一、主函数
官方开源的代码提供了四个主函数，其中eval_pair.cpp和eval_top1.cpp是一组，分别用于计算两帧的相似度分数以及一帧点云在所有的51帧点云中相似度最高的25帧的相似度分数。eval_seq.cpp是在eval_top1.cpp的基础上，给了一堆序列，遍历序列中的每一帧点云并输出与之相似度足够高的25帧点云的相似度分数。eval_angle.cpp这个文件比较迷，readme里面也没有提，代码里面提到的那几个config文件开源代码也没有给出，从代码内容来看，更像是在eval_pair.cpp的基础上，计算了好多帧对的位姿变换。
主函数的具体操作基本都是类似的，先初始化config对象读取配置文件，同时利用这个配置文件初始化ssc对象，之后根据不同的需求，调用重载了许多次的ssc对象里面的getScore函数，进行相似度分数的计算。因此整个ssc算法其实都在ssc对象中实现。
二、ssc.cpp
算法的实现基本都在这个文件中，文件的结构本身不复杂，除了构造函数和析构函数，还有三个形式的读取点云函数、投影函数、计算ssc描述子的函数、两个形式的全局ICP函数、计算相似度的函数以及六个形式的计算相似度分数的函数。
getScore()
根据主函数的执行顺序，这里我们也从getScore函数开始。从重载函数的形式看，六个getScore函数传入的参数本质上都是一样的：两帧点云、两帧点云的语义以及变换矩阵，不同之处在于传入的形式，一二个函数传入的是XYZL形式的点云，这是pcl库中一个点云形式，L表示的是label，相当于直接把语义信息存储了进去，三四个函数这是传入了点云文件的路径和语义推理结果的路径，在函数内部分别读取两个文件，最后两个函数则是直接读取标记过语义的点云文件。从执行的路径来看，最后面四个函数都是在调整文件格式之后，转而调用了前面两个函数，所以这里我们主要看第一个形式的getScore函数。
project()
进入函数后首先对位姿变化的量进行初始化，同时利用project函数对标记过语义的点云进行投影。与其叫做投影，其实更多地是在做格式的转换。
函数首先对场景划分了扇区，扇区只对轴向做了大小的限制，而没有对径向进行约束。从代码来看，一帧点云共计划分了360个扇区，也就是每个扇区在轴向上是一度，之后初始化一个360*1的向量，每个元素为一个32位的浮点数，初始值为0。
之后对于函数传入下采样后的点云filtered_pointcloud，遍历点云中的每个点，对类别标记为13、14、16、18、19的这五类点进行点云格式的转换。查看配置文件可以发现，选择的这五类对应的是building、fence、trunk、pole以及traffic-sign，而没有选择出现次数更多的ground等类别。对于水平距离足够远的点，算法会根据夹角信息计算其所在的扇区，之后将这个点到中心的距离、点在水平方向上的坐标以及该点的语义坐标进行存储。
这里就存在一个问题，代码183行到186行对点信息的存储，是直接覆盖的，而不是添加的，这就会导致当一个扇区内同时存在13、14、16、18、19这五类点的时候扇区的描述子实际上是多次覆盖过的。查看作者的原论文，里面写的是每个扇区内部只保留距离中心最近的点，个人推测这里的这种写法是作者默认了filtered_pointcloud是从远到近的排列，因为在之前看的salsanext代码中有对点云重排列的部分，这里作者并没有调用下采样相关的内容，可能是在输入的bin文件点云中已经调整过顺序。
globalICP()
回到getScore函数，在计算出ssc_dis之后，函数进入到globalICP进行一个位姿的计算。这里对应的是原论文中的全局语义ICP的部分。由于描述子的设计具有旋转不变性，所以代码首先利用描述子径向上的距离，计算了两帧点云描述子轴向上应该旋转的量。
具体来说其实就是一个遍历的过程，对于下面的这个二层循环，第一层的i表示的是轴向上应该移动的距离，单位是扇区数量，第二层则是遍历每个扇区，之后计算旋转后两个描述子第一维也就是到中心的距离的差，差值统计在dis_count这个量里面，取最小值对应的i作为两个描述子或者两帧点云在轴向上应该旋转的值。
得到角度之后，就可以将描述子进行旋转，让两个描述子对齐，描述子一共四个维度，其中第一个和最后一个是不用换的，只有第二和第三个的坐标需要调整，也就是根据正弦和余弦进行投影。
之后进行共计100轮次的迭代计算，这一次需要计算的是xy方向上面的平移。每一次迭代首先会取出一个合法扇区，根据先前计算出的径向旋转得到投影之后的位置，在这个位置左右各10个扇区共计20个扇区范围内进行检验。指标是扇区描述子中二三维度对应的点的几何距离。
对于当前扇区找到的最近点扇区，如果坐标偏差足够小则进行统计计算，对偏移量进行累计。
遍历完所有扇区之后，对所有的偏差取平均，作为当前这一次迭代计算中的偏差值，这个偏差值表示的是xy方向上面的偏移，直接对点云描述子进行校正，同时存储所有的偏差。
最终，diff_x、diff_y以及angle将会被作为两帧点云之间的位姿差异传递回主函数。从这整个过程来看，globalICP这个函数就是将位姿变化拆分为旋转和平移进行计算，旋转依赖的是扇区描述子的旋转不变性，通过最小化轴向距离差值来找到最优的径向旋转偏差，而平移则是依靠得到的旋转结果进行调整，在计算平移时则不利用径向距离，而是利用扇区之间点的几何距离来调优，迭代100轮以完成平移的计算。这里说一下个人感觉不足的地方，在整个的计算过程中点云被十分过分地简化，按照代码默认的配置文件，径向上划分了360个扇区，就算不考虑语义类别，一帧点云顶天也就只保留了360个点用于构建这个描述子，从数量上来看简化的有些过分。另外，在计算的过程中，旋转和平移被完全拆分开来，先只计算旋转，计算平移时则固定旋转，这种方法未必得到的就是最优的结果，平移和旋转应该作为整体共同进行调整，而没见过这种拆分固定的计算策略。最后，扇区的划分很大程度上会影响结果的准确性，由于选择扇区的点的时候只考虑了到中心点的距离这一个指标，而在径向上完全不做考虑，这就有可能导致一个扇区对应的1度范围内，0.0001度的点和0.9999度的点进行了对齐，有可能导致径向上1度的偏差，而在固定旋转调整平移的过程中更有可能错上加错，所以这一策略或者是开源的代码本身其实是有较大的不足的。
calculateSSC()
回到getScore函数，globalICP计算出的位姿变化会被存储在diff_x、diff_y以及angle中，利用这个变化关系将点云进行投影，之后调用calculateSSC函数进行ssc描述子的计算。这个函数要简单的多，首先初始化径向和轴向的步长，得到一个二维的矩阵用于存放描述子，矩阵的每个位置存放的都是一个8位无符号数。
之后遍历点云内的每个点，对于需要统计的类别的点，确定其在二维矩阵中的位置。原论文提到了写在描述子中的类别是根据优先级选择的，从代码来看，这个优先级就是提前写死在order_vec里面了。在确定好的位置中，如果已经写入了，就根据优先级进行判断，选择覆盖或者保持不变。
calculateSim()
完成ssc描述子的计算后，就会调用calculateSim函数计算相似度，相似度的计算也很简单，就是比较相同位置上的语义是否相同，最终统计相同的占总合法位置中的比例，这个比例会作为相似度分数返回给主函数。
