所谓高斯滤波算法就是利用高斯滤波器设置高斯分布，滤波的平均效果相对比较小，所以在进行数据滤波的同时能够在不损坏原数据形貌的前提下完成数据的滤波。而平均滤波算法指的是将模型采样点的值换成平均滤波器中各数据点相应的统计值，这样可以很好的将数据的毛刺消除。
数据精简在逆向工程技术的重构曲面环节，如果存在点云过于密集的情况，不仅会影响计算机的操作、存储以及运行的效率，而且还会影响到曲面模型的生成时间和光顺性。对采集的点云数据进行精简，就是为了防止这一问题的发生。而针对点云的类型，所选取的精简方式也是不一样的。例如，对于比较散乱的点云，往往是选择随机采样的方式进行数据的精简的；网格式的点云，进行数据的缩减主要采用的是最小包围区域的方法或者是等分布密度的方法。
数据分割以模型外形曲面相应子曲面的不同类型作为数据分割的依据，把类型相同的子曲面数据分成一组，形成互不重叠、特征比较单一的数据区域，给曲面模型的重建提供了便利。对电云数据进行区域分割的方法有两种，即自动分割法和测量分割法。自动分割法又包括基于边和基于面的两种方法。基于边的分割方法把测量点的曲率的变化作为是两个区域的边界，最终分割的区域结果是封闭的边界区域；基于面的分割方法是把几何特征比较相似的点作为同一个区域。而通过测量的分割方法是在进行数据测量的过程中，依据模型的外形特征进行分子曲面的划分，再对各不相同的特征区域进行标注，然后对测量的路径进行规划，按照曲面的不同特征将测量的数据通过CAD软件实现数据的处理和分成显示。
多视点云实现对齐由于模型的外形数据不是通过一次测量来得到的结果，所以需要把零乱的数据放到同一个坐标系里，要完成这一个过程就需要进行数据的对齐或者是拼合。目前，数据的对齐方法有两种，即直接对齐法图形对齐法。直接对齐法就是对数据进行直接的操作，完成数据的对齐，最终使得数据结构实现一致以及数据信息完整化。图像对齐法，首先对数据需要进行局部造型，然后拼合对齐视图数据相应的几何图形，这种方法虽然简单、快捷而且结果非常准确，但是在分割后不同的视图中，由于特征信息和拓扑不是很完成，局部造型很困难。
逆向工程技术在公路设计中的应用
对旧路进行改建是公路设计的一大难题，因为在改建过程中需要保护周边的环境以及还原区域实景等，文章以某一平交口的改造为例，讲述公路设计中逆向工程技术的应用。
1对地形数据进行采集和处理利用激光扫描仪进行数据的采集，激光扫描仪主要由测距系统和扫描系统构成。激光的测距系统是一种非接触式的测量，激光束的发射和接收的时差来测量扫描议和扫描点之间的距离。激光的扫描系统是将激光束在反射镜的作用下均匀的旋转，并以等角的速度进行发射，然后对竖直和水平方向的激光束进行测量。测距系统和扫描系统相互结合，可以计算出扫描点的三维坐标。利用ImgeWare软件可以对采集的点云数据进行处理。该软件将采集的三维点云数据进行去噪、平滑、分割、拼合等处理，最后得出完整的带有点号的点云文本数据和三维坐标数据。
2建立模型把三维点数据的文本输入到CARD/1软件中，进行地形图的处理，导出高精度的DEM，采样之间的间距为0.2m，等高线之间的间距为1m。再次，将软件中导入DEM文件进行数模的叠加，最后得到带颜色的DEM文件。
3根据点云地形图进行平面设计DEM模型是带有颜色的，设计人员对旧路中心线以及边缘线的确定会变得更精确和直观，最终使实景还原度得到提高，更有效的完成道路的优化处理。选取最佳的角度，对三维状态的模型方案进行设计。
