JPH03167536A

JPH03167536A - カメラの焦点検出装置

Info

Publication number: JPH03167536A
Application number: JP30732389A
Authority: JP
Inventors: Takashi Yoshihara; 隆史吉原; Toshiaki Wada; 利昭和田
Original assignee: Olympus Optical Co Ltd
Current assignee: Olympus Corp
Priority date: 1989-11-27
Filing date: 1989-11-27
Publication date: 1991-07-19
Anticipated expiration: 2016-10-09
Also published as: JP3217052B2

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〕この発明はカメラの焦点検出装置に関する。

〔従来の技術〕

従来の自動焦点カメラは、画面の中央部に測距のための
フォーカスフレームが位置し、そこに主被写体が位置す
るように構図を決定していた。そして、主被写体が中央
にない場合や、自由な構図で撮影を行ないたい場合には
、フォーカスロックで対処していた。

また、１点のみでなく画面中の多くの点で測距を行い、
その中の所定の距離、例えば最短距離の点に焦点を合わ
せる従来例もある。

さらに、多数の写真のパターン鯉折を行なって、メンバ
シップ関数を定義し、３点の距離データ間の関係からフ
ァジィ理論による近似推論を行い主被写体の位置を決定
するカメラの自動焦点制御方式も発表されている。

〔発明が解決しようとする課題〕

しかしながら、フォーカスフレームが１つしかない従来
例では人物等が左右に並んでいる場合は、いわゆる中抜
け現象が避けられない。また、フォーカスロック操作は
面倒であり、迅速な撮影には不向きである。多くの点の
距離データから所定の距離の被写体に焦点を合わせる場
合は、必ずしも撮影者の意図した写真が撮影できるとは
限らない。

さらに、ファジィ理論を応用したものは、メンバシップ
関数の定義が難しく、その定義の仕方次第で出来不出来
が左右されるという欠点と、近似推論であるので、処理
すべき距離データが多くなると処理時間が急増するとい
う欠点がある。

この発明は上述した事情に対処すべきなされたもので、
その目的は、どのような状況の下でも短時間で主被写体
を決定でき、主被写体の焦点を高速で検出することがで
きる簡単な構或のカメラの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および作用〕この発明によ
るカメラの焦点検出装置は、所定のシナプス結合強度を
介して距離データベクトルが入力される複数のニューロ
ン・ユニットからなる単一層のニューラル・ネットワー
クを具備する。

このニューラル・ネットワークを、任意の画面の複数の
点毎の距離データの集合である距離データベクトルが入
力された時にその両面内の黒点を合わせたい主被写体に
関する位置情報を出力するように学習させておき、その
出力に基づいて焦点を調節する。なお、学習の際には、
距離データベクトルが類似している画面どうしでは主被
写体も同様な位置にあると仮定し、多数のモデルパター
ンを使ってニューラル◆ネットワークに各距離データベ
クトルを学習させる。

第１図にこの発゛明によるニューラル・ネットワークを
使った主被写体の決定手段の概略を示す。

左側に示す入力画面はファインダに写る撮影画面であり
、２次元マトリクス状に配列された領域Ｐｉ　（ｉ−１
　〜ｎ　（ｎは正整数、第１図ではり））に分割され、
各領域Ｐｉ毎に距離データＬｉが得られる。実際には、
領域の中心点の距離が測定される。右側に示すニューラ
ル・ネットワークは入力画面の各領域毎の距離データベ
クトルＬｉを入力し、主被写体が位置する領域Ｐｘを決
定するものである。この発明で用いられるニューラル●
ネットワークは所定のシナプス結合強度を介して距離デ
ータベクトルが入力される複数個（ここでは２５個）の
ニューロン・ユニットからなる単一層のネットワークで
あり、升目として示される各ニューロン・ユニットに全
距離データベクトルが入力される。

ニューラル・ネットワークの学習は次の２つのステップ
からなる。先ず、多数のモデルパターンにおける距離デ
ータベクトルをニューラル・ネットワークに入力し、教
師なし学習により所定のシナプス結合強度を獲得してお
く。教師なし学習とは、教師データがなくても与えられ
た特定の入力ベクトルに選択的に反応するように各ニュ
ーロン・ユニットのシナプス結合強度を修正することで
あり、これにより、距離データベクトルがネットワーク
上で自動的に分類される。そして、次に、モデルパター
ンの距離データベクトルをニューラル・ネットワークに
再度入力したときのニューラル・ネットワークの出力ニ
ューロン・ユニットと、そのモデルパターンにおける主
被写体の位置する領域とを対応づけておく。すなわち、
第１図の各ニューロン●ユニットに記されている領域が
主被写体の位置する領域である。

