La re-identificación de peatones es un campo importante debido a sus aplicaciones en seguridad y protección. La mayoría de las soluciones actuales para este problema utilizan extracción de características basada en CNN y asumen que solo se pueden reconocer las identidades que están en los datos de entrenamiento. Por un lado, los peatones en los datos de entrenamiento se llaman In-Distribution (ID). Por otro lado, en escenarios del mundo real, pueden aparecer nuevos peatones y objetos en la escena, y el modelo debería detectarlos como Out-Of-Distribution (OOD). En nuestro estudio anterior, propusimos una re-identificación de peatones basada en la distribución von Mises-Fisher (vMF). Cada identidad se incrusta en la esfera unitaria como una distribución vMF compacta alejada de otras distribuciones de identidad. Recientemente, se propuso un marco llamado Virtual Outlier Synthetic (VOS), que detecta OOD basándose en la síntesis de outliers virtuales en el espacio de incrustación de manera online. Su enfoque asume que las muestras del mismo objeto se mapean a un espacio compacto, lo que se alinea con el enfoque basado en vMF. Por lo tanto, en este artículo, revisamos el enfoque vMF y lo fusionamos con VOS para detectar puntos de datos OOD. Los resultados de los experimentos mostraron que nuestro marco fue capaz de detectar nuevos peatones que no existen en los datos de entrenamiento en la fase de inferencia. Además, este marco mejoró el rendimiento de re-identificación y tiene un potencial significativo en escenarios del mundo real.