KR20090002685A - 오토 포커싱 장치 및 방법 - Google Patents

오토 포커싱 장치 및 방법 Download PDF

Info

Publication number
KR20090002685A
KR20090002685A KR1020070066243A KR20070066243A KR20090002685A KR 20090002685 A KR20090002685 A KR 20090002685A KR 1020070066243 A KR1020070066243 A KR 1020070066243A KR 20070066243 A KR20070066243 A KR 20070066243A KR 20090002685 A KR20090002685 A KR 20090002685A
Authority
KR
South Korea
Prior art keywords
sharpness
lens
neural network
focusing position
characteristic data
Prior art date
Application number
KR1020070066243A
Other languages
English (en)
Inventor
세르칸 규로그루
강병훈
정호섭
김성득
Original Assignee
삼성전기주식회사
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by 삼성전기주식회사 filed Critical 삼성전기주식회사
Priority to KR1020070066243A priority Critical patent/KR20090002685A/ko
Publication of KR20090002685A publication Critical patent/KR20090002685A/ko

Links

Images

Classifications

    • G—PHYSICS
    • G02—OPTICS
    • G02B—OPTICAL ELEMENTS, SYSTEMS OR APPARATUS
    • G02B7/00—Mountings, adjusting means, or light-tight connections, for optical elements
    • G02B7/28—Systems for automatic generation of focusing signals
    • G02B7/36—Systems for automatic generation of focusing signals using image sharpness techniques, e.g. image processing techniques for generating autofocus signals
    • G—PHYSICS
    • G03—PHOTOGRAPHY; CINEMATOGRAPHY; ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ELECTROGRAPHY; HOLOGRAPHY
    • G03B—APPARATUS OR ARRANGEMENTS FOR TAKING PHOTOGRAPHS OR FOR PROJECTING OR VIEWING THEM; APPARATUS OR ARRANGEMENTS EMPLOYING ANALOGOUS TECHNIQUES USING WAVES OTHER THAN OPTICAL WAVES; ACCESSORIES THEREFOR
    • G03B13/00—Viewfinders; Focusing aids for cameras; Means for focusing for cameras; Autofocus systems for cameras
    • G03B13/32—Means for focusing
    • G03B13/34—Power focusing
    • G03B13/36—Autofocus systems
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks

Landscapes

  • Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Biophysics (AREA)
  • Computational Linguistics (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Biomedical Technology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Optics & Photonics (AREA)
  • Automatic Focus Adjustment (AREA)
  • Studio Devices (AREA)
  • Focusing (AREA)

Abstract

본 발명은, 렌즈를 매크로(macro)에서 무한대(infinity)까지 이동시키는 모터와, 상기 렌즈의 복수개의 지점에서 감지되는 이미지에 대한 선명도를 측정하는 측정부와, 상기 측정부에서 측정된 복수개의 선명도를 입력으로 하여 상기 렌즈의 최적 포커싱 위치를 출력하는 뉴럴 네트워크 연산부, 및 상기 뉴럴 네트워크의 출력값에 따라 상기 렌즈를 최적 포커싱 위치로 이동시키기 위한 구동 제어부를 포함하는 오토 포커싱 장치를 제공한다.
오토 포커싱(auto focusing), 뉴럴 네트워크(neural network), 학습(train)

