（没时间一次性写完，更新中）
该项目在Opencv Application的一部分，项目名称为opencv_trainCascade，它即可以用来训练lbp特征分类器，也可以是haar特征，有人说lbp特征训练起来更快，我没有专门比较过，不作评论；根据个人经验，lbp在很多场合会更稳定，所以我一般会选lbp特征。这里和检测（detectMultiScale）对应，这里我们仍然以汽车外形检测为例。
关于样本收集的注意事项等，可参考此文：https://blog.csdn.net/u014587123/article/details/78507649
本例的汽车正负样本下载： https://download.csdn.net/download/tanmx219/10747369
检测样本下载： https://download.csdn.net/download/tanmx219/10623808
注意都是pgm格式，如果你想预览而看图器打不开，请到SpaceSoftwares.com上下载SpaceView看图工具。
如何训练？
准备工作：
正本数550
负本数 500
总样本数 1050 ( sample_count )
下载的样本中已经生成possamples.vec，你可以自己生成，命令（createSamples在Opencv－Application中）如下
createSamples.exe -info ../dataCascade/cars.info -vec ../dataCascade/possamples.vec -num 550 -w 100 -h 40
pause
vec文件格式是这样的，具体读取参考源码CvCascadeImageReader::PosReader::create(..)及PosReader::get()，这部分比较简单，后面不再详述。
bool CvCascadeImageReader::PosReader::create( const string _filename )
从vec文件中读取图片码流，其vec文件格式（文件结构）是这样的
图片个数（4字节）
图片尺寸（4字节,灰度图的字节数size=宽x高）
0（4字节）
0（1个字节的图片分隔符）
Data(共计size个字节)
0（1个字节的图片分隔符）
Data(共计size个字节)
0（1个字节的图片分隔符）
Data(共计size个字节)
…
bool CvCascadeImageReader::PosReader::get( Mat &_img )
读取vec文件中的一个image，放入到_img中。
vec文件格式 参考上面（CvCascadeImageReader::PosReader::create）的注释训练时使用的命令如下
opencv_traincascade.exe -data ../dataCascade -vec ../dataCascade/possamples.vec -bg ../dataCascade/neg.info -numPos 550 -numNeg 500 -numStages 20 -precalcValbufSize 200 -precalcdxBufSize 1000 -featureType LBP -w 100 -h 40 -minHitRate 0.995 -maxFalseAlarmRate 0.5 -weightTrimRate 0.95 -maxDepth 1 -maxWeakCount 100 -mode ALL
pause
这里最重要的就是注意目录的存放和路径（根据实际存放的位置，要设成你自己实际使用的路径），如果在VS项目中直接运行，找不到文件的话，建议参考：
https://blog.csdn.net/tanmx219/article/details/81783803
trainCascade.exe 参数
-data：
文件夹名，用于保存训练生成的各种xml文件，该文件夹一定要事先创建好，否则系统会报错，在这里，我们定义该文件夹名为data，它已在前面创建好
-vec：
由opencv_createsamples.exe程序生成的正样本vec文件
-bg：
用于表示不含车牌照片的文本文件，即neg.txt
-numPos：
训练级联分类器的每一级分类器（即强分类器）时所用的正样本数目
-numNeg：
训练级联分类器的每一级分类器（即强分类器）时所用的负样本数目
-numStages：
最终得到的级联分类器的级数，我们设置为12
-precalcValBufSize：
用于存储预先计算特征值的内存空间大小，单位为MB，越大越好，但分配时不要超过可用内存，否则可能无法完成分配。
如果空间分配过小，就会根据空间的容纳能力，只计算前面能被容纳的部分特征，具体规则可参考
CvCascadeBoostTrainData::setData及precalculate函数，这部分能被容纳的特征的个数是numPrecalcVal；
后面的特征不会被事先计算好，而是在实际使用时才计算，可以参考CvCascadeBoostTrainData::get_cat_var_data函数。
-precalcIdxBufSize：
用于存储预先计算特征索引的内存空间大小，单位为MB，越大越好，但分配时不要超过可用内存，否则可能运行不了。
-stageType：
强分类器的类型，目前只实现了AdaBoost，因此唯一的值（缺省值）为BOOST
-featureType：
特征类型，HAAR（缺省值），LBP或HOG
-w：
正样本图像的宽，必须与opencv_createsamples.exe命令的参数一致，即58
-h：
正样本图像的高，必须与opencv_createsamples.exe命令的参数一致，即18
-bt：
AdaBoost的类型，DAB，RAB，LB或GAB（缺省值）
-minHitRate：
原理部分提到的每级分类器的最小识别率
-maxFalseAlarmRate：
原理部分提到的每级分类器的最大错误率
-weightTrimRate：
用于决策树的剪枝，缺省值为0.95
-maxDepth：
决策树的最大深度，缺省值为1，即该决策树为二叉树（树墩形）
-maxWeakCount：
强分类器所包含的最大决策树的数量，该值也与最大错误率有关，我们定义该值为150
-mode：
如果特征为HAAR，则该参数决定了使用哪种HAAR状特征（见图1），BASIC（缺省值）、CORE或ALL
CvCascadeClassifier（级联分类器）
CvCascadeParams cascadeParams; // 级联分类器参数
cv::Ptr<CvFeatureParams> featureParams; // 特征参数
