源碼：.\opencv\sources\apps\traincascade\traincascade.cpp
運行命令：
./opencv_traincascade -data E:\xml -vec pos_sample_data.vec -bg neg_data.txt -numNeg 1111-numPos 1400-numStages
15 -precalcValBufSize 500-precalcIdxBufSize 500-stageType BOOST-featureType LBP-w 164-h 24
1)opencv_traincascade :
位置： E:\opencv\build\x64\vc10\bin\opencv_traincascade
訓練的可執行文件
2）-data :
xml是個文件夾的名字，存放訓練過程中生成的文件，如params.xml （存放訓練時的參數）、stage0(stage1,stage2...stagei)存放i層的訓練的數據，每一層都有好些弱分類器，隨着層數的增加，弱分類器的個數也在增加，最後都在FA<0.5結束。FA是falseAlarm、負樣本的誤檢測率。
3）-vec:
pos_sample_data.vec是通過opencv_createsamples生成的vec文件，正樣本的數據。
如執行opencv_createsamples -vec e:/dataset/posImgData164_24.vec -bg e:/dataset/bg.txt-info e:/dataset/pos.txt -num 1648-w 164 -h 24 (-num：正樣本的數目)
將正樣本圖片寫入到一個vec二進制文件中（這應該是爲了在訓練的時候方便並行運算）
正樣本和負樣本均放在一個文件夾下，結構如下：
負樣本文件夾下面有一個文件夾和一個bg.txt，存放的數據如下
/img
img1.jpg
img2.jpg
bg.txt
bg.txt裏面的數據如下
img/img1.jpg
img/img2.jpg
正樣本文件夾下面有一個文件夾和一個pos.txt，存放的數據如下
/img
img1.jpg
img2.jpg
pos.txt
pos.txt除了存放圖片名外，還存放了圖像中目標的boundingbox的Rect，內容如下
img/img1.jpg 1 140 100 45 45
img/img2.jpg 2 100 200 50 50 50 30 25 25
文件名之後跟的是boundingbox的數目，後面就是對應的Rect。
問題：截取的正樣本大小不一致，還需要自己編寫程序歸一化不？？？4） -bg：
負樣本文件的數據，如neg_data.txt
5）-numPos:
正樣本的數目，但是應當注意，這個數值一定要比準備正樣本時的數目少，不然會報can not get new positive sample.
理由：minHitRate：影響每個強分類器閾值，當設置爲0.95時如果正訓練樣本個數爲10000個，那麼其中的500個就很可能背叛別爲負樣本，第二次選擇的時候必須多選擇後面的500個，按照這種規律我們爲後面的每級多增加numPos*minHitRate個正樣本，根據訓練的級數可以得到如下公式
6）-featureType:
訓練時，提取圖像特徵的類型，目前只支持LBP、HOG、Haar三種特徵。但是HAAR訓練非常非常的慢，而LBP則相對快很多，因爲HAAR需要浮點運算，精度自然比LBP更高，但是LBP的效果也基本能達到HAAR的效果，推薦使用LBP。
7） -w:
必須與opencv_createsample中使用的-w值一致，並且-w和-h的比例必須符合真實目標的比例. (別人說的，還未驗證過)？？？
8） -h:
必須與opencv_createsample中使用的-h值一致，並且-w和-h的比例必須符合真實目標的比例.
9）-numStages:
（訓練分類器的級數）
下圖是訓練過程中的截圖
另：-w和-h的大小對訓練時間的影響非常大，我測試了兩個不同尺寸下的訓練，分別是Size(100,15)和Size(164,24)，後者所用的時間至少是前者的2-3倍。
函數參數：
bool CvCascadeClassifier::train(
const std::string _cascadeDirName, (存放訓練參數的路徑，如-data xml)
const std::string _posFilename, (pos_data.vec,正樣本的數據)
const std::string _negFilename,
（neg_data.txt,負樣本的數據）
int _numPos, int _numNeg,
（正負樣本個數）
int _precalcValBufSize, int _precalcIdxBufSize,
（緩存大小，用於存儲預先計算的特徵值，單位MB；緩存大小，用於存儲預先計算的特徵索引，單位M幣 ）
int _numStages, （訓練分類器的級數）
const CvCascadeParams& _cascadeParams,
const CvFeatureParams& _featureParams,
（特徵參數）
const CvCascadeBoostParams& _stageParams,
bool baseFormatSave = false );
級聯參數cascadeParams
-stageType 級聯類型，staticconst char* stageTypes[] = { CC_BOOST };
-featureType 特徵類型，staticconst char* featureTypes[] = { CC_HAAR, CC_LBP, CC_HOG };
-w
-h 訓練樣本的尺寸，必須跟使用opencv_createsamples創建的訓練樣本尺寸保持一致
Boosted分類器參數stageParams
-bt Boosted分類器類型
DAB-discrete Adaboost, RAB-RealAdaboost, LB-LogiBoost, GAB-Gentle Adaboost
-minHitRate 分類器的每一級希望得到的最小檢測率，總的最大檢測率大約爲min_hit_rate^number_of_stages
-maxFalseAlarmRate 分類器的每一級希望得到的最大誤檢率，總的誤檢率大約爲
max_false_rate^number_of_stages
-weightTrimRate Specifies whether trimming should beused and its weight. 一個還不錯的數值是0.95
-maxDepth 弱分類器的最大深度，一個不錯數值是1，二叉樹
-maxWeightCount 每一級中弱分類器的最大數目
參數：
http://www.lai18.com/content/10170009.html （參數說明）
http://blog.csdn.net/quincuntial/article/details/50427005