在MATLAB中，计算机视觉工具箱（Computer Vision Toolbox）提供了一个trainCascade ObjectDetector函数来训练自定义分类器。函数的语法为：

function trainCascadeObjectDetector(name，pos＿image，neg＿image，varargin)

该函数的输入为：需保存的分类器名称（name）、正样本集（pos＿image）和负样本集（neg＿image），另外可以设置级联分类器级数（NumCascadeStages）、每级误检率（FalseAlarmRate）、每级命中率（TruePositiveRate）、检测特征类型（FeatureType）、负样本因子（NegativeSamplesFactor）和正样本归一化尺寸（ObjectTrainingSize），最终输出为分类器文件。

针对这些可选参数的设置，可以从以下几个方面考虑。

1.NumCascadeStages（级联分类器级数）

增加级数会使分类器更准确，但也会增加训练时间。级数越多，需要的训练图像越多，因为在每级，一定数量的正样本和负样本会被消除。

2.FeatureType（检测特征类型）

特征类型会影响训练时长，通常使用Haar特征要比使用LBP或HOG特征花费更长的训练时间。

3.ObjectTrainingSize（正样本归一化尺寸）

正样本归一化尺寸过小，容易造成特征缺失；正样本归一化尺寸过大，容易增加训练时长。

4.NegativeSamplesFactor（负样本因子）(www.daowen.com)

每级使用的负样本数＝NegativeSamplesFactor×[该级使用的正样本数]，通常负样本因子默认为2。

只要用于训练某一阶段的负样本数大于计算得出的负样本数的10%，训练就继续进行。

5.FalseAlarmRate（每级误检率）

较低的误检率值增加了每级的复杂性，增加复杂性可以实现更少的错误检测，但可能导致更长的训练和检测时间。而较高的误检率值则可能需要更多的级数才能达到合理的检测精度。

6.TruePositiveRate（每级命中率）

较高的命中率值增加了每级的复杂性，增加的复杂性可以实现更多的正确检测，但可能导致更长的训练和检测时间。

通过上述对每级误检率和每级命中率的介绍，可知在级联分类器中，假设各个强分类器的检测命中率为p1，p2，…，pM，误检率为r1，r2，…，rM，由于各强分类器以串联的形式排列，因此最终的检测命中率为∏1＜i＜M pi，最终误检率为∏1＜i＜M ri。若某一级联分类器有10级，每级的命中率为0.995，误检率为0.5，则经过10个强分类器，最终命中率为0.99510＝0.95，误检率为0.510＝0.000 9。

另外，trainCascadeObjectDetector函数能够自动计算训练每级的正样本的数量，该数目基于用户提供的正样本总数以及每级命中率（TruePositiveRate）和级数（NumCascadeStages）的值，具体公式如下：

只要用于训练某一阶段的正样本数大于式（2－14）计算得出的样本数的10%，训练就继续进行。如果没有足够的正样本，训练就会停止，函数会发出警告。如果训练停止，可以选择添加更多的正样本、增加每级命中率或是减少级数，但级数的减少也会导致较高的整体误检率。