになる。

【００３６】請求項２に記載のビデオカメラにおいて
は、輝度信号から、各部分領域ごとにその平均輝度が算
出されて、輝度分布信号として、適応化手段に入力され
る。

【００３７】請求項３に記載のビデオカメラにおいて
は、ニューラルネットワークの中間層の各変換手段は、
入力される輝度分布信号の組に所定の変換を行ない１つ
の出力を得て、出力層の各変換手段に与える。出力層の
各変換手段も、中間層から入力される信号に所定の変換
を行なって１つの出力を得、出力変換手段に与える。出
力変換手段は、出力段の出力の組にさらに所定の変換を
行ない、入射光量規制信号を出力する。各変換手段にお
いて行われる変換は、出力変換手段の出力と、教師信号
との差異が極小になるように適応的に更新される。

【００３８】請求項４に記載のビデオカメラにおいて
は、各変換手段は、その入力に所定の重み付けを行なっ
て加算した後、所定の関数変換を行なって１つの出力を
得る。この重み付けの値は、教師信号とニューラルネッ
トワークの出力との差異の二乗平均が極小となるよう
に、重み付け更新手段によって逐次再計算され更新され
る。

【００３９】

【実施例】図１は、本発明の一実施例にかかるビデオカ
メラのブロック図である。図１を参照して、このビデオ
カメラは被写体１からの入射光を集光して所定の結像面
に結像させるための光学系としてのレンズ１０２と、レ
ンズ１０２により、所定の枠内に結像された被写体１０
１の光学像を撮像して電気信号である映像信号に変換す
るためのＣＣＤイメージセンサからなる撮像素子１０４
と、撮像素子１０４への入射光量を規制するための絞り
羽根１０３と、絞り羽根１０３を、与えられる入射光量
規制信号である絞り制御電圧に従って駆動するためのア
イリスモータ１１３と、撮像素子１０４の出力する映像
信号を増幅し、信号処理回路に与えるためのプリアンプ
１１６と、プリアンプ１１６の出力する映像信号レベル
に応答し、使用者による手操作の絞り制御の過程で学習
された絞り制御のパターンに従って、アイリスモータ１
１３を駆動するための絞り制御電圧を出力するための自
動絞り制御回路１１７と、自動絞り制御回路１１７に接
続され、自動絞り制御回路１１７の自動絞り制御パター
ンの学習において、教師信号を出力し自動絞り制御回路
１１７に与えるための手操作可能な手動絞り制御信号発
生回路１１８とを含む。

【００４０】自動絞り制御回路１１７は、プリアンプ１
１６によって増幅された映像信号の輝度成分をＡ／Ｄ変
換するためのＡ／Ｄコンバータ１０５と、画面を複数個
の部分領域に分割し、各部分領域ごとに、Ａ／Ｄコンバ
ータ１０５から出力される輝度データを所定時間積算
し、平均の輝度を算出して各領域ごとの平均輝度信号を
出力するためのエリア分割平均演算回路１０６と、エリ
ア分割平均演算回路１０６から入力される平均輝度信号
に応答し、画面内の輝度分布のパターンをパターン認識
し、学習によって得られた使用者による絞り制御と合致
するような形での変換を行ない、最適な絞り量をデジタ
ル値で出力するためのニューラルネットワーク１０７
と、ニューラルネットワーク１０７の出力に接続され、
ニューラルネットワーク１０７から出力される最適絞り
値を表わすデジタル信号をＤ／Ａ（デジタル−アナロ
グ）変換するためのＤ／Ａコンバータ１０８と、手動絞
り制御信号発生回路１１８から与えられる、ニューラル
ネットワーク１０７の出力と使用者により設定された目
標となる絞り値との差異（オフセット）を表わすオフセ
ット電圧とを加算し、出力するための加算器１１４と、
加算器１１４の出力電圧と基準電圧１１１とを比較し、
その比較出力に基づいてアイリスモータ１１３を駆動す
るためのコンパレータ１１２と、加算器１１４の出力を
Ａ／Ｄ変換し、ニューラルネットワーク１０７に学習の
ための教師信号として与えるためのＡ／Ｄコンバータ１
１５とを含む。

【００４１】手動絞り制御信号発生回路１１８は、可変
抵抗１１０と、一方の入力端子１０９ａが可変抵抗１１
０に、他方の入力端子１０９ｂが接地電位に、出力端子
が加算器１１４の入力の一方に、それぞれ接続されたス
イッチ１０９とを含む。

【００４２】図２を参照して、エリア分割平均演算回路
１０６は、画面２５１を、互いに等しい大きさの例えば
４×４の領域ａ_{0 0}〜ａ_{3 3}に分割し、各領域ごとの所
定時間の平均輝度を求め、各領域ごとの輝度データとし
て出力するためのものである。

【００４３】図３を参照して、エリア分割平均演算回路
１０６は、おのおの分割領域ａ_{0 0}〜ａ_{3 3}（図２参
照）のうちの１つの領域からの輝度データを所定の時間
積算し、ニューラルネットワーク１０７に積算値を与え
るための、分割領域の数だけ設けられた積算回路１２１
と、各積算回路１２１に対し、自己の担当する領域から
の輝度データのみを積算可能とするためのエリア分割タ
イミング信号ｖ０〜ｖ３、ｈ０〜ｈ３および積算を画面
ごとにクリアするためのクリア信号ＣＬを発生し、各積
算回路１２１に与えるためのエリア分割タイミング信号
発生器１２２とを含む。

【００４４】エリア分割タイミング信号のうち、信号ｈ
０〜ｈ３は、画面２５１（図２）を、垂直方向の線に沿
って分割するためのタイミングを表わすためのエリアパ
ルスである。図４（ａ）に示されるような波形で映像信
号がＡ／Ｄコンバータ１０５（図１）に入力されるもの
とする。信号ｈ０は、図４（ｂ）を参照して、各水平走
査期間の映像期間の先頭から高電位となり、映像期間の
４分の１だけ高電位を持続する。信号ｈ０はそれ以外の
期間では低電位となる。

【００４５】信号ｈ１は、図４（ｃ）に示されるよう
に、信号ｈ０の立下がりと同時に高電位となり、高電位
を映像期間の４分の１だけ持続する。信号ｈ１はそれ以
外の期間では低電位である。図４（ｄ）、（ｅ）に示さ
れるように、信号ｈ２、ｈ３もそれぞれ、信号ｈ１、ｈ
２の立下がりと同時に高電位になり、映像期間の４分の
１だけ高電位を持続して低電位となる。それ以外の期間
では、信号ｈ２、ｈ３はともに低電位に保たれる。

