Dans cette étude, nous formulons la tâche de détection d'anomalies vidéo comme une analyse probabiliste des boîtes englobantes d'objets. Nous supposons que la représentation des objets uniquement par leurs boîtes englobantes peut être suffisante pour identifier avec succès les événements anormaux dans une scène. La valeur implicite de cette approche est une augmentation de l'anonymisation des objets, une formation du modèle plus rapide et un moindre usage de ressources computationnelles. Cela peut particulièrement bénéficier aux applications de vidéosurveillance fonctionnant sur des appareils périphériques tels que des caméras. Notre modèle est conçu en s'appuyant sur le raisonnement humain, ce qui facilite l'explication des résultats du modèle en termes compréhensibles pour les humains. Parallèlement, le modèle le plus lent se forme en moins de 7 secondes sur un processeur Intel Core i9 de 11e génération. Bien que notre approche représente une réduction drastique de l'espace des caractéristiques du problème par rapport aux travaux antérieurs, nous montrons que cela ne se traduit pas par une diminution des performances : les résultats que nous rapportons sont très compétitifs sur les jeux de données de référence CUHK Avenue et ShanghaiTech, et dépassent considérablement les derniers résultats d'état de l'art sur StreetScene, qui s'est jusqu'à présent avéré être le jeu de données VAD (Video Anomaly Detection) le plus difficile.