La mayoría de los métodos de reidentificación de personas supervisados muestran un excelente rendimiento, pero el uso de conjuntos de datos etiquetados es muy costoso, lo que limita su aplicación en escenarios prácticos. Para resolver el problema de escalabilidad, proponemos un marco de Aprendizaje de Características Borradas entre Cámaras (CEFL) para la reidentificación de personas no supervisada que aprende características discriminativas de las apariencias de imagen sin anotaciones manuales, donde se exploran tanto la apariencia global entre cámaras como los detalles locales. Específicamente, para la apariencia global, con el fin de cerrar la brecha entre imágenes con las mismas identidades bajo diferentes cámaras, generamos imágenes transferidas de estilo. La red se entrena para clasificar las imágenes originales, las imágenes transferidas de estilo y las muestras negativas. Para aprender los detalles parciales de las imágenes, generamos imágenes borradas y entrenamos a la red para juntar las imágenes borradas similares y alejar las que son diferentes. Además, aprendemos conjuntamente la información global y local discriminativa para obtener un modelo más robusto. Las características globales y borradas se utilizan juntas en el aprendizaje de características, que son una conjunción exitosa de BFENet. Un gran número de experimentos muestran la superioridad de CEFL en la reidentificación de peatones no supervisada.