Die Erzeugung eines hochdimensionalen Merkmalvektors (z. B. 100.000 Dimensionen) für die Gesichtserkennung erscheint nicht sinnvoll, da dies erhebliche Herausforderungen bei nachfolgenden Trainingsprozessen, Berechnungen und Speicherung mit sich bringt. Dies hemmt die weitere Erforschung der Nutzung hochdimensionaler Merkmale. In diesem Paper untersuchen wir die Leistungsfähigkeit hochdimensionaler Merkmale. Zunächst zeigen wir empirisch, dass hohe Dimensionalität entscheidend für hohe Erkennungsleistung ist. Ein 100.000-dimensionaler Merkmalvektor, basierend auf einem einheitlichen Lokalen Binären Muster-(LBP)-Deskriptor, erreicht signifikante Verbesserungen gegenüber sowohl seiner niedrigdimensionalen Variante als auch gegenwärtigen Stand der Technik. Zudem machen wir hochdimensionale Merkmale praktikabel. Mit unserem vorgeschlagenen sparsamen Projektionsverfahren, namens rotierte sparsame Regression, lassen sich sowohl die Berechnungskosten als auch der Modellspeicherplatz um mehr als das 100-Fache reduzieren, ohne die Genauigkeit zu beeinträchtigen.