1.一种视频监控场景中的行为分析方法，其特征在于，包括以下步骤：第一步、利用TV-L1光流算法计算视频序列中相邻帧之间的光流特征，并对光流特征进行幅度去噪；

第二步、对去噪后的光流特征进行位置和方向的量化，每个光流特征根据其所在的位置和方向映射成一个视觉单词，将视频序列分割成不重叠的若干个视频片段,累积每个视频片段内包含的视觉单词，从而构建成每个视频片段所对应的视频文档；

第三步、利用动态因果主题模型对视频文档建模；

第四步、根据动态因果主题模型的模型参数，计算行为的因果影响力；

第五步、根据行为的因果影响力，对行为进行排序。

2.根据权利要求1所述的一种视频监控场景中的行为分析方法，其特征在于，所述第一步中对光流特征进行幅度去噪具体如下：若光流特征的幅度值小于阈值Thra，则将该光流去除。

3.根据权利要求1所述的一种视频监控场景中的行为分析方法，其特征在于，第三步中所述动态因果主题模型，具体包括：

1.定义主题数K；

2.初始化模型参数α0、β、θt、φk和W；其中，α0＝[α0,k]∈RK表示初始先验参数，其中α0,k表示第k个主题对应的参数；

θt～Dir(αt)表示狄利克雷文档-主题分布，其中，Dir(αt)表示狄利克雷分布，αt表示狄利克雷分布的超参数，θt＝[θt,k]∈RK，θt,k表示t时刻第k个主题的混合概率，RK表示维数为K的实向量；

φk～Dir(β)表示狄利克雷主题-单词分布，其中，Dir(β)表示狄利克雷分布，β表示狄利克雷分布的超参数，φk＝[φk,v]∈RV，φk,v表示对于第k个主题第v个单词的混合概率，RV表示维数为V的实向量；初始化θt和φk，使得 W＝[wm,k]∈RK×K表示因果矩阵，其中wm,k表示第m个主题对第k个主题的因果影响，RK×K表示维度为K×K的实数矩阵，初始化W＝0；

3.对于时刻t的视频文档dt，估计当前时刻的先验参数αt＝[αt,k]∈RKαt＝pt+α0

其中，αt,k表示第k主题对应的超参数，pt＝[pt,k]∈RK表示t时刻的先验主题分布，其中pt,k表示t时刻的第k个主题的先验概率，θt-1,m表示t-1时刻第m个主题的混合概率；

4.采用吉布斯采样算法进行主题的后验概率估计，在条件概率中，将参数θt和φk积分掉，具体如下：其中，zt,i表示单词xt,i对应的主题， 表示zt,i是第k个主题的概率，D表示训练数据集； 表示除过zt,i的所有的主题， 表示与主题zt,i相关的单词xt,i的数目， 表示训练数据集中与第k个主题相关的第v个单词的数目； 表示文档dt中主题zt,i的数目， 表示文档dt中第m主题的数目，αt,m第m主题对应的超参数；

5.更新狄利克雷文档-主题分布θt：

其中：nt,k表示文档dt中第k个主题的数目；

6.重复步骤3-5，直到遍历完所有的视频文档；更新狄利克雷主题-单词分布φk：其中，nk,v表示整个视频序列中与第k个主题相关的第v个单词的数目；

7.更新因果矩阵W：

并对W进行归一化使得其值位于0和1之间；

其中， Skk(f)表示第k个主题对应的自谱矩

阵，Tkm(f)表示第k个和第m个主题对应的傅里叶反变换；∑mm表示第m个主题对应的噪声协方差，∑kk表示第k个主题对应的噪声协方差，Σkm表示第k个和第m个主题对应的噪声互协方差；

8.重复步骤3-7直到采样结束。

4.根据权利要求3所述的一种视频监控场景中的行为分析方法，其特征在于，所述第四步中计算行为的因果影响力，具体如下：基于因果矩阵W，计算第m个主题的影响力Tm，该Tm即为行为的因果影响力：

5.根据权利要求1所述的一种视频监控场景中的行为分析方法，其特征在于，所述第五步中，基于影响力对行为进行排序。