Malgré les progrès significatifs réalisés au cours des vingt-cinq dernières années, la vérification faciale non contrainte reste un problème complexe. Cet article propose une approche qui associe une méthode basée sur un réseau neuronal convolutif profond (CNN) à un plongement discriminatif de faible dimension appris à l'aide de contraintes de probabilité de triplets pour résoudre le problème de vérification faciale non contrainte. Outre les améliorations des performances, ce plongement offre des avantages considérables en termes de mémoire et pour les opérations de post-traitement telles que le regroupement spécifique à chaque sujet. Les expériences menées sur l'ensemble de données IJB-A, connu pour sa difficulté, montrent que l'algorithme proposé performe aussi bien ou mieux que les méthodes d'avant-garde en matière de métriques de vérification et d'identification, tout en nécessitant beaucoup moins de données d'entraînement et de temps d'entraînement. La supériorité des performances du modèle proposé sur l'ensemble de données CFP démontre que la représentation apprise par notre CNN profond est robuste aux variations extrêmes de pose. De plus, nous montrons la robustesse des caractéristiques profondes face aux défis tels que l'âge, la pose, le flou et le désordre en effectuant des expériences simples de regroupement sur les ensembles de données IJB-A et LFW.