4根据点云的地面线数据进行纵断面和横断面的设计在点云DEM模型的基础上，对纵断面的插值进行计算，得出带有颜色的关于地面线的三维点云数据。点云DEM模型可以通过对景深进行设置，直观地看到中线法线方向的地面上实际的情况。通过点云DEM模型，可以将带有视景深度横断方向的点云数据切出，然后对旧路横断方向的原有构造物、拆迁情况等有详细的了解，有把握地进行横断面的设计。
结语
关键词：三维激光扫描点云数据处理三维建模
中图分类号：P258文献标识码：A文章编号：1007-9416（2013）01-0085-02
1概述
三维激光扫描技术又称作高清晰测量（HighDefinitionSurveying，简称HDS），它是利用激光测距的原理，通过记录被测物体表面点的三维坐标信息、反射率、纹理等信息，将被测实体和场景的三维数据完整地采集到电脑中，进而快速复建出被测目标三维模型及线、面、体等图件数据。
项目位于内蒙古敖仑花铜钼矿露天采场，面积约1平方公里，扫描区域如图1。作业要求：全野外三维点云数据采集、填挖方量计算、1：2000地形图、建立三维模型、生成三维视频。
2三维激光扫描系统的原理
脉冲式三维激光扫描仪工作原理是激光器发射出单点的激光，通过记录激光的回波信号，计算激光的飞行时间，来计算目标点与扫描仪之间的距离。这样连续地对空间以一定的取样密度进行扫描测量，就能得到被测物体的密集的三维彩色散点数据，称作点云。三维激光扫描仪通过脉冲测距法获得测距观测值S，精密时钟编码器同步测量每个激光脉冲横向扫描角度观测值α和纵向扫描角度观测值θ。三维激光扫描一般使用仪器内部坐标系统，X轴在横向扫描面内，Y轴在横向扫描面内与X轴垂直，Z轴与横向扫描面垂直，由此可得点云坐标（XS，YS，ZS）的计算公式，如图2、3所示。
3仪器介绍
本项目点云采集三维激光扫描仪，图4。
此仪器是当今最先进的三维激光扫描系统之一，它是一种高速脉冲式扫描仪，特点如下：
（1）完全的视场角：扫描视场角为水平360°，垂直270°，可获取顶部，垂直方向、水平方向和水平方向以下区域的数据；（2）测量级精度的双轴补偿器：可架设在已知点上进行导线测量、可输入点坐标来放样、精度1”，补偿范围+/-5’；（3）基于标准反射率表面工作距离：300m-90%反射率；134m-18%反射率；（4）高速扫描：扫描速度可达50000点/秒；发射的光斑大小为50m处恒定3mm，大大提高了扫描的速度和精度。（5）测量级精度如表1。
4Scanstation2外业三维数据扫描
三维点云数据采集，关键步骤如下：
4.1外业踏勘
首先，要进行现场踏勘、制作扫描规划草图，规划的内容包括：外业操作人员、扫描区域和时间、站点设置、标靶位置等。其次，科学设站，在保证仪器发挥最大功效的同时，应避免重复扫描，另外，后期如进行标靶拼接，一定要设计好下一站标靶的位置以确保两站标靶通视，如进行点云拼接，设站要尽量采集到较多的特征点。最后，标靶设置要规范，标靶摆设要稳固，尽量不要共线，同时标靶的位置最好设置在两站公共空间的最大距离处，以保证拼接精度。
4.2外业扫描
外业点云数据扫描，主要步骤如下：（1）连接扫描仪和电脑，设置IP地址；（2）添加数据库，确定数据存储位置；（3）添加扫描仪，设置扫描仪参数，主要包括：照片曝光率、扫描范围、点云间隔密度等；（4）选择扫描数据存储的位置并连接扫描仪；（5）三维点云数据及标靶扫描。
5点云数据处理
在Cyclone系统软件内进行，步骤如下：
5.1剔除噪音点
