协同机制和信息融合是无线传感器网络中的关键技术,本文以基于无线传感器网络的道路交通信息采集为应用背景,将实时准确实现交通流量监测转化为高精度细粒度的车型识别问题,通过一系列节点协同机制及信号信息处理算法的设计和实现来展开无线传感器网络中节点协同机制和信息融合关键技术的研究。本文所做的工作主要有:　　 (1)设计实现了基于证据理论的车型识别算法。根据实际问题需求定义了合适的辨识框架,基于对真实数据的统计学分析构建了基于正态分布的基本置信指派模型及其修正模型,利用证据理论实现车型识别。该方法有效地解决了信息的不确定性和冲突,实现了理想的自行车和机动车的区分。　　 (2)设计了基于磁和图像异质传感器节点的协同机制。通过事件触发机制、摄像头工作模式配置、协同参数的合理设置,使得图像传感器节点可以仅在车辆到来时按需以有效的模式工作,在充分利用了磁信息的检测优势和图像信息的识别优势的同时避免了各自的缺点,在节省资源的同时为更好的车型识别提供了保证。　　 (3)设计实现了低复杂度鲁棒的图像处理算法实现了车体分割和准确的车形特征提取,并最终实现了高精度细粒度的车型识别。本部分中首先设计实现了低复杂度鲁棒的车体分割算法有效地解决了光线变化和低灰度差异对车体检测造成的影响,实现了较好的分割效果;然后设计实现了低复杂度准确的车形特征提取算法消除了分割阶段得到的二值图像中散布的噪点和孔洞对特征提取精度的影响,实现了准确的车形特征提取。在实验部分的效果展示中,分割效果图中完整地保留了车体形状,车形特征提取过程中产生的框定图中准确定位出了车体区域,轮廓图中近似描绘出了车体轮廓,这些充分说明了车体分割算法的有效性和车形特征提取的准确性。　　 针对所提出的协同机制和融合算法,本文设计了一系列实际道路参数监测实验,并以真实的道路参数作为参考,验证所提机制和算法的有效性:(1)利用基于证据理论的车型识别算法,处理多个磁传感器节点采集得到的车辆的响应强度信息和车速信息实现自行车和机动车的区分,识别精度达到91.67%。(2)利用本文所提的图像处理算法,处理协同采集得到的车辆图像,提取得到的车辆形状特征,实现了较高精度的自行车和机动车的区分,自行车的识别精度达到99.61%,同时也实现了较好的机动车内部更细粒度的小汽车和面包车的识别,识别精度分别达到了94.78%和84.85%。在ADS1.2模拟Imote2环境进行图像处理算法仿真,80*60尺寸图像经过完整的压缩、车体分割、特征提取过程仅需要197.5ms。这样的识别效果和计算开销充分说明了所设计图像处理算法的有效性和低复杂性,足以保证在线实时实现高精度细粒度的车型识别。