JPH0854556A - カメラのオートフォーカス装置 - Google Patents

Abstract

(57)【要約】 【目的】 ニューラルネットワークを用いることによっ
て、未来の撮影レンズの合焦位置を精度よく予測する。 【構成】 撮影レンズ１と、焦点検出部４と、被写体位
置予測部５とを有するオートフォーカス装置に適用さ
れ、焦点検出部４によって複数回続けて焦点検出を行な
い、焦点検出を行なった時刻、各焦点検出時の撮影レン
ズ１の合焦位置および撮影レンズ１の焦点距離を被写体
位置予測部５に設けられたニューラルネットに入力す
る。また、ニューラルネット内の各経路の重み係数は予
めさまざまな移動する被写体を用いて最適化する。そし
て、ニューラルネットを用いて未来における撮影レンズ
１の予測合焦位置を演算する。

Description

【発明の詳細な説明】

【０００１】

【産業上の利用分野】本発明は、被写体の距離に応じた
焦点検出情報に基づいて未来の被写体の位置を予測する
カメラのオートフォーカス装置に関する。

【０００２】

【従来の技術】撮影対象である被写体は停止していると
は限らないため、撮影レンズを透過した被写体光束が結
像する位置を複数回算出し、そのうちの２箇所以上の結
像位置に基づいて未来の被写体位置を予測し、その予測
位置に基づいて撮影レンズを駆動するオートフォーカス
装置が知られている。例えば、過去２箇所の結像位置に
よって被写体位置を予測する場合には被写体の移動を直
線によって近似し、一方、過去３箇所以上の結像位置に
よって被写体位置を予測する場合には被写体の移動を２
次以上の曲線で近似する。この種の装置を用いると、焦
点検出中に被写体が移動しても、その移動速度および移
動方向を考慮に入れて焦点検出ができるため、ピントぼ
けを有効に防止できる。

【０００３】

【発明が解決しようとする課題】しかし、被写体は決ま
った移動をするとは限らず、時と場合によって被写体の
移動方向および移動速度は全く異なる。また、どういう
被写体を撮影するかも撮影者によってそれぞれ異なるた
め、単に過去の結像位置をもとにするだけでは必ずしも
精度よく被写体位置を予測できない。

【０００４】本発明の目的は、ニューラルネットワーク
を用いることによって、未来の撮影レンズの合焦位置を
精度よく予測するようにしたカメラのオートフォーカス
装置を提供することにある。

【０００５】

【課題を解決するための手段】実施例を示す図１に対応
づけて本発明を説明すると、本発明は、被写体との距離
に応じた焦点検出情報を間欠的に算出する焦点検出手段
４と、焦点検出情報に基づいて未来の被写体位置を予測
する被写体位置予測手段５と、この被写体位置予測手段
５の予測結果に基づいて撮影レンズを駆動するレンズ駆
動手段６とを備えたカメラのオートフォーカス装置に適
用され、焦点検出手段４によって検出された複数の焦点
検出情報のそれぞれに対応する撮影レンズの合焦位置に
関する値を入力パラメータとして未来の被写体位置を予
測するニューラルネットワークを被写体位置予測手段５
に備えることにより、上記目的は達成される。請求項２
に記載の発明は、被写体との距離に応じた焦点検出情報
を間欠的に検出する焦点検出手段４と、焦点検出情報に
基づいて未来の被写体位置を予測する被写体位置予測手
段５と、この被写体位置予測手段５の予測結果に基づい
て撮影レンズを駆動するレンズ駆動手段６とを備えたカ
メラのオートフォーカス装置に適用され、焦点検出手段
４によって検出された複数の焦点検出情報のそれぞれに
対応する撮影レンズの合焦位置に関する値を入力パラメ
ータとして未来の被写体位置および被写体速度を予測す
るニューラルネットワークを被写体位置予測手段５に備
えるものである。請求項３に記載の発明は、請求項１ま
たは２に記載されたカメラのオートフォーカス装置にお
いて、焦点検出手段４によって検出された複数の焦点検
出情報のそれぞれに対応する撮影レンズの合焦位置に関
する値と、複数の焦点検出情報を検出したそれぞれの時
刻とをニューラルネットワークの入力パラメータとする
ものである。請求項４に記載の発明は、請求項１または
２に記載されたカメラのオートフォーカス装置におい
て、焦点検出手段４によって検出された複数の焦点検出
情報のそれぞれに対応する撮影レンズの合焦位置に関す
る値と、複数の焦点検出情報を検出したそれぞれの時刻
と、撮影レンズの焦点距離とをニューラルネットワーク
の入力パラメータとするものである。請求項５に記載の
発明は、請求項１〜４に記載されたカメラのオートフォ
ーカス装置において、３層以上に分類される複数のノー
ドを有し、各層に属するノードを他の層のノードと種々
の撮影条件を考慮に入れて重み付けされた経路によって
互いに接続し、各ノードの値を入力パラメータと重み付
けされた経路とによって決定するニューラルネットワー
クを有するものである。