在扫描过程中，由于受扫描系统本身的系统误差，如数据采集时激光雷达旋转引起的抖动、在扫描过程中杂散光和被测物体表面粗糙程度、波纹、表面材质等因素及外界环境影响，会产生不属于扫描实体本身的冗余数据，称为噪音点，如图5，6，为了保证数据计算及模型的精度，在数据拼接之前需进行噪音点剔除。
5.2点云拼接
每站扫描的数据都是独立的自由坐标系统，坐标系原点为扫描仪镜头，其X方向为扫描仪开机时的镜头朝向。因此为了统一坐标系，需将各站数据进行拼接处理。拼接的思路是先将每天各测站的数据拼接成一个整体，然后将各天的数据进行拼接。
（1）点云拼接原理：外业扫描时用全站仪测得标靶的真实三维坐标，各测站扫描时均两两包含三个以上不共线同名标靶，利用各测站间的同名点将各测站数据拼接在一起。
（2）点云拼接方法：共有四种方法：在已知点上设测站扫描（即坐标拼接）、使用标靶将数据转换到统一坐标系中（即标靶拼接）、用点云匹配的方法将点云转换到统一坐标系中（即特征点云拼接）、综合使用上述三种方法。
第一种方法属于直接法地理坐标转换。与传统的测量方法一样，首先进行控制测量，获得控制点坐标，扫描时在已知点上设站，扫描相当于碎部测量。第二和第三种方法属于间接法的地理坐标转换。首先用至少三个公共点来将相邻测站的点云进行拼接，公共点可以是专用标靶或特征点（如窗户的边角、房角等）。
5.3点云建模
建模的过程是在Cyclone软件下利用海量点云进行精确计算、拟合几何物体的形状，精确表现扫描物体。矿区扫描点云数据如图7。
点云经过剔除噪音点、拼接、构建TIN三角网，生成Mesh三维模型。如图8所示。
5.4成果输出
（1）地形图制作：在Cyclone下利用Mesh三维模型自动生成等高线如图9，将点云与等高线导出，在CAD中制作1：2000地形图。
（2）填挖方量计算：项目采用了两种计算方法，一是利用点云数据构建三角网，用方格网法计算；二是在Mesh模型中选定参考面，设置取样间隔，计算土方量，如图10所示。
在Cyclone系统里，应用Mesh三维模型计算时，取样间隔的数值可以设置成0.01至1米之间，均可保证土方量计算又快又准，但如采用传统的方格网法计算，取样间隔即使设置到1米，也是相当费时费力的。
6结语
本项目采用世界先进的三维激光扫描系统采集三维点云数据，在Cyclone系统里进行数据处理、模型制作，采用两种方法计算土方量，通过与传统测量方法相比，得出以下结论：
（1）数据采集速度快，ScanStation2的扫描速度是50000点/秒，短时间就可完成大区域面积内三维点云数据的采集，既节约成本又提高了工作效率；（2）激光三维扫描，不需要接触被测物体，且是根据物体的反射率和材质来采集数据信息，可进行全天候扫描；（3）点云数据完整精确，在软件下可进行多视角、三维可视化漫游浏览，方便、直观；（4）三维激光扫描仪获取的点云数据信息量丰富，既包含被测物体X，Y，Z坐标信息，还包括RGB颜色及反射率信息，后期对矢量数据可进行深挖掘及研究应用，一举多得；（5）应用三维点云数据可以提取任何线性特征，可以出任意比例的二维图，也可以在图上量取任何想要得到的信息，在保证高精度的同时还大大提高了生产效率，这是目前现有的方法中所不能比拟的。
参考文献
[1]李滨.徕卡三维激光扫描系统在文物保护领域的应用[J].测绘通报，2008年第6期.
[2]李清泉.三维空间数据的实时获取、建模与可视化[M].武汉大学出版社，2003年.
[3]田庆.地面激光雷达数据的分割与轮廓线提取[C].北京建工大学硕士论文，2008年.