【００４６】一方、信号ｖ０〜ｖ３は、画面２５１を水
平方向に沿った線で分割するためのタイミングを示す信
号である。映像信号が図５（ａ）に示される波形を有す
るものとする。図５（ｂ）〜（ｅ）を参照して、垂直走
査期間のうち有効な映像信号が含まれる領域を４分割す
る。信号ｖ０〜ｖ３は、この４分割された期間のうち、
それぞれ第１、第２、第３、第４の期間において高電位
となり、それ以外の期間において低電位となる。

【００４７】信号ｈ０〜ｈ３のうちの１つと、信号ｖ０
〜ｖ３の１つとを組合せ、双方とも高電位になるときの
映像信号の輝度を積算すれば、図２に示される分割領域
ａ₀ ₀〜ａ_{3 3}のうちの１つの領域の輝度データが求め
られることになる。

【００４８】分割領域ａ_{i j}の輝度データを積算するた
めの積算回路（ｉ、ｊ）１２１は、入力の一方がＡ／Ｄ
コンバータ１０５に接続された加算器１２４と、加算器
１２４の出力する加算データを格納するためのレジスタ
１２３と、エリア分割タイミング信号発生器１２２（図
３参照）から与えられる、入力される輝度データに同期
したクロック信号ＣＬＫと、エリア分割タイミング信号
発生器１２２から与えられるエリアパルスｖ_i、ｈ_jと
のアンドをとり、これによりレジスタ１２３の格納タイ
ミングを制御するためのゲート回路１２５とを含む。レ
ジスタ１２３の出力は加算器１２４の入力の一方に接続
されている。これにより、レジスタ１２３の格納内容
と、Ａ／Ｄコンバータ１０５から与えられる輝度データ
との加算値が再びレジスタ１２３に送られ、加算される
ことになる。レジスタ１２３のクリア端子には、エリア
分割タイミング信号発生器１２２によって垂直期間ごと
に発生されるクリアパルスＣＬが与えられる。これによ
り、レジスタ１２３の内容は１画面ごとにクリアされ
る。

【００４９】なお、本実施例においては、図２に示され
るように画面２５１は互いに等しい面積の分割領域ａ
_{0 0}〜ａ_{3 3}に分割されている。各分割領域からサンプ
リングされる輝度データの個数は互いに等しい。したが
って、レジスタ１２３によって求められる輝度データの
積算値を、そのままその分割領域の輝度平均値として処
理することができる。積算回路１２１の出力１３４は、
ニューラルネットワーク１０７に与えられる。

【００５０】図７は、ニューラルネットワーク１０７の
模式的ブロック図である。ニューラルネットワークの動
作原理については、たとえば「ニューラル・ネットをパ
ターン認識、信号処理、知識処理に使う」（『日経エレ
クトロニクス』、１９８７年８月１０日号、Ｎｏ．４２
７、ｐｐ．１１５〜１２４）や、「入門ニューロコンピ
ュータ」（菊地豊彦著，オーム社，１９９０年発行）に
詳しい。したがって、ここではその動作原理については
詳しくは説明しない。

【００５１】図７を参照して、ニューラルネットワーク
１０７は、エリア分割平均演算回路１０６から出力され
る輝度平均値データ１３４に所定の処理を施し、中間出
力とするための中間層１３２と、中間層１３２の出力に
所定の変換を施し、ｎ個の正規化された出力を得るため
の出力層１３６と、出力層１３６の出力のそれぞれに対
して設けられ、出力層１３６の出力と０．５とを比較
し、その大小に応じて１または０の出力を与えるための
ｎ個のコンパレータ１３５とを含む。中間層１３２は、
ｍ個のニューロン１３１を含む。ニューロン１３１の各
々には、図示されない入力層によって分岐されたすべて
の輝度平均値データ１３４が入力される。

【００５２】出力層１３６は、その出力が各々対応する
コンパレータ１３５の正入力端子に接続され、その入力
が中間層１３２のすべてのニューロン１３１の出力に接
続されたｎ個のニューロン１３７を含む。出力層のニュ
ーロン１３７には、０〜（ｎ−１）の連番がふられてい
る。

【００５３】ニューラルネットワーク１０７はさらに、
コンパレータ１３５のうち出力が“１”となるコンパレ
ータに接続されているニューロン１３７に割り当てられ
た番号を、８ビットデータに変換してＤ／Ａコンバータ
１０８に出力するためのエンコーダ１３３と、入力がＡ
／Ｄコンバータ１１５（図１参照）に接続され、Ａ／Ｄ
コンバータ１１５から与えられる信号を、各１ビットの
データｔ０〜ｔ２５５にデコードし、出力層１３６に教
師信号として与えるためのデコーダ１４１を含む。

【００５４】中間層１３２の各ニューロン１３１および
出力層１３６の各ニューロン１３７のそれぞれは、入力
信号のそれぞれに所定の重み付けを行なって加算し、さ
らに予め定める関数変換をした後出力するためのもので
ある。したがって各ニューロン１３１、１３７にはそれ
ぞれの入力の各々についての重み付けを行なうための回
路および、その重み付けを、デコーダ１４１から与えら
れるデータｔ０〜ｔ２５５に従って随時更新していくた
めの回路が付加されている。図７においては、簡略のた
めこれらの回路は図示されていない。これら回路につい
ては、図８〜図１１を参照して詳述する。

【００５５】なお、出力層１３６のニューロン１３７の
個数ｎとしては、後に８ビットデータにエンコードされ
ることを考慮して、２^a（ａは整数）、たとえば１２８
や２５６などとすることが一般的である。

【００５６】中間層１３２の各ニューロン１３１も、入
力される信号に所定の重み付けを行なった後加算して、
特定の関数で変換した値を出力するためのものである。
したがって各ニューロン１３１には、各入力を重み付け
するための重み付け回路と、出力層１３６から与えられ
る学習のためのデータに従って各荷重係数を更新するた
めの回路とが含まれているが、これらは簡略のため図示
されていない。それらについては図１２〜１４を参照に
詳述する。

【００５７】なお、図７に示されるニューラルネットワ
ークにおいては、Ａ／Ｄコンバータ１１５から与えられ
る教師信号をデコーダ１４１で各１ビット信号ｔ０〜ｔ
２５５にデコードし、出力層１３６に与えて、出力層１
３６の各荷重係数を更新した後、更新の結果を用いて中
間層１３２の各荷重係数の更新が行なわれる。すなわ
ち、通常の動作時のデータの流れと、学習時の学習のた
めのデータの流れとは逆方向となっている。このような
学習方法は、誤差逆伝搬学習則と呼ばれる。

