求助：OpenCV 3.4 SVM训练异常 预测结果恒为1.0

我之前在做图像分类的Android项目时也碰到过几乎一模一样的情况，结合你的场景（50*70图像、520负样本+349正样本），大概率是这几个环节出了问题，一步步排查应该能解决：

1. 先查样本特征的预处理 #

50*70的图像展开后是3500维的特征，如果像素值还是0-255的原始范围，SVM很容易快速收敛到一个“偷懒”的超平面——毕竟数值跨度太大，模型不需要学习复杂的特征就能做出判断，但这种判断完全是无效的。

解决方法：

• 对每个样本的特征向量做归一化处理，把像素值缩放到**[0,1]或者[-1,1]**区间。用OpenCV的normalize()函数就能实现：

  Mat sample;
  // 假设sample是50*70的灰度图，先转成一维向量
  sample = sample.reshape(1, 1);
  // 归一化到0-1
  normalize(sample, sample, 0.0, 1.0, NORM_MINMAX, CV_32F);
  

• 确保所有样本（正负）都做了同样的归一化操作，不能只处理正样本或者负样本。

2. 检查标签的正确性 #

预测始终返回1.0，很大可能是标签设置出了问题：

• 确认正负样本的标签值：OpenCV SVM默认期望正样本标签为1.0，负样本为**-1.0**，如果你的标签逻辑搞反了，或者所有样本都被误标为1，模型自然会一直输出同一个结果。
• 检查标签Mat的类型：必须是CV_32F（float类型），不能用整数类型。比如创建标签Mat时：

  Mat labels(totalSamples, 1, CV_32F);
  // 给正样本赋值1.0，负样本赋值-1.0
  for(int i=0; i<posCount; i++) labels.at<float>(i) = 1.0;
  for(int i=posCount; i<totalSamples; i++) labels.at<float>(i) = -1.0;
  

• 手动打印几个标签值，确认正负样本的标签没有搞混或者全是同一个值。

3. 调整SVM的参数设置 #

OpenCV 3.4的SVM默认参数（线性核、C=1.0）可能完全不适合你的图像分类场景，导致模型过于简单，直接输出同一个结果：

• 先尝试更换核函数：比如用RBF核（径向基核），非线性核更适合图像这种高维特征的分类。设置代码大概是：

  Ptr<SVM> svm = SVM::create();
  svm->setKernel(SVM::RBF);
  svm->setType(SVM::C_SVC);
  svm->setC(10.0); // 可以先尝试10，后续再调优
  svm->setGamma(0.01); // gamma值和特征维度相关，3500维的话可以从小值开始试
  

• 不要用默认的线性核，除非你的特征本身线性可分，但图像特征基本都是非线性的。
• 可以用交叉验证来自动调参，比如用svm->trainAuto()代替普通的train()，让OpenCV帮你选择最优的C和gamma值：

  svm->trainAuto(trainData, 10); // 10折交叉验证
  

4. 确认特征向量的格式 #

你有没有把50*70的二维图像转换成一维特征向量？OpenCV的SVM要求每个样本是1行N列的Mat（N是特征维度），如果直接把二维图像传入训练，模型会把每个像素当成一个样本，而不是每个图像是一个样本，这肯定会出问题。

解决方法：每个样本图像都要做reshape操作：

Mat img = imread("sample.jpg", IMREAD_GRAYSCALE);
Mat feature = img.reshape(1, 1); // 转成1行3500列的特征向量

最后验证训练有效性 #

训练完成后，可以做几个小检查：

• 打印SVM的支持向量数量：cout << svm->getSupportVectors().rows << endl，如果只有几个支持向量，说明模型根本没学到东西；正常情况下应该有几十甚至上百个。
• 用少量已知标签的样本做预测，看混淆矩阵，比如正样本预测对多少，负样本预测对多少，这样能快速定位问题。

内容的提问来源于stack exchange，提问作者Yeldos Yeleubayev