1.一种基于对抗机制的彩色图像隐写分析方法，其特征在于，包括以下步骤：

S1、对输入的彩色图像进行预处理；

S2、预处理后的彩色图像输入预先训练好的彩色图像隐写分析网络，得到待验图像隐写存在与否的盖然性结果；

其中，所述彩色图像隐写分析网络包括逐通道卷积模块、多激活模块和对抗机制模块，所述逐通道卷积模块将图像拆分成红色，绿色以及蓝色三个通道，并逐一进行卷积拼接构成特征图输入所述多激活模块，所述多激活模块中对所述拼接的特征图进行卷积后分别传输给具有不同激活函数的卷积块后再拼接输出，所述多激活模块的输出通过全局平均池化的卷积模块后由全连接层分解为图像内容特征和隐写嵌入特征两部分输入对抗机制模块，所述对抗机制模块包括标签预测器和域分类器，所述图像内容特征和隐写嵌入特征分别送入标签预测器和域分类器进行分类输出两类标签，所述两类标签分别为载体图像和隐写图像，所述图像内容特征输入标签预测器时先经过梯度反置层。

2.根据权利要求1所述的基于对抗机制的彩色图像隐写分析方法，其特征在于，所述多激活模块包括第一卷积模块、第二卷积模块、第三卷积模块和第四卷积模块，所述第一卷积模块的输出并列连接至所述第二卷积模块、第三卷积模块和第四卷积模块，所述第二卷积模块、第三卷积模块和第四卷积模块的激活函数分别为ReLU、TanH和Hardswish。

3.根据权利要求2所述的基于对抗机制的彩色图像隐写分析方法，其特征在于，所述多激活模块设有两个，包括第一多激活模块和第二多激活模块，所述逐通道卷积模块的输出送入所述第一多激活模块，所述第一多激活模块的输出送入所述第二多激活模块，所述第二多激活模块的输出送入全局平均池化的卷积模块。

4.根据权利要求1所述的基于对抗机制的彩色图像隐写分析方法，其特征在于，所述逐通道卷积模块包括将输入图像拆分为红色，绿色以及蓝色三个通道然后利用空域富模型的高斯滤波器组进行卷积，并使用空域富模型的内核对所述逐通道卷积模块的卷积核的参数进行初始化。

5.根据权利要求1至4中任意一项所述的基于对抗机制的彩色图像隐写分析方法，其特征在于，所述步骤S2中预先训练好的彩色图像隐写分析网络的训练方法包括：S100、获取彩色载体图像数据集，并构建隐写训练数据集；

S101、将载体图像和隐写图像按批次成对送入彩色图像隐写分析网络进行训练，对单幅图像，先进行逐通道卷积，拆分后的多通道特征图经聚合输入多激活模块进行隐写嵌入特征的提取；

S102、分解隐写嵌入特征，对抗机制模块利用所述隐写嵌入特征进行隐写判别，通过输出载体图像和隐写图像的概率值得到待验图像中隐写存在与否的盖然性结果；

S103、重复执行步骤S100到S102，利用网络输出结果与实际类别之间的偏差对网络的权值系数进行迭代更新，直到目标损失函数达到最优值，训练结束。

6.根据权利要求5中所述的基于对抗机制的彩色图像隐写分析方法，其特征在于，所述目标损失函数由下式计算Loss＝Ls+Lc+Ld

其中Ls为隐写嵌入特征输入标签预测器的损失，Lc为图像内容特征输入标签预测器的损失，Ld为域分类器的损失。

7.根据权利要求5所述的基于对抗机制的彩色图像隐写分析方法，其特征在于，所述构建隐写训练数据集时，包括直接针对彩色图像利用隐写算法构成隐写图像以及对彩色图像的每个通道都采用相应的嵌入率进行隐写嵌入构成隐写图像。