【００５８】図８は、出力層１３６のニューロン１３７
と、ニューロン１３７に付属して設けられ、ニューロン
１３７に入力される中間層１３２からの出力１３９（ｘ
₁〜ｘ_m）に対する重み付けをそれぞれ計算し、更新す
るための重み付け更新回路１３８のブロック図である。
重み付け更新回路１３８は、前述のように図７において
は図示されていない。図８を参照して、重み付け更新回
路１３８は、それぞれ入力信号１３９（ｘ₁〜ｘ_m）の
うちの１つに対する重み付け計算を行なうためのｍ個の
重み付け計算回路１４１を含む。

【００５９】今、ニューロン１３７が番号ｊが割り当て
られたニューロンであるとする。その出力をｙ_jとす
る。図８を参照して明らかなようにｉ番目の入力信号１
３９（ｘ_i) に対する重み付け計算回路１３１は、ニュ
ーロン１３７の出力ｙ_jと、デコーダ１４１から与えら
れる１ビット信号ｔ_jと、入力信号ｘ_iと、ニューロン
１３７に含まれる、入力信号ｘ_iに対する荷重係数とに
基づいて、この荷重係数を再計算し、ニューロン１３７
内においてこの荷重係数を更新するためのものである。
また、重み付け計算回路１４１の出力は、中間層１３２
の各ニューロン１３１に与えられ、各ニューロン１３１
内で行なわれる重み付け処理の荷重係数の更新に用いら
れる。

【００６０】図９は、出力層１３６のニューロン１３７
の構造を示すブロック図である。図９を参照して、ニュ
ーロン１３７はそれぞれ入力信号１３９（ｘ₁〜ｘ_m）
に対する荷重係数ｗ０_{j 1}〜ｗ０_{j m}を格納するための
ｍ個のレジスタ１４３と、それぞれ入力信号１３９（ｘ
₁〜ｘ_m）に、対応するレジスタ１４３に格納された荷
重係数ｗ０_{j 1}〜ｗ０_{j m}を乗算するためのｍ個の乗算
器１４２と、ｍ個の乗算器１４２の出力をすべて加算
し、出力ｗ_j０を与えるための加算器１４４と、加算器
１４４の出力ｗ０_jに所定の変換ｆを行ない、変換結果
を出力１４０（ｙ _j）として与えるための関数器１４５
とを含む。各レジスタ１４３の荷重係数ｗ０_{j 1}〜ｗ０
_{j m}は、それぞれ対応する重み付け計算回路１４１によ
って更新される。また各荷重係数ｗ０_{j 1}〜ｗ０
_{j m}は、次回の学習における重み付け計算回路１４１で
行なわれる処理に用いられる。

【００６１】関数器１４５の特性は、ｙ_j＝ｆ（ｗ_j）
として表わされる。関数ｆは、非減少単調増加関数であ
る。本実施例では、関数ｆとして区間（０、１）の値を
とるシグモイド関数を採用した。シグモイド関数は次の
式（３）によって定義される。

【００６２】ニューロン１３７の動作を式によって定義
すると、以下の３式となる

【００６３】

【数１】

【００６４】上述の式（３）がシグモイド関数である
が、そのグラフは図１０に示されている。図１０を参照
して、このグラフは、ｗ_jが−∞であるときには０に、
＋∞であるときには１に近づき、ｗ_j＝０のとき、０．
５となる。関数ｆとしてはこのシグモイド関数に限ら
ず、非減少単調増加関数であれば他の関数を採用しても
よい。

【００６５】図１１は、ニューロン１３７のうち、ｉ番
目の入力１３９（ｘｉ）に対する重み付けを更新するた
めの重み付け計算回路１４１のブロック図である。１つ
のニューロンには、この重み付け回路１４１がｎ個だけ
含まれている。

【００６６】重み付け計算回路１４１によって行なわれ
る、ｉ番目の入力ｘ_iに対する荷重係数ｗ０_{j i}は、出
力層の出力ｙ_jと教師信号ｔ_jとにより、次式で示され
る演算に従って行なわれる。

【００６７】

【数２】

【００６８】そして、出力層のｊ番目のニューロン１３
７の、ｉ番目の入力ｘ_iに対する荷重係数ｗ０_{j i}に、
Δｗ０_{j i}だけ加算することにより、荷重係数ｗ０_{j i}
が更新される。

【００６９】図１１は、式（４）、（５）で示される重
み付け計算を行なうための重み付け計算回路１４１のブ
ロック図である。図１１を参照して、重み付け計算回路
１４１は、ニューロン１３７の出力ｙ_jと、デコーダ１
３０から与えられる教師信号ｔ_jとから、値（ｙ_j−ｔ
_j）を求めるための加算器１４６と、ニューロン１３７
の出力ｙ_jから、値（１−ｙ_j）を生成するための加算
器１４７と、ニューロン１３７の出力ｙ_jと、加算器１
３６の出力（ｙ_j−ｔ_j）と加算器１４７の出力（１−
ｙ_j）とを乗算し、式（５）で示される値δ０_jを出力
するための乗算器１４８と、乗算器１４８の出力δ０_j
と、ｉ番目の入力ｘ_iと、値（−ε）とを乗算し、式
（４）で示される値Δｗ０_{j i}を算出するための乗算器
１５０と、ｉ番目の入力ｘ_iに対する荷重係数ｗ０_{j i}
と、乗算器１５０の出力Δｗ０_{j i}との差を求め、再び
レジスタ１４３に荷重係数ｗ０_{j i}として格納するため
の加算器１４９とを含む。

【００７０】このようにして更新されたレジスタ１４３
の荷重係数ｗ０_{j i}と、入力ｘ_iとが乗算器１４２によ
って乗算され、加算器１４４（図９参照）に与えられ
る。重み付け計算回路１４１はさらに、乗算器１４８の
出力δ０_jとレジスタ１４３の出力する荷重係数ｗ０
_{j i}とを乗算して、中間層１３２に出力するための乗算
器１５１を含む。乗算器１５１の出力δ０_j・ｗ０_{j i}
は、中間層１３２の各ニューロン１３１内の荷重係数の
更新に用いられる。

【００７１】重み付け計算回路１４１内で行なわれる演
算には、小さい正の実数値εが用いられている。この値
は、学習の過程で各荷重係数の収束性がよくなるよう
に、実験的に求められるものである。

【００７２】図１２は、中間層１３２に含まれるｉ番目
のニューロン１３１で行なわれる変換の、荷重係数を更
新するための重み付け更新回路１２９のブロック図であ
る。中間層１３２の各ニューロン１３１には、それぞれ
１つずつの重み付け更新回路１２９が設けられている。

