http://www.opencv.org.cn/opencvdoc/2.3.2/html/doc/user_guide/ug_traincascade.html#id8
概述：
训练分类器的步骤主要分为：准备训练数据和运行分类程序；
opencv中有两个程序可以训练级联分类器：opencv_haartraining 和 opencv_traincascade
两者异同： opencv_traincascade 是新程序，主要优势在于可以支持Haar，LBP, HOG三种特征，并易于增加其他的特征。与Haar特征相比，LBP特征是整数特征，因此训练和检测过程都会比Haar特征快几倍。LBP和Haar特征用于检测的准确率，是依赖训练过程中的训练数据的质量和训练参数。训练一个与基于Haar特征同样准确度的LBP的分类器是可能的。
opencv_haartraining和opencv_traincascade所输出的格式并不相同；
新的级联检测接口（参考objdetect 模块中的 CascadeClassifier 类）支持这两种格式；
opencv_traincascade也可以以旧格式导出训练好的级联分类器；
opencv_haartraining 是一个将被弃用的程序，下面将不再介绍，而会主要介绍opencv_traincascade 。
opencv_traincascade 程序使用TBB来处理多线程。如果希望使用多核并行运算加速，请使用TBB来编译OpenCV。
还有一些与训练相关的辅助程序：
opencv_createsamples 用来准备训练用的正样本数据和测试数据。 opencv_createsamples 能够生成能被 opencv_haartraining 和 opencv_traincascade 程序支持的正样本数据。它的输出为以 *.vec 为扩展名的文件，该文件以二进制方式存储图像。
opencv_performance 可以用来评估分类器的质量，但只能评估 opencv_haartraining 输出的分类器。它读入一组标注好的图像，运行分类器并报告性能，如检测到物体的数目，漏检的数目，误检的数目，以及其他信息。
准备训练数据：
训练需要一些列样本。样本分两类：负样本和正样本。负样本是指不包括物体的图像。正样本是待检测的物体的图像。负样本必须手工准备，正样本使用 opencv_createsamples 创建。
负样本：
负样本和样本图像也叫做背景样本，或者背景样本图像，本文档中对之不予区分。这些图像可以是不同的尺寸，但是图像尺寸应该比训练窗口的尺寸大，因为这些图像将被用于抠取负样本，并将负样本缩小到训练窗口大小。
下面是一个描述文件的例子：
假如目录结构如下：
/img
img1.jpg
img2.jpg
bg.txt
则bg.txt文件中的内容将如下所示：
img/img1.jpg
img/img2.jpg
正样本：
正样本由 opencv_createsamples 生成。正样本可以由包含待检测物体的一张图片生成，也可由一系列标记好的图像生成。
请注意你需要一个很大的负样本库送给训练程序进行训练。如果是绝对刚性的物体，如OpenCV的标志，你只有一张正样本图像；如果是人脸，你需要几百甚至几千个正样本。在待检测物体是人脸的情况下，你需要考虑所有的人种、年龄、表情甚至胡子的样式。
如果只有一张包含物体的图像，如一个公司的标志，那么可以通过对物体图像的随机旋转、改变标志亮度以及将标志放在任意的背景上而获得大量的正样本。生成的正样本数目以及随机的程度都可以通过 opencv_createsamples 的命令行参数控制。
命令行参数：
-vec <vec_file_name> 输出文件，内含用于训练的正样本；
-img <image_file_name> 输入图像的文件名
-bg <background_file_name> 背景图像的描述文件，文件中含有一系列的图像文件名，这些图像将被随机选作物体的背景
-num <number_of_samples> 生产正样本的数量
-bgcolor <background_color> 背景颜色（目前为灰度图）；背景颜色表示透明颜色。因为图像压缩可造成颜色偏差，颜色的容差可以由 -bgthresh 指定。所有处于 bgcolor-bgthresh 和 bgcolor+bgthresh 之间的像素都被设置为透明像素。
-bgthresh <background_color_threshold>
-inv 如果指定该标志，前景图像的颜色将翻转。
-randinv 如果指定该标志，颜色将随机地翻转。
-maxidev <max_intensity_deviation> 前景样本里像素的亮度梯度的最大值。
-maxxangle <max_x_rotation_angle> X轴最大旋转角度，必须以弧度为单位。
-maxyangle <max_y_rotation_angle> Y轴最大旋转角度，必须以弧度为单位。
-maxzangle <max_z_rotation_angle> Z轴最大旋转角度，必须以弧度为单位。
-show 很有用的调试选项。如果指定该选项，每个样本都将被显示。如果按下 Esc 键，程序将继续创建样本但不再显示。
-w <sample_width> 输出样本的宽度（以像素为单位）。
-h <sample_height> 输出样本的高度（以像素为单位）。
创建样本的流程如下：
1.输入图像沿着三个轴随机旋转。旋转的角度由 -max?angle 限定。
2.像素的亮度值位于 [bg_color-bg_color_threshold; bg_color+bg_color_threshold]范围的像素被设置为透明像素。
3.将白噪声加到前景图像上。
4.如果指定了 -inv ，那么前景图像的颜色将被翻转。如果指定了 -randinv ，程序将随机选择是否将颜色进行翻转。
5.任选背景图像，将获得的前景图像放到背景图像上，并将图像调整到 -w 和 -h 指定的大小。
6.最后将图像存入vec文件，vec文件名由命令行参数 -vec 指定。
正样本也可从一系列事先标记好的图像中创建。
标记信息可以存储于一个文本文件，与背景描述文件类似。文件中的每行对应一个图像文件。每行的第一个元素为图像文件名，后面是物体的数目，最后是物体位置和大小的描述 (x, y, width, height)。
下面是描述文件的例子：
假设目录结构如下：
/img
