JPH0854557A - 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内の重み係数を焦点
検出結果に応じて任意に変更可能として被写体位置を精
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３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
ズの合焦位置および撮影レンズ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。ニ
ューラルネットからは、予測時刻ｔｘでの撮影レンズの
合焦位置が出力される。また、ニューラルネット内の各
経路の重み係数は過去に焦点検出を行なった結果により
任意に変更されるため、被写体位置を精度よく予測でき
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、時と場合によってその移動
方向および移動速度が全く異なるため、被写体の移動を
直線近似や曲線近似等によって予測しても必ずしも精度
よく被写体位置を予測できない。また、どのような被写
体を撮影するかは撮影者によってそれぞれ異なり、特殊
な被写体を撮影することが多い撮影者は、従来のオート
フォーカス装置を用いてもピントをうまく合わせること
ができなかった。

【０００４】本発明の目的は、被写体位置を予測するニ
ューラルネットワーク内の重み係数を焦点検出結果に応
じて自動的に修正することで、被写体位置を精度よく予
測でき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
測する自己組織による学習が可能なニューラルネットワ
ークと、ニューラルネットワークによって予測された被
写体位置に対応する撮影レンズの合焦位置と焦点検出手
段４によって検出された焦点検出情報に対応する撮影レ
ンズの合焦位置との誤差に基づいて、ニューラルネット
ワーク内部の各ノード間の結合の強さを示す重み係数を
修正する重み係数修正手段と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の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
る自己組織による学習が可能なニューラルネットワーク
と、焦点検出手段４によって検出された焦点検出情報に
基づいて被写体速度を算出する被写体速度算出手段と、
ニューラルネットワークによって予測された被写体位置
に対応する撮影レンズの合焦位置と焦点検出手段４によ
って検出された焦点検出情報に対応する撮影レンズの合
焦位置との誤差と、ニューラルネットワークによって予
測された被写体速度と被写体速度算出手段によって算出
された被写体速度との速度差とに基づいて、ニューラル
ネットワーク内部の各ノード間の結合の強さを示す重み
係数を修正する重み係数修正手段と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。

【０００６】

【作用】請求項１に記載の発明の被写体位置予測手段５
は自己組織による学習が可能な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。また、ニューラルネットワー
ク内部の各ノード間の結合の強さを示す重み係数は、ニ
ューラルネットワークによって予測された被写体位置に
対応する撮影レンズの合焦位置と焦点検出手段４によっ
て検出された焦点検出情報に対応する撮影レンズの合焦
位置との誤差に基づいて、重み係数修正手段によって修
正される。請求項２に記載の発明の被写体位置予測手段
５は自己組織による学習が可能な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。また、ニ
ューラルネットワーク内部の各ノード間の結合の強さを
示す重み係数は、ニューラルネットワークによって予測
された被写体位置に対応する撮影レンズの合焦位置と焦
点検出手段４によって検出された焦点検出情報に対応す
る撮影レンズの合焦位置との誤差と、ニューラルネット
ワークによって予測された被写体速度と被写体速度算出
手段によって算出された被写体速度との速度差とに基づ
いて、重み係数修正手段によって修正される。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。

【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。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。

【０００９】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。

【００１０】重み係数は、数多くの被写体を実際に撮影
した結果をもとに、公知の技術であるラメルハート（１
９８６）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ＥＥＰＲＯＭ等の書き換え可能な不揮発性メ
モリに格納される。そして、被写体位置の予測を行なう
たびに、予測位置と実際の位置とのずれにより修正され
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Ｎ２［１］とを接続する各経路の重み係数を上
から順にＷ２［１］〜Ｗ２［６］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。

【００１１】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。

【００１２】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。

【００１３】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】

【００１４】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されると図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。

【００１５】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ｎが３より大きいか否かを
判定する。判定が肯定されるとステップＳ７に進み、後
述する学習ルーチンを行なう。ステップＳ６の判定が否
定された場合とステップＳ７の処理が終了した場合はと
もにステップＳ８に進み、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。