【０００６】

【作用】請求項１に記載の発明の被写体位置予測手段５
はニューラルネットワークを有し、このニューラルネッ
トワークには入力パラメータとして焦点検出手段４によ
って検出された複数の焦点検出情報のそれぞれに対応す
る撮影レンズの合焦位置に関する値が入力され、ニュー
ラルネットワークでは未来の被写体位置を予測する。請
求項２に記載の発明の被写体位置予測手段５はニューラ
ルネットワークを有し、このニューラルネットワークに
は入力パラメータとして焦点検出手段４によって検出さ
れた複数の焦点検出情報のそれぞれに対応する撮影レン
ズの合焦位置に関する値が入力され、ニューラルネット
ワークでは未来の被写体位置および被写体速度を予測す
る。請求項３に記載の発明のニューラルネットワークに
は、入力パラメータとして焦点検出手段４によって検出
された複数の焦点検出情報のそれぞれに対応する撮影レ
ンズの合焦位置に関する値と、複数の焦点検出情報を検
出したそれぞれの時刻とが入力される。請求項４に記載
の発明のニューラルネットワークには、入力パラメータ
として焦点検出手段４によって検出された複数の焦点検
出情報のそれぞれに対応する撮影レンズの合焦位置に関
する値と、複数の焦点検出情報を検出したそれぞれの時
刻と、撮影レンズの焦点距離とが入力される。請求項５
に記載の発明のニューラルネットワークは３層以上に分
類される複数のノードを有し、各層に属するノードは他
の層のノードと種々の撮影条件を考慮に入れて重み付け
された経路によって互いに接続され、各ノードの値は入
力パラメータと重み付けされた経路とによって決定され
る

【０００７】なお、本発明の構成を説明する上記課題を
解決するための手段と作用の項では、本発明を分かり易
くするために実施例の図を用いたが、これにより本発明
が実施例に限定されるものではない。

【０００８】

【実施例】

−第１の実施例− 以下、図１〜６を用いて本発明によるカメラのオートフ
ォーカス装置の一実施例を説明する。図１はオートフォ
ーカス装置の第１の実施例の概略構成図である。図１に
おいて、１は撮影レンズ、２は撮影レンズ１を透過した
被写体光束を反射および透過させるクイックリターンミ
ラー、３はクイックリターンミラー２を透過した被写体
光束の一部を反射するサブミラー、４はサブミラー３で
反射された被写体光束を取り込んで焦点検出情報を算出
する焦点検出部である。この焦点検出部４は、周知の焦
点検出光学系、イメージセンサおよび焦点検出演算部か
ら構成され、撮影レンズ１を透過した被写体光束が結像
する面とフィルム共役面との相対的なずれ量であるデフ
ォーカス量を算出する。

【０００９】５は焦点検出部４によって算出されたデフ
ォーカス量に基づいて未来の被写体位置を予測する被写
体位置予測部であり、ＣＰＵおよびその周辺回路から成
る。６は被写体位置予測部５で予測した被写体位置に基
づいて撮影レンズ１を合焦位置まで駆動するレンズ駆動
部である。

【００１０】図２は本実施例で用いられるニューラルネ
ットの構成を説明する図である。このニューラルネット
は階層的ネットワークと呼ばれている。このニューラル
ネットは、図示の丸印で示された複数のニューロン（ユ
ニット）からなり、各ニューロンは、入力層、中間層お
よび出力層の３層に分類されている。各層のニューロン
は、入力層→中間層→出力層の方向に編目状に接続され
てネットワークを形成している。各ニューロンを接続す
る経路にはそれぞれ固有の重み係数が付けられており、
ネットワークの結合の強さは、各ニューロンの値と各経
路の重み係数の値によって定まる。