Description

오토 포커싱 장치 및 방법{AUTO FOCUSING APPARATUS AND METHOD THEREOF}
본 발명은, 오토 포커싱 장치 및 방법에 관한 것으로서, 보다 상세하게는 복수개의 지점에서 측정된 선명도를 뉴럴네트워크에 적용하여 최적의 포커싱 위치를 출력하는 오토 포커싱 장치 및 방법에 관한 것이다.
도 1은, 종래기술에 따른 힐 클라이밍(Hill- Climbing) 기법에 의한 오토 포커싱에서의 렌즈위치에 따른 선명도를 나타내는 그래프이다.
도 1을 참조하면, 힐 클라이밍 기법은 시작 시점(S)에서 기설정된 탐색 방향으로 소정 간격으로 계속 렌즈를 이동시켜 선명도값을 읽어들이며, 이러한 과정은 읽어들인 선명도값이 감소될 때까지 계속된다.
즉, 도 1에서, 이동방향 ①, ②로 렌즈를 이동시키는 경우 선명도값은 계속 증가하게 되고, 이동방향 ③으로 렌즈를 이동시키는 경우 선명도값은 감소하게 된다. 따라서, 이동방향 ③으로 렌즈를 이동시키기 이전 선명도값을 읽어들인 위치로 다시 렌즈를 이동시키고(이동방향 ④) 그 위치를 최대 선명도값을 갖는 위치로 결 정한다.
그러나, 전술한 힐 클라이밍 기법은 하나의 피크를 검출한 이후 종료되기 때문에 렌즈 위치와 선명도값의 관계를 나타낸 곡선(선명도 곡선)이 둘 이상의 피크를 갖는 경우 정확한 오토 포커스가 불가능한 문제를 갖는다. 예를 들어, 이미지의 배경 부분이 전경의 물체보다 컨트라스트가 높은 경우 또는 선명도 곡선에 다중 피크를 유발시키는 센서 노이즈가 발생하는 경우 전술한 힐 클라이밍 기법에 의해 오토 포커스는 불가능하게 된다. 이러한 종래의 힐 클라이밍 기법의 단점을 해소하기 위해 다중 스캔 또는 선명도 검출 영역을 다중화하는 기술을 적용한 수정 힐 클라이밍 기법이 제안되었으나, 이러한 수정된 기법들은 오토 포커싱을 위한 시간을 증가시키는 문제점을 갖는다.
또 다른 종래의 오토 포커스 방법으로 렌즈가 이동하는 전체 위치를 스캔하는 기법이 있다. 이러한 기법은 정확한 포커스를 위한 렌즈의 위치를 결정하는데 적합하지만 렌즈의 이동 위치를 모두 스캔하여야 하므로 오토 포커스에 많은 시간이 소요되는 문제점이 있다.
상기한 문제점을 해결하기 위해서, 본 발명은, 오토 포커싱의 시간을 절감하고, 정확한 오토 포커싱이 가능한 오토 포커싱 장치 및 방법을 제공하는 것을 목적으로 한다.
본 발명은, 렌즈를 매크로(macro)에서 무한대(infinity)까지 이동시키는 모터와, 상기 렌즈의 복수개의 지점에서 감지되는 이미지에 대한 선명도를 측정하는 측정부와, 상기 측정부에서 측정된 복수개의 선명도를 입력으로 하여 상기 렌즈의 최적 포커싱 위치를 출력하는 뉴럴 네트워크 연산부, 및 상기 뉴럴 네트워크 연산부의 출력값에 따라 상기 렌즈를 최적 포커싱 위치로 이동시키기 위한 구동 제어부를 포함하는 오토 포커싱 장치를 제공한다.
상기 뉴럴 네트워크 연산부는, 서로 다른 선명도 특성을 갖는 복수개의 촬영 대상체 각각에 대해 렌즈의 위치에 따른 선명도를 나타내는 복수개의 선명도 특성 데이터를 포함하며, 상기 각각의 선명도 특성 데이터에는, 복수개의 렌즈위치 각각에서의 기준 선명도, 및 상기 복수개의 기준 선명도를 입력으로 최적 포커싱 위치를 출력하기 위한 가중치가 포함될 수 있다.
상기 뉴럴 네트워크 연산부는, 상기 복수개의 선명도 특성 데이터 중, 상기 측정부에서 측정된 복수개의 측정 선명도와 매칭되는 기준 선명도를 갖는 선명도 특성 데이터를 선택하고, 상기 선택된 선명도 특성 데이터에서 각각의 기준 선명도에 적용되는 가중치를 상기 측정 선명도에 적용시킬 수 있다.
상기 구동제어부는, 렌즈를 미세 이동시켜, 갱신된 최적 포커싱 위치를 검출하는 미세 제어부를 더 포함할 수 있으며, 이 때, 상기 미세제어부는, 렌즈를 단계적으로 미세 이동시켜, 상기 이동된 위치에서의 선명도와 상기 최적 포커싱 위치에서의 선명도를 비교하고, 보다 선명도가 큰 지점을 갱신된 최적 포커싱 위치로 출력할 수 있다.
