分类模型名称，指定为“正直的人”_128x64“或“正直的人民”．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，检测到的人的实际大小小于训练图像的大小。

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到4.．

可调：对

包含人的最小区域，以像素为单位指定为两元素向量[身高宽度]。将此属性设置为包含人员的最小大小区域。设置此属性时，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。如果未指定此属性，检测器会将其设置为用于训练分类模型的图像大小。

可调：对

包含人的最大区域，以像素为单位指定为两个元素向量[身高宽度]。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。如果未指定此属性，检测器将其设置为输入图像大小。此属性可调。

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米西和最大尺寸。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跨步，指定为标量或两元素向量[xY]。检测器使用窗口跨步在图像上滑动检测窗口。将此值指定为向量时，第一个和第二个元素是中的步幅大小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. 减小窗口步长可以提高检测精度。但是，这样做会增加计算时间。增加窗口跨距[8 8]可能导致更多的漏检。此属性是可调的。

合并检测控制，指定为真正的或错误的．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偏移的算法合并边界框。将此属性设置为错误的输出未合并的边界框。

要获得更大的灵活性和对合并参数的控制，可以使用选择strongestbbox函数代替MergeDetections算法。为此，请设置MergeDetections财产错误的. 见从行驶中的汽车中追踪行人示例，其中显示了人员检测器和选择strongestbbox作用

使用感兴趣的区域，指定为真正的或错误的．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对象。