关键词云安全模型信息系统保护测评
中图分类号：TP3文献标识码：A
文中以云安全服务模型为研究依据，从云计算信息系统的安全特性入手，提出建立云安全服务模型及管理中心，介绍了云安全等级保护模型的建立情况。
1简述云计算信息系统安全特性
以传统的互联网信息系统相比较，云计算信息系统把全部数据的处理与存储都放在服务端，终端用户根据网络可以及时获取需要的信息和服务，没有必须在本地配置的情况下进行数据的处理和存储。根据网络中所设置的网络安全防护设施，可以在服务端设置统一的身份兼备与安全审计系统，确保多数系统出现的安全问题得到有效解决，但此时新的设计服务模式又会带来新的安全问题，例如：滥用云计算、不安全的服务接口、数据泄露、安全管理等多个方面的问题。
2建立云安全服务模型及管理中心
现实中的不同云产品，在部署模型、资源位置、服务模型等各个方面都展现出不一样的形态和模式，进而形成各不相同的安全风险特征及安全控制范围。所以，必须从安全控制的角度创建云计算的模型，对各个属性组合的云服务架构进行描述，从而确保云服务架构到安全架构的合理映射，为设备的安全控制和风险识别提供有效依据。建立的云安全服务模型如图1所示。
3云安全模型的信息安全等级测评办法
云安全信息安全保护测评的办法就是根据云安全服务模型与云安全中心模型，考察用户在云安全方面的不同需求，安全模型处在安全等级保护体系下的不同位置。安全模型一端连接着等级保护技术，另一端连接着等级保护管理的要求。根据云安全信息中心的建模情况，对云安全模型下的核心基础、支撑安全展开分析，获取企业在云安全领域的信息安全等级测评模型，依照模型开展下一步的测评工作。
3.1分析等级测评云安全模型下的控制项
根据上述分析情况，可以把云安全模型嵌套在云安全等级保护模式中，从而展开与云安全有关的信息安全等级评价，并对安全模型下的有关控制项展开分析。首先察看云认证及授权情况，对是否存在登陆认证、程序授权、敏感文件授权等进行测评。依照不同的访问控制模型，选择访问控制的目标是强制性访问、自主性访问、角色型访问，进而采取与之相对应的方法。为了确保网络访问资源可以有效的控制和分配，需要创建统一、可靠的执行办法和解决策略。自由具备统一、可靠地方式才可以保障安全策略达到自动执行的目的。测试网络数据的加密情况，要对标准的加密功能及服务类型，做到静态和动态的安全保护。探测数据的备份与恢复情况，就必须查看云备份是否安全、数据销毁情况、磁带是否加密及密码钥匙的管理，检查的重点是供应商的数据备份情况。查看对管理用户的身份是否可以控制管理，是否可以管理用户角色的访问内容。查看用户的安全服务及审计日志，其中包括网络设备的监控管理、主机的维护、告警管理与维护等。
3.2分析等级测评云安全模型的风险性
依照等级保护的有关要求，运用风险分析的办法，对信息系统展开分析时必须重视下面的内容。
（1）云身份认证、授权及访问控制
云安全对于选择用户身份的认证、授权和访问控制尤为重要，但它所发挥的实际效果必须依赖具体的实施情况。
（2）设置云安全边界
云安全内部的网络设备运用防火墙这系列的措施展开安全防护。但外部的云用户只能运用虚拟技术，该技术自身携带安全风险，所以必须对其设置高效的安全隔离。
（3）云安全储存及数据信息备份
一般情况下，云供应商采用数据备份的方式是最为安全的保护模式，即使供应商进行数据备份更加安全，仍然会发生数据丢失的情况。所以，如果有条件的，公司应该采用云技术共享的所有数据进行备份，或在保留数据发生彻底丢失事件时提出诉讼，从而获取有效的赔偿。云计算中一直存在因数据的交互放大而导致数据丢失或泄露的情况。如果出现安全时间，导致用户数据丢失，系统应该快速把发生的安全时间通报给用户，防止出现大的损失。
4结束语
综上所述，随着云计算技术的发展，云计算信息系统会成为日后信息化建设的重要组成部分。文中从云安全等级保护测试为研究依据，简述了云计算信息系统安全特性，对云安全服务模型及管理中心的建立情况进行分析，提出云安全模型的信息安全等级测评办法。
参考文献
【关键词】图像识别技术移动增强现实技术结合
移动互联网技术的飞速发展，使得移动增强现实技术（MAR）受到了越来越多的关注，在实际应用中的关键技术包括了交互技术、显示技术以及跟踪定位技术等。在长期的发展中，对于相关算法的研究多集中在室内环境，对于室外的复杂场景适应性不足，无法完成大规模图像的实时跟踪注册。对此，本文提出了基于图像识别技术的MAR系统。
