La difficulté fondamentale dans la réidentification de personnes (ReID) réside dans l'apprentissage de la correspondance entre les caméras individuelles. Cette tâche exige des annotations coûteuses entre les caméras, mais les modèles formés ne sont pas garantis pour bien se transférer vers des caméras inconnues jusqu'alors. Ces problèmes limitent considérablement l'application de la ReID. Cet article repense le mécanisme de fonctionnement des approches traditionnelles de ReID et propose une nouvelle solution. Grâce à un opérateur efficace nommé Normalisation par Lot basée sur les Caméras (CBN), nous forçons les données d'images de toutes les caméras à tomber dans le même sous-espace, ce qui réduit considérablement l'écart de distribution entre tout couple de caméras. Cette alignement apporte deux avantages. Premièrement, le modèle formé bénéficie d'une meilleure capacité à généraliser dans des scénarios impliquant des caméras inconnues ainsi qu'à se transférer entre plusieurs ensembles d'entraînement. Deuxièmement, nous pouvons nous appuyer sur les annotations intra-caméra, qui ont été sous-estimées auparavant en raison du manque d'informations trans-caméra, pour atteindre des performances compétitives en ReID. Des expériences menées sur une large gamme de tâches de ReID démontrent l'efficacité de notre approche. Le code est disponible à l'adresse suivante : https://github.com/automan000/Camera-based-Person-ReID.