또한, 본 발명은, 렌즈를 매크로(macro)에서 무한대(infinity)까지 이동시켜 복수개의 지점에서 감지되는 이미지에 대한 선명도를 측정하는 단계와, 상기 측정된 복수개의 선명도를 뉴럴 네트워크 연산부에 입력하여 상기 렌즈의 최적 포커싱 위치를 출력하는 뉴럴 네트워크 연산 단계, 및 상기 뉴럴 네트워크 연산부의 출력값에 따라 상기 렌즈를 최적 포커싱 위치로 이동시키는 단계를 포함할 수 있다.
상기 뉴럴 네트워크 연산부는, 서로 다른 선명도 특성을 갖는 복수개의 촬영 대상체 각각에 대해 렌즈의 위치에 따른 선명도를 나타내는 복수개의 선명도 특성 데이터를 포함하며, 상기 각각의 선명도 특성 데이터에는, 복수개의 렌즈위치 각각 에서의 기준 선명도, 및 상기 복수개의 기준 선명도를 입력으로 최적 포커싱 위치를 출력하기 위한 가중치가 포함될 수 있다.
상기 뉴럴 네트워크 연산부는, 상기 복수개의 선명도 특성 데이터 중, 상기 측정부에서 측정된 복수개의 측정 선명도와 매칭되는 기준 선명도를 갖는 선명도 특성 데이터를 선택하고, 상기 선택된 선명도 특성 데이터에서 각각의 기준 선명도에 적용되는 가중치를 상기 측정 선명도에 적용시킬 수 있다.
상기 렌즈를 최적 포커싱 위치로 이동시키는 단계는, 렌즈를 미세 이동시켜, 최적 포커싱 위치를 갱신하는 단계를 더 포함할 수 있다.
상기 최적 포커싱 위치를 갱신하는 단계는, 렌즈를 단계적으로 미세 이동시켜, 상기 이동된 위치의 선명도와 상기 최적 포커싱 위치에서의 선명도를 비교하고, 보다 선명도가 큰 지점을 갱신된 최적 포커싱 위치로 출력하는 것일 수 있다.
본 발명에 따르면, 오토 포커싱시 선명도를 측정하는 지점이 정해져 있으므로 오토 포커싱의 시간을 절감할 수 있고, 학습에 의해 훈련된 뉴럴 네트워크를 사용하므로 정확한 오토 포커싱이 가능한 오토 포커싱 장치 및 방법을 얻을 수 있다.
이하, 도면을 참조하여 본 발명을 상세히 설명하겠다.
도 2는, 본 발명의 일 실시형태에 따른 오토 포커싱 장치의 구성도이다.
도 2를 참조하면, 본 실시형태의 오토 포커싱 장치(20)는, 모터(21), 측정부(22), 뉴럴 네트워크 연산부(23), 및 구동 제어부(24)를 포함할 수 있다.
상기 모터(21)는, 카메라 등의 렌즈와 연결되어 렌즈의 위치를 일직선 상에서 이동시키는 역할을 한다. 상기 모터(21)에 연결되는 렌즈의 위치를 검출하기 위해서 위치 센서가 더 포함될 수도 있다.
상기 측정부(22)는, 렌즈를 통해 이미지 센서에 감지된 이미지에 대한 선명도를 측정한다.
상기 측정부(22)는, 상기 모터에 의해 렌즈를 매크로(macro)에서 무한대(infinity)까지 이동시키면서, 복수개의 지정된 지점에서의 감지되는 이미지의 선명도를 측정할 수 있다. 본 실시형태에서는, 상기 렌즈의 이동범위를 8등분한 지점에서의 선명도를 측정할 수 있다.
이러한 선명도가 측정되는 렌즈의 위치는, 뉴럴 네트워크에 저장되는 입력값과 관련하여 변경될 수 있다.
상기 뉴럴 네트워크 연산부(23)는, 상기 측정부(22)에서 측정된 복수개의 선 명도를 입력으로 하여 상기 렌즈의 최적 포커싱 위치를 출력할 수 있다.
상기 뉴럴 네트워크 연산부(23)는, 서로 다른 선명도 특성을 갖는 복수개의 촬영 대상체 각각에 대해 렌즈의 위치에 따른 선명도를 나타내는 복수개의 선명도 특성 데이터를 포함하며, 상기 각각의 선명도 특성 데이터에는, 복수개의 렌즈위치 각각에서의 기준 선명도, 및 상기 복수개의 기준 선명도를 입력으로 최적 포커싱 위치를 출력하기 위한 가중치가 포함될 수 있다.
상기 뉴럴 네트워크 연산부(23)는, 상기 복수개의 선명도 특성 데이터 중, 상기 측정부에서 측정된 복수개의 측정 선명도와 매칭되는 기준 선명도를 갖는 선명도 특성 데이터를 선택하고, 상기 선택된 선명도 특성 데이터에서 각각의 기준 선명도에 적용되는 가중치를 상기 측정 선명도에 적용시킬 수 있다.
본 실시형태의 뉴럴 네트워크는 루벤버그-마르쿠어트(Levenberg-Marquardt)방법이 적용된 백 프로퍼게이션 러닝 알고리즘(Back Propagation Learning Algolithm)에 의해 학습된 피드 포워드(feed forward) 뉴럴 네트워크일 수 있다.