1系统总体架构
MAR系统采用了C/S架构，可以实现对于场景图像、增强信息以及人员的管理，其中数据管理主要是利用管理系统，建立起相应的场景图像数据库和增强信息数据库，对相应的数据信息进行存储，同时建立索引，以方便用户进行信息的检索；人员管理主要是针对图像采集人员和采编人员的管理，采编人员需要将采集到的图像以及与之关联的增强信息输入到数据库中。结合云端的存储功能和计算能力，系统可以完成对于样本的训练以及图像的快速识别。系统总体架构如图1所示。
2基于图像识别的跟踪注册算法
2.1改进特征描述算法
在室外场景中，存在着大量结构类似的建筑工程，受其影响，如果使用BRISK或者SURF等算法进行图像特征匹配，并不能取得预期的效果，对此，相关研究人员提出了以重力方向解决相似特征的误匹配问题，并且取得了显著的成果。假定存在有四个特征点，其通过邻域像素灰度信息计算特征点主方向，而且仅仅相差一个旋转角度，如果特征点邻域旋转到主方向，计算出的特征描述将会变得缺乏典型性和区分性。而如果利用重力传感器信心，在BRISK或者SURF算法的特征描述中加入重力信息，可以生成Gravity-BRISK和Gravity-SURF描述，使得四个特征点的描述差异更加显著。
2.2大规模图像识别技术
当前，许多基于图像检索的场景识别算法，如随机树、BOF等，都存在着计算量大、内存消耗大的问题，对此，系统在对大规模图像识别算法进行选择时，引入了VLAD算法，能够在一定程度上解决内存占用问题，以Gravity-SURF对图像特征进行描述，也可以实现对于相似图像特征的有效区分，提升场景识别的准确性和可靠性。在系统运行中，识别算法需要首先针对云端图像数据库中存在的训练图像的Gravity-SURF描述进行提取，做好VLAD编码处理，得到图像的VLAD聚合量。在针对图像进行在线识别时，算法能够对AR（增强现实技术）上传的查询图像的VLAD聚合向量进行提取，与训练图像本身的聚合向量进行对比，通过相似度测量来保证识别结果的准确性。
2.3视觉跟踪注册算法
在自服务器中获取识别图像的编号后，MAR系统可以针对图像进行跟踪注册，以完成对三维模型的实时渲染。从确保实时性的层面考虑，可以选择BRISK算法，构建Gravity-BRISK描述。在实际应用中，算法会对关键帧进行训练，得到特征集，在跟踪初始化环节，算法能够获取相应的实时帧图像，将其与关键帧特征匹配集合结合起来，运用PROSAC算法，可以取种其中存在的误匹配点。为了提升跟踪注册算法的实时性和鲁棒性，可以利用金字塔L-K光流跟踪的方式，完成对于特征点的准确匹配。
在光流跟踪阶段，如果摄像机本身的运动速度过快，则由估算得到了特征点坐标会存在较大的误差，算法会自动将这些特征点剔除来保证良好的效果。同样，当摄像机本身的角度不合理、出现遮挡或者光照变化时，系统同样会剔除相应的特征点，@样必然会导致特征点数量的减少，影响跟踪的稳定性。针对这个问题，需要做好系统设定，当跟踪点的数量小于一定数值时，系统初始化，然后重新进行特征点匹配。
2.4三维渲染
在场景中，以Unity3D渲染引擎进行三维模型的绘制，以实现虚拟场景与现实场景的融合显示。不过，考虑到Unity3D渲染引擎与摄像机使用的均为左手坐标系，本身提到的摄像机坐标系和由跟踪注册算法定义的世界坐标系为右手坐标系，需要进行坐标系的转换工作。这里在右手坐标系中，选择特征点，坐标为Pwr（x，y，z）、Pcr（x，y，z），对应的左手坐标系特征点坐标为Pwl（x，y，z）以及Pcl（x，y，z），坐标转换关系为：
Pcr=RrPwr+Tr，Pcl=RlPwl+Tl
Pcl=APcr，Pwl=APwr
其中，Rr、Rl表示旋转矩阵，Tr、Tl表示平移矩阵，A=diag（1，-1，1）。结合上述公式，经计算，可以得到Unity3D渲染引擎中摄像机的旋转矩阵和平移矩阵，有
RUnity3D=Rl-1
TUnity3D=-Rl-1Tl
其中，Rl=ARrA，Tl=ATr。
3结语
经测试，本文提出的算法可以满足系统对于实时性和精度等方面的要求，而且基于云端的增强现实系统可以在多个领域中得到应用，能够发挥出良好的效果。
参考文献
[1]吕强，黄成，刘明.移动云计算――移动增强现实技术和服务[J].中兴通讯技术，2015（02）：25-29.