撮影の際には、第１図に示すように撮影したい画面中の
各領域Ｐｉ毎の距離データベクトルＬｉをこのように学
習されたニューラル・ネットワークに入力すると、いず
れか１つのニューロン・ユニットが最も強く発火し、そ
のニューロン・ユニットに対応する測距領域Ｐｘ（第１
図ではＰ７）が主被写体と判断でき、そこに焦点を合わ
せると、常に主被写体が合焦状態となる写真が撮影でき
る。

第２図〜第４図を参照してこの発明で用いられるニュー
ラル・ネットワークを説明する。このニューラル●ネッ
トワークのモデルはヘルシンキエ科大（フィンランド）
のコホーネン（Ｋｏｈｏｎｅｎ　）が提唱したものであ
り、自己組織化ネットワークと呼ばれる。その学習手法
は自己組織化特徴マッピングとして知られている。

第２図に各ニューロン・ユニットのモデルを示す。ニュ
ーロン・ユニットは入力ベクトルの各入力値とシナプス
結合を介して接続され、その入力値と各シナプス結合強
度を比較して両者のマッチング度に応じた出力を発生す
る。

第ｉ番目のニューロン・ユニットの出力ｙ１は次式で示
される。

ｙｌ−ｆ（ΣｗｌｊＸｘｋＤ　　　　　　−（１）４＝
１ここで、ｆＯはニューロン●ユニットの出力関数（通宿
、シグモイド形の単調増加関数）、Ｗ１ｊは第ｉ番目の
ニューロン・ユニットの第ｊ番目の入力ｘｋｊに対する
シナプス結合強度、ｘｋｊは第ｋ番目の入力ベクトルの
第ｊ番目の入力値、ｎは入力ベクトルの次元数である。

ニューラル・ネットワークは各ニューロン●ユニットを
２次元的に配置して構成されるが、ここでは、説明の簡
単化のため１次元的にモデル化したものを第３図に示す
。

第３図に示すように、このニューラル・ネットワークは
ニューロン・ユニットの出力から入力への信号のフィー
ドバック結合の効果を導入した自己組織化特徴マッピン
グが行なわれる。ここで、ｗｌｋは第ｋ番目のニューロ
ン・ユニットから第ｉ番目のニューロン・ユニットに向
かうフィードバック結合強度である。

第４図はこのようなフィードバック結合のシナプス結合
強度への影響の度合を示す。すなわち、フィードバック
結合の効果によりシナプス結合強度はメキシカンハット
タイプの形状の特性変化を示し、ある特定のニューロン
・ユニットの出力値が上昇すると、それに距離的に近い
位置関係にあるニューロン・ユニットもそれにひきづら
れて出力値が上昇するが、さらにその外側にあるニュー
ロン・ユニットは逆に出力値が下がる。

このフィードバック結合の効果を考慮したシナプス結合
強度の学習が最適のマッチングをしたニューロン・ユニ
ットの近傍でのみ行なわれるように簡略化すると、この
ニューラル・ネットワークの学習処理（自己組織化特徴
マッピング）は以下の手順で行なうことができる。

＃　１　：　Ｗ１（０）を乱数で初期化し、学習回数１
−０とする。ここで、Ｗｉ（ｔ）−（ｗ１１（ｔ）．ｗ
１２（ｔ）．・・・ｗｌｎ（ｔ）　）である。

以下、各入力ベクトルＸｋに対してステップ＃２，＃３
の処理を繰り返す。

＃　２　：　ｔ−ｔ＋１とし、次式を満足する最適合ニ
ューロン・ユニットＣを求メる。

Ｉｆ　　Ｘｋ　　−ｗｅ（ｔ）Ｉｔ　　−ｉ１ｎ　　｛
　Ｉｔ　　Ｘｋ　　−Ｗ１（ｔ）Ｉｆ　）・・・（２）ここで、Ｘｋ　−　（ｘｋｌ，　　ｘｋ２，　・−ｘｋ
ｎ）、ｗ　ｃ（ｔ）は最適合ニューロン・ユニットＣの
シナプス結合強度である。