상기 뉴럴 네트워크를 학습시키기 위해서 선명도 곡선으로 이루어진 학습 신호가 필요하며, 본 실시형태에서는, 선명도 대 위치 센서 출력 데이터를 사용할 수 있다. 상기 학습은, 별도의 시스템 내에서 진행될 수 있고, 상기 학습에 의해 얻어진 데이터가 상기 뉴럴 네트워크에 저장될 수 있다.
상기 학습을 위해서, 다른 위치 또는 다른 배경을 갖는 물체에 대한 선명도 곡선이 학습예로 사용될 수 있다. 상기 학습예로 유사한 패턴이 소개된다면, 상기 네트워크는 이러한 예들만 기억하고 일반화 능력을 잃게 될 수도 있다. 게다가 상기 학습 신호는 이상적인 경우 뿐만이 아니라 중심에 모여진 물체나 상대적으로 높은 콘트라스트를 갖는 배경 등 실질적인 경우에 대해서 고려되는 것이 바람직하다. 이러한 학습에 의하여 상기 뉴럴 네트워크의 일반화 능력이 향상될 수 있다.
본 실시형태에서, 상기 뉴럴 네트워크는 렌즈의 이동 범위의 8등분 영역의 각각에서의 선명도에 대응하는 8개의 입력 뉴런을 포함할 수 있다. 상기 선명도를 측정하는 렌즈의 위치는 다양하게 정해질 수 있다.
상기 구동 제어부(24)는, 상기 뉴럴 네트워크 연산부(23)에서 출력되는 최적 포커싱 위치로 렌즈를 이동시키기 위해 상기 모터(21)에 구동 신호를 인가할 수 있다.
상기 구동 제어부(24)는, 미세 제어부(24-1)를 더 포함할 수 있다.
상기 미세 제어부(24-1)는, 상기 뉴럴 네트워크 연산부에서 출력되는 최적 포커싱 위치로 상기 렌즈를 이동시킨 후, 렌즈를 단계적으로 미세 이동시켜, 상기 이동된 위치의 선명도와 상기 측정된 선명도를 비교하고, 보다 선명도가 큰 지점을 최적 포커싱 위치로 출력할 수 있다.
도 3의 (a)에서는, 본 발명의 일실시형태에서 일정한 배경에 대하여 렌즈의 위치에 따른 화면의 선명도를 나타내는 그래프이다. 본 실시형태에서는, 상기 그래 프에서 표시된 8 개의 지점(a, b, c, d, e, f, g, h)에 대해서 상기 측정부(22)에서 선명도를 측정할 수 있다.
이와 같은 선명도 그래프는, 촬상 대상체 및 상기 대상체까지의 거리에 따라 달라질 수 있다. 그러나 일반적으로 종 모양을 형성하게 된다.
상기 그래프에서는, 렌즈의 위치는 730인 경우 선명도가 13.2 로 최대값을 갖는다.
이처럼, 일정한 패턴으로 형성되는 선명도 그래프에서 최대값의 선명도를 갖는 렌즈의 위치가 최적 포커싱 위치가 된다. 본 실시형태에서는, 상기 최적 포커싱 위치를 검출하기 위해서 미리 학습된 뉴럴 네트워크를 사용할 수 있다.
도 3의 (b)는, 본 발명의 일실시형태에 따른 오토 포커싱 장치에 사용되는 뉴럴 네트워크의 개념도이다.
본 실시형태에서는 피드 포워드(feed forward) 뉴럴 네트워크가 사용될 수 있다.
상기 뉴럴 네트워크(30)는, 3 개의 층으로 형성될 수 있다.
제1 층(N0)은, 입력 데이터를 받는 입력층일 수 있다. 상기 제1 층의 각각의 뉴런은, 하나의 입력과 연결될 수 있다. 본 실시형태에서는, 8개의 입력(N0[1] ~ N0[8])이 사용될 수 있다. 상기 각각의 입력은, 도 3의 (a)에서, 8 개의 렌즈위치에서 측정된 선명도 값이 될 수 있다.
제2 층(N1)은, 히든 레이어(hidden layer)로서 실질적인 문제 해결에 관여할 수 있다. 상기 뉴런 그룹은, 하나 이상의 층으로 형성될 수 있다. 본 실시형태에서는, 3 개의 뉴런(N1[1], N1[2], N1[3])이 하나의 층으로 형성되어 있다. 이러한, 히든 레이어의 갯수는 실험에 의해 결정될 수 있다.
상기 제1 층의 각각의 뉴런은 상기 제2 층의 각각의 뉴런과 연결되어 있으며, 상기 제1 층의 각각의 뉴런에서의 값에 서로 다른 가중치가 곱해져서 상기 제2 층의 각각의 뉴런에서 연산될 수 있다.
제3 층(N2)은, 출력층이다. 이 층의 뉴런의 숫자는 뉴럴 네트워크가 출력하고자 하는 출력의 갯수와 동일하다. 본 실시형태에서는, 하나의 출력을 가지며, 상기 출력값은 렌즈의 최적 포커싱 위치일 수 있다.
