1.基于场景属性驱动和时空域显著性的异常行为分析方法，其特征在于：包括以下步骤：

步骤一：将典型社会场景中的前景目标和背景目标分别设为主体目标和客体目标，然后基于典型社会场景中主体目标和客体目标的分类和标注结果，分析出主体目标和客体目标之间的类别匹配关系，得出类别匹配度，然后基于类别匹配度构建主客体静态动势响应字典对典型社会场景静态动势进行评估，得到主客体静态动势响应模型；

步骤二：根据典型社会场景中的前景目标特征描述的缺陷，然后对主体目标自身纹理结构信息、各主体间纹理结构差异信息的表观状态属性进行特征挖掘，然后与主客体静态动势响应模型进行结合，得到主体表观显著性模型，对场景主体的表观显著性特征进行表达；

步骤三：在主客体静态动势响应模型基础上，挖掘全局场景特性之间的关联信息，以主客体静态动势响应模型挖掘的结果作为信息输入，然后联合卷积神经网络模型和递归神经网络模型，构建面向全局场景的动态特征提取模型进行提取全局场景动态特征；

步骤四：从主体轨迹时空域特征和主体轨迹形状特征两方面进行提取特征，然后设计构建主体运动显著性模型；

步骤五：结合步骤三中的面向全局场景的动态特征提取模型和步骤四中的主体动态显著性模型，对主体目标进行持续性的检查和跟踪；

步骤六：在主体表观显著性模型和主体运动显著性模型的基础上，分别对空间与和时间域的主体显著性特性建立基于事件响应的场景行为判别模型，然后设计合理的异常决策判别函数对行为状态进行判别；

步骤七：根据行为状态进行判别结果进行基于概率预测的异常状态程度分级处理，在检测到异常行为发生的区域后，针对异常区域的特征响应，建立关于特征显著强弱的异常行为等级判别模型，将主体的表观显著性特征、综合态势匹配度特征和运动显著性特征进行融合，按比率级联建立异常显著性词袋模型，然后在特征编码过程中采用Fisher Vector方法对特征的分布进行合理描述，最后采用条件后验概率预测方法对异常行为的强弱程度进行判别。

2.根据权利要求1所述的基于场景属性驱动和时空域显著性的异常行为分析方法，其特征在于：所述步骤三中递归神经网络模型用于分别对每个主体目标关于全局时序的显著性表观特征进行表达，卷积神经网络模型用于对全局场景中的运动变化特征进行表达。

3.根据权利要求1所述的基于场景属性驱动和时空域显著性的异常行为分析方法，其特征在于：所述步骤四中从主体轨迹时空域特征方面进行特征提取时，先利用光流场运动目标检测算法对视频中主体区域的密集采样点进行跟踪，形成主体密集采样轨迹集合，然后利用深度卷积网络获取每幅视频图像帧的空域深度卷积特征图，最后结合主体密集采样轨迹集合构建基于主体区域采样轨迹的时空域特征，进而建立全局场景宏观特征和局部主体微观特征之间的关系框架，实现对主体空间特征的自动挖掘。

4.根据权利要求3所述的基于场景属性驱动和时空域显著性的异常行为分析方法，其特征在于：所述步骤四中从主体轨迹形状特征方面进行特征提取时，先构建基于主体密集采样轨迹集合的形状上下文特征分布，利用动态规划算法对两两轨迹间的运动状态差异性判断，然后建立轨迹运动状态差异直方图分布，对外观和速度变化较大的主体轨迹进行特征表达。

5.根据权利要求1所述的基于场景属性驱动和时空域显著性的异常行为分析方法，其特征在于：所述步骤五中对主体目标行为进行持续性的检测与跟踪时，视频场景内容和主体行为状态之间的理解映射需要对两级语义进行解析，具体包括：视频场景内容到主体行为检测之间的特征语义解析和主体行为检测到行为状态理解的逻辑级语义解析。

6.根据权利要求1所述的基于场景属性驱动和时空域显著性的异常行为分析方法，其特征在于：所述步骤六中对行为状态进行判别时，当检测区间的异常度低于门限阈值时，更新正常状态行为模型，检测区域步进一个最小视频立方体单元；当检测区域异常度高于门限阈值时，则认为该区域存在异常行为的发生。