Los sistemas de monitoreo automatizados se han vuelto cada vez más importantes para las instituciones zoológicas en el estudio del comportamiento de sus animales. Un paso de procesamiento crucial para dicho sistema es la reidentificación de individuos al utilizar múltiples cámaras. Los enfoques de aprendizaje profundo se han convertido en la metodología estándar para esta tarea. Especialmente los métodos basados en video prometen lograr un buen rendimiento en la reidentificación, ya que pueden aprovechar el movimiento de un animal como una característica adicional. Esto es especialmente importante para aplicaciones en zoológicos, donde se deben superar desafíos específicos como las condiciones de iluminación cambiantes, las oclusiones o las bajas resoluciones de imagen. Sin embargo, se necesitan grandes cantidades de datos etiquetados para entrenar un modelo de aprendizaje profundo. Proporcionamos un conjunto de datos extensamente anotado que incluye 13 osos polares individuales mostrados en 1431 secuencias, lo que equivale a 138,363 imágenes. Es el primer conjunto de datos de reidentificación basado en video para una especie no humana hasta la fecha. A diferencia de los conjuntos de datos de reidentificación de referencia típicos para humanos, los osos polares fueron filmados en una variedad de poses y condiciones de iluminación no restringidas. Además, se entrena y prueba un enfoque de reidentificación basado en video en este conjunto de datos. Los resultados muestran que los animales pueden ser identificados con una precisión de rango 1 del 96.6%. De este modo, demostramos que el movimiento de los animales individuales es una característica distintiva y puede ser utilizado para la reidentificación.