分类模型名称，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，被检测人的实际尺寸小于训练图像的尺寸。

人员分类阈值，指定为非负标量值。在多尺度检测过程中，使用该阈值来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一个人。当存在许多错误检测时，可以增加此值。阈值越高，对分类的要求越严格。在一定范围内改变阈值，以找到数据集的最优值。典型值范围为0来4。

可调:是的

包含一个人的最小区域，以像素为双元素向量指定，[高度宽度]。将此属性设置为包含人员的最小大小区域。设置此属性可以减少计算时间。为此，请将此属性设置为大于用于训练分类模型的图像大小的值。如果不指定此属性，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，以像素为双元素向量指定，[高度宽度]。将此属性设置为包含人员的最大区域。设置此属性可以减少计算时间。为此，请将此属性设置为小于输入图像大小的值。如果不指定此属性，检测器将其设置为输入图像大小。这个属性是可调的。

多尺度对象检测缩放，指定为大于的值1.0001。比例因子增量缩放之间的检测分辨率MinSize和最大尺寸。您可以使用以下命令将比例因子设置为理想值:

以像素为单位的检测窗口跨距，指定为标量或双元素向量，[xy]。检测器使用窗口步幅在图像上滑动检测窗口。当您将此值指定为向量时，第一个和第二个元素是数组中的步长x和y的方向。当您将此值指定为标量时，两者的步幅相同x和y。减小窗口间距可以提高检测精度。然而，这样做会增加计算时间。增加窗口跨步超越[8]会导致更多的漏检。这个属性是可调的。

合并检测控件，指定为真正的或假。此属性控制是否合并类似检测。将此属性设置为真正的使用基于均值移位的算法合并边界框。将此属性设置为假输出未合并的边界框。

要获得合并参数的更大灵活性和控制，可以使用selectStrongestBbox函数代替MergeDetections算法。要做到这一点，请设置MergeDetections财产假。看到从移动的汽车上跟踪行人示例，其中展示了人员检测器和selectStrongestBbox函数。

使用感兴趣区域，指定为真正的或假。将此属性设置为真正的检测输入图像中感兴趣的矩形区域内的物体。