Dans cet article, nous abordons une tâche particulièrement ardue mais cruciale : l'identification à long terme de personnes non supervisée en cas de changement d'habits. Les méthodes existantes d'identification non supervisée de personnes sont principalement conçues pour des scénarios à court terme et s'appuient généralement sur des indices RGB, ce qui les empêche de percevoir des modèles de caractéristiques indépendants des habits. Pour surmonter cette difficulté, nous proposons une méthode d'apprentissage par contraste guidée par la silhouette (SiCL), conçue pour apprendre l'invariance aux changements d'habits en intégrant à la fois les indices RGB et les informations de silhouette dans un cadre d'apprentissage par contraste. Selon nos connaissances, il s'agit du premier cadre spécifiquement adapté à l'identification non supervisée à long terme en cas de changement d'habits (\reid{}), avec des performances supérieures sur six jeux de données de référence. Nous menons des expériences approfondies pour évaluer notre méthode SiCL par rapport aux méthodes d'identification non supervisée de personnes les plus avancées actuellement disponibles, sur l'ensemble des jeux de données représentatifs. Les résultats expérimentaux montrent que notre méthode SiCL surpasse significativement les autres méthodes d'identification non supervisée.