分类模型的名称，指定为“UprightPeople_128x64”或“UprightPeople_96x48”．像素尺寸表示用于训练的图像大小。

用于训练模型的图像包括人物周围的背景像素。因此，检测到的人的实际大小小于训练图像的大小。

人员分类阈值，指定为非负标量值。在多尺度检测中，使用该阈值控制单个图像子区域的分类。阈值控制子区域是否被归类为人。当出现许多错误检测时，可以增加这个值。阈值越高，说明对分类的要求越严格。在一定范围内改变阈值，以找到适合您的数据集的最佳值。典型值范围为0来4．

可调:是的

包含一个人的最小区域，以像素为单位指定为两元素向量，[高度宽度］．将此属性设置为包含人员的最小大小区域。您可以在设置此属性时减少计算时间。为此，将此属性设置为一个大于用于训练分类模型的图像大小的值。当您没有指定此属性时，检测器将其设置为用于训练分类模型的图像大小。

可调:是的

包含一个人的最大区域，以像素为单位指定为两元素向量，[高度宽度］．将此属性设置为包含个人的最大区域。您可以在设置此属性时减少计算时间。为此，将此属性设置为小于输入图像大小的值。当您没有指定此属性时，检测器将其设置为输入图像大小。此属性是可调的。

多尺度对象检测缩放，指定为大于的值1.0001．缩放因子逐渐缩放之间的检测分辨率MinSize而且最大尺寸．您可以使用以下方法将比例因子设置为理想值:

以像素为单位的检测窗口步幅，指定为标量或两元素向量，[xy］．检测器使用窗口步幅在图像上滑动检测窗口。对象中的步幅大小是指定此值为向量时的第一个和第二个元素x而且y的方向。当您将此值指定为标量时，两者的步幅是相同的x而且y．减小窗口跨距可以提高检测精度。然而，这样做会增加计算时间。增加窗口的跨步[8]会导致大量漏检。此属性是可调的。

合并检测控制，指定为真正的或假．此属性控制是否合并类似的检测。将此属性设置为真正的使用基于mean-shift的算法合并边界框。将此属性设置为假输出未合并的边界框。

要获得更大的灵活性和合并参数的控制，可以使用selectStrongestBbox函数代替MergeDetections算法。要执行此操作，请设置MergeDetections财产假．看到从移动的汽车中跟踪行人示例，其中显示了人员检测器和selectStrongestBbox函数。

使用感兴趣的区域，指定为真正的或假．将此属性设置为真正的在输入图像中感兴趣的矩形区域内检测物体。