【００１１】重み係数は、数多くの移動する被写体のデ
ータを採集した結果をもとに、公知の技術であるラメル
ハート（１９８６）等により提案された誤差逆伝搬法等
の学習法を用いて計算機等で予め算出され、その結果は
カメラ内部の不図示のＲＯＭ等に格納される。図２で
は、ニューロンＮ０［１］に接続される各経路の重み係
数を上から順にＷ１［１，１］〜Ｗ１［１，５］として
おり、ニューロンＮ０［２］に接続される経路の重み係
数をＷ１［２，１］〜Ｗ１［２，５］としている。以下
同様に、ニューロンＮ０［３］〜Ｎ０［８］に接続され
る各経路の各重み係数をそれぞれＷ１［３，１］〜Ｗ１
［８，５］としている。また図２では、中間層の各ニュ
ーロンＮ１［１］〜Ｎ１［５］と出力層のニューロンＮ
２［１］とを接続する各経路の重み係数を上から順にＷ
２［１］〜Ｗ２［５］とし、入力層のニューロンＮ０
［８］と出力層のニューロンＮ２［１］を接続する経路
Ｌ２６の重み係数をＷ２［６］としている。

【００１２】入力層は８つのニューロンＮ０［１］〜Ｎ
０［８］からなり、ニューロンＮ０［２］，Ｎ０
［４］，Ｎ０［６］にはそれぞれ過去３回の焦点検出結
果ｐ１〜ｐ３が入力される。また、ニューロンＮ０
［１］，Ｎ０［３］，Ｎ０［５］には被写体位置を予測
する時刻と過去３回の焦点検出を行なった時刻との時間
差ｔｘ−ｔ１，ｔｘ−ｔ２，ｔｘ−ｔ３がそれぞれ入力
され、ニューロンＮ０［７］には撮影レンズ１の焦点距
離ｆが入力され、ニューロンＮ０［８］には定数「１」
が入力される。

【００１３】中間層は５つのニューロンＮ１［１］〜Ｎ
１［５］からなり、各ニューロンＮ１［１］〜Ｎ１
［５］の値は、入力層のニューロンＮ０［１］〜Ｎ０
［８］の値を所定の重み係数Ｗ１によって重み付けした
結果を入出力関数ｆ（ｕ）によって変換したものであ
る。図３は入出力関数ｆ（ｕ）の一例を示すものであ
り、シグモイド関数とも呼ばれ、−１〜１の間で連続的
に変化する。

【００１４】例えば、ニューロンＮ０［１］は経路Ｌ１
１を通過することによりＷ１［１，１］・Ｎ０［１］に
重み付けされる。そして、中間層のニューロンＮ１
［１］の値は、（１）式に示すように、ニューロンＮ０
［１］〜Ｎ０［８］と重み係数Ｗ１［１，１］〜Ｗ１
［８，１］とによって定まる。

【数１】 中間層の他のニューロンの値も同様に求められ、結局中
間層のニューロンＮ１［ｎ］（ｎ＝１…５）の値は、
（２）式で示される。

【数２】

【００１５】図４は被写体位置予測部内部の不図示のＣ
ＰＵの処理を示すフローチャートであり、ＣＰＵは不図
示のレリーズボタンが半押し等により図４の処理を開始
する。なお、このフローチャートでは、１００ｍｓ後に
駆動すべきレンズ位置を予測している。図４のステップ
Ｓ１では、焦点検出を行なった回数を示す変数ｎを
「０」に初期化する。ステップＳ２では、現在の撮影レ
ンズ位置における被写体光束の結像面位置Ｌｐを検出す
る。ステップＳ３では、タイマ等を用いて現在の時刻ｔ
ｍを検出する。ステップＳ４では、被写体輝度信号に基
づいて所定のアルゴリズムにより焦点検出演算を行な
い、デフォーカス量Ｄを算出する。なお、ステップＳ２
で検出した結像面位置ＬｐとステップＳ３で算出したデ
フォーカス量Ｄとを加算することにより、撮影レンズ１
の真の焦点調節位置（以下、撮影レンズの合焦位置と呼
ぶ）が求まる。

【００１６】ステップＳ５では、変数ｎを「１」加算す
る。ステップＳ６では、変数ｐ３に変数ｐ２の値を代入
する。なお、変数ｐ３には、３回前の被写体位置におけ
る撮影レンズ１の合焦位置が代入される。同様に、変数
ｐ２，ｐ１には、それぞれ２回前、１回前の合焦位置が
代入される。ステップＳ７では、変数ｔ３に変数ｔ２の
値を代入する。なお、変数ｔ１，ｔ２，ｔ３には、それ
ぞれ１回前、２回前、３回前に焦点検出を行なった時刻
が代入される。ステップＳ８では変数ｐ２に変数ｐ１の
値を代入し、ステップＳ９では変数ｔ２に変数ｔ１を代
入する。ステップＳ１０では、ステップＳ２で求めた結
像面位置ＬｐとステップＳ４で求めたデフォーカス量Ｄ
とを加算した結果を変数ｐ１に代入する。ステップＳ１
１では、変数ｔ１に変数ｔｍを代入する。