이러한 피드 포워드(feed forward) 구조에서 한층에 있는 각각의 뉴런은 다른 인접층에 있는 모든 뉴런과 연결되어 있다.
도 4는, 학습에 의해 상기 가중치를 얻는 알고리즘을 나타낸다.
상기 알고리즘은 다양한 방법에 의해 구현될 수 있으며, 본 실시형태에서는 루벤버그-마르쿠어트(Levenberg-Marquardt)방법이 적용된 백 프로퍼게이션 러닝 알고리즘(Back Propagation Learning Algolithm)이 사용되었다.
상기 학습은 본 실시형태의 오토 포커싱 장치와 별도의 시스템 상에서 행해진 후 상기 학습 데이터가 상기 오토 포커싱 장치에 저장될 수 있다. 상기 학습에 서는, 입력값 및 출력값을 알고 있는 상태에서 각각의 입력값에 곱해지는 가중치를 계산할 수 있다.
도 4를 참조하면, 먼저 뉴럴 네트워크의 각 층의 연결에 대하여 임의의 가중치를 적용한다(41). 예를 들어, 도 3의 (b)에서, 제1 층(N0)의 각 뉴런에 대해 각각의 가중치가 곱해져서 제2 층(N1)의 각각의 뉴런에 연산값이 저장될 수 있다.
i 개의 학습패턴을 갖는 시스템 내에서, i = 1로 하여 첫번째 학습패턴이 뉴럴 네트워크의 입력에 적용된다(42). 본 실시형태에서 상기 학습패턴은, 복수개의 이미지 각각에 대한 선명도 곡선일 수 있다.
상기 뉴럴 네트워크의 출력값과 기지의 출력값을 비교하여 오차를 계산할 수 있다(43).
상기 각각의 학습패턴을 뉴럴 네트워크에 적용시켜 그 출력값과 기지의 결과값의 오차를 계산하는 과정이 반복된다(44).
상기 하나의 가중치에 대한 각각의 학습패턴에서의 오차 계산이 끝나면 RMS 오차를 계산한다(45).
상기 RMS 오차가 한계 오차보다 큰 경우에는 가중치를 갱신(48)하고, 다시 각각의 학습패턴에 대한 뉴럴 네트워크 출력값의 오차를 계산한다.
이하에서, 상기 알고리즘에서 수행될 수 있는 연산을 설명한다.
상기 뉴럴 네트워크에서 가중치 같은 파라미터 벡터 x 에 관련된 상관함수 V(x)를 최소화하기 위해서, 아래와 같은 함수(뉴턴 방법)가 적용될 수 있다.
Figure 112007048363375-PAT00001
상기 네트워크 가중치 및 바이어스값을 정의하기 위해서, 상기 변화율
Figure 112007048363375-PAT00002
은 아래의 방정식에 의해 1차로 계산된다.
Figure 112007048363375-PAT00003
여기서, "J"는, 상기 가중치 및 바이어스에 관련된 네트워크 에러의 1차 미분계수를 포함하는 야코비안 매트릭스(Jacobian matrix)이고, 상기 "e"는, 네트워크 에러의 벡터이다.
상기 야코비안 매트릭스는,
Figure 112007048363375-PAT00004
으로 표현될 수 있으며, 상기 변화율은, 새로운 가중치 및 바이어스값을 계산하는데 사용된다.
Figure 112007048363375-PAT00005
처음에는, 상기 스칼라 값 "μ"는 큰 값이다. 따라서 이러한 반복적인 검색 알고리즘은 상기 변화율 감소 방법과 일치한다. 만약에 "μ"이 0이 되면, 뉴턴의 방법이 되고, 이 방법은 더 빠르고 더 정확하게 에러를 최소화 시킬 수 있다. 따라서 상기 알고리즘을 상기 뉴턴의 방법으로 가능한 한 빨리 이동시키기 위한 각각의 성공적인 단계 이후에 상기 "μ"는 감소될 수 있다.
도 5는, 본 발명의 일실시 형태에 따른 오토 포커싱의 방법에 대한 블록도이다.
본 발명의 일실시형태에 따르면, 먼저 렌즈위치의 복수개의 지점에서 각각 선명도를 측정하고(52), 상기 측정된 복수개의 선명도를 뉴럴 네트워크 연산부에 입력하여 최적 포커싱 위치를 출력하고(53), 상기 최적 포커싱 위치로 렌즈를 이동시키는 단계(54)를 포함한다.
상기 선명도 측정 단계(52)에서는, 선택된 하나의 촬영 대상에 대해서 렌즈를 매크로(macro)에서 무한대(infinity)까지 이동시키면서 상기 렌즈의 이동 범위를 등분하고, 상기 등분된 위치에서의 이미지에 대한 선명도를 측정할 수 있다.
