介紹
使用級聯分類器工作包括兩個階段：訓練和檢測。 檢測部分在OpenCVobjdetect 模塊的文檔中有介紹，在那個文檔中給出了一些級聯分類器的基本介紹。當前的指南描述了如何訓練分類器：准備訓練數據和運行訓練程序。參考：http://jingyan.baidu.com/article/4dc40848f50689c8d946f197.html
利用OpenCV自帶的haar training程序訓練一個分類器，需要經過以下幾個步驟：
（1）收集訓練樣本：
訓練樣本包括正樣本和負樣本。正樣本，通俗點說，就是圖片中只有你需要的目標。而負樣本的圖片只要其中不含有目標就可以了。但需要說明的是，負樣本也並非隨便選取的。例如，你需要檢測的目標是汽車，那么正樣本就應該是僅僅含有汽車的圖片，而負樣本顯然不能是一些包含天空的，海洋的，風景的圖片。因為你最終訓練分類器的目的是檢測汽車，而汽車應該出現在馬路上。也就是說，分類器最終檢測的圖片應該是那些包含馬路，交通標志，建築物，廣告牌，汽車，摩托車，三輪車，行人，自行車等在內的圖片。很明顯，這里的負樣本應該是包含摩托車、三輪車、自行車、行人、路面、灌木叢、花草、交通標志、廣告牌等。
另外，需要提醒的是，adaboost方法也是機器學習中的一個經典算法，而機器學習算法的前提條件是，測試樣本和訓練樣本獨立同分布。所謂的獨立同分布，可以簡單理解為：訓練樣本要和最終的應用場合非常接近或者一致。否則，基於機器學習的算法並不能保證算法的有效性。此外，足夠的訓練樣本（至少得幾千張正樣本、幾千張負樣本）也是保證訓練算法有效性的一個前提條件。
這里，假設所有的正樣本都放在 /pos文件夾下，所有的負樣本都放在 /neg文件夾下；
（2）對所有的正樣本進行尺寸歸一化：
上一步收集到的正樣本，有很多的尺寸大小，有的是200*300，有的是500*800...尺寸歸一化的目的，就是把所有的圖片都縮放到同一大小。比如，都縮放到50*60的大小。（程序或者光影魔術手都可以）
（3）生成正樣本描述文件：
所謂的正樣本描述文件，其實就是一個文本文件，只不過，很多人喜歡將這個文件的后綴改成.dat而已。正樣本描述文件中的內容包括：文件名 目標個數 目標在圖片中的位置（x,y,width,height）典型的正樣本描述文件如下所示：0.jpg 1 0 0 30 40….
假如，\pos文件夾下有5000個正樣本圖片，每個圖片中僅有一個目標。命令行下 dir /b > pos.dat生成一個pos.dat文件作為正樣本描述文件。
（4）創建正樣本vec文件
由於haarTraining訓練的時候需要輸入的正樣本是vec文件，所以需要使用createsamples程序來將正樣本轉換為vec文件。（例如：f:\pos\pos.vec）。
Createsamples程序的命令行參數：
命令行參數：
－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（假定當前圖片為灰度圖）。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中間的像素被認為是透明的。
－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，以弧度為單位。
－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（以像素為單位）
－h《sample_height》
輸出樣本的高度，以像素為單位。
（5） 創建負樣本描述文件
在保存負樣本的文件夾下生成一個負樣本描述文件，具體步驟同（3），此處不再贅敘；
（6）進行樣本訓練
該步驟通過調用OpenCV\bin目錄下的haartraining程序(新版本的opencv改名為opencv_haartraining)來完成。其中，Haartraining的命令行參數為：
－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>
訓練的級聯分類器層數。
－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為單位的可用內存。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。總的命中率為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。總的錯誤警告率為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特征集的種類。basic僅僅使用垂直特征。all使用垂直和45度角旋轉特征。
－w《sample_width》
－h《sample_height》
訓練樣本的尺寸，（以像素為單位）。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
訓練結束后，會在目錄data下生成一些子目錄，即為訓練好的分類器。
（7） 生成xml文件
上一步在進行haartraining的時候，會在data目錄下生成一些目錄及txt文件，我們需要調用opencv\bin\haarconv.exe將這些txt文件轉換為xml文件，也就是所謂的分類器。
至此，分類器的訓練工作已完成。剩下的，就是在程序中加載xml文件，並調用相應的函數接口來實現分類檢測的作用了。
其實這個方法有點老了，新一點有這個：http://blog.csdn.net/liulina603/article/details/8598681