L'identification des individus à partir de leurs séquences de marche, connue sous le nom de reconnaissance de la démarche (gait recognition), est une tâche d'analyse biométrique utile car elle peut être observée à distance et ne nécessite pas la coopération du sujet. Deux modalités couramment utilisées pour représenter la séquence de marche d'une personne sont les silhouettes et les squelettes articulaires. Les séquences de silhouettes, qui enregistrent les contours de la personne en marche dans chaque image, peuvent souffrir des variations d'apparence dues aux objets transportés et aux vêtements de la personne. Les détections articulaires par image sont bruyantes et introduisent des saccades qui ne sont pas cohérentes avec les détections séquentielles. Dans cet article, nous combinons les silhouettes et les squelettes, et affinons les prédictions articulaires par image pour la reconnaissance de la démarche. En utilisant l'information temporelle issue des séquences de silhouettes, nous montrons que les squelettes affinés peuvent améliorer les performances de reconnaissance de la démarche sans nécessiter d'annotations supplémentaires. Nous comparons nos méthodes sur quatre jeux de données publics, CASIA-B, OUMVLP, Gait3D et GREW, et montrons des performances à l'état de l'art.