轉載自：http://zhan.renren.com/xjtuopencv?gid=3602888498033866847
訓練過程就是上面的三步
關於正負樣本的一些理解：
正樣本即包括目標的圖片，一般較小（教程裏提到的一般是24*24 20*20 18*18<單位是像素> 但是在實際做的時候總有種太模糊，什麼都看不清的感覺，我覺得應該可以適當的加大圖像，提供更多細節試試，雖然這必然會導致更多的運算時間，而且在進行處理之前，應將所有正樣本進行標準化處理<統一大小，轉化爲灰度圖>）
負樣本，與正樣本相反很容易理解，即任何不包含檢測目標的圖像，對負樣本的標準化處理並不嚴格，僅有：灰度圖 <可能也能使用彩圖，在選項裏又看到bgcolor這個選項> ，對圖像的大小的限制是大於正樣本尺寸（必須滿足，是由於訓練器的算法決定），同時負樣本的數量一般遠多於正樣本的數量（2-3倍或以上的樣子）
關於合適的樣本數量，教程還有opencv中推薦的都是正樣本1000+，負樣本3000+，這意味着訓練時間會很長（目測一晚上+），當然如果你只是來試試看訓練方法怎麼樣，那麼可是使用少量樣本比如100+的正樣本。
下面進入正題：
首先我們要獲得一個正樣本的描述文件
用於描述正樣本文件名（包括絕對路徑或相對路徑），
正樣本數目以及各正樣本在圖片中的位置和大小。典型的正樣本描述文件如下：
face_100/face00001.bmp 1 0 0 20 20
face_100/face00002.bmp 1 0 0 20 20
face_100/face00003.bmp 1 0 0 20 20
…
其中face_100/是相對路徑,face00001.bmp是圖片名稱，1 0 0 20 20 分別表示 1張圖片，本樣本左下角座標（不一定是左下，但是肯定是距離原點最近的點）是0 0，右上角的座標（同樣的道理不一定是右上角）是20 20
具體方法是在Dos 下的恰當目錄敲入dir/b > samples.dat，則會生成一個samples.dat，裏面包含所有正樣本文件名列表，但沒有相對路徑名和正樣本位置信息。在samples.dat 文件各行行首增加“face _100/”的方法是使用文本編輯器替換功能，先選中所有行，然後按Tab 鍵爲每行增加一個製表位，然後將製表位全部替換爲“face _100/”即可。通過將“bmp”替換爲“bmp 1 0 0 20 20”即可在每行添加“1 0 0 20 20”。
註釋：圖片文件的格式不侷限與bmp jpg png都行，其他格式的沒試過，估計opencv支持的都可以
運行 CreateSamples.exe 程序。下面是一個運行參數示例：
-info F:\FaceDetect\samples.dat -vec F:\FaceDetect\samples.vec -num 200 -w 20 -h 20
表示有200 個樣本，樣本寬20，高20，正樣本描述文件爲samples.dat，結果輸出到samples.vec。
運行完了會生成一個*.vec 的文件。
對於負樣本的描述文件其處理方法與正樣本基本相同，但是一個負樣本的描述文件應該是做到這樣的程度：
face_100/face00001.bmp
face_100/face00002.bmp
face_100/face00003.bmp
即只有圖片的路徑，名稱，而沒有圖片數量大小的描述，而且其也不是vec文件，而是dir /b>時所指定的文件
非常重要的一點，所有的樣本描述的條目中，路徑和文件名內部不允許出現空格，原因自己想
樣本創建之後，接下來要訓練分類器，這個過程是由haartraining 程序來實現的。該程序源
碼由OpenCV 自帶，且可執行程序在OpenCV 安裝目錄的bin 目錄下。
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。
一個訓練分類器的例子：
"D:\Program Files\OpenCV\bin\haartraining.exe" -data data\cascade -vec data\pos.vec
-bg negdata\negdata.dat -npos 49 -nneg 49 -mem 200 -mode ALL -w 20 -h 20
訓練結束後，會在目錄data 下生成一些子目錄，即爲訓練好的分類器。
值得提醒的是xml文件在於data目錄同級的目錄下<如果訓練成功的話>
我在試着訓練時使用的參數
注意 -nsplits 這個選項應該儘量設置成2（到底有沒有更高的值，我也不知道，應該有吧），這樣會獲得起碼比較細緻的訓練過程，如果選1 的話，我不知道你們會怎麼樣，反正我是隻得到了一個6k大小的xml文件，幾乎不能用