【００１６】ステップＳ９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Ｓ１０では変数ｐ２に変数ｐ１
の値を代入し、ステップＳ１１では変数ｔ２に変数ｔ１
を代入する。ステップＳ１２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
Ｓ１３では、変数ｔ１に変数ｔｍを代入する。

【００１７】ステップＳ１４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
５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Ｓ１４の判定が肯定されるとステップＳ１６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Ｓ１７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Ｓ１８では、ステップＳ１７
の予測結果に基づいて撮影レンズを駆動してステップＳ
２に戻る。

【００１８】以上に説明した図４の処理をまとめると、
焦点検出回数が３回に満たないときには前回の焦点検出
結果に基づいて撮影レンズを駆動する。焦点検出回数が
３回になると、ニューラルネットを用いて撮影レンズの
合焦位置を予測する。焦点検出回数が３回を越えると、
前回のニューラルネットの出力に基づいてニューラルネ
ット内の重み係数の値を変更した後、ニューラルネット
を用いて撮影レンズの合焦位置を予測する。

【００１９】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。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におけ
る撮影レンズ１の合焦位置Ｐｘを求める。

【数３】

【００２０】このように図５の予測ルーチン処理では、
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に
おける撮影レンズ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
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での真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５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】しかし、図６の時刻ｔｘに示すように、ニ
ューラルネットによって算出された撮影レンズの合焦位
置とフィルム共役面位置との間には誤差Ｅｒが存在す
る。この誤差は時刻ｔｘにおけるデフォーカス量Ｄに相
当する。図４のステップＳ６の判定が肯定された場合、
すなわち焦点検出を４回以上行なった場合には、図７に
示す学習ルーチンを行なって誤差Ｅｒに応じて重み係数
を修正する。

【００２３】図７は図４のステップＳ７の学習ルーチン
の詳細を示すフローチャートであり、この学習は前述し
た誤差逆伝搬法に基づいている。図７のステップＳ１５
１では、（４）式に基づいて、中間層と出力層の間の経
路Ｌ２１〜Ｌ２５の重み係数Ｗ２［１］〜Ｗ２［５］の
修正量ｄｗ２を算出する。なお、Ｄはデフォーカス量、
ｎは各経路を識別する係数である。また、εは焦点検出
１回分の修正の大きさを定める係数であり、０以上１未
満の値である。

【数４】 ｄｗ２［ｎ］＝ε・Ｄ・Ｎ１［ｎ］ ・・・（４） ただし、ｎ＝１…５

【００２４】ステップＳ１５２では、（５）式に基づい
て、経路Ｌ６の重み係数Ｗ２の修正量ｄｗ２を算出す
る。

【数５】ｄｗ２［６］＝ε・Ｄ ・・・（５）

【００２５】ステップＳ１５３，Ｓ１５４では、入力層
と中間層の間の各経路の重み係数Ｗ１［１，１］〜Ｗ１
［８，５］の修正量ｄｗ１［１，１］〜ｄｗ１［８，
５］を算出する。まず、ステップＳ１５３では、（６）
式に基づいて中間値Ｅ１［ｎ］を算出する。この中間値
Ｅ１［ｎ］は中間層の各ニューロンＮ１［１］〜Ｎ１
［５］にそれぞれ対応して求められる。

【数６】 Ｅ１［ｎ］＝Ｗ２［ｎ］・Ｄ・（１＋Ｎ１［ｎ］）・（１−Ｎ１［ｎ］） ただしｎ＝１…５ ・・・（６）

【００２６】次にステップＳ１５４では、（７）式に基
づいて、Ｗ１の修正量ｄｗ１［１，１］〜ｄｗ１［８，
５］を算出する。なお、（７）式の係数ｉは入力層の各
ニューロンを識別する係数、係数ｎは中間層の各ニュー
ロンを識別する係数を示す。

