step 1: 把正样品，负样品，opencv_createsamples，opencv_haartraining放到一个文件夹下面，利于后面的运行。
step 2: 生成正负样品的描述文件
正样品描述文件
find positive_boosted -iname "*.bmp" -exec echo {} 1 0 0 20 20 ; > face.info
生成
positive_boosted/face00244.bmp 1 0 0 20 20
positive_boosted/face00177.bmp 1 0 0 20 20
positive_boosted/face01533.bmp 1 0 0 20 20
positive_boosted/face01542.bmp 1 0 0 20 20
positive_boosted/face00733.bmp 1 0 0 20 20
positive_boosted/face01708.bmp 1 0 0 20 20
positive_boosted/face01625.bmp 1 0 0 20 20
其中的pos_image/是相对路径名,后面紧接着的是文件名，1代表一个文件，0 0 24 24表示这个文件的2个顶点位置坐标。保存退出即ok。
负样品描述文件
find negative_boosted -iname *.bmp > non_face.txt
生成
negative_boosted/face01542.bmp
negative_boosted/face00733.bmp
negative_boosted/face01708.bmp
negative_boosted/face01625.bmp
step 3: 生成vec文件
opencv_createsamples -vec face.vec -info face.txt -bg non_face.txt -w 20 -h 20 -num 2429
其中的-vec是指定后面输出vec文件的文件名，-info指定正样本描述文件，-bg指定负样本描述文件，-w和-h分别指正样本的宽和高，-num表示正样本的个数。执行完该命令后就会在当前目录下生产一个face.vec文件了。
step 4: 开始训练
首先在当前目录下新建一个xml文件夹用于存放生成的.xml文件。
opencv_haartraining -data xml -vec face.vec -bg non_face.txt -npos 500 -nneg 500 -w 20 -h 20 -nstages 20 -nsplits 2 -minhitrate 0.999 -maxfalsealarm 0.5
opencv_traincascade （新的命令）
其中
-data为输出xml中间文件的位置;
-vec 正样品文件名
-bg 负样本文件名
-nsplits 1表示使用简单的stump classfier分类。
-mode (default|all) all表示使用haar特征集的种类既有垂直的，又有45度角旋转的; default只是垂直的.
-npos 正样本数
-nneg 负样本
-minhitrate 最小命中率，即训练目标准确度。
-maxfalsealarm最大虚警(误检率)，每一层训练到这个值小于0.5时训练结束，进入下一层训练
在实际训练时，为了节约时间，调小了npos，nneg
会产生xml.xml文件，可以利用所得到的分类器进行测试了。
step 5: 合并训练所产生的xml文件
生成多个