分类模型的名称，指定为“UprightPeople_128x64”或“UprightPeople_96x48”。像素维度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。

人员分类阈值，指定为一个非负标量值。在多尺度检测中，利用该阈值控制图像子区域的分类。阈值控制是否将子区域分类为person。当存在许多错误检测时，可以增加此值。阈值越高，分类的要求就越严格。在一定范围内改变阈值以找到数据集的最佳值。典型值的范围为0来4。

可调:是的

包含一个人，以像素为单位指定作为两元件矢量最小区域，[高度宽度]。将此属性设置为包含人的最小尺寸的区域。设置此属性可以减少计算时间。要做到这一点，该属性设置为用于训练分类模型的图像大小的值。如果不指定此属性，探测器将其设置为用于训练分类模型的图像尺寸。

可调:是的

包含人的最大区域，以像素为双元素向量，[高度宽度]。将此属性设置为包含人员的最大区域。设置此属性可以减少计算时间。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。

多尺度对象检测尺度，指定为大于的值1.0001。尺度因子递增地将检测分辨率在之间缩放MINSIZE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:

检测窗口步长，以像素为单位，指定为标量或双元素向量，[xy]。检测器使用窗口跨步来在图像上滑动检测窗口。将该值指定为向量时，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，两者的跨径是相同的x和y。减少窗口步幅可以提高检测精度。但是，这样做增加了计算时间。增加窗口大步超越[8 8]会导致更多的漏检。此属性是可调的。

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。将此属性设置为假以输出未合并的边框。

对于合并参数的更灵活和控制，可以使用selectStrongestBbox代替的函数MergeDetections算法。为此，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检测感兴趣的矩形区域内的目标。