1.纹理的定义
纹理是一种反映图像中的同质的一种视觉特征，它体现了物体表面的结构组织排列属性。纹理特征具有三大标志：某种局部序列性不断重复、非随机排列、纹理区域内大致为均匀的统一体。纹理不同于灰度、颜色等图像特征，他通过像素及其周围空间邻域的弧度分布来表现，纹理具有局部性，当局部纹理重复出现时就是全局纹理信息。
纹理特征体现全局性质时，描述了图像或图像区域所对应景物的表面性质。但由于纹理只是一种物体表面的特性，并不能完全反映出物体的本质属性，所以仅仅利用纹理特征是无法获得高层次图像的内容的。
纹理特征的提取
一幅图像的纹理实在图像计算中经过量化的图像特征。图像纹理描述图像或其中小块区域的空间颜色分布和光强分布。纹理特征的提取分为基于结构的方法和基于统计数据的方法。一个基于结构的纹理特征提取方法是将所要检测的纹理进行建模，在图像中搜索重复的模式。该方法对人工何晨的纹理识别效果较好。但对于交通图像中的纹理识别，基于统计数据的方法更好。
（1）LBP特征
LBP方法（Local binary pattterns）是一个计算机视觉中用于图像特征分类的一个方法。LBP方法在1994年首先由T.Ojala等人提出【1】【2】，用于问题特征提取。后来LBP方法和HOG特征分类器联合使用，改善了一些数据集上的检测效果。
对LBP特征向量进行提取的步骤如下：
首先将检测窗口划分为16*16的小区域（cell），对于每个cell中的一个像素，将其环形邻域内的8个点（也可以是环形邻域内的多个点，应用LBP算法的三个邻域）进行顺时针或逆时针的比较，如果中心像素值比该邻点大，则将邻赋值为1，否则赋值为0。这样每个点都会获得一个8为二进制数。（转换为10进制数）然后计算每个cell的直方图，即每个数字（十进制的）出现的频率（就是一个关于每一个像素点是否比邻域内点大的一个为禁止序列进行统计），然后对该直方图进行归一化处理。最后得到的每个cell的统计直方图进行连接，就得到了整幅图的LBP纹理特征，然后便可利用SVM或者其他机器学习算法进行分类。
[1]T. Ojala, M. Pietikäinen, and D. Harwood (1994), "Performance evaluation of texture measures with classification based on Kullback discrimination of distributions", Proceedings of the 12th IAPR International Conference on Pattern Recognition (ICPR 1994), vol. 1, pp. 582 - 585.
[2] T. Ojala, M. Pietikäinen, and D. Harwood (1996), "A Comparative Study of Texture Measures with Classification Based on Feature Distributions", Pattern Recognition, vol. 29, pp. 51-59.
(2)灰度共生矩阵
灰度共生矩阵是另一种纹理特征提取方法，首先对于一幅图像定义一个方向（orientation）和一个以pixel为单位的步长（step），灰度共生矩T（NXN），则定义M(i,j)为灰度为i和j的像素同时出现在一个点沿所定义的方向跨度步长的点上的频率。其中N是灰度级划分数目。由于共生矩阵有方向和步长的组合定义，而决定频率的一个因素是对矩阵有贡献的像素数目，而这个数目比总数目少，且随着步长的增加而减少。因此所得到的共生矩阵是一个稀疏矩阵，所以灰度级划分N常常减少到8级。如在水平方向上计算左右方向上像素的共生矩阵，则为对称共生矩阵。类似的，如果仅考虑当前像素单方向（左或右）上的像素，则称为非对称共生矩阵。