Este artículo describe y analiza la nueva técnica de extracción de características, Descriptor Local Aleatorio (RLD), que se utiliza para el Clasificador Neural de Codificación de Permutación (PCNC), y la compara con la extracción de características basada en Patrón Binario Local (LBP). El documento presenta un modelo de detección de características faciales utilizando descriptores locales, y describe una mejora en el PCNC para el reconocimiento de imágenes faciales rotadas en plano y desplazadas pequeñas, aplicadas a tres bases de datos, es decir, ORL, FRAV3D y FEI. Se describen todas las bases de datos junto con los resultados de reconocimiento obtenidos. También incluimos una comparación de nuestro clasificador con la Máquina de Vectores de Soporte (SVM) y Punto más Cercano Iterativo (ICP). La base de datos ORL fue seleccionada para comparar nuestros RLDs con algoritmos basados en LBP. El PCNC con los RLDs demostró la mejor tasa de reconocimiento, es decir, 97,49%, en comparación con el 90,49% para LBPs. Para la base de datos de imágenes FEI, obtuvimos la mejor tasa de reconocimiento, es decir, 93,57%, en comparación con el 66,74% para LBPs. Utilizando los RLDs y rotando las imágenes originales para FRAV3D, mejoramos la tasa de reconocimiento al disminuir aproximadamente a la mitad el número de errores. Además, analizamos la influencia de diferentes parámetros RLD en la calidad del reconocimiento facial.