L'estimation des étiquettes est un élément crucial dans un système de réidentification de personnes non supervisé (re-ID). Cet article se concentre sur l'estimation des étiquettes inter-caméras, qui peut ensuite être utilisée pour l'apprentissage de caractéristiques afin d'élaborer des modèles de réidentification robustes. Plus précisément, nous proposons de construire un graphe pour les échantillons de chaque caméra, puis d'introduire un schéma de correspondance de graphes pour l'association des étiquettes inter-caméras. Bien que les étiquettes directement produites par les méthodes actuelles de correspondance de graphes puissent être bruyantes et inexactes en raison des variations importantes entre les caméras, cet article présente une méthode de correspondance de graphes dynamique (DGM). La DGM met à jour itérativement le graphe d'images et le processus d'estimation des étiquettes en apprenant un meilleur espace de caractéristiques avec les étiquettes estimées intermédiaires. La DGM présente deux avantages : 1) la précision des étiquettes estimées s'améliore considérablement au fil des itérations ; 2) la DGM est robuste aux données d'entraînement initiales bruyantes. De nombreuses expériences menées sur trois benchmarks, dont le grand ensemble de données MARS, montrent que la DGM offre une performance compétitive par rapport aux méthodes entièrement supervisées et surpasse les méthodes concurrentes d'apprentissage non supervisé.