Video-basierte Person-Identifizierung (Re-ID) ist eine anspruchsvolle Aufgabe, die darauf abzielt, Personen über verschiedene Kameras hinweg anhand von Videosequenzen zu matchen. Während die meisten bestehenden Re-ID-Techniken ausschließlich auf Erscheinungsbildinformationen setzen, könnten zusätzliche gait-basierte Merkmale die Leistung von Person-Re-ID-Systemen potenziell verbessern. In dieser Studie stellen wir GAF-Net vor, einen neuartigen Ansatz, der Erscheinungsbild- und Gangmerkmale integriert, um Personen zu re-identifizieren. Die Erscheinungsbildmerkmale werden aus RGB-Tracklets extrahiert, während die Gangmerkmale aus Skelett-Pose-Schätzungen gewonnen werden. Diese Merkmale werden anschließend zu einem einzigen Merkmalvektor kombiniert, der die Re-Identifizierung von Personen ermöglicht. Unsere numerischen Experimente auf dem iLIDS-Vid-Datensatz belegen die Wirksamkeit von Skelett-Gangmerkmalen bei der Verbesserung der Leistung von Person-Re-ID-Systemen. Darüber hinaus erhöhen wir durch die Integration des state-of-the-art-PiT-Netzwerks in den GAF-Net-Framework sowohl die Rank-1- als auch die Rank-5-Genauigkeit um jeweils einen Prozentpunkt.