JP2793816B2

JP2793816B2 - 学習機能付きカメラ

Info

Publication number: JP2793816B2
Application number: JP63250465A
Authority: JP
Inventors: 正文山崎
Original assignee: Olympus Corp
Current assignee: Olympus Corp
Priority date: 1988-10-04
Filing date: 1988-10-04
Publication date: 1998-09-03
Anticipated expiration: 2013-09-03
Also published as: JPH0296724A

Description

【発明の詳細な説明】［産業上の利用分野］この発明は、どのような被写体に対してもある程度の
条件を満たす撮影を行なうことができる学習機能付きカ
メラに関する。

［従来の技術］このようなカメラの従来例として、特開昭57−42026
号公報に記載したカメラがある。これは、被写界を複数
の領域に分けて測光し、各領域に対応した複数の測光出
力を発生するマルチ測光装置において、最大輝度に応じ
て、最大輝度、最大輝度と平均輝度の中間の輝度、平均
輝度、平均輝度と最小輝度の中間輝度、最小輝度の中か
ら１つを選択して、それにより露出を制御する。

［発明が解決しようとする課題］この従来例は、マイクロコンピュータによる被写体パ
ターンの認識であるため、ある限られた被写体パターン
にしか適応できなかったり、誤まった検出を行ない意図
しない写真ができる等の欠点があった。また、多くの被
写体パターンに対して意図通りの露出制御を行なおうと
すると、被写体パターン、あるいは明るさが定式化でき
ないため、プログラムが膨大になったり、演算時間が長
くなるなどの欠点がある。さらに、メーカーが意図した
通りの写真ができたとしても、写真の評価は個人の感性
によるところが大きいため、必ずしも全てのユーザーに
対してよい結果が得られるとは限らない。

また、焦点を合わせたり、露出制御を行なったりする
被写体の中の主要部の特定も定式化が難かしい。

この発明の目的は、これらの欠点を解消するため、学
習モードにおいてはユーザ１人１人の好みに合った結果
がでるようにネットワークを学習させ、オートモードに
おいてはネットワークの出力に基づいてカメラを制御す
ることにより、ユーザの個性に合った結果がでるような
学習機能付きカメラを提供することを目的とする。

［課題を解決するための手段］この発明によるカメラには、所定の結合の強さで順次
結合させる入力層、中間層、出力層からなるネットワー
クが設けられる。学習モードにおいては、被写体の輝度
分布などの周囲の環境状態をあらわす信号を複数のユニ
ットからなる入力層に接続する。この時、出力層に使用
者によって選ばれた望ましい出力が発生するような各層
間の結合の強さを学習させる。オートモードにおいて
は、学習済みのネットワークの出力に基づいてカメラの
制御が行なわれる。

［作用］この発明によれば、ユーザ１人１人がカメラから望ま
しい出力が得られるようにネットワークを学習させるの
で、被写体パターンに応じた露出レベルの調整、あるい
は被写体の主要部による焦点の検出等をユーザの個性に
合わせて行なうことができる。

［実施例］以下、図面を参照して、この発明による学習機能付き
カメラの実施例を説明する。第１図にそのブロック図を
示す。第１図からわかるように、この実施例は、ニュー
ロコンピュータを使用して、露出制御、焦点検出を行な
っている。そこで、先ず、第２図〜第12図を参照して、
ニューロコンピュータについて説明する。

第２図にニューロコンピュータのモデルを示す。この
モデルはルメルハルト（Rumelhart）等によって提案さ
れたもので、バックプロパゲーション（Back Propagati
on）モデル（以下、BPモデルと略す）と呼ばれる。ニュ
ーロコンピュータは多数のユニット（ニューロン）から
なり、ユニットは入力層、中間層、出力層に分類されて
いる。各ユニットは入力層→中間層→出力層の方向に接
続され、ネットワーク（ニューラルネット）を形成す
る。各ユニットの結合の強さは学習により決定される。
ただし、各層内でのユニット相互の接続はない。各ユニ
ットのモデルを第３図に示す。

