image_location number_annotations x0 y0 w0 h0 x1 y1 w1 h1 … xN yN wN hN
代表 number_annotations 个目标在image_location中标注，x0 y0 w0 h0代表左上角的点的x和y坐标以及宽度和高度。
-img指定的单张图片，或者-info指定得样本集描述文件。
-vec 指定输出文件的保存位置。输出是一个以.vec结尾的文件，其中保存着生成得样本集，作为后续训练程序的输入
-num 指定样本集文件保存的样本数。
全部命令参数：
-img 源图像路径+文件名
-info 含有标定信息的样本集描述文件
-vec 含有样本集的.vec文件保存位置
-bg 背景集描述文件（负样本描述文件），用于生成混合变换得图像，将-img指定得图像放入-bg指定得背景图像，产生变换后得图像
-num 要产生得样本数量
-bgcolor 背景色，处于bgcolor-bgthresh和bgcolor+bgthresh之间的像素被视为透明的。the background color denotes the transparent color. Since there might be compression artifacts, the amount of color tolerance can be specified by –bgthresh. All pixels between bgcolor-bgthresh and bgcolor+bgthresh are regarded as transparent.
-bgthresh 背景色阈值 (灰度值的变化0-255)
-inv 颜色反转
-randinv 颜色随机反转
-maxidev 样本的最大像素变化值 (灰度值的变化0-255)
-maxxangle 绕x轴旋转得最大角度 (弧度为单位)
-maxyangle 绕y轴旋转得最大角度 (弧度为单位)
-maxzangle 绕z轴旋转得最大角度 (弧度为单位)
-show 显示变换后得图片，按’Esc’键省略后续的显示，通常用于调试效果
-w 输出样本的宽
-h 输出样本的高
traincascade.exe
使用adaboost算法训练模型的程序（新版），可开启openMP加速，支持数据量较大的训练。
输入：
-vec，正样本集的.vec文件，由createsamples.exe程序生成
-bg，负样本描述文件
-w -h
正样本图像的尺寸，必须跟使用createsamples创建得正样本尺寸保持一致，即.vec存储的图像尺寸
输出：
-data，最终模型的存放位置，模型文件以.xml结尾，中间文件亦存放于此。 这个目录必须已经存在。
全部命令参数：
-data 最终模型的存放位置（要先建好）
-vec 正样本集的.vec文件
-bg 负样本描述文件
-numPos 每级强分类器训练时用到得正样本数量
-numNeg 每级强分类器训练时用到得负样本数量
-numStages stages的数量（级联强分类器的层数，即强分类器的数量）
-precalcValBufSize 缓存大小，存储预先计算得特征值，单位MB，默认200
-precalcIdxBufSize 缓存大小，存储预先计算得特征索引，单位MB，默认200
-baseFormatSave 仅在使用Haar特征时有效，如果指定，级联分类器将以老格式存储 一定要加
-stageType 级联类型，BOOST
-featureType 特征类型，HAAR, LBP, HOG，默认HAAR
-w -h 正样本图像的尺寸，必须跟使用createsamples创建得正样本尺寸保持一致，即.vec存储的图像尺寸
-bt 训练算法类型，DAB(discrete Adaboost），RAB(RealAdaboost)，
LB(LogiBoost)，GAB(Gentle Adaboost)
-minHitRate 每级强分类器的最低检出率，总的最大检出率为
min_hit_rate^number_of_stages
-maxFalseAlarmRate 每级强分类器的最高误检率，总的误检率为
max_false_alarm_rate^number_of_stages，默认为0.5
-weightTrimRate Specifies wheter and how much weight trimming should be
used. A decent choice is 0.90.
-maxDepth 每级强分类器中弱分类器树的最大层数，If 1, then a simple
stump classifier is used, if 2 and more, then CART classifier
with number_of_splits internal (split) nodes is used
-maxWeakCount 每级强分类器中所能含有的弱分类器最大数目 目前300
-mode 使用Haar特征时，该参数指定BASIC、ALL、UpRight等类型
