سیستم های تأیید هویت مبتنی بر چهره از جمله سیستم های زیست سنجی هستند که بدلیل نامحسوس بودن و قابلیت های بالا از جایگاه ویژه ای برخوردار هستند و کاربرد آنها در حال افزایش است. یکی از مهم ترین مراحل، در سیستم های تأیید چهره، مرحله استخراج ویژگی است که بر عملکرد سایر قسمت های سیستم های تایید چهره تاثیر بسزایی دارد. از این دیدگاه، سیستم های تائید چهره را می توان به دو دسته عمده تقسیم نمود: استخراج ویژگی های کلی و طبقه بندی بر اساس ویژگی های مستخرج شده کل چهره و استخراج ویژگی های محلی چهره و تصمیم گیری بر مبنای این ویژگی ها. روش های تحلیل محلی چهره، نسبت به تغییرات ظاهری چهره مقاوم تر هستند، زیرا تغییرات محیطی معمولا برروی بخش هایی از توصیف تاثیر می گذارند. اما این روش ها عموما به خطای ثبت تصاویر حساسیت بیشتری دارند. در این پژوهش عملکرد الگوریتم های استخراج ویژگی کلی و محلی چهره برروی تصاویر سطح خاکستری مورد بررسی قرار گرفته است. بدین منظور از الگوریتم های متداول استخراج ویژگی کلی pca ، lda، kpca و gda به انضمام دو الگوریتم دیگر global dct و فیلتر gaborاستفاده شده است. همچنین الگوریتم های استخراج ویژگی محلی الگوی باینری محلی lbp ، که اخیرا بسیار مورد توجه واقع شده است همراه با سه الگوریتم محلی local dct ، local pca و فیلتر gaborمحلی نیز مورد استفاده واقع شده است. در این پژوهش ضمن بررسی عملکرد هریک از این روش های استخراج ویژگی، ادغام الگوریتم های استخراج ویژگی محلی و کلی چهره در دو سطح مختلف ویژگی و تصمیم گیری مورد توجه واقع شده است. آزمایش های انجام شده نشان می دهند که ادغام ویژگی های محلی و کلی چهره در سطح ویژگی بهبود بیشتری در کارکرد سیستم بوجود می آورد و در مقایسه با بهترین طبقه بندی کننده بکارگرفته شده مبتنی بر روش های استخراج ویژگی کلی یا محلی چهره متوسط کل خطا را به میزان 7/37% کاهش می دهد.