JP2909111B2 - カメラの露出演算装置 - Google Patents

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露出演算装置に関する 〔従来の技術〕 従来、カメラの露出制御においては、特開昭57−4202
6号公報に記載のように、実写データをもとに複数の輝
度パターンを設定し、画面を複数領域に分割して測定し
た各輝度値と輝度パターンとを照合演算し、中央重点、
平均、高輝度重視、低輝度重視等の露出決定因子の中か
ら最適なものを選び、露出制御を行なうものがある。ま
た、特開昭61−173226号公報に記載のように、画面中央
部のスポット輝度値と画面全体の平均輝度値とから逆光
状態を検知し、露出補正を行なうものがある。

〔発明が解決しようとする課題〕

しかしながら、従来の露出制御は、事前にプログラム
化されたある限られた情景には対応可能であるが、それ
以外の情景には上手く対応できない場合があった。ま
た、画面中央部を重視した露出制御では、画面中央部に
撮影したい被写体がある場合には適切な露出が得られる
が、それ以外の場合には適切な露出が得られない。な
お、このような場合でも、撮影したい被写体を画面中央
部に位置させてからAEロックすれば、被写体の位置にか
かわらず、常に適正な露出が得られるが、AEロックは操
作が面倒であるので、迅速な撮影には向かない。

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最適
な露出を得ることができる簡単な構成のカメラの露出演
算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輝度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輝度データの集合
である輝度データベクトルが入力された時にその画面に
対する露出補正値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露出を決定する。ここで、露出
補正値の範囲は±5EV程度とする。なお、学習の際に
は、輝度データベクトルが類似している画面どうしでは
露出補正値も同様な値であると仮定し、多数のモデルパ
ターンを使ってニューラル・ネットワークに各輝度デー
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
使った露出補正値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９））に分割され、各領域Pi毎に輝度デ
ータDiが得られる。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輝度データベクトルDiを入力
し、その画面に対する露出補正値Ex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輝度データベクトルが
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・ユニットに全輝度データベクト
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輝度
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、輝度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
ーンの輝度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・ネートワークの出力
ニューロン・ユニットと、そのモデルパターンにおける
露出補正値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値が露出補正値で
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毎の輝度データベクトルDi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（第１
図では発火したニューロン・ユニットに斜線を付す）、
そのニューロン・ユニットに対応する露出補正値Ex（第
１図ではE7）が適正露出補正値であると判断でき、そこ
に応じて露出を補正すると、常に適正露出で写真が撮影
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工科大（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yiは次式で示
される。

ここで、ｆ（）はニューロン・ユニットの出力関数
（通常、シグモイド形の単調増加関数）、 ｗij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、ｗik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:Wi（10）を乱数で初期化し、学習回数ｔ＝０とす
る。ここで、Wi（ｔ）＝（ｗi1（ｔ）,wi2（ｔ），…ｗ
in（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を求める。

‖Xk−wc（ｔ）‖＝min｛‖Xk−Wi（ｔ）‖｝ …（２） ここで、Xk＝（ｘki,xk2，…ｘkn）、wc（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:i∈Ne（ｔ）の場合はWi（ｔ＋１）＝Wi（ｔ）＋α
（ｔ）×（Xk−Wi（ｔ））とし、 ｉ∈Nc（ｔ）以外の場合はWi（ｔ＋１）＝Wi（ｔ）とす
る。

ここで、α（ｔ）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。

このように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、任意の撮影画面の露出補正値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
ラの露出演算装置の実施例を説明する。第５図は実施例
としての自動露出制御カメラのブロック図である。レン
ズ１を介して入射された１画面の被写体の複数の領域毎
の輝度を検出する複数と受光素子2i（ｉ＝１〜ｎ）が設
けられ、これらにより得られた各領域毎の輝度データDi
が正規化演算回路３に供給される。正規化演算回路３は
輝度データDi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
力データパターン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。

ニューラル・ネットワーク５は、輝度データ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
ij（ｔ）とのベクトル間距離 を計算し、そのベクトル間距離の最小値Dc＝min｛Ni｝
の検索を行ない、その最小値を与えるニューロン・ユニ
ットに対応する露出補正値Exを出力する。なお、一般
に、ニューラル・ネットワーク５は測光領域総数の５〜
20倍程度のニューロン・ユニットからなる。この露出補
正値情報は露出演算回路４に入力される。撮影情報入力
部８からレンズの開放Ｆ値、絞り値、シャッタ速度、フ
ィルム感度、モード情報（シャッタ優先、絞り優先等）
も露出演算回路４に供給される。露出演算回路４はモー
ド情報に応じたアペックス演算（輝度値−開放Ｆ値＋フ
ィルム感度＝シャッタ速度＋絞り値）と露出補正演算と
を行い、その結果をシャッタ制御回路６、絞り制御回路
７に供給する。

