Les méthodes d'embedding ont connu un succès notable dans la reconnaissance faciale en comparant les caractéristiques faciales dans un espace sémantique latent. Cependant, dans un cadre de visage totalement non contraint, les caractéristiques faciales apprises par le modèle d'embedding peuvent être ambiguës ou même absentes de l'image du visage d'entrée, conduisant à des représentations bruyantes. Nous proposons les Embeddings Faciaux Probabilistes (PFEs), qui représentent chaque image de visage comme une distribution gaussienne dans l'espace latent. La moyenne de la distribution estime les valeurs de caractéristiques les plus probables, tandis que la variance indique l'incertitude sur ces valeurs de caractéristiques. Des solutions probabilistes peuvent alors être naturellement dérivées pour l'appariement et la fusion des PFEs en utilisant les informations d'incertitude. Une évaluation empirique sur différents modèles de base, ensembles de données d'entraînement et benchmarks montre que la méthode proposée peut améliorer les performances de reconnaissance faciale des embeddings déterministes en les convertissant en PFEs. Les incertitudes estimées par les PFEs servent également de bons indicateurs de la précision potentielle d'appariement, ce qui est crucial pour un système de reconnaissance à risque contrôlé.