【００１７】ステップＳ１２では、変数ｎが２より大き
いか否かを判定する。判定が否定されるとステップＳ１
３に進み、ステップＳ４で算出したデフォーカス量Ｄに
基づいて撮影レンズ１の駆動量を算出し、その駆動量だ
け撮影レンズ１を駆動してステップＳ２に戻る。一方、
ステップＳ１２の判定が肯定されるとステップＳ１４に
進み、変数ｔ１の値に１００ｍｓを加算した値を変数ｔ
ｘに代入する。ステップＳ１５では、後述する予測ルー
チンを行なって、時刻ｔｘにおける撮影レンズ１の合焦
位置を予測する。ステップＳ１６では、ステップＳ１５
の予測結果に基づいて撮影レンズ１を駆動してステップ
Ｓ２に戻る。

【００１８】図５は図４のステップＳ１５の予測ルーチ
ンの詳細を示すフローチャートである。図５のステップ
Ｓ１０１では、入力層のニューロンＮＯ［１］〜ＮＯ
［７］に初期値を代入する。ニューロンＮＯ［１］には
被写体位置を予測する時刻ｔｘと１回前に焦点検出を行
なった時刻ｔ１との時間差ｔｘ−ｔ１が代入され、ニュ
ーロンＮＯ［２］には時刻ｔ１における撮影レンズ１の
合焦位置ｐ１が代入される。ニューロンＮＯ［３］には
予測時刻ｔｘと２回前に焦点検出を行なった時刻ｔ２と
の時間差ｔｘ−ｔ２が代入され、ニューロンＮＯ［４］
には時刻ｔ２における撮影レンズ１の合焦位置ｐ２が代
入される。ニューロンＮＯ［５］には予測時刻ｔｘと３
回前に焦点検出を行なった時刻ｔ３との時間差ｔｘ−ｔ
３が代入され、ニューロンＮＯ［６］には時刻ｔ３にお
ける撮影レンズ１の合焦位置ｐ３が代入される。ニュー
ロンＮＯ［７］には撮影レンズ１の焦点距離ｆ［ｍｍ］
が代入され、ニューロンＮＯ［８］には定数「１」が代
入される。

【００１９】ステップＳ１０２では、（２）式に基づい
て中間層のニューロンＮ１［１〜７］を求める。ステッ
プＳ１０３では、（３）式に基づいて予測時刻ｔｘの撮
影レンズ１の合焦位置Ｐｘを求める。

【数３】

【００２０】以上に説明した図４，５のフローチャート
の処理をまとめると、まず３回続けて焦点検出を行な
い、焦点検出を行なった時刻と各焦点検出時の撮影レン
ズ１の合焦位置をそれぞれ変数ｔ１〜ｔ３、ｐ１〜ｐ３
に代入する。次に、被写体位置を予測する時刻ｔｘを設
定した後に予測ルーチンを行なう。予測ルーチンでは、
過去３回の焦点検出時刻、各焦点検出時の撮影レンズ１
の合焦位置および撮影レンズ１の焦点距離を入力パラメ
ータにしてニューラルネットを用いて予測時刻ｔｘでの
撮影レンズ１の合焦位置を求める。

【００２１】図６は移動被写体に対する撮影レンズ１の
真の合焦位置（曲線ａ）と被写体位置予測部６で予測し
た撮影レンズ位置（曲線ｂ）とを比較した図である。図
示のように、時刻ｔ２では、時刻ｔ３での合焦位置に従
って撮影レンズ１を駆動する。同様に、時刻ｔ１では、
時刻ｔ２での合焦位置に従って撮影レンズ１を駆動す
る。次に、時刻ｔ１から１００ｍｓ経過した時刻ｔｘで
は、図の予測ルーチンによって予測した撮影レンズ１の
合焦位置Ｐｘに従って撮影レンズ１を駆動する。これに
より、図６に示すように、撮影レンズ１をほぼ合焦位置
に駆動することができ、この時刻ｔｘで露出を行なうこ
とにより、常にピントの合った撮影が可能となる。