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
された正規化輝度データ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ｗij（ｔ）を格納す
るメモリ10、正規化輝度データｘkjとシナプス結合強度
ｗij（ｔ）とのベクトル間距離Ni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・
ユニットと入力パターンの露出補正値との対応関係を示
す露出補正値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、正規化輝度データｘkjとシナプス結合
強度ｗij（ｔ）とからベクトル間距離Niを演算する回路
13と、そのベクトル間距離Ni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輝度データｘ
kj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ｗij
（ｔ）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
でベクトル間距離 の演算が行なれ、演算結果がメモリ11に格納される。こ
のベクト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Ni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。露出演算回路４は予め決められメモリ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
対応する露出補正値情報Exを読出し、得られた最適合ニ
ューロン・ユニットに対応する露出補正値情報Exと撮影
情報入力部８から供給された開放Ｆ値、絞り値、シャッ
タ速度、フィルム感度、モード情報とからアペックス演
算と露出補正演算とを行い、その結果をシャッタ制御回
路６、絞り制御装置７に供給する。

以上により、入力画面内の被写体の情景に適切な自動
露出制御が可能になる。

なお、露出補正値情報としては、ニューロン・ユニッ
トの出力を定義した（１）式： により得られた値の最大値から順に選んだ複数のニュー
ロン・ユニットに対応する複数の露出補正値をニューラ
ル・ネットワークの出力値に比例して加重平均した露出
補正値を用いることも可能である。また、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、及びカメラ操
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と露出補正値情報設定回路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ｗij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輝度データをメモリ15に、露
出補正値に関するデータExをメモリ17に格納しておく。
メモリ15の輝度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Wiを次式によ
り修正学習する。ただし、ｉ∈Nc（ｔ）である。

Wi（ｔ＋１） ＝Wi（ｔ）＋α（ｔ）×（Xk−Wi（ｔ）） …（３） ここで、α（ｔ）は学習係数で０〜１の実数値をと
り、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は学習回数で、最大学習回数ｔmax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、
露出補正値情報設定回路18はメモリ17に格納されている
各モデルパターンの露出補正値がニューラル・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内に露出補正
値情報として設定する。

（第ｋ番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番目の入力パターンの露出補
正値を対応させる。

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、かつ対応する露出補正値が共通であるニューロン・
ユニット群Nc′のシナプス結合強度Wi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＋αｏ×（Xk−Wi） …（４） ただし、ｉ∈Nc′で、αｏ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（入力パターンの露出補正値）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、ニューラル・ネットワークに自己組織化させ
る入力データとしては、上述した画面全体の輝度データ
だけでなく、自動焦点機構と連係させて合焦位置及びそ
の近傍の輝度データや、主被写体及びその近傍の輝度デ
ータを用いてもよい。

また、実施例は自動露出制御カメラを説明したが、こ
の発明は決定された露出情報をファインダ内等に表示す
るだけのマニュアル露出制御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、被写体の情景
に応じた露出補正値の決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各輝度デー
タベクトルを学習させておくだけで、多様な画面に対す
る露出補正値を自動的に、かつ、高速に得ることができ
るカメラの露出演算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、撮影者の意図に沿った露出が自
動的に決定できる。

【図面の簡単な説明】

第１図はこの発明によるカメラの露出演算装置の概略を
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としての
自動露出制御カメラの実施例のブロック図、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……受光素子、３……正規化演算回
路、４……露出演算回路、５……ニューラル・ネットワ
ーク、６……シャッタ制御回路、７……絞り制御回路、
８……撮影情報入力部。

Claims (2)

(57)【特許請求の範囲】
1. 【請求項１】撮影時には撮影レンズを介して入射された
   被写体像の複数の領域毎の輝度に対応した各輝度データ
   の集合である輝度データベクトルを得るための輝度検出
   手段と、 入力された輝度データベクトルの各々に対して各々のシ
   ナプス結合強度を介してそれぞれ結合される多数のニュ
   ーロン・ユニットを単一層のネットワークで構成すると
   ともに、予めモデルパターンに対応する輝度データベク
   トルを入力した時に各ニューロン・ユニットが選択的に
   反応するように各シナプス結合強度が学習されており、
   上記複数のニューロン・ユニットを有する単一層のネッ
   トワークにより当該撮影時の輝度データベクトルに対し
   て選択的に反応したニューロン・ユニットの状態に基づ
   いて露出補正に係る値を与える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り生成された露出補正
   に係る値に応じてカメラの露出を制御する露出制御手段
   と、 を具備することを特徴とするカメラの露出演算装置。
2. 【請求項２】モデルパターンの輝度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
   により前記シナプス結合強度を獲得し、前記モデルパタ
   ーンの輝度データベクトルを前記ニューラル・ネートワ
   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の露出補正値とを対応づ
   ける学習手段を具備する請求項１に記載のカメラの露出
   演算装置。