1、在D盤或者其他盤根目錄下新建一個文件夾，我新建的文件夾取名爲“test”，在test中新建兩個子文件夾分別爲neg和pos，neg中存放不含人臉的負樣本圖片，pos中存放正樣本。（我只是做實驗，所以正負樣本數量都選的較少，負樣本10個，正樣本5個，這裏樣本數量越多，訓練時間越久！但是分類器效果更好）
2、分別生成neg.dat文檔和pos.dat文檔。
cmd進入DOS命令界面。輸入d: 回車，輸入cd test\neg 回車，進入neg目錄，輸入 dir /b > neg.dat
到test\neg目錄中最後一行可以看到neg.dat文檔，使用記事本打開，將文檔最後一行的neg.dat刪除，保存文檔。
同樣的方法生成pos.dat文檔:cmd進入DOS命令界面。輸入如下圖：
回到test\pos目錄中最後一行可以看到pos.dat文檔，使用記事本打開
(1)將文檔最後一行的neg.dat刪除;
(2)使用記事本的編輯-替換功能，將文檔全選，把jpg換成jpg 1 0 0 36 36
說明：1代表此圖片出現的目標個數
後面的 0 0 36 36代表目標矩形框（0,0)到(36,36)，可以根據自身需要調整數值。
3、生成pos.vec文件
(1)在opencv2.2.0安裝文件夾（即解壓文件夾）中的bin文件夾中，找到opencv_createsamples.exe和opencv_haartraining.exe這兩個程序，複製到D:\test目錄下。（因爲我的opencv2.2.0和vs2008配置在一起了，所以我的這兩個程序在D:\OpenCV-2.2.0\vs2008\bin目錄下找到，程序的命名最後多了一個字母d，複製過去後如下圖：）
(2)cmd進入DOS命令界面。輸入如下圖：
點擊回車，結果如下:
此時回到D:\test目錄下，看到pos.vec文件已經生成。
以上參數的含義如下：
－vec <vec_file_name>
訓練好的正樣本的輸出文件名。
－img<image_file_name>
源目標圖片（例如：一個公司圖標）
－bg<background_file_name>
背景描述文件。
－num<number_of_samples>
要產生的正樣本的數量，和正樣本圖片數目相同。
－bgcolor<background_color>
背景色（假定當前圖片爲灰度圖）。背景色制定了透明色。對於壓縮圖片，顏色方差量由bgthresh
參數來指定。則在bgcolor－bgthresh 和bgcolor＋bgthresh 中間的像素被認爲是透明的。
－bgthresh<background_color_threshold>
－inv
如果指定，顏色會反色
－randinv
如果指定，顏色會任意反色
－maxidev<max_intensity_deviation>
背景色最大的偏離度。
－maxangel<max_x_rotation_angle>
－maxangle<max_y_rotation_angle>，
－maxzangle<max_x_rotation_angle>
最大旋轉角度，以弧度爲單位。
－show
如果指定，每個樣本會被顯示出來，按下"esc"會關閉這一開關，即不顯示樣本圖片，而創建過程
繼續。這是個有用的debug 選項。
－w<sample_width>
輸出樣本的寬度（以像素爲單位）
－h《sample_height》
輸出樣本的高度，以像素爲單位。
4、生成xml文件
(1)cmd進入DOS命令界面。輸入如下圖：
點擊回車，等待。。如果樣本數量1000以上，等待的時間得5個小時以上。。。（因爲我用的樣本很少，正樣本5個，負樣本10個，所以幾秒鐘就出來了結果）最後面的結果如下圖：
最後出現Cascade performance這一項就完成了XML文件的生成。
Haartraining 的命令行參數如下：
－data<dir_name>
存放訓練好的分類器的路徑名。
－vec<vec_file_name>
正樣本文件名（由trainingssamples 程序或者由其他的方法創建的）
－bg<background_file_name>
背景描述文件。
－npos<number_of_positive_samples>，
－nneg<number_of_negative_samples>
用來訓練每一個分類器階段的正/負樣本。合理的值是：nPos = 7000;nNeg = 3000
－nstages<number_of_stages>
訓練的階段數。
－nsplits<number_of_splits>
決定用於階段分類器的弱分類器。如果1，則一個簡單的stump classifier 被使用。如果是2 或者更
多，則帶有number_of_splits 個內部節點的CART 分類器被使用。
－mem<memory_in_MB>
預先計算的以MB 爲單位的可用內存。內存越大則訓練的速度越快。
－sym（default）
－nonsym
指定訓練的目標對象是否垂直對稱。垂直對稱提高目標的訓練速度。例如，正面部是垂直對稱的。
－minhitrate《min_hit_rate》
每個階段分類器需要的最小的命中率。總的命中率爲min_hit_rate 的number_of_stages 次方。
－maxfalsealarm<max_false_alarm_rate>
沒有階段分類器的最大錯誤報警率。總的錯誤警告率爲max_false_alarm_rate 的
number_of_stages 次方。
－weighttrimming<weight_trimming>
指定是否使用權修正和使用多大的權修正。一個基本的選擇是0.9
－eqw
－mode<basic(default)|core|all>
選擇用來訓練的haar 特徵集的種類。basic 僅僅使用垂直特徵。all 使用垂直和45 度角旋轉特徵。
－w《sample_width》
－h《sample_height》
訓練樣本的尺寸，（以像素爲單位）。必須和訓練樣本創建的尺寸相同
(2)回到D:\test目錄下，就可以看到多了一個xml文件夾和一個xml類型的文檔：
至此我們就完成了xml文檔的訓練。