cv::Ptr<CvCascadeBoostParams> stageParams; // 强分类器参数
cv::Ptr<CvFeatureEvaluator> featureEvaluator;// 特征计算
std::vector< cv::Ptr<CvCascadeBoost> > stageClassifiers; // 强分类器
CvCascadeImageReader imgReader; // 样本图像读取
int numStages, curNumSamples; // 强分类器数目，当前样本数目
int numPos, numNeg; // 正样本数目，负样本数目
123456789CvCascadeParams（级联分类器参数）
static const int defaultStageType = BOOST; // 默认级联分类器类型
static const int defaultFeatureType = CvFeatureParams::HAAR; // 默认级联分类器特征
int stageType; // 强分类器类型
int featureType; // 特征类型
cv::Size winSize; // 级联分类器窗口信息
123456CvFeatureParams（特征参数）
int maxCatCount; // 0 in case of numerical features // 最大特征数目
int featSize; // 1 in case of simple features (HAAR, LBP) and N_BINS(9)*N_CELLS(4) in case of Dalal's HOG features // 特征尺寸
123CvCascadeBoostParams（强分类器参数）
float minHitRate; // 最小检测率
float maxFalseAlarm; // 最大误检率
123CvFeatureEvaluator（特征计算）
int npos, nneg; //正样本数目，负样本数目
int numFeatures; // 特征数目
cv::Size winSize; // 窗口尺寸
CvFeatureParams *featureParams; // 特征参数
cv::Mat cls; // 设置样本类别矩阵
123456CvCascadeBoost（强分类器）
float threshold; // 强分类器阈值
float minHitRate, maxFalseAlarm; // 强分类器最小检测率，最大误检率
123CvBoostTree（弱分类器）使用CvDTree实现（ml模块中的随机树实现）
CvDTreeNode* root; // 根节点
CvMat* var_importance; // 重要变脸
CvDTreeTrainData* data; // 训练数据
CvMat train_data_hdr, responses_hdr; // 训练数据和响应数据
cv::Mat train_data_mat, responses_mat; // 训练数据矩阵和响应数据矩阵
int pruned_tree_idx; // 树裁剪索引
1234567CvDTreeNode（弱分类器节点信息）
int class_idx; // 赋给节点的归一化的类别索引（从0到class_count-1)，用在分类树和树集成中
int Tn; // 在有序排列的树中的树索引。用在剪枝过程中和之后。
double value; // 赋给节点的值。可以是一个类别标签，也可以是估计函数值
CvDTreeNode* parent; // 父节点
CvDTreeNode* left; // 左子树
CvDTreeNode* right; // 右子树
CvDTreeSplit* split; // 指向第一个分裂点（初始分裂点）的指针
int sample_count; // 在训练阶段所用到的样本数目
int depth; // 节点深度。根节点为0，子节点是父节点深度加1
int* num_valid; // 合法数目
int offset;
int buf_idx;
double maxlr;
// global pruning data
// 全局裁剪数据
int complexity;
double alpha;
double node_risk, tree_risk, tree_error;
// cross-validation pruning data
// 交叉验证裁剪数据
int* cv_Tn; // 如果该参数大于1，用叠一交叉验证来进行剪枝
double* cv_node_risk;
double* cv_node_error;// 节点错误率开始训练（trainCascade）
本次调试中使用的参数：
-data ../dataCascade -vec ../dataCascade/possamples.vec -bg ../dataCascade/neg.info -numPos 550 -numNeg 500 -numStages 20 -precalcValBufSize 2048 -precalcIdxBufSize 1024 -featureType LBP -w 100 -h 40 -minHitRate 0.995 -maxFalseAlarmRate 0.5 -weightTrimRate 0.95 -maxDepth 1 -maxWeakCount 100 -mode ALL
这里要注意，如果你碰到问题如，OpenCV(3.4.3) Error: Bad argument (> Can not get new positive sample. The most possible reason is insufficient count of samples in given vec-file.那么，请把numPos改小一点，如540，或500，也可以把minHitRate降低，详情可参考下面这两个链接。
http://answers.opencv.org/question/4368/traincascade-error-bad-argument-can-not-get-new-positive-sample-the-most-possible-reason-is-insufficient-count-of-samples-in-given-vec-file/
http://answers.opencv.org/question/776/error-in-parameter-of-traincascade/?answer=792#post-id-792