Le dénombrement et la localisation de foules sont devenus des enjeux de plus en plus importants en vision par ordinateur en raison de leurs nombreuses applications. Bien que les méthodes basées sur les points soient largement utilisées dans les approches de dénombrement de foules, elles rencontrent un défi majeur : le manque d'une stratégie d'apprentissage efficace pour guider le processus d'appariement. Cette limitation entraîne une instabilité dans l'appariement des propositions de points aux points cibles, affectant négativement les performances globales. Pour remédier à ce problème, nous proposons une approche efficace visant à stabiliser l'appariement proposition-cible dans les méthodes basées sur les points. Nous introduisons une guidance par points auxiliaires (APG) afin de fournir une orientation claire et efficace pour la sélection et l'optimisation des propositions, résolvant ainsi le problème central de l'incertitude d'appariement. Par ailleurs, nous développons une interpolation implicite des caractéristiques (IFI) permettant une extraction adaptative des caractéristiques dans des scénarios de foule variés, renforçant ainsi la robustesse et la précision du modèle. Des expériences étendues démontrent l'efficacité de notre approche, montrant des améliorations significatives dans les performances de dénombrement et de localisation de foules, notamment dans des conditions difficiles. Les codes sources et les modèles entraînés seront rendus accessibles au public.