La détection d'anomalies dans les vidéos est un problème mal posé car elle repose sur de nombreux paramètres tels que l'apparence, la posture, l'angle de la caméra, le fond, et d'autres. Nous réduisons ce problème à la détection d'anomalies de la posture humaine, ce qui diminue le risque que des paramètres parasites comme l'apparence n'affectent le résultat. Se concentrer uniquement sur la posture a également pour avantage secondaire de réduire les biais contre les groupes minoritaires distincts. Notre modèle travaille directement sur des séquences de graphes de posture humaine et est exceptionnellement léger (environ 1 000 paramètres), capable de fonctionner sur n'importe quelle machine pouvant exécuter l'estimation de la posture avec des ressources supplémentaires négligeables. Nous exploitons une représentation très compacte de la posture dans un cadre de flux normalisants, que nous étendons pour aborder les caractéristiques uniques des données de posture spatio-temporelle et montrons ses avantages dans ce cas d'utilisation. L'algorithme est assez général et peut traiter des données d'entraînement composées uniquement d'exemples normaux ainsi qu'un cadre supervisé comprenant des exemples normaux et anormaux étiquetés. Nous rapportons des résultats à l'état de l'art sur deux benchmarks de détection d'anomalies : le jeu de données ShanghaiTech non supervisé et le récent jeu de données UBnormal supervisé.