【００２２】このように、第１の実施例では、過去３回
の焦点検出結果と撮影レンズ１の焦点距離をニューラル
ネットに入力し、またニューラルネット内の各経路の重
み係数を種々の撮影条件を考慮に入れて設定するため、
ニューラルネットを用いることによって未来の被写体位
置を正確に予測できる。

【００２３】−第２の実施例− 以下に説明する第２の実施例は、ニューラルネットによ
って被写体の位置とともに移動速度も予測するようにし
たものである。この第２の実施例はニューラルネットと
予測ルーチンの一部処理が第１の実施例と異なる他は第
１の実施例と共通するため、以下では、ニューラルネッ
トと予測ルーチンを中心に説明する。

【００２４】図７は第２の実施例のニューラルネットを
示す図である。図示のように、第２の実施例のニューラ
ルネットの出力層は２個のニューロンＮ２［１］，Ｎ２
［２］を有する。このうちニューロンＮ２［１］からは
撮影レンズの予測合焦位置Ｐｘが出力され、ニューロン
Ｎ２［２］からは被写体の予測速度Ｖｘが出力される。

【００２５】図８は第２の実施例の予測ルーチンの詳細
を示すフローチャートである。この予測ルーチンは図４
のステップＳ１４の処理が終了した後に実行される。図
８のステップＳ２０１では、図５のステップ１０１と同
様に、入力層の各ニューロンＮ０［１］〜Ｎ０［７］に
過去の焦点検出結果を代入する。ステップＳ２０２で
は、図５のステップＳ１０２と同様に、入力層の各ニュ
ーロン値Ｎ０［１］〜Ｎ０［８］と各経路の重み係数Ｗ
１［１，１］〜Ｗ１［８，５］に基づいて中間層の各ニ
ューロン値Ｎ１［１］〜Ｎ１［５］を設定する。次に、
ステップＳ２０３では、図５のステップＳ１０３と同様
に被写体の予測合焦位置Ｐｘを求め、さらに、（４）式
に基づいて被写体の予測速度Ｖｘを求める。

【数４】

【００２６】図８の予測ルーチンの処理が終了すると図
４のステップＳ１６に進み、予測ルーチンで求められた
撮影レンズの予測合焦位置Ｐｘと予測速度Ｖｘに基づい
て、撮影レンズ１を駆動する。

【００２７】このように、第２の実施例では、ニューラ
ルネットによって撮影レンズ１の合焦位置を予測するだ
けではなく、被写体の移動速度も予測するため、第１の
実施例よりもさらに精度の高い予測が可能となる。すな
わち、例えば予測した位置で予測した速度でレンズを駆
動すれば、予測する時刻ｔｘから多少ずれた時刻で撮影
が行なわれてもピント外れが生じなくなる。

【００２８】上記実施例では、ニューラルネットの入力
層に、過去３回分の焦点検出結果と撮影レンズ１の焦点
距離と定数「１」を入力したが、入力パラメータはこれ
らに限定されない。過去４回以上の焦点検出結果を入力
してもよく、逆に撮影レンズ１の焦点距離を入力しなく
てもよい。また、定数値として「１」以外の値を入れて
もよい。なお、上記実施例では、焦点検出結果として位
置情報ｐ１〜ｐ３と時間情報（ｔｘ−ｔ１）〜（ｔｘ−
ｔ３）を入力しているが、一定の時間間隔ごとに焦点検
出を行なう場合には時間情報を入力する必要はない。ま
た、ニューラルネットの層数も３層に限定されず、それ
以上の層数でもよい。上記各実施例では、階層構造のニ
ューラルネットを用いたが、ネットワークの形態は実施
例に限定されない。

【００２９】このように構成した実施例にあっては、焦
点検出部４が焦点検出手段に、被写体位置予測部５が被
写体位置予測手段に、レンズ駆動部６がレンズ駆動手段
に、それぞれ対応する。

