本文是在樣本處理完成情況下，進行分類器訓練。關於分類器訓練網上有很多講解，但是對於初學者還是有一定難度，這可能與個人學習筆記的習慣有關。對此我講我學習的總結下來以圖像方式展示給大家。
執行命令:opencv_haartraining.exe -data xml -vec pos.vec -bg neg.txt -nstages 10 -nsplits 1 -npos 35 -nneg 100 -mem 1280 -mode all -w 30 -h 30
命令講解：opencv_haartraining.exe 這是一個opencv自帶的可執行函數，用於實現對分類器的訓練。直接在doc下用命令執行即可，存放路徑一般為：
..\opencv\build\x86\vc11\bin（一般我們用的是win32位環境下的運行程序（參考：
http://www.cnblogs.com/linmengran/p/5898303.html），
因此在opencv環境配置時就只加入了x86的bin路徑，因此在這里選取x86下的opencv_haartraining.exe ）。這里我為了找路徑方便與
樣本文件放在同一目錄下這樣可以找到 很容易調取 mlx文件夾，和pos.vec、neg.txt，也可以直接調用。
-data xml 存儲訓練時的生成的文件。最終生成一個.xml文件,如下圖：
xml文件夾內容：
-vec pos.vec 調用.vec文件，與neg.txt放在同一目錄下。
-bg neg.txt 負樣本生成文件，可以理解成是負樣本的索引。
-nstages 10 訓練級數
-nsplits 1 2表示弱分類器二叉決策樹的分裂數 1表示使用簡單stump 分類（只有一個樹樁）
-npos 35 正樣本數量
-nneg 100 負樣本數量
-mem 1280 訓練時內存預留的空間1280MB
-mode all 級聯器的類型，all代表所有類型
-w 30 圖片的寬30像素，必須與之前一致
-h 30 圖片的高30像素，必須與之前一致
執行結果如下：
訓練結果：
運用其訓練的結果測試了一下：
但是效果不是很穩定，有時會變得不准確，這與分類器的樣本和測試方式，以及測試代碼有關，目前修改中，以后附上測試代碼。
其他參考命令：
- " -data <dir_name>\n"
- " -vec <vec_file_name>\n"
- " -bg <background_file_name>\n"
- " [-bg-vecfile]\n"
- " [-npos <number_of_positive_samples = %d>]\n"
- " [-nneg <number_of_negative_samples = %d>]\n"
- " [-nstages <number_of_stages = %d>]\n"
- " [-nsplits <number_of_splits = %d>]\n"
- " [-mem <memory_in_MB = %d>]\n"
- " [-sym (default)] [-nonsym]\n"
- " [-minhitrate <min_hit_rate = %f>]\n"
- " [-maxfalsealarm <max_false_alarm_rate = %f>]\n"
- " [-weighttrimming <weight_trimming = %f>]\n"
- " [-eqw]\n"
- " [-mode <BASIC (default) | CORE | ALL>]\n"
- " [-w <sample_width = %d>]\n"
- " [-h <sample_height = %d>]\n"
- " [-bt <DAB | RAB | LB | GAB (default)>]\n"
- " [-err <misclass (default) | gini | entropy>]\n"
- " [-maxtreesplits <max_number_of_splits_in_tree_cascade = %d>]\n"
- " [-minpos <min_number_of_positive_samples_per_cluster = %d>]\n"