利用OpenCV自帶的haar training程序訓練壹個分類器，需要經過以下幾個步驟：
（1）收集訓練樣本：
訓練樣本包括正樣本和負樣本。正樣本，通俗點說，就是圖片中只有妳需要的目標。而負樣本的圖片只要其中不含有目標就可以了。但需要說明的是，負樣本也並非隨便選取的。例如，妳需要檢測的目標是汽車，那麽正樣本就應該是僅僅含有汽車的圖片，而負樣本顯然不能是壹些包含天空的，海洋的，風景的圖片。因為妳最終訓練分類器的目的是檢測汽車，而汽車應該出現在馬路上。也就是說，分類器最終檢測的圖片應該是那些包含馬路，交通標誌，建築物，廣告牌，汽車，摩托車，三輪車，行人，自行車等在內的圖片。很明顯，這裏的負樣本應該是包含摩托車、三輪車、自行車、行人、路面、灌木叢、花草、交通標誌、廣告牌等。
另外，需要提醒的是，adaboost方法也是機器學習中的壹個經典算法，而機器學習算法的前提條件是，測試樣本和訓練樣本獨立同分布。所謂的獨立同分布，可以簡單理解為：訓練樣本要和最終的應用場合非常接近或者壹致。否則，基於機器學習的算法並不能保證算法的有效性。此外，足夠的訓練樣本（至少得幾千張正樣本、幾千張負樣本）也是保證訓練算法有效性的壹個前提條件。
這裏，假設所有的正樣本都放在f:/pos文件夾下，所有的負樣本都放在f:/neg文件夾下；
（2）對所有的正樣本進行尺寸歸壹化：
上壹步收集到的正樣本，有很多的尺寸大小，有的是200*300，有的是500*800...尺寸歸壹化的目的，就是把所有的圖片都縮放到同壹大小。比如，都縮放到50*60的大小。
（3）生成正樣本描述文件：
所謂的正樣本描述文件，其實就是壹個文本文件，只不過，很多人喜歡將這個文件的後綴改成.dat而已。正樣本描述文件中的內容包括：文件名 目標個數 目標在圖片中的位置（x,y,width,height）
典型的正樣本描述文件如下所示：
0.jpg 1 0 0 30 40
1.jpg 1 0 0 30 40
2.jpg 1 0 0 30 40
.....
不難發現，正樣本描述文件中，每壹個正樣本占壹行，每壹行以正樣本圖片開頭，後面緊跟著該圖片中正樣本的數量（通常為1），以及正樣本在圖片中的位置
假如，f:\pos文件夾下有5000個正樣本圖片，每個圖片中僅有壹個目標。那麽，我們可以寫程序（遍歷文件夾中的所有圖片文件，將文件名寫入到文件中，將正樣本在圖片中的位置，大小都寫入文件中）生成壹個pos.dat文件作為正樣本描述文件。