상기 복수개의 지점에서 측정된 선명도를 입력으로 하여 뉴럴 네트워크 연산단계(53)가 진행될 수 있다. 상기 뉴럴 네트워크 연산단계(53)에서는, 상기 뉴럴 네트워크에 저장된 데이터를 사용하여 최적 포커싱 위치를 출력할 수 있다.
상기 뉴럴 네트워크 연산 단계(53)가 진행되는 뉴럴 네트워크 연산부에는, 서로 다른 선명도 특성을 갖는 복수개의 촬영 대상체 각각에 대해 렌즈의 위치에 따른 선명도를 나타내는 복수개의 선명도 특성 데이터를 포함하며, 상기 각각의 선명도 특성 데이터에는, 복수개의 렌즈위치 각각에서의 기준 선명도, 및 상기 복수개의 기준 선명도를 입력으로 최적 포커싱 위치를 출력하기 위한 가중치가 포함될 수 있다.
상기 뉴럴 네트워크 연산단계(53)에서는, 상기 복수개의 선명도 특성 데이터 중, 상기 측정부에서 측정된 복수개의 측정 선명도와 매칭되는 기준 선명도를 갖는 선명도 특성 데이터를 선택하고, 상기 선택된 선명도 특성 데이터에서 각각의 기준 선명도에 적용되는 가중치를 상기 측정 선명도에 적용시켜 최적의 포커싱 위치를 출력할 수 있다.
상기 최적 포커싱 위치로 이동시키는 단계(54)는, 상기 뉴럴 네트워크 연산 단계(53)에서 출력되는 최적 포커싱 위치로 렌즈를 이동시키는 단계이다.
도 6은, 본 발명의 일실시 형태에 따른 오토 포커싱 방법의 블록도이다.
본 실시형태에 따른 오토 포커싱 방법에서는, 상기 도 5와 같이 뉴럴 네트워크를 사용하여 1차로 최적 포커싱 위치로 렌즈를 이동(64)한 후에, 렌즈를 미세 조정하여 갱신된 최적 포커싱 위치로 렌즈를 이동시킬 수 있다.
도 6을 참조하면, 먼저, 뉴럴 네트워크 연산에 의해 얻어진 측정 선명도 값 을 최적 선명도 값으로 대입하고(65-1), 상기 렌즈의 이동 방향을 일방향으로 설정하여(65-2) 렌즈를 미세 단계로 이동시킨다(65-3).
이동된 지점에서 갱신 선명도를 측정하고(65-4), 상기 갱신 선명도와 상기 최적 선명도를 비교하여(65-5), 상기 갱신 선명도가 상기 최적 선명도의 값보다 크면, 상기 최적 선명도값을 갱신 선명도값으로 대치시키고(65-9), 렌즈를 계속 이동시킨다(65-3).
상기 갱신 선명도값이 상기 최적 선명도값보다 크지 않으면, 상기 렌즈의 이동방향을 상기 일방향과 반대인 타방향으로 전환하고(65-6), 렌즈를 전단계(65-5)에서의 최적 선명도 위치로 이동시킨다(65-7).
상기 최적 선명도 위치에서의 렌즈의 이동방향이 최초에 설정된 렌즈이동 방향과 동일하지 않은 경우에는 상기 렌즈 미세 이동 단계(65-3)로 다시 돌아가고, 상기 최적 선명도에서의 렌즈의 이동방향이 최초에 설정된 렌즈이동 방향과 동일한 경우에 상기 렌즈의 갱신된 최적 선명도 위치값이 출력되어 상기 알고리즘이 정지하게 된다.
이러한 추가적인 알고리즘을 사용하여 보다 미세하고 정확한 오토 포커싱이 가능할 수 있다.
이와 같이, 본 발명은 상술한 실시형태 및 첨부된 도면에 의해 한정되지 아니한다. 즉, 뉴럴 네트워크의 구성 및 연산 알고리즘 등은 다양하게 구현될 수 있다. 첨부된 청구범위에 의해 권리범위를 한정하고자 하며, 청구범위에 기재된 본 발명의 기술적 사상을 벗어나지 않는 범위 내에서 다양한 형태의 치환, 변형 및 변경이 가능하다는 것은 당 기술 분야의 통상의 지식을 가진 자에게 자명할 것이다.
도 1은, 종래기술에 따른 오토 포커싱 방식을 나타내는 그래프이다.
도 2는, 본 발명의 일실시 형태에 따른 오토 포커싱 장치의 구성도이다.
도 3의 (a)는, 본 발명의 일실시 형태에 따른 오토 포커싱 장치에서 렌즈의 위치에 따른 선명도의 그래프를 나타낸다.
도 3의 (b)는, 본 발명의 일실시 형태에 따른 오토 포커싱 장치에서 사용되는 뉴럴 네트워크의 개념도이다.
도 4는, 본 발명의 일실시형태에 따른 오토 포커싱 장치에 저장되는 가중치를 얻기 위한 알고리즘이다.
도 5는, 본 발명의 일실시 형태에 따른 오토 포커싱 방법의 블록도이다.
도 6은, 본 발명의 다른 실시형태에 따른 오토 포커싱 방법의 블록도이다.
<도면의 주요 부분에 대한 부호설명>
21 : 모터 22 : 측정부
23 : 뉴럴 네트워크 연산부 24 : 구동 제어부
24-1 : 미세 제어부

