Die Label-Schätzung ist ein wichtiger Bestandteil eines unüberwachten Person-Re-Identification-Systems (Re-ID). In dieser Arbeit wird sich auf die Label-Schätzung über mehrere Kameras konzentriert, die anschließend im Feature-Lernen verwendet werden kann, um robuste Re-ID-Modelle zu trainieren. Insbesondere schlagen wir vor, für die Proben jeder Kamera einen Graphen zu erstellen und dann ein Verfahren zur Graph-Matching für die Zuordnung der Labels über mehrere Kameras einzuführen. Da die direkt von bestehenden Graph-Matching-Methoden ausgegebenen Labels aufgrund erheblicher Unterschiede zwischen den Kameras rauschig und ungenau sein können, präsentiert diese Arbeit eine dynamische Graph-Matching-Methode (DGM). DGM aktualisiert iterativ den Bildgraphen und den Prozess der Label-Schätzung, indem es einen besseren Feature-Raum mit den zwischenzeitlich geschätzten Labels lernt. DGM hat zwei Vorteile: 1) Die Genauigkeit der geschätzten Labels verbessert sich erheblich durch die Iterationen; 2) DGM ist gegenüber verrauschten Anfangstrainingsdaten robust. Umfangreiche Experimente auf drei Benchmarks, einschließlich des groß angelegten MARS-Datensatzes, zeigen, dass DGM eine wettbewerbsfähige Leistung gegenüber vollständig überwachten Baselines bietet und unsupervisierte Lernmethoden übertrifft.