Computer vision bertujuan untuk membangun sebuah mesin pandai yang dapat "melihat". Untuk membuat mesin pandai tersebut diperlukan sistem yang dapat mengenali objek. Sekarang ini sedang berkembang pengenalan objek secara tiga dimensi karena pengenalan objek secara dua dimensi masih memiliki kekurangan. Termasuk didalam pengenalan objek adalah pengenalan wajah. Sistem pengenalan wajah 2 dimensi dapat melakukan kesalahan dalam pengenalan wajah bila terdapat perbedaan level pencahayaan,
ekspresi wajah, pose kepala dan kualitas pengambilan gambar. Sistem ini juga mudah disusupi apabila penyusup memiliki cetakan foto dari wajah pengguna untuk digunakan dalam proses pemindaian Kekurangan-kekurangan tersebut dapat diatasi dengan penggunaan sistem pengenalan wajah secara 3 dimensi, Pada penelitian terdahulu telah dilakukan penelitian mengenai pengenalan wajah 3D menggunakan kamera Tof (Time of Flight), terdapat masalah yaitu sistem tidak dapat digunakan di luar ruang karena terdapat pengaruh cahaya. Untuk mengatasi masalah dapat digunakan kamera komersial bias a, yang dapat dipakai diluar ruang yaitu kamera DSLR (Digital Single-Lens Reflex). Dengan penggunaan kamera DSLR mengakibatkan metode yang dipakaipun menjadi berbedasalah satu metodenya yaitu metode pendekatan Stereo view Reconstruction Problem.

Sistem pada penelitian ini menggunakan algoritma Direct Linear Transformation untuk mendapatkan titik-titik tiga dimensi dari titik-titik dua dimensi dua dimensi dengan memanfaatkan dua buah kamera yang telah terkalibrasi. Titik-titik tiga dimensi tersebut akan digunakan oleh sistem dalam melakukan proses pengenalan wajah dengan menggunakan neural network. Sistem dibangun dengan menggunakan bahasa pemograman C# dan menggunakan -IDE Visual Studio Community 2017 serta dirancang khusus bagi pengguna Windows. Pengujian aplikasi dilakukan dengan mengambil sepuluh orang dengan masing-masing sepuluh wajah sehingga didapatkan total seratus wajah, dimana delapan wajah dari sepuluh digunakan sebagai data pelatihan dan dua wajah dari sepuluh digunakan sebagai data pengujian. Hasil uji coba neural network menghasilkan data akurasi sebesar 95% dengan hidden node sebanyak 20 dan learning rate sebesar 0.005 serta memiliki hasil persentase FAR (False Acceptance Rate) dan FRR (False Rejection Rate) sebesar 5% dengan kecepatan rata-rata pengenalan wajah sebesar 15.374 milisecond.