[2]申威.基于图像识别的增强现实系统的实现[D].北京邮电大学，2013.
[3]严雷，杨晓刚，郭鸿飞，陈靖.结合图像识别的移动增强现实系统设计与应用[J].中国图象图形学报，2016，21（02）：184-191.
作者简介
吴振宇（1980-），男，浙江省义乌市人。大学学历。现为浙江交通技师学院讲师。研究方向为计算机教学研究。
关键词：云计算；教学资源共享；Hadoop
中图分类号：G64文献标识码：A文章编号：1005-5312（2014）02-0247-01
一、引言
随着我国教育体制改革的不断深入以及经济社会发展对人才质量内涵提出的新要求，学校内部单一教学资源平台己经不能应对更加复杂的需求，出现了学校内部教学资源与外部教学资源的集成应用需求。为解决扩展性教学资源集成，急需研究和建立开放教学资源平台体系结构，支持学校间教学资源平台协同开发，透明地获取所需资源，实现学校间的松耦合协作和面向任务的资源动态重构。云计算技术的出现，为高校教育提供了一个新的具有集成、开放、虚拟和自治特征的服务平台，可以有效的解决当前教育领域面临的资源共享与协作难题。
二、云计算在国外教育资源共享的应用
美国肯塔基州就将云计算应用到拥有10200名学生的该学区中。通过云服务平台，将原来过时废弃在仓库中的1400台计算机转变为能够起作用的虚拟机。正因为云服务不需要本地计算机有硬盘，这种转换才成为可能。云计算在英国的院校中也有一席之地。很多英国高等教育机构，均利用了谷歌的程序。学生的应用需求和削减支出是主要的推动因素。同样非洲也欢迎云计算。已经有很多非洲的教育机构选择了云计算服务，选择云计算的主要动力来自于不完备的IT基础设备和没有资金去更新软硬件设备。谷歌已经与很多东非教育机构达成合作关系，为这些学校提供谷歌的云计算服务。
三、云计算在高校教学资源共享平台中的实施方案
（一）资源共享平台系统架构
为了更好的对云计算中的教育资源进行管理，首先需要了解其宏观的资源管理架构。架构通常可以分为物理架构和逻辑架构。物理架构是指计算机、服务器以及网络等设备的物理连接结构；而逻辑架构则是从各个元素所发挥的功能角度来区分它们的角色并描述了它们之间的关系。物理架构和逻辑架构是可以相互进行映射的。
系统架构是建立云计算环境首先需要考虑的关键问题。调度系统架构通常与数据中心架构密切相关，目前在有管理需求的大规模分布式环境下多是考虑的多级分布式体系结构。
（二）云计算框架Hadoop
在目前许多开源的云计算框架之中，Hadoop是其中最为著名的一个。很多大型企业都对Hadoop进行了应用，并结合企业的具体业务进行了大量的改进工作。Hadoop由许多模块组成，其包括HadoopCommon，HDFS，Mapreduce和Zookeeper等等。Hadoop框架允许用户在大规模集群设备上使用简单的并行编程语言泛型对海量数据集合进行分布式地处理。在Hadoop集群系统中可能拥有成百上千个独立的物理设备。每个物理设备都有其各自的计算与存储能力。不像其它传统方案依靠硬件设备来提供高可靠性，Hadoop本身就被设计为在应用软件层可以随时检测并处理节点失效问题。
（三）如何消除HDFS性能瓶颈
教育资源共享平台在设计过程中就不应对所有数据都一视同仁，而需要根据实际需求区别对待，例如更为有价值的数据理应得到更多的重视，并为其分配更多的存储资源，即建立更多的副本以应对高并发访问，降低访问延迟，同时还可以提高数据的安全性与稳定性。因此可以在HDFS的基础上进行改进，在名字节点之上增加了一个系统控制器。
