Die Identifizierung von Menschen durch ihre Gangabläufe, auch als Gangmustererkennung (gait recognition) bekannt, ist eine nützliche biometrische Aufgabe, da sie aus großer Entfernung beobachtet werden kann und keine Zusammenarbeit des Objekts erforderlich ist. Zwei gängige Modalitäten zur Darstellung der Gangabfolge einer Person sind Silhouetten und Skelette. Silhouettensequenzen, die den Rand der gehenden Person in jedem Bild aufzeichnen, können aufgrund variabler Erscheinungen durch mitgetragene Gegenstände und Kleidung beeinträchtigt werden. Rahmengeweise Gelenkerkennungen sind rauschig und führen zu einigen Schwankungen, die nicht konsistent mit sequentiellen Erkennungen sind. In dieser Arbeit kombinieren wir Silhouetten und Skelette und verfeinern die rahmengeweisen Gelenkvorhersagen für die Gangmustererkennung. Mit zeitlicher Information aus den Silhouettensequenzen zeigen wir, dass die verfeinerten Skelette die Leistung der Gangmustererkennung verbessern können, ohne zusätzliche Annotationen zu benötigen. Wir vergleichen unsere Methoden anhand vier öffentlicher Datensätze: CASIA-B, OUMVLP, Gait3D und GREW, und demonstrieren dabei den aktuellen Stand der Technik (state-of-the-art performance).