次に、このBPモデルの学習アルゴリズムの原理を説明
する。あるパターンＰを入力層に与えた時、出力層に現
われる実際の出力値をOpj⁰とし、その時の望ましい出力
値（以下、教師信号という）をｔpjとすると、両者の差
Epjは次のように表わされる。

Epj＝1/2（ｔpj−Opj⁰）^２ ……（１）学習させるには、この誤差Epjを減少させるように、
全てのユニットの結合の強さを変えればよい。

パターンＰを与えたときの（Ｋ−１）層のｉ番目のユ
ニットからＫ層のｊ番目のユニットに対する結合の強さ
Wjiの変化量を次のように定義する。ここで、Ｋは出力
層の０として、入力層になるにつれて増える。

ΔpWji^K∝−∂Ep/∂Wji^K ……（２） ∂Ep/∂Wji^K ＝（∂Ep/∂net pj^K）・（∂net pj^K/∂Wji^K） ……（３）ここで、である。

また、ｆをシグモイド（Sigmoid）関数として、Opk^K
＝ｆ（net pk^K）と表わすと、（３）式は次のように変
形される。シグモイド関数を第４図に示す。

∂Epj/∂Wji^K＝−δpj^K・Opi^K+1 ……（４）ここで、δpj^Kは第Ｋ層における誤差の後向き伝播量
であり、δpj^K＝−∂Epj/∂net pj^Kである。従って、
（２）式は次のように変形される。ここで、ηは定数で
ある。

ΔpWji^K＝η・δpj^K・Opi^K+1 ……（５）出力ユニットの場合は、Epj＝1/2（ｔpj−Opj⁰）²,Op
j⁰＝ｆ（net pj⁰）なので、出力層の後向き伝播量δpj⁰
は、次のようになる。

中間ユニットの場合は、各層内でのユニットの結合は
ないので、誤差の後向き伝播量は次のようになる。

（７）式はδの再帰関数である。

ΔpWji^Kを一般的に定式化すると、次のようになる。

ΔpWji^K（ｎ＋１）＝ηδpj^K・Opi^K+1＋αΔpWji^K（ｎ） ……（８）ただし、ΔpWji^K（０）＝０であり、ｎは学習の回数
を表わす。（８）式の右辺の第２項は誤差の振動を減ら
し収束を速めるために加えている。（８）式から、結合
の強さは次のように更新される。

Wji^K（ｎ＋１）＝Wji^K（ｎ）＋ΔpWji^K（ｎ）（Ｋ＝0,1,2,…） ……（９）ここで、シグモイド関数fiを fi＝1/（１＋e^-neti） ……（10）で定義するとfi′＝fi（１−fi）であるので後向き伝播
量は次式のように簡単化される。

出力ユニットの場合： δpj⁰＝Opj⁰（１−Opj⁰）（ｔpj−Opj⁰） ……（11）中間ユニットの場合：以上からわかるように、ΔＷの計算は出力層のユニッ
トから始めて、中間層のユニットへ移る。このように学
習は入力データの処理とは逆方向に進む。

従って、BPモデルによる学習は次のように行われる。
先ず、学習用のデータを入力し、結果を出力する。次
に、結果の誤差（実際の出力と教師信号との差）を減ら
すように結合の強さを変える。そして、再び、学習用デ
ータを入力する。この動作を、ΔＷが収束するまで繰り
返す。

第５図にBPモデルの基本回路構成を示す。

ランダムアクセスメモリ（以下RAMと記す）１は結合
の強さWjiを格納し、層毎にｋ＝１〜ＮのＮページから
成る。RAM2はパターンＰを与えたときの結合の強さWji
の変化量ΔWjiを格納し、ｋ＝１〜ＮのＮページから成
る、RAM3は誤差の後向き伝播量δpjを格納し、ｋ＝０〜
Ｎの（Ｎ＋１）ページから成る。RAM4は各ユニットの出
力値Opjを格納し、ｋ＝０〜Ｎの（Ｎ＋１）ページから
成る。５はOpjの演算回路、６はδpjの演算回路、７は
ΔpWjiの演算回路である。９は全体のシーケンスを制御
するシーケンスコントローラである。

