SVM算法进行图像识别训练得到的模型怎么知道识别准确度？请给出例子详细阐述其相关技术。

使用SVM算法进行图像识别训练得到的模型可以通过测试数据集来评估其识别准确度。下面以一个手写数字识别的例子来详细阐述相关技术。

1. 数据集准备：首先我们需要准备手写数字图像数据集，通常包括训练数据集和测试数据集。这里我们使用MNIST数据集，其中训练数据集包含60,000个图像，测试数据集包含10,000个图像。

2. 特征提取：对于每张图像，我们可以将其转换为一个向量，作为SVM算法的输入特征。这里我们使用灰度值作为特征，将每个图像转换为28*28=784维向量。

3. 训练SVM分类器：将准备好的训练数据集输入到SVM分类器中进行训练。这里我们使用Python中的sklearn库中的SVC类进行训练，选择多项式核函数，并设置正则化参数C=5。

from sklearn.svm import SVC

# 训练SVM分类器
svm = SVC(kernel='poly', C=5)
svm.fit(train_features, train_labels)

4. 测试SVM分类器：将准备好的测试数据集输入到训练好的SVM分类器中进行测试。这里我们使用sklearn库中的accuracy_score函数计算分类器的准确率。

from sklearn.metrics import accuracy_score

# 在测试集上测试SVM分类器
pred_labels = svm.predict(test_features)
accuracy = accuracy_score(test_labels, pred_labels)
print('Accuracy: {:.2f}%'.format(accuracy*100))

5. 结果分析：根据测试结果，我们可以得到SVM分类器在测试数据集上的识别准确率，这里为96.71%。同时，我们还可以使用混淆矩阵等方法对分类器的性能进行更详细的分析。

需要注意的是，为了避免模型在训练集上过拟合，我们需要将数据集分为训练集和测试集，并在测试集上进行评估。另外，在特征提取和SVM分类器的参数设置等方面也需要进行合理的选择，以提高分类器的性能。