La création d’un vecteur de caractéristiques à haute dimension (par exemple, 100 000 dimensions) pour la reconnaissance faciale ne semble pas judicieuse, car elle engendre des difficultés importantes en matière d’entraînement ultérieur, de calcul et de stockage. Ce handicap freine toute exploration ultérieure de l’utilisation de caractéristiques à haute dimension. Dans cet article, nous étudions la performance d’un tel vecteur à haute dimension. Nous montrons d’abord expérimentalement que la haute dimensionnalité est essentielle pour atteindre de hauts niveaux de performance. Un vecteur de 100 000 dimensions, basé sur un descripteur unique de type Pattern Binaire Local (LBP), permet d’obtenir des améliorations significatives par rapport à sa version à faible dimension ainsi qu’aux méthodes de pointe actuelles. Nous rendons également ce vecteur à haute dimension pratique. Grâce à la méthode de projection creuse que nous proposons, nommée régression creuse rotative, nous parvenons à réduire à la fois le coût computationnel et l’espace de stockage du modèle de plus de 100 fois, sans compromettre la qualité de précision.