在HDFS的原型设计中，其通过文件数据块（Block）副本的方式解决其并行读取的问题。副本的数目在整个集群运行之前被存储，并且在整个系统运行中是统一且固定的（系统管理员可以通过配置文件进行重新配置，但更改的也是全局配置）。所有的数据节点都会采用这个配置，即数据节点上的所有文件块都会有相同的副本数目。
因此在此场景下文件副本的差异化配置就显得十分必要了。但数据节点以及云计算运营商难以知晓哪一个或哪一些文件会在较长时间内被高频率访问从而成为热点文件。如果采用固定的配置方法，则系统配置难以跟上用户需求的快速变化。基于Hadoop分布式开源架构的云计算本身就拥有简单的副本机制，包括副本的创建、故障节点检测与处理等等功能。但是该架构缺乏对副本的动态调整功能，无法灵活应对用户需求的快速变化。
四、结论
综上所述文件数据块副本数目的动态调整成为最好的选择。云计算存储资源动态调度机制（CloudcomputingStorageresourceDynamicallySchedulingscheme，CSDS）能够解决上述问题。
基金项目：2013年保定市科学技术研究与发展指导计划项目“基于云计算的高校教学资源共享平台研究”（13ZG014）。
1人体点云数据的获取三维人体扫描系统如图1所示。它是基于双目立体视觉原理［6］开发的，主要由4台摄像机、2个激光投射装置、4个采集卡和1台微型计算机等组成。人站在前后2组摄像机之间，激光投射装置初始时将光源定位在距地面2.2m高度处，自上而下扫描人体，扫描时间大约需要3～4s，扫描完成后，人即可离开扫描系统，系统软件对拍摄的人体图片进行自动处理来获取人体前、后面点云数据，初始的人体点云数据如图2所示。该数据由人体前、后面2组点云组成，无论沿扫描线方向还是扫描方向，点云都非常的密集。对于点云的处理，首先采用三维空间几何变换将人体前、后面配准为一个完整的人体模型［7］，然后对点云进行定位，使人体垂直轴与坐标系的xz面垂直。点云的密集无序，不利于点云的简化、除噪、光顺以及人体模型的构建等，因此本文采用1组等距的平行平面剖切人体点云数据对其进行分层，处理后可获得人体扫描线点云数据［8］，如图3所示。根据扫描线点云的特点，每条扫描线上的点可以放到二维平面上进行处理，与散乱点云、网格化点云的处理比较，要简单得多。分层后的点云如图4所示。由于扫描线上点的分布不均匀，在某些部位或方向上密度较大，存在大量的冗余数据，严重影响了后续点云光顺去噪处理的效率，因此需要对其进行简化，减少测量点的数量。
2点云的简化
点云简化后如果保留的点较多，则起不到简化作用，如果剩余的点较少，可能会丢失大量信息，因此，点云简化要采用效率较高的算法，在最大程度保留数据原始信息的基础上，删除不必要的点。
2.1典型的点云简化方法均匀采样法是每隔m个点保留1个点，该方法无需搜索数据点的邻域，速度快，但是容易造成孔洞区域的扩大。倍率缩减法由于遍历次数多，其时间复杂度高［9］。弦偏离法［10］较适合应用于顺序排列的数据。对于散乱点集，因相邻存储的3个点往往会超出极限弦偏离值或最大弦长，导致几乎所有点都被采样到，因而通常无法达到数据简化的目的［11］。用栅格法［12］(见图5)简化后的点云是接近均布的，容易造成点云数据细节的缺失。
2.2扇形栅格简化法
