Las cámaras de visión tridimensional, como RGB-D, utilizan nube de puntos en 3D para representar escenas. Los formatos de archivo como XYZ y PLY se utilizan comúnmente para almacenar información de puntos 3D como datos sin procesar, esta información no contiene detalles adicionales, como metadatos o segmentación, para los diferentes objetos en la escena. Además, los objetos en la escena pueden ser reconocidos en un proceso posterior y pueden ser utilizados para otros fines, como la calibración de la cámara o la segmentación de la escena. Estamos proponiendo un método para reconocer un balón de baloncesto en la escena utilizando sus dimensiones conocidas para ajustar una fórmula de esfera. En la función de coste propuesta buscamos tres puntos diferentes en la escena utilizando RANSAC (Consenso de Muestras Aleatorias). Además, teniendo en cuenta el tamaño fijo del balón de baloncesto, nuestro método diferencia la geometría de la esfera de otros objetos en la escena, haciendo que nuestro método sea robusto en escenas complejas. En un paso posterior, el centro de la esfera se ajusta utilizando valores de z-score eliminando valores atípicos de la esfera. Los resultados muestran que nuestra metodología converge en encontrar el balón de baloncesto en la escena y la precisión del centro mejora utilizando z-score, el método propuesto obtiene una mejora significativa al reducir los valores atípicos en escenas con ruido de 1.75 a 8.3 veces al usar solo RANSAC. Los experimentos muestran que nuestro método tiene ventajas al comparar con un método novedoso de aprendizaje profundo.