【００７３】図１２を参照して、重み付け更新回路１２
９は、ｉ番目のニューロン１３１の出力ｘ_iから、値
（１−ｘ_i）を作りだすための加算器１５２と、加算器
１５２の出力とニューロン１３１の出力とを乗算するこ
とにより値ｘ_i（１−ｘ_i）を作りだすための乗算器１
５３と、ニューロン１３１に入力されるｋ個の入力信号
ｂ₁〜ｂ_k（軌道平均値データａ_{0 0}〜ａ_{3 3}）のそれ
ぞれに対する、ニューロン１３１内で行なわれる重み付
けのための荷重係数を計算するための、ｋ個の重み付け
計算回路１５４とを含む。図１２に示されるように、各
重み付け計算回路１５４は、出力層１３６のニューロン
から与えられる訂正用のデータδ０₁ｗ０ _{1 i}〜δ０_n
ｗ０_{n i}と、乗算器１５３の出力と、対応する入力１３
４と、ニューロン１３１に含まれる、対応する入力に対
する荷重係数とに基づいて重み付け計算を行ない、荷重
係数を更新するためのものである。

【００７４】図１３は、中間層１３２のニューロン１３
１のうち、ｉ番目のニューロン１３１のブロック図であ
る。図１３を参照して、ニューロン１３１は、ｋ個の入
力１３４（ｂ₁〜ｂ_k）に対する重み付け係数ｗ１_{i 1}
〜ｗ１_{i k}をそれぞれ格納するためのｋ個のレジスタ１
５６と、対応するレジスタ１５６に格納された荷重係数
で、それぞれ入力１３４（ｂ₁〜ｂ_k）を乗算するため
のｋ個の乗算器１５５と、ｋ個の乗算器１５５の出力の
総和をとるための加算器１５７と、加算器１５７の出力
ｗ１に対し、前述のシグモイド関数ｆによって示される
変換を行ない、出力ｘ_iを得るための関数器１５８とを
含む。

【００７５】図１３に示されるように、各レジスタ１５
６の格納する荷重係数ｗ１_{i 1}〜ｗ１_{i k}は、重み付け
計算回路１５４（図１２）によって更新される。また、
各荷重係数ｗ１_{i 1}〜ｗ１_ikは、それぞれの更新のた
めに、重み付け計算回路１５４に与えられる。

【００７６】図１４は、中間層１３２のニューロン１３
１に、ニューロン１３１に対する入力の数だけ設けられ
ている、入力に対する荷重係数を計算するための重み付
け計算回路１５４のブロック図である。図１４に示され
る重み付け計算回路は、ｉ番目のニューロン１３１に対
するｐ番目の入力ｂ_pに対する荷重係数ｗ１_{i p}を計算
するための回路である。図１４を参照して、重み付け計
算回路１５４は、それぞれ出力層１３６から与えられる
データδ０₁ｗ０_{1 i}〜δ０_nｗ０_{n i}を、乗算器１６
０から与えられる値ｘ_i（１−ｘ_i）で乗算するための
ｎ個の乗算器１６１と、ｎ個の乗算器１６１の出力の総
和をとり、出力δ１_iを得るための加算器１６２と、ｐ
番目の入力ｂ_pと、加算器１６２の出力δ１_iと、小さ
な正の実数εとの積を計算し、出力Δｗ１_{i p}を得るた
めの乗算器１６３と、レジスタ１５６に格納された荷重
係数ｗ１_{i p}と、乗算器６３の出力との差をとり、結果
によってレジスタ１５６の荷重係数ｗ１_{i p}を更新する
ための加算器１６４とを含む。

【００７７】重み付け計算回路１５４によって行なわれ
る荷重係数ｗ１_{i p}の更新処理は、以下の式に従って求
めたΔｗ１_{i p}を、荷重係数ｗ１_{i p}に加算することに
よって行なわれる。

【００７８】

【数３】

【００７９】ニューラルネットワーク１０７は、以上の
ような構造を有する。再び図１を参照して、ニューラル
ネットワーク１０７は、エリア分割平均演算回路１０６
から与えられる種々の入力に対し、Ａ／Ｄコンバータ１
１５から与えられる教師信号に従って、各ニューロン１
３１、１３７内の荷重係数ｗ０_{j i}（ｊ＝１〜ｎ、ｉ＝
１〜ｍ）、ｗ１_{j i}（ｊ＝１〜ｍ、ｉ＝１〜ｋ）を更新
することにより、教師信号により表されるような出力を
得るように、回路構成を学習により適応化させる。

【００８０】スイッチ１０９は、ニューラルネットワー
ク１０７の学習モードと、通常動作モードとの選択を行
なうとともに、学習モード時にはニューラルネットワー
ク１０７に教師信号を与えるために、ニューラルネット
ワーク１０７の出力と、操作者が希望する絞り値とのオ
フセット値を出力するためのものである。スイッチ１０
９を端子１０９ｂ側に接続することにより、加算器１１
４には電圧０が加えられる。したがって、Ｄ／Ａコンバ
ータ１０８の出力はそのままコンパレータ１１２に与え
られる。一方、スイッチ１０９が端子１０９ａ側に接続
されている場合、加算器１１４には、可変抵抗器１１０
によって定められる電圧が加えられる。したがって、加
算器１１４の出力は、Ｄ／Ａコンバータ１０８の出力に
対し、可変抵抗器１１０により定められる電圧だけオフ
セットを持つことになる。可変抵抗器１１０を、使用者
が最適と考える絞りになるように調整することにより、
ニューラルネットワーク１０７には、加算器１１４から
Ａ／Ｄコンバータ１１５を経て教師信号が与えられる。
この教師信号に従って、ニューラルネットワーク１０７
の各荷重係数の更新が行なわれることになる。

【００８１】上述のビデオカメラは以下のように動作す
る。レンズ１０２は、被写体１０１からの入射光を集光
し、撮像素子１０４の受光面上に被写体の光学像を結
ぶ。撮像素子１０４に入射する光量は、絞り羽根１０３
によって規制されている。撮像素子１０４は、規定の画
面の枠内の光学像を光電変換により電気信号である映像
信号に変換し、プリアンプ１１６に与える。プリアンプ
１１６は撮像素子１０４の出力する映像信号を増幅した
後、テレビジョン信号に方式変換するための図示されな
い信号処理回路に与える。プリアンプ１１６の出力する
映像信号はまた、自動絞り制御回路１１７のＡ／Ｄコン
バータ１０５にも与えられる。

