通过近距离遥感观测准确检测和感知路面目标对于智能道路监控和交通基础设施评估至关重要。然而，现有的立体匹配方法在纹理较弱且高度较低的路面区域（如井盖和减速带）往往会产生不稳定的视差估计，这些区域的视差分布容易受到匹配模糊和图像噪声的影响。为了解决这个问题，提出了一种名为“检测感知视差细化”（Detection-Aware Disparity Refinement，DADR）的检测引导式视差后处理策略。首先利用基于双目视觉的遥感平台构建了一个包含约3000张标注图像的定制路面数据集，涵盖了五种路面目标类型：井盖、减速带、道路损伤、雨水排水口和铁板。采用YOLOv11来检测目标区域，而FoundationStereo则用于从校准后的立体图像中生成初始视差图。该方法没有修改立体匹配网络，而是执行基于规则的后处理操作，结合检测到的目标边界框、局部地面参考视差和置信度加权融合来稳定目标区域内的视差表示。实验结果表明，YOLOv11检测器的精确度为0.89，召回率为0.88，mAP@50值为0.895，并且与其他在同一协议下训练的单一阶段检测器相比表现良好。通过放大感兴趣区域的视觉分析发现，所提出的策略为纹理较弱的路面目标产生了更具空间连贯性的视差结果；消融研究确定了局部地面参考和自适应置信度加权是主要贡献因素。定量评估表明，经过细化处理后，区域内视差的标准偏差从3.81像素降低到1.25像素。由于没有独立的深度真实值作为参考，这一结果被归结为局部视差一致性的提高，而非绝对深度精度的提升。所提出的方法为近距离遥感场景中的低高度路面目标提供了一种轻量级、与检测器无关的视差稳定化策略，并为后续的道路状况评估提供了有用的几何线索；同时，该方法依赖于局部平面地面参考和检测器的可靠性，这也被视为其一个局限性。