城市行人计数系统如今为经济指标、城市规划与公共安全运营提供数据支撑，但这些系统之上的数字孪生普遍把输入计数流当作真值处理。本文研究该假设不成立时的后果，首次为城市尺度的行人感知场景形式化定义「隐蔽式虚假数据注入」问题。与电力网络、供水网络相比，行人传感中「潜在人流到观测计数」的映射秩亏缺程度更严重，攻击者更容易构造出符合系统模型、难以被传统残差检测发现的注入数据。作者构建的物理约束数字孪生：在行人街道图上估计有向人流，通过一个可学习的、图局部化的增益矩阵进行计数同化，并利用耦合「已计量路段」与「未计量路段」的流量守恒残差作为训练约束。检测器把同化过程的创新量(innovation)与该守恒残差联合使用，告警阈值并非人工设定，而是通过自适应保形校准(adaptive conformal calibration)动态确定，从而在不同场景下维持可控的误报水平。为量化物理约束带来的实际收益，作者定义了「攻击裕度」——在白盒攻击者直接针对孪生模型进行优化的情况下，估计流场最坏情况被污染程度的相对下降比例。在墨尔本六年真实数据上，单个设备被攻陷时攻击裕度达到 0.54；当车队中三分之一设备被攻陷时降至 0.19；而该路网中仅有 1.18% 的可步行路段装有计量设备，说明在低覆盖率下仍具备可观防御效果。消融实验进一步把街道图替换为距离图后，裕度骤降至 0.09，证明防御增益主要来源于流量守恒定律而非图局部性结构。适合数字孪生、城市感知、传感器完整性、虚假数据注入检测方向的研究者与负责智慧城市/SOC 平台的安全工程师阅读。