【００８２】Ａ／Ｄコンバータ１０５は、入力される映
像信号の輝度値をデジタル値に変換し、エリア分割平均
演算回路１０６に与える。エリア分割平均演算回路１０
６に与えられる映像信号の輝度データは、受光素子１０
４の受光面上に形成された二次元画像をラスタスキャン
して得られた線順次信号となっている。

【００８３】図３を参照して、エリア分割タイミング信
号発生器１２２は、図４（ｂ）〜（ｅ）、図５（ｂ）〜
（ｅ）で示されるようなエリアパルスｈ０〜ｈ３、ｖ０
〜ｖ３を発生し、積算回路１２１に与える。エリア分割
タイミング信号発生器１２２は、垂直走査期間ごとに輝
度データの積算をクリアするためのクリア信号ＣＬを発
生し、各積算回路１２１に与える。

【００８４】図６を参照して、図２に示されるような分
割領域ａ_{i j}から発生される映像の輝度データを積算す
るための積算回路１２１は、以下のように動作する。ゲ
ート回路１２５は、入力される輝度データと同期したク
ロック信号ＣＬＫと、垂直エリアパルスｖ_iと、水平エ
リアパルスｈ_jとのＡＮＤをとり、レジスタ１２３に与
える。すなわち、レジスタ１２３には、エリアパルスｖ
_i、ｈ_jがともに高電位であるときのみ、クロック信号
ＣＬＫが与えられる。Ａ／Ｄコンバータ１０５から与え
られた輝度データは、加算器１２４によってレジスタ１
２３内のデータと加算され、レジスタ１２３に与えられ
る。レジスタ１２３はゲート回路１２５から与えられる
クロック信号に同期して加算器１２４の出力を格納す
る。これを繰り返すことで、レジスタ１２３には分割領
域ａ_{i j}から発生される映像信号の輝度データが積算さ
れる。

【００８５】垂直期間ごとにエリア分割タイミング信号
発生器１２２（図３参照）から、クリア信号ＣＬがレジ
スタ１２３に与えられる。これにより、レジスタ１２３
内の積算値は１画面ごとにクリアされ、レジスタ１２３
の出力として１画面ごとの分割領域ａ_{i j}の輝度積算値
が与えられる。

【００８６】前述のように図２に示される各分割領域ａ
_{i j}の面積は互いに等しく、各分割領域から取出される
輝度データの個数も互いに等しい。したがって、レジス
タ１２３から出力される積算値は分割領域の輝度平均値
と比例する。レジスタ１２３から出力される輝度データ
の積算値をもって、各分割領域の輝度平均値とみなすこ
とができる。なお、後述するように各輝度平均値には、
ニューラルネットワーク１０７において学習に基づく重
み付けがなされる。したがって、各分割領域の大きさは
必ずしも互いに等しくなる必要はなく、また、必ずしも
各分割領域の輝度平均値をもって絞り制御に用いる必要
もないと考えられる。しかし、本実施例のように各分割
領域の面積を等しくすれば、ニューラルネットワーク１
０７によりる認識パターンの学習速度が向上するものと
考えられる。

【００８７】図７を参照して、図３に示される各積算回
路１２１の出力する輝度平均値データ１３４は、ニュー
ラルネットワーク１０７の図示されない入力層において
分岐され、各々中間層１３２の各ニューロン１３１に与
えられる。各ニューロン１３１は、入力される輝度平均
値データ１３４に所定の変換を行ない、出力層１３６の
各ニューロン１３７に結果を出力する。各ニューロン１
３１の動作については後述する。

【００８８】出力層１３６の各ニューロン１３７は、中
間層１３２の各ニューロン１３１から与えられるデータ
に所定の変換を施し、各々対応するコンパレータ１３５
の正入力端子に結果を与える。各ニューロン１３７の動
作についても後述する。

【００８９】各コンパレータ１３５は、対応するニュー
ロン１３７の出力を基準値０．５と比較し、ニューロン
１３７の出力が０．５以上のときには１、０．５未満の
ときには０をエンコーダ１３３に出力する。エンコーダ
１３３は、各コンパレータ１３５の出力に応答し、
“１”を出力しているコンパレータ１３５に対応するニ
ューロン１３７の番号を８ビットデータとして生成し、
Ｄ／Ａコンバータ１０８（図１参照）に出力する。

【００９０】通常動作においては、スイッチ１０９は、
端子１０９ｂ側に切換えられている。電圧加算器１１４
には、Ｄ／Ａコンバータ１０８によってアナログ化され
たニューラルネットワーク１０７の出力と、電圧‘０”
とが加えられている。したがって電圧加算器１１４の出
力は、ニューラルネットワーク１０７の出力がアナログ
に変換された信号となる。

【００９１】電圧加算器１１４の出力はコンバータ１１
２の負入力端子に与えられる。コンパレータ１１２は、
基準電圧１１１と電圧加算器１１４の出力との大小を比
較し、比較結果に基づいてアイリスモータ１１３を制御
する。その結果、アイリスモータ１１３はニューラルネ
ットワーク１０７におけるパターン認識の結果映像が暗
いと判断されたときには絞り羽根１０３を開く方向に、
明るすぎると判断された場合には絞り羽根１０３を閉じ
る方向に動かす。

【００９２】通常動作時において、電圧加算器１１４の
出力はニューラルネットワーク１０７の出力したアナロ
グデータそのままである。これをＡ／Ｄコンバータ１１
５によってデジタル化して教師信号としてニューラルネ
ットワーク１０７に与えても、教師信号とニューラルネ
ットワーク１０７の出力とが一致しているため、ニュー
ラルネットワーク内での重み付けの更新処理は行なわれ
ない。

【００９３】図１３を参照して、中間層１３２のニュー
ロン１３１は、入力される輝度平均値データ１３４に対
し以下の処理を行なう。各乗算器１５５は、入力される
輝度平均値データ１３４（ｂ_p：ｐ＝１〜ｋ）に対し、
各レジスタ１５６に格納されている荷重係数ｗ１_{i 1}〜
ｗ１_{i k}を乗算し、各々出力を加算器１５７に与える。
加算器１５７は乗算器１５５によって荷重係数ｗ１_{i 1}
〜ｗ１_{i k}に従って重み付けされた輝度平均値データｂ
₁〜ｂ_kの総和ｗ１を求め、関数器１５８に与える。関
数器１５８は、入力される総和ｗ１に対して、図１０に
示されるシグモイド関数に従った変換を行ない、中間層
出力１３９（ｘ_i）として出力する。