Claims (10)

  1. 렌즈를 매크로(macro)에서 무한대(infinity)까지 이동시키는 모터;
    상기 렌즈의 복수개의 지점에서 감지되는 이미지에 대한 선명도를 측정하는 측정부;
    상기 측정부에서 측정된 복수개의 선명도를 입력으로 하여 상기 렌즈의 최적 포커싱 위치를 출력하는 뉴럴 네트워크 연산부; 및
    상기 뉴럴 네트워크 연산부의 출력값에 따라 상기 렌즈를 최적 포커싱 위치로 이동시키기 위한 구동 제어부
    를 포함하는 오토 포커싱 장치.
  2. 제1항에 있어서,
    상기 뉴럴 네트워크 연산부는,
    서로 다른 선명도 특성을 갖는 복수개의 촬영 대상체 각각에 대해 렌즈의 위치에 따른 선명도를 나타내는 복수개의 선명도 특성 데이터를 포함하며,
    상기 각각의 선명도 특성 데이터에는,
    복수개의 렌즈위치 각각에서의 기준 선명도 및
    상기 복수개의 기준 선명도를 입력으로 최적 포커싱 위치를 출력하기 위한 가중치가 포함된 것을 특징으로 하는 오토 포커싱 장치.
  3. 제2항에 있어서,
    상기 뉴럴 네트워크 연산부는,
    상기 복수개의 선명도 특성 데이터 중,
    상기 측정부에서 측정된 복수개의 측정 선명도와 매칭되는 기준 선명도를 갖는 선명도 특성 데이터를 선택하고,
    상기 선택된 선명도 특성 데이터에서 각각의 기준 선명도에 적용되는 가중치를 상기 측정 선명도에 적용시키는 것을 특징으로 하는 오토 포커싱 장치.
  4. 제1항에 있어서,
    상기 구동제어부는,
    렌즈를 미세 이동시켜, 갱신된 최적 포커싱 위치를 검출하는 미세 제어부를 더 포함하는 것을 특징으로 하는 오토 포커싱 장치.
  5. 제4항에 있어서,
    상기 미세 제어부는,
    렌즈를 단계적으로 미세 이동시켜,
    상기 이동된 위치에서의 선명도와 상기 최적 포커싱 위치에서의 선명도를 비교하고,
    보다 선명도가 큰 지점을 갱신된 최적 포커싱 위치로 출력하는 것을 특징으로 하는 오토 포커싱 장치.
  6. 렌즈를 매크로(macro)에서 무한대(infinity)까지 이동시켜 복수개의 지점에서 감지되는 이미지에 대한 선명도를 측정하는 단계;
    상기 측정부에서 측정된 복수개의 선명도를 뉴럴 네트워크 연산부에 입력하여 상기 렌즈의 최적 포커싱 위치를 출력하는 뉴럴 네트워크 연산 단계; 및
    상기 뉴럴 네트워크의 출력값에 따라 상기 렌즈를 최적 포커싱 위치로 이동시키는 단계
    를 포함하는 오토 포커싱 방법.
  7. 제6항에 있어서,
    상기 뉴럴 네트워크 연산부는,
    서로 다른 선명도 특성을 갖는 복수개의 촬영 대상체 각각에 대해 렌즈의 위치에 따른 선명도를 나타내는 복수개의 선명도 특성 데이터를 포함하며,
    상기 각각의 선명도 특성 데이터에는,
    복수개의 렌즈위치 각각에서의 기준 선명도 및
    상기 복수개의 기준 선명도를 입력으로 최적 포커싱 위치를 출력하기 위한 가중치가 포함된 것을 특징으로 하는 오토 포커싱 방법.
  8. 제7항에 있어서,
    상기 뉴럴 네트워크 연산부는,
    상기 복수개의 선명도 특성 데이터 중,
    상기 측정부에서 측정된 복수개의 측정 선명도와 매칭되는 기준 선명도를 갖는 선명도 특성 데이터를 선택하고,
    상기 선택된 선명도 특성 데이터에서 각각의 기준 선명도에 적용되는 가중치를 상기 측정 선명도에 적용시키는 것을 특징으로 하는 오토 포커싱 방법.
  9. 제6항에 있어서,
    상기 렌즈를 최적 포커싱 위치로 이동시키는 단계는,
    렌즈를 미세 이동시켜, 최적 포커싱 위치를 갱신하는 단계를 더 포함하는 것을 특징으로 하는 오토 포커싱 방법.
  10. 제9항에 있어서,
    상기 최적 포커싱 위치를 갱신하는 단계는,
    렌즈를 단계적으로 미세 이동시켜,
    상기 이동된 위치의 선명도와 상기 최적 포커싱 위치에서의 선명도를 비교하고,
    보다 선명도가 큰 지점을 갱신된 최적 포커싱 위치로 출력하는 것을 특징으로 하는 오토 포커싱 방법.
KR1020070066243A 2007-07-02 2007-07-02 오토 포커싱 장치 및 방법 KR20090002685A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020070066243A KR20090002685A (ko) 2007-07-02 2007-07-02 오토 포커싱 장치 및 방법

