尽管行人重识别（ReID）的性能已显著提升，但在实际场景中仍有许多具有挑战性的问题尚未得到充分研究，例如复杂的场景和光照变化、视角和姿态的变化以及摄像机网络中的大量身份。为促进解决这些问题的研究，本文贡献了一个名为MSMT17的新数据集，该数据集具有许多重要特征：1）原始视频由部署在室内和室外场景中的15个摄像机网络拍摄；2）视频覆盖了较长的时间段，并展示了复杂的光照变化；3）它目前包含最多数量的标注身份，即4,101个身份和126,441个边界框。我们还观察到，不同数据集之间普遍存在域差距，这本质上导致了在不同数据集上训练和测试时性能的严重下降。这使得可用的训练数据无法有效用于新的测试域。为了减轻标注新训练样本的高昂成本，我们提出了一种行人迁移生成对抗网络（PTGAN），以弥合域差距。全面的实验表明，通过PTGAN可以显著缩小域差距。