＃３：ｉεＮｃ（ｔ）の場合はＷ　Ｉ　（ｔ＋１）−　
Ｗ　Ｉ　（ｔ）　＋α（ｔ）　　Ｘ　（Ｘｋ−Ｗｌ（ｔ
））とし、ｉ　（Ｅ　Ｎ　ｃ（ｔ）以外の場合はＷｆ（
ｔ＋１）−Ｗｆ（ｔ）とする。

ここで、α０〉は学習係数、Ｎｃ（ｔ）は最適合ニュー
ロン●ユニットＣの近傍にあるニューロン●ユニットの
集合であり、通常、α（ｔ）　，　Ｎｃ（ｔ）ともに、
単調減少関数である。

このような自己組織化特徴マッピングを行なうことによ
り、近傍にあるニューロン・ユニットのシナプス結合強
度は類似したものとなる。また、モデルパターン間の類
似度、相関性等の統計的性質を反映したシナプス結合強
度が獲得されるので、各モデルパターンのベクトル量子
化がなされ、モデルパターンの分類が可能となる。また
、任意の撮影画面の主被写体の位置の決定処理は最適合
ニューロン・ユニットＣの決定処理と考えることができ
るが、これはステップ＃２から推察されるように、演算
量が少なく高速な決定処理が可能である。

〔実施例〕

以下、第５図〜第７図を参照してこの発明によるカメラ
の焦点検出装置の実施例を説明する。第５図は実施例と
しての自動焦点カメラのブロック図である。１撮影画面
の複数の領域にある物体毎までの距離を検出する複数の
測距センサ２１（ｉ−１〜ｎ）が設けられ、これらによ
り得られた各領域毎の距離データＬｉが主被写体決定回
路４に供給されるとともに、正規化演算回路３に供給さ
れる。正規化演算回路３は距離データＬｉをニューラル
●ネットワーク５に入力できるように０から１までの実
数値に正規化し、上述した入力データベクトルｘｋｊを
得る。正規化演算回路３の出力は既に学習により獲得さ
れたシナプス結合強度を持ち、複数のニューロン●ユニ
ットからなる単一層のニューラル・ネットワーク５に入
力される。ここで、距離データとしては、被写体までの
距離そのもの、または距離情報を含んだデータ、例えば
三角測量法での変位量や位相差法の横ずれ量などを用い
ることができる。

ニューラル●ネットワーク５は、距離データｘｋｊが入
力され、各ニューロン・ユニットのシナプス結合強度ｗ
ｌｊ（ｔ）とのベクトル間距離Ｎ１−Σ（　Ｘ　ｋｊ　
−　ｗ　Ｉｊ（ｔ）　）　２を計算し、そのべクトル間
距離の最小値Ｄｃ　＝ｍ１ｎ　　（Ｎｉ　ｌの検索を行
ない、その最小値を与えるニューロン・ユニットに対応
する主被写体の位置情報Ｐｘを出力する。なお、一般に
、ニューラル・ネットワーク５は測距領域総数の５〜２
０倍程度のニューロン・ユニットからなる。この主被写
体の位置情報は主被写体決定回路４に入力され、その主
被写体に対応する測距センサ２からの距離データＬｘを
塩点検出のための演算を行なう焦点検出用演算回路６に
供給する。焦点検出用演算回路６の出力はドライバ７に
供給され、ドライバ７はこの情報に基づいてレンズ駆動
系８を動作させ、レンズ１を光軸方向に移動し焦点調節
を行なう。

第６図にニューラル・ネットワーク５の具体的な回路構
成を示す。ニューラル・ネットワーク５は種々のデータ
格納用のメモリ９，１０，１１．１２と、各種の演算回
路１３．１４からなる。メモリとしては、正規化演算回
路３から出力された正規化距離データｘｋｊを格納する
メモリ９、学習により獲得されたシナプス結合強度ｗ１
ｊ（ｔ）を格納するメモリ１０、正規化距離データｘｋ
ｊとシナプス結合強度ｗｉｊ（ｔ）とのベクトル間距ｆ
ｉＮｉを格納するメモリ１１、学習済みのニューラル・
ネットワーク上のニューロン・ユニットとｍ影画面の主
被写体位置との対応関係を示す主被写体位置情報を格納
するメモリ１２が設けられる。演算回路としては、正規
化距離データｘｋＪとシナプス結合強度ｗｉｊ（ｔ）と
からベクトル間距離Ｎｌを演算する回路１３と、そのベ
クトル間距離Ｎ１の最小値を検出する回路１４が設けら
れる。

