La réidentification de personnes (reID) est une tâche importante qui consiste à retrouver les images d'une personne dans un ensemble d'images, à partir d'une seule image de la personne recherchée. Pour apprendre des caractéristiques de personne robustes, la variation de posture des images de personnes constitue l'un des principaux défis. Les travaux existants visant à résoudre ce problème procèdent soit par l'alignement des humains, soit par l'apprentissage de représentations basées sur les régions humaines. Ces méthodes nécessitent généralement des informations supplémentaires sur la posture et un coût computationnel supplémentaire pour l'inférence. Afin de surmonter cette difficulté, un réseau génératif adversarial à distillation de caractéristiques (FD-GAN) est proposé pour apprendre des représentations liées à l'identité mais non liées à la posture. Il s'agit d'un cadre novateur basé sur une structure Siamese avec plusieurs discriminants innovants sur les postures et les identités humaines. En plus des discriminants, une nouvelle perte de même-posture est également intégrée, exigeant que l'apparence des images générées d'une même personne soit similaire. Après avoir appris les caractéristiques de personne non liées à la posture avec une guidance posturale, aucune information auxiliaire sur la posture ni coût computationnel supplémentaire n'est nécessaire lors du test. Notre FD-GAN proposé atteint des performances de pointe sur trois ensembles de données de réidentification de personnes, démontrant ainsi l'efficacité et la capacité robuste de distillation de caractéristiques du FD-GAN proposé.