img_with_faces_1.jpg
img_with_faces_2.jpg
info.dat
文件info.dat里的内容如下：
img/img_with_faces_1.jpg 1 140 100 45 45
img/img_with_faces_2.jpg 2 100 200 50 50 50 30 25 25
图像img_with_faces_1.jpg中包含一个物体实例（如人脸），标示其在图像中的位置和大小的矩形为(140, 100, 45, 45)。图像img_with_faces_2.jpg包含两个物体实例。
从这样的一系列数据中创建正样本，需要在命令行指定 -info 而非前面所用的 -img 参数：
-info <collection_file_name> 描述物体所在图像以及大小位置的描述文件。
此部分样本创建过程如下：
将物体实例从图像中抠取出，然后将之调整尺寸到目标尺寸，然后保存到输出的vec文件。在此过程中不会对图像进行变形，所以有效的命令行参数仅有 -w, -h, -show 和 -num 。
opencv_createsamples 也可以用来查看和检查保存于vec正样本文件中的正样本。
这时只需指定 -vec ， -w 和 -h 三个参数则可。 opencv_createsamples 将逐一显示正样本图像。
在训练中，训练程序并不关心包含正样本的vec文件如何生成的，你可以自己写程序来生成vec文件。但是OpenCV提供的工具中，只有 opencv_createsamples 程序能够创建包含正样本的vec文件。
训练级联分类器
opencv_traincascade 和 opencv_haartraining 都可用来训练一个级联分类器，但是此处只介绍 opencv_traincascade 。 opencv_haartraining 的用法与 opencv_traincascade 类似。
下面是 opencv_traincascade 的命令行参数，以用途分组介绍：
1.通用参数：
-stageType <BOOST(default)>
-data <cascade_dir_name> 目录名，如不存在训练程序会创建它，用于存放训练好的分类器。
vec <vec_file_name> 包含正样本的vec文件名（由 opencv_createsamples 程序生成）。
-bg <background_file_name> 背景描述文件，也就是包含负样本文件名的那个描述文件。
-numPos <number_of_positive_samples> 每级分类器训练时所用的正样本数目。
-numNeg <number_of_negative_samples> 每级分类器训练时所用的负样本数目，可以大于 -bg 指定的图片数目。
-numStages <number_of_stages> 训练的分类器的级数。
-precalcValBufSize <precalculated_vals_buffer_size_in_Mb> 缓存大小，用于存储预先计算的特征值(feature values)，单位为MB。
-precalcIdxBufSize <precalculated_idxs_buffer_size_in_Mb> 缓存大小，用于存储预先计算的特征索引(feature indices)，单位为MB。内存越大，训练时间越短。
-baseFormatSave 这个参数仅在使用Haar特征时有效。如果指定这个参数，那么级联分类器将以老的格式存储。
2.级联参数：
-stageType <BOOST(default)> 级别（stage）参数。目前只支持将BOOST分类器作为级别的类型。
-featureType<{HAAR(default), LBP}> 特征的类型： HAAR - 类Haar特征； LBP - 局部纹理模式特征。
-w <sampleWidth>
-h <sampleHeight> 训练样本的尺寸（单位为像素）。必须跟训练样本创建（使用 opencv_createsamples 程序创建）时的尺寸保持一致。
3.Boosted分类器参数：
-bt <{DAB, RAB, LB, GAB(default)}> Boosted分类器的类型： DAB - Discrete AdaBoost, RAB - Real AdaBoost, LB - LogitBoost, GAB - Gentle AdaBoost。
-minHitRate <min_hit_rate> 分类器的每一级希望得到的最小检测率。总的检测率大约为 min_hit_rate^number_of_stages。
-maxFalseAlarmRate <max_false_alarm_rate> 分类器的每一级希望得到的最大误检率。总的误检率大约为 max_false_alarm_rate^number_of_stages.
-weightTrimRate <weight_trim_rate> Specifies whether trimming should be used and its weight. 一个还不错的数值是0.95。
-maxDepth <max_depth_of_weak_tree> 弱分类器树最大的深度。一个还不错的数值是1，是二叉树（stumps）。
-maxWeakCount <max_weak_tree_count> 每一级中的弱分类器的最大数目。The boosted classifier (stage) will have so many weak trees (<=maxWeakCount), as needed to achieve the given -maxFalseAlarmRate.
4.类Haar特征参数：
-mode <BASIC (default) | CORE | ALL> 择训练过程中使用的Haar特征的类型。 BASIC 只使用右上特征， ALL 使用所有右上特征和45度旋转特征
5.LBP特征参数：
LBP特征无参数。
当 opencv_traincascade 程序训练结束以后，训练好的级联分类器将存储于文件cascade.xml中，这个文件位于 -data 指定的目录中。这个目录中的其他文件是训练的中间结果，当训练程序被中断后，再重新运行训练程序将读入之前的训练结果，而不需从头重新训练。训练结束后，你可以删除这些中间文件。
训练结束后，你就可以测试你训练好的级联分类器了！