正規化演算回路３から出力された正規化距離データｘｋ
ｊはニューラル●ネットワーク５内のメモリ９に格納さ
れる。学習により獲得されたシナプス結合強度Ｗ口（１
）は予めメモリ１０に格納されている。メモリ９、１０
のデータはベクトル間距離演算回路１３に供給され、そ
こでベクトル間距ル間距離の演算はニューロン・ユニッ
ト毎に独立しているので、並列演算が可能である。その
ため、ベクトル間距離演算回路１３はそれぞれがニュー
ロン・ユニット毎の処理を行なう複数のプロセッサで構
成され、高速処理が可能である。また、ニューラル・ネ
ットワーク専用演算素子、つまりニューロチップではこ
の演算処理を各ニューロン・ユニットが受け持つ。

最小値検出回路１４は得られたベクトル間距離Ｎ１から
その最小値をもつ最適合ニューロン・ユニットＣを検出
する。主被写体位置決定回路４はメモリ１２に格納され
ている対応関係からこの最適合ニューロン・ユニットに
対応する主被写体位置情報Ｐｘを読出し、仝測距センサ
からのデータＬＬのうち、主被写体の距離データＬｘの
みを焦点検出用演算回路６に供給する。

以上により、入力画面内の多数の被写体の中の主被写体
のみへの自動焦点制御が可能になる。

なお、学習した結果のみを応用する場合のニューラル・
ネットワークは上述した構成だけで可能であるが、初期
学習、及びカメラ燥作者にニューラル・ネットワークを
適応させる場合の追加学習等を．行なうには、次に説明
する学習回路構成が必要である。

第７図にニューラル・ネットワークの学習のための回路
構成を説明する。この構成は第６図に示した回路にシナ
プス結合強度演算回路１６と主被写体位置情報設定回路
１８とを付加するだけで実現される。

その動作において、先ず、ニューラル・ネットワークの
各ニューロン●ユニットのシナプス結合強度ｗｌｊを小
さい乱数で初期化しておく。多数の学習用のモデルパタ
ーンについての各領域毎の距離データベクトルをメモリ
１５に、主被写体の位置する領域に関するデータＰｘを
メモリ１７に格納しておく。メモリ１５の距離データを
使用して第６図の場合と同様にベクトル間距離の最小値
の検出により最適合ニューロン・ユニットを決定した後
、シナプス結合強度演算回路１６はその最適合ニューロ
ン・ユニットを中心とした近傍ニューロン・ユニット群
のシナプス結合強度Ｗ１を次式により修正学習する。た
だし、ｉεＮｃ（ｔ）である．Ｗ１（ｔ＋１） −Ｗｔ（ｔ）＋α（ｔ）Ｘ　　（Ｘｋ　　−Ｗ１（ｔ）
）　　　・・・　（３）ここで、α（１）は学習係数で
０〜１の実数値をトリ、Ｎｃ（ｔ）は最適合ニューロン
・ユニットＣの近傍にあるニューロン・ユニットの集合
で、その初期値はニューラル・ネットワークの大きさに
比べてそれほど小さくないものとし、α（ｔ），Ｎｃ（
ｔ）ともに単調減少関数である。ｔは学習同数で、最大
学習回数ｔ　ｌａＸまで繰り返し学習する。

全てのモデルパターンについての学習を終了した後、主
被写体位置情報設定回路１８はメモリ１７に格納されて
いる各モデル撮影画面の主被写体位置がニューラル●ネ
ットワークのどのニューロン・ユニットと対応付けられ
るかを次の関係により調べ、その結果をメモリ１２内に
主被写体位置情報として設定する。

