La visión por computadora busca imitar el sistema visual humano y desempeña un papel esencial en la inteligencia artificial. Se basa en diferentes técnicas de reprocesamiento de señales; por lo tanto, desarrollar técnicas eficientes se vuelve esencial para lograr un procesamiento rápido y confiable. Diversas operaciones de preprocesamiento de señales se han utilizado para la visión por computadora, incluyendo técnicas de suavizado, análisis de señales, redimensionamiento, mejora y mejora, para reducir falsificaciones no deseadas, segmentación y mejora de características de imagen. Por ejemplo, para reducir el ruido en una señal perturbada, se pueden utilizar eficazmente núcleos de suavizado. Esto se logra convolucionando la señal distribuida con núcleos de suavizado. Además, los momentos ortogonales (OMs) son una técnica crucial en el preprocesamiento de señales, sirviendo como descriptores clave para el análisis y reconocimiento de señales. Los OMs se obtienen mediante la proyección de polinomios ortogonales (OPs) en el dominio de la señal. Sin embargo, al tratar con señales 3D, el enfoque tradicional de convolucionar núcleos con la señal y calcular OMs de antemano aumenta significativamente el costo computacional de los algoritmos de visión por computadora. Para abordar este problema, este documento desarrolla un modelo matemático novedoso para incrustar el núcleo directamente en las funciones de OPs, integrando de manera fluida estos dos procesos en un enfoque más eficiente y preciso. El modelo propuesto permite el cálculo de OMs para versiones suavizadas de señales 3D directamente, reduciendo así la sobrecarga computacional. Experimentos extensos realizados en objetos 3D demuestran que el método propuesto supera a los enfoques tradicionales en diversas métricas. La precisión promedio de reconocimiento mejora al 83.85% cuando se aumenta el orden polinómico a 10. Los resultados experimentales muestran que el método propuesto exhibe una mayor precisión y menores costos computacionales en comparación con los métodos de referencia en diversas condiciones para una amplia gama de valores de parámetros.