Le coût élevé de l’annotation intensive et la richesse des données non étiquetées présentes dans les vidéos nous ont motivés à proposer une méthode non supervisée de ré-identification de personnes basée sur les vidéos. Nous partons de deux hypothèses : 1) des trajectoires vidéo différentes contiennent généralement des personnes différentes, étant donné qu’elles sont capturées à des endroits distincts ou avec des intervalles longs ; 2) à l’intérieur de chaque trajectoire, les images proviennent principalement de la même personne. Sur la base de ces hypothèses, cette étude propose une approche progressive d’amélioration de métrique afin d’estimer les identités des trajectoires d’entraînement, itérant entre l’association de trajectoires croisant les caméras et l’apprentissage de caractéristiques. Plus précisément, nous utilisons chaque trajectoire d’entraînement comme requête et effectuons une recherche dans l’ensemble d’entraînement à travers les caméras. Notre méthode repose sur une recherche par plus proches voisins réciproques, permettant d’éliminer les mauvaises correspondances de labels négatifs difficiles, c’est-à-dire les voisins les plus proches croisant les caméras des faux correspondants présents dans la liste initiale de rang. Une trajectoire qui réussit le test des plus proches voisins réciproques est considérée comme ayant la même identité que la requête. Les résultats expérimentaux sur les jeux de données PRID 2011, ILIDS-VID et MARS montrent que la méthode proposée atteint une précision de ré-identification très compétitive par rapport à ses homologues supervisées.