Имя классификационной модели, заданное как 'UprightPeople_128x64' или 'UprightPeople_96x48'. Размерности пикселей указывают размер изображения, используемого для обучения.

Изображения, используемые для обучения моделей, включают пиксели фона вокруг человека. Поэтому фактический размер обнаруженного человека меньше, чем размер обучающего изображения.

Порог классификации людей, заданный как неотрицательное скалярное значение. Используйте этот порог для управления классификацией отдельных субрегионов изображений во время многомасштабного обнаружения. Порог определяет, будет ли субрегион классифицирован как человек. Вы можете увеличить это значение, когда существует много ложных обнаружений. Чем выше пороговое значение, тем строже требования к классификации. Измените порог в области значений значений, чтобы найти оптимальное значение для вашего набора данных. Типичные значения варьируются от 0 на 4.

Настраиваемый: Да

Самая маленькая область, содержащая человека, заданная в пикселях как двухэлементный вектор, [height width]. Установите это свойство в область минимального размера, содержащую пользователя. Вы можете уменьшить время расчета, когда вы задаете это свойство. Для этого установите это свойство на значение, больше, чем размер изображения, используемого для обучения классификационной модели. Когда вы не задаете это свойство, детектор устанавливает его на размер изображения, используемого для обучения классификационной модели.

Настраиваемый: Да

Самая большая область, которая содержит человека, заданная в пикселях как двухэлементный вектор, [height width]. Установите это свойство в самую большую область, содержащую человека. Вы можете уменьшить время расчета, когда вы задаете это свойство. Для этого установите это свойство на значение, меньше, чем размер входного изображения. Когда вы не задаете это свойство, детектор устанавливает его на размер входного изображения. Это свойство настраивается.

Многомасштабное масштабирование обнаружения объектов, заданное как значение, больше 1.0001. Коэффициент шкалы постепенно масштабирует разрешение обнаружения между MinSize и MaxSize. Установить коэффициент шкалы на идеальное значение можно используя:

size(I)/(size(I) - 0.5)

Объект вычисляет разрешение обнаружения при каждом шаге. В этом случае TrainingSize [128 64] для 'UprightPeople_128x64' модель и [96 48] для 'UprightPeople_96x48' модель. N - шаг. Уменьшение коэффициента шкалы может увеличить точность обнаружения. Однако это увеличивает время расчета. Это свойство настраивается.

Шаг окна обнаружения в пикселях, заданный как скаляр или двухэлементный вектор, [x y]. Детектор использует стрид окна, чтобы сдвинуть окно обнаружения поперек изображения. Когда вы задаете это значение как вектор, первый и второй элементы являются размером шага в x и y направлениях. Когда вы задаете это значение как скаляр, stride является тем же самым для x и y. Уменьшение шага окна может увеличить точность обнаружения. Однако это увеличивает время расчетов. Увеличение шага окна за пределы [8 8] может привести к большему количеству пропущенных обнаружений. Это свойство настраивается.

Управление обнаружением слияний, заданное как true или false. Это свойство контролирует, объединяются ли подобные обнаружения. Установите это свойство на true объединить ограничительные рамки с помощью алгоритма, основанного на среднем сдвиге. Установите это свойство на false для вывода неограниченных рамок.

Для большей гибкости и управления параметрами слияния можно использовать selectStrongestBbox функция вместо MergeDetections алгоритм. Для этого установите MergeDetections свойство к false. Смотрите пример Отслеживания Пешеходов из Движущегося Автомобиля, который показывает использование детектора людей и selectStrongestBbox функция.

Используйте необходимую область, заданную как true или false. Установите это свойство на true обнаружение объектов в прямоугольной необходимой области в вход изображении.