در چند سال گذشته، تشخیص شی یکی از مورد توجه ترین شاخه ها در بینایی ماشین بوده است. این حوزه، با پیشرفت الگوریتم های مورد استفاده در کنار توسعه پردازنده و دوربین های مورد نیاز، به حوزه ای کاربردی تبدیل شده است؛ به طوری که اکنون در صنایع نظامی، امنیتی، ترافیک، رباتهای خانگی، و حتی گردشگری مورد استفاده قرار گرفته است. در این پروژه، بعد از پیاده کردن الگوریتم قدرتمند sift به صورت کد نرم افزار متلب، با ارائه الگوریتم svsift، اندازه بردار ویژگی را از 128 به 16 کاهش دادیم. کاهش طول بردار ویژگی، بدون تغییرات جدی در کیفیت نتایج الگوریتم sift، زمان تشخیص را در بانک داده کویل به حدود 14 درصد الگوریتم sift، و حافظه مورد نیاز را نیز به یک ششم کاهش داده ایم. بعد از آن، برای کاربردی شدن، الگوریتم بهینه شده را بر روی سخت افزار dsp مدل tms320dm6437evm پیاده سازی کرده ایم. در این تحقیق، برای نخستین بار از تصاویر کشتی نیز به عنوان تصاویر بانک داده استفاده شده است که در مقایسه با تصاویر بانک داده کویل، نتایج بهتری را برای دو الگوریتم مذکور به همراه دارد. اساس روش پیشنهادی، استفاده از مقادیر غالب زاویه و اندازه گرادیان به عنوان ویژگی و به صورت محلی است. این الگوریتم به همراه بانک داده سه بعدی آن، نسبت به تغییرات مقیاس، چرخش و جابه جایی مقاوم بوده، و در برابر انسداد، نویز و تغییرات نور نیز نتایج مناسبی به همراه دارد. شبیه سازی ها در محیط نرم افزار متلب انجام شده است.