1.正样本文件采集：
需要使用到的工具：objectmarker
用于待识别对象的标注，并生成标注文件。需要注意的是，生成完标注文件之后（通常是info.txt文件），用编辑器打开文件，将所有路径信息删除，只保留文件名和其对应的标注信息，修改完成之后，将文件保存为sample_pos.dat(注意，文件名字不要改变，否则以后会很坑，这个具体还没去研究源码，应该是程序的问题)；
ps:如果已经有了图像的标注信息，那就可以跳过这一步了。
2.正样本vec文件生成（sample文件）
工具：opencv_createsamples.exe
在工具所在目录创建文件夹：pos，将采集到的正样本，以及标注文件放入pos文件夹；
使用cmd进入工具所在目录，执行命令：
opencv_createsamples.exe -info ./pos/sample_pos.dat -vec ./pos/sample_pos.vec -num 17 -w 20 -h 20 -show YES
ps:-num:正样本个数
3.负样本采集
建议正负样本比例在1:3（具体还不知道，参考网上提供的数据）。负样本在采集的时候尤其需要注意，尽量保持和正样本环境相似，比如，正样本图像中包含要检测的对象，负样本图像中最好剔除要检测的对象，只保留背景。有条件的同学可以直接写程序，对负样本图片进行切割，标准是40*40（因为我们的正样本采用的是20*20）。
负样本采集完成之后，在pos目录的统计目录创建文件夹：neg，将负样本拷贝至neg目录，然后使用命令行进入neg目录，执行命令：
dir /b > sample_neg.dat
用文本编辑器打开dat文件，删除最后一行：sample_neg.dat，保存文件；
ps:文件名字不要改变，否则会出错
4.训练样本
到此为止，我们要准备的文件都已经准备好，可以进行训练了。
使用的工具：opencv_haartraining.exe
进入工具所在目录，先创建目录：cascade，然后执行命令：
opencv_haartraining.exe -data ./cascade -vec ./pos/sample_pos.vec -bg ./neg/sample_neg.dat -nstage 20 -npos 100 -nneg 300 -mem 256 -mode ALL -w 20 -h 20
-nstage:要训练多少层
-npos：每层的正样本个数
-nneg：每层的负样本个数
ps：在这一步经常会抛异常，通常都是负样本文件不对，同时dat文件的名字一定要按照上面说的命名，否则会出错；
5.合并xml文件
样本训练完成之后，cascade目录下会生成多个子目录，需要将这些目录合并生成xml文件才能使用：
工具：c-example-convert_cascade.exe（ps:根据opencv的版本不同，这个工具的名字也可能不同）
执行命令：
c-example-convert_cascade.exe --size=20x20 ./cascade haar_adaboost.xml
到此，会在目录中生成haar_adaboost.xml文件！
done！
说明：
1.所有的工具及其依赖文件建议统一放置在一个目录中（比如：build）；
2.除了负样本描述文件的生成命令需要在neg目录中执行，其他命令全部在build（假设你也有这个目录，以各自的实际目录为准）目录中执行；
3.good luck！
参考：
1.http://www.cnblogs.com/wengzilin/p/3845271.html
2.http://blog.csdn.net/xuejiren/article/details/39493537
（Opencv Error: Assertion failed (elements_read==1)）