The outdoor video has become an important mean of monitoring on-site and target recognition recently, which requires higher and higher quality of the outdoor video images. Foggy weather can cause a significant drop in the quality of outdoor video images, directly affecting the accuracy of monitoring on-site and target recognition. In order to automatically select high-quality images with no fog or mist from the outdoor video, a method of fog level classification in outdoor video images based on convolutional neural networks (CNN) is proposed in this paper. A type of CNN with three convolutional layers, three pooling layers, and three fully connected layers is constructed, and the parameters such as the convolution kernel size, pooling kernel size and padding size are adjusted to obtain the optimal network type. The network can automatically learn the fog concentration characteristics in the image, and can effectively divide the image into three levels: fog-free, mist and dense fog. The method is compared with K-means clustering, support vector machine, and random forest classification. The results show that the constructed CNN has the highest accuracy for fog classification, which can reach more than 99%. Nevertheless, the accuracies of K-means clustering, support vector machine (SVM), and random forest classification are 85.60%, 81.48%, and 89.48%, respectively. With the CNN model constructed in this study for fog level classification, high-quality images with no fog or mist can be automatically selected for outdoor video image analysis and applications.

近年来，户外视频已成为现场监控和目标识别的重要手段，对户外视频图像的质量要求越来越高。大雾天气会导致室外视频图像质量显着下降，直接影响现场监控和目标识别的准确性。为了从户外视频中自动选择无雾无雾的高质量图像，本文提出了一种基于卷积神经网络（CNN）的户外视频图像雾级分类方法。构造了一种具有三个卷积层、三个池化层和三个全连接层的CNN，并调整卷积核大小、池化核大小和填充大小等参数以获得最优的网络类型。网络可以自动学习图像中的雾浓度特征，可以有效地将图像分为无雾、薄雾和浓雾三个级别。该方法与 K-means 聚类、支持向量机和随机森林分类进行了比较。结果表明，构建的CNN对雾分类的准确率最高，可达99%以上。尽管如此，K-means 聚类、支持向量机 (SVM) 和随机森林分类的​​准确率分别为 85.60%、81.48% 和 89.48%。利用本研究构建的 CNN 模型进行雾级分类，可以自动选择无雾无雾的高质量图像用于户外视频图像分析和应用。并且可以有效地将图像分为三个级别：无雾、薄雾和浓雾。该方法与 K-means 聚类、支持向量机和随机森林分类进行了比较。结果表明，构建的CNN对雾分类的准确率最高，可达99%以上。尽管如此，K-means 聚类、支持向量机 (SVM) 和随机森林分类的​​准确率分别为 85.60%、81.48% 和 89.48%。利用本研究构建的 CNN 模型进行雾级分类，可以自动选择无雾无雾的高质量图像用于户外视频图像分析和应用。并且可以有效地将图像分为三个级别：无雾、薄雾和浓雾。该方法与 K-means 聚类、支持向量机和随机森林分类进行了比较。结果表明，构建的CNN对雾分类的准确率最高，可达99%以上。尽管如此，K-means 聚类、支持向量机 (SVM) 和随机森林分类的​​准确率分别为 85.60%、81.48% 和 89.48%。利用本研究构建的用于雾级分类的 CNN 模型，可以自动选择没有雾或薄雾的高质量图像用于户外视频图像分析和应用。结果表明，构建的CNN对雾分类的准确率最高，可达99%以上。尽管如此，K-means 聚类、支持向量机 (SVM) 和随机森林分类的​​准确率分别为 85.60%、81.48% 和 89.48%。利用本研究构建的 CNN 模型进行雾级分类，可以自动选择无雾无雾的高质量图像用于户外视频图像分析和应用。结果表明，构建的CNN对雾分类的准确率最高，可达99%以上。尽管如此，K-means 聚类、支持向量机 (SVM) 和随机森林分类的​​准确率分别为 85.60%、81.48% 和 89.48%。利用本研究构建的用于雾级分类的 CNN 模型，可以自动选择没有雾或薄雾的高质量图像用于户外视频图像分析和应用。