JP2793815B2

JP2793815B2 - 露出制御装置

Info

Publication number: JP2793815B2
Application number: JP63250464A
Authority: JP
Inventors: 正文山崎; 敏之豊福; 順一伊藤; 晋一児玉
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: JPH0296723A

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露出制御装置に
関する。

［従来の技術］このような露出制御装置の従来例として、特開昭57−
42026号公報に記載した装置がある。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。ま
た、特開昭61−173226号公報には、画面中央部のスポッ
ト測光値と画面全体の平均測光値とから逆光状態を検知
し、警告表示を行なったり露出値を補正したりするもの
において、逆光検知に被写体距離情報を用いて検知ミス
をなくす技術が開示されている。

［発明が解決しようとする課題］これらの従来例は、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に
対してよい結果が得られるとは限らない。

この発明の目的は、これらの欠点を解決するため、各
種の入力に対して所望の出力を発生するネットワークに
より被写体のパターンを検出し、その結果に基づいて露
出制御を行なうことにより、あらゆる被写体パターンに
対して意図する露出で写真をとることができる露出制御
装置を提供することである。

［課題を解決するための手段及び作用］この発明による露出制御装置には、被写体パターンを
入力した時に被写体パターンに応じて平均測光に対する
露出補正量を出力するように学習された結合の強さで順
次結合される入力層、中間層、出力層からなるネットワ
ークが設けられる。複数の光電変換素子の出力がネット
ワークに入力され、ネットワークの出力と複数の光電変
換素子の出力に基づいて露出が制御される。

［実施例］以下、図面を参照して、この発明による露出制御装置
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
層を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。出力層と同時に、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露出制御装置を説明する。

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、第14図に示すように光電変換素子Pmn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値化されて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19を通過した光から被写体の輝度BV（＝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
演算回路27に供給されるとともに、ニューロコンピュー
タ25にも供給される。ニューロコンピュータ25は演算回
路24から出力される被写体の輝度分布パターンを入力Op
j⁰として、の演算を行ない最終的に補正信号CVを求める。この結合
の強さWjiは係数メモリ26に格納されている。演算回路2
7は輝度BVの平均値、フィルム感度SV、絞り値AV、シャ
ッタースピードTV、シャッタ優先か絞り優先かなどのモ
ード信号（MOD）、ニューロコンピュータ25から供給さ
れた補正信号CVによりアペックス演算（BV＋SV＝TV＋AV
＋CV）を行ない、シャッタースピード、あるいは絞り値
を決定する。演算回路27の出力はシャッター制御装置2
8、絞り制御装置29に供給され、これらにより露出が制
御される。このように、この実施例は、平均測光値に対
してニューロコンピュータ25により求められた補正値を
考慮して露出が制御される。30はシーケンスコントロー
ラである。

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。ここでは、被写体パターンをネットワークに入
力すると露出補正信号を出力するように、各ユニットの
結合の強さWjiを予め学習させておく。学習の結果得ら
れた結合の強さWjiは係数メモリ26に格納されている。

この学習システムを第13図に示す。モデルパターン32
は各種の被写体パターンOpj^N+1をニューロコンピュータ
33に入力する入力部であり、A/D変換器等を含む。教師
信号35は各種の被写体パターンOpj^N+1に対応する露出補
正信号を目標値ｔpjとしてニューロコンピュータ33に入
力する。ニューロコンピュータ33は実際の出力Opj⁰が教
師信号ｔpjと一致するような係合の強さWjiを学習によ
り求める。求められた結合の強さWjiは係数メモリ34に
格納されている。この係数メモリ34が係数メモリ26とし
てカメラに組込まれる。

学習を効率的に進めるためニューラルネットワークは
第15図に示すように、各行毎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で統合するようになっ
ている。ニューラルネットワークは入力層37、中間層3
8、出力層39の３層で構成され、学習の原理は前述した
通りである。

第16図にモデルパターンの具体例を示す。（ａ）は逆
光撮影の例であり、この場合は補正量CVを＋1EVにし、
人物を明るく撮る。（ｂ）は海の例であり、この場合
は、空が明る過ぎて海が暗く写るので、補正量を＋0.5E
Vとする。（ｃ）は夜のネオン街の例であり、従来の方
法で撮ると、昼間のように明るく写ってしまいムードが
出ないので、補正量を−3EVとする。なお、この補正値
は平均測光値に対する補正値とする。以上は３つの例に
すぎないが、実際は数百のパターンを学習させる。

なお、ニューロコンピュータ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。また、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化できなかった膨大な種類の被写
体パターンと被写体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を行なうことができる。さら
に、ニューロコンピュータの並列制御により高速演算が
可能なので、迅速性が要求される銀塩カメラ向きであ
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。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、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
体主要部の位置を与え、スポット測光等の学習を行なう
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により、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、各種の被写体
パターン入力に対して所望の露出補正量を出力するよう
にニューロコンピュータを予め学習させておいて、その
出力に基づいて露出制御を行なうことにより、あらゆる
被写体パターンに対して意図する露出で写真を撮ること
ができる露出制御装置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露出制御装置の一実施例のブロ
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Opjを
求めるフローチャート、第７図は誤差の後向き伝播量δ
pjを求めるフローチャート、第８図は結合の強さ係数Wj
i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図は実施例のニューロコンピ
ュータを学習させる装置のブロック図、第14図は実施例
の光電変換素子の配置例を示す図、第15図は実施例のネ
ットワークを示す図、第16図（ａ）〜（ｃ）は学習させ
る被写体の一例を示す図である。 21……受光部、24,27……演算回路、25……ニューロコ
ンピュータ、26……係数メモリ、28……シャッタ制御装
置、29……絞り制御装置。

───────────────────────────────────────────────────── フロントページの続き (72)発明者児玉晋一東京都渋谷区幡ケ谷２丁目43番２号オリンパス光学工業株式会社内 (56)参考文献特開平１−204171（ＪＰ，Ａ) 特開平２−33687（ＪＰ，Ａ) 特開平２−81159（ＪＰ，Ａ) 特開平２−83656（ＪＰ，Ａ) (58)調査した分野(Int.Cl.⁶，ＤＢ名) G03B 7/00 - 7/28 G06F 15/18

Claims

(57)【特許請求の範囲】

【請求項１】複数の光電変換素子からなる受光部と、前
記受光部に被写体像を結像させる光学系と、前記受光部
の出力に接続され露出補正信号を出力するネットワーク
と、前記受光部の出力と前記ネットワークの出力に基づ
いてカメラの露出を制御する手段を具備し、前記ネット
ワークは前記受光部の出力に接続される複数のユニット
からなる入力層と、前記入力層の個々のユニットと所定
の結合の強さで結合された複数のユニットからなる単
層、または複数層の中間層と、前記中間層の個々のユニ
ットと所定の結合の強さで結合された複数のユニットか
らなる出力層を具備する露出制御装置。