Diese Arbeit behandelt das rein unsupervisierte Personen-Identifikationsproblem (Re-ID), das keine Annotationen erfordert. Einige frühere Methoden setzen Clustering-Techniken ein, um Pseudolabels zu generieren und diese Labels dann schrittweise zur Trainierung von Re-ID-Modellen zu nutzen. Diese Ansätze sind relativ einfach, aber wirksam. Allerdings betrachten die meisten clustergestützten Methoden jeden einzelnen Cluster als eine Pseudoidentitätsklasse und vernachlässigen dadurch die große innerhalb-ID-Variabilität, die hauptsächlich durch unterschiedliche Kameraperspektiven verursacht wird. Um dieses Problem anzugehen, schlagen wir vor, jeden einzelnen Cluster in mehrere Proxy-Elemente zu zerlegen, wobei jeder Proxy Instanzen aus derselben Kamera repräsentiert. Diese kamerabewussten Proxy-Elemente ermöglichen es uns, die große innerhalb-ID-Variabilität effektiv zu bewältigen und zuverlässigere Pseudolabels für das Lernen zu erzeugen. Auf Basis dieser kamerabewussten Proxy-Elemente entwerfen wir sowohl intra- als auch interkamerabasierte kontrastive Lernkomponenten für unser Re-ID-Modell, um die Fähigkeit zur Identitätsunterscheidung innerhalb und zwischen Kameras effektiv zu lernen. Gleichzeitig wird auch eine proxy-geglichene Sampling-Strategie entwickelt, die unseren Lernprozess weiter verbessert. Umfangreiche Experimente auf drei großen Re-ID-Datensätzen zeigen, dass unser vorgeschlagenes Verfahren die meisten unsupervisierten Methoden deutlich übertrifft. Insbesondere erreichen wir auf dem anspruchsvollen MSMT17-Datensatz eine Verbesserung um $14{,}3\%$14,3% bei Rank-1 und $10{,}2\%$10,2% bei mAP im Vergleich zum zweitbesten Ansatz. Der Quellcode ist unter \texttt{https://github.com/Terminator8758/CAP-master} verfügbar.