Dans le domaine de la reconnaissance de gestes isolés, bon nombre de travaux se sont intéressés à la réduction de dimension sur l'axe spatial pour réduire à la fois la complexité algorithmique et la variabilité des réalisations gestuelles. Il est assez étonnant de constater que peu de ces méthodes se sont explicitement penchées sur la réduction de dimension sur l'axe temporel. En matière de complexité, la réduction de dimension sur cet axe est un enjeu majeur quant à l'utilisabilité de distances élastiques en complexité quadratique. Par ailleurs, la prise en compte de la variabilité sur cet axe demeure une source avérée de gain de performance. Pour tenter d'apporter un éclairage en matière de réduction de dimension sur l'axe temporel, nous présentons dans cet article une approche basée sur un sous échantillonnage temporel associé à l'exploitation d'un apprentissage automatique à base de noyaux élastiques. Nous montrons expérimentalement, sur deux jeux de données très référencés dans la communauté et très opposés en matière de qualité de capture de mouvement, qu'il est possible de réduire sensiblement le nombre de postures sur les trajectoires temporelles tout en conservant, grâce à des noyaux élastiques, des performances de reconnaissance au niveau de l'état de l'art du domaine. Le gain de complexité obtenu rend une telle approche éligible pour des applications temps-réel.