第５図のBPモデルによる学習のプロセスを説明する。
ここでは、ノイマン型のコンピュータによりBPモデルを
シミュレーションした場合の動作を、第６図〜第９図の
フローチャートを参照して説明する。第６図はOpj演算
のフローチャート、第７図はδpj演算のフローチャー
ト、第８図はWpj演算のフローチャート、第９図は学習
のレベル判定のフローチャートである。

ステップ１（S1）でRAM1内の結合の強さWjiをランダ
ムな値に初期化する。ステップ２で入力値Opj^N+1をRAM4
に設定し、ステップ３〜ステップ９で演算回路５により
入力層から出力層に向かって順にユニット出力値Opj^Kを
演算していく。

次に、第７図のステップ11〜ステップ20で演算回路６
により出力値Opj⁰と望ましい出力を示す教師信号ｔpjと
から（11）式に従って出力層の誤差の後向き伝播量δpj
⁰を求める。

次に、第８図のステップ21〜ステップ24で演算回路７
により（８）式に従って結合の強さの変化量δpWji
⁰（１）を求める。なお、ΔpWji⁰の初期値ΔpWji
^K（０）はすべて０である。ステップ25で演算回路８に
より（９）式に従って結合の強さWji⁰（１）を求める。
以上により、出力層のOpj⁰,δpj⁰,ΔpWji⁰（１）,Wji⁰
（１）が求まる。この後、これらは初期データを更新す
る形でRAM1〜RAM4に格納される。

次に、中間層の学習を行なう。第７図のフローチャー
トに戻り、演算回路６により以上で求めたδpj⁰,Wji
⁰（１）、およびRAM4に格納されているOpj⁰を用いて、
誤差の後向き伝播量δpj^Kを求める。次に、第８図のフ
ローチャートにおいて、演算回路７により結合の強さの
変化量ΔpWji^K（１）を（８）式に従って求め、演算回
路８により結合の強さWji^K（１）を（９）式に従って求
める。出力層と同様に、以上で求めたデータはRAM1〜RA
M4に更新する形で格納されていく。以上のフローを入力
層（Ｋ＝Ｎ＋１）に向かって順次繰り返し行ない第１回
目の学習が終了する。

以上の学習を複数（ｎ）回実行することにより、各ユ
ニット間の結合の強さWjiが決定され、ある入力パター
ンＰを示す入力値Opjを与えたときに所望の出力値Ppjを
得るためのネットワークが自動的に形成されることにな
る。

第９図は、実際の出力値Opjと教師信号ｔpjとの平均
二乗誤差▲▼を求めるフローチャートである。この
値が小さくなる程、実際の出力値は望ましい出力値に近
くなる。いまEpがあるしきい値εより小さければ学習を
終了し、εより大きければ学習を繰り返す。

以上では、１つの入力パターンＰに対する学習につい
て述べたが、入力パターンを複数にし、それぞれのパタ
ーンに対応した複数の出力パターンを得るような学習も
可能である。また、複数の入力パターンに対してある特
定の１つの出力パターンを出力するように学習させるこ
とも可能である。

以上述べたBPモデルは、現在広く民生機器等で使用さ
れているノイマン型のマイクロコンピュータで実現可能
であるが、このままではニューロコンピュータの１つの
大きな長所である並列処理による高速化の機能は生かさ
れない。そのため、第６図〜第９図の処理を複数のコン
ピュータで並列に処理させることが好ましい。