【数７】 ｄｗ１［ｉ，ｎ］＝ε・Ｅ１［ｎ］・Ｎ０［ｉ］ ・・・（７） ただし、ｉ＝１…８，ｎ＝１…５

【００２７】ステップＳ１５５では、（８）式に基づい
て、入力層と中間層の間の重み係数Ｗ１［１，１］〜Ｗ
１［８，５］を修正する。

【数８】 Ｗ１［ｉ，ｎ］＝Ｗ１［ｉ，ｎ］＋ｄｗ１［ｉ，ｎ］ ・・・（８） ただし、ｉ＝１…８，ｎ＝１…５ ステップＳ１５６では、（９）式に基づいて、中間層と
出力層の間の重み係数Ｗ２［１］〜Ｗ２［６］を修正し
てリターンする。

【数９】 Ｗ２［ｎ］＝Ｗ２［ｎ］＋ｄｗ２［ｎ］ ・・・（９） ただし、ｎ＝１…６

【００２８】このように、学習ルーチンでは、ニューラ
ルネットによる予測位置でのデフォーカス量Ｄに基づい
て中間層と出力層の間の重み係数Ｗ２を修正し、またデ
フォーカス量Ｄと重み係数Ｗ２に基づいて入力層と中間
層の間の重み係数Ｗ１を修正する。

【００２９】以上に説明した第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
ルネットに入力して被写体位置を予測するようにしたた
め、被写体位置を正確に予測できる。また、ニューラル
ネットによる予測位置でのデフォーカス量に応じてニュ
ーラルネット内の重み係数の値を修正するようにしたた
め、被写体が複雑に移動してもピントぼけを起こさなく
なる。

【００３０】−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を予測するようにし
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。

【００３１】図８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。

【００３２】図９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Ｓ１６の処理が終了した後に実行される。図
９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、（１０）
式に基づいて被写体の予測速度を求める

【数１０】 。

【００３３】図９の予測ルーチンの処理が終了すると図
４のステップＳ１８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。

【００３４】図１０は図４のステップＳ７の学習ルーチ
ンの詳細を示すフローチャートである。図１０のステッ
プＳ２５１，Ｓ２５２では、図７のステップＳ１５１，
１５２と同様にして、経路Ｌ２１〜Ｌ２５の重み係数Ｗ
２の修正量ｄｗ２［１，１］〜ｄｗ２［６，１］を算出
する。ステップＳ２５３では、（１１）式に基づいて、
被写体の速度修正量ｄＶを算出する。

【数１１】 ｄＶ＝（Ｄ＋Ｌｐ−ｐ１）／（ｔｍ−ｔ１）−Ｖｘ ・・・（１１） （１１）式に示すように、速度修正量ｄＶは、時刻ｔｍ
での焦点検出結果と時刻ｔ１での焦点検出結果とによっ
て被写体の速度を検出し、その検出値とニューラルネッ
トにより予測された予測速度Ｖｘとの差分により求め
る。

【００３５】ステップＳ２５４では、（１２）式に基づ
いて、経路Ｌ６〜Ｌ１０の重み係数Ｗ２の修正量ｄｗ２
［１，２］〜ｄｗ２［５，２］を算出する。

【数１２】 ｄｗ２［ｎ，２］＝ε・ｄＶ・Ｎ１［ｎ］ ・・・（１２） ただし、ｎ＝１…５ ステップＳ２５５では、（１３）式に基づいて、重み係
数Ｗ２［６，２］の修正量ｄｗ２［６，２］を算出す
る。

【数１３】 ｄｗ２［６，２］＝ε・ｄＶ ・・・（１３）

【００３６】ステップＳ２５６，Ｓ２５７では、図７の
ステップＳ１５３，Ｓ１５４と同様に、重み係数Ｗ１の
修正量ｄｗ１を算出する。まず、ステップＳ２５６で
は、（１４）式に基づいて、中間値Ｅ１［１］〜Ｅ１
［５］を求める。