【００３０】

【発明の効果】以上詳細に説明したように、本発明によ
れば、ニューラルネットワークを用い、このネットワー
クに複数の焦点検出情報にそれぞれ対応する撮影レンズ
の合焦位置に関する値を入力するようにしたため、未来
の被写体位置を精度よく予測できる。請求項２に記載の
発明によれば、ニューラルネットワークによって未来の
被写体位置と未来の被写体速度を予測するようにしたた
め、被写体が複雑に移動しても被写体位置を正確に予測
できる。請求項３に記載の発明によれば、焦点検出情報
を検出したそれぞれの時刻を新たにネットワークの入力
パラメータとするため、被写体の時間単位の移動量が把
握しやすくなる。請求項４に記載の発明によれば、撮影
レンズの焦点距離を新たにネットワークの入力パラメー
タとするため、撮影者が撮影レンズを変えても同等の精
度で被写体位置を予測できる。請求項５に記載の発明に
よれば、ネットワークを３層以上に層分けし、ネットワ
ーク内の各経路を種々の撮影条件を考慮に入れて重み付
けするようにしたため、撮影条件および過去の焦点検出
結果を考慮に入れて未来の被写体位置を予測できる。

【図面の簡単な説明】

【図１】本発明によるカメラのオートフォーカス装置の
第１の実施例の概略構成図。

【図２】第１の実施例のニューラルネットの構成を示す
図。

【図３】入出力関数ｆ（ｉ）の一例を示す図。

【図４】被写体位置予測部内部のＣＰＵの動作を示すフ
ローチャート。

【図５】第１の実施例の予測ルーチンの詳細を示すフロ
ーチャート。

【図６】撮影レンズの真の合焦位置と被写体位置予測部
で予測した撮影レンズ位置とを比較した図。

【図７】第２の実施例のニューラルネットの構成を示す
図。

【図８】第２の実施例の予測ルーチンの詳細を示すフロ
ーチャート。

【符号の説明】

１ 撮影レンズ ２ クイックリターンミラー ３ サブミラー ４ 焦点検出部 ５ 被写体位置予測部 ６ レンズ駆動部

Claims (5)

【特許請求の範囲】
1. 【請求項１】 被写体との距離に応じた焦点検出情報を
   間欠的に算出する焦点検出手段と、 前記焦点検出情報に基づいて未来の被写体位置を予測す
   る被写体位置予測手段と、 この被写体位置予測手段の予測結果に基づいて撮影レン
   ズを駆動するレンズ駆動手段とを備えたカメラのオート
   フォーカス装置において、 前記被写体位置予測手段は、前記焦点検出手段によって
   検出された複数の焦点検出情報のそれぞれに対応する前
   記撮影レンズの合焦位置に関する値を入力パラメータと
   して未来の被写体位置を予測するニューラルネットワー
   クを有することを特徴とするカメラのオートフォーカス
   装置。
2. 【請求項２】 被写体との距離に応じた焦点検出情報を
   間欠的に検出する焦点検出手段と、 前記焦点検出情報に基づいて未来の被写体位置を予測す
   る被写体位置予測手段と、 この被写体位置予測手段の予測結果に基づいて撮影レン
   ズを駆動するレンズ駆動手段とを備えたカメラのオート
   フォーカス装置において、 前記被写体位置予測手段は、前記焦点検出手段によって
   検出された複数の焦点検出情報のそれぞれに対応する前
   記撮影レンズの合焦位置に関する値を入力パラメータと
   して未来の被写体位置および被写体速度を予測するニュ
   ーラルネットワークを有することを特徴とするカメラの
   オートフォーカス装置。
3. 【請求項３】 請求項１または２に記載されたカメラの
   オートフォーカス装置において、 前記ニューラルネットワークは、前記焦点検出手段によ
   って検出された複数の焦点検出情報のそれぞれに対応す
   る前記撮影レンズの合焦位置に関する値と、前記複数の
   焦点検出情報を検出したそれぞれの時刻とを入力パラメ
   ータとすることを特徴とするカメラのオートフォーカス
   装置。
4. 【請求項４】 請求項１または２に記載されたカメラの
   オートフォーカス装置において、 前記ニューラルネットワークは、前記焦点検出手段によ
   って検出された複数の焦点検出情報のそれぞれに対応す
   る前記撮影レンズの合焦位置に関する値と、前記複数の
   焦点検出情報を検出したそれぞれの時刻と、前記撮影レ
   ンズの焦点距離とを入力パラメータとすることを特徴と
   するカメラのオートフォーカス装置。
5. 【請求項５】 請求項１〜４に記載されたカメラのオー
   トフォーカス装置において、 前記ニューラルネットワークは３層以上に分類される複
   数のノードを有し、各層に属するノードは他の層のノー
   ドと種々の撮影条件を考慮に入れて重み付けされた経路
   によって互いに接続され、各ノードの値は前記入力パラ
   メータと前記重み付けされた経路とによって決定される
   ことを特徴とするカメラのオートフォーカス装置。