第10図はこのための並列処理システムの構成を示す。
複数のマイクロプロセッサPl〜Pnがホストプロセッサ11
に接続される。第２図に示すニューラルネットをｎ個の
部分ネットワークに分割し、それぞれをマイクロプロセ
ッサPl〜Pnに割り当てる。ホストプロセッサ11は、マイ
クロプロセッサPl〜Pn相互のタイミングの制御を行なっ
たり、マイクロプロセッサPl〜Pnに分散されているデー
タを統合してパターン認識などの処理を行なう。各々の
マイクロプロセッサPl〜Pnは上述した演算手順に従い、
第５図に示す出力値Opjの連続する複数列の演算を実行
する。そのため、マイクロプロセッサPl〜Pnは担当する
出力値を演算するのに必要なδpj,ΔWji,Wjiをそれぞれ
格納するためのRAMと演算回路を備えている。担当する
全てのユニットの出力値の演算が終了すると、各プロセ
ッサPl〜Pn間で同期をとりながら、データの更新のため
の通信が行なわれる。ホストプロセッサ11においては、
学習の達成レベルの判定や、マイクロプロセッサPl〜Pn
相互のタイミングの制御を行なう。

学習した結果に基づいて、パターン認識等の処理を行
なう場合は、第２図に示す入力層から出力層に向かっ
て、の演算を行なっていくことにより、最終的に必要な出力
値Ppj⁰が求められる。この場合も、第11図に示すような
複数のマイクロプロセッサによる分散処理を実行するこ
とによりニューラルネットの並列性による高速化がはか
れる。

なお、学習の過程においては基本的に第５図に示す回
路が必要になるが、学習結果を応用するだけの場合、構
成は非常に簡単化される。

第11図はこの場合の基本回路構成である。入力データ
は入力部12（例えば、A/D変換器等を指す）を介しての演算を順次行なうことにより、出力データOpj⁰を得
る。結合の強さWji^Kの格納される係数メモリ14はROM、
または書き替え可能なROMでもよい。

第12図は学習結果を応用する製品に対する製造時の学
習システムの概略ブロック図である。製品16は、結合の
強さWji^Kを格納するROM17を内蔵する。18は学習装置で
あり、ROM17と学習装置18を合せたものは基本的には第
５図の装置と同一であるが、ROM17へのWji^Kの書き込み
が終了すると、製品16（ROM17）と学習装置18は分離さ
れる。なお、同一種類の各製品に対して、毎回学習させ
る必要はないので、ROM17をコピーして使用することも
可能である。

なお、以上の説明において、BPモデルの学習とその結
果の応用については、現在使われているノイマン型コン
ピュータによるシミュレーションにより実現してきた。
これは主に学習においては、複雑なアルゴリズムが必要
で、ハードウエアで自動的に各ニューロン間の接続の重
みを自己組織化するのが非常に難かしいためである。し
かしながら、結合の強さWijがわかれば、学習結果を応
用する機械に限定して考えると、図−１に示すBPモデル
をハードウエアで構成することができる。並列処理によ
る高速化をはかったり、廉価な民生品に応用する場合
は、この方法を採用しないと、意味はない。これは、第
２図の各ユニットをインバータで構成し、結合の強さWi
jを抵抗ネットワークRijに置き換えることで実現でき、
これは、最近のLSI化の技術を使えば簡単に実現でき
る。

次に、第１図を参照して、以上説明したニューロコン
ピュータを応用した学習機能付カメラを説明する。カメ
ラは合焦機構20aにより撮影レンズ20を光軸方向に移動
可能なオートフォーカス（AF）カメラとする。

撮影カメラ20の前面には絞り19があり、絞り19を介し
た被写体像が光電変換素子をマトリクス状に配置してな
る受光部21に入射される。そのため、受光部21からは、
光電変換素子毎に、絞り込まれた状態における被写体の
輝度情報が出力され、増幅器22、A/D変換器23を介して
ディジタル化され、BV′値として演算回路（ALU）24に
供給される。演算回路24は、絞り込まれた状態における
輝度BV′から実際の被写体の輝度BV値（＝BV′−AVo）
を演算するための回路であり、このため、絞り19の開放
絞り値AVoが入力されている。

演算回路24から出力された各光電変換素子毎のBV値は
選択回路（マルチプレクサ）28に供給されるとともに、
各光電変換素子出力を記憶するフレームメモリ40にも供
給される。選択回路24は後述する制御信号Pxyに基づい
て、被写体中の主要部に対応する光電変換素子の出力BV
値のみを通過させる。

