Die Schrittanerkennung ist eine vielversprechende videobasierte Biometrie zur Identifizierung individueller Gangmuster aus großer Entfernung. Derzeit verwenden die meisten Verfahren für die Schrittanerkennung Silhouettebilder, um eine Person in jedem Bildausschnitt darzustellen. Allerdings können Silhouettebilder detaillierte räumliche Informationen verlieren, und die meisten Publikationen behandeln nicht, wie diese Silhouette in komplexen Szenarien gewonnen werden können. Zudem enthalten Silhouettebilder nicht nur Gangmerkmale, sondern auch andere visuelle Hinweise, die erkannt werden können. Daher können diese Ansätze nicht als strenge Schrittanerkennung betrachtet werden.Wir nutzen die jüngsten Fortschritte im Bereich der menschlichen Poseestimation, um robuste Skelettposen direkt aus RGB-Bildern zu schätzen und damit eine modellbasierte Schrittanerkennung mit einer saubereren Darstellung des Ganges wieder einzuführen. Dazu schlagen wir GaitGraph vor, das Skelettposen mit einem Graph Convolutional Network (GCN) kombiniert, um einen modernen modellbasierten Ansatz für die Schrittanerkennung zu entwickeln. Die Hauptvorteile sind eine saubere und elegantere Extraktion der Gangmerkmale sowie die Möglichkeit, mithilfe von GCN leistungsstarke räumlich-zeitliche Modellierungen zu integrieren. Experimente mit dem bekannten CASIA-B-Gangdatensatz zeigen, dass unsere Methode den aktuellen Stand der Technik in der modellbasierten Schrittanerkennung erreicht.Der Code und die Modelle sind öffentlich zugänglich.