mpeg-4允许用户和呈现内容进行交互。这种交互主要分为两类：客户端本地交互和客户—服务器端交互。客户端本地交互包括内容的操纵，特别是一个场景描述节点属性的改变，如对象位置的改变、使其可见或消失、改变一个合成文本节点的字体大小等，都能够通过激发用户事件而实现。一个用户事件可以是鼠标的点击或键盘命令，以更新场景描述。服务器端交互包含发生在传送终端由用户动作引发的对内容的操纵，它需要一个回传通道。
mpeg-4本地交互的多媒体系统的关键问题是交互式多媒体场景的描述、对象描述符的概念，以及场景描述和基本码流的关联。
一 交互式的场景描述
mpeg-4最大的特点是基于对象，即将媒体元素作为对象来进行单独编码。为了在终端重新构建一个多媒体场景，只传输这些原始的视听数据是不够的，需要额外的信息在接收端来组合这些视听数据，并创建和显示一个有意义的多媒体场景。而场景描述就是用来说明如何根据av对象的时间和空间属性有效地将它们组织起来的，是实现交互性的重中之重。
1. 场景描述的概念
场景描述作为mpeg-4系统规范的一部分，规定了场景中av对象的组织方式，描述了用于传输时空位置的信息格式，这样的信息足以将各个解码重构后的av对象组合和重现。为什么要将场景描述信息与av对象分开呢？这是因为场景描述信息是场景结构的属性而不是单个av对象的属性，因此，它也要单独编码并用单独的流和编码对象一起传输。这对于比特流的编辑和基于对象的mpeg-4的功能实现，以及终端用户对场景修改的参与，即交互性，都是非常重要的。
场景描述的表示称为二进制格式场景(binary format for scenes，bifs)，其是基于vrml的，表示预定义的视听对象和行为及时空关系的集合。bifs的目的就是携带场景描述信息，它首先是一个协议：规定了如何重现mpeg-4对象的场景图，实现对象的动画和交互行为，以及对这些元素的发送加以时序化和同步化；其次，它定义了事件处理、对象组合的节点和运行规则；另外，它还是一种有效的对数据进行重现和发送的压缩工具。
2. 场景描述的特征
a.场景结构
一个场景描述带有一个可以用图表示的层次结构。图节点构成了视听对象，如图1所示。
场景描述采用如图1所示的树状结构，是为了便于增加场景的编辑和交互功能。树的每个叶节点都是一个基本节点，它对应于一个基本流，任何一个子节点(叶子)的父节点都是复合节点，复合节点主要用于场景的编辑和组合。在实际应用中，这种结构并不是静态结构而是动态结构，即用户能够实施添加、删除和改变节点等操作。
b.节点和域
bifs场景描述由节点集合组成，这些节点用来描述场景结构，因此mpeg-4的场景图也可以称为节点图。场景中的一个视听对象用一个或者多个节点描述，它们可能被集合在一起(使用组节点)。mpeg-4主要定义了以下节点类型：
(1)分组节点：创建场景结构。
(2)子节点：组节点的子节点，用来表示场景中的多媒体对象。
(3)可捆绑子节点：一种特殊类型子节点，用来表示一组节点类型，这些节点类型一次只有一个有效，例如3d场景的视点节点(viewpoint)，可以包含多种视点，但一次只有一个视点有效。
(4)内插器节点：子节点的另一种类型，用来表示进行帧动画制作的插入数据。
(5)传感器节点：检测用户的动作和环境的变换以创作交互的场景。
bifs由一个分层树状的节点集组成，每个节点用来表示变换场景中的一个视听对象；节点又由表示节点特性的一组域组成。
节点域有时表示一个值，如球节点的半径域；