2.2.1扇形角度简化法文献［13］提出了一种扇形角度简化方法来简化人体点云数据。它根据人体截面曲线一般为环形闭合曲线且具有单值性的特点，得出在轮廓曲线内的中心点向外做射线，则射线与轮廓线的交点只有1个的结论，根据这些特征采用等角度扇形分割，形成扇形区域对点云进行简化。将截面点云划分成若干小的扇形区域，而不是采用一般的方格划分，如图6所示:假设O为截面轮廓点云分布的中心，以O为极点建立极坐标系，将圆周36等分，每个小的扇形区域的包围角θ=2π/36，每个扇区会包含若干个点云数据，调整扇形区域的角度θ大小可以调整点云数量。截面轮廓中心坐标可以由如下方法计算，假设轮廓包围区域为均质薄板，以薄板的质心作为扇形区域分割的中心，根据质心计算公式，则有:式中面密度ρ(x，y)=1。将直角坐标系原点平移到截面轮廓中心(实际上不一定必须是中心点)，并转换成极坐标系，本系统水平切面的平面坐标系为O-XZ坐标系，极坐标系为l(θ)，l为极径，θ为极角。(x，z)与(l，θ)的转换关系为:搜索扇形区内数据点的数量N，对含有点云的扇形区做下述计算，求出扇形区内数据点的中心。以中心点(xc，yc)替代扇区内所有数据点，以此遍历所有含点云的扇区，即可将点云数据简化，得到人体截面曲线的型值点。这种数据简化方法具有以下特点。1)具有滤波和光顺效果。实际上按照以上扇形分割和中心点计算方法，对截面点云数据具有局部滤波和光顺效果，调整扇角θ的大小，可以调整滤波和光顺的效果，但是当点云中的噪声点较多或者噪声点偏离人体点云的距离较大时，简化后的点云会发生失真现象。2)不会发生型值点重叠现象。因为简化操作是以环形轮廓中心为中心做扇形分割，1个扇形区域只得到1个型值点，因此不可能发生型值点的径向重叠。3)简化率调整方便。调整扇形区域角度即可调整扇形区内包含点云的数量，进而调整简化率。采用该方法对一些特殊部位的截面点云的简化有较大的失真，主要发生在胸部和臂部截面轮廓曲线处于同一切面的部位，该扇形区即为胸部与臂部轮廓线结合部位，或肩部与胸部过渡部位，此扇形区一般为轮廓曲线内凹部位。在这些部位的截面轮廓曲线有2种可能的状态:一是不满足单值性，当θ角相同时，出现2个以上的轮廓点，即轮廓曲线内的中心点向外做射线，射线与轮廓线的交点不是单一的;二是轮廓曲线局部dl/dθ较大，即局部轮廓曲线与射线夹角较小，如图7标记A所示。
2.2.2扇形栅格简化法的基本原理扇形栅格简化法原理为以扇形栅格对点云进行栅格简化，通过增加沿径向的取样点，弥补了扇形区域简化的缺陷，从而降低了诸如胸部与肩部结合部位和肩部与胸部过渡部位等复杂截面轮廓点云简化的失真度。如图8所示。具体简化步骤为:1)利用式(1)求出截面轮廓点云的中心坐标(xo，yo)，以(xo，yo)为极点O建立极坐标系l(θ)，l为极径，θ为极角。2)将点云从直角坐标系原点平移到截面轮廓中心，并转换成极坐标系，系统水平切面的平面坐标系为O-XZ坐标系，转换关系见式(2)。3)以截面轮廓点云的最大极径lmax和最小极径lmin为半径做圆环封装区域，以θ为角度间隔，以l为半径间隔，将圆环区域分割为扇形栅格。4)对所有含点云的扇形栅格，应用式(3)求出扇形栅格内数据点的中心(xc，yc)，以中心点替代栅格内所有数据点。点云简化后如图9所示。
2.2.3简化结果分析1)点云被限制在栅格内，因此，该方法能较好地保持点云凹部细节特征。简化率易于调整，只需调整l和θ即可，且运算速度较快。简化后的点云可以直接快速地通过扇形的角度和栅格进行排序。2)由于噪声的影响，用该方法简化后的点云中可能存在重叠现象，因此在后续处理中，还需对其进行除噪和光顺处理。3)由于人体不是刚体，用手工方法测量人体数据时，会由于人体的呼吸、测量者的主观经验而产生误差，因此该简化方法很难通过人体实际测量值的比较来验证其精度。由于该算法运算速度快、具有保留模型细节特征，且通过几组点云的实验，主观上认为简化前后点云偏离度非常小，因此，使用该算法对点云进行简化，可提高后续点云处理的效率。