選択回路28の出力は被写体主要部の鮮明度と位相を検
知する焦点検出のための演算回路29に供給されるととも
に、被写体主要部の輝度BV、フィルム感度SV、絞り値A
V、シャッタースピードTVよりアペックス演算（BV＋SV
＝TV＋AV）を行ない、シャッタースピード、あるいは絞
り値を決めるための演算回路31に供給される。演算回路
29は山登り方式による焦点検出のための演算を行なう。
演算回路29の出力はドライバ30に供給され、ドライバ30
はこれに基づいて、合焦機構20aを駆動させ、撮影レン
ズの位置を移動する。演算回路31の出力はシャッター制
御装置32、絞り制御装置33に供給され、露出が制御され
る。このように、この実施例は、被写体全体ではなく主
要部のみの輝度情報に基づいて、露出制御、焦点検出す
る。主要部が複数の光電変換素子にまたがっている時
は、演算回路29,31は複数の光電変換素子の出力BV値を
平均したものを主要部のBV値とする。

フレームメモリ40のデータは学習機能をもったニュー
ロコンピュータ25に入力され、被写体の輝度パターンか
ら主要部の位置を示す信号Pxyを演算する。すなわち、
ニューロコンピュータ25は被写体の輝度パターンOpj⁰を
入力とし、の演算を行ない最終的にPxyを出力する。ニューロコン
ピュータ25の基本ブロック構成は第５図に示す通りでも
よいが、ここでは、高速化をはかるため、第10図に示す
ような並列コンピュータにより学習を行なう。学習の結
果求められた結合の重みWijは係数メモリ26に格納され
る。

学習の時に、焦点検出や露出制御を行なうための被写
体の主要部の位置を手動で入力するための操作部27が設
けられる。操作部27の詳細は図示してないが、画面上の
位置と一対一に対応するタッチパネルスイッチ等からな
り、ファインダを見ながら画面上の被写体主要部の位置
を入力する。ファインダのかわりに液晶表示器を用い、
この液晶表示器の表示部上に一体に設けられた透明タッ
チパネルによって入力する方法によれば、より簡単に被
写体主要部を選択できる。

ニューロコンピュータ25の出力と操作部27の出力がセ
レクタ42に接続されている。セレクタ42は学習モード
か、学習後に被写体の主要部を自動的に検出するオート
モードかにより切換えられ、学習モードの時は操作部27
に接続され、オートモードの時はニューロコンピュータ
25に接続される。34はシーケンスコントローラである。

ここで、学習モードについて説明する。学習を効率的
に進めるために、ニューラルネットワークは第13図に示
すように、各行ごとに独立したニューラルネットS11,…
で学習を行ない、出力層S0で統合する。ニューラルネッ
トワークは、入力層37、中間層38、出力層39の３層で構
成されるとし、学習の原理は前述した通りである。

ここで、説明の簡単化のために、光電変換素子は、第
14図に示すように、４行７列に配置されているとする。
この光電変換素子の位置が主要部の位置Pxyに対応す
る。

第15図に被写体の具体例を示す。（ａ）に示すポート
レートの場合は、被写体主要部は光電変換素子P33に対
応し、（ｂ）の場合は光電変換素子P35、（ｃ）の場合
は光電変換素子P34が主要部にそれぞれ対応するとす
る。

ニューロコンピュータ25にこのような被写体の輝度パ
ターンをフレームメモリ40を介して入力として与えると
ともに、これらの主要部の位置を操作部27から教師信号
として与え、結合の強さを学習させることにより、どの
ような被写体パターンの場合でも、自動的に正しい主要
部を出力することができるようになる。すなわち、ニュ
ーロコンピュータ25では、前記したアルゴリズムによ
り、出力が教師信号と等しくなるように、各層間の結合
の強さWjiが自己組織化される。