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020070066243A KR20090002685A (ko) 2007-07-02 2007-07-02 오토 포커싱 장치 및 방법

Publications (1)

Publication Number Publication Date
KR20090002685A true KR20090002685A (ko) 2009-01-09

Family

ID=40485642

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020070066243A KR20090002685A (ko) 2007-07-02 2007-07-02 오토 포커싱 장치 및 방법

Country Status (1)

Country Link
KR (1) KR20090002685A (ko)

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106657770A (zh) * 2016-11-04 2017-05-10 上海斐讯数据通信技术有限公司 移动终端自动对焦镜头微距值的计算方法和系统
JP2020048058A (ja) * 2018-09-19 2020-03-26 エスゼット ディージェイアイ テクノロジー カンパニー リミテッドＳｚ Ｄｊｉ Ｔｅｃｈｎｏｌｏｇｙ Ｃｏ．，Ｌｔｄ 制御装置、方法およびプログラム
CN111147737A (zh) * 2019-12-11 2020-05-12 广东工业大学 一种基于rbf神经网络的自动对焦方法及装置
CN112070661A (zh) * 2020-09-08 2020-12-11 哈尔滨工业大学 一种基于深度学习的全切片数字成像快速自动聚焦方法
CN113741021A (zh) * 2021-07-19 2021-12-03 南方医科大学南方医院 一种显微镜自动调焦方法及装置
CN114098632A (zh) * 2022-01-27 2022-03-01 北京鹰瞳科技发展股份有限公司 用于对眼底相机中的马达进行控制的方法及其相关产品
WO2022154168A1 (ko) * 2021-01-12 2022-07-21 삼성전자 주식회사 자동 초점 조절이 가능한 전자 장치 및 그 동작 방법
CN117041710A (zh) * 2023-08-18 2023-11-10 广州呗呗科技有限公司 一种跟焦器及其控制方法

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106657770A (zh) * 2016-11-04 2017-05-10 上海斐讯数据通信技术有限公司 移动终端自动对焦镜头微距值的计算方法和系统
CN106657770B (zh) * 2016-11-04 2019-11-29 上海斐讯数据通信技术有限公司 移动终端自动对焦镜头微距值的计算方法和系统
JP2020048058A (ja) * 2018-09-19 2020-03-26 エスゼット ディージェイアイ テクノロジー カンパニー リミテッドＳｚ Ｄｊｉ Ｔｅｃｈｎｏｌｏｇｙ Ｃｏ．，Ｌｔｄ 制御装置、方法およびプログラム
CN111147737A (zh) * 2019-12-11 2020-05-12 广东工业大学 一种基于rbf神经网络的自动对焦方法及装置
CN112070661A (zh) * 2020-09-08 2020-12-11 哈尔滨工业大学 一种基于深度学习的全切片数字成像快速自动聚焦方法
WO2022154168A1 (ko) * 2021-01-12 2022-07-21 삼성전자 주식회사 자동 초점 조절이 가능한 전자 장치 및 그 동작 방법
CN113741021A (zh) * 2021-07-19 2021-12-03 南方医科大学南方医院 一种显微镜自动调焦方法及装置
CN113741021B (zh) * 2021-07-19 2024-01-16 南方医科大学南方医院 一种显微镜自动调焦方法及装置
CN114098632A (zh) * 2022-01-27 2022-03-01 北京鹰瞳科技发展股份有限公司 用于对眼底相机中的马达进行控制的方法及其相关产品
CN117041710A (zh) * 2023-08-18 2023-11-10 广州呗呗科技有限公司 一种跟焦器及其控制方法
CN117041710B (zh) * 2023-08-18 2024-04-19 广州呗呗科技有限公司 一种跟焦器及其控制方法

Similar Documents

Publication Publication Date Title
KR20090002685A (ko) 오토 포커싱 장치 및 방법
CN109698901B (zh) 自动对焦方法、装置、存储介质和计算机设备
US9491349B2 (en) Method and apparatus for performing auto focus with multiple images having different exposure times
US20120169917A1 (en) Automatic focusing apparatus as well as lens apparatus and image pickup system including the automatic focusing apparatus
JP6161276B2 (ja) 測定装置、測定方法、及びプログラム
JP6800597B2 (ja) 制御装置、制御方法およびプログラム
JP5845023B2 (ja) 焦点検出装置及びそれを有するレンズ装置及び撮像装置
JP2014145808A (ja) 撮像装置及び撮像装置の制御方法
JP2003247823A (ja) 位相差検出方法、位相差検出装置、測距装置および撮像装置
JP2008304202A (ja) 距離画像生成方法、距離画像生成装置及びプログラム
KR101715553B1 (ko) 합초 위치 검출 장치, 합초 위치 검출 방법 및 합초 위치 검출용 컴퓨터 프로그램
KR20200097865A (ko) 깊이 측정을 위한 이미지 처리 시스템 및 이의 동작 방법
CN111721237B (zh) 全自动多频离焦投影三维成像测量系统及其测量方法
JP5454392B2 (ja) 測距装置及び撮像装置
JP2001083404A (ja) 多点測距装置及びその装置を搭載する多点測距カメラ
JPS60262004A (ja) 焦点検出装置
US10339665B2 (en) Positional shift amount calculation apparatus and imaging apparatus
JP2006184320A (ja) 焦点検出装置及び焦点検出方法
JP2003279348A (ja) 位相差検出方法、位相差検出装置、測距装置および撮像装置
JP4127808B2 (ja) 測距装置
JP2020064034A (ja) 計測装置、その校正方法、およびプログラム
JP2014029429A5 (ja) 画像処理装置、撮像装置、制御方法、及びプログラム
JP2000074665A (ja) 距離画像生成装置及び方法
JPH08211284A (ja) 焦点検出装置
KR101103617B1 (ko) 자동 초점 제어 방법 및 장치

Legal Events

Date Code Title Description
A201 Request for examination
E902 Notification of reason for refusal
E902 Notification of reason for refusal
E601 Decision to refuse application