Los vehículos aéreos no tripulados (VANT) y las aves son objetivos pequeños típicos de baja altitud en la teledetección óptica, que a menudo ocupan solo unos pocos píxeles y exhiben apariencias muy similares, lo que limita la efectividad de la discriminación basada en la apariencia a largas distancias y bajas resoluciones. Para superar esto, proponemos un marco de clasificación no basado en la apariencia utilizando características cinemáticas y de tiempo-frecuencia. A nivel de trayectoria, las características cinemáticas, que incluyen el coeficiente de variación de la velocidad y la aceleración, la Dimensión Fractal de Conteo de Cajas Espaciotemporales (SBFD) y la Dimensión Fractal Local de Higuchi (LHFD), cuantifican la complejidad de la trayectoria a múltiples escalas. A nivel de variación de escala, las características de tiempo-frecuencia, específicamente la Entropía de Valor Singular Consciente del Tiempo-Frecuencia (TF-SVE) derivada de secuencias de área de caja delimitadora, capturan oscilaciones no estacionarias del aleteo de las alas de las aves, reflejando diferencias de comportamiento con respecto al movimiento rígido de los VANT. Experimentos en un conjunto de datos del mundo real complejo muestran que apilar estas características logra una precisión de clasificación del 99.47%, demostrando un enfoque robusto, invariante a la resolución y prácticamente efectivo para el reconocimiento no basado en la apariencia de objetivos de baja altitud.