OpenCV KNearest分类异常：predict报错，findNearest全识别为类别0

1. 关于predict()后续调用异常 #

• 先查输入数据一致性：首个图能运行，后续触发异常，大概率是后续输入的特征向量维度、数据类型和训练集不匹配。比如训练时用的是CV_32F类型特征，后续传入了CV_8U的；或者某张图像尺寸未统一，导致特征向量长度不一致。每次预测前打印输入特征的维度和类型，和训练集做对比。
• 检查模型状态：确认是否在某次调用后误修改了模型参数（比如误调用clear()或重新训练覆盖了原有模型）。
• 排查内存问题：如果特征向量是动态分配的，检查后续调用时是否出现内存释放不彻底或野指针情况，导致访问非法内存。

2. findNearest()全识别为类别0的常见坑 #

findNearest()的用法有几个细节不能出错：

• 输入形状必须是行向量：待预测的单样本特征要转成单一行矩阵，比如你的特征是(n,1)的列向量，必须用reshape(1,1)转换：

  Mat sample = feature.reshape(1, 1); // 把列向量转成1行n列的矩阵
  float pred_label;
  knn->findNearest(sample, 1, pred_label);
  

• K值设置要合理：如果K值过大，且类别0的样本数量远多于其他类，投票结果会全偏向0。检查训练时的setDefaultK()，或者调用findNearest()时的第二个参数（K值），可以先设为1测试。
• 标签数据类型要正确：训练用的标签必须是CV_32S或CV_32F类型的列向量。如果是CV_8U类型，模型无法正确学习类别信息，需转换类型后再训练：

  labels.convertTo(labels, CV_32S);
  

• 特征必须归一化：如果不同类别的特征尺度差异很大（比如类别0的特征值普遍偏小，其他类偏大），K近邻的距离计算会直接偏向尺度小的类别。训练集和预测样本都要做归一化处理，比如用cv::normalize()缩放到[0,1]区间。

3. 快速验证方法 #

• 拿训练集中的已知样本去预测，如果也全返回0，说明训练阶段出问题；如果能正确预测，就是预测时的输入处理有误。
• 统计训练集的标签分布，要是类别0占比过高（比如90%以上），K近邻自然容易预测0，这时候要调整样本数量或者改用加权K近邻。
• 打印findNearest()的距离矩阵和邻居标签，看看是不是每个样本的最近邻居全是类别0，以此定位是距离计算问题还是样本分布问题。

内容的提问来源于stack exchange，提问作者cvstudent