分类模型名称，指定为“UprightPeople_128x64”或“UprightPeople_96x48”．像素维数表示用于训练的图像大小。

用于训练模型的图像包括人周围的背景像素。因此，被检测人的实际尺寸小于训练图像的尺寸。

人的分类阈值，指定为非负标量值。在多尺度检测中，利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分类为一个人。当有很多错误检测时，可以增加这个值。阈值越高，对分类的要求越严格。改变阈值范围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，以像素为单位指定为双元素向量，[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，将该属性设置为大于用于训练分类模型的图像大小的值。当您不指定此属性时，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双元素向量，[高度宽度］.将此属性设置为包含人员的最大区域。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的大小。此属性是可调的。

多尺度对象检测缩放，指定值大于1.0001．尺度因子递增地缩放之间的检测分辨率MinSize和最大尺寸．你可以使用以下方法将比例系数设置为一个理想值:

以像素为单位的检测窗口步幅，指定为标量或双元素向量，[xy］.检测器使用窗口步幅来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x和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和y．减小窗幅可以提高检测精度。然而，这样做会增加计算时间。加大窗户的跨度[8]可能导致更多的漏检。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多灵活性和控制，可以使用selectStrongestBbox函数代替MergeDetections算法。要做到这一点，设置MergeDetections财产假．看到从行驶中的汽车中追踪行人示例，它展示了人员检测器和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检测输入图像中感兴趣的矩形区域内的目标。