【００９４】中間層１３２の各ニューロン１３１は、い
ずれも上述の処理を行なって出力ｘｘ₁〜ｘ_mを出力層
１３６の各ニューロン１３７に与える。

【００９５】図９を参照して、出力層１３６のニューロ
ン１３７のうち、ｊ番目のニューロン１３７は、以下の
ように動作する。ｊ番目のニューロン１３７には、中間
層１３２の各ニューロン１３１からの出力ｘ₁〜ｘ_mが
与えられる。ニューロン１３７の各乗算器１４２は、入
力される中間層１３２の出力１３９（ｘ₁〜ｘ_m）に対
し、それぞれ対応する荷重係数ｗ０_{j 1}〜ｗ０_{j m}を乗
算し、加算器１４４に与える。加算器１４４は各乗算器
１４２の出力の総和ｗ０_jを関数器１４５に与える。関
数器１４５は加算器１４４の出力ｗ０_jに対し、図１０
に示されるシグモイド変換を行ない、出力ｙ_jを得て、
対応するコンパレータ１３５（図７参照）に与える。

【００９６】同様の処理は出力層１３６のすべてのニュ
ーロン１３７において行なわれ、それらの出力ｙ₁〜ｙ
_nが、対応するコンパレータ１３５に入力される。

【００９７】すなわち、ニューラルネットワーク１０７
の出力として、中間層のニューロン１３１において行な
われる重み付けおよび関数変換、出力層１３６の各ニュ
ーロン１３７において行なわれる重み付けおよび関数変
換、さらにエンコーダ１３３において行なわれる、出力
“１”を与える出力層のニューロンの番号のエンコード
により、ニューラルネットワーク１０７の出力として、
絞り羽根１０３の動作を制御するための出力が得られ
る。各重み付けは、後述する教師信号によるニューラル
ネットワーク１０７の学習処理により随時再計算され、
適応的に更新される。その結果、ニューラルネットワー
ク１０７の出力として、教師信号に基づく学習が反映さ
れた絞り制御が自動的に行なわれることになる。

【００９８】以下、ニューラルネットワーク１０７の学
習過程におけるビデオカメラの動作を説明する。なお、
この学習は前述のように誤差逆伝搬則を用い、式（１）
〜（７）に従って各荷重係数を更新することにより行な
われる。この誤差逆伝搬則による学習を用いれば、ニュ
ーラルネットワークの出力として教師信号とよく一致す
る出力が得られることが知られている。また、学習後の
ニューラルネットワークは、学習済でない入力に対して
も、教師信号を与えた使用者の傾向とよく一致する出力
を与えることが知られている。

【００９９】学習過程は、ニューラルネットワーク１０
７を用いて得られる絞り値が最適でないと使用者が判断
したときに、スイッチ１０９を端子１０９ａ側に切換え
ることにより実行される。使用者は最適絞りが得られる
ように可変抵抗器１１０の抵抗値を調整する。可変抵抗
器１１０によって得られた電圧は、電圧加算器１１４の
一方端子に与えられる。したがって電圧加算器１１４の
出力としては、ニューラルネットワーク１０７の出力の
アナログ値に、可変抵抗器１１０によって規定された電
圧の加算されたものとなる。すなわち、電圧加算器１１
４の出力はニューラルネットワーク１０７の出力に対し
てオフセットをもつことになる。

【０１００】加算器１１４の出力する絞り制御電圧は、
Ａ／Ｄコンバータ１１５によってデジタル値に変換さ
れ、たとえば８ビットの教師信号としてニューラルネッ
トワーク１０７に与えられる。

【０１０１】図７を参照して、デコーダ１３０は、Ｄ／
Ａコンバータ１１５から与えられる８ビットのデジタル
データをデコードし、２５６個の１ビットの教師信号ｔ
０〜ｔ２５５を生成し、各教師信号を出力層１３６の対
応するニューロン１３７に与える。教師信号ｔ０〜ｔ２
５５は、いずれか１つが“１”、それ以外は“０”の値
をとる信号である。

【０１０２】学習過程においてニューラルネットワーク
１０７にエリア分割平均演算回路１０６からある輝度平
均値データ１３４が入力されたものとする。そのときの
出力層１３６の出力は、式（８）で示される２５６次元
のベクトルとして表わされる。

【０１０３】（ｙ₀、ｙ₁、…、ｙ_{2 5 5}）…（８）ここに、ｙ_jは、０〜１の値をとる。

【０１０４】前述のように学習過程は誤差逆伝搬則に従
って行なわれる。すなわち、荷重係数の更新は出力層１
３６、中間層１３２の順で入力信号と逆の方向に向かっ
て行なわれる。したがって以下では、出力層１３６の各
ニューロン１３７において行なわれる処理がまず説明さ
れる。

【０１０５】図８〜図１１を参照して、出力層１３６の
ｊ番目のニューロン１３７の、中間層１３２から出力さ
れるｉ番目の出力ｘ_iに対する荷重係数ｗ０_{j i}は、以
下のようにして更新される。特に図１１を参照して、加
算器１４６により、ｊ番目のニューロン１３７の出力ｙ
_jとｊ番目の教師信号ｔ_jとを用い、値（ｙ_j−ｔ_j）
が生成される。加算器１４７により、値（１−ｙ_j）が
生成される。乗算器１４８により、加算器１４６、１４
７の出力とニューロン１３７の出力ｙ_jとが乗算され、
式（５）で表わされる値δ０_jが生成される。

【０１０６】乗算器１５０は、与えられる小さな正の実
数（しきい値）εと、乗算器１４８の出力δ０ _jと、
ｉ番目の入力ｘ_iとを乗算することにより、式（４）で
示される値Δｗ０_{j i}を生成し、加算器１４９に与え
る。加算器１４９は、レジスタ１４３に格納されている
荷重係数ｗ０_{j i}から乗算器１５０の出力Δｗ０_{j i}を
減じることにより新たな荷重係数ｗ０_{j i}を計算し、レ
ジスタ１４３に与える。この新たな荷重係数ｗ０_{j i}が
レジスタ１４３に格納されることにより、このニューロ
ン１３７の荷重係数の更新は完了する。

【０１０７】一方、重み付け計算回路１４１の乗算器１
５１においては、乗算器１４８の出力δ０_jと荷重係数
ｗ０_{j i}とが乗算され、値δ０_j・ｗ０_{j i}が生成され
て中間層１３２に与えられる。この値は、中間層の荷重
係数の更新に用いられるものである。

【０１０８】図１２〜図１４を参照して、中間層１３２
のｉ番目のニューロン１３１において行なわれる、荷重
係数の更新処理は以下のようである。入力される輝度平
均値データ１３４（ｂ₁〜ｂ_k）に対し、ｉ番目のニュ
ーロン１３１の出力として、出力ｘ_iが得られるものと
する。特に図１４を参照して、加算器１５９は、ニュー
ロン１３１の出力ｘ_iから、値（１−ｘ_i）を生成し、
乗算器１６０に与える。乗算器１６０は、ニューロン１
３１の出力ｘ_iと加算器１５９の出力とから、値ｘ
_i（１−ｘ_i）を生成し、各重み付け計算回路１５４に
与える。