ｙｉ　　（＝ｆ　（ΣｗｌｊＸ　ｘ　ｋｊ）　）≧θｋ
　（第ｋ番Ｊ・１目の入力パターンにおける閾値）の場合、ニューロン・
ユニットｉに第ｋ番目のモデルパターンの主被写体位置
を対応させる。

学習済みニューラル・ネットワークにおいて、カメラ操
作者に適応させるためさらに追加学習を行なう場合では
、ある任意の入力パターンが与えられたとき、ベクトル
間距離の最小値検出により最適合ニューロン・ユニット
を決定した後、そのニューロン・ユニットの近傍にあり
、かつ対応する主被写体位置が共通であるニューロン・
ユニット！：１Ｎｃ’のシナプス結合強度Ｗ１を次式に
よりシナプス結合強度演算回路１６で修正学習する。

Ｗｉ　＝Ｗｉ　＋（２０　Ｘ　（Ｘｋ　−Ｗｌ　）　　
−　（４）ただし、ｉ６Ｎｃ’で、α０は学習係数であ
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。説明した学習方法は教師なし学習であるが、
入力パターンを与えた時にニューラル・ネットワークの
出力と教師データ（入力パターンの主被写体）とを比較
し、このニューラル・ネットワークが正しく発火してい
ればシナプス結合強度を入力パターンに近づけ、また誤
って発火していればシナプス結合強度を入力パターンか
ら遠ざけるような教師付き学習も可能である。また、入
力値として教師データをも含めて学習することもできる
。なお、追加学習前の初期学習状態にいつでも復帰可能
にしておくためには、初期学習状態におけるシナプス結
合強度をメモリに格納しておく必要がある。

さらに、実施例としては自動焦点カメラを説明したが、
この発明は決定された主被写体に関する焦点情報を補助
的にファインダ内等に表示するだけのマニュアル焦点調
節カメラに適応してもよい。

〔発明の効果〕

以上説明したようにこの発明によれば、主被写体の特定
のような従来は定式化、プログラム化の困難であった処
理において、ニューラル・ネットワークに多数のモデル
パターンにおける距離データベクトルを学習させておく
だけで、多様な画面中の主被写体の焦点を高速に検出す
ることができるカメラの焦点検出装置を提供することが
できる。

そして、ニューラル・ネットワークの並列処理を利用す
れば、さらに高速化が可能である。また、カメラ操作者
の好みの構図や、構図の癖をニューラル・ネットワーク
に学習させ、ニューラル・ネットワークをカメラ操作者
に適応させることにより、主被写体の決定をより高精度
に行なわせることができる。

【図面の簡単な説明】

第１図はこの発明によるカメラの焦点検出の概略を示す
図、第２図はニューロン・ユニットのモデルを示す図、
第３図はニューラル・ネットワークのモデルを示す図、
第４図はフィードバック結合によるシナプス結合強度の
変化を示す図、第５図はこの発明の実施例である自動焦
点カメラのブロック図、第６図はニューラル・ネットワ
ークの回路構成を示す図、第７図はニューラル・ネット
ワークを学習させるための回路構成を示す図である。１・・・レンズ、２・・・測距センサ、３・・・正規化
演算回路、４・・・主被写体決定回路、５・・・ニュー
ラル・ネットワーク、６・・・焦点検出用演算回路、７
・・・ドライバ、８・・・レンズ駆動系。

Claims

【特許請求の範囲】撮影画面内の複数の点までの距離を測定する手段と、複数のニューロン・ユニットからなり、各ニューロン・
ユニットには前記測定手段から出力される各点毎の距離
データの集合、すなわち距離データベクトルが所定のシ
ナプス結合強度を介して入力される単一層のニューラル
・ネットワークと、モデルパターンの距離データベクト
ルに選択的反応をするようにシナプス結合強度を修正す
ることにより前記所定のシナプス結合強度を獲得し、前
記モデルパターンの距離データベクトルを前記ニューラ
ル・ネットワークに再度入力したときの前記ニューラル
・ネットワークの出力と前記モデルパターンにおける主
被写体の位置する点とを対応づける学習手段と、任意の撮影画面の距離データベクトルを前記ニューラル
、ネットワークに入力したときの前記ニューラル・ネッ
トワークの出力に応じて主被写体を決定し、それに応じ
て焦点を検出する手段とを具備するカメラの焦点検出装
置。