Les variations drastiques de l'éclairage entre les caméras de surveillance rendent le problème de ré-identification des personnes extrêmement complexe. Les ensembles de données actuels à grande échelle pour la ré-identification comportent un nombre important d'individus d'entraînement, mais manquent de diversité dans les conditions d'éclairage. Par conséquent, un modèle entraîné nécessite un ajustement fin pour être efficace sous une condition d'éclairage inconnue. Pour atténuer ce problème, nous présentons un nouveau jeu de données synthétique qui contient des centaines de conditions d'éclairage. Plus précisément, nous utilisons 100 humains virtuels éclairés par plusieurs cartes environnementales HDR (High Dynamic Range) qui modélisent avec précision les éclairages réalistes en intérieur et en extérieur. Afin d'obtenir une meilleure précision sous des conditions d'éclairage inconnues, nous proposons une nouvelle technique d'adaptation de domaine qui tire parti de nos données synthétiques et effectue l'ajustement fin de manière entièrement non supervisée. Notre approche offre une précision nettement supérieure aux méthodes semi-supervisées et non supervisées les plus avancées, et est très compétitive par rapport aux techniques supervisées.