La reidentificación de personas (ReID) juega un papel crucial en la videovigilancia con el objetivo de buscar a una persona específica a través de cámaras disjuntas, y ha progresado notablemente en los últimos años. Sin embargo, las cámaras visibles pueden no ser capaces de grabar suficiente información sobre la apariencia del peatón bajo condiciones de iluminación baja. Por el contrario, las imágenes térmicas infrarrojas pueden mitigar significativamente este problema. Con este fin, combinar imágenes visibles con imágenes infrarrojas es una tendencia natural, y son modalidades considerablemente heterogéneas. Algunos intentos recientes se han dedicado a la reidentificación de personas visible-infrarrojo (VI-ReID). Este documento proporciona una visión completa de los enfoques actuales de VI-ReID que emplean algoritmos de aprendizaje profundo. Para alinearse con los escenarios de aplicación práctica, primero proponemos un nuevo entorno de pruebas y evaluamos sistemáticamente los métodos de vanguardia basados en nuestro nuevo entorno. Luego, comparamos ReID con VI-ReID en tres aspectos, incluyendo composición de datos, desafíos y rendimiento. Según el resumen del trabajo previo, clasificamos los métodos existentes en dos categorías. Además, detallamos los conjuntos de datos y métricas frecuentemente utilizados para la evaluación del rendimiento. Ofrecemos ideas sobre el desarrollo histórico y concluimos las limitaciones de los métodos listos para usar. Finalmente, discutimos las direcciones futuras de VI-ReID que la comunidad debería abordar más a fondo.