在網上找了好多相關資訊，有幾篇寫的很好的：

通過這幾篇以及我之前的學習，將今天實踐的過程分享一下：

首先再次說一下整體生成的流程：

1：收集需要訓練的正、負樣本。

2：對正樣品歸一化處理，負樣本不處理，但是保證負畫素尺寸 >=正樣品畫素尺寸（或者有的人也稱作縮放處理，不過我感覺還是歸一化處理比較好聽）。

3：生成正、負樣本描述檔案。

4：樣本訓練。

詳細總結：

1：收集樣品。

剛開始僅僅是做個小實驗，所以數量暫時不用太多，我選擇的正樣品是45個，負樣品是60個，一般情況下負樣品儘量比正樣品多，畢竟當想尋找一個東西的時候，先找到其他東西的概率更大，如果負樣品比正樣品少，那麼就會造成“卡死”始終不出結果（詳細解釋

今天看完了這個數量介紹，糾正我之前的錯誤，正樣品貌似經過計算比負樣品多：

vec-file has to contain >= (numPos + (numStages-1) * (1 - minHitRate) * numPos) + S，where S is a count of samples from vec-file that can be recognized as background right away.

例子：

It worked for me. I also had same problem, I was following the famous tutorial on HAAR training but wanted to try the newer training utility 

with -npos 7000 -nneg 2973
so i did following calcs:

vec-file has to contain >= (numPos + (numStages-1) * (1 - minHitRate) * numPos) + S

7000 >= (numPos + (20-1) * (1 - 0.999) * numPos) + 2973

(7000 - 2973)/(1 + 19*0.001) >= numPos

numPos <= 4027/1.019

numPos <= 3951 ~~ 3950

and used:

-npos 3950 -nneg 2973

It works.

2：歸一化處理。

這個是一個必要條件，當分類器在你想要檢測的圖片上尋找目標的時候，它不能所有位置、所有大小都各種亂找，那樣一張圖片的執行次數就會相當的巨大，而且如果正樣品的大小不統一，那麼彼此之間也就沒有太大的可比性和聯絡性了，所謂歸一化處理，就是讓所有圖片的畫素尺寸一樣，比如我的正樣品全部是64*64畫素的，處理方法，可以看看該大神的文章：http://www.cnblogs.com/tornadomeet/archive/2012/03/27/2420088.html

3：正負描述檔案。

正：

跟這裡一樣，第一列表示圖片的名字，第二列表示該圖片中有多少個正樣例，一般為1，如果有很多（比如在人群中有很多人臉），那麼有多少個這個引數就寫幾，比如是K個，那麼接下來就要有4*k個數據，也就是k組資料，每組資料是這樣的：x y width height。

負：

僅僅需要圖片名字，不需要引數：

4：訓練。

首先需要建立正樣例的檔案：a.vec。

命令列：opencv_createsamples.exe -info C:/Users/rockyli/Desktop/expression/anger/info.txt -vec a.vec -num 45 -w 64 -h 64

之後，再執行個命令就哦了：

opencv_haartraining.exe  -data xml -vec a.vec -bg C:\Users\rockyli\Desktop\expression\other\other.txt  -npos 45 -nneg 60 -nstages 4  -nsplits 1 -sym -w 64 -h 64 -mode all -mem 1024

結果：

由於樣本數量以及質量很少、以及訓練使用的引數設定，檢測效果很一般：

我也是初學者，望大神看到有什麼錯誤的地方多多指教。

要是誰有什麼不解的可以隨時留言，大家一起交流才會更快的成長嘛。