我已经坚持了一段时间了。 OpenCV的SVM实现似乎不适用于线性内核。我相当确定代码中没有错误：当我将kernel_type更改为RBF或POLY时，将其他所有内容保持原样，它可以正常工作。
我说它不起作用的原因是，我保存生成的模型并检查出来。它将支持向量计数显示为1.在RBF或多项式内核中不是这种情况。
代码本身并没什么特别之处，我之前使用过OpenCV的SVM实现，但从来没有使用过线性内核。我尝试在POLY内核中将degree设置为1，它会产生相同的模型。这让我相信这里有些东西。
代码结构，如果需要：
Mat trainingdata; //acquire from files. done and correct.
Mat testingdata; //acquire from files. done and correct again.
Mat labels; //corresponding labels. checked and correct.
SVM my_svm;
SVMParams my_params;
my_params.svm_type = SVM::C_SVC;
my_params.kernel_type = SVM::LINEAR; //or poly, with my_params.degree = 1.
my_param.C = 0.02; //doesn't matter if I set it to 20000, makes no difference.
my_svm.train( trainingdata, labels, Mat(), Mat(), my_params );
//train_auto(..) function with 10-fold cross-validation takes the same time as above (~2sec)!
Mat responses;
my_svm.predict( testingdata, responses );
//responses matrix is all wrong.
我有一个班级的500个样本和另一个班级的600个样本进行测试，我得到的正确分类是：1/500和597/600。
最疯狂的部分： 我在libSVM的MATLAB包装器上使用相同的数据进行了相同的实验，并且它可以正常工作。只是尝试做一个OpenCV版本。答案 0 :(得分：2)
通常只使用线性CvSVM 获得一个支持向量，这不是一个错误。
OpenCV将线性SVM优化为一个支持向量 这里的想法是支持向量定义分类边界，并且仅进行实际分类需要分离超平面，并且它可以仅由一个向量定义。
如果您的训练数据是线性可分的，参数 C 并不重要。也许是你的情况。