【数１４】 Ｅ１［ｎ］＝（Ｗ２［ｎ，１］・Ｄ＋Ｗ２［ｎ，２］・ｄＶ） ・（１＋Ｎ１［ｎ］）・（１−Ｎ１［ｎ］） ・・・（１４） ただし、ｎ＝１…５ 次にステップＳ２５７では、（１５）式に基づいて、重
み係数Ｗ１の修正量ｄｗ１を算出する。

【数１５】 ｄＷ１［ｉ，ｎ］＝ε・Ｅ１［ｎ］・Ｎ０［ｉ］ ・・・（１５） ただし、ｉ＝１…８，ｎ＝１…５ ステップＳ２５８，Ｓ２５９では、図７のステップＳ１
５５，Ｓ１５６と同様に新たな重み係数Ｗ１，Ｗ２を算
出する。

【００３７】このように、第２の実施例の学習ルーチン
では、中間層と出力層の間の経路Ｌ１〜Ｌ５の重み係数
についてはデフォーカス量に基づいて修正し、それ以外
の経路の重み係数についてはデフォーカス量とニューラ
ルネットでの速度予測値とに応じて修正する。このよう
に、第２の実施例では、速度を考慮に入れて重み係数を
修正するため、被写体の移動をより忠実に反映した重み
係数を算出できる。

【００３８】以上に説明した第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、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、ピントが外れなくなる。また、予測した撮
影レンズの合焦位置と被写体速度とに基づいてニューラ
ルネット内の各経路の重み係数を修正するようにしたた
め、特殊な被写体に対しても正確な予測が可能となる。

【００３９】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。

【００４０】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。

【００４１】

【発明の効果】以上詳細に説明したように、本発明によ
れば、自己組織による学習が可能なニューラルネットワ
ークを用い、このニューラル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
する値を入力するとともに、ニューラルネットワーク内
部の各ノード間の結合の強さを示す重み係数を焦点検出
時の合焦位置の誤差に応じて修正するようにしたため、
あらゆる移動する被写体に対して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、合
焦位置の誤差だけでなく焦点検出時の速度差も考慮に入
れてニューラルネットワーク内部の重み係数を修正する
ようにしたため、より精度よく未来の被写体位置を予測
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ニューラルネットワ
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ニューラルネット
ワークの入力パラメータとするため、撮影レンズが変わ
っても同等の精度で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１の実施例の学習ルーチンの詳細を示すフロ
ーチャート。

【図８】第２の実施例のニューラルネットの構成を示す
図。

【図９】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。

【図１０】第２の実施例の学習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 (4)

【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
   する自己組織による学習が可能なニューラルネットワー
   クと、 前記ニューラルネットワークによって予測された被写体
   位置に対応する前記撮影レンズの合焦位置と前記焦点検
   出手段によって検出された焦点検出情報に対応する前記
   撮影レンズの合焦位置との誤差に基づいて、前記ニュー
   ラルネットワーク内部の各ノード間の結合の強さを示す
   重み係数を修正する重み係数修正手段とを有することを
   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の位置を予測
   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自己組織による学習が可能なニュ
   ーラルネットワークと、 前記焦点検出手段によって検出された焦点検出情報に基
   づいて被写体速度を算出する被写体速度算出手段と、 前記ニューラルネットワークによって予測された被写体
   位置に対応する前記撮影レンズの合焦位置と前記焦点検
   出手段によって検出された焦点検出情報に対応する前記
   撮影レンズの合焦位置との誤差と、前記ニューラルネッ
   トワークによって予測された被写体速度と前記被写体速
   度算出手段によって算出された被写体速度との速度差と
   に基づいて、前記ニューラルネットワーク内部の各ノー
   ド間の結合の強さを示す重み係数を修正する重み係数修
   正手段と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前記入力パ
   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前記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。