【０１０９】ｉ番目のニューロン１３１の、ｐ番目の輝
度平均値データｂ_pに対する荷重係数ｗ１_{i p}の更新処
理は以下のように行なわれる。特に図１４を参照して、
重み付け計算回路１５４には、出力層１３６の各ニュー
ロン１３７から、学習用のデータδ０₁ｗ０_{1 i}、δ０
₂ｗ０_{2 i}、…、δ０_nｗ０_{n i}が与えられる。すなわ
ち、ｉ番目のニューロンｘ_iの各重み付け計算回路１５
４には、出力層１３６の各ニューロン１３７からのデー
タのうち、各ニューロン１３７へのｉ番目の入力に対す
る荷重係数の重み付け計算回路から出力されるデータδ
０_j．ｗ０_{j i}（ｊ＝１〜ｎ）が与えられる。

【０１１０】各乗算器１６１は、対応する入力δ０₁ｗ
０₁ｉ〜δ０_nｗ０_{n i}と乗算器１６０の出力ｘ_i（１
−ｘ_i）とを乗算し、加算器１６２に与える。加算器１
６２は、乗算器１６１の出力の総和をとり、式（７）で
表わされる値δ１_iを生成し、乗算器１６３に与える。

【０１１１】乗算器１６３は与えられる小さな正の実数
εと、加算器１６２の出力δ１_iと、ｐ番目の輝度平均
値データｂ_pとを乗算し、式（６）で示されるΔｗ１
_{i p}を生成し、加算器１６４に与える。加算器１６４
は、対応する荷重係数ｗ１_{i p}の値をレジスタ１５６か
ら読出し、乗算器１６３の出力Δｗ１_{i p}との間で演算
を行ない、新たな荷重係数ｗ１_{i p}を生成し、レジスタ
１５６に与える。レジスタ１５６にこの新たな荷重係数
ｗ１_{i p}が格納されることにより、中間層１３２のｉ番
目のニューロン１３１の、ｐ番目の輝度平均値データｂ
_pに対する荷重係数ｗ１_{i p}の更新が行なわれたことに
なる。

【０１１２】以上の荷重係数の更新処理が、出力層１３
６の各ニューロン１３７内のすべてのレジスタ１４３
と、中間層１３２内の各ニューロン１３１内のすべての
レジスタ１５６とについて行なわれることにより、１回
の学習が終了することになる。

【０１１３】以上のようにしてニューラルネットワーク
１０７内の全荷重係数の学習を、種々の教師信号に対し
て繰り返し行なうことにより、ニューラルネットワーク
１０７は、可変抵抗器１１０を用いて使用者が設定し
た、被写体により最適と考える絞りを与えるように適応
化される。

【０１１４】その結果、従来のように中央重点測光や下
方重測光方式を用いた自動絞り制御では最適な絞り値と
ならないような被写体条件でも、手動絞りによる絞り調
節を数回行なうことにより、その使用条件に合致した絞
り調節が、自動的に行なわれるようになる。単に手動絞
り機能の付いたビデオカメラと比較して、その都度手動
で絞りを調整する不便さがなく、使用者の使用目的に合
った自動絞り制御を有するビデオカメラを実現できる。

【０１１５】また、ネットワークに、全画角の輝度が入
力されており、また操作者が主要被写体と背景との輝度
バランスを考慮して選んだ値が教師信号としてネットワ
ークに与えられる。そのため、このネットワークによっ
て、全画角に対して主要被写体と背景との輝度バランス
を最適に調整するための絞り制御信号が得られる。

【０１１６】なお、上述のニューラルネットワークを用
いて自動絞り制御を行なうビデオカメラにおいては、ス
イッチ１０９の切換えによって手動絞りに動作モードが
切換えられても、ニューラルネットワークの出力が常に
絞り駆動部に帰還されている。したがって、ニューラル
ネットワーク１０７内の荷重係数を常に更新している
と、絞り制御が不安定な状態になるおそれがある。その
ような問題を解決するために、手動絞りによる動作モー
ド時は、ニューロンの荷重係数の更新時の計算処理のみ
を行ない、手動から自動絞りに動作モードが切換えられ
た時点で、ニューロン内の各荷重係数レジスタの内容を
更新する。このようにすることにより、係数の更新によ
る絞り制御の不安定状態の発生を防ぐことができる。

【０１１７】また、ニューラルネットワーク１０７内の
荷重係数の初期値として、中央重点および下方重点測光
によって学習させた値を予め書込んでおく。これによ
り、使用の当初から自動絞りでこのビデオカメラを使用
しても、ビデオカメラの動作が不安定になるような問題
は生じない。

【０１１８】上述の実施例においては、各ニューロンで
行なわれる関数変換により、関数器に入力される値ｗ０
_j、ｗ１_iの値がちょうど０のときに、出力ｙ_j、ｘ_i
の値が０．５となるような変換が行なわれた。出力の値
が０．５となるときの関数器への入力の値を０以外の値
（しきい値）とする場合には、以下のように各ニューロ
ンを構成すればよい。すなわち、各ニューロンに、固定
値“１”を入力する端子を１つ追加する。そしてこの入
力に対し、新たな荷重係数を規定し、この荷重係数を固
定値“１”に乗算して加算器１４４、１５７に与える。
これにより、各関数器１４５、１５８の特性は、図１０
のグラフを左右にしきい値分だけシフトしたものとな
る。このようにすることより、各ニューロンにしきい値
を設けることができる。またこの荷重係数も、学習過程
により随時更新していけばよい。

【０１１９】以上、この発明にかかるビデオカメラが、
一実施例に基づいて説明された。しかし、この発明は上
述の実施例には限定されず、これ以外にも様々な変形を
施して実施することができる。

【０１２０】

【発明の効果】請求項１に記載の発明にかかるビデオカ
メラによれは、撮像画面が複数個の部分領域に分割さ
れ、各部分領域ごとの輝度が輝度分布信号としてニュー
ラルネットワークに入力される。ニューラルネットワー
クは、学習過程で適応化された変換に従って入力を変換
し、入射光量規制信号として出力する。選択手段を操作
することにより、使用者が目標値信号として設定した値
が教師信号としてニューラルネットワークに与えられ、
ニューラルネットワークの学習に用いられる。その結果
種々の被写体の状況に応じ、使用者が最適と思うような
絞り値が得られるように、ニューラルネットワークの学
習が行なわれ、従来の自動絞り制御では得られなかった
ような特殊な状況においても、僅かな手動操作を行なう
ことによって最適の絞り状態を自動的に得ることができ
る。また、ニューラルネットワーク内で、主要被写体と
背景との輝度バランスも含めて考慮された最適絞り値が
得られ、画面全体にわたって輝度バランスのとれた映像
を得ることができる。

