完成了准备正负样本的工作后，就可以在命令行中输入下面的命令：

这样便可以训练生成一个车辆级联分类器文件vehicleDetector.xml。

对于给定的正样本，设置不同的参数，可以得到不同的分类器。例如，对于给定的542个车辆正样本，分别设置下面3组参数进行训练，得到的反馈信息如下。

（1）级联分类器级数为5级，每级误检率为0.5，每级命中率为0.995，特征类型为HOG。

训练过程如下所示：

可以看到，所有的542个正样本中有531个均用于每一级的训练，每级使用的正样本数计算公式为number of positive samples＝floor（totalPositiveSamples/（1＋（5－1）*（1－0.995））＝542/1.02＝531；每级使用的负样本数，系统默认为正样本数的2倍，即1 062。参与训练的正样本数高的原因是设置的级数较小且每级误检率较高。

另外，此次训练在还未到5级时就结束了，这是因为第5级还未训练结束时，分类器的整体误检率已经达到0.027 216 8，小于设置的预期虚警率（0.5）5＝0.031 25，已经满足要求，因此训练提前结束，此时得到的车辆级联分类器为4级，而不是先前指定的5级。(www.daowen.com)

（2）级联分类器级数为5级，每级误检率为0.1，每级命中率为0.995，特征类型为HOG。

本例在（1）的基础上，每级误检率由0.5降至0.1，其他参数保持不变，此时顺利训练到了第5级结束。由于每级误检率降低，因此其检测精度会提高，但相对的训练时间也会大大增加。训练过程如下所示：

（3）级联分类器为10级，每级误检率为0.1，每级命中率为0.995，特征类型为HOG。

本例在（2）的基础上，增加了级数至10级，其他参数保持不变，由计算公式可知，参与训练的正样本数相比于（1）、（2）进一步减少，而级数由5增加到10，这会使得整体误检率相比前面降低，训练的时间也更长。训练过程如下所示：

需要注意的是，负样本因子默认设置为2，即用于训练每级的负样本数为用于训练的正样本数的2倍，为1 036，但从第6级开始参与训练的负样本数变少了，第7级只有122个负样本参与训练。出现这种现象的原因是往后的级，训练时是按照上一级正样本被错分的部分作为负样本。随着级数的增加，整体误检率降低，即“正样本被错分”事件发生得越来越少，导致最终负样本数量不足正样本2倍的10%，即不满足训练要求的水平。因此无法对第8级进行训练，训练至第7级就已经结束。

此时得到的车辆级联分类器为7级，而不是先前指定的10级，所得到的整体误检率为（0.1）7，而不是预期的整体误检率（0.1）10。