人群计数与定位在计算机视觉领域的重要性日益凸显，其应用范围广泛。尽管基于点的方法在人群计数中已被广泛应用，但其面临一个关键挑战：缺乏有效的学习策略来指导预测点与目标点之间的匹配过程。这一缺陷导致预测点与真实目标点之间的匹配不稳定，进而影响整体性能。为解决该问题，本文提出一种有效方法，用于稳定基于点的方法中的预测点与目标点匹配过程。我们引入辅助点引导（Auxiliary Point Guidance, APG），为预测点的选择与优化提供清晰且有效的指导，从而解决匹配不确定性这一核心问题。此外，我们设计了隐式特征插值（Implicit Feature Interpolation, IFI），实现对不同人群场景下特征的自适应提取，进一步提升模型的鲁棒性与精度。大量实验结果表明，所提方法在人群计数与定位任务中均表现出显著性能提升，尤其在复杂场景下优势更为明显。相关源代码与训练好的模型将公开发布，以促进后续研究。