なお、操作部27から入力された主要部の位置を示す信
号が選択回路28にも供給されているので、学習モードで
も、主要部の信号が選択され焦点検出用演算回路29、露
出制御用演算回路31に供給される。このため、学習は実
際の写真撮影とともに行なうことができる。第15図に
は、３つの被写体しか示さないが、実際には数百のパタ
ーンについて学習を繰り返す。これにより、数百の被写
体パターンを撮影しながら、被写体主要部をユーザの好
みに合せて学習させることができる。

さらに、ニューロコンピュータ25はある程度の学習を
行なえば、学習時に入力されなかったパターンに対して
も正しい出力を出すという優れた性質があり、被写体主
要部の特定等の人間の感性によるところが大きく定式化
の難しい問題解決にたいへん有効である。ニューロコン
ピュータの学習により、これまでノイマン型のコンピュ
ータではプログラムできなかった膨大な種類の被写体パ
ターンと主要部との関係が自己組織化されるので、意図
通りの露出制御、焦点検出が可能となる。また、ニュー
ロコンピュータは並列処理により高速演算が可能である
ので、迅速性が要求されるカメラに適する。

所定駒数撮影後は学習完了とみなし、セレクタ42をニ
ューロコンピュータ25に接続し、学習結果に基づき被写
体パターンから自動的に被写体主要部を判別させ、その
主要部の輝度BVに基づいて焦点合わせ、あるいは露出の
制御を行なう。

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。以上の説明は、被写体主要部をニューロコ
ンピュータで学習させ、焦点検出、あるいは露出制御を
行なう場合について述べたが、ニューロコンピュータの
教師信号として被写体の明るさ条件、あるいはパターン
に応じた露出補正信号を与え、逆光補正などの学習を行
なうことも可能である。また、ニューロコンピュータの
入力パラメータとして被写体の明るさだけでなく、温度
や湿度などを入力することより、定式化の難しい微妙な
季節感を出すような学習も可能である。

〔発明の効果〕

以上説明したようにこの発明によれば、学習モードに
おいてはユーザ１人１人の好みに合った結果がでるよう
にネットワークを学習させ、オートモードにおいてはネ
ットワークの出力に基づいてカメラを制御することによ
り、どのような被写体に対してもユーザの個性に合った
撮影ができる学習機能付きカメラを提供することができ
る。

【図面の簡単な説明】

第１図はこの発明による学習機能付きカメラの一実施例
のブロック図、第２図は実施例に使われるニューロコン
ピュータのモデルを示す図、第３図はネットワークを構
成する各ユニットのモデルを示す図、第４図はシグモイ
ド関数を示す図、第５図はニューロコンピュータのブロ
ック図、第６図〜第９図は第５図のニューロコンピュー
タをノイマン型コンピュータでシミュレーションした時
のフローチャートであり、第６図は各ユニットの出力Op
jを求めるフローチャート、第７図は誤差の後向き伝播
量δpjを求めるフローチャート、第８図は結合の強さ係
数Wjiを求めるフローチャート、第９図は学習のレベル
判定のためのフローチャート、第10図は並列処理システ
ムのブロック図、第11図は学習結果を応用する装置のブ
ロック図、第12図は学習結果を応用する装置を学習させ
るシステムのブロック図、第13図は実施例のネットワー
クを示す図、第14図は実施例の光電変換素子の配置例を
示す図、第15図（ａ）〜（ｃ）は学習させる被写体の一
例を示す図である。 20a……合焦機構、21……受光部、24,29,31……演算回
路、25……ニューロコンピュータ、26……係数メモリ、
27……操作部、28……選択回路、32……シャッタ制御装
置、33……絞り制御装置、40……フレームメモリ。

Claims

(57)【特許請求の範囲】

【請求項１】学習モードにおいてカメラの周囲の環境状
態をあらわす信号をパラメータとして出力を決定するネ
ットワークと、使用者によって選ばれた望ましい出力値
と前記ネットワークの出力値とが一致するように前記ネ
ットワークを自己組織化する学習装置と、オートモード
において前記ネットワークの出力に基づいてカメラの制
御を行なう制御手段を具備する学習機能付きカメラ。