【０１２１】請求項２に記載のビデオカメラにおいて
は、画面の各部分領域ごとの輝度データが取出された
上、各部分領域ごとにその平均輝度が算出され、適応化
手段に輝度分布信号として入力される。輝度が各部分領
域ごとに平均化されるため、被写体のわずかな移動によ
っても輝度分布信号が極度に変化することはなく、安定
した自動絞り制御を実現することができる。また、ニュ
ーラルネットワークの入力が過大となることもない。

【０１２２】請求項３に記載のビデオカメラにおいて
は、ニューラルネットワークは中間層と、出力層と、出
力変換手段とを含む。中間層および出力層の各変換手段
において行なわれる変換は、出力変換手段の出力と、与
えられる教師信号との差異が極小になるように適応的に
更新される。その結果、ニューラルネットワークの学習
頻度が増加するごとに各変換手段において行なわれる変
換は更新され、より多様な状況において使用者の最適と
思うような自動絞りを実現するような学習が行なわれ
る。

【０１２３】請求項４に記載のビデオカメラによれば、
各変換手段においては、学習時にその入力に対する重み
付けが、ニューラルネットワークの出力と教師信号との
差異の二乗平均が最小となるように再計算された上更新
される。これにより、いわゆる逆誤差伝搬則が実現さ
れ、安定し、かつ迅速な学習が行なわれる。

【図面の簡単な説明】

【図１】本発明にかかるビデオカメラの一例であるビデ
オカメラのブロック図である。

【図２】画面の分割の一例を示す模式図である。

【図３】エリア分割平均演算回路のブロック図である。

【図４】画面を分割するための、水平エリアパルスの波
形図である。

【図５】画面を分割するための垂直エリアパルスの波形
図である。

【図６】積算回路のブロック図である。

【図７】ニューラルネットワークのブロック図である。

【図８】出力層のニューロンと重み付け更新回路のブロ
ック図である。

【図９】出力層のニューロンのブロック図である。

【図１０】関数器で行なわれる変換のシグモイド関数の
特性を示すグラフである。

【図１１】出力層のニューロンの荷重係数を計算するた
めの重み付け計算回路のブロック図である。

【図１２】中間層のニューロンと重み付け更新回路のブ
ロック図である。

【図１３】中間層のニューロンのブロック図である。

【図１４】中間層のニューロン荷重係数を計算するため
の重み付け計算回路のブロック図である。

【図１５】従来の自動絞り制御回路を有するビデオカメ
ラのブロック図である。

【図１６】中央重点測光および下方重点測光を説明する
ための画面の模式図である。

【図１７】従来の測光方式を示す模式図である。

【図１８】ニューラルネットを用いた従来のスチルカメ
ラのブロック図である。

【符号の説明】

１０１被写体１０２レンズ１０３絞り羽根１０４撮像素子１０６エリア分割平均演算回路１０７ニューラルネットワーク１１７自動絞り制御回路１２１積算回路１２２エリア分割タイミング信号発生器１３１中間層ニューロン１３２中間層１３６出力層１３７出力層ニューロン

Claims

【特許請求の範囲】

【請求項１】被写体からの入射光を集光して、所定の
結像面に結像させるための光学系と、与えられる入射光量規制信号に応答して、前記入射光量
を規制するための入射光量規制手段と、前記光学系により結像された、所定の枠内の被写体の光
学像を撮像して輝度信号を出力するための撮像手段と、前記撮像手段に接続され、前記輝度信号に基づいて、前
記枠内における前記光学像の輝度分布の特徴を、前記枠
を予め定める複数の部分領域に分割し、各前記部分領域
ごとの輝度として抽出して、複数個の輝度分布信号とし
て出力するための輝度分布特徴抽出手段と、前記光学像の輝度分布に応じて使用者が任意に設定し得
る、前記入射光量規制信号の目標値を定めるための目標
値信号を出力するための手段と、前記複数個の輝度分布信号を入力とし、所定の変換によ
り前記入射光量規制信号を出力するためのニューラルネ
ットワークを用い、与えられる教師信号とその出力との
差異が極小となるように前記変換を適応化するための適
応化手段と、使用者の操作に応答して、前記目標値信号と、前記適応
化手段の出力との一方を選択し、前記適応化手段に前記
教師信号として与えるための選択手段とを含むビデオカ
メラ。
【請求項２】前記輝度分布特徴抽出手段は、前記撮像手段の出力する前記輝度信号をＡ／Ｄ変換し、
前記光学像の輝度を示すデジタルの輝度データとして出
力するためのＡ／Ｄ変換手段と、前記輝度データを各前記部分領域ごとに所定時間積算し
て、各前記部分領域ごとの平均輝度を算出することによ
り、前記輝度分布信号として出力するための平均輝度算
出手段とを含む、請求項１に記載のビデオカメラ。
【請求項３】前記適応化手段のニューラルネットワー
クは、各々が、前記輝度分布信号の組に所定の変換を行なって
１つの出力を得るための複数個の変換手段を含む中間層
と、各々が、前記中間層の出力する信号に所定の変換を行な
って１つの出力を得るための複数個の変換手段を有する
出力層と、前記出力層の出力する信号の組に所定の変換を行なって
単一の前記入射光量規制信号を得るための出力変換手段
と、前記出力層の出力と前記教師信号との差異に基づいて、
前記差異が極小化するように前記中間層と、前記出力層
との各前記変換手段において行なわれる前記変換を適応
的に更新するための変換更新手段とを含む、請求項１に
記載のビデオカメラ。
【請求項４】前記中間層および前記出力層の各前記変
換手段は、入力される信号のそれぞれに所定の重み付けを行なうた
めの重み付け手段と、前記重み付け手段により重み付けされた信号をすべて加
算するための加算手段と、前記加算手段の出力を、所定の単調増加関数にしたがっ
て変換して出力するための関数変換手段とを含み、前記変換更新手段は、前記出力変換手段の出力と前記教
師信号との差異に基づいて、前記差異の二乗平均が極小
となるように各前記重み付けを再計算し、各前記重み付
け手段の重み付けを更新するための重み付け更新手段を
含む、請求項３に記載のビデオカメラ。